DE19748312A1 - Vorrichtung und Verfahren zum Unterscheiden eines Zeitreihendatenwerts - Google Patents
Vorrichtung und Verfahren zum Unterscheiden eines ZeitreihendatenwertsInfo
- Publication number
- DE19748312A1 DE19748312A1 DE19748312A DE19748312A DE19748312A1 DE 19748312 A1 DE19748312 A1 DE 19748312A1 DE 19748312 A DE19748312 A DE 19748312A DE 19748312 A DE19748312 A DE 19748312A DE 19748312 A1 DE19748312 A1 DE 19748312A1
- Authority
- DE
- Germany
- Prior art keywords
- time series
- series data
- vectors
- data
- data value
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H57/00—General details of gearing
- F16H57/01—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance
- F16H2057/018—Detection of mechanical transmission failures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zum
Unterscheiden eines Zeitreihendatenwerts und betrifft insbesondere ein
Verfahren und eine Vorrichtung zum Unterscheiden, ob der Zeitreihenda
tenwert auf einem Determinismus (z. B. ein deterministisches Signal) oder
auf einem stochastischen Prozeß (z. B. ein zufälliges Signal) beruht.
Wenn eine Wellenschwingung abnormal ist, sind beispielsweise die beob
achteten Zeitreihendaten in einem rotierenden mechanischen System aus
jenen, die auf dem Determinismus beruhen, und aus jenen zusammenge
setzt, die auf einem stochastischen Prozeß, wie Zufallsrauschen, beruhen.
Es ist häufig der Fall, daß unregelmäßig aussehende Zeitreihendaten von
determinierenden Dynamiken hervorgerufen werden können, und es ist
auch bekannt, daß dies deterministisches Chaos genannt wird. Selbst
wenn der von einem System beobachtete Zeitreihendatenwert ein wenig
Kauschen aufweist, ist es heutzutage nicht immer leicht, mit dem Auge zu
erkennen, ob er etwas Rauschen aufweist oder nicht. Um diese Aufgabe zu
lösen, gibt es im allgemeinen ein Verfahren, irgendeine charakteristische
Frequenz durch FFT(schnelle Fourier-Transformation)-Analyse herauszu
ziehen. Jedoch ist eine chaotische Zeitreihe aus einer unendlichen Anzahl
von Frequenzelementen zusammengesetzt und führt zu einem breiten,
kontinuierlichen Energiespektrum.
Das oben beschriebene Charakteristikbestimmungsverfahren, das das
FFT-Analyseverfahren verwendet, ist unten kurz beschrieben.
Das heißt, bei einem ersten Schritt wird der von dem rotierenden mecha
nischen System beobachtete Zeitreihendatenwert von einer Beobach
tungseinrichtung abgeleitet.
Bei einem zweiten Schritt werden die beobachteten Zeitreihendaten unter
Verwendung des FFT-Analysators analysiert.
Bei einem dritten Schritt wird aus dem Ergebnis der Spektrumanalyse
unter Verwendung des FFT-Analysators eine charakteristische Frequenz
ausgewählt.
Bei einem vierten Schritt wird der ausgewählte charakteristische Fre
quenzwert mit einem analysierten Wert eines normalen Datenwerts vergli
chen, der zuvor unter Verwendung des FFT-Analysators spektral analy
siert wurde.
Schließlich bestimmt der Spektrumanalysator gemäß dem Ergebnis des
Vergleichs bei dem vierten Schritt, ob der ausgewählte Wert der charakte
ristischen Frequenz bei dem dritten Schritt normal oder abnormal ist.
Eine am 19. November 1996 veröffentlichte U.S. Patentschrift Nr.
5 576 632 veranschaulicht beispielhaft die FFT-Analyse für eine Messung
eines Motorstromes.
Wie oben im HINTERGRUND DER ERFINDUNG beschrieben, kann das
Verfahren zum Herausziehen der charakteristischen Frequenz aus dem
Zeitreihendatenwert durch die Spektrumanalyse unter Verwendung des
FFT-Analysators nicht klar unterscheiden, ob der Zeitreihendatenwert auf
dem Determinismus oder auf dem stochastischen Prozeß beruht.
Beispielsweise wird infolgedessen, daß die Spektrumanalyse unter Ver
wendung des FFT-Analysators ausgeführt wird, nachdem der charakteri
stische Datenwert des Zeitreihendatenwerts bei einem Rössler-Chaos als
ein Vertreter des deterministischen Chaos (siehe Fig. 9A und 10A) mit dem
charakteristischen Datenwert des Zeitreihendatenwerts bei dem Rössler-
Chaos, dem ein Element eines Systems eines stochastischen Prozesses
(10% des weißen Rauschens) hinzugefügt ist (siehe Fig. 9B und 10B) ver
glichen wird, kein klarer Unterschied zwischen den Ergebnissen der FFT-
Spektrumanalyse für den Zeitreihendatenwert, dem kein weißes Rauschen
hinzugefügt ist, oder dem 10% weißes Rauschen hinzugefügt ist, erhalten,
wie in den Fig. 11A und 11B und den Fig. 12A und 12B gezeigt.
Folglich wurde gezeigt, daß die Unterscheidung zwischen dem Zeitreihen
datenwert in dem deterministischen System und in dem System eines sto
chastischen Prozesses offensichtlich schwierig war.
Somit kann die Abnormalität in der Wellenschwingung nicht deutlich de
tektiert werden, selbst wenn die Spektrumanalyse unter Verwendung des
FFT-Analysators ausgeführt wird, um die Abnormalität in der Wellen
schwingung des rotierenden mechanischen Systems zu detektieren.
Es ist deshalb eine Aufgabe der vorliegenden Erfindung, ein Verfahren
und eine Vorrichtung zum Unterscheiden des Zeitreihendatenwerts zu
schaffen, die genau unterscheiden können, ob der Zeitreihendatenwert auf
dem Determinismus oder auf dem stochastischen Prozeß beruht.
Die oben beschriebene Aufgabe kann erfüllt werden, indem ein Verfahren
zum Unterscheiden eines von einem dynamischen System beobachteten
Zeitreihendatenwerts geschaffen wird, das die Schritte umfaßt, daß:
- a) der Zeitreihendatenwert y(t) in einen n-dimensionalen rekonstruierten Zustandsraum eingebettet wird;
- b) ein willkürlicher Datenvektor Xi aus Trajektorien des eingebetteten Zeit reihendatenwerts ausgewählt wird;
- c) in Form einer euklidischen Entfernung m Datenvektoren Xj (j= 1, 2,---, m) ausgewählt werden, die zu dem ausgewählten Datenvektor Xi benach bart sind;
- d) tangentiale Einheitsvektoren Ti und Tj bezüglich der Datenvektoren Xi und Xj abgeleitet werden;
- e) Abweichungen in Richtungen relativ zu den tangentialen Einheits
vektoren Tj der benachbarten Datenvektoren berechnet werden, indem wie
folgt Bezug auf die tangentialen Einheitsvektoren Ti genommen wird:
- f) die Berechnung von γi bei dem vorigen Schritt für eine vorbestimmte
Probenanzahl k, die Unterräumen entspricht, wiederholt wird, um einen
Mittelwert Γ abzuleiten:
- g) bestimmt wird, ob Γ ≒ 0; und
- h) gemäß einem Ergebnis der Bestimmung von dem Mittelwert Γ unter schieden wird, ob der beobachtete Zeitreihendatenwert aus einem deter ministisches Chaos oder aus einem stochastischen Prozeß stammt.
