[发明专利]用于控制机器的方法和设备

说明书

用于控制机器的方法和设备。用于控制机器的计算机实现方法包括：在机器的操作期间感测多个测量事件的测量变量的值；确定多个测量事件中的每个测量事件的目标变量的值；针对每个测量事件确定观测，观测包括测量变量的感测值和目标变量的确定值；执行针对多个观测的主成分分析或内核主成分分析，从而结果得到观测的载荷值和主成分；针对目标变量确定一个或多个主成分，针对该主成分，载荷值的绝对值大于第一预定阈值；针对每个确定主成分标识一个或多个测量变量，针对该测量变量，载荷值的绝对值高于第二预定阈值；将针对每个确定主成分所标识的测量变量分组到相应的组中；和对分组到同一组中的测量变量表示的操作参数执行联合控制以修改目标变量。

技术领域

本公开涉及一种用于通过控制机器的操作参数来控制机器的计算机实现方法。

背景技术

找出计算机控制系统（诸如，生产、制造线、机器人、监控系统或医学成像系统）出现错误、异常、失灵和/或故障的根本原因使得能够提供必要的信息，以便能够校正和改进这些系统。然而，对根本原因的搜索和测量并不是简单的任务，并且通常倾向于不同的潜在解释。

在给定输入数据集D和因果相关的目标变量V的情况下，根本原因分析的主要目标是要在D的给定观测的情况下找到针对V的行为的“最佳”且“最简单”的解释。

例如，在生产线的情况下，目标变量V可以是例如由所部署的机器学习模型预测的故障或逃逸（escape）的概率。理解故障背后的原因对于增加生产线的效率至关重要，例如通过学习并理解生产线的哪些操作参数影响目标变量V并且相应地对其进行修改以减少生产线的故障/逃逸率。

如果目标变量V或D中的变量是某个预测模型（诸如，机器学习模型）的输出，则根本原因分析还可以帮助阐明其一些偏差，从而允许对模型开发循环的更好理解，并且确保在将该模型部署在现场中之前恰当地验证和证实了该模型。

找到数据集中的因果关系可能由于数据集限制而是不可能的。因此，在实践中，找到因果关系通常被找到数据集中的相关性所代替。然而，利用明确解（clear cutsolution）来量化和表示数据集中的相关性是没有问题的。常见方法（诸如，单变量和多变量相关性方法）在传统上尝试从线性逼近的角度根据变量D的集合来解释变量V。通常由单个度量/数字来概括结果，该度量/数字可能通常是误导的或不充分信息源，以致于不能够标识数据集D中的基本动态性（dynamics）。对于其他常见的相关性统计量（诸如，皮尔逊相关性系数、互信息等）也是如此。

用以发现数据集中的相关性（通常也用于降维）的另一种方法是主成分分析PCA，其尝试通过将原始数据点映射到所谓的“主成分轴”上来系统性地分解给定数据集中的方差。PCA分解查找如何从这些轴的线性组合来（以递减次序）构造数据集的方差。

存在PCA方法的非线性扩展，例如内核PCA方法，用以找到数据集中的非线性关系。在例如等人（）的发表于1996年《神经计算》中的论文“Nonlinear component analysis as a kernel eigenvalue problem”中对内核PCA进行了描述。

实际上，数据集D通常捕获描述分离但相关的动态过程的不同变量组。因此，对于许多应用而言，依靠简单的相关性量度或PCA来确定目标变量V如何依赖于数据集D的变量组（子集）是不充分的。

例如，在生产线（布置）的情况下，可以沿生产线连续地对来自多个传感器的数据进行采样。最后，例如出于质量控制目的，必须做出关于所生产的部件是否良好的某种判定。在没有评估目标变量V如何依赖于遍及生产过程而取得的测量阵列的变量子集的可解释方式的情况下，错误调试是困难且昂贵的。简单的相关性统计量并不揭示这种复杂系统的真实基本动态性，这是因为个体变量之间的依赖性被遗漏。

发明内容