使用具有模式序列的核回归建模的监测方法技术

一种用于监测对象状态的方法包括，获得指示所述对象正常运行状态的参考数据，并且获得输入模式阵列。每个输入模式阵列具有多个按时间排序的输入向量，而每个输入向量具有代表多个参数的输入值，所述多个参数指示所述对象的当前状态。然后，至少一个处理器根据计算生成估计值，所述计算使用输入模式阵列和参考数据确定输入值和参考数据之间的相似性度量。将估计值与对应的输入值比较，由此可使用从比较中得到的数值确定对象的状态。

Monitoring methods using kernel regression modeling with model sequences

A method for monitoring an object state includes obtaining reference data indicating the normal running state of the object, and obtaining an input mode array. Each input mode array has a plurality of time ordered input vectors, each input vector having an input value representing a plurality of parameters indicating the current state of the object. Then, at least one processor generates an estimate based on computation, which uses input pattern arrays and reference data to determine similarity measures between input values and reference data. The estimated value is compared to the corresponding input value, so that the state of the object can be determined using values obtained from comparison.

【技术实现步骤摘要】
【国外来华专利技术】使用具有模式序列的核回归建模的监测方法专利技术背景
本公开主题一般涉及用于对象(如机器、系统或方法)预报性状态监测和预测的核回归建模领域，尤其涉及用于参数测量分析的多变量模型的使用，对被监测对象进行评估。
技术介绍
核回归是一种用于确定非线性函数或数据集的数值之间关系的建模形式，用于监测机器或系统以确定所述机器或系统的状态。一种已知的核回归建模形式是基于相似性的建模(SBM)，由美国专利Nos.5,764,509和6,181,975公开。对于SBM，多个传感信号对机器、系统或其他监测对象的相关参数进行物理测量以提供传感器数据。参数数据可包括来自信号或其他计算数据的实际值或现值，无论该数据是否基于传感器信号。然后使用经验模型对参数数据进行处理，对这些数据进行评估。然后将评估结果与实际值或现值进行比较，确定被监测系统是否存在故障。更具体地，使用选出的代表已知运行状态的传感器值的历史模式(pattern)参考资料库，模型生成评估结果。这些模式也称为向量、快照或观察结果，并且包括来自多个传感器或其他指示被监测机器某一瞬间的状态的输入数据的数值。当参考向量来自参考资料库时，向量通常指示被监测机器的正常运行状态。模型将当前时间的向量与大量从参考资料库的已知状态选出的习得(learned)向量比较，对系统当前状态进行评估。一般而言，当前向量与从资料库选出的向量所组成的矩阵对照，形成权向量。再进一步地，所述权向量与矩阵相乘，计算出估计值向量。然后将估计向量与当前向量进行比较。如果向量中的估计值和实际值不足够类似，这可能表示被监测对象存在故障。但是，这种核回归技术在计算估计值时不明确使用传感器信号中的时域信息，而是处理不同的且不连贯的同时间的模式数据。例如，由于各当前向量与参考资料库向量进行单独比较，当前向量与参考资料库中的向量的比较次序不分先后一每个当前向量都会找到与其对应的估计向量。一些已知的模型在核回归建模构建中确实可以捕捉时域信息。例如，美国专利Nos.6,957,172和7,409,320中公布的复杂信号分解技术将时变信号转换为频率分量，或者美国专利No.7,085,675公布的频谱特征。这些分量或特征作为单独输入提供给经验建模引擎，以便该单个复信号由同一时间产生的频率值的模式或向量表示。所述经验建模引擎将提取出的分量输入(当前向量或实际向量)与预期值比较，得到更多关于实际信号或关于产生时变信号的系统状态的信息。这些方法被设计与单个周期信号如声信号或振动信号一起工作。但即使具有处理复杂信号的系统，在计算当前向量的估计值时，时域信息是不重要的，这是因为各当前向量与参考向量或期望向量矩阵进行比较而不考虑输入向量所代表的时段。
