CN1047011C - 状态测定装置 - Google Patents

Abstract

在状态测定装置中，输入空间量化部件根据输出数据的所需精度对输入空间进行量化。存储部件将相应于在被量化的输入空间中的每一输入事件的输出数据出现的次数、输出数据的平均值和输出数据变化量的平均值作为因果关系模型来进行计算和存储。邻域定义(或预处理)部件根据拓扑学连续映射的概念将满足输出的所需精度的输入空间邻域作为事实数据的全部输入数据的统计量进行计算并将该邻域表示为量化数目。

Description

状态测定装置

本发明涉及根据系统的被记录的输入/输出数据测定系统的状态的状态测定装置。

这种根据系统的被记录的输入/输出数据测定系统的状态的状态测定装置应用以下方法。

在第一种方法中，假定在多个输入变量(X1,X2,X3,…,Xn)和作为输入变量的目标的输出变量Y之间存在如方程式(1)所表示的线性度。利用最小二乘法来确定各个输入变量的系数(a1,a2,a3,…,an)，使估算误差为最小，由此确定输出变量Y。

Y=a1*X1+a2*X2+a3*X3+…+an*Xn (1)

第二种方法是称为GMDH(数据处理的分类方法)的方法。

在第一种方法中，假定了输入和输出变量之间的线性关系。与此不同，在第二种方法中，因为被处理对象的复杂性，假定了输入和输出变量之间为非线性的。就是说，第二种方法中处理的数学模型是由例如方程式(2)这样的高阶多项式来表示的： $y=\underset{i=1}{\overset{a1}{\mathrm{\Σ}}}\mathrm{ai}*\mathrm{xi}+\underset{i=1}{\overset{a2}{\mathrm{\Σ}}}\underset{j=1}{\overset{a3}{\mathrm{\Σ}}}\mathrm{aij}*\mathrm{\ξ}*\mathrm{xj}$ $+\underset{i=1}{\overset{a4}{\mathrm{\Σ}}}\underset{j=1}{\overset{a5}{\mathrm{\Σ}}}\underset{k=1}{\overset{a6}{\mathrm{\Σ}}}\mathrm{aijk}*\mathrm{xi}*\mathrm{xj}*\mathrm{xk}+...----\left(2\right)$

在第二种方法中，为了获得输出变量Y，就要获得各个输入变量的系数(ai,aij,aik,…)。此外，还要确定各个输入变量的阶(n1,n2,n3…)。根据预定的计算标准选择和组合各个输入变量的例如系数和阶这样的参数。注意这些选择和组合运算是以试算的方式来进行的。

在第三种方法中，状态测定是通过形成模糊模型来完成的。根据第三种方法，输入和输出变量之间的关系是由表1所示的“如果一则”规则来表示的，根据这一规则进行状态测定。

              表1

规则1：

如果X1=大，X2=小，……,Xn=中

则Y=小

规则2：

如果X1=大，X2=小，……,Xn=小

则Y=中

   .

   .

   .

   .

   .

   .

   .

规则m：

如果X1=小，X2=大，……,Xn=小

则Y=大

这些“如果一则”规则取决于人的知识和主观性或者过去的数据。根据这一规则，通过提供如图23(a)和图23(b)所示的各个输入和输出变量的从属函数还能够处理模糊事件。作为定性描述的这些规则和作为定量描述的从属函数相应于在第一和第二种方法中获得的例如系数和阶这样的参数。

第四种方法是通过利用神经网络进行状态测定的方法。

如图24所示，这一种经网络的模型通常由相互连接形成网络的称作神经元的大量非线性算子构成。在这一情形中，神经网络的输入和输出变量之间的关系通过学习来确定。就是说，通过学习将输入和输出变量之间的关系作为在网络中的每一神经元的连接权重来确定，这样就形成输入和输出变量之间的模型。在这一情形中，模型的参数是通过确定每一神经元的结构和连接权重来确定的。

在通常的第一到第四种方法中，由于系统的状态是通过利用数学表达式、规则模型等来测定的，所以存在以下问题。

在第一种方法中，多种输入变量被处理，因此必须确定输入变量的许多参数，使得在形成最佳模型时存在各种各样的困难。

另外，由于系统呈现复杂的状态，所以状态测定不能只利用基于上述线性表达式(1)的单个模型来完成。因此，实际上需要基于每一线性表达式的模型或基于例如方程式(2)这样的复杂非线性表达式的模型，参数的个数也增多了，使得处理模型时更困难。

由于系统总在变化，所以系统的变化必须通过学习函数在模型中得到反映。用于形成模型的被记录的数据不总是具有测定新的状态的足够信息。在这一情形中，必须能够容易地修改模型。但是，如在通常的方法中通过将数据转换为参数和规则数据形成的模型不能够容易地被修改。因此难于对系统进行在线运行。

还有，从在用于形成模型的不足够的数据的条件下相对于新的输入状态对模型的定性信息进行处理的观点来看也存在问题，即模型的可靠性。这是在使用模型时最重要的。

如上所述，在通常的方法中存在各种问题。这些问题的出现是由于每种方法都是利用通过将状态转换为几个参数而获得的标准模型来说明系统的整个状态。

还有基于事实的推理装置，它不形成标准模型而通过直接利用包含输入/输出关系的机制的事实数据进行推理。这样的推理装置具有出色的局部描述，因此具有使事件相互分离的出色特性。因此，该装置适合对非线性现象进行描述。另外，由于能够提供用于相互影响的事实，所以能够容易地处理模型的定性信息，在事实基制中的新的状态和被记录的事实之间的关系。

在通常的基于事实的推理装置中，以下的方法和方案不是普遍的：①检索事实数据的方法，②事实数据的记录方案，③关于事实数据之间相似性的确定，④关于事实数据重要性的确定，⑤校正事实数据的方法。因此，取决于对象的方案必须被确定，实际上难于根据输入/输出数据描述系统的状态。

因此，本发明的目的是将拓扑结构(以后将描述)引入通过直接利用系统的输入/输出数据进行推理的通常的基于事实的推理装置以便不使系统中的输入/输出关系标准化而通过利用根据连续变化的时间序列数据产生的方案来描述系统。

