CN101118434A - 异常监控设备 - Google Patents

Abstract

一种异常监控设备，包括：可用在使用了训练样本的训练模式和检查模式之间进行切换的两个神经网络，该检查模式基于训练结果，来对从装置的操作所获的多个特性是否指示出该装置的操作正常进行分类；以及模式切换单元，用于对两个神经网络进行控制，使得其中一个工作于训练模式中，另一个工作于检查模式中。此外该异常监控设备包括切换确定单元，用于计算用来对工作于检查模式的其中一个竞争学习神经网络的判断结果的可靠性的进行估计的判断估算值，并且当该判断估算值没有满足估算标准时，用于指示该模式切换单元使得其中一个所述竞争学习神经网络工作于训练模式中，并且使得令一个竞争学习神经网络工作于检查模式中。

Description

异常监控设备

技术领域

本发明涉及一种通过使用神经网络，来确定装置是否正常地操作的异常监控设备，其中该神经网络对从目标信号中所提取的多个特性进行分类，其中由操作装置生成该目标信号。

背景技术

按照惯例，提出了一种通过使用神经网络(神经计算机)的分类功能来监控装置是否正常地操作的异常监控设备。对于这种异常监控设备，在现有的多种技术中，通过传感器(变换器)把操作响声或装置的振动转换成电子信号，用来作为的目标信号；并且从将由神经网络来对其进行分类的目标信号中提取具有多个参数的多个特性。

已知神经网络的多种配置。例如，提出了竞争学习神经网络(自组织映射网络(SOM))，其把多个各种特性分成各个类别。竞争神经网络是具有两个层，即，输入层和输出层，以及具有两种操作模式，即训练模式和检查模式的神经网络。

在训练模式中，把训练样本给予网络，该网络用无人管理的训练方案进行训练。如果将训练样本分类，输出层的神经元可以和类关联，可以形成包括同类神经元的聚类。因此，在训练模式中，可以将表示类别的聚类映射匹配到输出层中的神经元聚类。

在检查模式中，把待分类的多个特性(输入数据)给予已完成训练过程的竞争学习神经网络，并且把激活的神经元所属的聚类的分类映射到聚类映射，从而可以对输入数据的类别进行分类(见，例如，日本专利特开平No.2004-354111)。

然而，收集对应于装置异常的训练样本需要花很长时间，因为只有在装置运作异常的时候才能获得该样本。因此，提出：通过使用从正常运作的装置中所获得的多个特性作为训练样本，仅在聚类映射中创建正常的分类，并且当偏离正常分类时，检测到异常。

然而，诸如空调之类的装置在夏季和冬季的运作不同。即，即使装置正常运行，夏季和冬季的目标信号的变化也很大。在该装置中，取决于是在夏季还是在冬季训练该装置，聚类的位置的差异巨大。因此，例如如果在冬季使用在夏季所产生的类映射，很可能发生错误判断。

发明内容

因此，本发明提供了一种即使在使用生成具有随时间变化的多个特性的目标信号的装置的情况下，也能够避免确定正常/异常的错误判断的异常监控设备。

根据本发明的实施例，提供了：

异常监控设备，包括：信号输入单元，用于接收由装置的运作所生成的目标信号；特性提取单元，用于从目标信号中提取具有多个参数的多个特性；两个竞争学习神经网络，它们中的每一个都可以在训练模式和检查模式之间进行切换，其中训练模式用于通过使用从特性提取单元所提取的多个特性作为训练样本来学习，检查模式用于基于来自训练模式的训练结果，来对该多个特性是否指示出该装置的运作正常进行分类；以及输出选择单元，用于生成竞争学习神经网络的分类结果。该异常监控设备进一步包括模式切换单元，用于使每个竞争学习神经网络工作于训练模式和检查模式之一，其中这两个神经网络在工作于彼此不同的模式；以及切换确定单元，用于计算用来对工作于检查模式的其中一个竞争学习神经网络的判断结果可靠性的进行估计的判断估算值，并且当该判断估算值没有达到估算标准时，用于指示该模式切换单元使得其中一个所述竞争学习神经网络工作于训练模式，并且使得另一个竞争学习神经网络工作于检查模式。

