[发明专利]用于状态监视中流动的传感器数据的分类的判别隐卡尔曼滤波器

说明书

相关申请的交叉引用

本申请基于2012年6月12日提交的序号为61/685,518的临时专利申请，该申请的全部内容以引用方式并入本文。

技术领域

本公开涉及状态监视，以及，具体而言，本发明涉及用于状态监视中流动的传感器数据的分类的判别隐卡尔曼滤波器。

背景技术

状态监视是一种手段，用于在复杂的机器和/或自动过程中检测故障和未来问题。取代以预定工作周期更换零部件或等待故障发生，状态监视使用来自传感器网络的数据，报告有关正被监视的系统或过程的状态。例如，传感器可以用来报告关于这样的状态如不同关键部位处的温度、压力、以及速度。常规状态监视的目标是检测在可接受范围外的传感器数据，因而，可以调查并纠正这种异常的原因。

理想地，状态监视可以用来在早期捕捉到潜在问题，使得能以及时的方式进行维护，而不用等到故障，其已证明是代价高昂的。

发明内容

一种用于监视系统或过程的状态的方法，包括采集来自布置在系统内的多个传感器的传感器数据。实时流动所采集的传感器数据至计算机系统。使用计算机系统，对流动的传感器数据应用判别框架。判别框架提供一种概率值，其表示传感器数据是系统内的异常的指示的概率。判别框架是卡尔曼滤波器与逻辑函数的综合。

异常可以是系统内的功能失常或故障。异常也可以是系统内潜在功能失常或故障的指示。

本方法可以另外包括基于由判别框架所提供概率值报告系统状态。

本方法可以另外包括基于由判别框架所提供概率值自动开始关于系统的修补措施。修补措施可以包括生成告警，部分或完全地暂停系统的操作，生成用于系统维护的服务订单，或者生成采购订单用于为系统更换零部件。

系统或过程的状态的监视可以是连续的。

在对流动的传感器数据应用判别框架之前，可以使用流动的传感器数据对该判别框架进行训练。在训练判别框架之前，可以执行卡尔曼滤波器与逻辑函数的综合。

使用下列公式，判别框架可以计算概率值：

其中，y_t是给定时间t时的类标签(class label)，这里，y等于两个离散值之一，u_t表示给出时间t时的隐状态变量，这里，隐状态变量值是具有高斯分布的实数，w是逻辑函数的参数，以及，w^T是w的转置。

一种用于监视系统或过程的状态的方法，包括采集来自布置在系统内的多个传感器的传感器数据。实时流动所采集的传感器数据至计算机系统。使用计算机系统对流动的传感器数据应用判别框架。判别框架使用下列公式计算传感器数据是系统内的异常的指示的概率：

其中，y_t是给出时间t时的类标签，这里，y等于两个离散值之一，u_t表示给定时间t时的隐状态变量，w是逻辑函数的参数，以及，w^T是w的转置。

隐状态变量是具有高斯分布的实数。

异常是系统内的功能失常或故障。

异常是系统内潜在功能失常或故障的指示。

本方法另外包括基于由判别框架所提供概率值报告该系统状态。

本方法另外包括基于由判别框架所提供的概率值自动开始关于系统的修补措施。

一种计算机系统，包括处理器以及由计算系统可读取的、非临时性的有形程序存储介质，其具体化由处理器可执行的指令的程序，以执行用于监视系统或过程的状态的方法步骤。本方法包括采集来自布置在系统内的多个传感器的传感器数据。实时流动所采集的传感器数据至计算机系统。使用计算机系统对流动的传感器数据应用判别框架。判别框架提供一种概率值，其表示传感器数据是系统内的异常的指示的概率。判别框架是卡尔曼滤波器与逻辑函数的综合。

异常可以是系统内的功能失常或故障、或者系统内的潜在功能失常或故障的指示。

判别框架使用下列公式计算概率值：

其中，y_t是给出时间t时的类标签，这里，y等于两个离散值之一，u_t表示给出时间t时的隐状态变量，其中，隐状态变量值是具有高斯分布的实数，w是逻辑函数的参数，以及，w^T是w的转置。

附图说明

参考下文具体描述，结合附图考虑时，本发明的更完全理解及其许多伴随方面将更易获得，并且变得更好理解，附图中：

图1是图示卡尔曼滤波的图，这里加阴影节点表示所观察的变量；