为实现上述目的，本发明提供了根据作为输入参数给定的多个输入数据推理输出数据的值和测定系统的状态的状态测定装置，多个输入数据和单个输出数据是连续变化的时间序列数据，输入和输出数据具有连续变化的隐含关系，该状态测定装置包括：根据输出数据的所需精度对具有来自表示过去输入的事实数据的输入数据和事先存储的输出数据的输入空间进行量化的输入空间量化装置，计算相应于在被所述输入空间量化装置量化的输入空间中的每一输入事件的输出数据的出现次数、输出数据的平均值和输出数据变化量的平均值并且将一组出现次数和平均值作为因果关系模型存储的存储装置，根据拓扑学连续映射的概念将满足输出的所需精度的输入空间的邻域作为事实数据的全部输入数据的统计量进行计算并且将被计算的输入空间的邻域表示为量化数目的装置，利用该量化数目对输入空间进行量化，当输入新的输入事件时将输入空间的预定邻域提高到预定的次数以及从输入空间的输入事实中提取与邻域相似的输入事实(或事件)的相似事实提取装置，根据当相似的输入事实被提取时设定的提高次数确定新的输入事件和被提取的相似的输入事实之间的相似性的相似性确定装置，根据相应于被选择的输入事实的输出数据的平均值和输出数据变化量的平均值从被提取的相似的输入事实中选择相应于由所述的相似性确定装置确定的相似性的输入事实以及计算相应于新的输入事件的输出数据的值的计算装置。

图1是说明在状态测定装置的推理单元中使用的输出数据的测算精度和输出数据的划分数目之间的关系的示意图；

图2是说明被引入到推理单元中的拓扑结构的概念的示意图；

图3(a)到图3(c)是说明根据推理单元的推理原理确定输入空间的邻域的图示；

图4是表示被记录在输入空间中的事实数据的图示；

图5、图5A和图5B是表示本发明的状态测定装置的实施例的方框图；

图6是表示在状态测定装置的自动识别模型发生器中的每个输入/输出变量每月或每年的状态的示意图；

图7是表示一年间的输入/输出变量在自动识别模型发生器中如何按月被划分的实例的示意图；

图8是表示在自动只别模型发生器中的每月的输入/输出变量的分布的示意图；

图9是表示每月的输入/输出变量的分布如何在自动识别模型发生器中被归一化的实例的示意图；

图10是表示在自动识别模型发生器中的各个月的从属函数的分布的示意图；

图11是表示存自动识别模型发生器中的各个月的从属函数的分布的平均值的示意图；

图12是表示构成推理单元的推理装置的方框图；

图13是表示形成状态测定装置的估计状态的示意图；

图14(a)到图14(c)是表示在状态测定装置中使用的输入/输出变量的状态的图示；

图15是表示本发明的第二实施例的装置的方框图；

图16(a)和图16(b)是表示在第二实施例的装置中使用的输入/输出变量的状态的图示；

图17是表示冷却装置的方框图；

图18是表示本发明的第三实施例的装置的方框图；

图19是表示基于在第三实施例的装置中使用的性能恶化诊断模型的计算结果的图示；

图20是表示基于在第三实施例的装置中使用的最佳运行信息模型的计算结果的图示；

图21是表示一状态的图示，在该状态中，性能恶化指示由构成第三实施例的装置的性能恶化指示产生装置产生；

图22是表示一状态的图示，在该状态中最佳运行信息由构成第三实施例的装置的最佳运行信息产生装置产生；

图23(a)和图23(b)是表示在通常的模糊模型中使用的从属函数的状态的图示；

图24是表示通常的神经网络的配置的图示。

以下参看附图描述本发明的实施例。

在详细描述这一实施例的状态测定装置之前先对其进行简要描述。该实施例的状态测定装置定根据多个输入数据产生作为多个输入数据的输出结果的一个输出数据的系统的输出状态。此时，装置处理的每一输入/输出数据是连续变化的时间序列数据，输入和输出数据具有连续变化的隐含关系。这些过去的输入和输出数据作为被记录的事实数据被存储。

当提供新的输入数据时，就根据被记录的事实数据推断系统的输出状态。为了进行这样的推断，以简单地方式将被记录的数据存储在存储器中。

在这一情形中，如图1所示，当被记录的事实的输出数据的最大值和最小值用Ymax和Ymin来表示并规定了输出数据的精度时，输出数据的最大和最小值的整个值域就按所需的精度被划分数目m来划分。

利用这一划分数目m来对输入空间进化量化。如果某些输入变量具有与输出的高度相关性，就对每一输入变量的最大和最小值的值域进行划分。如果没有这样的输入变量，就将输入空间划分为m个部分并根据m进一步划分输入空间，直到相对于同一输入事件的输出值的分布落在输出的所需精度之内为止。

在这一情形中，如果每一输入/输出数据是时间序列数据并将拓扑学连续映射的概念用于输入和输出数据之间的关系，就能如图2所示根据在其中存在满足所需精度的输出数据的输出空间的邻域确定在其中出现输入数据的输入空间的邻域。

因此，当沿Y轴画出被划分数目m划分的输出数据的给定所需精度范围和沿X1轴画出被记录的事实的多个输入数据的输入数据X1时，就确定了相应于输出数据的所需精度的输入数据X1的分布，如图3(b)所示。与此类似，可沿X2轴画出相应于输出数据的相同的所需精度的输入数据X2的分布，如图3(c)所示。

当相对于分别在X1和X2轴上画出的输入空间的邻域进行统计处理时，输出数据的所需精度范围可被表示为在被划分的输入空间中进行统计处理的一个区域，如图3(a)所示。

事实数据被记录在以这样的方式划分的输入空间中，如图4所示。

在这一情形中，如果输入数据X1和X2分别是3和7并且输入空间被划分为m(m=11)个部分，输入数据就可被表示为m进制的数(11进制的数)。因此输入数据可被表示为如下的一个数：

           3×11+7=40

被表示为m进制数的该数“40”相对于输出数据的所需精度被表示为在被划分的输入空间中的事件序数。如果输出数据通过由这一事件序数表示的输入数据3和7(40)被产生N次的话，输出数据出现次数的数目N、输出数据的平均值以及输出数据变化量的平均值与事件序数一道相互一致地被存储在存储器中。

以这样的方式根据被记录的事实数据产生表示输入和输出数据之间的因果关系的因果关系模型并将其存储在存储器中。

当给定新的输入数据时，就根据上述因果关系模型推断相应于这一输入数据的输出数据的值。

更准确地说，这一输入数据被转换为一m进制数，并通过将输入空间附近的区域提高推理所需次数的那么多次来获取在输入数据相似的相似事实数据的所需数目(在n输入1输出方案中为(n+1))。根据基准值(提高的次数)确定新的输入数据和被获取的相似输入事实之间的相似性并用以下的公式(10)根据拓扑距离计算(n+1)个相似事实的重要性。如公式(12)所示(以后将描述)，根据相对于(n+1)个相似事实的输出数据的平均值和输出数据变化量的平均值计算相对于新的输入数据的输出数据的值。

当根据新的输入数据计算了输出数据的值时，就根据由过去的事实形成的因果关系模型进行预测。

该实施例的状态测定装置通过利用由过去的事实数据形成的模糊识别模型还能够进行推理。

当输入数据根据由预先存储的过去的事实数据确定的输出数据的所需精度被量化时，超过一预定值的这一量化的量化数目使得难于进行推理。为此事实数据被除以将要被分类的预定基准值(例如，以月为单位)。

