CN101657770B - 使用间断检测的机器状况监测 - Google Patents

Abstract

观察机器的状况信号并检测状况信号中的一个或多个间断。(例如通过将移动因子应用于状况信号的模型来)补偿状况信号中的间断并确定所补偿的状况信号的趋势。所述趋势被用于预测机器中的未来故障状况。包括观察模型和演化模型的卡尔曼滤波器被用于确定所述趋势。使用假设测试来检测所观察信号中的间断。

Description

使用间断检测的机器状况监测

本申请要求于2007年4月12日提交的美国临时申请60/911,335的优先权，其通过引用结合于此。

技术领域

本发明一般地涉及机器状况监测，并且更特别地涉及使用间断检测来进行趋势分析以用于机器状况预报。

背景技术

机器状况监测(MCM)是监测一个或多个机器参数的过程，从而机器参数的明显变化能够表明当前或发展中的状况(例如失灵、故障等)。这样的机器包括旋转和固定机器，诸如涡轮机、锅炉、热交换器等。所监测机器的机器参数可能是可由适当的传感器监测的振动、温度、摩擦、用电量(electrical usage)、功耗、声音等。这些传感器的输出可具有传感器信号或类似的信号形式和/或可被集合成传感器信号或类似信号。

一般地，状况(condition)是机器参数与阈值的比较。例如，可利用等式和/或不等式运算符如＜，＝，＞，≠，≡，≤，≥等将机器参数值与阈值进行比较。因此，状况信号是基于机器参数值的信号(例如，多个机器参数值分组为离散或连续的信号)。因为机器传感器易受一定量的不确定性、误差、噪声等等的影响，所以状况信号由实际信号以及一定量的噪声组成。

机器状况监测系统一般使用多个规则来限定待监测的机器参数和关于那些机器参数的(例如表明状况变化的)关键信息。在某些情况下，成百上千的传感器监测和/或记录这些机器参数。然后，这些传感器的输出(例如传感器信号、传感器估计、传感器残数(residue)等)可被用作一个或多个规则的输入。规则用于检测故障，但是规则必须将故障(例如错误警报)的不当指示最小化。通常，简单规则被构造为指示性的条件逻辑操作(例如，“如果-则”语句)。规则的输入，即“如果”，是如上所述的状况(例如，如果机器参数A＞阈值B)，而规则的输出，即“则”，是故障(例如，则故障类型1)。

MCM中的故障预报用于预测机器的未来参数值和/或状况信号。也就是说，故障预报试图确定故障状况或其它重要的机器事件将在什么时候发生。可采取预防性的维护或其它动作来预防这些故障。

目前，机器状况监测故障预报依赖于状况信号的趋势分析。对当前的和以前的机器参数值进行分析以确定状况趋势。通过确定逼近该趋势的方程如多项式方程来确定状况趋势。基于该趋势分析，可确定机器的未来状况。然而，这种基本的趋势分析不能考虑到状况信号中的间断。也就是说，MCM中的当前趋势分析容易错误地预测趋势并因而错误地预测失灵时间。

因此，需要替换方法用以在机器状况监测期间分析趋势并检测间断。

发明内容

本发明提供用于通过检测和补偿观察信号中的间断来进行机器状况监测和故障检测的方法和仪器。观察机器的状况信号并在状况信号中检测到一个或多个间断。(例如通过将移动因子应用于这些信号的模型来)补偿状况信号中的间断并确定所补偿的状况信号的趋势。所述趋势被用于预测机器中的未来故障状况。

在一些实施例中，包含观察模型和演化模型的卡尔曼滤波器被用于确定所述趋势。使用假设测试来检测观察信号中的间断。确定状况信号中的间断概率和在给定观察状况信号情况下实际状况信号的条件概率。迭代地确定在给定所接收的状况信号和移动因子情况下的移动因子和实际信号的条件概率，直到达到在给定所接收的状况信号和移动因子情况下实际信号的最大条件概率。通过将状况信号中的不间断概率与给定所接收的状况信号情况下实际状况信号的条件概率相乘来计算第一间断评估。类似地，通过将状况信号中的间断概率与给定所接收的状况信号情况下实际状况信号的条件概率相乘来计算第二间断评估。最后，只在第二间断评估大于第一间断评估时，才表明状况信号中存在间断。

