[发明专利]用于预报和预测的序列核回归建模方法

说明书

技术领域

本发明总体上涉及用于对诸如机器、系统或方法等对象进行预测性状态监控和预测的核回归建模(kernel regression modeling)领域，确切地说，涉及使用多变量模型来分析参数测量以评估所监控的对象。

背景技术

核回归是一种建模形式，用于确定非线性函数或数据集中的值之间的关系，并且用于监控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第5,764,509和6,181,975号美国专利中公开的基于相似性的建模(SBM，similarity-based modeling)。对于SBM，多个传感器信号测量受监控的机器、系统或其他对象的物理关联参数，以提供传感器数据。所述参数数据可以包括信号的实际值或当前值或者其他计算数据，无论是否基于传感器信号。所述参数数据随后由经验模型进行处理，以提供这些值的估值。随后将估值与实际值或当前值进行比较，以确定受监控系统中是否存在故障。

具体来说，所述模型使用选定传感器值历史模式(pattern)的参考库来产生估值，所述参考库表示已知运行状态。这些模式还称为向量、快照或观测数据，并且包括来自多个传感器或其他输入数据的值，所述数据指示受监控机器在特定时刻的状态。对于来自参考库的参考向量，所述向量通常指示受监控机器的常规状态。所述模型将当前时间的向量与参考库中已知状态的多个选定的、已学习到的向量进行比较，以估计系统的当前状态。一般来说，将当前向量与由参考库中的选定向量构成的矩阵进行比较，以形成权向量。在下一步骤中，用权向量乘以所述矩阵，以计算估值的向量。随后将所述估计向量与当前向量进行比较。如果向量中的估值与实际值的相似度不足，则可以指示受监控对象中存在故障。

但是，所述核回归技术并不明确使用传感器信号中的时域信息，而是在计算估值时使用不同且不连续的同时(time-contemporaneous)模式来处理数据。例如，由于每个当前向量单独地与参考库向量进行比较，因此无论当前向量以哪种顺序与参考库的向量进行比较，结果均无区别，也就是说，每个当前向量将接收到自己的相应估计向量。

一些已知模型的确在核回归建模构造内捕获时域信息。例如，复杂的信号分解技术将时变信号转换成频率分量，如第6,957,172和7,409,320号美国专利所公开，或者如第7,085,675号美国专利中公开的频谱特征。这些分量或特征作为单独的输入值提供到经验建模引擎中，以便单个复杂信号由同时发生的频率值的模式或向量表示。所述经验建模引擎将提取的分量输入值(当前向量或实际向量)与预期值进行比较，以得出有关实际信号的更多信息或者有关产生时变信号的系统的状态的更多信息。这些方法设计成与诸如声信号或振动信号等单个周期信号一起使用。但是即使使用所述系统来处理复杂信号，在计算当前向量的估值时，时域信息并不重要，因为每个当前向量均与具有参考向量或预期向量的向量矩阵进行比较，而不考虑输入向量表示哪个时间段。

发明内容

一方面，本发明提供了一种用于确定对象的未来运行状态的方法，所述方法包括：获取参考数据，所述参考数据指示所述对象的常规运行状态；以及获取输入模式阵列。每个输入模式阵列具有多个输入向量，而每个输入向量表示时间点并且具有输入值，所述输入值表示指示所述对象的当前状态的多个参数。至少一个处理器基于使用输入模式阵列和参考数据进行的计算而产生估值，以确定输入值与参考数据之间的相似性测量。所述估值采用估计矩阵的形式，其包括至少一个虚拟或推导估值的估计向量，并且表示非所述输入向量所表示的至少一个时间点。使用所述推导估值确定所述对象的未来状态。

另一方面，本发明提供了一种用于确定对象的未来运行状态的监控系统，所述监控系统包括：经验模型，所述经验模型配置成接收参考数据，所述参考数据指示所述对象的常规运行状态；接收输入模式阵列，其中每个输入模式阵列具有多个输入向量。每个输入向量表示时间点并具有输入值，所述输入值表示指示对象的当前状态的多个参数。所述经验模型还配置成基于使用输入模式阵列和参考数据进行的计算而产生估值，以确定输入值与参考数据之间的相似性测量。所述估值采用估计矩阵的形式，所述估计矩阵包括推导估值的估计向量，并且每个估计矩阵表示非所述输入向量所表示的至少一个时间点。预测模块配置成使用推导的估值以确定所述对象的未来状态。

附图说明

图1示出了监控系统的示例性布置的方框图；

图2是示出了监控系统的基本过程的流程图；