-
Die vorliegende Erfindung betrifft
ein Verfahren zur Detektion von Anomalien in einem digitalisierten
Signal.
-
Im Rahmen industrieller Prozesse
oder im Funktionsablauf von Maschinen kann eine Überwachung, ob der Ablauf der
Vorgänge
normal oder anormal ist, sinnvoll sein. Beispielsweise kann man
in einem industriellen Prozess verschiedene Messfühler bzw.
Messwertaufnehmer an verschiedenen Punkten einer Fertigungsstraße anordnen
zur Aufzeichnung beispielsweise von Durchsatzwerten, Drucken, Temperaturen
... und zur Verfolgung ihrer zeitlichen Änderungen. In einem motorgetriebenen
Gerät,
beispielsweise einem Kraftfahrzeug, einem Flugzeug, einer Rakete,
kann man Messfühler
an verschiedenen Antriebsorganen oder benachbart diesen anbringen,
zur Analyse der Funktionscharakteristiken des Geräts. Auch
hier können
die Messwertaufnehmer Durchsatz-, Temperatur-, Druck-, Geschwindigkeits-
usw. -fühler
sein. Ebenso kann man die charakteristischen Eigenschaften eines
Produkts im Verlauf seiner Herstellung zu analysieren versuchen,
beispielsweise auf den Gebieten der Chemie, der Pharmazie, der landwirtschaftlichen
und Nahrungsmittelindustrie. Auch kann man das Auftreten eventueller
struktureller Anomalien in einem Gebäude oder einem Kunstwerk durch
Schwingungs-Messfühler überwachen.
In all diesen Fällen
liefern die Messfühler
eine kontinuierliche Analyse verschiedener Fabri kations-, Funktions-,
Struktur- oder Zusammensetzungs-Parameter.
-
Allgemeiner gesprochen kann man am Nachweis
des Auftretens von Anomalien in jedem einer Fluktuation unterliegenden
Signal oder in jeder computerisierten Übertragung von digitalisierten
Datenflüssen,
wie beispielsweise: Personenverkehr, Mobilfunk-Verkehrsindikatoren usw., interessiert sein.
-
Nach dem Stande der Technik besteht
ein bekanntes Verfahren zur Detektion von Anomalien in einem Signal
in der Vornahme zahlreicher vorbereitender Versuche, der Aufzeichnung
bzw. Registrierung einer großen
Zahl von Signalen, der Analyse der Arbeits- und Funktionsweise des
zugeordneten Prozesses, in der Identifizierung von Signalen, welche eine
oder mehrere Anomalien entsprechend Funktionsstörungen des Prozesses aufweisen,
und in der Registrierung bzw. Aufzeichnung normaler Signale, welche
diese Anomalien nicht aufweisen und einem normalen Ablauf des Prozesses
entsprechen. Ein auf einem Netz künstlicher Neuronen beruhendes
Iterationsrechenverfahren ermöglicht
es, ein Anomalien aufweisendes Signal von einem normalen Signal
unterscheiden zu lernen. Man kann sodann unter Verwendung dieses
experimentellen Lernvorgangs Phasen anormaler Signale identifizieren.
-
Ein Hauptnachteil dieses Verfahrens
rührt von
der Tatsache her, dass der eingesetzte Lernvorgang sehr langsam
ist und die Durchführung
einer großen
Zahl von Versuchen und die Zurverfügungstellung einer großen Zahl
von Beispielen von Signalen, welche die nachzuweisenden Anomalien
aufweisen, erfordert. Ein derartiges Verfahren kann insbesondere
nicht für
Analysen von Signalen eingesetzt werden, die verhältnismäßig selten
auftreten, beispielsweise zur Analyse der das Abheben einer Rakete
charakterisierenden Zeitmomente oder von Signalen, die Anomalien
nur ganz ausnahmsweise aufweisen, beispielsweise Signale zur Überwachung des
Kühlkreislaufs
eines Kernkraftwerks.
-
Ein anderer Nachteil dieses Verfahrens
rührt daher,
dass das Rechenprogramm des verwendeten künstlichen Neuronennetzes spezifisch
für das
analysierte Signal sein wird und nicht auf die Detektion einer Anomalie
in einem Signal anderer Natur angewendet werden kann. Auch muss
man für
jedes zu analysierende Signal ein spezifisches Rechenprogramm und
eine entsprechende Programmierzeit vorsehen.