根据使用两个竞争学习神经网络的本发明的实施例，其中一个竞争学习神经网络基于当装置运行操作时所获得的多个特性，判断该装置是否正常运作，而通过使用相同的多个特性来训练另一个竞争学习神经网络。此外，当其中一个竞争学习神经网络的判断结果由于该装置的时变运作而变得较不可靠时，切换每个竞争学习神经网络的操作模式，从而通过另一个竞争学习神经网络来执行该判断。因此，当其中一个竞争学习神经网络不能正确工作时，从而由于装置的时变操作，该装置的正常运作可能被错误判断为异常操作时，可以通过另一个竞争学习神经网络来做出正确判断。因此，恰当的分类总是有可能与该装置的时变操作相一致。

优选的，只有当来自所述在工作于检查模式的其中一个竞争学习神经网络的判断结果正常时，切换确定单元才允许使用该多个特性，作为工作于训练模式的另一个竞争学习神经网络的训练样本。

在这种配置中，根据工作于检查模式的竞争学习神经网络的判断结果，来选择给予工作于训练模式中的竞争学习神经网络的训练样本。结果，当把训练模式切换到检查模式时，可以减小学习不恰当训练样本的概率，并且提高判断结果的可靠性。

根据本发明的使用两个竞争学习神经网络的实施例，使其中一个竞争学习神经网络工作于训练模式，并且另一个竞争学习神经网络工作于检查模式。因此，恰当的分类总是有可能与该装置的时变操作相一致。因此，该异常监控设备即使在使用生成随时间变化多个特性的装置的情况下，也能够在正常/异常的确定中避免错误判断。

附图说明

通过结合附图描述的下列实施例，本发明的以上及其他目的和特征会变得显而易见，其中：

图1是示出了根据本发明的实施例的框图；

图2示出了图1的实施例中使用的神经网络的示意配置；

图3描述了该实施例的操作；

图4示出本发明另一个实施例。

具体实施方式

下述实施例可以有利地应用于由装置的运作所生成的目标信号的多个特性随时间逐渐变化的情况。此处，“逐渐”一词意味着该改变不是突然地发生，从而变化的时间单位不重要。因此，时间变化可以是每天、每周、每月、每季度、每年等等中发生的变换。此外，在实施例中把空调作为装置，但是装置的类型不限于此。

如图1所示，本发明所述的异常监控设备使用两个无人管理的竞争学习神经网络(此后，简称为神经网络)1a和1b。如图2所示，神经网络1a和1b中的每一个具有两层，输入层和输出层，并且被配置为输出层12的每个神经元N2连接到输入层11的所有神经元N1。在该实施例中，可以通过在顺序处理型的计算机上运行的应用程序来执行神经网络1a和1b，但是可以使用专用神经计算机。

神经网络1a和1b中的每一个具有两种操作模式，即如背景技术部分所述的训练模式和检查模式。在训练模式中通过适当的训练样本来学习之后，在检查模式中把从实际目标信号中生成的多个特性(输入数据)分类。

即，输入层11的神经元N1和输出层12的神经元N2的耦合度(加权系数)是变化的。在训练模式中，通过把训练样本输入到神经网络1a和1b来训练神经网络1a和1b，从而决定输入层11的神经元N1和输出层12的神经元N2的加权系数。换句话说，为输出层12的每个神经元N2分配加权向量，该加权向量的分量为与所有输入层11的神经元N1相关的加权系数。因此，加权向量所具有的分量数量与输入层11的神经元N1的数量相同，并且输入到输入层11的多个特性的参数数量等于该加权向量分量的数量。

同时，在检查模式中，当把将要对其类别进行决定的输入数据给到神经网络1a或1b的输入层11时，在输出层12的神经元N2中，激活与该输入数据最近的神经元，即在其加权向量和输入数据之间具有最小欧式距离的神经元。如果在训练模式中把类别分配给输出层12的神经元N2，可以通过激活的神经元N2位置的类别来识别输入数据的类别。