Die oben beschriebene Aufgabe kann auch erreicht werden, indem eine
Vorrichtung zum Unterscheiden eines von einem dynamischen System be
obachteten Zeitreihendatenwerts geschaffen wird, welche umfaßt
- a) ein Mittel, um den Zeitreihendatenwert y(t) in einen n-dimensionalen Zustandsraum einzubetten;
- b) ein Mittel, um einen willkürlichen Datenvektor Xi aus Trajektorien des eingebetteten Zeitreihendatenwerts auszuwählen;
- c) ein Mittel, um in Form einer euklidischen Entfernung m Datenvektoren Xj (j= 1, 2,---, m) auszuwählen, die zu dem ausgewählten Datenvektor Xi benachbart sind;
- d) ein Mittel, um tangentiale Einheitsvektoren Ti und Tj bezüglich der Da tenvektoren Xi und Xj abzuleiten;
- e) ein Mittel, um Veränderungen in Richtungen relativ zu den tangentialen
Einheitsvektoren Tj der benachbarten Datenvektoren zu berechnen, indem
auf die tangentialen Einheitsvektoren Ti wie folgt Bezug genommen wird:
- f) ein Mittel, um die Berechnung von γi bei dem Berechnungsmittel für ei
ne vorbestimmte Probenanzahl k, die Unterräumen entspricht, zu wieder
holen, um einen Mittelwert Γ abzuleiten:
- g) ein Mittel, um zu bestimmen, ob Γ ≒ 0; und
- h) ein Mittel, um gemäß einem Ergebnis der Bestimmung von dem Mittel wert Γ zu unterscheiden, ob der beobachtete Zeitreihendatenwert aus ei nem deterministischen Chaos oder aus einem stochastischen Prozeß stammt.
Die oben beschriebene Aufgabe kann auch erfüllt werden, indem eine Vor
richtung zum Unterscheiden eines Zeitreihendatenwerts, der von einem
dynamischen System beobachtet wird, das ein Fahrzeugautomatikgetriebe
bildet, geschaffen wird, wobei die Vorrichtung umfaßt:
- a) einen Detektor, um einen Wellenschwingungsschall des Automatikge triebes zu beobachten;
- b) einen Wandler, um den Wellenschwingungsschall in ein digitales dis kretes Signal umzuwandeln;
- c) einen ersten Prozessor, um den Zeitreihendatenwert y(t) gemäß dem di gitalen diskreten Signal zu liefern;
- d) einen zweiten Prozessor, um den Zeitreihendatenwert y(t) in einen n- dimensionalen Zustandsraum einzubetten;
- e) eine erste Auswahleinrichtung, um einen willkürlichen Datenvektor Xi aus Trajektorien des eingebetteten Zeitreihendatenwerts auszuwählen;
- f) eine zweite Auswahleinrichtung, um in Form einer euklidischen Entfer nung m Datenvektoren Xj (j= 1, 2,---, m) auszuwählen, die zu dem aus gewählten Datenvektor Xi benachbart sind:
- g) eine erste Berechnungseinrichtung, um tangentiale Einheitsvektoren Ti und Tj bezüglich der Datenvektoren Xi und Xj abzuleiten;
- h) eine zweite Berechnungseinrichtung, um Veränderungen in Richtungen
relativ zu den tangentialen Einheitsvektoren Tj der benachbarten Daten
vektoren zu berechnen, indem auf die tangentialen Einheitsvektoren Ti wie
folgt Bezug genommen wird:
- i) eine dritte Berechnungseinrichtung, um die Berechnung von γi bei der
zweiten Berechnungseinrichtung für eine vorbestimmte Probenanzahl k,
die Unterräumen entspricht, zu wiederholen, um einen Mittelwert Γ abzu
leiten:
- j) eine erste Bestimmungseinrichtung, um zu bestimmen, ob Γ ≒ 0;
- k) eine Unterscheidungseinrichtung, um gemäß einem Ergebnis der Be stimmung von dem Mittelwert Γ von der ersten Bestimmungseinrichtung zu unterscheiden, ob der beobachtete Zeitreihendatenwert aus einem de terministischen Chaos oder aus einem stochastischen Prozeß stammt; und
- l) eine zweite Bestimmungseinrichtung, um zu bestimmen, daß eine Wel lenschwingung des Automatikgetriebes eine Abnormalität aufweist, wenn die Unterscheidungseinrichtung unterscheidet, daß der beobachtete Zeit reihendatenwert aus dem stochastischen Prozeß stammt.