-
Ein Ziel der vorliegenden Erfindung
ist die Schaffung eines Verfahrens zur Detektion von Anomalien,
das die Nachteile der Verfahren nach dem Stande der Technik vermeidet.
-
Ein spezielleres Ziel der vorliegenden
Erfindung ist die Schaffung eines derartigen Verfahrens, das sich
zur Anwendung auf die Detektion von Anomalien in Signalen eignet,
für welche
man über
keinerlei vorhergehende Probe von Anomalien verfügt.
-
Ein weiteres Ziel der vorliegenden
Erfindung ist die Schaffung eines derartigen Verfahrens, in welchem
man mittels eines automatischen, nicht-überwachten Lernverfahrens Anomalien
eines Signals aufdecken kann, ohne Rückgriff auf vorhergehende Versuche
an eventuellen Funktionsstörungen
des Prozesses, welchem das Signal zugeordnet ist, und ohne dass
der Anwender Beispiele oder Listen möglicher Anomalien zur Verfügung haben
muss.
-
Ein weiteres Ziel der vorliegenden
Erfindung ist die Schaffung eines derartigen Verfahrens, bei welchem
man eine Optimierung oder Formgebung mittels einer automatischen
nicht-überwachten
Parametrierung vornehmen kann, um sodann Anomalien mittels einer
statistischen Analyse oder durch Vergleich mit gespeicherten Typen
von Anomalien nachweisen zu können.
-
Die Erfindung bezieht sich sowohl
auf ein kontinuierlichstetiges wie auf ein oszillierendes oder Schwingungssignal.
Dieses Signal kann in Realzeit von einem Messfühler einer Variablen eines
Systems (Temperatur, Druck, Schwingung, Geräusch oder Rauschen, Signal
einer spektrographischen Analyse, Signal einer Röntgenstrahlanalyse ...) kommen.
Das Signal kann auch ein Signal eines derartigen Messfühlers sein,
das in einer digitalisierten Datenbasis aufgezeichnet und gespeichert
wurde. Es kann sich auch um andere Arten von in einer digitalen
Datenbasis registrierten und gespeicherten Signaltypen handeln,
beispielsweise in der erwähnten
Form um ein Signal, das die Entwicklung und den Verlauf einer Datenfolge
charakterisiert, welche eine beliebige Information darstellt, deren
Schwankungen man analysieren möchte,
beispielsweise Daten aus statistischen Analysen, von Personen- oder
Fahrzeugverkehrs-Indikatoren
usw.
-
Allgemein gesprochen analysiert man
gemäß der Erfindung
in statistischer Weise komplexe geometrische Eigenschaften, frequenzielle
oder zeitliche, in einem anfänglichen
Teil eines Signals , um sodann eine Anomalie an einem beliebigen
weiteren Teil desselben Signals erkennen zu können. Dieser weitere Teil desselben
Signals kann einer gesonderten, getrennten Sequenz eines Signals
desselben Typs entsprechen. Wenn man beispielsweise den Start und
das Abheben einer Rakete analysiert hat, kann man für jedes
der betreffenden Signale Informationen verwenden, die bei der Analyse
einer ersten Rakete gesammelt wurden, um die Anfangsparameter der
Analyse des Starts bzw. Abhebens der folgenden Rakete festzulegen.
-
Näherhin
sieht die vorliegende Erfindung zur Erreichung der obengenannten
Ziele vor ein Verfahren zur Detektion von Anomalien in einem durch
einen Detektionsmodul analysierten komplexen digitalisierten Signal,
wobei das Verfahren eine Verfahrensstufe zum automatischen Lernen
einschließlich einer
Parametrierung eines automatischen Kompressionssystems umfasst,
wobei dieser Lernvorgang auf einem Anfangsteil eines Signals beruht,
um sodann eine Anomalie in einem beliebigen weiteren Teil desselben
Signals erkennen zu können,
und dass es eine Verfahrensstufe zur Diagnose der Intensität und/oder
der Seltenheit der genannten Anomalie umfasst,
wobei die Lernstufe
die folgenden Schritte umfasst:
-
- 1.1. Auswählen
einer Aufeinanderfolge von Sequenzen von Werten des analysierten
Signals, entsprechend einer Aufeinanderfolge von Zeitfenstern (Fk);
- 1.2. Transformation des Signals von jedem der Fenster, um hieraus
charakteristische Eigenschaften eines für das menschliche Auge leicht
unterscheidbaren Typs zu extrahieren, zur Bildung eines ersten Vektors
(Dk) mit Dimension n; sowie
- 1.3. Verringern der Zahl n numerischer Daten durch eine automatische
Kompression des ersten Vektors (Dk), derart
dass ein zweiter Vektor mit im probabilistischen Sinne im wesentlichen
unabhängigen
Koordinaten, von Dimension p kleiner als n gebildet wird;
und
wobei die Diagnose die folgenden Schritte umfasst:
- 2.1. Anwenden der Verfahrensschritte 1.1 bis 1.3 auf ein Prüf- und Abfragefenster
(Fk), das eine Anomalie enthalten kann;
- 2.2. Vergleichen des erhaltenen Vektors mit einer gemäß derselben
Transformations- und Kompressionsstruktur definierten Referenz.
