CN104471501B - 用于设备状态监测中故障诊断的归纳的模式识别 - Google Patents

Abstract

在设备状态监测中使用归纳的模式识别来识别故障。在运行数据中识别模式簇。除了评注的训练数据，使用模式簇来训练分类器。运行数据也被用来将运行数据中的信号聚类为信号簇。通过评价置信度矢量，然后分类监测数据样本，所述置信度矢量包括用在与训练数据中所包含的信号相同的信号簇中的信号替换该包含在训练数据中的信号。

Description

用于设备状态监测中故障诊断的归纳的模式识别

技术领域

本发明一般地涉及设备状态监测，并且更具体涉及用于使用有监督的基于模式识别的技术从有限的训练数据中检测设备故障的方法、系统和计算机可读介质。

背景技术

设备状态监测的任务是在早期阶段检测设备故障，使得能够及时进行维护。在故障情况下，非常重要的是知道故障的原因，从而能够进行相应定位的、并且由此更有效的维护。

基于规则的系统也许是最广泛使用的状态监测方法。规则的一般格式是“如果一个条件，则一个故障类型”。规则通过拥有基础系统模型的知识的专家定义；然而，设计精确的规则是非常深思熟虑并且耗时的过程，特别是对于具有许多传感器和故障类型的复杂系统。例如，需要80人数年的时间来开发商业上成功的状态监测规则库。

发明内容

本发明要通过提供一种用于设备状态监测的方法而解决上述需求。通过计算机接收包括了随着时间来自于O个信号的历史运行数据。从来自于在运行数据中的个体信号的数据中提取I个模式x。基于相似性，将I个模式聚类为K个模式簇c_k，并且基于O个信号中的相关性，将O个信号聚类为R个信号簇。

接收评注的训练数据样本，其包含来自于从O个信号中选择的N个信号的数据并且具有至少一个标记的故障时段。创建K×N置信度矢量，其包含了用于N个信号中的每个信号的K个置信度值，每个置信度值代表了在信号的标记的故障时段中从数据中提取的模式x属于K个模式簇中的一个的置信度。通过使用K×N置信度矢量来训练分类器。

然后接收监测数据样本，其包括来自于O个信号的数据。基于O个信号中的至少一个不在I个信号中的信号处于与I个信号中的一个信号相同的信号簇中，并且还基于对O个信号中的至少一个信号具有与I个信号中的一个信号的、包含于K×N置信度矢量中的置信度值相似的置信度值的判断，将监测数据样本被分类为提示故障。

在本发明的另一方面，提供了一种非暂时性计算机可用的介质，其具有存储在其上的计算机可读指令，用于由处理器执行，以执行如上所述用于设备状态监测的方法。

附图说明

图1是按照本发明的一个实施方式的设备状态监测工具的示意图，

图2是示出了按照本发明的一个实施方式的用于不同信号分类的置信度水平的示例表，

图3是示出了按照本发明的一个实施方式的用于实例化一个工具的计算机系统的示意图。

具体实施方式

本公开着重于一种用于使用机器学习的方法，并且具体地是有监督的基于模式识别的技术。机器学习模型是数据驱动的：它们是从训练数据自动被学习的。这可以非常快地完成(例如，在数分钟之内)。如果被合适地训练，则机器学习模型能够比使用规则库所可能的更好地描述复杂故障状态。

因为机器学习技术是数据驱动的，所以它们需要足够的训练数据以获得期望的精度。训练数据应当代表正常运行和故障模式二者。然而该要求是非常难以满足的。容易获得代表了正常状态的训练数据，因为设备在其大部分寿命期间应当正常运行。而获取代表了故障类型的训练数据是相当的挑战，因为某些类型的故障可能仅非常罕见地发生(甚至我们考虑相似设备的集合)。即使对于那些少数实例，用户也不可能花时间评注它们全部。由此非常可能的是，仅可获得代表了一个故障的一个训练样本，其使得故障相当难以学习。此外，在监测期间，相同的故障类型可能在与在训练期间规定的信号不同的组的信号上显示。由此如果采用传统的分类方法，几乎不可能分类新的故障类型。