Die Erfindung wird im folgenden beispielhaft anhand der Zeichnung be
schrieben; in dieser zeigt:
Fig. 1 ein funktionelles Blockdiagramm einer Zeitreihendatenwert-
Unterscheidungsvorrichtung gemäß der vorliegenden Erfin
dung,
Fig. 2 eine schematische Ansicht eines seltsamen Attraktors eines in
einen n-dimensionalen Zustandsraum eingebetteten Zeitrei
hendatenwerts und eines örtlichen Unterraums von Trajek
torien in dem seltsamen Attraktor, der in der in Fig. 1 gezeig
ten ersten Ausführungsform ausgeführt ist,
Fig. 3 schematische Ansichten von einem der örtlichen Unterräume,
um die benachbarten Vektoren in den Trajektorien zu erläu
tern, wenn der Zeitreihendatenwert kein Zufallsrauschen
umfaßt, und wenn der Zeitreihendatenwert das Zufallsrau
schen umfaßt,
Fig. 4 eine angezeigte Ansicht eines Attraktor-Graphen von einem
Rössler-Chaos, der den Zeitreihendatenwert repräsentiert, der
auf einem Determinismus beruht,
Fig. 5 eine angezeigte Ansicht eines anderen Attraktor-Graphen des
Rössler-Chaos, dem 10% Zufallsrauschen hinzugefügt ist,
Fig. 6 ein funktionelles Blockdiagramm der Zeitreihendatenwert-
Unterscheidungsvorrichtung in einer zweiten bevorzugten
Ausführungsform gemäß der vorliegenden Erfindung,
Fig. 7 ein Operationsflußdiagramm, das in der in Fig. 6 gezeigten
zweiten Ausführungsform ausgeführt wird,
Fig. 8 eine strukturelle erläuternde Ansicht einer Wellenschwin
gungsabnormalität-Detektionsvorrichtung für ein rotierendes
mechanisches System, wie ein Fahrzeugautomatikgetriebe,
auf das die vorliegende Erfindung anwendbar ist,
Fig. 9A einen charakteristischen Graph des Rössler-Chaos-Zeitreihen
datenwerts,
Fig. 9B einen charakteristischen Graph des Rössler-Chaos-Zeitreihen
datenwerts, dem 10% weißes Rauschen hinzugefügt ist,
Fig. 10A einen erweiterten charakteristischen Graph des in Fig. 9A ge
zeigten Rössler-Chaos-Zeitreihendatenwerts,
Fig. 10B einen erweiterten charakteristischen Graph des in Fig. 9B ge
zeigten Rössler-Chaos-Zeitreihendatenwerts, dem 10% weißes
Rauschen hinzugefügt ist,
Fig. 11A einen charakteristischen Graph des in Fig. 9A gezeigten
Rössler-Chaos als ein Ergebnis einer früher vorgeschlagenen
FFT-Analyse,
Fig. 11B einen charakteristischen Graph des in Fig. 9B gezeigten
Rössler-Chaos als das Ergebnis der FFT-Analyse,
Fig. 12A einen entsprechenden, erweiterten, charakteristischen Graph
des in Fig. 11A gezeigten Rössler-Chaos-Zeitreihendatenwerts
als das Ergebnis der früher vorgeschlagenen FFT-Analyse,
Fig. 12B einen entsprechenden, erweiterten, charakteristischen Graph
des in Fig. 11B gezeigten Rössler-Chaos-Zeitreihendatenwerts,
dem 10% weißes Rauschen hinzugefügt ist, als das Ergebnis
der früher vorgeschlagenen FFT-Analyse und
Fig. 13A und 13B erläuternde Ansichten einer Ableitung von tangen
tialen Einheitsvektoren Ti und Tj mit Bezug auf die Datenvek
toren Xi und Xj, die in den in den Fig. 1 und Fig. 7 gezeigten
ersten und zweiten Ausführungsformen ausgeführt wird.
Nachstehend wird Bezug genommen, um ein besseres Verständnis der
vorliegenden Erfindung zu erleichtern.
Fig. 1 zeigt ein funktionelles Blockdiagramm einer Vorrichtung zum Un
terscheiden eines Zeitreihendatenwerts (time series data) in einer ersten
bevorzugten Ausführungsform gemäß der vorliegenden Erfindung.
Fig. 2 zeigt ein Beispiel des Zeitreihendatenwerts, der in einem n-dimen
sionalen Zustandsraum eingebettet ist (ein seltsamer Attraktor (strange
attractor)).
Fig. 3 zeigt eine örtliche charakteristische Ansicht des seltsamen Attrak
tors, dem kein Zufallsrauschen hinzugefügt ist, oder dem Zufallsrauschen
hinzugefügt ist.
In Fig. 1 ist in der Zeitreihendatenwert-Unterscheidungsvorrichtung eine
erste Beobachtungseinrichtung (Datenvektor-Beobachtungsblock) 1 vorge
sehen, um einen willkürlichen Datenvektor Xi von dem Zeitreihendaten
wert zu beobachten, der in dem in Fig. 2 gezeigten n-dimensionalen Vek
tor eingebettet ist (n: natürliche Zahl).
Der Ausdruck des n-dimensionalen Vektors ist beispielhaft durch eine am
29. August 1995 veröffentlichte U.S. Patentschrift Nr. 5 446 828 veran
schaulicht, deren Offenbarungsgehalt hierin durch Bezugnahme mit ein
bezogen ist.
Eine (zweite) Tangentenrichtung-Beobachtungseinrichtung (Tangenten
richtung-Bestimmungsblock) 2 dient dazu, eine Vielzahl von Tangenten
richtungen Ti,---, Tk,---, Tj mit Bezug auf jeweilige entsprechende Lö
sungstrajektorien innerhalb eines benachbarten Raumes (in Fig. 2 gezeigt)
zu dem willkürlichen Datenvektor Xi, der Datenvektor Xi inklusive, zu be
obachten.
Die Lösungstrajektorien sind beispielhaft durch eine am 23. September
1997 veröffentlichte U.S. Patentschrift Nr. 5 671 336 veranschaulicht, de
ren Offenbarungsgehalt hierin durch Bezugnahme mit einbezogen ist.
Ein Entscheidungsblock 3 bestimmt, ob die Tangentenrichtungen, die von
dem Tangentenrichtung-Bestimmungsblock 2 bestimmt werden, wechsel
seitig und im allgemeinen gleich sind oder nicht.
Wenn das Ergebnis der Bestimmung bei dem Entscheidungsblock 3 an
zeigt, daß die bestimmten Richtungen wechselseitig und im allgemeinen
gleich sind, ist der beobachtete Zeitreihendatenwert der Zeitreihendaten
wert, der auf einem idealen Determinismus beruht. Wenn das Ergebnis
der Bestimmung bei dem Entscheidungsblock 3 anzeigt, daß die be
stimmten Tangentenrichtungen nicht wechselseitig und im allgemeinen
gleich sind, d. h., die bestimmten Tangentenrichtungen sind individuell
unterschiedlich, wie in Fig. 3 gezeigt, bestimmt der anschließende Unter
scheidungsblock 4, daß eine Abnormalität in einem System auftritt, die
der Zeitreihendatenwert entwickelt, nämlich die Tangentenrichtungen
werden aufgrund eines Aufbringens des Zufallsrauschens auf den Zeitrei
hendatenwert zufällig, so daß der beobachtete Zeitreihendatenwert auf ei
nem stochastischen Prozeß beruht.
Fig. 4 zeigt einen Attraktor-Graph eines Rössler-Chaos, der die Zeitreihen
daten des deterministischen Chaos darstellt.
Fig. 5 zeigt einen anderen Attraktor-Graph des Rössler-Chaos, der die
Zeitreihendaten des deterministischen Chaos darstellt und der den Ein
fluß eines weißen Rauschens empfängt.
Wie in Fig. 4 gezeigt, zeichnet der Attraktor eine glatte Trajektorie, wenn
die Daten ohne Einfluß des weißen Rauschens oder Zufallsrauschens ein
gebettet sind.
Wenn jedoch der Einfluß des weißen Rauschens oder zufälligen Rau
schens empfangen wird, wird die Trajektorie des Attraktor-Graphen zufäl
lig (wechselseitig entgegengesetzt), wie in Fig. 5 gezeigt.
Wie aus einem Teil des Attraktor-Graphen in Fig. 4 festzustellen, zeigten
die Zeitreihendaten des deterministischen Chaos ohne Einfluß des Rau
schens an, daß ihre Daten gegenseitig und im allgemeinen in der gleichen
Richtung strömen.
In der ersten Ausführungsform wird ein Trajektorien-Parallelitätsverfahren
verwendet, um zu unterscheiden, ob der eingegebene (beobachtete) Zeit
reihendatenwert aus einem deterministischen Chaos oder aus dem sto
chastischen Prozeß stammt.
