CN104471542A - 用于状态监视中流动的传感器数据的分类的判别隐卡尔曼滤波器 - Google Patents

Abstract

本发明涉及一种用于监视系统或过程的状态的方法，包括：采集来自布置在系统内的多个传感器的传感器数据(S41和S44)。将所采集的传感器数据实时流动至计算机系统(S42和S44)。使用计算机系统对流动的传感器数据应用判别框架(S43和S45)。判别框架提供概率值，其表示该传感器数据是系统内的异常的指示的概率。判别框架是卡尔曼滤波器与逻辑函数的综合(S41)。

Description

用于状态监视中流动的传感器数据的分类的判别隐卡尔曼滤波器

相关申请的交叉引用

本申请基于2012年6月12日提交的序号为61/685,518的临时专利申请，该申请的全部内容以引用方式并入本文。

技术领域

本公开涉及状态监视，以及，具体而言，本发明涉及用于状态监视中流动的传感器数据的分类的判别隐卡尔曼滤波器。

背景技术

状态监视是一种手段，用于在复杂的机器和/或自动过程中检测故障和未来问题。取代以预定工作周期更换零部件或等待故障发生，状态监视使用来自传感器网络的数据，报告有关正被监视的系统或过程的状态。例如，传感器可以用来报告关于这样的状态如不同关键部位处的温度、压力、以及速度。常规状态监视的目标是检测在可接受范围外的传感器数据，因而，可以调查并纠正这种异常的原因。

理想地，状态监视可以用来在早期捕捉到潜在问题，使得能以及时的方式进行维护，而不用等到故障，其已证明是代价高昂的。

发明内容

一种用于监视系统或过程的状态的方法，包括采集来自布置在系统内的多个传感器的传感器数据。实时流动所采集的传感器数据至计算机系统。使用计算机系统，对流动的传感器数据应用判别框架。判别框架提供一种概率值，其表示传感器数据是系统内的异常的指示的概率。判别框架是卡尔曼滤波器与逻辑函数的综合。

异常可以是系统内的功能失常或故障。异常也可以是系统内潜在功能失常或故障的指示。

本方法可以另外包括基于由判别框架所提供概率值报告系统状态。

本方法可以另外包括基于由判别框架所提供概率值自动开始关于系统的修补措施。修补措施可以包括生成告警，部分或完全地暂停系统的操作，生成用于系统维护的服务订单，或者生成采购订单用于为系统更换零部件。

系统或过程的状态的监视可以是连续的。

在对流动的传感器数据应用判别框架之前，可以使用流动的传感器数据对该判别框架进行训练。在训练判别框架之前，可以执行卡尔曼滤波器与逻辑函数的综合。

使用下列公式，判别框架可以计算概率值：

$P\left(y_t\right|u_t,w)=\frac{1}{1+\exp (-y_t{w}^T{u}_t)}$

其中，y_t是给定时间t时的类标签(class label)，这里，y等于两个离散值之一，u_t表示给出时间t时的隐状态变量，这里，隐状态变量值是具有高斯分布的实数，w是逻辑函数的参数，以及，w^T是w的转置。

一种用于监视系统或过程的状态的方法，包括采集来自布置在系统内的多个传感器的传感器数据。实时流动所采集的传感器数据至计算机系统。使用计算机系统对流动的传感器数据应用判别框架。判别框架使用下列公式计算传感器数据是系统内的异常的指示的概率：

$P\left(y_t\right|u_t,w)=\frac{1}{1+\exp (-y_t{w}^T{u}_t)}$

其中，y_t是给出时间t时的类标签，这里，y等于两个离散值之一，u_t表示给定时间t时的隐状态变量，w是逻辑函数的参数，以及，w^T是w的转置。

隐状态变量是具有高斯分布的实数。

异常是系统内的功能失常或故障。

异常是系统内潜在功能失常或故障的指示。

本方法另外包括基于由判别框架所提供概率值报告该系统状态。

本方法另外包括基于由判别框架所提供的概率值自动开始关于系统的修补措施。

一种计算机系统，包括处理器以及由计算系统可读取的、非临时性的有形程序存储介质，其具体化由处理器可执行的指令的程序，以执行用于监视系统或过程的状态的方法步骤。本方法包括采集来自布置在系统内的多个传感器的传感器数据。实时流动所采集的传感器数据至计算机系统。使用计算机系统对流动的传感器数据应用判别框架。判别框架提供一种概率值，其表示传感器数据是系统内的异常的指示的概率。判别框架是卡尔曼滤波器与逻辑函数的综合。

