CN102257448B - 使用切换模型对信号进行滤波的方法和设备 - Google Patents

使用切换模型对信号进行滤波的方法和设备 Download PDF

Info

Publication number
CN102257448B
CN102257448B CN200980151114.3A CN200980151114A CN102257448B CN 102257448 B CN102257448 B CN 102257448B CN 200980151114 A CN200980151114 A CN 200980151114A CN 102257448 B CN102257448 B CN 102257448B
Authority
CN
China
Prior art keywords
signal
kalman filter
variance
estimation
mode
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN200980151114.3A
Other languages
English (en)
Other versions
CN102257448A (zh
Inventor
袁超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of CN102257448A publication Critical patent/CN102257448A/zh
Application granted granted Critical
Publication of CN102257448B publication Critical patent/CN102257448B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

在机器状况监视技术中，使用切换卡尔曼滤波器对传感器读数进行滤波。创建卡尔曼滤波器以描述信号的单独模式，包括稳定模式和不稳定模式。对于信号的每个新观察结果而言，基于前一模式和状态来估计新模式，并且然后基于新模式及前一模式和状态来估计新状态。在稳定模式下，观察信号的和该信号的变化速率两者的演化协方差都是低的。在不稳定模式下，观察信号的演化协方差被设置为较高的值，允许观察信号广泛地改变，同时，将信号的变化速率的演化协方差保持在低水平。