通过参考下面的详细说明和附图，本发明的这些和其它优点将对本领域的技术人员来说是显而易见的。

附图说明

图1绘出状况信号的图表；

图2绘出状况信号和现有技术趋势分析曲线的图表；

图3绘出根据本发明实施例的状况信号和趋势分析曲线的图表；

图4是根据本发明实施例的机器状况监测的方法的流程图；

图6是根据本发明实施例的机器状况监测系统的图示；

图6是计算机的示意图。

具体实施方式

本发明一般性地提供用于在机器状况监测期间使用间断检测来准确地预测故障的方法和仪器。虽然在此所讨论的是机器状况监测的方法及其状况信号的趋势分析，但是本领域的技术人员将认识到，在此所述的趋势分析中的间断检测并不限于机器状况监测，而是可扩展到任何需要检测信号中的间断的适当系统。因而，本发明可应用于任何适当的预告方法或算法，诸如天气预告、社会和/或行为模式、结构体系(architecture)等。

图1-3绘出在机器状况监测期间所使用的信号(例如，状况信号、机器状况信号等)。这些信号可表示由机器的一个或多个传感器所获得的机器参数值。虽然被表示为信号的图表，但是应当理解，这些图表表示实际获得的(例如测量到的)待分析信号。出于说明本发明实施例的目的，在图1-3中绘出相同的信号。图1提供状况信号100和与其相关的某些特征的概览；图2示出趋势分析的现有技术方法；图3绘出根据本发明实施例的趋势分析。

图1绘出状况信号100的图表。状况信号100可能是表明当前机器状况的状况信号。例如，状况信号100可能是特定机器的温度测量。在MCM中，该机器可能服从阈值规则，诸如：“如果温度＞14，则存在温度故障。”也就是说，当所测得的温度超过阈值102(例如超过14)时，则达到故障状况。这可表明机器失灵、需要维护等等。如上面所讨论的，希望预测规则的输入何时为真以及何时输出故障(例如，当状况信号100跨过阈值102时)。

状况信号100可具有一个或多个间断104(例如偏移(shift))。在图1-3的示例中，状况信号100具有大约在第80个和第120个参数值(例如，在时刻(t)80和100)之间的大约为幅度(magnitude)10的间断104。然而，因为状况信号100没有达到阈值102(例如，没有超过14)，所以不应该给出和/或指示警报、故障或故障状况。如在此所讨论的，“间断”或偏移类似于数学中的跳跃型间断，但是与数学中的跳跃型间断有所区别。状况信号100是在每个时刻t都具有不同参数值的连续信号。在本发明的情况下，间断是状况信号参数值的快速和剧烈偏移，当为这些偏移建模时，这些偏移导致对状况信号进行估计的方程的明显变化，而这些明显变化呈现为故障趋势。换句话说，任何比演化模型所描绘的变化得更快速的状况信号都能够被视为具有间断。

图2绘出状况信号100的常规分析图表。也就是说，在如图1所示的状况信号100的图表上加上了现有技术趋势分析曲线202。通过为趋势分析曲线202确定方程或者以其它方式为趋势分析曲线202建模，可做出测得的温度将什么时候超过阈值102的预测。

大约从第200个参数值开始，状况信号100展现出向上趋向阈值102(未在图2中示出)的基本上线性的趋势204。然而，因为间断104不促使状况信号100超过阈值102(例如，间断104是温度方面不明的、但不合理的尖峰)，所以趋势分析不应该示出在大约第80个和第120个参数值之间的趋势。更确切地说，趋势分析曲线202只应该示出在大约第200个参数值之后的趋势204。

常规的趋势分析将输入信号(例如状况信号100)拟合为多项式曲线以确定趋势分析曲线202。卡尔曼滤波器在这种趋势分析中得到广泛使用。众所周知，卡尔曼滤波器是从一系列不完整的和/或有噪声的测量中估计动态系统状态的递归滤波器。这些卡尔曼滤波器具有观察模型和演化模型。能够通过y_t＝x_t+u_t来描述该观察模型，其中y_t是所观察的状况信号100，x_t(例如趋势分析曲线202)是实际信号(例如所观察的状况信号100的实际信号分量)或实际信号的估计(例如表明“真实”或“精确”参数值的信号)，而u_t是状况信号100的高斯噪声分量。由此演化模型能够被描述为 $\left[\begin{array}{c}{x}_t\\ v_t\end{array}\right]=\left[\begin{array}{cc}1& \mathrm{\Δt}\\ 0& 1\end{array}\right]\left[\begin{array}{c}{x}_{t-1}\\ v_{t-1}\end{array}\right]+w_t,$ 其中v_t是x_t的一阶导数(例如速度)，Δt是时间分辨率，而w_t是补偿演化模型的任何不确定性(例如误差)的高斯噪声向量。