然后相对于过去事实数据的各个变量的整个值域进行量化并对每一量化数目计算每一被分类的事实数据出现的次数。对于计算的值的最大值进行归一化并对每个月产生一可能性分布(从属函数)。

为了清楚地将对每个变量产生的每月的可能性分布与其它的每月可能性分布区别开来，即确定每一可能性分布是否能被使用，用于区分的变量是通过确定基准值(分布的平均值)是否均匀地分布来确定的。此外，可以显示这一可能性分布以便操作者对其进行选择。然后通过利用具有被确定为可用的变量的变量的可能性分布的只别模型和每一种的因果关系模型计算相对于输入数据的输出数据。

就是说，当输入新的输入数据时，就根据基于按上述方式确定的可能性分布的识别模型确定分布的可能性，该分布的可能性表示特定类型的因果关系模型，新的输入数据就属于这一模型。通过利用上述的因果关系模型就获得了其分布的可能性已被确定的每种输出数据的推理值。此外，将每一识别模型的分布的可能性和每种因果关系模型的推理值组合起来以便获得总的输出推理值。

以下将参看附图详细地描述本发明。

图5表示本发明的状态测定装置的一实施例。例如，这一装置被应用于特殊的加热/冷却(DHC)系统，以便计算系统的空气调节负载。

参看图5、图5A和图5B，标号1表示存储例如外界温度和以往每小时一次地观测的不舒适程度这样的事实数据的存储单元；标号2表示对过去每个月的事实数据进行分类的数据分类部件；标号10表示根据每个月的事实数据产生识别模型的自动识别模型发生器。当输入新的事实数据时，自动识别模型发生器10以识别模型为基础识别相对于每个月的新的输入事实数据分布的可能性。标号20表示根据每个月的事实数据产生每个月的因果关系模型的推理单元。当输入新的事实数据时，推理单元20以这一因果关系模型为基础进行推理，单元26计算其可靠性。标号30表示计算的负载值显示部件；标号50表示可靠性显示部件。

自动识别模型发生器10由只别模型发生装置11、识别模型学习装置12、识别模型存储部件13、识别模型状态输入装置14、分布的可能性识别装置15和最终计算值确定装置16组成。

识别模型发生装置11从过去的事实数据中获取用于识别的因数并根据获取的因数产生识别模型。识别模型学习装置12学习新输入的事实数据并改进识别模型。识别模型存储部件13存储识别模型。

一旦从识别模型状态输入装置14接收了新的事实数据，分布的可能性识别装置15就以存储在识别模型存储部件13中的识别模型为基础识别对每一因数的分布的可能性。最终计算值确定装置16计算这一识别结果和由推理单元20获得的推理结果的加权平均值并将总的结果作为最终计算负载值输出。

推理单元20由因果关系模型的发生装置21、因果关系模型的学习装置22、因果关系模型的存储部件23、因果关系模型的状态输入部件24、推理装置25和可靠性计算装置26组成。

因果关系模型的发生装置21产生过去的事实数据、例如象外界温度这样的输入因数和在事实数据输入几小时后得到的热负载之间的因果关系的模型。因果关系的学习装置22学习新输入的事实数据并改进因果关系模型。因果关系的存储部件23存储因果关系模型。

一旦从因果关系模型的状态输入部件24接收了新的事实数据，推理装置25就以存储在因果关系模型的存储部件23中的因果关系模型为基础相对于新的事实数据进行推理。最终计算值确定装置16将这一推理结果和由自动识别模型发生器10获得的识别结果组合在一起并将总的结果输出给计算负载值显示部件30以便显示计算值。推理装置25还将推理结果传送给可靠性计算装置26以便使其进行可靠性的计算，由此使可靠性显示部件50显示计算结果。

推理装置25在由过去的事实数据(被记录的事实数据)推断新的事实数据时根据上述的拓扑结构进行推理。

以下将参看图6到图11详细地描述数据分类部件2的功能以及组成自动识别模型发生器10的只别模型发生装置11和分布的可能性识别装置15的功能。

假设例如外界温度和不舒适程度这样的输入变量由Xi(i=1,…,n)来表示，例如在输入变量输入几小时后获得的热负载这样的输出变量由Y来表示，并有一由输入和输出变量的组合确定的并且每年被使用的因果关系模型。当要形成一模型、例如相对于输入和输出变量的每年的值域的因果关系模型时，就形成了具有非常大的量化数目的复杂的输入/输出空间。因此，就通过已知的模形成方法形成每个月的因果关系模型，每个模型由Mi(i=1,…,12)来表示。就是说，一个月被设定为用于由数据分类部件2执行的数据分类标准并且被用作在一年中对状态进行分类的分类标准。

就是说，根据由表达式(3)限定的值域相对于每个月的输入变量的组合形成在每一变量值域内的因果关系模型。

必须形成相对于新的输入状态识别使用各个月的因果关系模型的方式的模型。

以下将详细描述这一识别模型。为描述方便起见，假设在输入变量中存在标记变量。

Xj→[x_j(mln) ^Mi,x_j(mnx) ^Mi]

(j=1,…,n),(i=1,…,12)                        (3)根据表达式(4)确定相对于每一输入变量的年值域。 $\mathrm{Xj}\→[\underset{i=1}{\overset{12}{\min }}\left({x_{j\left(\min \right)}}^{\mathrm{Mi}}\right),[\underset{i=1}{\overset{12}{\max }}\left(x_j{\left(\max \right)}^{\mathrm{Mi}}\right)]$ $\→[{x_{j\left(\min \right)}}^{\mathrm{year}},{x_{j\left(\max \right)}}^{\mathrm{year}}]-----\left(4\right)$

图6表示这一年值域的状态。

为了进行标记，建立输入变量的从属函数。在这一操作之前，相对于每一输入变量的年值域进行划分(量化)以便将值域划分成m个部分，如图7所示，计算属于被划分成m个部分的值域的特定数位的每一输入变量的每月数据的数目。作为这一计算的结果，输入数据，例如外界温度或不舒适程度具有如图8所示这样的分布。

然后计算输入数据的可能性分布。为了用计算的可能性分布作为从属函数，每个月中的数据分布对于如图8所示这样的每个月中的数据分布的数据的最大值(i的最大号码)被归一化。这样就获得了图9所示的从属函数Axj。

在这一方式中，各个识别模型的从属函数被确定，如图10所示。当从属函数被确定时，就选择建立分层结构的变量以便获取表征各个识别模型的因数。

更准确地说，在变量Xj中(j=1,…,n)能够标记各个月的识别模型的特性的变量被用来进行标记。在这一情形中，首先计算图11所示的给定月的从属函数的分布的平均值C(Axj^Mi)。然后计算这一计算值和在给定月两个月之前和之后的这两个月的从属函数的分布的平均值C(Axj^M-2)和C(Axj^M+2)之间的偏差。如果计算的偏差根据不等式(5)相对于年值域超过给定的阈值q(即数据是均匀地分布的)，该偏差就被自动地选作上述标记变量。或者也可以显示这样的从属函数的分布以便告诉用户这样的信息，由此使用用户可容易地选择标记变量。 $\frac{|C\left({A_{\mathrm{xj}}}^{\mathrm{Mi}}\right)-C\left({A_{\mathrm{xj}}}^{\mathrm{Mi}+2}\right)|}{{X_{j\left(\max \right)}}^{\mathrm{year}}-{X_{j\left(\min \right)}}^{\mathrm{year}}}>q--------\left(5\right)$

