[发明专利]机器状态监控中异常检测的条件相关性建模的系统和方法

说明书

相关美国申请的交叉引用

本申请请求Chao Yuan在2010年9月17日提交的美国临时申请号为61/383,767的“Modeling Conditional Dependence for Anomaly Detection in Machine Condition Monitoring”的优先权，其内容通过引用全文结合在此。

技术领域

本公开涉及基于传感器输出监控机器状态(condition)的方法。

背景技术

机器状态监控任务是为了尽早检测出机器异常和故障，以避免对机器的进一步损害。这可以通过分析安装在机器不同部分的一组传感器数据，以及测量如温度，压力，震动等指示器而实现。当机器操作正常时，全部的传感器遵循特定关系。在监控期间，违背这种关系或相关性(dependency)可指示故障。

传感器值的这种关系可以以概率P(x)的形式数学地表示，其中x为所有传感器值在数据点的向量。如果P(x)大于阈值T，机器操作正常，否则，检测到异常。

这是许多现有技术监控技术背后的基本思想。该传感器可以被划分为两种类别。向量x可以表示到该机器的输入的传感器值，如气流，入口温度。向量y可以表示该机器的操作的输出的传感器值，如各种温度，压力，震动传感器值。

基于此条件概率的典型监控模型如下：

y＝f(x)+e    (1)

在式(1)中，y＝[y₁，y₂，...，y_M]^T为M维向量，且x＝[x₁，x₂，...，x_N]^T为N维向量。f(x)＝[f₁(x)，f₂(x)，...，f_M(x)]T为函数向量，其中每个f_m(x)作为预测一个输出值y_m的所有输入值的公式。e＝[e₁，e₂，...，e_M]^T为另一表示模型误差的M维向量。假定e服从具有零均值和对角协方差矩阵的高斯分布：P(e)＝N(e|0，σ²I_M)，其中I_M为M×M的单位矩阵，且σ²为方差。在该公式中，e_m都是彼此独立的。因此，给定式(1)时，P(y|x)服从高斯分布：

P(y|x)＝N(y|f(x)，σ²I_M)     (2)

至少有两种方法将式(1)应用于异常检测。首先，可以将P(y|x)或P(y|x)的对数似然(log likelihood)与阈值T比较。如果ln P(y|x)＞T，机器操作正常，否则存在异常。其次，计算出y_m与f_m(x)的偏差，或y_m-f_m(x)。如果偏差大于S(另一固定阈值)，存在异常，因为y_m与其均值f_m(x)的差异太大。注意参考文献[5]为一种上下文异常检测的方法。

给定x时y₁，y₂，...，y_M的条件独立性假定，如式(2)中所示，提出了问题。如果y₁和y₂仅仅由x确定，给定x时假定y₁，y₂是条件独立的是有效的。但是，一旦存在一些未知变量(向量)u，y₁和y₂就会彼此相关。这会在机器状态监控应用中经常发生，因为许多系统输入，如气体质量和空气浓度水平，不会被任何传感器测量到。该隐藏变量u表示这种缺失的信息。只有当所有的信息，x和u二者，都被给出，才可以说y₁和y₂是独立的：

P(y₁，y₂|x，u)＝P(y₁|x，u)P(y₂|x，u)。

因此，式(2)应被修改以处理给定x时y的条件相关性(conditional dependence)。