Im Detail wird bei dem Datenvektor-Beobachtungsblock 1 der beobachtete
Zeitreihendatenwert y(t) durch eine Takens-Theorie in die n-Dimension
eingebettet. (Dies ist gültig, wenn für die Einbettungsdimension n gilt:
n ≧ 2p+1 (wobei p die Dimension eines ursprünglichen dynamischen Sy
stems ist). Wenn n < 2p+1, können die Trajektorien in einem örtlichen
Unterraum geschnitten sein, weil unterschiedliche Teile in den ursprüng
lichen Zeitreihen in den Zustandsraum abgebildet werden).
Es ist anzumerken, daß die Takens-Theorie in einem Buch beschrieben ist
unter dem Titel "Detecting Strange Attractor in Turbulence", von F. Takens
verfaßt, in Dynamic Systems and Turbulence, Warwick, 1980, Herausge
ber D.A. Rand, L.S. Young (Springer, Berlin, 1981), Seite 366.
Dann wird der eingebettete Vektor Xt als
Xt={y(t),y(t-τ),---,y(t-(n-1)τ)} ---(1)
abgeleitet, wobei τ eine Verzögerungszeit bezeichnet.
Als nächstes wird bei dem Datenvektor-Beobachtungsblock 1 der willkür
liche Vektor Xi = {y(i), y(i-τ),---, y(i-(n-1)τ)} zufällig unter den Trajekt
orien ausgewählt.
Als nächstes werden bei dem Datenvektor-Beobachtungsblock 1 in Form
einer euklidischen Entfernung m Datenvektoren Xj (j= 1, 2,---, m) aus
gewählt, die zu Xi benachbart sind.
Als nächstes werden bei dem Tangentenrichtung-Bestimmungsblock 2
tangentiale Einheitsvektoren Ti und Tj bezüglich des willkürlichen Vektors
Ti und benachbarter Vektoren Xj abgeleitet. Da der tangentiale Einheits
vektor nicht leicht idealistisch durch strenge Verfahren aus einer Zeitreihe
abgeleitet werden kann, wird ein Hyperkreis konstruiert, der durch die
drei Punkte verläuft, die aus dem ausgewählten Punkt Xi, dem früheren
Punkt Xi-1 und dem nächsten Punkt Xi+1 bestehen. Als nächstes wird ein
tangentialer Einheitsvektor Ti näherungsweise als eine Tangente an den
Hyperkreis bei Xi abgeleitet. Ähnlich wird Tj erhalten. Durch Bezugnahme
auf die tangentialen Einheitsvektoren Ti werden Veränderungen in den
Richtungen relativ zu den tangentialen Einheitsvektoren Tj der benach
barten Datenvektoren durch die folgende Gleichung (2) bei dem Tangen
tenrichtung-Bestimmungsblock 2 berechnet.
Diese Berechnungen werden für k Unterräume ausgeführt, die zufällig von
dem in den Fig. 2 und 3 gezeigten Attraktor entnommen werden.
Als nächstes wird bei dem Entscheidungsblock 3 durch die folgende Glei
chung (3) ein Mittelwert berechnet, um den Status der Trajektorien des
Attraktors statistisch zu bestimmen.
Infolge des obigen kann der Entscheidungsblock 3 schließen, daß, wenn
der Wert Γ näher bei Null ist, die Trajektorien in örtlichen Unterräumen
näher in den gleichen Richtungen sein werden. Der beobachtete Zeitrei
hendatenwert ist nämlich von dem Determinismus erzeugt. Im Gegensatz
dazu wird, während das Ergebnis näher bei 0,5 ist, die Trajektorie mehr
orthogonal in den örtlichen Räumen liegen. Je näher das Ergebnis bei 1
ist, desto näher wird jeder Trajektorienvektor in den entgegengesetzten
Richtungen liegen. Insbesondere bedeutet ein Ergebnis nahe bei 0,5, daß
der beobachtete Zeitreihendatenwert ein stochastischer Prozeß ist.
Für praktische Anwendungen werden diese Berechnungen wiederholt, um
statistische Fehler zu verkleinern.
Als nächstes wird unten eine zweite bevorzugte Ausführungsform der Zeit
reihendatenwert-Unterscheidungsvorrichtung beschrieben.
Fig. 6 zeigt ein funktionelles Blockdiagramm der zweiten bevorzugten
Ausführungsform gemäß der vorliegenden Erfindung.
In Fig. 6 mißt ein Beobachtungsblock 11 den Zeitreihendatenwert von ei
nem zu messenden dynamischen System. Ein Dateneingabeblock 12 holt
den beobachteten Zeitreihendatenwert herein. Dann holt ein Datenspei
cherblock 13 den beobachteten Zeitreihendatenwert herein und speichert
ihn. Der gespeicherte Zeitreihendatenwert wird in einen Parallelitätsmes
sungsverarbeitungsblock 14 eingegeben, in dem eine Reihe von Verarbei
tungen ausgeführt wird, die in Fig. 7 gezeigt sind.
Bei dem Parallelitätsmessungsverarbeitungsblock 14 werden die tangen
tialen Einheiten für die eingebetteten Vektoren abgeleitet, und ein Grad
einer Parallelität, der das Trajektorien-Parallelitätsmessungsverfahren
verwendet, wird ausgeführt, um die Parallelität der Tangente zu bestim
men. Bei einem Bestimmungsergebnisblock 15 wird gemäß dem be
stimmten Wert der Parallelität der Tangenten bestimmt, ob der Zeitreihen
datenwert das Rauschen umfaßt. Das Ergebnis der Bestimmung bei dem
Bestimmungsergebnisblock 15 wird einem Ausgabeblock 16 zugeführt,
der eine Überwachungseinheit aufweist, um das Bestimmungsergebnis
anzuzeigen, und wird in einem Bestimmungsergebnis-Speicherblock 17
gespeichert.
Fig. 7 zeigt ein Verarbeitungsflußdiagramm, das bei dem Parallelitätsmes
sungsverarbeitungsblock 14 ausgeführt wird.
Bei Schritt 21 wird der gespeicherte Zeitreihendatenwert in der Form des
seltsamen Attraktors geholt, beispielsweise wie in den Fig. 2 und 3 gezeigt.
Bei Schritt 22 wird der gehole Zeitreihendatenwert y(t) in den n-dimen
sionalen Zustandsraum (n: natürliche Zahl) gemäß Gleichung (1) einge
bettet.
Es ist anzumerken, daß n und τ (Verzögerungszeit) zuvor gemäß dem zu
messenden dynamischen System festgelegt werden.
Bei Schritt 23 wird der willkürliche Datenvektor Xi zufällig unter den Tra
jektorien in dem seltsamen Attraktor ausgewählt;
Xi{y(i), y(i-τ),---, (y(i-(n-1)τ)}.