Description

使用切换模型对信号进行滤波的方法和设备
优先权要求 
本申请要求2008年10月20日提交且题为“Robust Filtering and Prediction Using Switching Models for Machine Condition Monitoring”的待决美国临时专利申请序号61/106,701的优先权并通过引用将其整体地结合到本文中。
技术领域
本发明一般地涉及出于工厂自动化目的的机器状况监视。更具体而言，本发明涉及用于对观察值进行滤波以便估计没有噪声的真实信号值的技术。 
背景技术
机器状况监视的任务是尽可能早地检测故障以避免对机器的进一步损坏。这通常通过分析来自安装在机器的不同部分上的用于测量温度、压力振动等的一组传感器的数据来完成。当机器正常地工作时，传感器数据位于正常操作区域内。当传感器数据太多地偏离该区域时，可能已发生故障，并且应发出警报。 
传感器信号常常受到噪声的污染。去除噪声并恢复底层真实信号是用于机器状况监视的基本任务。本公开集中于从单个传感器信号去除噪声，但是提出的方法适用于多个信号。 
在示例性系统中，存在用于传感器的从时间戳1至时间戳t的t个观察值y1、y2、...、yt。由于yt常常被噪声损坏，所以估计没有噪声的真实信号zt是有意义的。在图2的图表200中示出了用于传感器的示例性观察和真实值，其中，横轴指示时间（以天为单位）且竖轴指示传感器值。曲线210表示观察信号yt且曲线220表示无噪声信号zt。 
一旦暴露了真实信号zt，则可以使用基于阈值的规则一样简单的方法来执行故障检测。例如，如果示例性传感器是压力传感器且压力绝不应大于0.5，则规则可以是“如果zt>0.5，则这是故障”。使用该规则，在图2中表示的传感器在约t＝230处提供警报。 
然而，可以通过更早地检测向上趋势来改善该系统。例如，如果正确地估计了在t＝215处的zt的斜率，则这可以在t＝215处预测zt将在t＝230处命中0.5。该技术早15天产生警报，这是很大的益处。因此，系统应不仅估计zt，而且估计其导数，诸如速度和加速度（等）。那些量分别被表示为 
Figure 2009801511143100002DEST_PATH_IMAGE002
和
Figure 2009801511143100002DEST_PATH_IMAGE004
。使用向量来表示真实信号的以上量。为了如上所述地产生预测性警报，必须估计向量xt。 
滤波问题被定义为：给定一系列的观察结果y1、y2、...、yt（或
Figure 2009801511143100002DEST_PATH_IMAGE008
），估计xt。广泛使用的滤波算法是卡尔曼滤波器模型，其被如下公式化： 
Figure DEST_PATH_IMAGE010
（1）中的第一等式是状态演化模型。其指定当前状态xt与前一状态xt-1之间的线性关系。演化矩阵被定义为 
Figure DEST_PATH_IMAGE014
其中，Δt是相邻数据点之间的差：在这种情况下，Δt＝1天。请注意，如果用变化的间隔对信号进行采样，则Δt可以改变。此线性关系遵循关于位移、速度和加速度的简单物理学：例如。vt是演化误差向量，并具有具有零平均值和对角协方差
Figure DEST_PATH_IMAGE018
的高斯分布。diag()是将向量变换成对角矩阵的算子。q1、q2和q3分别对应于用于zt、
Figure DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE022
的方差。
（1）中的第二等式被称为观察模型。其使状态xt与观察结果yt相关。观察矩阵C = [1 0 0]，因为只有zt是可观察的。观察噪声wt是具有零平均值和方差r的高斯分布。演化协方差Q和观察噪声方差r两者是用于此卡尔曼滤波模型的参数，并且可以被指定或由培训数据获悉。 
卡尔曼滤波以迭代的方式进行。一旦新观察结果yt可用，则给定
Figure DEST_PATH_IMAGE024
，滤波器更新其估计或xt的条件概率。这可以被证明是单个高斯分布。一旦获得用于xt的估计，则针对给定未来时间T执行预测。使Δt = T－t。我们有
Figure 2009801511143100002DEST_PATH_IMAGE026