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung ist vorgesehen, dass die zur Extraktion
von mit dem visuellen System des menschlichen Auges verknüpften charakteristischen
Eigenschaften des Signals bestimmte Transformation aus der Gruppe
gewählt
ist, welche eine schnelle Fourier-Transformation (FFT, fast Fourier transformation),
eine Transformation auf der Grundlage von GABOR-Wellen, eine Maxima-
und/oder Minima-Extraktion und dgl. umfasst.
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung ist vorgesehen, dass die genannte Referenz
eine Anomalie vorgegebenen Typs eines Signals wie beispielsweise
ein Höcker,
ein Schlucker, ein Ruck bzw. Stoß, ein Trendbruch, eine Frequenzverschiebung
oder dgl. ist und dass ein Anomalie-Diagnosesignal gebildet wird, wenn eine
Koinzidenz zwischen dem erhaltenen Vektor und der Referenz vorliegt.
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung ist vorgesehen, dass die genannte Referenz
sich aus einem Histogramm jeder Koordinate des zweiten Vektors ergibt
und dass eine Anomaliediagnose gebildet wird, wenn ein analysiertes Signal
sich während
einem Prüf-
und Abfragefenster von der genannten Referenz entfernt.
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung zur Anwendung auf ein digitalisiertes
Schwingungssignal ist vorgesehen, dass der Lernvorgang die folgenden
Schritte bzw. Stufen umfasst:
-
- 3.1. Auswählen
einer Aufeinanderfolge von Sequenzen von Werten des analysierten
Signals, entsprechend einer Aufeinanderfolge von Zeitfenstern (Fk);
- 3.2. für
jedes Zeitfenster (Fk) Berechnen eines ersten Vektors
(Dk) der Dimension n, welcher die Spektraldichte
des analysierten Signals wiedergibt; sowie
- 3.3. Verringern der Zahl n digitaler Daten durch eine automatische
Kompression des zweiten Vektors (Dk), derart
dass ein dritter Spektraldichte-Vektor (IDk)
mit unabhängigen
Koordinaten und der Dimension p kleiner als n erhalten wird;
das
Diagnoseverfahren die folgenden Schritte bzw. Stufen umfasst:
- 4.1. Anwenden der Stufen 3.1 bis 3.3 auf ein Prüf- bzw.
Abfragefenster ('polling
Fenster') (Fk), das der Möglichkeit einer Anomalie unterliegt.
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung umfasst das Verfahren des weiteren:
im
Ablauf des Lernvorgangs die Verfahrensstufe, wonach für j von
1 bis p das Histogramm Hj jeder Koordinate
der dritten Vektoren (IDk) berechnet wird,
für jede
dieser Koordinaten die Wahrscheinlichkeit Pj(a) dafür berechnet wird,
dass diese Koordinate größer als
a ist (wenn a größer als,
der Medianwert des Histogramms Hj ist),
oder dass diese Koordinate kleiner als a ist (wenn a kleiner als
der Medianwert des Histogramms ist), und eine Funktion Zj(a) = –log
[Pj(a)] bestimmt wird
im Ablauf des
Diagnoseverfahrens die folgenden Schritte bzw. Stufen:
-
- 4.2. Berechnen der Summe (über j) R = F Zj (IDkj für dieses
Prüf- bzw.
Abfragefenster (Fj); sowie
- 4.3. Vergleichen der genannten Summe R mit einem von dem Benutzer
vorgegebenen Schwellwert der Intensität oder der Seltenheit.