在运算期间，u_t和w_t的参数都可(例如由用户)进行预置和/或从训练数据中学习到。演化模型描述了当前实际信号x_t和当前导数v_t与它们上一时间间隔的值x_t-1和v_t-1如何关联。当然，可在演化模型中包括表示x_t的二阶导数(例如加速度)、x_t的三阶导数(例如加加速度)等的x_t的高阶导数。在此，出于图解说明的简化目的，没有将高阶导数包括进来。

使用观察模型和演化模型，卡尔曼滤波器从所有的历史观察点y₁，y₂，...，y_t推断出x_t和v_t。一旦可以获得x和v在时刻t的估计，则可在某个未来时刻预测x的值。例如，在未来时刻t+Δt所预测的x的值只是x_t+Δt·v_t。

当前的x_t由其一阶泰勒级数：x_t＝x_t-1+Δt·v_t+误差项来近似。当前的v_t由其零阶泰勒级数：v_t＝v_t-1+误差项来近似。卡尔曼滤波器的成功依赖于演化模型与(如信号100中的)参数值相拟合的准确程度，并且特别依赖于泰勒级数近似的准确程度。然而在某些情况下，在存在x_t的间断的地方，上述演化模型不再是x_t的良好近似，并且如在下面参照方法400以及图3和4所述的那样，需要特殊处理。

在此所述的常规卡尔曼滤波器产生如图2所示的趋势分析曲线202(例如x_t的估计)。趋势分析曲线202在大约第200个参数值之后示出线性趋势204。然而，趋势分析曲线202分别在大约第80个数据点和大约第120个数据点附近错误地示出两个趋势206和208，这因此导致了错误警报、对规则的不当触发、不正确的故障等。也就是说，如果使用趋势分析曲线202来做出故障预测，则趋势206将导致会在大约第120个参数值(例如时间记录等)处发生故障的不正确结论。

图3绘出状况信号100和改善的趋势分析曲线302的图表。也就是说，在图1和图2所示的状况信号100的图表上加上了根据下面参照图4所述方法所确定的趋势分析曲线302。类似于上面参照图2所述的趋势分析曲线202，通过为趋势分析曲线302确定方程或者以其它方式为趋势分析曲线302建模，可做出关于所测得的温度在什么时候将超过阈值102的预测。然而，改善的趋势分析曲线302预测并考虑到了偏移104而没有图2的错误的趋势206和208。趋势分析曲线302在现有趋势分析曲线202的基础上得到改善，因为趋势分析曲线302不产生误判(例如错误的趋势206)和随之而来的故障预测(例如跨过阈值102)。

图4是机器状况监测的方法400的流程图。在至少一个实施例中，方法400的方法步骤可被用于预测和/或检测故障状况。可使用MCM计算机-诸如下面参照图6所述的计算机600-来预测和/或检测机器中的故障。如上面所讨论的，虽然为了解释的简单性而在下面参照MCM和图1-3来描述方法400，但是方法400可被广泛地应用于需要趋势分析的任何系统。该方法从步骤402开始。

在步骤404，接收状况信号(例如状况信号100)。该状况信号可能是从机器上的一个或多个传感器接收到的一个或多个参数值。也就是说，该状况信号可能是如在上面参照图1-3所述的实际观察信号。

在步骤406，执行测试以确定在状况信号100中是否检测到了间断104。可通过在每个时间间隔执行假设测试来确定间断104的存在。

一般地，二进制变量s_t表示时刻t处的间断事件。如果s_t＝1，则发生间断事件；如果s_t＝0，则没有发生间断事件。这样的间断事件发生的概率是P(s_t＝1)＝p。间断事件的概率p可由用户输入、可使用历史数据来确定、可使用训练数据来确定、可近似、和/或可通过任何其它适当方法来确定。在至少一个实施例中，间断事件概率p被设为0.01，这表明间断事件不大可能发生。可确定和/或使用其它适当的概率p。