。通过这样做，可以基于仅在当前时间可用的信息在未来时间戳处预测传感器的真实值。 
诸如卡尔曼滤波模型的滤波模型在许多工业应用中被广泛地使用，获得巨大成功。然而，在许多实际系统中，传感器信号的演化太复杂而不能由单个滤波模型来描述。例如，在机器的不稳定模式下，常常观察到传感器值的尖峰或急剧的阶跃变化。在图5中示出此类系统500的传感器输出的一个示例。在诸如521、522、523处的那些尖峰和诸如阶跃511、512的阶跃期间，真实传感器信号在短时段内急剧地变化，对滤波算法提出巨大的挑战。 
因此，目前需要一种改进的技术以对机器监视系统中的传感器输出进行滤波，以供在故障检测和预测性维护中使用。 
发明内容
在本公开中，使用多个滤波模型来对传感器信号进行建模。引入模式变量来指示机器的操作模式。对机器的不同模式应用不同的模型。例如，对稳定模式使用传统卡尔曼滤波模型，但是对不稳定模式使用另一卡尔曼滤波模型。应用切换模型、特别是切换卡尔曼滤波技术以执行滤波和预测。切换模型能够自动地确定模式并对模式应用相应的模型。 
本发明的一个实施例是用于使用切换卡尔曼滤波器对来自机器监视系统中的传感器的信号进行滤波的方法。该信号具有至少其中模式变量st具有第一值的稳定模式和其中st具有第二值的不稳定模式。 
在机器监视计算机处，接收信号的新观察结果yt。基于信号的新观察结果yt、前一模式st-1和前一状态xt-1来计算信号的当前模式st的估计，所述前一状态xt-1包括用于至少前一真实信号zt-1和前一真实信号的一阶导数
Figure 2009801511143100002DEST_PATH_IMAGE028
的值。 
基于当前模式st-1的估计、前一模式st-1和前一状态xt-1来计算信号的当前状态xt的估计。然后将前一模式st-1设置为等于当前模式st的估计，并将前一状态xt-1设置为等于当前状态xt的估计。然后重复该步骤。 
计算信号的当前状态xt的估计的步骤可以包括选择卡尔曼滤波器以计算当前状态xt的估计。然后从至少供在当前模式st是稳定模式时使用的第一卡尔曼滤波器和供在当前模式st是不稳定模式时使用的第二卡尔曼滤波器中选择卡尔曼滤波器。 
第一和第二卡尔曼滤波器可以包括具有包含用于至少信号zt和该信号的一阶导数
Figure 2009801511143100002DEST_PATH_IMAGE030
的方差的对角协方差的演化误差向量vt，其中，用于第二卡尔曼滤波器中的zt的方差是用于第一卡尔曼滤波器中的zt的方差的至少十倍。在另一实施例中，用于第二卡尔曼滤波器中的zt的方差大于用于第二卡尔曼滤波器中的的方差并大于用于第一卡尔曼滤波器中的zt和的方差。 
第一和第二卡尔曼滤波器可以仅仅在演化协方差矩阵方面不同。可以从培训数据获悉用于信号zt和该信号的一阶导数
Figure DEST_PATH_IMAGE030AAA
的方差。第一和第二卡尔曼滤波器中的至少一个可以包括从培训数据获悉的观察噪声方差。 
信号的前一状态xt-1还可以包括用于前一真实信号的二阶导数
Figure 2009801511143100002DEST_PATH_IMAGE032
的值。 
可以将信号的前一模式st-1和前一状态xt-1保持为高斯混合模型。 
计算当前模式st的估计的步骤可以包括实现当前模式st等于前一模式st-1的0.9的概率和当前模式st不等于前一模式st-1的0.1的概率。在步骤的初始执行中，该模式可以是其中模式变量st＝1的稳定模式。 
该方法还可以包括步骤：基于信号的当前状态xt的估计来预测未来真实信号zt+1；以及如果预测未来信号在一组过程极限之外，则产生警报。 
本发明的另一实施例是具有存储在上面以便由处理器执行以执行如上所述的方法的计算机可读指令的计算机可用介质。 
附图说明
图1是示出根据本公开的系统的示意图。 
图2是示出用于机器监视系统中的示例性传感器的观察和真实值的图表。 
图3是根据本公开的切换卡尔曼滤波器的图形模型。 
图4是示出根据本公开的方法的工作流程图。 
图5是示出根据本公开的供在系统的示例性实现中使用的随时间推移的来自传感器的真实信号的图表。 
图6是示出使用卡尔曼滤波的来自传感器的估计真实信号的图表。 
图7是示出使用卡尔曼滤波的来自传感器的真实信号的估计速度的图表。 
图8是示出根据本公开的使用SKF模型的来自传感器的估计真实信号的图表。 