Bei Schritt 24 werden in Form einer euklidischen Entfernung m Daten
vektoren Xj (j=1, 2,---, m) ausgewählt, die zu Xi benachbart sind.
Bei dem nächsten Schritt 25 werden tangentiale Einheitsvektoren Ti und
Tj abgeleitet, wie in Fig. 13A gezeigt.
Bei Schritt 25 wird der Hyperkreis konstruiert, der durch die drei Punkte
verläuft, die aus dem ausgewählten Xi, dem früheren Punkt Xi-1 und dem
nächsten Punkt Xi+1 bestehen, wie in Fig. 13B gezeigt. Als nächstes wird
die tangentiale Einheit Ti näherungsweise als eine Tangente an den Hy
perkreis bei Xi abgeleitet, wie in Fig. 13B gezeigt.
Ähnlich wird Tj erhalten. Durch Bezugnahme auf die tangentialen Ein
heitsvektoren Ti werden Veränderungen γ i in den Richtungen relativ zu
den tangentialen Einheitsvektoren Tj der benachbarten Datenvektoren
durch Gleichung (2) berechnet. Diese Berechnungen werden für k Unter
räume ausgeführt, die zufällig von dem Attraktor entnommen werden.
Als nächstes wird, um den Status der Trajektorien des Attraktors stati
stisch zu bestimmen, ein Mittelwert Γ durch Gleichung (3) bei Schritt S26
berechnet.
Dann wird bei Schritt 27 bestimmt, daß der Mittelwert Γ, der bei Schritt
26 abgeleitet wurde, eine vorbestimmte Probenanzahl K erreicht hat, um
die statistische Zahl zu verkleinern.
Bei Schritt 28 wird bestimmt, ob der Wert Γ näherungsweise Null oder
näherungsweise 0,5 beträgt.
Wenn Γ ≒ 0,5 oder näher bei 1 liegt, bestimmt der Bestimmungsergebnis
block 15, daß der Zeitreihendatenwert aus einem stochastischen Prozeß
stammt.
Es ist anzumerken, daß, wenn Γ ≒ 0, der Bestimmungsergebnisblock 15
bestimmt, daß der Zeitreihendatenwert der deterministische ist.
Fig. 8 zeigt ein besonderes strukturelles Blockdiagramm der Unterschei
dungsvorrichtung gemäß der vorliegenden Erfindung, die auf eine Wellen
schwingungsabnormalität-Detektionsvorrichtung in einem rotierenden
mechanischen System anwendbar ist, z. B. eine Detektionsvorrichtung für
eine Schwingungsabnormalität bei einer Fahrzeugautomatikgetriebewelle.
Während in Fig. 8 ein zu messendes Automatikgetriebe 31 eingebaut ist,
ist ein in das Fahrzeug einzubauendes Testsystem des Automatikgetriebes
31 beispielhaft durch eine am 2. März 1993 veröffentlichte U.S. Patent
schrift Nr. 5 189 908 veranschaulicht, deren Offenbarungsgehalt hierin
durch Bezugnahme mit einbezogen ist.
Der Detektor 32, z. B. ein Mikrophon, detektiert ein Schallsignal, das wäh
rend des Tests des Automatikgetriebes 31 erzeugt wird. Das detektierte
Schallsignal wird mittels eines A/D-Wandlers 34 in ein entsprechendes
digitales Signal umgewandelt. Dieser Datenwert wird bei dem in Fig. 6 ge
zeigten Parallelitätsmessungsverarbeitungsblock 14 verarbeitet, um einen
abnormalen Schall zu detektieren, der von einem fehlerhaft funktionieren
den Automatikgetriebe 31 erzeugt werden würde. Das detektierte Ergebnis
wird auf einer KSR-Anzeigeeinheit 35 (Kathodenstrahlröhren-Anzeigeein
heit) oder an einer Überwachungstafel 36 angezeigt, oder es wird verwen
det, um den Betrieb des Testsystems zu stoppen. Es ist anzumerken, daß
37 einen D/A-Wandler (Digital/Analog-Wandler) bezeichnet, 38 eine
Schnittstellentafel bezeichnet, 39 ein LAN-Erweiterungsmodul bezeichnet
und 40 einen Übertragungsweg bezeichnet, um ein Bestimmungsergebnis
zu einem anderen Computer zu übertragen.
In dem oben beschriebenen Beispiel, das in Fig. 8 gezeigt ist, ist die vorlie
gende Erfindung auf ein System anwendbar, das einen abnormalen Schall
des rotierenden mechanischen Systems detektiert.
Die vorliegende Erfindung ist auch auf ein auf Druck ansprechendes Sen
sorsystem oder auf ein auf Temperatur ansprechendes Sensorsystem an
wendbar.
Alternativ ist sie auch auf ein Detektionssystem für abnormalen Schall
anwendbar, bei dem der abnormale Schall aufgrund eines Schadens in
einem Verrohrungssystem erzeugt wird.
Die vorliegende Erfindung ist auch auf ein Abnormalitäts-Detektions
system für eine Zahnradpumpenanordnung eines Servolenksystems eines
Fahrzeuges anwendbar.
Es ist anzumerken, daß der eingebettete Vektor des Zeitreihendatenwerts,
der sich unter der Zeitreihendatenwertunterscheidung befindet und als
Xt = {y(t), y(t-τ), y(t-2τ),---, y(t-(n-1)τ)} auszudrücken ist, einen Punkt
des n-dimensionalen Zustandsraumes Rn anzeigt.
Wenn die Zeit t verändert wird, können Trajektorien in den n-dimensio
nalen Zustandsraum gezeichnet werden.
Wenn der Zeitreihendatenwert von dem Attraktor des ursprünglichen dy
namischen Systems abgeleitet wird, kann ein derartiger Attraktor in dem
Zustandsraum wiedergegeben werden, da eine Phasenstruktur des At
traktors speichert wird. Weil der eingebettete Vektor Xt auf dem wiederge
gebenen Attraktor bewegt wird, kann deshalb die Position nach einem
s-Schritt Xt+s in einem kurzen Ausdruck als Xt+s = {y(t+s), y(t+s-τ),
y(t+s-2 τ),---, y(t+s-(n-1)τ)} vorhergesagt werden.
Eine Komponente y(t+s) des Datenvektors Xt befindet sich einen Zeitrei
hendatenwert-s-Schritt vor dem beobachteten Zeitpunkt Xt, und dieser
Wert sorgt für einen vorhergesagten Wert bei einer Position des s-Schrittes
im voraus. Wenn s < τ, liefert y(t+s-τ) den vorhergesagten Wert.
In den Fig. 9A bis 12B sind numerische Gleichungen, um das auf dem
Determinismus beruhende Rössler-Chaos zu bestimmen, wie folgt:
dx(t)/dt = -y(t) -z(t), dy(t)/dt = x(t)+0,2y(t), dz(t)/dt = 0,2-5z(t)+x(t)z(t)
(Anfangswerte: x(0) = 0, y(0) = 4, z(0) = 28 und die Anzahl an Daten beträgt
6000).