在该实施例中，在选择这一标记变量时，计算给定月的从属函数的分布的平均值和在给定月两个月之前和之后的这两个月的从属函数的分布的平均值之间的偏差而不计算相对于在给定月一个月之前和之后的这两个月的偏差。进行这样的计算来使各个月之间的界限模糊。一般来说，当各个平均值C(Axj^Mi)之间的偏差大下给定的阈值q时就可设定标记变量。

计算相对于给定的值域确定的从属函数的数目，该数目由N来表示。当从属函数的数值N和阈值q具有满足方程式(6)的关系时，这些从属函数就被设置在它们能够被识别的位置上。 $q=\frac{1}{N+1}-------\left(6\right)$

这样一来，识别模型发生装置11就获取了表征各个月的因果关系模型的因数。

对于新的输入数据，该数据所属特定月的具有最大可能性的分布的可能性表示由分布的可能性识别装置15来识别。

假设上述标记变量由Xi(Xi′=X₁；i=1′,…,n′)来表示。在这种情况下，如果给定输入数据Xi(t)(i=1,…,n)，相对于每个月的分布的可能性Poss(Mi)由方程式(7)来确定。poss(Mi)=Product[A_x1,^Mi(x1＇(t)),…,A_xn,^Mi(xn＇(t))]                        (7)

因此，通过利用标记变量Xi′(i=1＇,…,n＇)进行标记。

最终计算值然后由以这样的方式确定的分布的可能性来确定。

就是说，相对于输入数据Xi(t)(i=1,…,n)通过利用先前建立的每月模型来获得计算值Y(t)_Mi(i=1,…,12)。对于这一操作，计算值Y(t)是根据方程式式(8)来计算的，整个模型的计算值是通过综合各个因果关系模型来获得的。 $y\left(t\right)=\frac{\underset{i=1}{\overset{12}{\mathrm{\Σ}}}\mathrm{Poss}\left(\mathrm{Mi}\right)y{\left(t\right)}^{\mathrm{Mi}}}{\underset{i=1}{\overset{12}{\mathrm{\Σ}}}\mathrm{Poss}\left(\mathrm{Mi}\right)}-------\left(8\right)$

这样一来，就能够容易地自动或由用户建立描述复杂的输入/输出关系的状态的模型。因此，建立模型的步骤数目能被减少。此外，由于能够对复杂的输入/输出关系进行分类，所以能够改进对模型的描述。

更准确地说，例如对于作为在年模型的最底层的模型的月模型，由于每一输入/输出空间的范围被限制在月的范围内，所以只需在这一范围内对因果关系模型进行说明，这就改善了模型的准确性。

此外，由于只有在最底层的因果关系模型的输入/输出关系数据(输入/输出变量)需要被存储在存储器中，所以模型能够由小容量的存储器来产生。

一旦接收新的输入数据，识别模型学习装置12就根据上述识别模型进行学习并改进模型。

以上所述是组成实施例的装置的自动识别模型发生器10各部件功能的细节。以下将详细描述因果关系模型的发生装置21和组成推理单元20的推理装置25的功能以及组成自动识别模型发生器10的最终计算值确定装置16的功能。

在该实施例中，根据拓扑结构进行推理的推理装置25处理例如外界温度和不舒适程度这样的输入因素和在例如室内温度这样的因素输入几小时后获得的结果之间的因果关系。为描述方便起见，在此考虑室内温度而不考虑例如热负载这样的复杂现象。

假设输入空间由X=＜X1,X2,…,Xn＞来表示，输出空间由Y=<y>来表示。对使在时刻t出现的事件X1(t),X2(t),…,Xn(t)在一段时间α之后产生一输出Y(t+α)的数据进行推理。就是说，在每一输入/输出变量连续地变化的条件下，相对于时间序列数据进行推理，该时间序列数据具有通过{X1(t),X2(t),…,Xn(t),Y(t+α)}(t=1,…,N)被表示为输入/输出数据的关系。

在推理装置25进行推理之前，因果关系模型的发生装置21产生被记录的事实数据的因果关系模型。

首先，因果关系模型的发生装置21将输入空间量化以便将其划分为有限个数的输入事件并组合属于同一输入现象的输入/输出数据来形成一个事实。此时被记录的事实数据的条件如果一部分，即诸如外界温度和不舒适程度这样的输入数据就是被量化的输入数据{X1,X2,…,Xn}。被记录的事实数据的另一部分、即在一段时间α之后的温度能够由室内温度数据分布的分布平均值Y、同一输入事件出现的次数n和偏微分值分布的平均值Y/X1,…,Y/Xn(输出变化量的平均值)来表示。就是说，因果关系模型能够由关系模型(输入和输出数据的集合){X1,X2,…,Xn},{Y,n,X/X1,…,Y/3Xn}来表示。

例如，将外界温度X1(℃)和不舒适程度X2(％)作为输入数据进行测量，在给定期间内这些数据在时刻t(t=1,…,N)的最大值(max)和最小值(mim)分别如下：

X1(max)=30.0,X1(min)=20.0

X2(max)=80.0,X2(min)=70.0

此外，在时刻t=t1获得的数据是

X1(t₁)=25.6,X2(t₁)=78.7此时，如果对输入空间进行量化的量化数目是“10”(最大值和最小值之间的范围被分为10个部分)，量化的数据就由X1=6和X2=9来表示并被标为由{6,9}表示的一个事件。

因此，如果在时刻t=t₁+α的室内温度Y(t₁+α)为25.0，由(6,9)表示的因果关系模型→25.0(注意由于简单省略了偏微分值)，即{6×10+9=69}→25.5。

如果对于X1(t₁)=25.8和X2(t₁)=78.79，作为在时刻t=t₁+1的事件得到一室内温度Y(t₁+α+1)=25.5，该输入事件属于同一事件{6,9}。因此，相对于同一输入事件出现的输出事件可被平均如下：

{6,9}→25.25[={25.0+25.5}/2当n=2]

结果是事实数据能够被压缩，与已有技术相比，能够显著地减少作为事实数据库的存储器的容量。

上述每一偏微分值是相对于每一输入变量的变化量的输出的变化量。此外，此时每一输入/输出变量是连续数据。因此，可根据方程式(9)计算过一偏微分值Y/Xi(t)。 $\&PartialD;Y/\&PartialD;\mathrm{Xi}\left(t\right)=|\mathrm{Xi}(t+1)-\mathrm{Xi}(t-1)|/\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}|\mathrm{Xk}(t+1)$ $-\mathrm{Xk}(t-1)|\&times;(Y(t+1)-Y(t-1))$ $/(\mathrm{Xi}(t+1)=\mathrm{Xi}(t-1))----\left(9\right)$