技术实现思路
一方面，一种用于监测对象状态的方法包括获得指示对象正常运行状态的参考数据，并获得输入模式阵列。每个输入模式阵列具有多个按时间排序的输入向量，而每个输入向量具有代表多个参数的输入值，所述参数指示了对象的当前状态。然后，至少有一个处理器根据计算生成估计值，所述计算使用输入模式阵列和参考数据来确定输入值与参考数据之间的相似性度量。将所述估计值与对应的输入值比较，从比较中得到的数值可用于确定所述对象的状态。另一方面，一种监测对象状态的方法包括获得指示对象正常运行状态并且以多个习得序列模式矩阵为形式的参考数据。在这种情况下，每个习得序列模式矩阵具有多个参考向量，而每个参考向量具有代表多个参数的参考值。所述方法还包括获得代表指示所述对象当前状态的多个参数的输入数据，然后，使用至少一个处理器根据计算生成估计值，所述计算使用所述输入数据和习得序列模式矩阵确定所述多个参考矩阵中参考值和输入数据之间的相似性度量。然后，将所述估计值与对应的输入数据比较，从比较中得到的数值可用于确定所述对象的状态。又一方面，一种监测对象状态的方法包括获得指示对象正常运行状态的参考数据和获得代表指示所述对象当前状态的多个参数的输入数据。所述方法还包括由至少一个处理器根据计算生成估计值，所述计算使用所述输入数据和参考数据确定所述输入数据和参考数据之间的相似性度量。所述估计值以具有多个按时间排序的估计向量的估计矩阵的形式被生成，每个估计向量具有代表多参数的估计值。所述方法还包括将所述估计矩阵代表的各时段的至少一个估计向量与输入数据比较，从比较中得到的数值可用于确定所述对象的状态。在另一种形式中，一种用于确定对象状态的监测系统具有一个经验模型和输入模式阵列，所述经验模型具有指示对象正常运行状况的参考数据，所述每个输入模式阵列都具有多个按时间排序的输入向量。每个输入向量具有代表多个参数的输入值，所述多个参数指示了对象的当前状态。经验模型可用于根据计算生成估计值，所述计算使用输入模式阵列和参考数据来确定输入值和参考数据之间的相似性度量。然后，差分模块将所述估计值与对应的输入值比较，从比较中得到的数值可用于确定所述对象的状态。在另一种形式中，一种用于确定对象状态的监测系统具有由至少一个处理器运算的经验模型。所述模型包含指示对象正常运行状态的参考数据，所述参考数据是多个习得序列模式矩阵形式。每个习得序列模式矩阵具有多个参考向量，而每个参考向量具有代表多个参数的参考值。所述模型还具有代表多个参数的输入数据，所述多个参数指示了对象的当前状态。所述经验模型根据计算生成估计值，所述计算使用所述输入数据和习得序列模式矩阵确定所述多个参考矩阵中参考值和输入数据之间的相似性度量。所述系统还具有差分模块，所述差分模块将估计值与对应的输入值比较，从比较中得到的数值可用于确定所述对象的状态。在另一种形式中，一种用于确定对象状态的监测系统具有经验模型，所述经验模型具有指示对象正常运行状态的参考数据。所述模型还具有代表多个参数的输入数据，所述多个参数指示了对象的当前状态。此外，所述经验模型根据计算生成估计值，所述计算使用输入数据和参考数据确定输入数据和参考数据之间的相似性度量。所述估计值以具有多个按时间排序的估计向量的估计矩阵形式生成。每个估计向量具有代表多个参数的估计值。所述系统还具有差分模块，所述差分模块将所述估计矩阵代表的各时段的至少一个估计向量与输入数据比较，从比较中得到的数值可用于确定所述对象的状态。附图说明图1是监测系统的结构实例框图；图2是监测系统的基本操作过程流程图；图3是基于建模公式的自联想相似性(autoassociativesimilarity)的示意图；图4是基于建模公式的推理相似性(inferentialsimilarity)的一种形式的示意图；图5是基于建模公式的推理相似性的另一种形式的示意图；图6是基于建模公式的自联想序列相似性的示意图；图7是基于建模公式的推理序列相似性的一种形式的示意图，所述建模公式在模型化传感器维度上进行推断；图8是基于建模公式的推理序列相似性的另一种形式的示意图，所述建模公式在模型化传感器维度上进行推断；图9是基于建模公式的推理序列相似性的示意图，所述建模公式在时间维度上进行推断；图10是基于建模公式的推理序列相似性的示意图，所述建模公式在时间维度上进行推断；图11是基于建模公式的推理序列相似性的示意图，所述建模公式在时间维度和传感器维度上进行推断。具体实施方式已确定核回归模型中特别是基于相似性模本文档来自技高网...