对于步骤406中的假设测试，H₀表明在时刻t没有发生间断事件。可使用评估函数来确定H₀。H₀的评估函数是P(s_t＝0)·P(y_t|x_t)，其中P(s_t＝0)＝(1-p)，而P(y_t|x_t)是在根据上述卡尔曼滤波器给定估计x_t情况下的y_t的条件概率。条件概率P(y_t|x_t)可根据上述观察模型计算出，并且表明原卡尔曼滤波器拟合数据(例如状况信号100)的良好程度。

H₁表明在时刻t确实发生了间断事件。H₁的评估函数是P(s_t＝1)·P(y_t|x_t，m_t)，其中m_t是移动因子(例如移动趋势分析曲线302的一部分从而考虑到间断104的因子)。利用移动因子m_t，用于原信号x_t的原演化方程变为x_t＝x_t-1+m_t+Δt·v_t+误差项。最大的条件概率P(y_t|x_t，m_t)可通过迭代地确定其它移动因子和搜寻使P(y_t|x_t，m_t)最大化的移动因子m_t来确定。因为P(y_t|x_t，m_t)是高斯概率密度函数，所以使P(y_t|x_t，m_t)最大化等于使最小化，其中σ是观察噪声的预置标准偏差或所学习到的标准偏差。对于每个可能的移动因子m_t，可将过去的实际信号和当前的移动因子(例如x_t-1+m_t)而不是过去的实际信号(例如x_t-1)输入给卡尔曼滤波器，如在上面参照图2所述那样，并且可计算出新的x_t。

如果P(s_t＝0)P(y_t|x_t)＜P(s_t＝1)P(y_t|x_t，m_t)，则确定已经发生了间断事件(例如间断104)(例如检测到间断)，并且该方法转到步骤408。如果间断事件发生(例如H₁)的评估函数没有被确定为大于间断事件没有发生(例如H₀)的评估函数，则确定没有发生间断事件(例如间断104)，并且方法400将控制返回到步骤404来继续接收状况信号100(例如接收进一步的参数值)。应该注意，即使通过调整移动因子m_t而实现了高条件概率P(y_t|x_t，m_t)，但是由于间断事件的小概率P(s_t＝1)，也一般不在上述假设测试方法步骤406中选择H₁。这有效地减少了误判(例如不当故障、错误的报警等)。

在步骤408，在演化模型中(例如在趋势分析曲线302中)补偿间断104。可通过在演化模型中插入移动因子来补偿间断104。该移动因子减轻了间断104对整个趋势的影响。也就是说，在图1-3的示例中，添加偏移以考虑间断104的上升沿，并且去除偏移以考虑间断104的下降沿，如图3所示。因而，当整个趋势分析曲线302被确定时，将消除间断。如上所述，将m_t添加到演化模型：x_t＝x_t-1+m_t+Δt·v_t。换句话说，标准卡尔曼滤波器具有输入x_t-1和输出x_t。在本发明的至少一个实施例中，卡尔曼滤波器被用x_t-1+m_t输入并输出x_t。当然，可适当地使用其它滤波器。例如，可使用用于对真正的基本信号进行降噪和估计的其它估计算法。可在时间窗中将多项式曲线与状况信号拟合，并且该拟合曲线可被应用于预测未来信号。

在步骤410，确定趋势。在至少一个实施例中，趋势是图3的趋势分析曲线302。可使用如上所述的卡尔曼滤波器来确定该趋势。也就是说，可通过在步骤408中向演化模型添加移动因子来补偿间断104，并且卡尔曼滤波器可产生状况信号100的模型(例如趋势分析曲线302)。

在某些实施例中，趋势分析曲线302可在步骤412中被用于预测一个或多个故障状况。换句话说，可使用趋势分析曲线302来计算一个或多个未来的故障状况。在至少一个实施例中，该故障状况表明参数值(例如状况信号100的一部分)超过阈值(例如阈值102)。可在特定时刻或时间范围内至少部分地基于在步骤410中确定的经过补偿的状况信号的趋势来预测该故障状况。在替换实施例中，可将趋势分析曲线302(例如经由在下面参照图6所述的I/O装置610)输出给用户，从而用户可预测未来故障。

该方法在步骤414结束。

图5绘出了根据本发明实施例的机器状况监测系统500。机器状况监测(MCM)系统500可被兼用于在上面参照图4和图3的方法400所述的趋势分析以及一般的机器状况监测。MCM系统500监测一个或多个机器502，每个机器502都具有一个或多个传感器504。在趋势分析计算机506处接收传感器504的输出，该趋势分析计算机506如在上面参照图3和图4所述的那样分析从传感器104输出的信号(例如状况信号100等)的趋势。