在因果关系模型的发生装置21以这样的方式产生了被记录的事实数据的因果关系模型之后，推理装置25就根据因果关系模型相对于新的事实数据进行推理。

假设新的事实数据的如果一部分是{Xi^*}(i=1,2,…,n)，由因果关系模型的发生装置21产生的因果关系模型是{Xi,Y,n,Y/Xi)(i=1,2,…,n)。在这一情形中，新的事实数据的如果一部分在其被输入时以上述方式对其进行量化和标记。

图12表示推理装置25。推理装置25由相似性确定装置25A、相似事实检索装置25B、重要性确定装置25C和事实组合装置25D组成。

当要相对于新的事实数据进行推理时，就确定相对于新的事实数据的被记录的事实数据的如果一部分的相似性(相似性相应于在上述拓扑结构中的邻域系统概念)。

在这一情形中，通过如下定义确定相对于新的输入数据的被记录的事实数据的相似性：

相似性0:|Xi^*-Xi|=0       (i=1,2,…,n)

相似性1:|Xi^*-Xi|≤q_xi   (i=1,2,…,n)

相似性2:|Xi^*-Xi|≤q_xi+1 (i=1,2,…,n)

相似性3:|Xi^*-Xi|≤q_xi+2 (i=1,2,…,n)

在这一情形中，q_xi被称为邻域，它是由相对于被记录的事实数据的则一部分Y的允许精度的被记录的事实数据的如果一部分Xi的统计分布确定的数值。

假设X1代表外界温度、X2外表不舒适程度、Y代表在一段时间α之后的室内温度。在这一情形中，当要进行计算使室内温度Y和计算值的差为二度或小于二度时，就与输入空间类似，对输出空间进行量化，使一个数字代表二度。此时，如果量化数目是“20”，就根据以下步骤①至③进行统计处理。

①获得属于数字1到20中的同一个数字的被记录事实的则一部分(输出空间)以便在输入空间中进行集结。属于同一个群集的事实的如果一部分X1和X2的分布被作为第i个数字、第j个群集的离散值qij_X1和qij_X2来获得。在这一情形中，假设这时产生的群集数目由N_ci表示。

②然后将属于被记录的事实数据的则一部分Y的数字i的事实的如果一部分X1和X2的每个群集的分布作为离散值来计算。如下所示，用群集数目n_ci对这一离散值进行平均以便获得数值qi_x1和qi_x2： ${\mathrm{qi}}_{x1}=\underset{j=1}{\overset{n_c}{\mathrm{\&Sigma;}}}\mathrm{qi}{j}_{x1}/n_{\mathrm{ci}},{\mathrm{qi}}_{x2}=\underset{j=1}{\overset{n_c}{\mathrm{\&Sigma;}}}\mathrm{qi}{j}_{x2}/N_{\mathrm{ci}}$ ③根据以下方程式对数值qi_X1和qi_X2进行平均： $q_{x1}=\underset{i=1}{\overset{20}{\mathrm{\&Sigma;}}}{\mathrm{qj}}_{x1}/20,q_{x2}=\underset{i=1}{\overset{20}{\mathrm{\&Sigma;}}}q{i}_{x2}/20$

                  (20，量化数目)

假设作为最接近的值得到q_X1=2，和q_X2=3。在这一情形中，如果被记录的事实数据的则一部分Y要求具有一度或小于一度的精度，则q_X1=1,q_X2=2。因此，数值q_Xi随所需精度而变化。

如果相对于输入变量Xi被记录事实和新的事实之间的偏差小于q_Xi，就认为各事实数据的如果一部分的拓扑结构彼此接近。此时认为相对于被记录的事实数据的则一部分，新的事实数据的则一部分(输出变量)在所要求的精度内。

当输入新的事实数据并如在上述事实中那样根据被记录的事实推断新的事实数据的则一部分时，就根据拓扑结构进行推理。为此，不必将系统中的输入/输出关系标准化就能够测定系统的状态。结果就能够消除通常的推理装置的上述不足。就是说，以下方法和方案是普遍的：①检索事实数据的方法，②事实数据的记录方案，③关于事实数据之间相以性的确定，④关于事实数据重要性的确定，⑤校正事实数据的方法。因此，在时间序列数据的范围内容易地和精确地测定系统的状态，在该时间序列数据的范围内事实连续地变化。

当以这样的方式获得被记录的事实数据相对于新的事实数据的相似性时，相似事实检索装置25B相对于新的事实数据从被记录的事实数据的如果一部分中检索相似事实。

更准确地说，相似事实检索装置25B以将相似性降低到新的事实数据的次序提取用于推理的事实作为被记录的事实数据的如果一部分的相似事实。根据输入/输出空间的维数确定用于推理的事实的数目。就是说，在n输入一个输出的场合中，第(n+1)维被确定，被提取的事实的数目是(n+1)。如果具有相同的相似性的被记录的事实数据的数目大于用于推理的事实的数目，就提取最接近新的事实的(n+1)个事实。

重要性确定装置25C相对于新的事实数据确定每一相似事实的重要性。

在这一情形中，在输入空间中定义拓扑距离并且考虑各事实数据之间的关系。例如，引入由方程式(10)给出的距离L。 $L=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&Phi;i}|X{i}^{*}-\mathrm{Xi}|$ 而 $\mathrm{\&Phi;i}=R_{\mathrm{Xi}}/\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{R}_{\mathrm{Xk}}$ $R_{\mathrm{Xi}}=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\left(\right\{\mathrm{xi}\}-\stackrel{-}{x})(\mathrm{yj}-\stackrel{-}{y})$ $/[\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(\right\{\mathrm{xi}\}j-\stackrel{-}{x})}^2\underset{J=1}{\overset{N}{\mathrm{\&Sigma;}}}{(\mathrm{yj}-\stackrel{-}{y})}^2{]}^{1/2}------\left(10\right)$

(其中 X和 Y是平均值而N是数据计数)其中φi是变量Xi的距离权重。

在推理处理期间，用方程式(11)定义用于推理的m(=n+1)个事实的重要性Wj，这些事实是作为相似事实而被提取的：Wj=exp(-Lj) $(\mathrm{for\; Lj}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&Phi;ij}|\mathrm{Xi}{j}^{*}-\mathrm{Xij}|,j=1,...,m)---\left(11\right)$