【技术保护点】
一种用于监测对象状态的方法，包括：获得指示所述对象正常运行状态的参考数据，获得输入模式阵列，每个输入模式阵列具有多个按时间排序的输入向量，每个输入向量具有代表多个参数的输入值，所述多个参数指示所述对象的当前状态，由至少一个处理器根据计算生成估计值，所述计算使用一个输入模式阵列和参考数据确定所述输入值与参考数据之间的相似性度量，将所述估计值与对应的输入值比较，从比较中得到的数值可用于确定所述对象的状态；其中，所述输入模式阵列描述模式动窗，当所述模式动窗沿时间线移动时，改变所述输入向量。

【技术特征摘要】
【国外来华专利技术】2011.07.19 US 13/1861861.一种用于监测对象状态的方法，包括：获得指示所述对象正常运行状态的参考数据，获得输入模式阵列，每个输入模式阵列具有多个按时间排序的输入向量，每个输入向量具有代表多个参数的输入值，所述多个参数指示所述对象的当前状态，由至少一个处理器根据计算生成估计值，所述计算使用一个输入模式阵列和参考数据确定所述输入值与参考数据之间的相似性度量，将所述估计值与对应的输入值比较，从比较中得到的数值可用于确定所述对象的状态；其中，所述输入模式阵列描述模式动窗，当所述模式动窗沿时间线移动时，改变所述输入向量。2.根据权利要求1所述的方法，其中，至少一个所述输入向量在多个输入模式阵列中。3.根据权利要求1所述的方法，其中，每个输入模式阵列代表一个时段，所述时段包括沿代表所述对象运行状况的输入向量序列的多个时间点。4.根据权利要求3所述的方法，其中，每个输入模式阵列代表一个沿所述序列的时段，该时段与至少一个其他输入模式阵列的时段不同但有重叠。5.根据权利要求3所述的方法，其中，每个输入模式阵列具有一个来自输入向量序列并代表所述输入模式阵列中的最新时间点的当前主向量。6.根据权利要求5所述的方法，包括，通过沿所述序列移动回顾窗口选择各输入模式阵列的输入向量，在所述窗口的末端选择一个当前主向量，并且选择一个或多个沿所述序列跟随在所述主向量之后且适合在所述窗口内的较旧向量。7.根据权利要求6所述的方法，其中，所述较旧向量沿所述序列是连续的。8.根据权利要求6所述的方法，其中，所述较旧向量沿所述序列不是连续的。9.根据权利要求1所述的方法，其中，在一个输入模式阵列内由所述输入向量代表的时间点之间的时间间隔是均匀的。10.根据权利要求1所述的方法，其中，在一个输入模式阵列内由所述输入向量代表的时间点之间的时间间隔是不相等的。11.根据权利要求1所述的方法，其中，一个输入模式阵列内由所述输入向量代表的时间点之间的时间间隔在同一输入模式阵列中较新输入向量之间比较晚输入向量之间的时间间隔短。12.根据权利要求1所述的方法，其中，由所述输入模式阵列代表的时长变化。13.根据权利要求1所述的方法，其中，所述计算基于以下公式，包括：14.根据权利要求1所述的方法，其中，所述计算基于包括以下的公式：15.根据权利要求1所述的方法，其中，所述相似性度量是一个有界限范围上的一个数值，该值指示在所述范围一端处输入值和参考值是完全相同的并且在该范围另一末端没有相似性。16.根据权利要求1所述的方法包括，将所述参考数据形成为至少一个习得序列模式矩阵，每个习得序列模式矩阵具有多个参考向量，每个参考向量具有代表多个参数的参考值。17.根据权利要求16所述的方法，其中，形成所述参考数据包括形成习得序列模式矩阵的三维集合。18.根据权利要求17所述的方法，其中，所述习得序列模式矩阵的三维集合由三个维度定义，所述三个维度代表沿第一维度的参数、沿第二维度的习得序列模式矩阵和第三维度中由所述参考向量代表的时间。19.根据权利要求17所述的方法，其中，将每个输入模式阵列与所述三维集合中的每个习得序列模式矩阵比较，以确定每个习得序列模式矩阵的相似性度量。20.根据权利要求17所述的方法，其中，每个习得序列模式矩阵代表一个时段，所述时段包括由所述参考向量代表的时间点，其中，所述时段与所述三维集合中的全少一些其他习得序列模式矩阵的时段不同但有重叠。21.根据权利要求17所述的方法，其中，所述习得序列模式矩阵具有与所述输入模式阵列相同的向量数量。22.根据权利要求17所述的方法，其中，所述习得序列模式矩阵与所述输入模式阵列代表相同的时间点。23.根据权利要求17所述的方法，其中，其中所述习得序列模式矩阵之一与所述输入模式阵列之一之间的相似性包括确定对应的参考值和输入值之间的相似性，所述参考值和输入值代表相对于在它们各自阵列中被代表的其他向量相同的向量位置。24.根据权利要求17所述的方法，其中，其中所述习得序列模式矩阵之一...

【专利技术属性】
技术研发人员：JP赫措，
申请(专利权)人：智能信号公司，
类型：发明
国别省市：美国,US