图9是示出根据本公开的使用SKF模型的来自传感器的真实信号的估计速度的图表。 
具体实施方式
可以在用于对传感器值进行滤波的系统中体现本发明，该系统可以被包括在机器监视系统中，或者可以是独立系统。图1举例说明根据本发明的示例性实施例的机器监视系统100。如图1所示，系统100包括个人或其它计算机110。计算机110可以通过有线或无线网络105连接到传感器171。该系统优选地包括被同样地连接的附加传感器（未示出）。 
传感器171被布置为获取表示机器或系统180的特征或机器环境的数据。该传感器测量诸如温度、压力、湿度、旋转或线性速度、振动、力、应变、功率、电压、电流、电阻、流速、接近度、化学浓度或任何其它特性的特征。如上所述，传感器171测量包括噪声的观察值y。必须估计真实信号z。 
可以直接通过网络105将传感器171与计算机110相连，或者可以在传送到计算机之前用信号调节器160来调节来自传感器的信号。可以通过网络105将来自监视许多不同机器及其环境的传感器的信号连接到计算机110。 
可以是便携式或膝上型计算机或主机或其它计算机配置的计算机110包括被连接到输入设备150和输出设备155的存储器130和中央处理单元（CPU）125。CPU 125包括信号滤波和预测模块145，其包括用于如本文所讨论地对信号进行滤波并预测信号的一个或多个方法。虽然在CPU 125内部示出，但模型145可以位于CPU 125外面，诸如在信号调节器160内。CPU还可以包含获取供信号滤波和预测模块使用的信号的机器监视模块146。机器监视模块146还可以在从传感器171获取培训数据时使用以供在配置信号滤波和预测模块时使用。 
存储器130包括随机存取存储器（RAM）135和只读存储器（ROM）140。存储器130还可以包括数据库、磁盘驱动器、磁带驱动器等或其组合。RAM 135充当存储在CPU 125中的程序执行期间使用的数据的数据存储器，并被用作工作区。ROM 140充当用于存储在CPU 125中执行的程序的程序存储器。该程序可以驻留于ROM 140上或任何其它计算机可用介质上作为存储在其上面以便由CPU 125或其它处理器执行以执行本发明的方法的计算机可读指令。ROM 140还可以包含供程序使用的数据，诸如从传感器171获取或人工地创建的训练数据。 
输入150可以是键盘、鼠标、网络接口等，并且输出155可以是液晶显示器（LCD）、阴极射线管（CRT）显示器、打印机等。 
计算机110可以被配置为通过使用例如输入150和输出155设备来执行某些任务来操作和显示信息。可以通过输入150来输入诸如训练数据等程序输入，可以将其存储在存储器130中，或者可以作为来自传感器171的现场测量来接收。 
用于对机器监视传感器信号进行滤波和预测的本公开方法对机器的不同模式使用不同的滤波模型。例如，机器可以具有两个模式：稳定模式和不稳定模式。依照本公开，对每个模式应用单独的模型。在稳定模式期间，传感器信号是稳定的。在这种情况下，使用具有用于q1、q2和q3中的每一个的小值的演化协方差。 
另一方面，在不稳定模式期间，传感器信号更加不稳定。在这种情况下，如下设计不同的演化协方差。首先，将真实信号z的方差q1设置为非常大的值，使得允许zt急剧地改变。其次，将用于较高阶导数q2、q3的方差保持为与稳定模式的那些相同的小值。其原因是那些高阶导数仅对于具有平滑变化的连续信号才存在。那些导数不应随着信号的任何显著和突然变化而改变太多。 
已经针对机器的两个模式引入了两个滤波器。那些滤波器仅在演化协方差矩阵方面不同。引入新的模式变量st以指示该模式。如果st＝1，则机器处于稳定模式；如果st＝2，则机器处于不稳定模式。对于模式1（稳定）而言，用Q1来表示相应的演化协方差矩阵，并且对于模式2（不稳定）而言，用Q2来表示相应的演化协方差矩阵。 
由于在任何时间，机器可以保持在一个模式或变成不同的模式，所以在本公开中使用切换模型来执行滤波。特别地，应用切换卡尔曼滤波方法。K. P. Murphy在Compaq Cambridge Research Lab Tech. Report 98～10，1998的“Switching Kalman Filters”中描述了切换卡尔曼滤波方法，其被整体地通过引用结合到本文中。在信号处理中广泛地使用切换卡尔曼滤波方法。图3的网络300示出切换卡尔曼滤波器（SKF）的图形模型表示。箭头指示变量之间的依赖关系。如果st-1和st是相同的，则模型变成单卡尔曼滤波器。st＝st-1的先验概率被设置为0.9且st≠st-1的先验概率被设置为0.1。这是基于机器趋向于保持在同一模式并具有少数模式变化的一般意义见解。还假设起初当t＝1时，机器处于稳定模式。 