Zusammengefaßt ist ein Verfahren und eine Vorrichtung beschrieben, um
zu unterscheiden, ob ein Zeitreihendatenwert aus einem deterministi
schen Chaos oder aus einem stochastischen Chaos stammt. Bei dem Ver
fahren und der Vorrichtung wird ein Trajektorien-Parallelitätsmessungs
verfahren verwendet, um den beobachteten Zeitreihendatenwert zu unter
scheiden.
Claims (10)
1. Verfahren zum Unterscheiden eines von einem dynamischen System
beobachteten Zeitreihendatenwerts mit den Schritten, daß:
- a) der Zeitreihendatenwert y(t) in einen n-dimensionalen rekonstru ierten Zustandsraum eingebettet wird;
- b) ein willkürlicher Datenvektor Xi aus Trajektorien des eingebette ten Zeitreihendatenwerts ausgewählt wird;
- c) in Form einer euklidischen Entfernung m Datenvektoren Xj (j= 1, 2,---, m) ausgewählt werden, die zu dem ausgewählten Datenvektor Xi benachbart sind;
- d) tangentiale Einheitsvektoren Ti und Tj bezüglich der Datenvekto ren Xi und Xj abgeleitet werden;
- e) Abweichungen in Richtungen relativ zu den tangentialen Einheits
vektoren Tj der benachbarten Datenvektoren berechnet werden, in
dem wie folgt Bezug auf die tangentialen Einheitsvektoren Ti ge
nommen wird:
- f) die Berechnung von γi bei dem vorigen Schritt für eine vorbe
stimmte Probenanzahl k, die Unterräumen entspricht, wiederholt
wird, um einen Mittelwert Γ abzuleiten:
- g) bestimmt wird, ob Γ ≒ 0; und
- h) gemäß einem Ergebnis der Bestimmung von dem Mittelwert Γ unterschieden wird, ob der beobachtete Zeitreihendatenwert aus ei nem deterministisches Chaos oder aus einem stochastischen Prozeß stammt.
2. Verfahren zum Unterscheiden eines von einem dynamischen System
beobachteten Zeitreihendatenwerts nach Anspruch 1, wobei der
Schritt h) bestimmt, daß der beobachtete Zeitreihendatenwert aus
dem deterministischen Chaos stammt, wenn bestimmt wird, daß der
Mittelwert Γ näherungsweise Null anzeigt.
3. Verfahren zum Unterscheiden eines von einem dynamischen System
beobachteten Zeitreihendatenwerts nach Anspruch 2, wobei der
Schritt h) bestimmt, daß der beobachtete Zeitreihendatenwert aus
dem stochastischen Prozeß stammt, wenn bestimmt wird, daß der
Mittelwert Γ näherungsweise 0,5 anzeigt oder näher bei 1 liegt.
4. Verfahren zum Unterscheiden eines von einem dynamischen System
beobachteten Zeitreihendatenwerts nach Anspruch 3, wobei der
ausgewählte Datenvektor durch Xi = {y(i), y(i-τ),---, y(i-(n-1)τ)}
dargestellt wird, wobei τ eine Verzögerungszeit bezeichnet.
5. Verfahren zum Unterscheiden eines von einem dynamischen System
beobachteten Zeitreihendatenwerts nach Anspruch 3, wobei τ und n
zuvor gemäß dem zu beobachtenden dynamischen System festgelegt
werden.
6. Vorrichtung zum Unterscheiden eines von einem dynamischen Sy
stem beobachteten Zeitreihendatenwerts, umfassend:
- a) ein Mittel, um den Zeitreihendatenwert y(t) in einen n-dimensio nalen Zustandsraum einzubetten;
- b) ein Mittel, um einen willkürlichen Datenvektor Xi aus Trajektori en des eingebetteten Zeitreihendatenwerts auszuwählen;
- c) ein Mittel, um in Form einer euklidischen Entfernung m Daten vektoren Xj (j = 1, 2,---, m) auszuwählen, die zu dem ausgewählten Datenvektor Xi benachbart sind;
- d) ein Mittel, um tangentiale Einheitsvektoren Ti und Tj bezüglich der Datenvektoren Xi und Xj abzuleiten;
- e) ein Mittel, um Veränderungen in Richtungen relativ zu den tan
gentialen Einheitsvektoren Tj der benachbarten Datenvektoren zu
berechnen, indem auf die tangentialen Einheitsvektoren Ti wie folgt
Bezug genommen wird:
- f) ein Mittel, um die Berechnung von γi bei dem Berechnungsmittel
für eine vorbestimmte Probenanzahl k, die Unterräumen entspricht,
zu wiederholen, um einen Mittelwert Γ abzuleiten:
- g) ein Mittel, um zu bestimmen, ob Γ ≒ 0; und
- h) ein Mittel, um gemäß einem Ergebnis der Bestimmung von dem Mittelwert Γ zu unterscheiden, ob der beobachtete Zeitreihendaten wert aus einem deterministischen Chaos oder aus einem stochasti schen Prozeß stammt.
7. Vorrichtung zum Unterscheiden eines von einem dynamischen Sy
stem beobachteten Zeitreihendatenwerts nach Anspruch 6, wobei
das dynamische System ein Fahrzeugautomatikgetriebe umfaßt;
ferner umfassend: einen Detektor, um einen Wellenschwingungs
schall des Automatikgetriebes zu beobachten; einen Wandler, um
den Wellenschwingungsschall in ein digitales Signal umzuwandeln;
und einen Prozessor, um den Zeitreihendatenwert gemäß dem um
gewandelten digitalen Signal zu liefern.
8. Vorrichtung zum Unterscheiden eines von einem dynamischen Sy
stem beobachteten Zeitreihendatenwerts nach Anspruch 7, die fer
ner eine Anzeigeeinheit umfaßt, um das Ergebnis der Bestimmung
von dem Unterscheidungsmittel anzuzeigen, ob der beobachtete
Zeitreihendatenwert aus dem deterministischen Chaos oder aus
dem stochastischen Prozeß stammt.
9. Vorrichtung zum Unterscheiden eines von einem dynamischen Sy
stem beobachteten Zeitreihendatenwerts nach Anspruch 8, wobei,
wenn das Unterscheidungsmittel unterscheidet, daß der beobach
tete Zeitreihendatenwert aus dem stochastischen Prozeß stammt,
das Unterscheidungsmittel durch die Anzeigeeinheit darüber infor
miert, daß das Fahrzeugautomatikgetriebe fehlerhaft funktioniert.