图1中示出的图100提供在此提出的技术的概览。技术包括两部分：训练部分120和监测部分150。训练部分120附加地包括两个子部分。在第一子部分中，使用运行数据131。特征在132从运行数据中被提取并且被用于信号聚类133和模式聚类134。在训练120的第二子部分中，对用户评注的数据141进行特征提取142并且将其转换为置信度矢量143，其在144被用来训练分类器。

在监测期间，来自于提取的特征151的信号聚类和模式聚类的结果被用来计算用于测试模式的置信度值表152。然后在153从置信度值表中创建候选假定。最可能的候选假定在154被分类以做出最终判断(“是”意味着存在故障并且“否”意味着模式是正常的。)

在此描述的技术从有限的训练样本归纳出在未来监测期间可以预期到的故障特征。在以下提出归纳的两个方案，即模式聚类134和信号聚类133(图1)，以从所述设备或类似设备的运行数据中提取有用信息。这样的运行数据是容易获得的。运行数据可以包括用户评注的训练数据和未评注的数据，并且可以包含已知或未知的故障。

在模式聚类方案中，模式通过将运行数据中的所有模式进行聚类而被归纳。每个簇可以被看作是一个症候。在与评注的模式相同的簇内的所有模式是相似的并且能够被看作是评注的模式的可能变形。示出了一个症候的模式的置信度也被计算，以允许软聚类。

在信号聚类方案中，信号通过使用运行数据对所有信号进行聚类而被归纳。假定是，对于相同的故障类型的相似的症候在未来只能在相似的信号上发生。在监测期间，不是仅检查通过评注所规定的信号，而是检查与评注的信号相似的所有可能信号。每个可能的候选形成一个假设并且主要的假设被用于做出最终判断。

问题定义

在训练期间，用户从总共O个可获得的和有意义的信号中选择N个信号，S₁,S₂,...,S_N。那些选择的N个信号可以是原始的传感器(例如测量温度、压力)。它们也可以是来自于先前的数据处理的结果，诸如计算的值(例如几个原始传感器的平均值)或残差(传感器值与其理想值的偏差)。此外，用户在故障发生时标记在t₀-T+1和t₀之间的时间阶段T。数据评注通过图1的块141示出。

上面的评注的目的是提示故障看起来如何并且其何时发生。用户可以评注该故障的L个这样的实例。理想地，应当仅选择涉及该故障的信号。类似地，应当仅标记当故障发生时的时间戳。设x，T维的矢量，表示信号s的模式，使得

x＝[S(t₀-T+1)，s(t₀-T+2)，...，s(t₀)]^T。

所有N个模式可以被置于TN维组合模式矢量X

替换地，规则可以被用来描述该故障。设

s～x

表示，信号s示出模式x。使用上面的术语，可以说，如果每个信号示出对应的模式，使得

则故障发生。

如果不同的故障实例具有不同的数据分辨率或持续时间T，则它们可以通过对信号进行过采样或欠采样被归一化。从现在起，假设，所有模式处于相同的持续时间T之内并且它们具有相同的分辨率。T也提示了对于每个模式的数据点的数量。

除了故障的评注，用户可以评注设备的正常运行。该正常运行时间通常大很多并且以多个时间范围示出。其提示了，当设备正常时信号看起来如何。具有长度T的滑动窗被用来从这些评注的正常数据中提取模式以代表正常行为。假定，存在M个这样的例子。