通过利用这样提取的m个相似事实，事实组合装置25D根据方程式(12)相对于新的事实数据Xi^*(i=1,2,…,n)计算则一部分，即推理值Y^*: $Y^{*}=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\left[\mathrm{Wj}\right\{\mathrm{yj}+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\&PartialD;\mathrm{Yi}/\&PartialD;\mathrm{Xij})\mathrm{Lij}\left)\right\}]/\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\mathrm{Wj}---\left(12\right)$ (for Lij=Xij^*-Xij)其中Lij是与在第j个事实的i输入变量轴上的输入数据的距离，Yi是第j个相似被记录事实的则一部分的值，Yi/Xij[方程式(9)]是则一部分的值的变化率，这一变化是由第j个相似被记录事实的第i次变化引起的。

当推理装置25获得计算值时，可靠性计算装置26进行算术运算，确定推理结果的可靠性。更准确地说，可靠性计算装置26通过利用用于推理的相似事实的相似性相对于新的事实数据确定推理结论的可靠性。假设相对于新的事实用于推理的相似事实的相似性中的最大的相似性被定义为推理结果的可靠性。最大的相似性是“1”的推理结果具有可靠性“1”。此时可靠性“0”表示最高的可靠性，可靠性随着数值增大而减小。

最终计算值确定装置16然后计算由推理装置25获得的推理结果的加权平均值和由分布的可能性识别装置15获得的分布的可能性的结果。结果数据被显示在计算负载值显示部件30上。此外，由可靠性计算装置26获得的可靠性计算结果也被显示在可靠性显示部件50上。

注意因果关系模型的学习装置22学习新的事实数据并改进因果关系模型。对事实数据库这样的改进处理是根据以下步骤进行的。注意“*”表示新的事实。

如果在同一如果一部分中的在先事件出现的次数由n表示，则事件出现的次数增加1，成为(n+1)，输出平均值Y由Y×n+Y^*)/(n+1)来表示。此外，偏微分值(输出变化量的平均值)Y/X1由(Y/X1×n+Y/X1^*)/(n+1)来表示。

这样一来，与已有技术相比，在已有技术中系统的状态由采用几个参数的标准模型来表示，就能够容易地改进模型。

图13表示根据实际被记录的数据进行推理(计算空气调节负载)而获得的结果。

作为一个模型，利用了从1989年6月至12月通过每小时一次地记录数据获得的被记录的数据。外界温度、不舒适程度、外界温度的微分、热负载的微分和热负载被作为事实数据的如果一部分。此外，四小时后的热负载被作为事实数据的则一部分。以月为单位对事实数据进行分类，因果关系模型的发生装置21自动地产生每个月的事实数据库模型。

为了相对于每个月识别分布的可能性，识别模型发生装置11相对于事实数据的每个如果一部分、即从外界温度至热负载进行用于识别的特征提取。这样就选择了如图14(a)到图14(c)所示的外界温度、不舒适程度和热负载，利用这些数据就自动地产生了分布的可能性的识别模型。

分布的可能性识别装置15和推理装置25利用1989年的这些事实(知识)在1990年8月27日到1990年9月30日这段期间对负载进行计算。就是说，进行实验以便相对于1990年事实数据的如果一部分、即从外界温度至热负载计算在四个小时过去后出现的负载(状态)。选择这段期间的原因是在这段期间天气变化剧烈(台风季节)，通常的测定模型难于保持高的计算精度。

根据这一实验结构，实施例的装置的相对误差(=|计算误差|/实际测量值)是8.9％。注意常规模型的相对误差是15.5％。就是说，实施例的装置的计算精度约是常规模型精度的两倍，这样就提高了精度。此外，实施例的装置在9月6日和9月7日两日温差高达10度并且在9月7日有雨的情况下，即天气变化剧烈的情况下仍保持高的精确度。这是因为9月6日的情况与6月和10月的情况相似，并且利用了最合适情况下的事实进行计算。这些信息是从与计算结果一道显示的可靠性信息中得到的。

图15表示本发明状态测定装置的第二实施例，特别是用来测定空气调节系统的热负载的空气调节负载测定装置的主要部分。

参看图15，这一空气调节负载测定装置包括输入装置100，用来将输入变量例如外界温度作为被记录的事实数进行输入，延迟时间确定装置101，输入状态标记装置102，建立输入/输出关系模型的因果关系模型的发生装置21(如上所述)和推理装置25(如上所述)。

空气调节负载测定装置除了图14所示的外界温度，不舒适程度和热负载外还将图15所示的外界温度变化量和热负载变化量作为输入变量(即事实数据的如果一部分)，将在几个小时过去之后出现的热负载数据作为输出变量(事实数据的结论部分)。当新的状态出现并输入相应的输入变量时，装置在几个小时之后测定热负载。

延迟时间确定装置101将外界温度、不舒适程度、外界温度变化量、热负载和热负载变化量这样的输入变量作为被记录的事实数据来接收，每小时一次地获取这些数据。一旦接收到作为输出变量的热负载数据，该数据实际上是在几个小时之后才在空气调节系统中出现，延迟时间确定装置101将每一输入变量数据确定为在输出变量被输入这一时刻(作为基准时刻)之前一特定时刻的数据。例如在，基准时刻之前一小时的值被确定为外界温度，在基准时刻之前一小时的值被确定为不舒适程度数据。五个值如此地被确定为五个输入变量数据，被确定的输入变量与输出变量一道被传送给输入状态标记装置102。

一旦接收到这些输入和输出变量数据，输入状态标记装置102对输入变量数据进行标记以便以与上述方式相同的方式对数据进行压缩并将结果数据传送给因果关系模型的发生装置21。因果关系模型的发生装置21建立被标记的输入变量数据与被标记的输出变量数据的关系以便产生输入/输出关系模型。

一旦接收到例如外界温度这样的新的输入变量，推理装置25就在几个小时之后根据由因果关系模型的发生装置21产生的输入/输出关系计算空气调节负载的值并输出计算结果。

这样一来，根据作为输入因素的各种数据，即外界温度、外界温度变化量、不舒适程度、热负载和热负载变化在几个小时之后就产生了用来计算空气调节负载的模型。根据这一模型，能够准确地识别事件并由此能够进行准确的负载计算。

如上所述，根据本发明的状态测定装置，由于能够在基于状态测定的控制和操作方面考虑与在几个小时之后的状态有关的许多因素，所以能够描述复杂的现象并且能够自动地从被分类的模型中选择对给定的状态合适的模型。因此即使在出现大的变化或状态的属性是模糊的情况下仍能保持高的计算精度。特别是在计算空气调节负载的场合中，相对于例如天气的剧烈变化或季节的变换这样的状态该装置仍是有效的。因此，当要根据这一计算值进行操作或控制时，就能够预定或设置合适的参数。

更准确地说，当计算空气调节负载时，能以精确的安排时间完成大量的供热设备、例如冷却装置的设置，能够为建筑物中的空气调节控制器设置合适的参数。

由于能够显示被计算值的可靠性，除了精确的计算外，还能够防止错误地使用被计算值。这对于伴有危险的控制邻域特别有用。因此，用户能够容易和舒适地完成更精确的操作，减轻了用户的负担。