图4的流程图举例说明用于使用SKF模型来执行滤波的方法400。在每个时间戳t处，状态xt-1和模式st-1的前一估计被保持为高斯混合模型，因为存在两个模式，并且在每个模式下xt-1具有高斯分布。在410处接收新的观察结果yt。对于新观察结果yt而言，在420处计算用于模式st的新估计，其用
Figure DEST_PATH_IMAGE034
的后验概率来呈现。然后，在430处对xt进行新的估计，其用
Figure 2009801511143100002DEST_PATH_IMAGE036
的后验概率来表示。xt和st的新估计将取代先前的xt-1和st-1。随着时间的推移在440处重复该程序。 
由于用高斯混合来表示状态xt，将此混合模型的平均值计算为xt的终点估计。该点估计将被用于预测。 
测试结果 
使用以下示例来证明本公开的方法。在图5的图表上作为时间的函数来表示来自传感器的观察信号500。信号在t＝1和t＝200之间在零点周围大体上是平的。然后，信号的趋势在t＝200之后以斜率＝0.02向上。被叠加在该基本信号上，信号在t＝50处经历向上阶跃511并在t＝100处经历向下回到正常的阶跃512。另外，信号在t＝150、230和300处分别具有大的变化521、522、523。在实际机器监视系统中，那些突然的变化通常是由机器的不稳定工作模式引起的。
在此测试中，将提出的切换卡尔曼滤波的性能与单卡尔曼滤波的性能相比较。对于该测试而言，忽视加速度，使得。因此，可以通过去除表示加速度的相应行或第三列来获得演化矩阵A和观察矩阵C。 
对于单卡尔曼滤波器而言，仅考虑具有演化协方差矩阵Q = diag([0.00001 0.00001])的稳态模式。对于该切换卡尔曼滤波模型而言，将稳定模式协方差Q1设置为Q。然而，对于不稳定模式而言，使用新的Q2 = [100 0.00001]。请注意，在不稳定模式下，用于真实信号的方差q2比用于导数的方差q2大得多。具体地，在本示例中，用于真实信号的方差q1被设置为100，而用于速度的方差q2是0.00001，其与用于稳定模式的值相同。在本示例中，q1比q2大107倍。在另一示例中，q1大104倍；在另一示例中，q1可以大至少10倍。在所有情况下，不稳定模式下的方差q1比不稳定模式下的方差q2大，并且比稳定模式下的方差q1、q2两者大。在本示例中，观察噪声r始终被设置为0.1。 
使用单卡尔曼滤波确定的估计真实信号zt在图6中被示为叠加在观察信号620上的线610。使用卡尔曼滤波确定的估计速度
Figure DEST_PATH_IMAGE030AAAA
在图7中被示为线710。在时间帧的开头或结尾处的结果是准确的。然而，该估计在中间受到信号的不稳定性质的不利影响。例如，在t＝50处，卡尔曼滤波器尝试适应具有对真实信号和速度两者的改变的突然跳跃。其导致用于两个估计的不良结果。结果，速度估计高达0.23（图7）。如果一个人使用此不真实的高速度来预测未来性质，则非常可能发生假警报。在具有高信号变化的时段也发生类似的不期望结果。 
图8和9示出使用本公开的切换卡尔曼滤波器（SKF）模型的相应结果。用于真实信号的估计810（图8）比使用卡尔曼滤波（图6）的更好地拟合观察数据。图9的速度估计910还很好地反映地面实况（ground truth）。例如，在t＝1和t＝200之间，估计速度接近于零（地面实况），具有由于噪声而引起的某一波动。在t＝200之后，检测速度变化，并且该估计快速地适应变化；在t＝230之后，估计速度在0.02（地面实况）周围波动。SKF模型非常好地处理那些不稳定时段，并且此估计不会相当可观地受到影响。 
结论 
应在每个方面将前述详细说明理解为说明性和示例性而不是限制性的，并且不是由本发明的说明、而是由依照经专利法许可的完整宽度来解释的权利要求来确定本文公开的本发明的范围。应理解的是本文所示和所述的实施例仅仅说明本发明的原理，并且在不脱离本发明的范围和精神的情况下可以由本领域的技术人员来实现各种修改。