目的是基于上面评注的数据来训练分类器。在监视期间，在每个时间戳t，该被训练的分类器将被应用于N个选择的信号的数据并且作出关于在t是否发生故障的判断。

特征提取

模式x通过原始信号值代表。其可能不可以直接产生关于故障的最相关的信息。因此，有用的是，从原始模型x提取信息或特征f(x)使得

f(x)＝[f₁(x)，f₂(x)_，...，f_D(x)]^T。

每个特征f_d(x)能够被看作为从T维模式x到标量的转换，其中d＝1，2，...，D。

可能的特征包括但不限于以下

-原始信号值。f(x)＝x。

-子空间投影。x被投影到低的子空间，诸如由主元张开的空间。投影被用作特征。

-傅里叶变换(如果模式x通常是静态的)。

-小波变换(如果模式x通常是非静态的)。

-直方图。在x中的一个数据点的所有可能的值被划分到区间(bin)中。在每个区间中的计数的百分比被用作特征。

最终的f(x)可以是上述特征的组合。在任何情况下，从模式x提取的f(x)通常是具有D维度的矢量。例如，如果f是傅里叶变换并且T包含256个数据点，则D＝256。来自于不同信号的不同模式可以具有不同类型的特征。为了简单起见，假定，来自于所有信号的所有模式共享一个共同特征函数f。

在此公开的技术中，特征提取对多组信号执行，包括评注的数据(图1的块142)、运行数据(块132)和监测数据(块151)。

归纳

在特征提取之后，分类问题可以通过使用提取的特征表示。训练样本通过(F，y)代表，其中，DN维组合特征矢量通过以下定义

F＝[f(x₁)^T，f(x₂)^T，...，f(x_N)^T]^T。

y是类别标签：如果训练样本代表故障，则y＝1并且如果训练样本代表正常样本则y＝-1。存在总共M个正常训练样本(F₁，y₁)，(F₂，y₂)，...，(F_M，y_M)和L个故障训练样本(F_M+1，y_M+1)，(F_M+2，y_M+2)，...，(F_M+L，y_M+L)。注意：如果用户不评注任何正常训练数据，则M可以为零，并且L通常非常小，例如，L＝1。分类的任务是从上面M+L个训练样本中学习连续评价函数h(F)，使得可以如下作出二元判断q(F)(1对于故障模式并且-1对于正常数据)

如果标准分类器以至此创建的训练样本简单训练，它们将由于以下挑战而不能很好工作，

-训练样本的数量对于故障情况极端小，诸如L＝1。这远远不够捕获模式的变化。

-在检测期间，相同类型的故障可以在与由用户选择的信号S₁,S₂,...,S_N不同的信号上显示。

以下提出了两种归纳技术，每种处理上面提到的两个方面的一个。一个目标是从设备或相似设备的所有运行数据提取有用信息，即使它们没有由用户评注(为故障或正常数据)。

模式归纳

尽管评注的数据不能显示，模式在未来可能会如何改变，但是可能的是，之前在相同设备的所有运行数据中或其他相似设备的运行数据中出现过模式的变化，因为这些数据通常是丰富的。由此，可能的是，在运行数据中查找训练模式的这种变化，它们虽然不同于但与该训练模式但仍是相似的。

在此描述的模式归纳技术中，来自于所有运行数据的模式被聚类(图1的块134)。该聚类能够独立于信号地(或对于所有O个信号)完成或能够对于相似信号(在与以下以信号归纳描述的相同的信号簇中)完成。在此仅讨论第一种情况。假设，对于最后的H时间(例如，H＝五年)，存在对于O个信号的运行数据。具有长度T的滑动窗可以被用来从O个信号中的每个并且对于整个H时间提取模式x。将总共提取I个模式。如果I太大，则模式可以被随机地跳过以使得I在计算上是可行的。上面描述的相同的特征提取方法f被应用于I个模式的每一个。最后，标准聚类方法，例如K-mean聚类方法，被应用于这I个模式特征矢量f(x)以形成K个簇。数量K可以通过用户或通过算法自动规定。

直观地，每个簇代表一个字母表，其反过来被用来代表正常的和故障的模式(或描述特征矢量)。例如，一个簇可以代表向上漂移模式而另一个簇可以代表向下漂移模式。注意，该聚类对于所有信号仅完成一次。