异常可以是系统内的功能失常或故障、或者系统内的潜在功能失常或故障的指示。

判别框架使用下列公式计算概率值：

$P\left(y_t\right|u_t,w)=\frac{1}{1+\exp (-y_t{w}^T{u}_t)}$

其中，y_t是给出时间t时的类标签，这里，y等于两个离散值之一，u_t表示给出时间t时的隐状态变量，其中，隐状态变量值是具有高斯分布的实数，w是逻辑函数的参数，以及，w^T是w的转置。

附图说明

参考下文具体描述，结合附图考虑时，本发明的更完全理解及其许多伴随方面将更易获得，并且变得更好理解，附图中：

图1是图示卡尔曼滤波的图，这里加阴影节点表示所观察的变量；

图2是图示根据本发明示例性实施方式的新颖判别框架方面表示的图；

图3是图示根据本发明的示例性实施方式用于检测正被监视的系统或自动化过程内的故障征兆的系统的示意图；

图4是图示根据本发明的示例性实施方式用于系统或自动化过程内的状态监视的方法的流程图；以及

图5示出能实现根据本发明实施方式的方法和装置的计算机系统的示例。

具体实施方式

在描述附图中所示本发明的示例性实施方式的过程中，出于清晰的缘故，采用了特定术语。然而，本发明无意局限于如此选择的特定术语，而是应当理解，各特定组成部分包括以类似方式工作的所有技术等效置换。

本发明的示例性实施方式寻求提供用于执行系统或自动化过程内的状态监视的方法和系统。在对系统进行监视的场合，在该机器内的不同部位可以安装多个传感器。这些传感器可以报告可观察属性诸如但并不局限于温度、压力、膨胀和收缩、速度、角速度、加速度、每分钟转数、频率、应力、声音、颜色、湿度、粘度、电压、电流、阻抗、对齐、位置、通量、扩散等。

如上所述，状态监视的常规方法可以监视传感器数据，以确定何时一个或多个传感器读数超出可接受范围。可接受范围可以由操作人员基于制造公差、直觉、以及过往经验手动方式设定。自动化方法则可以使用计算机学习技术和训练过的分类器，以确定何时传感器数据是故障的指示。

本发明的示例性实施方式接收传感器数据作为实时数据流，并且使用新颖的判别框架来分析传感器数据，以检测正被监视的系统或自动化过程内的故障征兆。图3是示意图，图示根据本发明的示例性实施方式用于检测正被监视的系统或自动化过程内的故障征兆的系统。这里，监视下的机器31可以包括一个或多个机械系统。传感器32、33、34可以安装在监视下的机器31内。监视下的机器31包括多个机械系统，可以有一个或多个传感器安装在各机械系统中。传感器32、33、34可以流动传感器数据至计算机系统35。计算机系统35可以接收这种流动的传感器数据，对所接收的传感器数据应用本文所述的新颖的判别框架，并且产生输出。输出可以包括监视下的机器31的状态的指示，以及，此状态可以显示在显示装置36上，和/或可以采取其它步骤，以在该状态是潜在故障指示时执行修补措施。

例如，当检测到故障征兆时，可以生成告警，因而，可以执行修补措施。新颖判别框架利用卡尔曼滤波元件，并且将这些元件与逻辑函数融合成单个的判别框架，该判别框架可以基于流动的传感器数据进行训练，并应用于流动的传感器数据的监视，因而，可以做出潜在问题的准确判断，同时，使计算开销最小化。