Claims (24)

1.一种用于使用切换卡尔曼滤波器对来自机器监视系统中的传感器的信号进行滤波的方法，该信号具有至少其中模式变量st具有第一值的稳定模式和其中st具有第二值的不稳定模式，所述方法包括： 
在机器监视计算机处接收信号的新观察结果yt； 
基于信号的新观察结果yt、前一模式st-1和前一状态xt-1来计算信号的当前模式st的估计，所述前一状态xt-1包括用于至少前一真实信号zt-1和前一真实信号的一阶导数                                                
Figure 2009801511143100001DEST_PATH_IMAGE001
的值； 
基于当前模式st的估计、前一模式st-1和前一状态xt-1来计算信号的当前状态xt的估计； 
将前一模式st-1设置为等于当前模式st的估计，并将前一状态xt-1设置为等于当前状态xt的估计；以及 
重复以上步骤；
其中，计算信号的当前状态xt的估计的步骤包括选择卡尔曼滤波器以计算当前状态xt的估计，所述卡尔曼滤波器选自至少供在当前模式st是稳定模式时使用的第一卡尔曼滤波器和供在当前模式st是不稳定模式时使用的第二卡尔曼滤波器。
2.权利要求1的方法，其中，所述第一和第二卡尔曼滤波器包括具有包含用于至少信号zt和该信号的一阶导数
Figure 2009801511143100001DEST_PATH_IMAGE002
的方差的对角协方差的演化误差向量vt，其中，用于第二卡尔曼滤波器中的zt的方差是用于第一卡尔曼滤波器中的zt的方差的至少十倍。
3.权利要求1的方法，其中，所述第一和第二卡尔曼滤波器包括具有包含用于至少信号zt和该信号的一阶导数的方差的对角协方差的演化误差向量vt，并且其中，用于第二卡尔曼滤波器中的zt的方差大于用于第二卡尔曼滤波器中的的方差，并且大于用于第一卡尔曼滤波器中的zt和
Figure 2009801511143100001DEST_PATH_IMAGE005
的方差。
4.权利要求1的方法，其中，第一和第二卡尔曼滤波器仅在演化协方差矩阵方面不同。
5.权利要求1的方法，其中，所述第一和第二卡尔曼滤波器包括具有包含用于至少信号zt和该信号的一阶导数
Figure DEST_PATH_IMAGE006
的方差的对角协方差的演化误差向量vt。
6.权利要求5的方法，其中，从培训数据获悉用于至少信号zt和该信号的一阶导数的方差。
7.权利要求1的方法，其中，所述第一和第二卡尔曼滤波器中的至少一个包括从培训数据获悉的观察噪声方差。
8.权利要求1的方法，其中，信号的前一状态xt-1还包括用于前一真实信号的二阶导数
Figure DEST_PATH_IMAGE008
的值。
9.权利要求1的方法，其中，信号的前一模式st-1和前一状态xt-1被保持为高斯混合模型。
10.权利要求1的方法，其中，计算当前模式st的估计的步骤包括实现当前模式st等于前一模式st-1的0.9的概率和当前模式st不等于前一模式st-1的0.1的概率。
11.权利要求1的方法，其中，在步骤的初始执行中，所述模式处于其中模式变量st＝1的稳定模式。
12.权利要求1的方法，还包括步骤： 
基于信号的当前状态xt的估计来预测未来真实信号zt+1；以及 
如果预测的未来信号在一组过程极限之外，则产生警报。
13.一种用于使用切换卡尔曼滤波器对来自机器监视系统中的传感器的信号进行滤波的设备，该信号具有至少其中模式变量st具有第一值的稳定模式和其中st具有第二值的不稳定模式，所述设备包括： 
用于基于在机器监视计算机处接收的信号的新观察结果yt、前一模式st-1和前一状态xt-1来计算信号的当前模式st的估计的装置，所述前一状态xt-1包括用于至少前一真实信号zt-1和前一真实信号的一阶导数 的值； 
用于基于当前模式st的估计、前一模式st-1和前一状态xt-1来计算信号的当前状态xt的估计的装置； 
用于将前一模式st-1设置为等于当前模式st的估计，并将前一状态xt-1设置为等于当前状态xt的估计的装置；以及 
用于重复以上步骤的装置；
其中，用于计算信号的当前状态xt的估计的装置包括用于选择卡尔曼滤波器以计算当前状态xt的估计的装置，所述卡尔曼滤波器选自至少供在当前模式st是稳定模式时使用的第一卡尔曼滤波器和供在当前模式st是不稳定模式时使用的第二卡尔曼滤波器。
14.权利要求13的设备，其中，所述第一和第二卡尔曼滤波器包括具有包含用于至少信号zt和该信号的一阶导数
Figure 397270DEST_PATH_IMAGE002
的方差的对角协方差的演化误差向量vt，其中，用于第二卡尔曼滤波器中的zt的方差是用于第一卡尔曼滤波器中的zt的方差的至少十倍。
15.权利要求13的设备，其中，所述第一和第二卡尔曼滤波器包括具有包含用于至少信号zt和该信号的一阶导数
Figure 114690DEST_PATH_IMAGE003
的方差的对角协方差的演化误差向量vt，并且其中，用于第二卡尔曼滤波器中的zt的方差大于用于第二卡尔曼滤波器中的
Figure 509899DEST_PATH_IMAGE004
的方差，并且大于用于第一卡尔曼滤波器中的zt和
Figure 324272DEST_PATH_IMAGE005
的方差。
16.权利要求13的设备，其中，第一和第二卡尔曼滤波器仅在演化协方差矩阵方面不同。
17.权利要求13的设备，其中，所述第一和第二卡尔曼滤波器包括具有包含用于至少信号zt和该信号的一阶导数
Figure 582952DEST_PATH_IMAGE006
的方差的对角协方差的演化误差向量vt。
18.权利要求17的设备，其中，从培训数据获悉用于至少信号zt和该信号的一阶导数
Figure 849986DEST_PATH_IMAGE007
的方差。
19.权利要求13的设备，其中，所述第一和第二卡尔曼滤波器中的至少一个包括从培训数据获悉的观察噪声方差。
20.权利要求13的设备，其中，信号的前一状态xt-1还包括用于前一真实信号的二阶导数
Figure 986569DEST_PATH_IMAGE008
的值。
21.权利要求13的设备，其中，信号的前一模式st-1和前一状态xt-1被保持为高斯混合模型。
22.权利要求13的设备，其中，计算当前模式st的估计的装置包括用于实现当前模式st等于前一模式st-1的0.9的概率和当前模式st不等于前一模式st-1的0.1的概率的装置。
23.权利要求13的设备，其中，在装置的初始执行中，所述模式处于其中模式变量st＝1的稳定模式。
24.权利要求13的设备，还包括： 
用于基于信号的当前状态xt的估计来预测未来真实信号zt+1的装置；以及 
用于如果预测的未来信号在一组过程极限之外，则产生警报的装置。
CN200980151114.3A 2008-10-20 2009-10-02 使用切换模型对信号进行滤波的方法和设备 Expired - Fee Related CN102257448B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US10670108P 2008-10-20 2008-10-20
US61/106,701 2008-10-20
US61/106701 2008-10-20
PCT/US2009/059357 WO2010047937A1 (en) 2008-10-20 2009-10-02 Robust filtering and prediction using switching models for machine condition monitoring

