专利名称：信息处理器、状态判断单元、诊断单元、信息处理方法、状态判断方法和诊断方法
技术领域：
本发明涉及信息处理器、状态判断单元、诊断单元、信息处理方法、状态判断方法和诊断方法，用于在许多操作模式下起作用的对象。
背景技术：
近年来，地球的有限资源和过度的环境负担已经导致了对机械维护新方式的巨大需求，针对资源循环利用和减少对环境的影响，使得当代社会从消耗型转变为持续型。
常规的机械维护适于故障检修——修理出故障的机械，或者统一的定期维护——以预定的间隔进行。故障检修需要大量的时间和成本用于修理。定期维护由于其统一性会产生不必要的部件和废油，从而使用户付出更大的成本。另外定期维护也很昂贵，因为需要密集的劳动。将来需要脱离这种常规维护方式并转变到预测维护。
在预测维护中，通过了解操作期间的负载和环境、过去维护的历史数据库、物理故障等等数据，诊断健全程度，并且预测进一步的磨损和剩余寿命，以便早期发现机械缺陷和提供安全的操作环境，。
例如，日本专利申请公开号2002-323013(后文称为专利参考文献1)涉及异常诊断单元，用于施工车辆比如建筑机械；在施工机械(液压挖掘机)的车体中安装了压力传感器以检测液压泵的出口压力，引擎速度传感器以检测引擎速度，油温传感器以检测液路中的油温，以及通信设备把这些传感器的检测数据以无线电向网络管理中心(网络基站)传送，监控基站(如施工机械管理人员的办公室)经由因特网从网络基站获取施工机械的检测数据，并根据检测数据诊断施工机械的所有异常。
此外，日本专利申请公开号HEI 11-338848号日本专利申请(后文称为专利参考文献2)涉及异常诊断单元，用于固定机械设施比如间歇式混凝土搅拌厂或连续式混凝土搅拌厂；先收集目标搅拌厂处于正常状态时的正常数据，根据这些正常数据，使用自组织图提取这些正常数据的特征；根据这些特征，创建指示输出单元之间的距离关系的特征图，并存储为正常状态模型，根据正常状态模型和输入数据(输入向量)检测目标搅拌厂的异常。注意，通过将多维数据转换成可视的二维图而形成正常状态模型，如图13所示(其中多维数据分类成五个簇，由符号为R1-R5的区域表示)，如果输入数据的特征与正常状态模型一致，输入数据就判定为正常数据。专利参考文献2的技术可以实时地全面检测多维输入数据的异常。
建筑机械比如上述液压挖掘机具有多维参数(检测因子)，除了引擎速度、液压泵的出口压力和液路中的油温以外，还涉及控制机体向前、向后和回转移动的工作压力，控制挖斗的挖斗液压缸工作压力、控制曲臂的曲臂液压缸工作压力，以及控制升降臂的升降臂液压缸工作压力。
建筑机械通过组合许多工作操作(即工作模式)而实现操作序列。例如，将堆积的沙土装载到车斗(容器)中的操作序列可以粗略分成四种工作模式(操作模式)“用挖斗铲起沙土的从始至终的操作(工作模式1)”，“在铲起沙土之后，回转机体将装载沙土的挖斗移动到车斗上方的操作(工作模式2)”，“从打开挖斗至将沙土转移到车斗以完成转移的操作(工作模式3)”，以及“从挖斗返回堆积的沙土至为操作模式1做好准备的操作(工作模式4)”。
换言之，每个参数值都随操作模式变换而改变，但是对每个单独参数值进行分析却往往无法得出精确的异常诊断。例如，虽然每个单独参数值都处于正常范围之内，但是(以宏观的观点)当前的工作操作可能不完全对应于以上四种操作模式中的任何一种。在这种情况下，认为此工作操作处于未知的操作模式，即出现了某种差错。
诊断机械时，要判断当前工作操作是否与符合先前分类的操作模式之一，如果当前工作操作不符合任何操作模式，就判定所述机械的操作模式不同于以上的操作模式即出现了某种差错，使得似乎可以更加迅速地发现机械中的异常。由于这个原因，如果事先精确地识别了诊断对象机械的一切可能操作模式，就能够根据多维参数值实时地判断当前工作操作所对应的操作模式。
从这个观点考虑常规的技术，使用专利参考文献2的自组织图可以划分机械的每种操作模式，即使参数是多维时也不例外。
然而，如果机械具有大量的操作模式，在单一的二维自组织图中就会形成数量上与操作模式基本相同的簇，所以进一步增加操作模式的数量减少了每一簇的面积，并增强了邻近簇之间的重叠，使得边界不太清晰。这种二维图在视觉上可以分类，但是分类需要人的判断，这可能不精确。另外，如果要增加新的操作模式，必须从头重新创建自组织图，于是诊断机械的时间可能长得多。
以上的说明以建筑机械为例，但是所述诊断单元也能够应用于其操作(或参数变化)可以划分成多种操作模式(或变化模式)的许多诊断对象(对象)。
考虑到前述的问题，本发明的目的是提供信息处理器、状态判断单元、诊断单元、信息处理方法、状态判断方法和诊断方法，用于精确地识别在许多操作模式下运转的对象——比如机械——执行的每种操作。
发明内容
为了解决以上问题，本发明采用以下装置。
换言之，本发明的信息处理器的特征在于包括检测装置，用于检测n个参数值的多种组合，其中n是自然数，对于对象运行的多种操作模式的每一种，所述参数值随操作而变化；以及自组织图创建装置，用于根据由所述检测装置检测到的参数值进行多组合所获得的检测数据作为学习数据，创建自组织图；其中，所述自组织图创建装置创建多幅自组织图，用作各个单独模型，并将一幅自组织图对应于多种操作模式的每一种。
对象不仅仅是操作自身的结构，也是某种存在，比如其状态变化的天气。另外，此处的自组织图也不仅仅表示可视的二维图，而且显示了神经元的分布，已经使用预定维空间中的学习数据对其进行了训练。
采用这种结构，由于自组织图创建装置创建了若干自组织图，用作各个单独模型，并将对象操作模式的每一种都对应于一幅自组织图，因而可以精确地识别在许多操作模式下起作用的所述对象执行的每种操作。
优选情况下，所述检测数据可以是2n维数据，包括已经被检测出并指明对象瞬间状态的所述n个参数值，以及通过求已经被检测出的所述n个参数值对时间的微分而获得并指明对象瞬间状态的变化的n个值。