下面更具体地说明本新颖的判别框架。出于这种说明的目的，使用下列标记：多个传感器包括d个传感器，因此，多个传感器的输出表示为随时间的传感器向量x_t，其中x_t是d维向量。可以假设传感器流动开始于时间t＝1。判别框架的目标是将传感器向量x_t作为输入，并提供故障或非故障的二元输出。此二元输出可以表示为类标签y_t，其中，y可以等于两个离散值之一，例如+1表示故障，而-1表示正常运转。输出也可以表示为故障的概率P(y_t|x_1:t)，此概率可以表示，对于当前时间t，在给出了从时间＝1直至时间＝t(例如，对于时间t＝1，t＝2，…，t＝t)的传感器向量x_t时，y_t＝+1的概率。

因为新颖的判别框架结合了逻辑函数，框架的输出可以是故障的简单概率，而不是需要进一步数学分析以及解释的复杂值。对于使用有限计算资源的高维传感器数据的实时监视，这种简单输出可以很好地采用。

例如，用于解释传感器数据的一些方法利用了用于分类的生成模型诸如隐马尔科夫模型(HMM)或者特征提取。然而，生成模型花费它们大部分努力于描述传感器信号x_t，或者在给出了关于时间的传感器向量时，估计传感器信号是特定值的概率P(x_1:t)。这些方法不提供分类P(y_t|x_1:t)，如在新颖的判别框架中进行的那样。因此，如果在x_1:t中有许多不相干的信号或噪声，这些其它方法可能受影响。相反，本新颖的判别框架集中于建模P(y_t|x_1:t)。

判别技术诸如条件随机场(CRF)已经开发出来。CRF直接学习条件模型P(y_1:t|x_1:t)，给出了自时间t＝1以来的输入向量时，该条件模型为自时间t＝1以来的特定状态的概率。隐条件随机场(HCRF)，即CRF的一种变化，在传感器数据与类标签y_t之间引入离散的隐层，以考虑更复杂的状态。然而，CRF和HCRF二者都没有在它们公式中综合输入趋势信息(如果应用于状态监视，输入趋势信息将是传感器数据的趋势)，因此，可能不太适合于机器状态监视应用。

如上所述，本发明的示例性实施方式利用了结合卡尔曼滤波方面的新颖的判别框架。然而，标准卡尔曼滤波应用至状态监视的问题将集中在特征提取(状态估计)而不是分类。虽然如此，本发明的示例性实施方式仍然将卡尔曼滤波方面结合到新颖的判别框架中。

图1是图示卡尔曼滤波表示的图。这里，阴影节点表示观测变量。这里，x_t表示当前观测变量，而x_t-1表示前一观测变量。根据这些观测变量，可以确定隐状态变量(hidden state variables)u_t和u_t-1。隐状态变量示为开节点(opennodes)。然而，在标准卡尔曼滤波中，隐状态变量表示具有分数或小数部分的实数。因此，如果应用于状态监视问题，卡尔曼滤波器的输出将是实数值而不是故障的二元指示，或者，更确切地说，实数值的概率，而不是故障的概率。

所以，本发明的示例性实施方式在通用判别框架内融合了卡尔曼滤波的方面与逻辑函数，然后，应用此判别框架至状态监视问题，以直接产生期望的P(y_t|x_1:t)输出。

图2是图示根据本发明示例性实施方式的新颖的判别框架方面表示的图。这里，除了观测变量x_t和x_t-1以及所确定的隐状态变量u_t和u_t-1之外，y_t是类标签，而且，是在训练期间观测的，但在监视期间没有观测。然而，这里，类标签，并不表示任意实数，实际上表示逻辑函数值，这里是-1和+1。因为这种判别框架经过训练，并进行监视，直接产生期望的P(y_t|x_1:t)，因此，将有限的计算资源特别集中于确定此结果。

分类流动的传感器数据可能涉及，第一，如何从传感器数据中提取表示趋势的特征，以及第二，如何将特征提取结合到判别框架中。本发明的示例性实施方式具体化了一种归纳的模式识别框架。特别地，将有用的趋势特征诸如信号值和梯度概念化为卡尔曼滤波器中的隐状态，并且将卡尔曼滤波应用于提取这些特征。将类标签层结合到卡尔曼滤波器中，并且学习从传感器信号到类标签的映射，其中将特征作为隐变量。通过这样做，本发明的示例性实施方式提供了在同一判别框架中综合特征提取和分类二者的完全模型。