Publications (2)

Publication Number Publication Date
CN102257448A CN102257448A (zh) 2011-11-23
CN102257448B true CN102257448B (zh) 2014-04-30

Family

ID=41279410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200980151114.3A Expired - Fee Related CN102257448B (zh) 2008-10-20 2009-10-02 使用切换模型对信号进行滤波的方法和设备

Country Status (4)

Country Link
US (1) US8560492B2 (zh)
EP (1) EP2347311A1 (zh)
CN (1) CN102257448B (zh)
WO (1) WO2010047937A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT1401233B1 (it) * 2010-07-14 2013-07-12 Danieli Automation Spa Dispositivo per la rilevazione di livello in una attrezzatura di colata e relativo procedimento di rilevazione.
US20130143543A1 (en) * 2011-12-02 2013-06-06 Samsung Electronics Co., Ltd. Method and device for automatically switching a profile of a mobile phone
US10565080B2 (en) * 2012-06-12 2020-02-18 Siemens Aktiengesellschaft Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring
US8988238B2 (en) 2012-08-21 2015-03-24 General Electric Company Change detection system using frequency analysis and method
US9679430B2 (en) * 2013-03-08 2017-06-13 Lear Corporation Vehicle remote function system and method for determining vehicle FOB locations using adaptive filtering
US9852560B2 (en) * 2013-03-08 2017-12-26 Lear Corporation Vehicle remote function system and method for effectuating vehicle operations based on vehicle FOB movement
FR3007162B1 (fr) 2013-06-17 2016-12-02 Airbus Operations Sas Procede et dispositif de detection d'une anomalie sur un aeronef.
CN104750086B (zh) * 2013-12-26 2017-05-24 清华大学 故障和状态的估计方法及装置
US10102635B2 (en) * 2016-03-10 2018-10-16 Sony Corporation Method for moving object detection by a Kalman filter-based approach