所有I个模式由此已经被聚类为K个簇。每个模式簇c_k现在指一个症候，其中k＝1，2，...，K。与低级模式x(或模式x的特征矢量f(x))相反，症候c_k是高级描述符。也计算模式x属于症候c_k的置信度P(c_k|x)：

其中dist(f(x)，μ_k)是在模式特征矢量f(x)和簇(症候)平均μ_k之间的距离。dist(f(x)，μ_k)可以是欧氏距离或马氏距离。p_k表示簇c_k的权重；其通常与在该簇中的训练模式的数量成比例并且p₁+p₂+…+p_K＝1。直观地，模式特征矢量f(x)与簇中心μ_k越近，则距离dist(f(x)，μ_k)越小并且x(或f(x))属于簇c_k的置信度越高。

一旦模式聚类完成，评注的训练例子可以被重新解释。设

s～P(c_k|x)

表示，信号s以P(c_k|x)的置信度示出了症候c_k。症候的概念比上面讨论的原始模式s～x更好地归纳，因为现在在相同的簇之内的许多相似的模式，如果它们具有属于相同的簇的相似的置信度(或它们的与簇中心μ_k的距离接近)，则在作出最终分类判断方面将具有相似的影响。可以说，如果

则故障发生。

换言之，对于N个信号的每个的模式现在由K个置信度值代表，其中每个值指示了模式示出一个症候的置信度。这K个值的和等于1。如果用户偏爱硬聚类判断，其中x被分配到置信度最高的簇c_k，则仅一个置信度P(c_k|x)＝1并且所有其他为零。

现在对于训练例子定义KN维置信度矢量P

P

＝[P(c₁|x₁)，P(c₂|x₁)，...，P(c_K|x₁)_，...，P(c₁|x_N)，P(c₂|x_N)，...，P(c_K|x_N)]^T。

原始TN维组合模式矢量已经被转换为DN维组合特征矢量

F＝[f(x₁)^T，f(x₂)^T，...，f(x_N)^T]^T并且最终转换为KN维置信度矢量P。

信号归纳

相同类型的故障可以涉及来自于与在训练期间由用户选择的信号的不同的监测信号。例如，在燃气轮机的叶片通道部件中，多个温度传感器通常被安装在不同的位置。因为它们全部测量附近的温度，所以它们是高度相关的。在叶片通道部件故障、诸如壁的裂开期间，一些温度传感器可能向下漂移。在其他这样的情况中，取决于故障的位置，相似的症候可能在一些其他温度传感器上发生。因此，需要识别相同类型的故障，即使其在不同组的信号上被显示时。

在此公开的技术通过基于信号的相关性(图1的块133)对信号进行聚类来解决该问题。首先，基于运行数据计算成对的信号相关性。可以使用线性以及非线性相关性算法二者。第二，使用诸如分级式聚类的方法将信号聚类。为了确保，该信号归纳有意义，该聚类要求是非常具有选择性的：信号仅当它们真的相似时才被分组。这可以通过在分级式聚类中的非常高的相似性阈值来实现。假设发现总共R个簇并且设r(s)表示对于信号s的信号簇，其中r(s)＝1，2，...，R。

g(s)被用来提示来自于与信号s所属于相同的簇的任何信号：

g(s)＝S′S.t.r(s′)＝r(s)。

对训练样本的新的和最终的解释现在是可能的，这得到由图1的块143代表的以下置信度矢量。如果

则发生故障。

最后的项保证，在描述故障时信号仅被使用一次。在以g(s)定义故障和以s定义故障之间的主要区别如下。在使用s时，仅对由用户规定的信号进行相对于故障的检查。然而，通过使用g(s)，因为除了由用户设置的组合之外还有满足故障定义的信号的多个组合，对它们全部进行针对故障的检查。例如，假设，信号s₁和s₂处于相同的信号簇1中并且信号簇1具有包括s₁和s₂的三个信号。在监测期间，必须对这三个信号簇中的每两个信号组合相对于该类型的故障进行评估。如果信号簇R的数量等于O，即信号的总数，则每个信号形成其自己的簇并且由此g(s)＝s。由此，上面的解释也可以包括没有执行信号聚类的情况。