将首先介绍标准卡尔曼滤波器模型。然后，将此模型嵌入到判别框架中，之后训练、测试、以及非线性扩展所提出的模型。

如上所述，图1提供了卡尔曼滤波器的图形表示，其可以用下列概率进行描述：

P(x_t|u_t)＝N(x_t|Cu_t,R)，

P(u_t|u_t-1)＝N(u_t|Au_t-1,Q)。   (1)

(1)中的第一公式是观测模型：给出状态u_t，观测x_t具有均值为Cu_t和协方差为R的高斯分布。这里，C是观测矩阵。(1)中的第二公式表示状态变换模型：给出前一状态u_t-1，当前状态u_t具有均值为Ax_t-1和协方差为Q的高斯分布。参数θ包括C、R、A和Q。

一旦设定或学习过参数，在监视期间，状态u_t可以使用卡尔曼滤波算法递归估计。例如，在给出所有可用的观测的情况下，t-1时刻的状态u_t-1的估计具有高斯分布：

P(u_t-1|x_1:t-1)＝N(u_t-1|m_t-1,V_t-1)。   (2)

于是，状态u_t也可以具有高斯分布：

P(u_t|x_1:t)＝N(u_t|m_t,V_t-1)，   (3)

其中

m_t＝(I-K_tC)Am_t-1+K_tx_t,

$V_t=(I-K_{t}C){\tilde{V}}_t,$    (4)

${\tilde{V}}_t={\mathrm{AV}}_{t-1}{A}^T+Q,$

$K_t={\tilde{V}}_t{C}^T{({C\tilde{V}}_t{C}^T+R)}^{-1}.$

然而，各状态u_t可以被看做具有下列高斯分布：

P(U_t|x_1:t,θ)＝N(u_t|m_t(θ,x_1:t),V_t(θ))。   (5)

其中，其均值和协方差二者是取决于卡尔曼滤波器参数θ以及包括时间t和所观测的传感器信号x_1:t的常数的函数。

如上所述，图2是新颖的判别框架的符号图示。此框架可以用下列依赖性来描述。首先，如由卡尔曼滤波公式(5)所指示的那样，隐状态u_t取决于x_1:t。其次，给出状态u_t，则类标签y_t的条件概率是逻辑函数：

$P\left(y_t\right|u_t,w)=\frac{1}{1+\exp (-y_t{w}^T{u}_t)},---\left(6\right)$

这里，w是这种逻辑函数的参数，而w^T是w的转置。

给出所观测的信号x_t，不用任何隐变量，则条件随机场直接建模类标签y_t的条件概率。虽然CRF具有从多个观测信号诸如x_1:t提取特征的能力，但这种特征是预先确定的。相反，本发明的示例性实施方式可以将隐变量(例如，如图2中所看到的)结合到模型中，使得自动进行特征提取或隐变量u_t的推断。以这种方式提取的特征可以提高这种模型的判别力。

图2的模型可以由参数Ω＝{θ,w}完全描述，θ是关于卡尔曼滤波器的参数，而w是关于逻辑函数的参数。一旦知道了Ω，对于每一测试点x_t，可以基于下式赋值类标签：

$P\left(y_t\right|x_{1:t},\mathrm{\Ω})={\∫}_{u_t}P\left(y_t\right|u_t,w)P\left(u_t\right|x_{1:t},\mathrm{\θ}){\mathrm{du}}_t\≈P\left(y_t\right|m_t,w).---\left(7\right)$

其中，训练集由N个训练序列构成，各训练序列n具有T_n个数据点，分别由传感器向量和其对应类标签表示。这种训练的目标可以是相对于所有参数Ω＝{θ,w}使训练数据的对数似然性(likelihood)最大化：

