CN103324155B - 系统监控 - Google Patents

Abstract

公开了系统监控，具体而言涉及识别在期望工作情形以外的情形的原因。监控与系统相关联的一个或多个传感器的输出，并且按照多个模式布置来自一个或多个传感器的数据，每个模式由系统可以工作的不同情形，比如不同的环境情形、系统的物理配置的变化以及不同的工作情形，来定义。故障情形通过所监控数据处于多个模式中之一以外来识别。多个模式的使用使系统的工作能够被更精确地定义和追踪，使得系统在期望参数以外的工作可被更精确地检测，并且可以减少错误警报。可以建立模式中的至少一个以指示系统的特定故障。该故障模式可以具有与其相关联的故障的可能原因，使得可以快速和容易地促进诊断和修复。

Description

系统监控

技术领域

本发明涉及系统监控，具体而言涉及识别期望工作情形(condition)以外的情形的原因。

背景技术

存在许多不同类型的可以具有监控的性能特征的系统，比如机械系统，包括例如发动机、涡轮、机身等。诸如发动机的系统可以具有一个或多个传感器以测量系统的各个方面，例如温度、压力、转动速度、流体流动等。可以监控来自一个或多个传感器的输出以识别系统的特征，例如设法识别系统是否正工作在期望情形以外。对于舱位(class)或系统，比如商用航空发动机的舱位，对于指示非理想工作，比如芯(core)退化或者特定机构的故障，的非最佳性能特征将具有一套经过验证的故障机制。此类故障能够呈现由各种感测参数所显示的式样的特定故障标记的征兆。

然而，监控此类系统存在的问题是：如果工作在诸如非常热的情形、非常冷的情形、高海拨等异常环境中，在系统事实上对于所经历的特定境况正工作良好时，监控可指示存在故障。

能够更加精确地监控系统使得减少错误警报和更加容易地识别问题会是合乎需要的。

发明内容

根据本发明，提供一种用于监控系统的方法，该方法包括：

监控与系统相关联的一个或多个传感器的输出；

按照多个模式布置来自一个或多个传感器的数据，每个模式由系统可以工作的不同情形定义；以及

通过所监控数据处于多个模式中之一以外来识别故障情形。

每个模式可以由不同情形，比如不同的环境情形（例如用于不同季节、不同时刻、不同地点时）、系统的物理配置的变化（比如具有不同组件）以及诸如高速工作或低速工作的不同工作情形，来定义。多个模式的使用使系统的工作能够被更精确地定义和追踪，使得可更精确地检测在期望参数以外的工作，以及可以减少错误警报信号。

可以建立一个或多个模式来指示特定故障，尤其是在对于特定系统获得更多数据时。这些故障模式可以各自具有与每个模式相关联的故障的可能原因，使得可以更快速和容易地促进诊断和修复。

根据本发明的又一方面，提供一种用于监控系统的装置，该装置包括控制器，控制器布置成：监控与系统相关联的一个或多个传感器的输出；按照多个模式布置来自一个或多个传感器的数据，每个模式由系统可以工作的不同情形定义；以及通过所监控数据处于多个模式中之一以外来识别故障情形。

附图说明

现在将参考附图仅通过示例来描述本发明的实施例，其中：

图1示出了正被监控的带有传感器的系统；

图2是说明本发明的一个示例的流程图；

图3示出了按照多个模式布置的来自一个或多个传感器的数据；

图4示出了按照多个模式布置的来自一个或多个传感器的数据，一些模式指示特定故障；

图5是指示可应用于来自传感器的数据的可能处理的流程图；以及

图6示出了说明用于待添加到现有模型的具体故障的适配(adaption)过程的流程图。

具体实施方式

图1示出了诸如发动机、涡轮等的系统10，带有一个或多个布置成监控系统10的一个或多个特征的传感器11、12、13。此类传感器通常形成系统控制结构的一部分，其中这些传感器也能够被用来监控系统10的健康状况(health)。备选地或额外地，可以使用专用的健康状况传感器。例如，旋转飞行器使用专用的机身加速度计来监控传动装置(transmission)的健康状况。提供模拟输出信号的传感器可用于健康状况监控。

图1中示出的示例包括被布置成接收来自一个或多个传感器11、12、13的输出的可选控制单元20。控制单元20可以处理所接收的信号并且/或者可以存储所接收的数据以供定期传输给另一控制系统30。例如，当和飞行器一起使用时，系统10可以例如是带有一个或多个传感器的飞行器发动机，所述传感器检测发动机的参数，比如发动机内各个点的压力、发动机内各个点的温度、转动速度、燃料流动等。控制器20可以布置成在飞行期间存储来自一个或多个传感器11、12、13的数据，以及将在飞行期间和/或着陆时定期累积的数据下载到另一控制器30,控制器30可以例如布置成接收来自若干飞行器的数据以供分析。