因此，有可能掌握数据轨迹中的趋势，它可能更精确地反映了各种操作模式的特性，从而能够获得更高精度的自组织图。
在进一步优选的情况下，所述检测装置可以检测n个参数值的多种组合；所述自组织图创建装置可以在2n维空间中随机地初始安排预定数目的神经元，可以把2n维空间中检测数据的某点(对应根据检测装置的检测结果所获取之检测数据的预定数目组合(例如预定数目TD))视为学习数据点进行训练，可以把到所述学习数据点距离最近的神经元视为优胜神经元创建自组织图候选者，并可以从通过多次执行创建自组织图候选者所获得的两幅或更多自组织图候选者中，选择其特征最接近所述学习数据的自组织图候选者作为自组织图。
其结果在于所选定的自组织图可以视为特征最接近所述学习数据的特征。
在进一步优选的情况下，所述自组织图创建装置可以对每个自组织图候选者，计算优胜神经元到所述学习数据中所述点的平均距离，以及优胜神经元到所述学习数据中所述点距离的标准差，并可以选择其平均距离和标准差都最小的自组织图候选者作为自组织图。此处的优胜神经元是有优胜神经元历史(换言之，至少有一次变为优胜神经元)的所有神经元。
采用这种结构能够选择最具所述学习数据特色的自组织图。
不仅如此，如果不存在平均距离和标准差都最小的自组织图候选者，所述自组织图创建装置可以选择平均距离最近的自组织图候选者作为自组织图。
在进一步优选的情况下，所述自组织图创建装置可以在已经选定的自组织图的神经元之中删除从未变为优胜神经元的神经元(称为无效神经元)。
结果，所述学习数据的特征可以由神经元数目大为减少的自组织图所表明，所以能够节省存储自组织图所需的容量和使用自组织图计算所需的时间。
本发明中判断对象状态之状态判断单元的特征在于包括存储单元，以多幅自组织图的形式存储各个单独模型，上述信息处理器为所述多种操作模式的每一种创建一幅自组织图；所述检测装置；以及判断装置，根据与在所述检测装置实时地获取的检测数据对应的2n维检测数据点与在每幅自组织图中的优胜神经元之间的相对距离，判断对象的操作对应于的哪一种操作模式。此处的优胜神经元是与实时检测的某(单一)数据点距离最近的神经元。
这种方式可以改进判断对象操作模式的精确度。
优选情况下，所述检测装置可以通过将所述检测装置实时地获取的检测数据点与在每幅自组织图中的优胜神经元之间的距离，除以自组织图中优胜神经元至在信息处理器中创建每幅自组织图过程中使用的学习数据点的平均距离，计算相对距离。
在进一步优选的情况下，如果每幅自组织图的所述相对距离都等于或小于预定的阈值，所述判断装置可以判定所述检测数据点符合所述一幅自组织图，并且如果一幅自组织图的所述相对距离大于所述预定阈值，就判定所述检测数据点不符合所述一幅自组织图。在进一步优选的情况下，如果存在两幅或更多符合的自组织图，所有符合的自组织图都可以选为候选者，或者相对距离最近的自组织图选为最佳自组织图。
诊断单元，包括上述状态判断单元，用于诊断所述对象，优选情况下，所述对象可以处于包括建筑机械的机械中，所述多种操作模式表示所述机械执行的具体操作。例如，此处的诊断是判断机械等的操作模式是否正常。
这种诊断单元可以诊断机械等的具体操作模式。
本发明的信息处理方法的特征在于包括以下步骤检测n个参数值多方式组合，其中n是自然数，用于对象发挥作用的多种操作模式的每一种，所述参数值随操作而变化；根据与在所述检测步骤中检测到的参数值进行多组合所获得的检测数据作为学习数据，创建自组织图；其中，在所述自组织图创建步骤中，创建多幅所述自组织图，用作各个单独模型，对于所述多种操作模式的每一种创建一幅。
同样在这种方法中，对象不仅仅是操作自身的结构，也是某种存在，比如其状态变化的天气，操作模式包括变化模式。另外，自组织图也不仅是可视的二维图，而且也显示了神经元的分布，已经使用预定维空间中的学习数据对其进行了训练。
采用这种方法，由于自组织图创建装置创建了若干自组织图，用作各个单独模型，并将对象操作模式的每一种都对应于一幅自组织图，因而可以精确地识别在许多操作模式下起作用的所述对象执行的每种操作。
优选情况下，在所述检测步骤和所述自组织图创建步骤之间，本方法可以进一步包括通过处理所述检测步骤中检测的n个参数值而计算n个时间差分值的步骤，并可以根据2n维数据创建所述自组织图，包括已经被检测出并指明对象瞬间状态的所述n个参数值，以及已经使用所述n个参数值算出并指明所述对象瞬间状态的变化的n个时间差分值。
因此，有可能掌握数据轨迹中的趋势，它可能更精确地反映了各种操作模式的特性，从而能够获得更高精度的自组织图。
在进一步优选的情况下，在所述检测步骤中可以检测n个参数值的多种组合；所述自组织图创建步骤可以包括创建自组织图候选者的以下子步骤在2n维空间中随机地初始安排预定数目的神经元，把2n维空间中检测数据的某点视为学习数据点进行训练，把到所述学习数据点距离最近的神经元视为优胜神经元创建自组织图候选者，以及从通过多次执行创建自组织图候选者的所述步骤所创建的两幅或更多自组织图候选者中，选择其特征最接近所述学习数据的自组织图候选者作为自组织图。
以这种方式，所选定的自组织图可以视为特征最接近所述学习数据的特征。
在更进一步优选的情况下，在选择自组织图的子步骤之后，所述自组织图创建步骤进一步包括在已经选定的自组织图的神经元之中删除从未变为优胜神经元的神经元(即无效神经元)的子步骤。
结果，所述学习数据的特征可以由神经元数目大为减少的自组织图所表明，所以能够节省存储自组织图所需的容量和使用自组织图计算所需的时间。
在进一步优选的情况下，为所述对象的所述多个操作模式以外的新操作模式增加自组织图时，可以在所述对象以所述新的操作模式起作用的同时，由所述检测步骤检测所述n个参数值；并且可以由所述自组织图创建步骤，把基于已经检测之参数值的多方式组合的检测数据视为学习数据，为所述新的操作模式创建自组织图。
以上述方式，可以增加新操作模式对应的自组织图。