$\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{t=1}{\overset{T_n}{\mathrm{\Σ}}}\log P\left(y_t^{\left(n\right)}\right|x_{1:t}^{\left(n\right)},\mathrm{\Ω})+\log P\left(w\right).---\left(8\right)$

公式(8)中的最后一项是调整项，其可以用来避免过拟合(overfitting)。这里，其可以建立P(w)＝N(w|0,I)，其中I是单位矩阵。通过引入隐变量可以采用变分最大预期(EM)算法来优化公式(8)。于是，所有变量的似然性可以表示为：

$\begin{array}{c}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{t=1}{\overset{T_n}{\mathrm{\Σ}}}\log P(y_t^{\left(n\right)},u_t^{\left(n\right)}|x_{1:t}^{\left(n\right)},\mathrm{\Ω})+\log P\left(w\right)\\ =\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{t=1}{\overset{T_n}{\mathrm{\Σ}}}(\log P\left(y_t^{\left(n\right)}\right|u_t^{\left(n\right)},w)+\log P\left(u_t^{\left(n\right)}\right|x_{1:t}^{\left(n\right)},\mathrm{\θ}))+\log P\left(w\right).\end{array}---\left(9\right)$

在EM算法的预期步骤中，计算其为高斯分布。在EM算法的最大化步骤中，可以细化关于Ω的估计。这可以包括关于θ的梯度上升搜索以及关于w的平稳点估计。一旦该算法收敛，可以输出学习后的参数Ω。

上述方法可以视为一种线性分类器方法，因为分类决策是基于w^Tu_t的线性形式。然而，决策边界是高度非线性的情况下，这种方法的细化版会更有效。如上所述，通过视上述过程为特征提取步骤，然后为最终决策应用非线性分类器，可以细化本方法。

例如，训练可以包括两个步骤。在第一步骤中，可以学习w和θ，如以上具体描述。在第二步骤中，对于每一训练数据点，可以提取隐变量u_t的均值，并且，基于所有对m_t和y_t，可以学习非线性分类器。在这种步骤中，不使用学习过的逻辑参数w，而只使用卡尔曼滤波器参数θ来提取特征m_t。在测试期间，对于每一测试输入x_t，提取对应的特征m_t，并且传送至非线性分类器用于决策。

在实现上述方法的过程中，可以使用下列参数设置。对于一组d个传感器信号，关于信号i(i＝1:d)的隐变量u_t，i定义为 $u_{t,i}={\left[\begin{array}{cc}{\tilde{x}}_{t,i}& d{\tilde{x}}_{t,i}\end{array}\right]}^T.$ 其中，是原始信号值，而是关于信号i的信号梯度。隐变量u_t的组合因此是其中，对于各信号独立地用i索引卡尔曼滤波器。

原始信号会受到具有零均值和标量方差R_i的高斯噪声影响，据此，观测矩阵可以表达为：

C_i＝[1 0]。   (10)

这里，只有信号值是可观测的。基于基本物理原理或泰勒级数，可以建立下式：

${\tilde{x}}_{t,i}={\tilde{x}}_{t-1,i}+\mathrm{\Δtd}{\tilde{x}}_{t-1,i}+\frac{1}{2}{\mathrm{\Δt}}^2{d}^2{\tilde{x}}_{t-1,i},$

$d{\tilde{x}}_{t,i}=d{\tilde{x}}_{t-1,i}+\mathrm{\Δt}{d}^2{\tilde{x}}_{t-1,i},---\left(11\right)$

其中，Δt是t-1与t之间的实际时间间隔，以及，表示二阶导数，因为这里只考虑了值和梯度，可以视为具有零均值和方差的高斯噪声。根据公式(11)，隐状态转换矩阵可以表达为：

$A_i=\left[\begin{array}{cc}1& \mathrm{\Δt}\\ 0& 1\end{array}\right].---\left(12\right)$

转换噪声协方差矩阵可以表达为：

$Q_i=\left[\begin{array}{cc}{\mathrm{\Δt}}^4/4& {\mathrm{\Δt}}^3/2\\ {\mathrm{\Δt}}^3/2& {\mathrm{\Δt}}^2\end{array}\right]{\mathrm{\σ}}_i^2.---\left(13\right)$