把输出层12的神经元N2关联到二维聚类影射13a和13b中的每一个区域(zone)，该二维聚类影射13a和13b具有，例如一一对应的6*6区域。因此，如果训练样本的类别与聚类影射13a和13b的区域相关，可以通过聚类影射13a和13b来识别对应于由输入数据所激活的神经元N2的分类。因此，聚类影射13a和13b可以作为用于输出分类结果的输出单元。

当把类别关联到聚类影射13a和13b的区域(实际上是输出层12的神经元N2)时，训练的神经网络1a和1b从输出层12到输入层11反方向操作，以估算输出层12的每个神经元N2分配给输入层11的数据。把与该估算的数据具有最短欧式距离的训练样本的类别，用作输出层12的相应神经元N2的类别。

换句话说，把与神经元N2的加权向量具有最短欧式距离的训练样本的类别，用作输出层12的相应神经元N2的类别。结果，把训练样本的分类映射为输出层12的神经元N2的分类。此外，如果应用了大量的训练样本(例如，150个样本)，在聚类影射13a和13b中把具有相似属性的类别邻近排列在一起。

结果，响应于属于相似类别的训练样本从输出层12的神经元N2所激活的神经元N2形成聚类，该聚类由聚类影射13a和13b中邻近的一组神经元N2组成。把给到工作于训练模式的神经网络1a和1b的训练样本存储在训练样本存储14a和14b中，并且当需要时，从中获取该训练样本以便用在神经网络1a和1b中。

将由神经网络1a或1b来对其进行分类的目标信号是从装置X获得的电信号，并且为此使用了传感器单元2的输出，该传感器单元包括至少一个用于检查装置X的操作响声的麦克风2a以及用于检查由装置X的运作所生成的振动的振动传感器2b。根据装置X来适当地选择传感器单元2的配置，从而除了麦克风2a和振动传感器2b外，还可以独立或组合使用TV摄像机和嗅觉传感器。此外，由装置X生成的输出信号可以用作目标信号。传感器单元2用作信号输入单元，因为其接收由装置X的运作所生成的目标信号。

把从传感器单元2获得的电子目标信号传输到特性提取单元3，该特性提取单元3从中提取多个特性。在本发明中，传感器单元2传送给特性提取单元3的目标信号包括振动分量，从而当特性提取单元3接收到这些振动分量时，从中提取用于表示目标信号的振动分量的多种多个特性。

为了在相同的条件下从由装置X生成的目标信号中提取多个特性，该特性提取单元3通过使用与装置X的运作同步的定时信号(触发信号)，或者通过使用目标信号的波形特性(例如，一束目标信号的起始点和结束点)，来对目标信号进行分割，从而生产每个合适的单位时间采样的信号，并且在每个单位时间提取多个特性。因此，特性提取单元3具有缓冲器，用于暂时存储从传感器2输出的目标信号。此外，如果有必要，特性提取单元3执行，例如预处理，以通过限制频带来降低噪声。此外，特性提取单元3具有把传感器2输出的目标信号转变成数字信号的功能。

为了描述简单起见，假设从分割的目标信号的振动分量中提取多个频率分量(每个频带的功率)，并且每个频率分量用作该多个特性。可以用具有多个带通滤波器的FFT(快速傅里叶变换)或滤波器组，来提取该频率分量。根据目标装置X的类型或待检测的异常来决定把哪个频率分量用作该多个特性。

每当提取了多个特性，就把在每个单位时间上从特性提取单元3所获得的多个特性提供给神经网络1a和1b。此外，还把该多个特性存储到训练样本存储14a和14b中，因为如后述，该多个特性还可以用作训练样本。例如FIFO(先入先出)的该训练样本存储14a和14b中的每一个把一定数量(例如150个)的该多个特性作为训练样本。

在根据本发明的神经网络1a和1b中，在训练模式中只创建正常类别。当由在检查模式中的输入数据所激活的输出层12的神经元N2不属于正常的类别，并且满足特定的条件(例如，属于正常类别的神经元N2的欧式距离超过了阈值值)时，神经网络1a和1b声明“异常”。此外，在检查模式中，当由输入数据所激活的输出层12的神经元N2不属于正常类别，并且没有满足特定条件时，判断为“不明(或不确定)”，表示不能确定是“正常”还是“异常”。