注意到，用户也可以通过手动在簇之间移动信号或删除或增加簇，来与信号聚类结果交互。信号归纳可以容易地关闭，从而每个信号形成其自己的簇。

两类分类

在训练阶段期间，如图1的块144所示，每个训练样本由(P，y)代表，其中P是上面定义的KN维置信度矢量。y是类别标签；1表示故障并且-1表示正常样本。具体地，在不同的情况中考虑以下分类器：

-如果没有正常训练样本(M＝0)并且有多于一个故障训练样本(L>1)，则使用一类支持向量分类器。

-如果没有正常训练样本(M＝0)并且仅有一个故障训练样本(L＝1)，使用朴素贝叶斯分类器，因为一类支持向量机在该情况中不具有优势。

-如果有一些正常训练样本(M>0)，使用标准两类支持向量机或AdaBoost分类器。

在训练之后，对于置信度矢量P获得连续评价函数h(P)。如下定义分类器q(P)。

如果h(P)>0，则P和其相关的模式被分类为故障；否则，其被分类为正常。注意，值h(P)越高，则其越可能是故障。

在监测阶段期间，在每个数据点t，基于从t开始的过去的T时间窗，从每个信号提取模式。该模式属于一个症候的置信度然后在图1的块152被计算。结果被布置在与图2所示的表200相似的表中。

假设，用户选择信号s₁、s₂和s₄来代表故障。在表200中，s₁、s₂和s₃属于相同的信号簇1；s₄和s₅属于相同的信号簇2。在监测期间，s₁、s₂可以由来自于信号簇1的任意两个信号替换，并且有三种可能性。s₄可以由来自于信号簇2的任意信号替换，并且存在两个可能性。于是存在总共3×2＝6个可能性或假设。6个假设的每一个将形成表200中的其对应的置信度矢量P。由图1的块153代表的、具有最大评价函数值h(P)的主导的假设，将被用来作出最终分类判断154。

如果存在大量信号簇并且每个簇的信号的平均数量大，上面的方法会变得在计算量非常大。因此，可以使用以下贪婪算法。首先，通过或者使用在训练期间用户规定的信号或者随机选择的信号，形成假设。在该假设中每个信号然后由相同信号簇之内的其他未使用的、获得最高h(P)的信号代替。这样的代替仅在对假设中所使用的所有信号的一个扫描中完成。

多类分类

至此，已经关注了如何在故障y＝1和正常数据y＝-1之间作出判断。特别地，通常有B>1数量的可能故障。因此，需要对于故障b训练评价函数h_b(P)，其中b＝1，2，...，B。训练h_b(P)与先前描述的非常类似，除了现在正常训练样本和来自于其他B-1个故障的训练样本被当作组合的负训练样本组(其中标签y＝-1)对待。目标是从组合的负训练样本区分故障b(其中标签y＝1)。按照相同处理过程，对于每个b获得评价函数h_b(P)。在以下不同的两种情况中不同地作出最终判断。

多标签分类：在该情况中，假定，不同的故障可以同时发生。因此，相同的测试样本可以被分类为多个故障。在该情况中，对于每个故障b存在二元分类器q_b(P)并且独立地作出P属于故障b的判断

单标签分类：在该情况中，假定，在一个时间仅可以发生一个故障。因此，必须选择对于测试样本的最可能的故障。存在单分类器q(P)，其基于最大值h_b(P)从故障标签1，2，...，B或正常数据标签-1作出单个判断：

系统

如上所述的方法的元素可以在包括了单个单元或通过网络或总线相连的多个单元的计算机系统中实现。示例的系统300在图3中示出。

系统服务器330可以是大型计算机，台式计算机或膝上型计算机或能够处理数据的其他设备。系统服务器330从可以连接到计算机的任何数量的数据源，包括广域网(WAN)320接收数据。例如，系统服务器330可以从传感器310接收信号，或可以经过WAN 320接收用户312的输入。