图2说明了用于监控诸如飞机发动机或机身的系统的方法的一个示例。在步骤40中，监控来自与系统10相关联的一个或多个传感器11、12、13的输出。在步骤50中，按照多个模式布置来自一个或多个传感器的数据。模式可以是来自一个或多个传感器11、12、13的数据的布置，并且可以例如按照高斯函数或高斯函数的混合进行建模。每个模式可以通过系统可以工作的情形，比如不同环境情形（例如在用于可以具有不同情形的不同地点、不同季节、不同时刻时，或者由于系统的物理配置的变化或比如在加速或巡航时系统的工作变化），来定义。步骤60涉及通过所监控数据处于在多个模式中之一以外来识别故障情形。多个模式的使用使期望参数以外的工作能够被更精确地检测，使得可更可靠地识别故障并且可以减少错误警报。

图3说明按照多个模式101、102布置的来自一个或多个传感器的数据。在这个示例中，从一个或多个传感器收集的数据按照单高斯函数建模，每个模式101、102由在系统可以工作的不同情形，比如不同环境、系统10的不同工作情形或不同物理配置（例如，发动机的不同额定功率），下所收集的数据定义。例如，模式101可以对应于从工作在北半球的飞行器发动机的一个或多个传感器所收集的数据，而模式102可以对应于当飞行器发动机正工作在可更炎热并且更干燥的赤道情形时从一个或多个传感器所收集的数据。备选地，模式101可以于对应在飞行器发动机正在加速时从其收集的数据，而模式102可以对应于在起飞期间从飞行器发动机收集的数据。

通过使用多个模式来定义系统的工作，每个模式由系统可以工作的不同情形定义，提供系统的工作的更精确模型。

图4示出了使用五个模式103、104、105、106、107来布置来自与系统10相关联的一个或多个传感器的数据。模式103、104、105可以指示系统在不同情形下的工作，每个模式在所监控的特定情形（比如不同的环境情形或系统的特定物理配置）下可以是可接受的。在图4的示例中，已经建立了处于可接受工作情形以外的一个或多个额外模式106、107。已经发现可以建立指示特定故障的一个或多个模式106、107。可以发现故障模式106、107具有与每个故障模式106、107相关联的故障的可能原因，使得可快速和容易地促进诊断和修复。

以下参考图5和6描述按模式建模传感器数据的方法。连续的征兆特性的集合可以用X 表示，并且用i 来索引每个单独特性。在这个示例中，假定能够使用高斯型(Gaussian)的混合来充分地建模每个X _i 的密度 - 这一假定用以下的方程（1）表示，其中条件特性（X _i ）是高斯型。所有分量(component)（此处的分量指的是高斯函数）的聚集用C 表示。方程（1）假定每个X _i 独立于所有其他特性。方程（2）表示假定特性不独立的状况。方程（2）假定特性的隐式排序，其中一个特性以所有具有更高秩(rank)的特性为条件。假定具有d 个特性并且特性之间的相关性由权重w _c,j 表示。当这些权重是零时，方程（2）简化为方程（1），w _c,0 是高斯型的平均值。

（1）

（2）

高斯型分量以变量F 为条件，其中F 是表示故障（故障模式）存在（为真）的先验似然(prior likelihood)（即，没有观察到的征兆）的二元离散变量。尽管C 以F 为条件建模，但是C 的每个成员(member)服从以下约束

。

换句话说，分量表示要么F =真(true)，要么F =假(false)。注意，对应于F =真的C的所有项目(entry)的总和必须是1，并且对于F =假类似。

原则上，特性能够包括能检测故障的任意连续变量。一个示例类型的特性是通过从其所记录值减去所预测传感器值而计算的可变残留特性 - 这一预测可例如使用回归模型计算，所预测变量依赖于其他传感器变量进行建模。此类特性通常将接近高斯分布，但是，如果所监控机器具有不同的数据获取方式（即，当记录测量时的可变工作情形），则此类特性可还包括多重模式。多重模式将使用变量C 中的多重分量来表示。

用于特定故障的模型可以通过如下来工作：输入对于每个特性的观察值，在这之后执行推断以计算F 的边际(marginal)。F 值为真指示故障存在的似然。F 的边际可以使用用于线性高斯模型的标准方法计算。F 为真的似然取决于当前个案(case)和先前故障个案有多接近，以及用于区分故障和无故障个案的特性有多强。