两个神经网络1a和1b不同时工作于检查模式。当神经网络1a和1b中的一个工作于检查模式时，神经网络1a和1b中的另一个工作于训练模式；并且对两个神经网络1a和1b进行配置，使得其交替地重复训练模式和检查模式。模式切换单元5用于响应于切换确定单元4的指令，来切换神经网络1a和1b的操作，并且对神经网络1a和1b中的每一个进行控制，使其工作于训练模式或检查模式。

切换确定单元4基于工作于检查模式的神经网络1a和1b的判断结果来计算判断估算值。当判断估算值满足特定的条件时，切换确定单元4指示模式切换单元5切换神经网络1a和1b中的每一个的操作模式。该判断估计值用于估计工作于检查模式的神经网络1a和1b的判断结果的可靠性。至少把多个判断声明“异常”、“反常”和“充分性”中的一个用来作为判断估算值。将在稍后描述切换确定单元4判断估算值和判断标准。

通过使用该判断估算值来对工作于检查模式的神经网络1a或1b进行估计。当基于该判断估算值判断出判断结果变得较不可靠时，把工作于检查模式的神经网络1a或1b切换到训练模式。同时，把之前一直工作于训练模式的神经网络1a或1b切换到检查模式。通过输出选择单元6，输出神经网络1a和1b的输出。通过切换确定单元4来控制输出选择单元6，以对工作于检查模式的神经网络1a或1b的输出进行选择。优选的，经由输出选择单元6所提供的输出是输出层12的所有神经元N2的状态，但是该输出可以是对应于激活的神经元N2位置的类别。

把从特性提取单元3所获得的多个特性用作训练模式的输入数据。然而，把类似的特性用作训练模式的训练样本。此时，把类别看作是正常类别。结果，如果多个特性随时间变化，训练样本也变化。因此，在工作于训练模式的神经网络1a或1b中，导致“正常”的判断的激活神经元N2的位置也随时间变化，伴随着时变的多个特性。

即如果把工作于训练模式的神经网络1a或1b切换到检查模式，当从工作于检查模式的神经网络1a或1b所获得的判断结果变得较不可靠，并且伴随着时变的多个特性时，判断结果可以获得高的可靠性。当由于装置X的故障而导致该多个特性随时间突然地变化时，神经网络1a或1b的判断结果可能偏离正常类别非常多，从而在可以在检查模式检测到异常。

在工作于训练模式的神经网络1a或1b中，加权向量逐渐地变化。例如，即使在匹配于正常类别的的训练样本中有大约五分之一不是适当的训练样本的情况下，该加权向量也没有突然变化，而是几乎不变化。因此，在正常运作的装置的情况下，加权向量随着同样随时间逐渐变化的目标信号的多个特性逐渐地改变。结果，可以将从训练模式切换到检查模式时所获得的目标信号判断为正常类别。

将在判断估算值中使用的偏差(Y)是检查模式所用的输入数据(向量)和由向应的输入数据所激活的神经元的加权向量的差之间的标准内积，并且其定义如下：

Y＝([x]/x-[Wwin]/Wwin)T([x]/x-[Wwin]/Wwin)，

其中[X]是输入数据；[Wwin]是激活的神经元的加权向量([a]表示“a”是向量)；T表示转置矩阵，并且没有被括号括起来的X和Wwin表示各个向量的模。

通过检查模式的输入数据[X]、输出层的神经元的加权向量[Wwin]，以及输出层中的神经元的加权向量的标准偏差σ来定义充分性(G，adequacy)，其为：：

G＝∑gi

gi＝exp(-Z/2σ²)

Z＝([x]/x-[Wi]/Wi)T([x]/x-[Wi]/Wi)其中i为1到N.