本发明的状态判断方法使用用作各个单独模型并由上述信息处理为多种操作模式的每一种创建一幅的多幅自组织图，判断所述对象的操作对应于哪一种操作模式，其中包括以下步骤检测随操作变化的n个参数值；以及根据与在所述检测步骤中实时地获取的检测数据对应的2n维空间中检测数据点与在每幅自组织图中的优胜神经元之间的相对距离，判断对象的操作对应于的哪一种操作模式。
这种方法能够增强判断对象操作模式的精确度。
在优选情况下，在所述检测步骤和所述判断步骤之间，所述状态判断方法可以进一步包括通过处理所述检测步骤中检测的n个参数值而计算n个时间差分值的步骤，并且在所述判断步骤中可以根据2n维数据判断所述对象的操作模式，所述2n维数据包括已经被检测出并指明对象瞬间状态的所述n个参数值，以及一直在处理所述检测步骤中所检测的n个参数值并指明了所述对象瞬间状态的变化的n个时间差分值。
因此，有可能掌握数据轨迹中的趋势，它可能更精确地反映了各种操作模式的特性，从而能够获得更高精度的自组织图。
在进一步优选的情况下，所述判断步骤可以包括通过将在所述检测步骤中实时地获取的检测数据点与在每幅自组织图中的优胜神经元之间的距离，除以自组织图中优胜神经元至由信息处理器进行创建自组织图过程中使用的学习数据点的平均距离，获得相对距离，如果每幅自组织图的所述相对距离都等于或小于预定的阈值，就判定所述检测数据点符合所述一幅自组织图，并且如果每幅自组织图的所述相对距离都大于所述预定阈值，就判定所述检测数据点不符合所述自组织图。在进一步优选的情况下，如果存在两幅或更多符合的自组织图，所有符合的自组织图都可以选为候选者，或者相对距离最近的自组织图选为最佳自组织图。
从而有可能增强判断对象操作模式的精确度。
本发明的诊断方法包括上述状态判断方法，用于诊断所述对象，其中，所述对象可以处于包括建筑机械的机械中，所述多种操作模式表示所述机械执行的具体操作。此处的诊断是判断机械等的操作模式是否正常。
以这种方法，能够诊断机械等的具体操作模式。
在优选情况下，如果不存在符合的自组织图，在判断步骤中就可以判定所述具体的操作为未知模式或异常模式。
这种方法可以诊断机械等的操作模式是不是未知模式或异常模式。
图1是框图，显示了根据本发明实施例的诊断单元；图2显示了根据本发明实施例，液压挖掘机的操作模式1-4所对应传感器的输出值；图3是示意图，直观地显示了根据本发明实施例，自组织图中学习数据点(检测数据点)与神经元之间的最小距离；图4(a)说明了根据本发明实施例的自组织图，此自组织图使用操作模式1中引擎速度P1和左液压泵压力P3的学习数据创建；图4(b)说明了根据本发明实施例的自组织图，此自组织图使用操作模式1中引擎速度P1和右液压泵压力P4的学习数据创建；图4(c)说明了根据本发明实施例的自组织图，此自组织图使用操作模式1中左液压泵压力P3和右液压泵压力P4的学习数据创建；图4(d)说明了根据本发明实施例的自组织图，此自组织图使用操作模式1中引擎速度P1和燃料消耗量P2的学习数据创建；图5(a)说明了根据本发明实施例的自组织图，此自组织图使用操作模式2中引擎速度P1和左液压泵压力P3的学习数据创建；图5(b)说明了根据本发明实施例的自组织图，此自组织图使用操作模式2中引擎速度P1和右液压泵压力P4的学习数据创建；图5(c)说明了根据本发明实施例的自组织图，此自组织图使用操作模式2中左液压泵压力P3和右液压泵压力P4的学习数据创建；图5(d)说明了根据本发明实施例的自组织图，此自组织图使用操作模式2中引擎速度P1和燃料消耗量P2的学习数据创建；图6(a)说明了根据本发明实施例的自组织图，并显示了操作模式1中引擎速度P1和左液压泵压力P3的学习数据(图中小点)以及完成训练并删除无效神经元后之神经元(图中大点)的排列；图6(b)说明了根据本发明实施例的自组织图，并显示了操作模式1中引擎速度P1和右液压泵压力P4的学习数据(图中小点)以及完成训练并删除无效神经元后之神经元(图中大点)的排列；
图6(c)说明了根据本发明实施例的自组织图，并显示了操作模式1中左液压泵压力P3和右液压泵压力P4的学习数据(图中小点)以及完成训练并删除无效神经元后之神经元(图中大点)的排列；图6(d)说明了根据本发明实施例的自组织图，并显示了操作模式1中引擎速度P1和燃料消耗量P2的学习数据(图中小点)以及完成训练并删除无效神经元后之神经元(图中大点)的排列；图7(a)说明了根据本发明实施例的自组织图，并显示了操作模式2中引擎速度P1和左液压泵压力P3的学习数据(图中小点)以及完成训练并删除无效神经元后之神经元(图中大点)的排列；图7(b)说明了根据本发明实施例的自组织图，并显示了操作模式2中引擎速度P1和右液压泵压力P4的学习数据(图中小点)以及完成训练并删除无效神经元后之神经元(图中大点)的排列；图7(c)说明了根据本发明实施例的自组织图，并显示了操作模式2中左液压泵压力P3和右液压泵压力P4的学习数据(图中小点)以及完成训练并删除无效神经元后之神经元(图中大点)的排列；图7(d)说明了根据本发明实施例的自组织图，并显示了操作模式2中引擎速度P1和燃料消耗量P2的学习数据(图中小点)以及完成训练并删除无效神经元后之神经元(图中大点)的排列；图8显示了根据本发明实施例，操作模式判断结果的实例；图9展示了根据本发明之修改的诊断单元；图10是流程图，显示了根据本发明实施例的脱机处理；图11是流程图，显示了根据本发明实施例，创建自组织图步骤中执行的处理；图12是流程图，显示了根据本发明实施例的实时处理；图13是常规的自组织图(可视化二维图)。
具体实施例方式
现在将在下文中参考附图介绍本发明的实施例。
图1是根据本发明实施例的诊断单元。诊断单元安装在机器比如建筑机械中，诊断所述机器是否出了故障。例如，以下的讲解将假设所述诊断单元应用于液压挖掘机，它用作建筑机械。但是本发明绝不应当仅应用于这种建筑机械，它能够应用于在许多操作模式(变化模式)下可操作(可变)的任何对象。