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6260427B1 (en) * 1997-07-28 2001-07-17 Tri-Way Machine Ltd. Diagnostic rule tool condition monitoring system
CN1983092A (zh) * 2005-12-12 2007-06-20 通用电气公司 用于以多个操作模式操作的机器的监视系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5019824A (en) * 1990-05-01 1991-05-28 The United States Of America As Represented By The Administrator, National Aeronautics And Space Administration Multistage estimation of received carrier signal parameters under very high dynamic conditions of the receiver
US6539343B2 (en) 2000-02-03 2003-03-25 Xerox Corporation Methods for condition monitoring and system-level diagnosis of electro-mechanical systems with multiple actuating components operating in multiple regimes
US6384384B1 (en) * 2000-07-28 2002-05-07 General Electric Company Boil dry detection in cooking appliances
US6944527B2 (en) * 2003-11-07 2005-09-13 Eaton Corporation Decision enhancement system for a vehicle safety restraint application
WO2008000254A1 (en) * 2006-06-26 2008-01-03 Coloplast A/S Multi parametric classification of cardiovascular sounds
US8131543B1 (en) * 2008-04-14 2012-03-06 Google Inc. Speech detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6260427B1 (en) * 1997-07-28 2001-07-17 Tri-Way Machine Ltd. Diagnostic rule tool condition monitoring system
EP1133687A1 (en) * 1998-11-25 2001-09-19 Federal-Mogul Corporation Diagnostic rule base tool condition monitoring system
CN1983092A (zh) * 2005-12-12 2007-06-20 通用电气公司 用于以多个操作模式操作的机器的监视系统

Also Published As

Publication number Publication date
US8560492B2 (en) 2013-10-15
EP2347311A1 (en) 2011-07-27
CN102257448A (zh) 2011-11-23
WO2010047937A1 (en) 2010-04-29
US20110196820A1 (en) 2011-08-11

Similar Documents

Publication Publication Date Title
CN102257448B (zh) 使用切换模型对信号进行滤波的方法和设备
JP6609050B2 (ja) 時間的因果グラフにおける異常フュージョン
US7107187B1 (en) Method for modeling system performance
CN105579922B (zh) 信息处理装置以及分析方法
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
JP2019204155A (ja) 異常検出器
US11657121B2 (en) Abnormality detection device, abnormality detection method and computer readable medium
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
CN109784528A (zh) 基于时间序列和支持向量回归的水质预测方法及装置
JP2000259223A (ja) プラント監視装置
CN112581719B (zh) 基于时序生成对抗网络的半导体封装过程预警方法和装置
CN115392037A (zh) 设备故障预测方法、装置、设备及存储介质
CN111079348B (zh) 一种缓变信号检测方法和装置
CN103279030B (zh) 基于贝叶斯框架的动态软测量建模方法及装置
CN108761250B (zh) 一种基于工控设备电压电流的入侵检测方法
US11669082B2 (en) Online fault localization in industrial processes without utilizing a dynamic system model
US11228606B2 (en) Graph-based sensor ranking
CN111176931A (zh) 一种运营监控方法、装置、服务器及存储介质
JP2019164762A (ja) 情報処理装置，機械学習装置及びシステム
CN115599037B (zh) 一种基因检测实验室设备自动化监控方法
CN105630642B (zh) 基于pca余量空间的异常诊断方法及装置
JP2023038095A (ja) 装置管理システム、装置の障害原因推定方法、及びプログラム
Okolai et al. Autonomous vehicle fault Detection and Isolation Model Using Stochastic Gradient Descent
CN116992296A (zh) 电子敏感设备发生暂降的中断概率评估方法、装置和设备
CN117057458A (zh) 一种基于集成学习的任务传感器精度预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140430

Termination date: 20161002

CF01 Termination of patent right due to non-payment of annual fee