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung umfasst das Verfahren des weiteren eine
Stufe, welche in einer Glättung
des ersten Vektors (Dk) besteht, derart
dass ein zweiter Vektor (LDj) der geglätteten Spektraldichte
definiert wird, und in der Anwendung der Stufen 3.2 und 3.3 auf
diesen Vektor (LDj).
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung umfasst das Verfahren des weiteren die
Schritte bzw. Stufen, die bestehen aus:
Bestimmen eines spektralen
Rauschens (Bj = Dj – LDj);
für jedes spektrale Rauschen
Berechnen eines Extrempunkt-Vektors
(EXTRk), dessen Koordinaten größer als
ein Wert a * σk ist, worin a eine vorgegebene ganze Zahl
größer als
4 abhängig
vom jeweils verwendeten Detektions-Modul ist und σk die
Standardabweichung des spektralen Rauschens (Bk)
ist; sowie
Verarbeiten dieses Vektors wie den zweiten Vektor.
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung zur Anwendung bei einem kontinuierlichen
digitalisierten Signal ist vorgesehen, dass
der Lernvorgang
die folgenden Stufen bzw. Schritte umfasst:
-
- 5.1. Auswählen
einer Aufeinanderfolge von Sequenzen von n digitalisierten Werten
des analysierten Signals entsprechend einer Aufeinanderfolge von
Zeitfenstern (Fk), wobei jeweils jede Sequenz
von n Werten einen ersten Vektor (Sk) mit
Dimension n definiert;
- 5.2. Glätten
des Vektors (Sk), beispielsweise mit Hilfe beweglicher
Mittel, zur Extraktion der die nicht-lineare Tendenz des analysierten
Signals wiedergebenden Punkte, was einen zweiten Vektor (LSk) definiert;
- 5.3. Berechnen des skalaren Produkts aus jeweils jedem zweiten
Vektor (LSk) mit einer Basis von LABOR-Wellungen,
derart dass jeweils jedem Prüf- bzw.
Abfragefenster (Fk) ein dritter Vektor (RGSk) von LABOR-Koeffizienten mit einer Dimension
kleiner als die des Vektors (LSk) zugeordnet
wird;
- 5.4. Verringern der Anzahl n digitaler Daten durch eine automatische
Kompression des dritten Vektors (RGSk),
um so einen vierten Vektor (IRGVk) mit unabhängigen Koordinaten,
der Dimension p kleiner als n zu erhalten;
das Diagnoseverfahren
die folgenden Schritte bzw. Stufen umfasst:
- 6.1. Anwenden der Schritte 5.1 bis 5.4 auf ein Prüfbzw. Abfragefenster
(Fk), das der Möglichkeit einer Anomalie unterliegt.
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung umfasst das Verfahren des weiteren:
im
Ablauf des Lernvorgangs die Verfahrensstufe, wonach, für j von
1 bis p, das Histogramm Hj jeweils jeder
Koordinate von jedem vierten Vektor (IRGVk)
berechnet wird, für
jeweils jede dieser Koordinaten (IRGVkj)
die Wahrscheinlichkeit Pj(a) dafür berechnet wird,
dass diese Koordinate größer als
a ist (wenn a größer als
der Medianwert des Histogramms Hj ist), oder
dass sie kleiner als a ist (wenn a kleiner als der Medianwert des
Histogramms Hj ist), und eine Funktion Zj(a) = –log
[Pj(a)] bestimmt wird;
im Ablauf des
Diagnoseverfahrens die folgenden Schritte bzw. Stufen:
-
- 6.2. Berechnen der Summe (über j) R = Σ Zj(IRGVkj) für
jedes Prüf-
bzw. Abfragefenster (Fk); sowie
- 6.3. Vergleichen der genannten Summe R mit einem vom Anwender
vorbestimmten Schwellwert der Intensität oder der Seltenheit .
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung ist die automatische Kompression eine
Kompression vom Typ Kompression durch Analyse in Hauptkomponenten.
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung ist die automatische Kompression eine
diabolo Kompression mittels künstlichem
Neuronennetz.
-
Gemäß einer Ausführungsform
der vorliegenden Erfindung ist die automatische Kompression eine
Kompression mittels Extraktion unabhängiger Komponenten:
Gemäß einer
Ausführungsform
der vorliegenden Erfindung wird das Verfahren auf Signale von Schwingungs-Messwertgebern
angewendet.