机器502可能是具有一个或多个可监测机器参数的任何装置或系统，所述机器参数可由传感器504监测。示例性机器502包括旋转和固定机器，诸如涡轮机、锅炉、热交换器等。

传感器504是测量物理量(quantity)并将该物理量转换为能够被观察者和/或被已知仪表所读取的信号的任何装置。传感器504可测量机器502的机器参数，诸如振动、温度、摩擦、用电量、功耗、声音等。传感器504的输出可具有图1-3所绘的状况信号(例如状况信号100)的形式和/或可被集合成图1-3所绘的状况信号(例如状况信号100)。

在一些实施例中，趋势分析计算机506可在一个或多个计算机上实施和/或连同一个或多个计算机实施，所述一个或多个计算机诸如是下面参照图6所述的计算机600。

图6是根据本发明实施例的计算机600的示意图。计算机600可执行方法400的方法步骤。

计算机600包括通过执行计算机程序指令来控制计算机600的整个运行的处理器602，所述计算机程序指令限定了这种运算。计算机程序指令可存储在存储装置604(例如磁盘、数据库等)中，并在希望执行该计算机程序指令时被装载到内存606中。因而，在方法400中，用于执行在此所述方法步骤-诸如间断检测、故障检测和机器状况监测-的应用程序由存储在内存606和/或存储器604中的计算机程序指令来限定并且由执行该计算机程序指令的处理器602来控制。计算机600还可包括用于经由网络与其它装置通信的一个或多个网络接口608。计算机600还包括使得用户能够与计算机600交互的输入/输出装置610(例如显示器、键盘、鼠标、扬声器、按钮等)。计算机600和/或处理器602可包括一个或多个中央处理单元、只读存储器(ROM)装置和/或随机访问存储器(RAM)装置。本领域技术人员将认识到，实际控制器的实施还可能包含其它部件，而图6的控制器是用于说明目的的这种控制器的其中一些部件的高级表示。

根据本发明的一些实施例，程序(例如控制器软件)的指令可被读入内存606，诸如从ROM装置到RAM装置或从LAN适配器到RAM装置。执行程序中的指令序列可促使计算机600执行在此所述的一个或多个方法步骤，诸如在上面参照方法400所述的方法步骤。在替换实施例中，硬连线电路或集成电路可代替软件指令或与软件指令结合使用以便实施本发明的过程。因而，本发明的实施例不限于硬件、固件和/或软件的任何特定组合。内存606可为计算机600存储软件，该计算机600可适于执行该软件程序并因此适于根据本发明、特别是根据在上面详细描述的方法来运行。然而，本领域技术人员应当理解，在此所述的本发明可使用广泛的编程技术以及通用硬件子系统或专用控制器来以许多不同方式实施。

可用压缩、未编译、和/或加密格式来存储这样的程序。另外，该程序可包括普遍适用的程序元素，诸如操作系统、数据库管理系统和装置驱动程序，以允许控制器与计算机外围装置和其它的装置/部件进行接口。适当的通用程序元素对于本领域技术人员来说是公知的，因此不需要在此详细描述。

上述具体实施方式应当在各个方面都被理解为是说明性和示例性而不是限制性的，并且在此公开的本发明的范围不应根据该具体实施方式来确定，而是应当根据按照专利法所允许的全部宽度所解释的权利要求来确定。应当理解，在此所述和所示的实施例对于本发明的原理只是说明性的，并且本领域技术人员可在不脱离本发明精神和范围的情况下实施各种修改。本领域技术人员能够在不脱离本发明精神和范围的情况下实施各种其它的特征组合。

Claims (12)