据此，对于卡尔曼滤波器，A_i和C_i可以固定，以及，R_i和Q_i各自可以只用一个参数表示。然后，这样一种卡尔曼滤波器可以独立地应用于各信号。应当理解，这种方法可以应用于更高阶动态，以及，所有矩阵的维数可以相应地增加。

用于构建新颖判别框架的上述计算方法可以应用于状态监视的问题。图4是图示根据本发明示例性实施方式用于系统或自动化过程内状态监视的方法的流程图。首先，通过结合卡尔曼滤波器与逻辑函数，可以建立通用判别框架(步骤S41)。以上具体讨论的新颖判别框架是这种综合判别框架的示例。这种综合胜过只是在卡尔曼滤波器之后应用逻辑函数。这里，在使用传感器数据的判别函数的训练(可能在步骤S43发生)之前，将卡尔曼滤波器与逻辑函数融合。综合判别框架可以如此建立，以基于输入传感器数据流产生输出，其表达为输入传感器数据流表示测试下机器或过程内的异常的概率。因此，该输出是二元结果的概率，二元结果可以是例如-1或+1。

其次，可以接收流动的传感器数据(步骤S42)。所接收的流动的传感器数据，可以从监视下的机器各处所安装的不同传感器实时接收。然后，基于所接收的训练数据，可以训练通用判别框架(步骤S43)。因此，所接收的训练数据不是用来单独训练卡尔曼滤波器，而是，用训练数据来训练带有逻辑函数组成部分的综合通用判别滤波器。

然后，可以接收流动的传感器数据(步骤S44)。此传感器数据流可以是开始于步骤S42的同一流的一部分。然后，可以将训练过的判别框架应用于传感器数据流(步骤S45)。于是，可以监视训练后判别框架的应用结果(步骤S46)，以确定是否识别出异常(例如，+1)或者是否没有识别出异常(例如，-1)。例如，训练后判别框架的输出可以表达为该数据涉及异常(+1状态)的概率。异常的识别可以产生告警(步骤S47)。该告警可以是消息或状态，出于采取修补措施以诊断和/或处置异常的目显示给用户，和/或可以实现做这些工作的自动过程。这种自动过程可以包括，例如，更换零部件的自动定购、工作定单的生成、被监视的系统或过程的削减或停止、或者某些其它措施。不管这些输出如何，本方法都可以继续接收流动的传感器数据以便监视(步骤S44)，并且可以对其应用判别框架。

如上所述，判别框架的训练和应用可以使用计算机系统35执行。图5示出可以用来实现上述判别框架的计算机系统的示例。以在计算机系统例如主机、个人计算机(PC)、手持计算机、服务器等上运行的软件应用的形式，可以实现本发明的系统和方法。软件应用可以存储在记录介质上，这些记录介质由计算机系统可以本地访问，也可经由与网络例如局域网或因特网的硬连接或无线连接访问。

通常称为系统1000的计算机系统可以包括，例如，中央处理单元(CPU)1001、随机存取存储器(RAM)1004、打印机接口1010、显示单元1011、局域网(LAN)数据传输控制器1005、局域网接口1006、网络控制器1003、内部总线1002、以及一个或多个输入装置1009例如键盘、鼠标等。如图所示，系统1000可以经由连接部件1007连接至数据存储装置，例如，硬盘1008。

这里所描述的示例性实施方式是说明性的，并且，可以引入许多变化而不脱离本发明的精神或所附权利要求的范围。例如，在本发明以及所附权利要求的范围内，不同示例性实施方式的组成部分和/或特征可以互相组合和/或互相代替。

Claims (19)