如图1所示，所述诊断单元主要包括许多传感器(检测装置)1a-1d、具有自组织图创建装置2所对应功能的ECU(电子控制单元)5、存储单元3和判断装置4和监视器6。所述ECU 5包括输入/输出设备、其中加入了处理程序的存储设备(RAM、ROM)、中央处理器(CPU)等。
使传感器1a-1d配备为在许多操作模式下可操作之液压挖掘机的每个参数(变化因子)都对应一个，并检测随液压挖掘机所执行操作而变化的、涉及每种操作模式的参数值多种组合。这些传感器可以直接地检测对应的参数值，也能够以对检测值执行算术运算等而估计数值的形式获得对应的参数值。
这里，涉及液压挖掘机操作的参数是随液压挖掘机操作变化而变化的因素，举例说明引擎速度，燃料消耗量，液压泵压力(一台或多台液压泵的压力)，液路中的油温，控制机体向前、向后和回转移动的工作压力，控制挖斗的挖斗液压缸工作压力、控制曲臂的曲臂液压缸工作压力，以及控制升降臂的升降臂液压缸工作压力。
本诊断单元包括传感器1a-1d，它们检测引擎速度、燃料消耗量和液压泵压力作为这些参数的代表。确切地说，诊断单元包括4个传感器1a-1d，引擎速度传感器1a检测引擎速度，燃料消耗量传感器1b检测燃料消耗量，左液压泵压力传感器1c和右液压泵压力传感器1d分别检测左右液压泵的压力。当然，诊断单元可以包括检测如上所述挖斗液压缸、曲臂液压缸、升降臂液压缸等工作压力的传感器。
作为本诊断单元特征之一，自组织图创建装置2根据引擎速度传感器1a、燃料消耗量传感器1b、左液压泵压力传感器1c和右液压泵压力传感器1d所检测出参数值的多种组合，通过使用检测数据作为学习数据，创建若干自组织图(后文也称为SOM)，用作独立模式，并使液压挖掘机的每种操作模式都对应一幅自组织图。如图1所示，本发明的信息处理器由以上述传感器1a-1d和SOM创建装置2形成。
液压挖掘机的每种操作模式都表示一定的操作(具体操作)。例如，将堆积的沙土装载到车斗(容器)中的操作序列可以粗略分成四种工作模式(操作模式)“用挖斗铲起沙土的从始至终的操作(工作模式1)”，“在铲起沙土之后，回转机体将装载沙土的挖斗移动到车斗上方的操作(工作模式2)”，“从打开挖斗至将沙土转移到车斗以完成转移的操作(工作模式3)”，以及“从挖斗返回堆积的沙土至为操作模式1做好准备的操作(工作模式4)”。现在将假设液压挖掘机运转在上述四种操作模式下，介绍本发明。
普通的自组织图是可视化的识别模型，其中多维数据表示在二维空间中。然而，自组织图也能够用作将多维数据划分为先前给定类，而不在二维空间中观察数据的一种方法。
现在将进行的说明涉及一般分类。由测量已经获得的数据簇{d1，d2，...，dD}的D个组中的每个数据点di(i＝1，2，...，D)都由表现一定类Ci(j＝1，2，...，z)特征的n个参数值(测量特征值)形成。换言之，假设每个数据点di为di＝[P1，P2，...，Pn]。为了对工作模式恰当分类，需要仅仅通过读取每个数据点di的n个参数值就能够将数据点di划分为适当类的技术(模型及所述模型所关联的算法)。
这就需要根据其“答案”已知的学习数据构建初始知识。所述“答案”是指所述学习数据所属的实际类。学习数据用于训练SOM(识别模型)(换言之，逐步地更新SOM)，重复地执行这种训练称为“指导学习”。以上述方式获得的SOM用作解决分类问题的装置。
在构建SOM时，采用更大量的学习数据能够创建更精确的SOM。然而，一旦学习数据量达到了一定的程度，进一步增加数据量只能略微改进SOM的精确度。所以在优选情况下，输入的学习数据数目设置为预定的数目。在本实例中，术语“类”对应于“操作模式”。
如上所述，本诊断单元的特征在于创建若干SOM，使液压挖掘机的每种操作模式都对应一个，用作单独的模型。
换言之，为每个类Cj(C1，C2，...，Cz)都创建了单一的SOMj(SOM1，SOM2，...，SOMz)。因此，本发明的实施例为四个类(操作模式)的每一个都创建了一个SOM。使用清楚地表示单一操作模式的大量学习数据，对用作单独模型的每个SOM都进行了训练。由这种训练构建的每个SOM都用作本地经过良好训练的专家，有能力清楚地识别单一操作模式，所以有可能精确地识别对象运转的许多操作模式的每一种。
由于一个SOM学习单一操作模式，而不学习其它操作模式，因此一个SOM同时不具有另一种操作模式知识的特征。
由四个传感器1a-1d检测并输入到SOM创建装置2的数据包括指明液压挖掘机瞬间状态的4(n)个参数值d(k)，以及4个参数值的时间差分并指明液压挖掘机瞬间状态变化的4(n)个值Δd(k)，所以形式为8维(2n维)数据，汇总了4个参数值d(k)和4个参数值的4个时间差分Δd(k)。
如上所述，SOM创建装置2创建SOM所根据的学习数据，不仅包括当前参数值d(k)，而且也包括当前参数值d(k)与先前参数值d(k-1)之间的差分值，即Δd(k)＝d(k)-d(k-1)。
仅从当前参数值d(k)无法获得表示整个液压挖掘机动态操作的足够信息。但是，也考虑如上所述的Δd(k)，就有可能更精确地掌握检测数据轨迹中的趋势，它可能是每个单独操作模式的特性，从而能够创建更高精确度的SOM。
这种方式要求更长的学习时间，因为要创建的SOM由于d(k)和Δd(k)而是数据规模的两倍。因为在训练SOM时仅仅执行一次创建的计算，所以是可行的，因此，在液压挖掘机运转期间判断当前操作模式时，所述单元没有耗时的计算负载。
SOM创建装置2在8维(2n维)空间中随机地初始安排了预定数目的神经元；使用上述学习数据执行训练；创建SOM候选者，把到学习数据点距离最近的神经元视为优胜神经元；并从上述多次执行创建SOM候选者所创建的两个或更多SOM候选者中，选择其特征最接近学习数据的SOM候选者作为SOM。