10. Vorrichtung zum Unterscheiden eines Zeitreihendatenwerts, der von
einem dynamischen System beobachtet wird, das ein Fahrzeugauto
matikgetriebe bildet, wobei die Vorrichtung umfaßt:
- a) einen Detektor, um einen Wellenschwingungsschall des Automa tikgetriebes zu detektieren;
- b) einen Wandler, um den Wellenschwingungsschall in ein digitales diskretes Signal umzuwandeln;
- c) einen ersten Prozessor, um den Zeitreihendatenwert y(t) gemäß dem digitalen diskreten Signal zu liefern;
- d) einen zweiten Prozessor, um den Zeitreihendatenwert y(t) in einen n-dimensionalen Zustandsraum einzubetten;
- e) eine erste Auswahleinrichtung, um einen willkürlichen Daten vektor Xi aus Trajektorien des eingebetteten Zeitreihendatenwerts auszuwählen;
- f) eine zweite Auswahleinrichtung, um in Form einer euklidischen Entfernung m Datenvektoren Xj (j= 1, 2,---, m) auszuwählen, die zu dem ausgewählten Datenvektor Xi benachbart sind:
- g) eine erste Berechnungseinrichtung, um tangentiale Einheitsvek toren Ti und Tj bezüglich der Datenvektoren Xi und Xj abzuleiten;
- h) eine zweite Berechnungseinrichtung, um Veränderungen in
Richtungen relativ zu den tangentialen Einheitsvektoren Tj der be
nachbarten Datenvektoren zu berechnen, indem auf die tangentia
len Einheitsvektoren Ti wie folgt Bezug genommen wird:
- i) eine dritte Berechnungseinrichtung, um die Berechnung von γi bei
der zweiten Berechnungseinrichtung für eine vorbestimmte Proben
anzahl k, die Unterräumen entspricht, zu wiederholen, um einen
Mittelwert Γ abzuleiten:
- j) eine erste Bestimmungseinrichtung, um zu bestimmen, ob Γ ≒ 0;
- k) eine Unterscheidungseinrichtung, um gemäß einem Ergebnis der Bestimmung von dem Mittelwert Γ von der ersten Bestimmungsein richtung zu unterscheiden, ob der beobachtete Zeitreihendatenwert aus einem deterministischen Chaos oder aus einem stochastischen Prozeß stammt; und
- l) eine zweite Bestimmungseinrichtung, um zu bestimmen, daß eine Wellenschwingung des Automatikgetriebes eine Abnormalität auf weist, wenn die Unterscheidungseinrichtung unterscheidet, daß der beobachtete Zeitreihendatenwert aus dem stochastischen Prozeß stammt.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP28965896A JP3785703B2 (ja) | 1996-10-31 | 1996-10-31 | 時系列データの識別方法およびその識別装置 |
JP8-289658 | 1996-10-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19748312A1 true DE19748312A1 (de) | 1998-05-07 |
DE19748312B4 DE19748312B4 (de) | 2004-12-02 |
Family
ID=17746086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19748312A Expired - Lifetime DE19748312B4 (de) | 1996-10-31 | 1997-10-31 | Vorrichtung zum Unterscheiden eines Zeitreihendatenwerts |
Country Status (5)
Country | Link |
---|---|
US (1) | US6216118B1 (de) |
JP (1) | JP3785703B2 (de) |
KR (1) | KR100254121B1 (de) |
AU (1) | AU695842B2 (de) |
DE (1) | DE19748312B4 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005054892A1 (de) * | 2003-12-04 | 2005-06-16 | Atlas Elektronik Gmbh | Verfahren zum detektieren von zielen |
CN111241902A (zh) * | 2019-07-24 | 2020-06-05 | 成都理工大学 | 一种高精度多重同步压缩广义s变换时频分析方法 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7124075B2 (en) * | 2001-10-26 | 2006-10-17 | Dmitry Edward Terez | Methods and apparatus for pitch determination |
JP2003290894A (ja) * | 2002-04-01 | 2003-10-14 | Thermo Techno:Kk | 溶融金属移送ノズル内流動状態検知方法及びその装置 |
US7440811B2 (en) * | 2004-09-28 | 2008-10-21 | Siemens Aktiengesellschaft | Dynamic-state waiting time analysis method for complex discrete manufacturing |
US8140191B2 (en) * | 2005-07-11 | 2012-03-20 | Panasonic Corporation | Environment control device, environment control method, environment control program, and computer-readable recording medium containing the environment control program |
JP2008014679A (ja) * | 2006-07-03 | 2008-01-24 | Ritsumeikan | 設備診断方法、設備診断システム及びコンピュータプログラム |
JP5046286B2 (ja) * | 2007-09-10 | 2012-10-10 | 公立大学法人首都大学東京 | ストレス評価装置、ストレス評価システムおよびストレス評価プログラム |
JP2013140135A (ja) * | 2011-12-09 | 2013-07-18 | Tokyo Electron Ltd | 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム |
JP6051951B2 (ja) * | 2013-03-01 | 2016-12-27 | 株式会社明電舎 | 部分放電検出装置及び部分放電検出方法 |
JP6365146B2 (ja) * | 2014-09-05 | 2018-08-01 | 株式会社明電舎 | 時系列データの解析方法及び時系列データの異常監視装置 |
JP6365145B2 (ja) * | 2014-09-05 | 2018-08-01 | 株式会社明電舎 | 時系列データの解析方法及び時系列データの異常監視装置 |
JP6365144B2 (ja) * | 2014-09-05 | 2018-08-01 | 株式会社明電舎 | 時系列データの解析方法及び時系列データの異常監視装置 |
JP6365143B2 (ja) * | 2014-09-05 | 2018-08-01 | 株式会社明電舎 | 時系列データの解析方法及び時系列データの異常監視装置 |
CN104915550B (zh) * | 2015-05-25 | 2016-06-29 | 东南大学 | 基于多时间尺度建模的轴承寿命预测方法 |
JP6213655B2 (ja) * | 2016-11-21 | 2017-10-18 | 株式会社明電舎 | 時系列データの異常監視装置、異常監視方法及びプログラム |
CN110220727B (zh) * | 2018-03-02 | 2021-01-29 | 华为技术有限公司 | 一种电机类设备的异常检测方法及装置 |
CN111832910B (zh) * | 2020-06-24 | 2024-03-12 | 陕西法士特齿轮有限责任公司 | 一种多指标异响判定阈值确定方法、系统和计算机设备 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5189908A (en) | 1989-11-30 | 1993-03-02 | Kabushiki Kaisha Meidensha | Testing apparatus for engine driven automotive component with feature of precise simulation of engine transition state |
JP2792633B2 (ja) * | 1990-02-09 | 1998-09-03 | 株式会社日立製作所 | 制御装置 |
US5869752A (en) * | 1990-12-10 | 1999-02-09 | Sensortech L.L.C. | Engine degradation detector |
GB9106082D0 (en) * | 1991-03-22 | 1991-05-08 | Secr Defence | Dynamical system analyser |
JP3210054B2 (ja) | 1992-02-21 | 2001-09-17 | 烈 山川 | カオス的信号発生装置および方法ならびにカオス・ディバイス |
US5386689A (en) * | 1992-10-13 | 1995-02-07 | Noises Off, Inc. | Active gas turbine (jet) engine noise suppression |