-
Diese und weitere Ziele, Eigenschaften, Merkmale
und Vorteile der vorliegenden Erfindung werden in der folgenden
nicht-einschränkenden
Beschreibung spezieller Ausführungsbeispiele
im einzelnen auseinandergesetzt, in Verbindung mit den beigefügten Zeichnungsfiguren;
in diesen zeigen:
-
1A ein
Organigramm oder Fließschema, welches
schematisch die Schritte bzw. Stufen des Verfahrens gemäß der Erfindung
bei Anwendung auf ein Schwingungssignal veranschaulicht,
-
1B eine
Abwandlung des Verfahrens; und
-
2 ein
Organigramm bzw. Fließschema, das
schematisch die Stufen bzw. Schritte des Verfahrens gemäß der Erfindung
in Anwendung auf ein kontinuierliches Signal zeigt.
-
Gemäß der Erfindung wird ein gegebenes
Signal, das analysiert werden soll, digitalisiert, falls es nicht
schon in digitaler Form vorliegt. Sodann wird es einem Detektionsmodul
zugeführt,
der im wesentlichen aus einem geeignet programmierten Computer besteht.
Gemäß der Erfindung
wird ein von dem Anwender gewählter
Signalteil (beispielsweise ein Anfangsteil des Signals) zur Parametrierung
des Programms in einer Phase verwendet, die hier als Lernphase bezeichnet
wird. Der Anwender kann die Dauer dieser Lernphase wählen, auf
welche die Phase der Suche nach Anomalien oder Diagnostikphase beginnt.
-
Gemäß einem Merkmal der Erfindung,
das aus der folgenden Erläuterung
hervorgehen wird, ist der Lernvorgang ein automatischer, nicht-überwachter
Lernvorgang, in dessen Verlauf man spezifische charakteristische
Frequenz- oder Zeiteigenschaften des zu analysierenden Signals bestimmt.
Der Benutzer bzw. Anwender kann auch anfänglich eine Typologie gesuchter
Anomalien auswählen,
d. h. ein Signalteil spezieller Form (einen Höcker bzw. Buckel, einen Schlucker,
einen Ruck bzw. Stoß usw.),
oder einen Signalteil besonderen Typs (Vorliegen ungewohnter Spitzen
bzw. Peaks, Frequenzverschiebungen, abrupte Fluktuation usw.). Eine
Anomalie kann auch oder des weiteren als etwas künstlich Erzeugtes definiert
werden, das weniger oft als eine bestimmte gegebene Zahl von Malen
im Inneren eines Zeitfensters auftritt, d. h. mit einem vorgegebenen Seltenheitsgrad.
Man kann auch wählen,
dass nur Anomalien mit einer einen vorgegebenen Schwellwert übersteigenden
Dauer interessieren.
-
Die vorliegende Erfindung wird mit
näheren Einzelheiten
im Rahmen von zwei speziellen Beispielen der Ausführung beschrieben.
-
1. Behandlung bzw. Verarbeitung
eines Schwingungssignals mit Fourier-Transformation
-
1A veranschaulicht
eine erste Ausführungsform
der vorliegenden Erfindung, zur Anwendung bei Schwingungssignalen
mit starken Frequenzkomponenten. Das zu analysierende Signal wird
zunächst
einem Speicher 1 zugeführt,
der geeignet ist, das Signal während
der Dauer von f Abfrage- bzw. Prüffenstern
gleicher Dauer zu speichern. Jedes Fenster umfasst eine Folge digitaler
Werte, welche die Koordinaten eines Vektors Sk bilden.
-
Sodann wird zu einem Block 2 einer
schnellen Fourier-Transformation (FFT, fast Fourier transformation) übergegangen,
in welchem jeweils jede einem Fenster entsprechende Folge von digitalen
Werten einer schnellen Fourier-Transformation unterzogen wird, zur
Definierung der Spektraldichte des in dem Fenster Fk beobachteten
Teils des Signals Sk. Diese Spektraldichte
wird gesampelt, zur Definierung einer Folge von n digitalen Werten,
welche einen Spektraldichte-Vektor Dk von Dimension n definieren,
wobei diese Dimension n all-gemein
nicht mit der Dimension des Vektors Sk übereinstimmt.
Die Zahl n hängt
von der Sampling-Frequenz ab, die so gewählt wird, dass ein Kompromiss
zwischen der Dauer des Lernvorgangs und der Genauigkeit der Detektion
erreicht wird. Nach dieser Stufe, die für f Fenster wiederholt wird,
verfügt
man über
eine Matrix D = (D1, D2, ...