具体地说，SOM创建装置2对每个SOM候选者，计算学习数据点至优胜神经元的平均距离，以及学习数据点至优胜神经元距离的标准差，并可以选择其平均距离和标准差都最小的SOM候选者作为SOM。此处的优胜神经元是有优胜神经元历史(换言之，至少有一次变为优胜神经元)的所有神经元。不仅如此，此时如果不存在平均距离和标准差都最小的SOM候选者，SOM创建装置2选择其平均距离最短的SOM候选者作为SOM。
此外，SOM创建装置2在选定的SOM的神经元之中删除从未变为优胜神经元的神经元。
以上述方式训练SOM优选情况下在液压挖掘机进行实际运转之前进行，即优选情况下与实际运转分开进行(在本实施例中，称为液压挖掘机的“脱机状态”)。例如，在制造商装运液压挖掘机之前，液压挖掘机按照装运之后将实际运转的操作序列试验运转，SOM创建装置2创建涉及每种操作模式的SOM并将创建的SOM存储在存储单元3中。
液压挖掘机在操作现场实际运转的同时，判断装置4通过将传感器1a-1d实时获得的检测数据对应的8维空间中的检测数据点与存储单元3中存储的每个SOM的优胜神经元(后面详细介绍)之间的距离，除以SOM创建装置2创建SOM过程中所用学习数据点与SOM中优胜神经元之间的平均距离，计算相对距离RD。
另外，如果SOM的相对距离RD等于或小于预定的阈值(1+α)、则判断装置4就判定检测数据点符合SOM，如果相对距离RD大于预定的阈值(1+α)、则判断装置4就判定检测数据点不符合SOM。因子α表示学习数据的可靠性，优选情况下给定例如0.2-0.3的数值。
如果存在符合检测数据点的SOM，判断装置4就判定检测数据点属于所述符合的SOM所关联的操作模式。例如，假若所述符合的SOM关联到操作模式1，就判定检测数据点属于操作模式1。如果存在两个或更多的SOM符合检测数据，判断装置4可以选择所有符合的SOM作为候选者(在这种情况下，可以给具有较小相对距离的候选者较高等级)，也可以选择相对距离RD最短的SOM作为最佳的SOM。
相反，如果不存在符合检测数据点的SOM，就判定检测数据点不属于任何操作模式。在这种情况下，就判定检测数据点属于“未知模式”或“异常模式”。此外，把这种未知模式视为新操作模式，SOM创建装置2可以创建新的SOM并将新的SOM存储在存储单元3中。
如图1所示，本发明的状态判断单元由传感器1a-1d、SOM创建装置2、存储单元3和判断装置4组成。
监视器6显示判断装置4作出的判断结果。换言之，如果判断装置4判定检测数据点属于操作模式之一，则在监控器6上显示所述操作模式。如果所述检测数据点属于两种或更多的操作模式，则在监控器6上按相对距离更小的次序显示所述操作模式。另外，如果判定检测数据点不对应于任何操作模式，监控器6显示检测数据点处于未知操作模式(或新操作模式)或异常操作模式。
根据本发明实施例的诊断单元构建方式如上所述，诊断过程具有两个主要部分采用脱机数据流的脱机处理和使用实时数据流的实时处理。
(A)脱机处理在这种处理中，SOM创建装置2创建若干SOM，液压挖掘机的每种操作模式都有一个SOM，用作独立模型，每个独立模型都清楚地表明了所关联的操作模式。这种处理过程使用根据本实施例的信息处理方法，包括以下步骤为数据创建而检测(步骤S100)、计算(S110)和创建SOM(S120)，如图10所示。
为数据创建而检测的步骤(步骤S100)对液压挖掘机的每种操作模式获取大量高可靠性的检测数据。具体地说，在本实施例中，从4个传感器1a-1d获取了每种操作模式参数值的多种组合。这里，当前时刻k的参数值用d(k)表示。
在计算步骤(步骤S110)中，在为数据创建而检测的步骤中所检测的参数值受到处理，计算时间差分(包括时间差分对应的数值比如参数值的变化率(如每单位时间变化量比如检测阶段或检测周期))Δd(k)。
在创建SOM的步骤(步骤S120)中，根据在为数据创建而检测的步骤中所获取的参数值d(k)的多种组合，以及在计算步骤中算出的时间差分Δd(k)的多种组合，使用检测数据{d(k)，Δd(k)}作为学习数据，创建SOM，它被视为每种操作模式的独立模型。
这种脱机处理需要时间，然而却是最重要的步骤，它们确定了在后面实时处理中进行分类时所用SOM的质量。
图2显示了当液压挖掘机重复地执行操作模式1至4的操作序列时，传感器1a-1d的参数值，横轴表示公共的时间刻度。这些图形从上向下，分别指示引擎速度、燃料消耗量、左泵压力、右泵压力以及操作模式的变化。正如从图2可以理解，理想情况是在相同操作模式下获得相同参数值(波形)，但是即使在相同操作模式下，实际参数值也可以不同。所以，在这种脱机处理中使用大量可靠的学习数据训练SOM，能够创建更清楚地表现每种操作模式特征的SOM。
上述方式为每种操作模式都获得了典型的SOM。训练概念具有下列特征。由于训练每幅SOM时仅仅涉及一种操作模式，所以不需要在使用众所周知的SOM软件所表示的二维图形上显示神经元的拓扑距离(附近，邻近)。在8维空间中获得神经元分布(此处称为“云”)对本实施例的SOM是足够的。
下一步的讲解将涉及在创建SOM步骤中进行的具体计算过程。
首先，在8维空间中随机排列着预定数目的神经元(步骤S200，第一步)，如图11所示。对8维空间中的每个检测数据点(视为脱机处理中创建SOM的学习数据)，都获得了到神经元的距离(步骤S210)。此后，到检测数据点距离最短的神经元确定为优胜神经元。同时，不仅训练优胜神经元，也训练优胜神经元附近的神经元。
这里，最短距离MD定义为2n维空间中第i个检测数据点到神经元距离之中的最小值。例如，假若到第j个神经元距离最短，距离最短的第j个神经元就称为优胜神经元。最短距离MD由下列公式(1)表示MD(i)=min1≤j≤n{r(i,j)}---(1)]]>其中i＝1，2，...，TD。
这里r(i，j)表示第i个检测数据点到第j个神经元距离之间的距离。另外，为SOM计算的距离r(i，j)是在普通算法中已知的欧几里得距离。
