[发明专利]用于检测传感器采样流中的变化的方法和系统

说明书

技术领域

本发明总体上涉及利用传感器对设备和环境进行监测，更具体地说，涉及检测传感器采样中的变化。

背景技术

传感器数据

迄今为止，利用传感器对设备和/或环境进行实时详细监测仅对于大型的、昂贵的、对安全和任务要求严格的装置是经济可行的。然而，计算机技术的快速发展，更具体而言，低成本传感器网络、廉价无线通信以及强大的嵌入式处理器的出现，使得能够为诸如电动机、涡轮机、电力开关设备、HVAC设备之类的更廉价设备，以及为诸如炼油、食品处理、产品制造和大规模环境的范围不断扩展的工业处理来实现设备状态监测(ECM)技术。

从传感器网络不断地流动而导致的传感器数据量的增长会很快地使对这些数据执行监测任务的任何人类管理员难以承受。对快速并准确地处理传感器数据这一问题的唯一可行的解决方法是发展自动变化检测(ACD)方法。虽然这些自动方法并不太可能达到受过良好训练的人类管理员的能力和通用性，但是当自动方法被设计为用于寻找传感器数据流中的特定事件时，这些自动方法仍是十分有效和准确的。

这些事件中最重要的一个是传感器数据中的突变。因为即使当产生数据的处理中没有发生变化时，除了最简单的数据流以外所有的数据流都会发生变化，因此对这种突变的检测不是微不足道的问题。这可能由例如当数据来自于动态系统时处理的自然变化性引起，或者由因测量错误、隐藏的变量等导致的噪声而引起。在这些情况下，进行统计学意义上的突变检测，即，该问题简化为检测变化前后的概率分布(从其对数据进行采样)之间的差。在制造业的应用中，该任务通常被称为统计过程控制(SPC)。在SPC中，目标是检测从数据的受控分布到某些其它失控分布的偏离。

CUSUM

当受控分布和失控分布具有已知的参数形式且相应的参数已知时，已经证明累积和(CUSUM)过程是最优的，参见Page的“ContinuousInspection Schemes”，Biometrika 41，pp.100-114，1954和Basseville等人的“Detection of Abrupt Changes：Theory and Application，”Englewood Cliffs，NJ：Prentice Hall，1993。

然而，对受控分别和所有可能的失控分布的显式建模通常地是费力和代价高的处理，甚至可能是难以处理的。因此，希望提供一种仅通过检查传感器数据流并推断它们的概率分布就能够检测任何变化的方法。

突变检测

在当前时刻t，来自传感器采样流的d维数据向量是x_t。突变检测的问题是确定这种变化是发生在当前时刻t处还是当前时刻t之前。该问题的一个重要假设是假设该变化是永久的，即，在该变化发生之后，所有的后续读数来自于新的分布。这是当变化是破坏性的(即设备故障)时工业设备的典型情况。

假设变化之前的所有传感器采样是从分布p0(x)采样的独立同分布(i.i.d)的随机变量。类似地，假设变化之后的所有采样是从分布p1(x)采样的i.i.d变量。

对于已知分布p₀(x)和p₁(x)时的情况，Page描述了对这两个分布累积当前采样的对数似然度的CUSUM过程，并基于辅助变量g_t＝S_t-m_t做出确定，其中

mt=min1≤j≤tSj,St=Σi=1tsi,]]>

且