图17表示冷却装置。参看图17，标号111表示制冷部分，标号112表示换热器，标号113表示冷凝器。

制冷部分111接收用户提供的循环的水，通过利用液体的汽化热对水进行冷却，由此向用户提供冷却的水。在这一情形中，在加热用户提供的循环的水时产生的蒸汽被吸收液体溴化锂(LiBr)吸收。但是，吸收液体的吸收能力随着液体被稀释而减小。因此，吸收液体被加热并被换热器112冷凝，与此同时冷凝器113将当加热吸收液体时在换热器112中产生的蒸汽液化成为致冷剂。利用这一致冷剂对将要向用户提供的冷却水进一步冷却。

图18表示本发明的第三实施例，在这一实施例中，当向换热器112提供蒸汽来加热/冷凝吸收液体时，向上述冷却装置提供推理单元20来计算蒸汽提供量。

这一蒸汽量提供/测定装置包括因果关系模型的发生装置21、因果关系模型的存储部件23、推理装置25、被测定蒸汽量存储部件121、性能恶化指示发生装置122和最佳操作信息发生装置123。

可将由图17中的符号A到G表示的各个部分的温度看作上述冷却装置的输入变量。更准确地说，将以下变量看作输入变量：作为冷却水入口A的温度的冷却水入口温度，冷却水塔入口B处的温度，作为换热器112出口C处的温度的高压换热器出口温度，低压换热器114出口D处的温度，冷凝器113出口E处的温度(致冷剂冷凝器出口温度)，由点F表示的致冷剂蒸发器出口温度，由点G表示的冷却水出口处的温度以及作为冷却装置的外部状况的外界温度和外部湿度。

在这一实施例的因果关系的发生装置21中，这些输入变量中的四个变量、即外界温度、冷却水入口温度、高压换热器出口温度112和致冷剂蒸发器出口温度被作为输入变量来处理。比外，因果关系模型的发生装置21将提供给换热器112的蒸汽量作为输出变量来处理、根据在过去被记录的这些输入/输出变量产生输入/输出关系模型并将该模型存储在因果关系模型的存储部件23中。

一旦接收新的输入变量，推理装置25就根据存储在因果关系模型的存储部件23中的过去的输入/输出关系模型进行推理并且将蒸汽量作为输出变量来计算。这一计算的蒸汽量被存储在被测定蒸汽量存储部件121中。

性能恶化指示发生装置122根据同一输入事件的实际测量值和计算的蒸汽量之间的差值产生冷却装置的性能恶化指示并指定合适的维修周期。

最佳运行信息发生装置123根据计算的蒸汽量产生冷却装置最佳运行的信息。

在这一实施例中，因为不考虑输入/输出关系的延迟时间，所以输入/输出关系模型是根据在同一时刻获得的过去数据而产生的。在这一情形中，考虑到所需的输出精度，输入空间的量化数目被设定为“30”。

在被性能恶化指示发生装置122采用的表示冷却装置的输入/输出关系模型的性能恶化诊断模型中，在一小时内获得的数据被作为一组数据来处理。此外，在最佳运行信息发生装置123中使用的作为上述输入/输出关系模型的冷却装置的最佳运行信息模型中，在30分钟内获得的数据被作为一组数据来处理。这是因为处理时序根据处理的目的而变化。

建立模型的这些数据由从实际在从1992年6月的第二个星期到第三个星期这段期间运行的冷却装置测量的数据的一半数据和在这段时间测量的外界温度的实际测量数据所组成。该数据的另一半数据被用来检验产生的输入/输出关系模型。

图19和图20分别表示当利用检验数据进行推理的推理装置实际上进行冷却装置的性能恶化诊断和产生最佳运行信息的每一输入/输出关系模型时得到的结果。注意图19和图20中的实曲线和虚曲线分别表示实际测量值的基于模型的计算值。

根据图19所示的性能恶化诊断模型计算结果，误差(|实际测量值一计算值|/实际测量值)约为4％。根据图20所示的最佳运行信息模型计算结果，误差约为7％。就是说，计算结果的精度远远高于利用例如复杂模型这样的数学模型得到的精度，在这一模型中，误差约为25％。

以下详细描述利用这些模型产生冷却装置的性能恶化指示的性能恶化指示发生装置122和产生冷却装置的最佳运行信息的最佳运行信息发生装置123的功能运行。首先描述性能恶化指示发生装置122。

性能恶化指示发生装置122通过利用上述输入/输出关系模型产生冷却装置的性能维护和维修周期的指示。在产生这一指示时，根据通过利用模型和事实的密度获得的模拟结果产生在进行维修时适用的模型和设定一条件，在该条件下能够更容易地测定系统的状态，这样一来就完成了系统的恶化诊断。就是说，如在相应于图19横坐标的样值计数的蒸汽量的情形中，根据基于拓扑结构的邻域了解了能够计算1％或小于1％的模型精度的条件，将在这一条件中基于该模型的值与实际测量值相比较，这样一来就完成了系统的恶化诊断。换句话说，设定了能够更容易地测定系统的状态的条件并且通过与维修的初始值相比相对于系统的同一输入事件测定当前的蒸汽量呈现多少的能量损失来确定维修周期。

图20表示一状态，在该状态中产生了维修期间的指示。在这一情形中，重要的是能够在复杂的变化状态下识别系统的同一输入事件。这可根据上述的推理装置25中的相似性来完成。

当需要在区域供热/制冷(DHC)系统或包括冷却装置的系统中进行最佳运行的信息时，最佳运行信息发生装置123产生减少运行成本的最佳运行信息。此时，如果利用上述的输入/输出关系模型，通过设定基于第一预测模型的预测值或由操作者在输入状态中输入的预测值就能够测定蒸汽量。另一方面，也可考虑在冷却装置本身的输入/输出关系模型中的延迟时间相对于当前的输入状态进行测定。图22表示一状态，在这一状态中产生了这样的最佳运行信息。

如果考虑到作为输入变量的外界温度、冷却水入口温度、换热器出口温度和致冷剂蒸发器出口温度而产生计算蒸汽量的模型和进行计算，就能够在动态地变化的系统状态下准确地监视冷却装置的特性。因此就能够提供精确的性能恶化指示。利用这一指示，就能够按照合适的周期对冷却装置进行维护，而不是在冷却装置运行期间的夏天进行维护。此外，还能够防止冷却装置在其运行期间内停机。

还有，由于能够在包括冷却装置的系统、例如区域供热/制冷(DHC)系统中提供进行最佳运行所需的信息，所以能够减少系统运行成本和运行能量并能够调整组成系统的各个设备的负载。