通过遵循以下详述的如图5的流程图中所说明的步骤，可以构建基于个案的推理器(reasoner)模型。

步骤100。对于每个样本，构建历史个案的历史 - 包括代表故障存在的个案和无故障的个案。无故障的个案通常在数量上显著超过有故障的个案。例如，可存在成千上万个无故障的个案但是只有少量有故障的个案。

步骤110。对于每个故障，用个案的真假(truth)值- 真（故障存在）和/或假（故障不存在），来标记个案。注意，个案可被分配两个真假值- 换句话讲，个案可以重复，其中第一个案被分配真而第二个案被分配假。

步骤120。对于每个故障以及每个真假值，可以定义连续特性间的任意约束。约束可以包括：

a. 所有特性将被视为独立；

b. 在特性的子集之间提供相关性（子集能够是所有特性）。例如，旋转轴速度可以互相关联但间接地依赖于外部环境情形。

对于每个故障以及每个真假值，可以定义分量之间的任意关系。每个分量可以是多变量高斯型，并且这些分量能够被约束成共享相同的体积或形状或方位。

步骤130。对于每个故障和每个故障真假值，可以分配个案权重。默认值是值1。个案权重指示个案对于特定的故障和真假值有多大的代表性。典型地，权重是在0和1之间的值，但是权重不需要被限制在这个范围。对于权重，被一致用于个案和真假值是合乎需要的。例如，考虑故障随时间变得更显著的恶化情形，其中一个或多个诊断特征显示趋势特征。工程师可确定在趋势中点获得的个案具有30%的故障代表性 - 即，该个案当然不代表健康的情形，但是，如果被要求做出关于故障被建模的判断(judgement call)，则工程师将说个案有30%出故障的可能性。在这个示例中，工程师将给个案分配“真”并且给它0.3的权重（假定数值范围0 - 1应用于整个个案历史）。注意，工程师也可以复制个案并且给副本分配“假”的真假值和0.7的权重。

步骤140。如果需要，可以给每个个案分配衰减(fading)权重。当适配对应于故障=真的模型时，如果故障的性质开始随时间发生变化，则使更陈旧的个案的影响渐弱可能是合乎需要的。例如，实物资产有时得到改善。在其他的状况中，检测改善了并且个案的刚度(severity)由于早期的检测而减小。通过给个案应用与上文在步骤130中所述的权重类似的权重来实现个案的衰减。

步骤150。对于每个故障值和对于每个真假值，构建线性高斯模型，如例如图3和4所示。能够使用诸如期望最大化（EM）的方法来训练高斯模型。建立与故障的真假值对应的单独模型。这些模型在被学会之后，能够将它们与变量F 连结。

以上所述的推理器构建方法假定所有的个案历史存在。在实践中，个案随时间演变，并且优选的是具有能捕捉和适应新经历的基于个案的推理器。以下所述的方法允许模型适配。对于本文所述的基于个案的推理器，适配率在对应于故障真假值“真”和“假”的模型之间不同。当无故障个案主导个案历史时，对应的高斯模型只需要定期更新，然而，故障=真的高斯模型需要在每个新个案后进行更新。该方法的基本原理是推理器的个案观点能够与经历一起随时间发生变化。因此，适配阶段可涉及从零做起学习两个模型而不是适配现有模型 - 从零做起建立新模型假定在步骤150中已经应用了鲁棒的模型构建方法。对于混合模型学习，假定使用不同的随机种子和最代表训练数据的所选模型来产生了多重模型。

能够用任意数量的故障个案构建推理器。如果在看到第一故障个案后构建模型，则对应于故障=真的模型仅有一个分量。这个分量的X 特性的方差将是零，因此使用方差的先验。例如，这个先验可以被设置为无故障个案的总体的方差的5%。然后，在看到新的故障个案时，这个先验被逐渐更改。用于故障个案的模型假定单分量高斯型。如果在某个时间点，额外的分量提供对于故障个案的更好拟合，那么能够使用额外的分量。

当如在图5的步骤150中构建高斯模型时，可以应用若干不同的先验。这些先验对模型的分量做出调整。存在用于分量支持的先验（分量代表多少个案）以及用于每个连续特性的方差的先验。能够调整先验的影响。也存在不使用任何先验的选项。用于与故障=真对应的模型的先验在最初构建模型时通常扮演关键角色。本文所述的方法设计成即使当仅已经历单个故障个案时仍允许对新数据执行推理。在新的故障个案被添加到分量时，能够逐渐减小先验的影响。