此后，判断是否使用全部多种组合训练了SOM(步骤S230)，如果判断结果是否定(否判定)，处理转向步骤S210。反之，如果判断结果是肯定(是判定)，处理转向步骤S240，创建另一个SOM候选者。在这个阶段获取的SOM不可能总是明确指明单一操作模式的最佳SOM，所以作为候选者对待。步骤S210至步骤S240是第二步，创建SOM候选者的步骤由第一和第二步组成。
上述计算过程为一定的操作模式已经创建了SOM候选者。在本实施例中，为了获取精确度更高的最佳SOM，更清楚地表现操作模式的特征，创建了许多SOM候选者，从中选择最佳的SOM。为此目的，要判断已创建SOM候选者的数目是否达到了SOM创建之前的预定数目。如果结果为否，所述处理转向步骤S200，创建另一个SOM候选者，反之，如果判断结果为是，处理转向步骤S260。
在步骤S260(选择步骤)中，从若干SOM候选者中选择其特征最接近学习数据的一个SOM候选者作为SOM。注意，现在将详细介绍在步骤S260中选择最佳SOM的方式。
表现2n维空间中神经元分布特征的重要指标值是平均最短距离AVmin和最短距离MD的标准差STdev。
图3是一个实例，可视地指明了10个检测数据点(由于在脱机处理中把检测数据点视为学习数据，在图3中称为学习数据点)d1-d10与7个神经元n1-n7之间最短距离。平均最短距离AVmin是这些最短距离MD的平均。平均最短距离AVmin由下列已知的公式(2)表示AVmin=1TDΣi=1TDMD(i)---(2)]]>类似于平均最短距离AVmin的公式，标准差STdev由下列已知的公式(3)获得STdev=Σi=1TD(MD(i)-AVmin)TD---(3)]]>根据平均最短距离AVmin和标准差STdev，步骤S260在已经算出的许多SOM候选者之中，判断哪一个SOM的特征最接近学习数据。此时，选择平均最短距离AVmin和标准差STdev都最小的SOM候选者为最佳SOM，它最接近学习数据的特征。
如果不存在平均最短距离AVmin和标准差STdev都最小的SOM候选者，就选择平均最短距离AVmin最小的SOM候选者作为最佳SOM。
以这种方式有可能选定最能表现检测数据(学习数据)特征的SOM。
在步骤S270(删除无效神经元的步骤)中，在选定的SOM中删除了从未变为优胜神经元的一个或多个神经元(此处称为“无效神经元”)。例如，图3显示了两个无效神经元n3和n7，在训练SOM之后它们被删除。应用这种除去无效神经元，能够以神经元数目大为减少的SOM表达学习数据的特征，因而能够节省保留SOM的容量并能够缩短使用SOM进行未来计算所需要的时间。
如同本实施例中的介绍，对一种操作模式使用一幅SOM(独立模型)的优点是能够通过把表示操作模式特征的的数目众多的检测数据点近似为数目大为减少的神经元，大为减少存储容量，以及能够迅速地执行随后实时处理中的分类过程。
图4(a)、4(b)、4(c)和4(d)是操作模式1中检测数据点的散点图；图4(a)显示了引擎速度P1和左液压泵压力P3之间的关系；图4(b)显示了引擎速度P1和右液压泵压力P4之间的关系；图4(c)显示了左液压泵压力P3和右液压泵压力P4之间的关系；图4(d)显示了引擎速度P1和燃料消耗量P2之间的关系。由于图4(a)、4(b)、4(c)和4(d)的SOM(独立模型)是8维的，所以这些SOM是映射的形式，其中优胜神经元排列在8维空间中。
图5(a)、5(b)、5(c)和5(d)是操作模式2中检测数据点的散点图。
由于图5(a)、5(b)、5(c)和5(d)的SOM(独立模型)也是8维的，所以这些SOM也是映射的形式，其中优胜神经元排列在8维空间中。
图6(a)、6(b)、6(c)和6(d)显示了涉及操作模式1的最佳SOM，它们将用于随后的实时处理中。图6(a)、6(b)、6(c)和6(d)中小点是操作模式1中的检测数据点，大点是完成训练和删除无效神经元已经进行之后的神经元。
同样，图7(a)、7(b)、7(c)和7(d)显示了涉及操作模式2的最佳SOM，它们将用于随后的实时处理中。图7(a)、7(b)、7(c)和7(d)中小点是操作模式1中的检测数据点，大点是完成训练和删除无效神经元已经进行之后的神经元。
根据图6(a)、6(b)、6(c)、6(d)、7(a)、7(b)、7(c)和7(d)，显然神经元主要排列在密度最高的区域。
这些神经元在随后实时处理中用作全体检测数据点的代表点。
(B)实时处理这种处理根据液压挖掘机实际运转时实时获得的检测数据，判断液压挖掘机当前运转在哪种操作模式。具体地说，进行计算是为了判断此处获得的实时检测数据最类似上述脱机处理中创建的4幅SOM中的哪一幅SOM，以确定最类似之SOM所对应的操作模式。根据本实施例的状态判断方法和诊断方法用于这种处理的程序步骤。
如图12所示，首先实时检测了4个参数值，即检测数据(步骤S300，为状态判断进行的检测步骤)。对步骤S300中检测的参数值进行处理，以计算参数值的时间差分(包括时间差分对应的值，比如参数值的变化率(如以检测时间周期为例的每单位时间的变化量))Δd(k)(步骤S310，计算步骤)。换言之，检测数据是8维数据，包括4个d(k)和4个Δd(k)，类似于脱机处理中的数据。
下一步，获得当前检测数据与SOM的相似度SD，每种操作模式涉及一个相似度。有许多计算相似度SD的方式，但是本实施例采用欧几里得距离，即在SOM中从当前检测数据点到优胜神经元的距离获得相似度。
如此获取的相似度除以平均最短距离AVmin，从而获得当前检测数据点和优胜神经元之间的相对距离RD(＝SD/AVmin)。此处的优胜神经元到实时检测数据点(单点)距离最短。对4幅SOM都执行了相对距离RD的计算(步骤S320)。