Dk ... Df) zu n
Zeilen und f Spalten.
-
Sodann wird wahlweise in einem Block 3 zu einer
digitalen Glättung
der Vektoren Dk übergegangen,
beispielsweise mittels gleitender Mittel- bzw. Durchschnittswerte;
dies ergibt eine geglättete
Spektraldichte LDk und ein durch Dk–LDk definiertes spektrales Rauschen. Das Rauschen
kann außerdem nach
verschiedenen herkömmlichen
Weisen analysiert werden. Außerdem
kann man vorzugsweise eine Standard-Abweichungsberechnung an dem Spektral-Rauschen
vornehmen, das zur Extraktion aller Extrempunkte des Rauschens verwendet
werden kann, d. h. aller Koordinaten des Rauschvektors von beispielsweise
das Vierfache der Standardabweichung übersteigendem Absolutwert.
Die Gesamtheit dieser Extrempunkte des Rauschens im Inneren eines
Fensters Fk bildet einen Vektor EXTRk.
-
Da die Glätt-Stufe nur optional, d. h.
wahlweise ist, wird angenommen, dass die hier folgende Weiterverarbeitung
auf die Vektoren Dk angewandt wird, jedoch könnte sie auch auf die geglätteten Vektoren LDk und/oder die Vektoren EXTRk angewandt
werden. In zahlreichen praktischen Fällen wird die Analyse der Vektoren
EXTRk dem Benutzer brauchbarere, nützlichere
Informationen als die nachfolgend beschriebene Analyse der Vektoren
Dk liefern.
-
Ein einem Block 4 entsprechendes
Programm analysiert die Matrix D und bestimmt die Art und Weise,
in der diese Matrix komprimiert werden kann. Nachdem diese Bestimmung
erfolgt ist, liefert der Block 4 eine Botschaft an den
Speicherblock 1 und legt die Parametrierung eines Logik-Blocks oder Kompressionsprogramms 5 fest,
welches die Vektoren Dk zu n Koordinaten
in Vektoren IDk zu p Koordinaten transformiert,
wobei p kleiner als n ist. Diese Kompressionsstufe gestattet beispielsweise
im Fall der Analyse von Schwingungssignalen eines Motors, von Vektoren
Dk zu 1024 Koordinaten zu komprimierten
Vektoren IDk zu weniger als 100 Koordinaten überzugehen.
Diese Kompression ermöglicht
die Durchführung
des Lernvorgangs gemäß der Erfindung
mit Zuverlässigkeit
in einer vernünftigen
Zeit. Tatsächlich
nimmt die für
den hier betrachteten Lernvorgang erforderliche Datenmenge mehr
als quadratisch mit der Dimension des verwendeten Vektors zu (mit
1024 Koordinaten müsste
man über
eine Anzahl von Beobachtungen in der Größenordnung von 107 verfügen, während man
mit 50 bis 100 Koordinaten auf Werte in der Größenordnung von 109 kommt).
-
In einer ersten Variante wird die
automatische Kompression nach einem Analyseverfahren in Hauptkomponenten
bestimmt, wie es beispielsweise in ,Multivariate Analysis', von K. V. Mardia,
J. T. Kent und J. M. Bibby, Academic Press, 1979, beschrieben ist.
-
In einer zweiten Variante wird die
automatische Kompression mittels eines künstlichen Neuronennetzes bestimmt,
vom Typ Perceptron mit drei Schichten in diabolo-Architektur. Dieses
Kompressionsverfahren ist in ,Auto-Association by Multilayer Perceptrons
and Singular Value Decomposition' von H.
Bourlard und Y. Kamp, Biological cybernetics, Nr. 59, pp 291–294, 1988,
beschrieben.
-
Gemäß einer dritten Variante wird
die automatische Kompression nach einem Verfahren der Extraktion
unabhängiger
Komponenten bestimmt, das in ,Blind Separation of sources I. An
adaptive algorithm based on neuromimetic architecture' von C. Jutten und
J. Herault, Signal Processing, 24(1) : 1–10, Juli 1991, und in ,Blind
signal separation statistical principles', von Jean-Francois Cardoso, Proceedings
of the IEEE, Vol. 9, Nr. 10, pp 2009–2025, Okt. 1998, veröffentlicht
ist.