1.一种机器状况监测的方法，包括：

接收状况信号，其中所述状况信号包括实际状况信号和噪声分量；

检测状况信号中的间断，其中所述间断是所述状况信号中的快速偏移；

补偿状况信号中的间断；以及

确定所补偿的状况信号的趋势，

其中检测状况信号中的间断包括：

(a)确定状况信号中的间断概率；

(b)在给定所接收的状况信号的情况下确定实际状况信号的条件概率；

(c)确定移动因子，其中，该移动因子是移动所述趋势的一部分从而考虑到间断的因子；

(d)在给定所接收的状况信号和(c)的移动因子的情况下确定实际信号的条件概率；

(e)迭代地重复(c)和(d)；

(f)在给定所接收的状况信号和移动因子的情况下选择实际信号的最大条件概率；

(g)通过将状况信号中的不间断概率与在给定所接收的状况信号的情况下实际状况信号的条件概率相乘来确定第一间断评估；

(h)通过将状况信号中的间断概率与在给定所接收的状况信号的情况下实际状况信号的条件概率相乘来确定第二间断评估；以及

(i)只在第二间断评估大于第一间断评估时，才表明状况信号中存在间断。

2.根据权利要求1所述的方法，进一步包括：

利用卡尔曼滤波器来确定实际状况信号。

3.根据权利要求2所述的方法，其中卡尔曼滤波器包括状况信号的观察模型和状况信号的演化模型，并且补偿状况信号中的间断包括：

将移动因子应用于状况信号的演化模型。

4.根据权利要求1所述的方法，其中补偿状况信号中的间断包括：

将对应于在给定所接收的状况信号和移动因子的情况下实际信号的最大条件概率的移动因子应用于状况信号的演化模型。

5.根据权利要求1所述的方法，进一步包括：

至少部分地基于所补偿的状况信号的所确定趋势来预测故障状况。

6.一种趋势分析的方法，包括：

接收观察的状况信号；

检测观察的状况信号中的间断，其中所述间断是观察的状况信号的参数值的偏移；以及

通过移动趋势分析曲线的一部分来补偿观察的状况信号中的间断，

其中检测观察的状况信号中的间断包括：

(a)确定观察的状况信号中的间断概率；

(b)在给定观察的状况信号的情况下确定实际信号的条件概率；

(c)确定移动因子，其中，该移动因子是移动趋势的一部分从而考虑到间断的因子；

(d)在给定观察的状况信号和(c)的移动因子的情况下确定实际信号的条件概率；

(e)迭代地重复(c)和(d)；

(f)在给定观察的状况信号和移动因子的情况下选择实际信号的最大条件概率；

(g)通过将实际信号中的不间断概率与在给定观察的状况信号的情况下实际信号的条件概率相乘来确定第一间断评估；

(h)通过将实际信号中的间断概率与在给定观察的状况信号的情况下实际信号的条件概率相乘来确定第二间断评估；以及

(i)只在第二间断评估大于第一间断评估时，才表明状况信号中存在间断。

7.根据权利要求6所述的方法，进一步包括：

使用卡尔曼滤波器来基于所述观察的状况信号估计实际信号。

8.一种用于机器状况监测的仪器，包括：

用于接收状况信号的装置；

用于检测状况信号中的间断的装置，其中所述间断是观察的状况信号的参数值的偏移；

用于补偿状况信号中的间断的装置；以及

用于确定所补偿的状况信号的趋势的装置，

其中用于检测状况信号中的间断的装置包括：

(a)用于确定状况信号中的间断概率的装置；

(b)用于在给定所接收的状况信号的情况下确定实际状况信号的条件概率的装置；

(c)用于确定移动因子的装置，其中，该移动因子是移动趋势分析曲线的一部分从而考虑到间断的因子；

(d)用于在给定所接收的状况信号和移动因子的情况下确定实际信号的条件概率的装置；

(e)用于在给定所接收的状况信号和移动因子的情况下选择实际信号的最大条件概率的装置；

(f)用于通过将状况信号中的不间断概率与在给定所接收的状况信号的情况下实际状况信号的条件概率相乘来确定第一间断评估的装置；

(g)用于通过将状况信号中的间断概率与在给定所接收的状况信号的情况下实际状况信号的条件概率相乘来确定第二间断评估的装置；以及

(h)用于只在第二间断评估大于第一间断评估时才表明状况信号中存在间断的装置。

9.根据权利要求8所述的仪器，进一步包括：

被配置来确定所述实际状况信号的卡尔曼滤波器。

10.根据权利要求9所述的仪器，其中卡尔曼滤波器包括状况信号的观察模型和状况信号的演化模型，并且用于补偿状况信号中的间断的装置包括：

用于将移动因子应用于状况信号的演化模型的装置。

11.根据权利要求8所述的仪器，其中用于补偿状况信号中的间断的装置包括：

用于将对应于在给定所接收的状况信号的情况下实际信号的最大条件概率的移动因子应用于状况信号的演化模型和将移动因子应用于状况信号的演化模型的装置。

12.根据权利要求8所述的仪器，进一步包括：

用于至少部分地基于所补偿的状况信号的所确定趋势来预测故障状况的装置。

Images