在把被确定为“正常”的判断数量用作判断估算值的情况下，当满足了以下一个或多个判断条件时，向模式切换单元5和输出选择单元6发出切换指令。即，当可靠性恶化并且判断估算值不满足估算标准时，向模式切换单元5和输出选择单元6发出切换指令：

(1)由切换确定单元4所计算的错误判断数量超过了阈值，其中通过人来确定“异常”判断是否正确，并且把该确定结果传送给切换确定单元4。

(2)“异常”判断的数量超过了阈值。

(3)“异常”判断数量与给定的判断总数之比超过了阈值。

此外，在使用偏差作为判断估算值的情况下，当满足以下一个或多个条件时，向模式切换单元5和输出选择单元6发出切换指令：

(4)给定数量判断中的偏差总和超过了阈值值。

(5)给定数量判断中的偏差最大值超过了阈值值。

在使用充分性来作为判断估算值的情况下，当满足了以下一个或多个条件时，向模式切换单元5和输出选择单元6发出切换指令：

(6)给定数量判断中的充分性的总和小于阈值值。

(7)给定数量判断中的充分性的最小值小于阈值值。

在使用充分性和偏差来作为判断估算值的情况下，当满足了以下一个或多个条件时，向模式切换单元5和输出选择单元6发出切换指令：

(8)偏差满足条件(4)和(5)中的其中一个的次数，并且同时，充分性满足条件(6)和(7)中的任意一个的次数超过了阈值数量。

(9)偏差连续地满足条件(4)和(5)中的任意一个，并且同时，充分性连续地满足条件(6)和(7)中的任意一个的次数到达了阈值值。

前述的判断条件仅仅是示例性的，从而可以把其他条件用作判断估算值的判断条件。此外，以下的值，例如，可以用作前述的阈值，作为估算标准：

(1)所有训练样本的偏差或充分性的均值。

(2)所有训练样本的偏差或充分性的(均值+标准差)。

(3)所有训练样本的偏差或充分性的(均值-标准差)。

(4)所有训练样本的偏差或充分性除去较高的5％和较低的5％。

(5)所有训练样本的偏差或充分性的(均值+标准差)除去较高的5％和较低的5％。

(6)所有训练样本的偏差均值或充分性的(均值-标准差)除去较高的5％和较低的5％。

图3概述了切换确定单元4的操作。首先，对两个神经网络1a和1b中的一个进行控制，使其工作于检查模式，并且对另一个进行控制，使其工作于训练模式(S1)。此处，假设，最初神经网络1a工作于检查模式，并且神经网络1b工作于训练模式。把从特性提取单元3所获得的多个特性作为输入数据发送到工作于检查模式的神经网络1a，并且把该数量作为训练样本发送给工作于训练模式的数据网络1b。切换确定单元4对模式切换单元5进行控制，使其将神经网络1a和1b中的一个选择为工作于检查模式，另一个工作于训练模式。此外，切换确定单元4对输出选择单元6进行控制，以选择从工作于检查模式中的神经网络1a或1b输出的输出。

在训练模式，当认为所有训练样本都属于正常类别时，进行学习。此外，每当从特性提取单元提取了多个特性时，切换确定单元4就从工作于检查模式的神经网络1a或1b中获得用于计算判断估算值的信息(S2)。然后，基于判断估算值，估算判断结果的可靠性(S3)。一旦判断结果变得更不可靠，从而判断不满足估计标准时，则切换确定单元4对工作于检查模式的神经网络1a进行控制，使其工作于训练模式，并且对工作于训练模式的神经网络1b进行控制，使其工作于检查模式。换句话说，两个神经网络1a和1b的操作都切换了(S4)。因此通过重复步骤S2和S4，基于判断估算值来决定神经网络1a和1b的操作模式。

在工作于检查模式中的神经网络1a或1b中，如果装置X的运作随时间变化，由于输入数据偏离训练的加权向量，所以判断结果的可靠性降低。同时，工作于训练模式的神经网络1a或1b获得训练样本作为来自装置X的正常类别的训练样本，其中，该训练样本反映了随时间变化的装置X的运作。因此，如果相应的神经网络1a或1b切换到了检查模式，并且执行判断，可以通过在切换后将要处于检查模式的神经网络1a或1b来将输入数据判断为“正常”，其中在切换前处于检查模式的神经网络1a或1b不能将输入数据判断为“正常”。