-
Diese Kompressionsverfahren gestatten
in iterativer Weise ausgehend von den Vektoren D1,
D2 ... Dk ... Df die Bestimmung einer neuen Basis, der Dimension
p kleiner als n, in welcher neue Vektoren mit im probabilistischen
Sinn im wesentlichen unabhängigen
und daher nicht korrelierten Koordinaten definiert sind, ID1, ID2 ... IDk ... IDf.
-
Das Verfahren kann nunmehr gemäß der einen
und/oder der anderen von zwei Varianten fortgesetzt werden.
-
Gemäß einer ersten Variante sucht
man die Auto-Kohärenz
des analysierten Signals zu bestimmen. Hierzu wird der Lernvorgang
fortgesetzt, dessen folgende Stufe dem Block 6 entspricht
und in der Bildung der p Histogramme Hj der
jten Koordinaten IDk jedes
Vektors IDk besteht, wobei j von 1 bis p
variiert.
-
In der folgenden Stufe gemäß Block 7 wird für jede Koordinate
die Wahrscheinlichkeit Pj(a) dafür berechnet,
dass diese jte Koordinate der Vektoren Dk größer als
a (wenn a größer als
der Medianwert des Histogramms Hj ist) oder
kleiner als a ist (wenn a kleiner als der Medianwert des Histogramms
Hj ist). Mit anderen Worten ist Pj(a) die Häufigkeit des Auftretens digitaler
Werte größer als
die Zahl a für
die jte Koordinate der Vektoren Dk, wenn
der Index k die Gesamtheit sämtlicher
Abfrage- und Prüffenster
Fk durchläuft. Man bestimmt sodann eine
Funktion Zj(a) = -log [Pj (a)].
-
Nach Ausführung dieser Operationen ist
die eigentliche Lernperiode beendet, und es folgt der Übergang
in eine Phase von Diagnostik oder Detektion von Anomalien, in deren
Verlauf man für
den Vektor jedes Fensters den FFT-Block (für die schnelle Fourier-Transformation),
gegebenenfalls den Block der Glättung,
und den Block der Kompression zur Anwendung bringt, deren Parameter
durch die Parametrierungsphase festgestellt und die Funktion Zj(a) während
der Lernphase bestimmt wurde. So wird vom Ausgang des Kompressionsblocks 5 der
Vektor IDk einem Block 8 zugeführt, in
welchem man für
das betrachtete Abfrage- bzw. Prüffenster
die Summation über
j : R = ΣZj(IDkj) durchführt. Man
erhält dann
einen Wert oder eine Punktezahl, die einem Komparator 9 zugeführt wird,
in welchem diese Punktezahl mit einem Bezugswert Th verglichen wird,
der einer während
einer anfänglichen
Konfigurationsphase des Systems bestimmten Intensitäts- oder
Seltenheitsschwelle entspricht. Eine Anomalie wird angezeigt, wenn
die Summe R den Wert Th übersteigt.
-
Gemäß einer zweiten Variante lässt man
die in den Blöcken 6 und 7 realisierte
automatisierte statistische Analyse fort und vergleicht direkt jeden
Vektor IDk mit speziellen Rauschsignaturen.
Näherhin sucht
man die Korrelation zwischen den Signalteilen IDk und den Teilen
der vorgegebenen Bezugssignale zu bestimmen, die beispielsweise
speziellen Frequenzcharakteristiken, wie beispielsweise Frequenzverschiebungen
oder speziellen Frequenzkombinationen, entsprechen. Man kann auch
einen Vergleich mit der Fourier-Transformierten von Zeitsignalen
vornehmen, die man zu identifizieren sucht. Diese Vorgehensweise
ist nach dem Grundgedanken in 1B veranschaulicht.
Die Komponenten IDk eines Vektors IDk, die vom Kompressionsblock 5 austreten,
werden mit Komponenten REFj eines Bezugsvektors
REF verglichen. Die Differenzen IDk-REFF werden in einem Block 12 über j summiert
und das Ergebnis wird in einem Block 13 mit einem Schwellwert
Th verglichen, der anzeigt, ob der Vektor IDk des Abfrage- bzw.
Prüffensters
Fk sehr nahe dem Bezugsvektor REF oder im Gegenteil sehr stark von
ihm entfernt ist. Selbstverständlich
kann diese Operation für
mehrere vorgegebene Bezugsvektoren wiederholt werden.