如上所述，根据本发明，只要输入和输出数据是连续地变化的时间序列数据，就能够按以下方式根据作为输入因素的多个输入数据推断输出数据的值。在拓扑学连续映射概念的基础上根据过去的输入和输出数据产生因果关系模型。当输入新的数据时，就根据因果关系模型推断输出数据的值。因此，不必使系统中的输入/输出关系标准化而只根据表示系统中的单个事件的事实就能够完成系统的状态测定。因此，测定系统状态的方法可以是普遍的和简单的，能够精确地测定系统的状态。

当输入空间被量化和划分为m个部分时，输入空间中的事实数据被转换为m进制数据。因此事实数据能够被压缩。结果是使存储事实数据的存储装置(存储器)的容量能够被减少。此外，由于能够在存储装置中存储大量的事实，所以能够高速地进行算术处理。

当获得相应于新的输入数据的新的输出数据时，相应于新的输入数据的输出数据出现的次数、输出数据的平均值和输出数据变化量的平均值都被修改，由此不必象在已有技术中那样改变参数就能够容易地修改模型。因此系统能够在线运行。此外，由于能够独立地揭示相应于新的条件和已被利用的事实的模型的可靠性，所以能够表示模型和条件之间的定性关系，这样就防止了模型输出值的误用。

如果量化数目较大，就按照预定的标准对事实数据进行划分和分类。对每一被分类的事实数据的整个值域进行量化以便计算被分类的事实数据出现的次数，并对于最大值进行归一化以便形成可能性分布。当给定新的输入数据时，就确定了新的输入数据相对于可能性分布的分布的可能性。因此，能够容易地产生描述具有复杂的输入/输出关系模型的系统的状态的模型，根据该模型就能够容易地测定系统的状态。

当将本发明应用于包括冷却装置的系统时，可在复杂的变化的条件下精确地计算供给系统的蒸汽量，根据该蒸汽量可产生系统的性能恶化指示和最佳运行信息。因此，能够以合适的周期对系统进行维护并且能够减少系统运行的成本。

Claims (6)

1、根据作为输入因素给定的多个输入数据推断输出数据的值和测定系统的状态的状态测定装置，多个输入和单个输出数据是连续地变化的时间序列数据，输入和输出数据具有连续地变化的隐含关系，该状态测定装置特征在于包括：

根据输出数据的所需精度对具有来自于表示过去的输入的事实数据的输入数据和预先存储的输出数据的输入空间进行量.化的输入空间量化装置；

计算相应于在被所述输入空间量化装置量化的输入空间中的每一输入事件的输出数据的出现次数、输出数据的平均值和输出数据变化量的平均值并且将一组出现次数和平均值作为因果关系模型存储的存储装置(23)；

根据拓扑学连续映射的概念将满足输出的所需精度的输入空间的邻域作为事实数据的全部输入数据的统计量进行计算并且将被计算的输入空间的邻域表示为量化数目的装置，利用该量化数目对输入空间进行量化；

当输入新的输入事件时将输入空间的预定邻域提高到预定的次数以及从输入空间的输入事实中提供取与邻域相似的输入事实数据的相似事实数据提取装置(25B)；

根据当相似的输入事实数据被提取时设定的提高次数确定新的输入事件和被提取的相似的输入事实之间的相似性的相似性确定装置(25A)；

根据相应于被选择的输入事实的输出数据的平均值和输出数据变化量的平均值从被提取的相似的输入事实数据中选择相应于由所述的相似性确定装置确定的相似性的输入事实数据以及计算相应于新的输入事件的输出数据的值的计算装置。

2、根据权利要求1的装置还包括当输入空间被所述输入空间量化装置量化和划分为m个部分时将输入空间中的事实数据转换为m进制数据的装置，以及

将由所述相似事实数据提取装置提取的相似的事实数据可逆地转换为m进制数据的装置。

3、根据权利要求1的装置还包括当获得新的输入事件和相应于新的输入事件的新的输出数据时，如果输出数据被存储在所述存储装置中就修改相应于新的输入事件的输出数据出现的次数、输出数据的平均值和输出数据变化量的平均值以及如果新的输入事件是全新的就将新的输出数据加入到被存储在所述存储装置中的数据中去的装置。

4、根据多个输入数据产生作为输出结果的一个输出数据以及根据作为输入因素给定的多个输入数据测定系统的状态的状态测定装置，输入和输出数据是连续地变化的时间序列数据，输入和输出数据具有连续地变化的关系，该状态测定装置特征在于包括：

根据输出数据的所需精度对具有来自于表示过去的输入的事实数据的输入数据和预先存储的输出数据的输入空间进行量化的输入空间量化装置；

当由所述输入空间量化装置进行的量化的量化数目超过预定的值时根据预定的标准划分事实数据的分类装置(2)；

对预先存储的数据的整个值域进行量化以及对由所述分类装置分类的每一事实数据的每个量化数目计算被分类的事实数据出现的次数的计算装置；

通过利用计算值的最大值进行归一化产生可能性分布的可能性分布发生装置；

显示为每一被分类的事实数据产生的可能性分布、根据预定的标准识别产生的可能性以及确定是否利用可能性分布的确定装置；

当输入新的输入事件时通过利用可能性分布确定新的输入事件相对于由所述分类装置产生的每个群集的分布的可能性的分布的可能性确定装置(15)。

5、根据权利要求1的装置还包括：

当由所述输入空间量化装置进行的量化的量化数目超过预定的值时根据预定的标准划分事实数据的分类装置(2)；

对预先存储的数据的整个值域进行量化以及对由所述分类装置分类的每一事实数据的每个量化数目计算被分类的事实数据出现的次数的计算装置；

通过利用计算值的最大值进行归一化产生可能性分布的可能性分布发生装置；

显示为每一被分类的事实数据产生的可能性分布、根据预定的标准识别产生的可能性以及确定是否利用可能性分布的确定装置；

当输入新的输入事实时通过利用可能性分布确定新的输入事件相对于由所述分类装置产生的每个群集的分布的可能性的分布的可能性确定装量(5)。

在该装置中计算分布的可能性和由每一群集的所述计算装置获得的计算值的加权平均以便确定最终计算值。

6、根据权利要求1的装置还包括：

当系统是包括冷却装置的系统时设定作为输出数据提供给冷却装置的蒸汽量和选择在冷却装置之外的外界温度、冷却装置冷却水入口温度、冷却装置的高压换热器出口温度和冷却装置的致冷剂蒸发器出口温度作为被看作输入因素的多个输入数据的数据选择装置(21)；

根据对冷却装置进行维护之后马上就获得的输入和输出数据产生因果关系模型的装置(21)；

当输入新的输入事件后根据因果关系模型计算表示输出数据的蒸汽量的蒸汽量计算装置(25)；

根据在其中能够容易地了解系统的状态的条件下获得的实际蒸汽量和对系统进行维护后马上就获得的表示输出数据的计算的蒸汽量产生包括冷却装置的系统的性能恶化指示的装置(122)；

根据计算的蒸汽量产生用来给包括冷却装置的系统提供最佳蒸汽量的最佳运行信息的装置(123)。

Images