US5446828A (en) | 1993-03-18 | 1995-08-29 | The United States Of America As Represented By The Secretary Of The Navy | Nonlinear neural network oscillator |
KR950013123B1 (ko) | 1993-06-18 | 1995-10-25 | 엘지전자주식회사 | 케이오스(chaos)프로세서 |
US5465219A (en) * | 1993-08-19 | 1995-11-07 | The Babcock & Wilcox Company | Combustion analyzer based on chaos theory analysis of flame radiation |
JPH0784974A (ja) | 1993-09-16 | 1995-03-31 | Nissan Motor Co Ltd | リカレント・ニューラルネットワーク |
JPH0863456A (ja) * | 1994-08-26 | 1996-03-08 | Hitachi Ltd | カオス性判定手段および方法 |
JPH07270198A (ja) * | 1994-03-30 | 1995-10-20 | Olympus Optical Co Ltd | カオス評価装置 |
US5537435A (en) | 1994-04-08 | 1996-07-16 | Carney; Ronald | Transceiver apparatus employing wideband FFT channelizer with output sample timing adjustment and inverse FFT combiner for multichannel communication network |
US5576632A (en) | 1994-06-30 | 1996-11-19 | Siemens Corporate Research, Inc. | Neural network auto-associator and method for induction motor monitoring |
JP3179969B2 (ja) * | 1994-07-28 | 2001-06-25 | 松下電器産業株式会社 | 振動解析方法 |
JPH08318765A (ja) * | 1995-05-25 | 1996-12-03 | Hitachi Ltd | 情報化自動車制御装置及び方法 |
US5933473A (en) * | 1996-04-04 | 1999-08-03 | Hitachi, Ltd. | Non-destructive inspection apparatus and inspection system using it |
US6041287A (en) * | 1996-11-07 | 2000-03-21 | Reliance Electric Industrial Company | System architecture for on-line machine diagnostics |
US6053047A (en) * | 1998-09-29 | 2000-04-25 | Allen-Bradley Company, Llc | Determining faults in multiple bearings using one vibration sensor |
-
1996
- 1996-10-31 JP JP28965896A patent/JP3785703B2/ja not_active Expired - Lifetime
-
1997
- 1997-10-30 US US08/961,246 patent/US6216118B1/en not_active Expired - Lifetime
- 1997-10-31 AU AU43669/97A patent/AU695842B2/en not_active Expired
- 1997-10-31 DE DE19748312A patent/DE19748312B4/de not_active Expired - Lifetime
- 1997-10-31 KR KR1019970057000A patent/KR100254121B1/ko active IP Right Grant
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005054892A1 (de) * | 2003-12-04 | 2005-06-16 | Atlas Elektronik Gmbh | Verfahren zum detektieren von zielen |
CN111241902A (zh) * | 2019-07-24 | 2020-06-05 | 成都理工大学 | 一种高精度多重同步压缩广义s变换时频分析方法 |
CN111241902B (zh) * | 2019-07-24 | 2023-07-25 | 成都理工大学 | 一种高精度多重同步压缩广义s变换时频分析方法 |
Also Published As
Publication number | Publication date |
---|---|
DE19748312B4 (de) | 2004-12-02 |
KR19980033373A (ko) | 1998-07-25 |
AU695842B2 (en) | 1998-08-27 |
AU4366997A (en) | 1998-05-07 |
KR100254121B1 (ko) | 2000-04-15 |
JP3785703B2 (ja) | 2006-06-14 |
JPH10134034A (ja) | 1998-05-22 |
US6216118B1 (en) | 2001-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19748312A1 (de) | Vorrichtung und Verfahren zum Unterscheiden eines Zeitreihendatenwerts | |
DE102006008482B4 (de) | Eingangsvektorbildungsverfahren bei neuronalen Netzwerken zur Auto-Identifikation einer partiellen Entladungsquelle | |
CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
DE60027118T2 (de) | Verfahren und Anordnung zur gleichzeitigen Schätzung von verschiedenen Richtungen mehrerer Schallquellen und zur Bestimmung der individuellen Schallhöhen von verschiedenen sich bewegenden Schallquellen | |
DE202017102381U1 (de) | Vorrichtung zum Verbessern der Robustheit gegen "Adversarial Examples" | |
DE19946980A1 (de) | Detektor mit variabler Abtastrate | |
DE19633693C1 (de) | Verfahren und Vorrichtung zur Erfassung von Targetmustern in einer Textur | |
EP3282399A1 (de) | Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem | |
Al-Bugharbee et al. | A new methodology for fault detection in rolling element bearings using singular spectrum analysis | |
DE102010013637A1 (de) | Verfahren zur Klassifizierung von Signalen nach der verwendeten Modulationsart | |
DE102017200761A1 (de) | Vorrichtung zur überwachung eines rotierenden elements und entsprechendes verfahren | |
DE60025333T2 (de) | Sprachdetektion mit stochastischer konfidenzmassbewertung des frequenzspektrums | |
Yu et al. | Machine fault diagnosis using a cluster-based wavelet feature extraction and probabilistic neural networks | |
CN116641941A (zh) | 一种基于典型变量分析的液压系统早期故障动态检测方法 | |
DE102018221684A1 (de) | Vorrichtung und Verfahren zur Anomalieerkennung und zum Trainieren eines Modells für eine Anomalieerkennung | |
DE4217007A1 (de) | Verfahren und Vorrichtung zur Überwachung und Sicherung der Produktqualität | |
Weinberg et al. | A Bayesian-based CFAR detector for Pareto type II clutter | |
DE102011017323A1 (de) | Verfahren und Vorrichtung zur fahrzeuginternen Ermittlung einer Kollisionswahrscheinlichkeit eines Fahrzeugs mit einem Objekt | |
Kulevome et al. | Rolling bearing fault diagnostics based on improved data augmentation and ConvNet | |
WO2015181260A1 (de) | VERFAHREN ZUR BESTIMMUNG DES WERTS EINER VIBROAKUSTISCHEN GRÖßE | |
DE102022203238A1 (de) | Verfahren zur Betriebspunktklassifizierung durch Schallsignale | |
CN108647604A (zh) | 基于频域直方图特征提取的对象物状态识别方法 | |
EP2956797B1 (de) | Verfahren zum identifizieren oder zum orten eines unterwasserobjekts, zugehöriger rechner oder messsystem, sowie wasserfahrzeug | |
CN114152441A (zh) | 基于移位窗口变换器网络的滚动轴承故障诊断方法及系统 | |
EP3121672A1 (de) | Diagnoseeinrichtung und verfahren zur überwachung des betriebs eines regelkreises |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8125 | Change of the main classification |
Ipc: G06F 1700 |
|
8364 | No opposition during term of opposition | ||
R071 | Expiry of right |