判断已经如上计算的相对距离RD是否等于或小于预定值(1+α)，即判断是否RD≤1+α(α是先前确定的阈值)(步骤S330)。如果相对距离等于或小于预定值，则判定检测数据点符合SOM，并将SOM存储在存储单元中作为候选者(步骤S340)。换言之，这意味着以上的检测数据点可以分类为所述符合的SOM所关联的操作模式。
反之，如果相对距离RD(等于或)大于预定值，则判定检测数据点不符合SOM(步骤S350)。换言之，这意味着无法将以上的检测数据点分类为任何操作模式。步骤S320-S340是判断步骤。适当地设置以上的预定值(1+α)能够把准则确定为按照环境判断检测数据点是否符合SOM。
对于4种操作模式都对SOM执行以上判断，如果存在两幅或更多的SOM符合检测数据点(即存在两种或更多的操作模式符合)，就经由监视器6向操作员通报这些SOM所对应的操作模式。在这种情况下，所述操作模式以相对距离更小的次序，即相似度更高的次序显示，使得操作员容易领会显示的操作模式。
如果没有符合检测数据点的SOM(即没有操作模式符合)，就经由监视器6向操作员通报检测数据点处于脱机处理中尚未训练的“未知模式”或处于“异常模式”。当前正在运转的液压挖掘机存在或不存在异常的这种显示能够向操作员发出一种警报。
根据当前操作之实时处理的特征之一是自适应性。具体地说，如果液压挖掘机操作员以新操作模式操作液压挖掘机，获得的和受到训练的仅仅是涉及所述新操作模式的检测数据，所以能够创建新的SOMz+1。所述新的SOMz+1可以加入到已经使用的SOM中。换言之，本实施例中的脱机处理已经创建了4幅SOM，使4种操作模式的每一种都对应一幅；如果加入了新的SOM，本实施例将总共创建和存储了5幅SOM。
如上所述，如果打算加入新的SOM，仅仅通过向整个模型加入用作新独立模型的SOMz+1，就不难更新分类所用的整个模型。由于这种原因，不必从头开始为分类重新创建整个模型(即整个常规的可视化二维图)，而常规创建技术必须如此。以这种方式在随时加入新的操作模式能够更精确地诊断每种操作。
图8显示了由根据本实施例的诊断单元做出的操作模式判断结果的实例。图8中实线指明液压挖掘机的实际操作模式，虚线指明使用SOM分类的操作模式。本实施例中，在脱机处理中先前已经训练的操作模式为操作模式“1”、操作模式“2”、操作模式“3”和操作模式“4”，先前未经训练的操作模式(如液压挖掘机正在空闲的模式)为操作模式“0”。操作模式“-1”指明未知模式或异常模式。
如图8中可见，虽然操作模式有时判断为与实际操作模式不同的操作，但是进行了基本上与实际操作模式协调的、操作模式的正确判断。
以上已经介绍了本发明的一个实施例，但是本发明决不应当限于上述的实施例，可以建议多种修改而不脱离本发明的概念。
例如，本实施例使用没有处理的检测数据d(k)和Δd(k)。做为替代，这些值可以不直接使用，而是由主滤波器进行了平滑之后使用。
创建SOM所用的神经元数目可以增多，当然计算也就需要更长的时间。以这种方式能够创建更精确的SOM。
另外，介绍本实施例时把液压挖掘机视为在许多操作模式下运转之对象的实例。但是，所述对象不应当仅限于液压挖掘机。本发明也能够应用于运输工具所执行操作的正误判断，比如卡车、公共汽车、船只，或者机械比如工业机械所执行操作的正误判断，也能够应用于对活体比如动物或植物的正误判断，及估计天气或天体比如地球的变化。
在本实施例中，判断单元安装在液压挖掘机内，诊断过程在液压挖掘机内集中进行。作为替代，如图9所示，在移动机械比如液压挖掘机中仅仅安装了传感器，在商务实体中安装了计算机，包括本发明介绍的SOM创建装置2、存储单元3、判断单元4和监视器6，所以即使所述商务实体远离所述移动机械，也能够通过从传感器向计算机发送检测数据，并在计算机上显示所发送的数据，在商务实体处轻而易举地执行诊断。另外，图9所示的实例在移动机械和商务实体之间插入了管理系统。确切地说，如果对象是移动机械，比如建筑机械、卡车、公共汽车或船只，由于地理分布造成的低效率，根据本发明的诊断单元结构能够满足更高维护水平和更高维护效率的需求。
工业适用性如上所述，如果本发明应用于能够在许多操作模式下运转的对象，比如建筑机械，由于本发明能够精确地识别对象的每种操作，所以认为本发明的适用性极高。
权利要求
1.一种信息处理器，包括检测装置，用于检测n个参数值的多种组合，其中n是自然数，对于对象运行的多种操作模式的每一种，所述参数值随操作而变化；以及自组织图创建装置，用于根据由所述检测装置检测到的参数值进行多种组合所获得的检测数据作为学习数据，创建自组织图；其中，所述自组织图创建装置创建多幅自组织图，用作各个单独模型，并将一幅自组织图对应于多种操作模式的每一种。
2.根据权利要求1的信息处理器，其中，所述检测数据是2n维数据，包括已经被检测出并指明所述对象瞬间状态的所述n个参数值，以及通过求已经被检测出的所述n个参数值对时间的微分而获得并指明对象瞬间状态的变化的n个值。
3.根据权利要求1的信息处理器，其中，所述检测装置检测n个参数值的多种组合；以及所述自组织图创建装置在2n维空间中随机地初始安排预定数目的神经元，把2n维空间中检测数据的某点视为学习数据点进行训练，把到所述学习数据点距离最近的神经元视为优胜神经元创建自组织图候选者，并从通过多次执行创建自组织图候选者所获得的两幅或更多自组织图候选者中，选择其特征最接近所述学习数据的自组织图候选者作为自组织图。
4.根据权利要求3的信息处理器，所述自组织图创建装置对每个自组织图候选者，计算优胜神经元到所述学习数据中若干所述点的平均距离，以及优胜神经元到所述学习数据中若干所述点距离的标准差，并选择平均距离和标准差都最小的自组织图候选者作为自组织图。
5.根据权利要求4的信息处理器，其中，如果不存在平均距离和标准差都最小的自组织图候选者，所述自组织图创建装置就选择平均距离最近的自组织图候选者作为自组织图。