图6示出了用于待添加到现有模型的具体故障的适配过程。在步骤200，核对自从上次模型建立以来的新的个案历史。至于把适配应用于真假值模型的二者还是仅其中之一是可选的。例如，如果仅仅适配故障=真的模型，那么所有个案具有相同的所分配真假值。适配要么涉及向现有模型分量分配一个新个案（或多个新个案）要么涉及创建新的模型分量。对于故障=假的个案，没有频繁地使用适配，因为这个模型被设计成代表健康数据，并且新分量的产生可通过接纳离群值（异常值）来触发。因此，通常为故障=真的模型保留适配。

向每个个案分配真假值的步骤210和分配个案权重的步骤230分别对应于图5的步骤110和130。

是否在步骤270创建新分量的决定取决于从个案到现有模型的距离量度（步骤240）。能够应用任何合适的距离度量。至今为止使用的两种度量包括对数似然和Kullback-Leibler散度。对于新的个案（通常是故障个案），使用模型计算对数似然。对数似然是混合模型的标准量度，并且指示模型代表数据的程度。比较新个案的对数似然和现有个案的对数似然。如果新个案的对数似然值中存在清晰的差别，那么在步骤270可需要额外的模型分量。Kullback-Leibler散度是用于比较两个概率分布的标准量度。只要现有模型包含一些（例如，5个或更多）故障个案，就可以通过如下来使用这个度量：通过随机划分现有故障个案来随机产生2个候选密度。计算这2个密度之间的散度。该过程被重复（并且，如果样本规模小，则将包括所有可能的子集）。接着从现有模型和从新个案产生的新候选分量计算“候选散度”。如果候选散度与所抽样的散度明显不同，则需要新的模型分量，如在步骤270所示。在步骤280，新的模型分量可以根据先验进行调整。

如果从个案到现有模型的距离量度（步骤240）小于阈值，则个案将被添加到现有分量（步骤250），并且现有分量相应地经过适配。

可以对以上所述的示例做许多改变，同时仍然落入本发明的范围之内。例如，可以监控与系统相关联的仅单个传感器，或者对于被监控的特定系统合适时可以监控两个或多个传感器。如果模型根据图5或者图6构建，所指示步骤中的一个或多个，比如使用个案权重和衰减权重，如果不需要则可省略，并且对于特定示例合适时可以添加任意额外步骤。

Claims (14)

1.一种用于监控系统的方法，所述方法包括：

监控与所述系统相关联的一个或多个传感器的输出数据；

按照多个模式布置来自所述一个或多个传感器的输出数据，每个模式由所述系统可以工作的情形定义，其中所述输出数据通过向每个样本分配衰减权重来建模；以及

通过所监控的输出数据处于所述多个模式以外来识别故障情形。

2.如权利要求1所述的方法，其中所述多个模式各自由所述系统可以工作的不同环境情形定义。

3.如权利要求1或权利要求2所述的方法，其中所述多个模式的每个对应于所述系统的不同物理配置。

4.如权利要求1或权利要求2所述的方法，其中所述多个模式的每个对应于所述系统的不同工作情形。

5.如权利要求1或权利要求2所述的方法，其中至少一个模式指示特定故障。

6.如权利要求5所述的方法，其中每个故障模式具有与其相关联的故障的可能原因。

7.如权利要求1或权利要求2所述的方法，其中所述输出数据使用通过计算所感测的输出数据和所预测值之差所确定的变量来建模。

8.如权利要求1或权利要求2所述的方法，其中所述输出数据通过向每个样本分配真假值来建模。

9.如权利要求1或权利要求2所述的方法，其中所述输出数据通过向每个样本分配个案权重来建模。

10.如权利要求1或权利要求2所述的方法，其中使用每个输出数据样本来构建高斯模型，每个高斯函数对应一个模式。

11.如权利要求1或权利要求2所述的方法，其中使用来自所述一个或多个传感器的输出数据来适配现有模型。

12.如权利要求11所述的方法，其中，如果与预定阈值相比新样本距所述模型中对应输出数据的样本为更大距离，则向所述模型添加新分量。

13.一种用于监控系统的装置，所述装置包括：

监控与系统相关联的一个或多个传感器的输出数据的模块；

按照多个模式布置来自所述一个或多个传感器的输出数据的模块，其中每个模式由所述系统可以工作的不同情形定义，所述输出数据通过向每个样本分配衰减权重来建模；以及

通过所监控的输出数据处于所述多个模式以外来识别故障情形的模块。

14.如权利要求13所述的装置，包括：建立所述模式的至少一个以指示与所述系统相关联的故障的模块。