1.一种用于监视系统或过程的状态的方法，包括：

采集来自布置在所述系统内的多个传感器的传感器数据；

实时流动所采集的传感器数据至计算机系统；以及

使用所述计算机系统对流动的传感器数据应用判别框架，所述判别框架提供一种概率值，其表示所述传感器数据是所述系统内的异常的指示的概率，

其中，所述判别框架是卡尔曼滤波器与逻辑函数的综合。

2.根据权利要求1所述的方法，其中，所述异常是所述系统内的功能失常或故障。

3.根据权利要求1所述的方法，其中，所述异常是所述系统内潜在功能失常或故障的指示。

4.根据权利要求1所述的方法，另外包括基于由所述判别框架所提供概率值报告所述系统的状态。

5.根据权利要求1所述的方法，另外包括基于由所述判别框架所提供所述概率值自动开始关于系统的修补措施。

6.根据权利要求5所述的方法，其中，所述修补措施包括生成告警，部分或完全地暂停所述系统的操作，生成用于系统维护的服务订单，或者生成采购订单用于为所述系统更换零部件。

7.根据权利要求1所述的方法，其中，所述系统或过程的状态的监视是连续的。

8.根据权利要求1所述的方法，其中，在对所述流动的传感器数据应用所述判别框架之前，使用所述流动的传感器数据训练所述判别框架。

9.根据权利要求8所述的方法，其中，在所述判别框架的训练之前，进行卡尔曼滤波器与逻辑函数的综合。

10.根据权利要求1所述的方法，其中，所述判别框架使用下列公式计算所述概率值：

$P\left(y_t\right|u_t,w)=\frac{1}{1+\exp (-y_t{w}^T{u}_t)}$

其中，y_t是给定时间t时的类标签，y等于两个离散值之一，u_t表示给出时间t时的隐状态变量，这里，所述隐状态变量值是具有高斯分布的实数，w是逻辑函数的参数，以及w^T是w的转置。

11.一种用于监视系统或过程的状态的方法，包括：

采集来自布置在所述系统内的多个传感器的传感器数据；

实时流动所采集的传感器数据至计算机系统；以及

使用所述计算机系统对流动的传感器数据应用判别框架，

其中，所述判别框架使用下列公式计算所述传感器数据是所述系统内的异常的指示的概率：

$P\left(y_t\right|u_t,w)=\frac{1}{1+\exp (-y_t{w}^T{u}_t)}$

其中，y_t是给出时间t时的类标签，y等于两个离散值之一，u_t表示给定时间t时的隐状态变量，w是逻辑函数的参数，以及w^T是w的转置。

12.根据权利要求11所述的方法，其中，所述隐状态变量值是具有高斯分布的实数。

13.根据权利要求11所述的方法，其中，所述异常是所述系统内的功能失常或故障。

14.根据权利要求11所述的方法，其中，所述异常是所述系统内潜在功能失常或故障的指示。

15.根据权利要求11所述的方法，另外包括基于由所述判别框架所提供的概率值来报告所述系统的状态。

16.根据权利要求11所述的方法，另外包括基于由所述判别框架所提供的概率值来自动开始关于所述系统的修补措施。

17.一种计算机系统，包括：

处理器；以及

能够由所述计算系统读取的、非临时性的有形程序存储介质，其具体化能够由所述处理器执行的指令的程序，以执行用于监视系统或过程的状态的方法步骤，所述方法包括：

采集来自布置在所述系统内的多个传感器的传感器数据；

实时流动所采集的传感器数据至计算机系统；以及

使用所述计算机系统对流动的传感器数据应用判别框架，所述判别框架提供一种概率值，其表示所述传感器数据是所述系统内的异常的指示的概率，

其中，所述判别框架是卡尔曼滤波器与逻辑函数的综合。

18.根据权利要求17所述的计算机系统，其中，所述异常是所述系统内的功能失常或故障，或者是所述系统内的潜在功能失常或故障的指示。

19.根据权利要求17所述的计算机系统，其中，所述判别框架使用下列公式计算所述概率值：

$P\left(y_t\right|u_t,w)=\frac{1}{1+\exp (-y_t{w}^T{u}_t)}$

其中，y_t是给出时间t时的类标签，y等于两个离散值之一，u_t表示给出时间t时的隐状态变量，其中，所述隐状态变量值是具有高斯分布的实数，w是逻辑函数的参数，以及w^T是w的转置。