系统服务器330包括中央处理单元(CPU)334和存储器332。服务器可以连接到输入和/或输出设备350。输入可以是鼠标、网络接口、触摸屏等，并且输出可以是液晶显示器(LCD)、阴极射线管(CRT)显示器、打印机等。替换地，包含了输入/输出数据的命令可以经由网络320被传递。服务器330可以被配置为通过使用例如输入和输出设备350操作和显示信息来执行某些任务。

CPU 334，当被配置为使用按照本公开的软件时，包括被配置为用于执行如在此讨论的一个或多个用于设备状态监测的方法的模块。

存储器332可以包括随机存取存储器(RAM)和只读存储器(ROM)。存储器也可以包括可移动介质，诸如硬盘驱动器、磁带驱动器、存储卡等，或其组合。RAM作为数据存储器工作，其存储了在CPU 334中执行程序期间使用的数据；RAM也用作工作区。ROM作为用于存储在CPU 334中执行的程序的程序存储器工作。程序可以存在于ROM上或其他任何有形或非易失性计算机可用介质上，作为存储于其上的计算机可读指令，用于由CPU或其他处理器执行以执行本发明的方法。ROM也可以包含用于由程序或其他程序使用的数据。

上述方法可以由通过计算机执行的程序模块实现，如上所述。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、对象、部件、数据结构等。在此使用的术语“程序”可以意味着单个程序模块或一致行动的多个程序模块。本公开可以在多种类型的计算机上实现，包括个人计算机(PC)、手持设备、多处理器系统、基于微处理器的可编程用户电子设备、网络PC、迷你计算机、大型计算机等。本公开也可以在其中任务由经由通信网络连接的远程处理设备执行的分布式计算环境中被采用。在分布式计算环境中，模块可以位于本地以及远程存储器存储设备二者中。

用于实现上述方法的示例的处理模块可以是硬连线的或存储在单独的存储器中，其从计算机可读介质诸如ROM或其他类型的硬磁盘驱动器、光学驱动器、磁带或闪存被读入到一个处理器或多个处理器的主存储器中。在存储在存储器介质中的程序的情况下，执行模块中的指令的序列促使处理器执行在此描述的处理步骤。本公开的实施方式不限于硬件和软件的任何特定组合并且实现前述而要求的计算机程序代码可以由本领域普通技术人员开发。

如在此采用的术语“计算机可读介质”指任何有形机器编码的介质，其提供或参与提供指令到一个或多个处理器。例如，计算机可读介质可以是一个或多个光学或磁存储盘、闪存盘和卡，只读存储器或随机存取存储器诸如DRAM，其典型地构成主存储器。这样的介质排除传播的信号，其是非有形的。缓存的信息被考虑为存储在计算机可读介质上。计算机可读介质的共同益处是本领域普遍公知的并且不需要详细描述。

前面的详细描述理解为在每个方面是示意性和示例性的，而不是限制性的，并且本公开的范围不是由说明书而是由如按照专利法允许的最宽解释的权利要求确定。应当理解，本领域技术人员可以进行不同修改，而不脱离本公开的范围和精神。

Claims (11)

1.一种用于设备状态监测的方法，包括：

通过计算机接收包括了随着时间来自于O个信号的运行数据的历史运行数据；

提取I个模式x，每个模式x是从来自于个体信号的运行数据中提取的；

基于相似性，将所述I个模式聚类为K个模式簇c_k；

基于来自所述O个信号的运行数据中的相关性，将所述O个信号聚类为R个信号簇；

接收评注的训练数据样本，其包含了来自于从所述O个信号中选择的N个信号的训练数据，训练数据具有至少一个标记的故障时段；

创建K×N置信度矩阵，其包含了用于所述N个信号中的每个信号的K个置信度值，每个置信度值代表了从信号的标记的故障时段中的数据中提取的模式x属于K个模式簇中的一个的置信度；