这种操作过程对诸如其操作会随季节变化的空调这样的装置尤其方便。此外，只使用了两个神经网络1a和1b，而没有用通过使用适于各种装置的操作的训练抽样来训练的大量神经网络，从而可以做出适当的判断。

在前述实施例的配置中，工作于训练模式的神经网络1a或1b把所有从特性提取单元3所获的所有多个特性作为正常类别训练样本；并且把所有多个特性发送给工作于检查模式的神经网络1a或1b，作为训练样本。此后，例如，由于装置X的故障而给出的属于正常类别的特定输入数据也可以作为训练样本。神经网络1a或1b不灵敏地响应于训练样本。此外，即使把不属于正常类别的输入数据与属于正常类别的输入按照一定的比率混在一起，训练结果也不会有很大的差异。然而，被判断为“不明确”的范围可能增加。

因此，如图4所示，有可能通过从输出选择单元6所获的判断结果反馈，仅把判断结果满足特定确定标准的多个特性用作训练样本。该确定标准可以是如下条件：激活的神经元属于正常的类别。或者，如果激活的神经元不属于正常类别，可以阻止把由该激活的神经元引起的多个特性用作训练样本。此外，该确定标准可以是如下条件：激活了属于正常类别的神经元，并且该神经元对于类别中的特定神经元具有比特定阈值值大很多的距离(例如，在训练模式中最频繁被激活的神经元)。如果把这种条件用作确定标准，易于在训练样本中反映装置X的变化操作。

为了根据前述的确定标准，从特性提取单元3中输出的多个特性中选择多个特性作为训练样本，分别在特性提取单元3和训练样本存储14a和14b之间提供了训练样本选择单元7a和7b。训练样本选择单元7a和7b中的每一个对从输出选择单元6所获的神经网络1a和1b的判断结果是否满足确定条件进行检查。如果满足了该确定条件，对从特性提取单元所获的多个特性进行发送，作为工作于训练模式的神经网络1a和1b的训练样本存储14a或14b的训练样本。通过切换确定单元4，来选择对应于工作于训练模式的神经网络1a或1b的训练样本选择单元7a或7b。

由于基于工作于检查模式的神经网络1a或1b的判断结果，来选择将要发送给工作于训练模式的神经网络1a或1b的训练样本，可以从训练样本这除去异常值。因此，通过恰当的训练，可以提高工作于检查模式的判断结果的可靠性。

尽管根据实施例示出了并描述了本发明，本领域的技术人员将会明白，在不脱离本发明所附权利要求所定义的范围的前提下，可以对本发明做出各种改变和修改。

Claims (2)

1.一种异常监控设备，包括：

信号输入单元，用于接收由装置的运行所生成的目标信号；

特性提取单元，用于从所述目标信号中提取具有多个参数的多个特性；

两个竞争学习神经网络，它们中的每一个都可以在训练模式和检查模式之间进行切换，其中所述训练模式用于通过将从所述特性提取单元所提取的所述多个特性用作训练样本来学习，所述检查模式用于基于来自所述训练模式的训练结果，来对所述多个特性是否指示所述装置的所述运行正常进行分类；

输出选择单元，用于生成所述竞争学习神经网络的分类结果；

模式切换单元，用于使每个竞争学习神经网络工作于所述训练模式和所述检查模式之一，其中所述神经网络工作于不同的模式；以及

切换确定单元，用于计算判断估算值，所述判断估算值用来对工作于所述检查模式的其中一个所述竞争学习神经网络的判断结果的可靠性的进行估计，并且当所述判断估算值没有满足估算标准时，用于指示所述模式切换单元使得其中一个所述竞争学习神经网络工作于训练模式中，并且使得另一个所述竞争学习神经网络工作于检查模式中。

2.如权利要求1所述的异常监控设备，其中，只有当来自工作于所述检查模式的所述其中一个竞争学习神经网络的判断结果正常，并且满足所述估算标准时，所述切换确定单元允许所述多个特性用作为工作于所述训练模式的另一个竞争学习神经网络的训练样本。

Images