6.根据权利要求3-5之一的信息处理器，其中，所述自组织图创建装置在已经选定的自组织图的神经元之中删除从未变为优胜神经元的神经元。
7.一种判断对象状态的状态判断单元，包括存储单元，以多幅自组织图的形式存储各个单独模型，由权利要求1-6之一定义的信息处理器为所述多种操作模式的每一种创建一幅自组织图；所述检测装置；以及判断装置，根据与由所述检测装置实时地获取的检测数据对应的2n维检测数据点和在所述多幅自组织图的每一幅中的优胜神经元之间的相对距离，判断所述对象的操作对应于的哪一种操作模式。
8.根据权利要求7的状态判断单元，其中，所述检测装置通过将所述检测装置实时地获取的检测数据点与在每幅所述自组织图的优胜神经元之间的距离，除以自组织图中优胜神经元至在信息处理器中创建每幅所述自组织图过程中使用的学习数据点的平均距离，计算相对距离。
9.根据权利要求7或8的状态判断单元，其中，如果所述多幅自组织图之一的所述相对距离等于或小于预定的阈值，所述判断装置就判定所述检测数据点符合所述一幅自组织图，并且如果所述自组织图的所述相对距离大于所述预定阈值，就判定所述检测数据点不符合所述一幅自组织图。
10.一种诊断单元，包括权利要求7-9之一中定义的状态判断单元，用于诊断所述对象，其中，所述对象是包括建筑机械的机械，并且所述多种操作模式表示所述机械执行的具体操作。
11.一种信息处理方法，包括以下步骤检测n个参数值多种组合，其中n是自然数，对于对象运行的多种操作模式的每一种，所述参数值随操作而变化；以及通过使用根据在所述检测步骤中检测到的参数值进行多种组合所获得的检测数据作为学习数据，创建自组织图；其中，在所述自组织图创建步骤中，创建多幅所述自组织图，用作各个单独模型，对于所述多种操作模式的每一种创建一幅。
12.根据权利要求11的信息处理方法，进一步包括在所述检测步骤和所述自组织图创建步骤之间，通过处理所述检测步骤中检测的n个参数值而计算n个时间差分值的步骤，根据2n维数据创建所述自组织图，包括已经被检测出并指明对象瞬间状态的所述n个参数值，以及已经使用所述n个参数值算出并指明所述对象瞬间状态的变化的n个时间差分值。
13.根据权利要求11或12的信息处理方法，其中在所述检测步骤中检测n个参数值的多种组合；以及所述自组织图创建步骤包括以下子步骤通过在2n维空间中随机地初始安排预定数目的神经元，把2n维空间中所述检测数据的某点视为学习数据点进行训练创建自组织图候选者，以及把到所述学习数据点距离最近的神经元视为优胜神经元创建自组织图候选者，以及从通过多次执行创建自组织图候选者的所述步骤所创建的两幅或更多自组织图候选者中，选择其特征最接近所述学习数据的自组织图候选者作为自组织图。
14.根据权利要求13的信息处理方法，其中，在所述选择自组织图的子步骤之后，所述自组织图创建步骤进一步包括在已经选定的自组织图的神经元之中删除从未变为优胜神经元的无效神经元的子步骤。
15.根据权利要求11-14之一的信息处理方法，其中为所述对象的所述多种操作模式以外的新操作模式增加自组织图时，在所述对象以所述新的操作模式运转的同时，由所述检测步骤检测所述n个参数值；并且由所述自组织图创建步骤根据已经检测的所述参数值的多种组合，把检测数据视为学习数据，为所述新的操作模式创建自组织图。
16.一种状态判断方法，使用用作各个单独模型并由根据权利要求11-15之一的信息处理方法为多种操作模式的每一种创建一幅的多幅自组织图，判断所述对象的操作对应于哪一种操作模式，包括以下步骤检测随操作变化的n个参数值；以及根据与在所述检测步骤中实时地获取的检测数据对应的2n维空间中检测数据点和在所述多幅自组织图的每一幅中的优胜神经元之间的相对距离，判断所述对象的操作对应于的哪一种操作模式。
17.根据权利要求16的状态判断方法，进一步包括在所述检测步骤和所述判断步骤之间，通过处理所述检测步骤中检测的n个参数值而计算n个时间差分值的步骤，在所述判断步骤中根据2n维数据判断所述对象的操作模式，所述2n维数据包括已经被检测出并指明对象瞬间状态的所述n个参数值，以及一直在处理所述检测步骤中所检测的n个参数值并指明了所述对象瞬间状态的变化的n个时间差分值。
18.根据权利要求17的状态判断方法，其中，所述判断步骤包括通过将在所述检测步骤中实时地获取的检测数据点与所述自组织图中的优胜神经元之间的距离，除以每幅所述自组织图中优胜神经元至由所述信息处理器进行创建所述自组织图过程中使用的学习数据点的平均距离，获得相对距离，如果所述多幅自组织图中每一幅的所述相对距离都等于或小于预定的阈值，就判定所述检测数据点符合最后命名的自组织图，以及如果每幅所述自组织图的所述相对距离都大于所述预定阈值，就判定所述检测数据点不符合所述一幅自组织图。
19.一种诊断方法，包括权利要求16-18之一中定义的状态判断方法，用于诊断所述对象，其中，所述对象是包括建筑机械的机械，所述多种操作模式表示所述机械执行的具体操作。
20.根据权利要求19的诊断方法，其中，如果不存在符合的自组织图，在所述判断步骤中就把所述具体操作判定为未知模式或异常模式。
全文摘要
信息处理器、状态判断单元、诊断单元、信息处理方法、状态判断方法和诊断方法，旨在精确地识别在许多操作模式下运转的对象所执行的每种操作。为此目的，在所述对象操作期间，传感器(1a－1d)检测了随操作变化、涉及每种操作模式之n个参数值的多种组合，并且自组织图创建装置(2)根据检测的参数值组合把检测数据作为学习数据，创建了若干自组织图，用作各个单独模型，并将所述操作模式的每一种都对应于一幅自组织图。
文档编号G06N3/00GK1813263SQ20048001846
公开日2006年8月2日 申请日期2004年6月28日 优先权日2003年6月30日
发明者甘特科·L.·瓦特奇科夫, 小松孝二, 藤井敏, 室田功 申请人:国立大学法人香川大学, 新卡特彼勒三菱株式会社