使用所述K×N置信度矩阵来训练分类器；

通过计算机接收包括了来自于所述O个信号的监测数据的监测数据样本；以及

基于对监测数据样本的多个子组合计算的置信度矩阵，通过运行在计算机上的分类器将监测数据样本分类为提示故障或者不提示故障，其中，所述子组合均具有表示全部N个信号的数据，所述N个信号中的至少一个在至少一个子组合中被通过数据表示，该数据来自与所表示的信号相同的信号簇c_k中的另一信号。

2.根据权利要求1所述的方法，其中，从运行数据中的个体信号提取I个模式包括使用固定长度的滑动时间窗。

3.根据权利要求1所述的方法，其中，将所述I个模式聚类为K个模式簇并且将所述O个信号聚类为R个信号簇还包括：

对于所述I个模式的每一个，提取描述了模式的标量特征；和

使用所述标量特征来聚类模式和信号。

4.根据权利要求1所述的方法，其中，将所述I个模式聚类为K个模式簇对于来自所有O个信号的运行数据执行。

5.根据权利要求1所述的方法，其中，将所述I个模式聚类为K个模式簇对于来自相同信号簇中的信号的运行数据执行。

6.根据权利要求1所述的方法，其中，将所述I个模式聚类为K个模式簇包括应用K-mean聚类以形成簇。

7.根据权利要求1所述的方法，其中，将所述O个信号聚类为R个信号簇还包括：

基于历史运行数据计算成对的信号相关性；和

使用分级式聚类对信号进行聚类。

8.根据权利要求1所述的方法，其中，对于特定信号，K个置信度值中的一个置信度值等于1，并且该K个置信度值中的剩余置信度值等于零。

9.根据权利要求1所述的方法，其中，对于N个信号中的每一个，K个置信度值的和等于1。

10.根据权利要求1所述的方法，其中，对监测数据样本进行分类还包括：

应用贪婪算法，以识别主导的置信度矩阵；和

判断，用于所述主导的置信度矩阵的评价函数值是否超过阈值，监测数据样本监测数据样本监测数据样本监测数据样本监测数据样本监测数据样本监测数据样本。

11.一种用于设备状态监测的方法，包括：

通过计算机接收包括了随着时间来自于O个信号的运行数据的历史运行数据；

提取I个模式x，每个模式x是从来自于个体信号的运行数据中提取的；

基于相似性，将所述I个模式聚类为K个模式簇c_k；

基于来自所述O个信号的运行数据中的相关性，将所述O个信号聚类为R个信号簇；

接收评注的训练数据样本，其包含了来自于从所述O个信号中选择的N个信号的训练数据，训练数据具有至少一个标记的故障时段；

创建K×N置信度矩阵，其包含了用于所述N个信号中的每个信号的K个置信度值，每个置信度值代表了从信号的标记的故障时段中的数据中提取的模式x属于K个模式簇中的一个的置信度；

使用所述K×N置信度矩阵来训练分类器；

通过计算机接收包括了来自于所述O个信号的监测数据的监测数据样本；以及

基于对监测数据样本的多个子组合计算的置信度矩阵，通过运行在计算机上的分类器将监测数据样本分类为提示故障或者不提示故障，其中，所述子组合均具有表示全部N个信号的数据，所述N个信号中的至少一个在至少一个子组合中被通过数据表示，该数据来自与所表示的信号相同的信号簇c_k中的另一信号，

其中，代表模式x属于模式簇c_k的置信度的每个置信度值通过下式定义：

$\frac{p_k\exp (-dist(f\left(x\right),{\mathrm{\μ}}_k\left)\right)}{{\mathrm{\Σ}}_{j=1}^K{p}_j\exp (-dist(f\left(x\right),{\mathrm{\μ}}_j\left)\right)},$

其中p_k是簇c_k的权重，并且dist(f(x)，μ_k)是在描述模式x的模式特征矢量f(x)和簇c_k的平均μ_k之间的距离。