-
Die vorliegende Erfindung ist zahlreichen Abwandlungen
und Modifizierungen zugänglich,
die sich für
den Fachmann ergeben. Näherhin
könnten die
Programme während
der Lernphase zur Bestimmung der optimalen Kompression und die Funktion Zj während
der Diagnostikphase weiterlaufen, um auf diese Weise die Parametrierung
des Kompressionssystems und die Bestimmung der Histogramme und damit
der Funktion Zj zu verbessern. Außerdem kann nach
Beendigung eines Lernvorgangs unmittelbar eine Diagnostik ausgeführt werden,
und zwar während
der gesamten weiteren Dauer des Signals, oder nur während bestimmter
ausgewählter
Fenster dieses Signals, oder während
weiterer Wiederholungen dieses Signals, die von ein und demselben
System oder von einem anderen theoretisch gleichartigen System geliefert
werden (so kann man eine Diagnostik in einer Fertigungsstraße zu ausgewählten Zeitpunkten
beginnen, und selbst gegebenenfalls an aufeinanderfolgenden Tagen,
wenn die Arbeit des Systems unterbrochen wurde; es ist jedoch erwünscht, den
Lernvorgang periodisch zu wiederholen, zur Verfeinerung der Ergebnisse).
-
Aus dem Vorhergehenden ergibt sich,
dass die Hauptstufen bzw. Etappen der automatischen Lernphase gemäß der ersten
Ausführungsform
der Erfindung bestehen aus:
-
- – einer
Auftrennung des Eingangssignals in Fenster gleicher Dauer,
- – Übergang
in die Frequenzdomäne,
- – Bestimmung
einer optimalen Kompression des Signals, sowie
- – Vergleich
der Fenstersignale mit aus Histogrammen erhaltenen Bezugssignalen,
welche Wahrscheinlichkeiten für
eine Schwellwertüberschreitung von
verschiedenen Frequenzkomponenten liefern, oder mit vorgegebenen
Bezugssignalen.
-
Für
jede dieser Funktionen können
verschiedene Abwandlungen vorgenommen werden. Insbesondere kann
man statt eines Übergangs
in die Frequenzdomäne
einen Übergang
in ein durch Gabor-Wellen oder anderweitig bestimmtes Koordinatensystem
vornehmen, wie dies für
die nachfolgend beschriebene Verarbeitung kontinuierlicher Signale Anwendung
findet. Statt der Bestimmung von Histogrammen kann allgemein jedes
System zur Abschätzung
der Wahrscheinlichkeiten für
eine Schwellwertüberschreitung
verschiedener Charakteristiken in Betracht gezogen werden.
-
Das vorstehende Verfahren kann zur
Detektion unerwünschter
Schallsignale verwendet werden. In diesem Fall vergleicht der Detektionsmodul
die festgestellte Anomalie mit einer Bank von unerwünschten
Schallquellen.
-
2. Behandlung bzw. Verarbeitung
eines kontinuierlichen Signals in einem Gabor-Wellen-System
-
In dem Fall, wo das zu analysierende
Signal nicht ein Schwingungssignal ist, sondern ein in verhältnismäßig kontinuierlicher
Weise variables Signal, sieht die Erfindung auch vor, in der Zeitdomäne zu bleiben.
Man kann dann für
die Lernphase den nachfolgend in Verbindung mit 2 beschriebenen Prozess anwenden.
-
2 zeigt
nur das Organigramm bzw. ein Fließschema der Lernphase. Man
findet die gleiche Anfangsstufe (1) der Definition von
Fenstern, auf die unmittelbar die Glättungsstufe (3) folgt,
wobei die Glättung
nunmehr notwendig und nicht nur rein optional ist. Näherhin besteht
die Glättungsphase
in einer Glättung
des beobachteten Signals mittels einer geeigneten digitalen Filterung,
um die Punkte zu extrahieren, welche die nicht-lineare Tendenz dieses Signals
wiedergeben. Diese Punkte definieren einen Vektor LSk der
Dimension n , wobei n die Anzahl digitaler Werte ist, welche das
beobachtete Signal in einem Abfrage- bzw. Prüffenster Fk repräsentieren.
Der Betrag dieser Zahl hängt
von der gewünschten
Genauigkeit und dem beobachteten Phänomen ab.
-
Die Glättung gestattet für jedes
Abfrage- bzw. Prüffenster
Fk die Extraktion einer Folge digitaler Werte,
welche ein Rauschsignal Bk = Sk – LSk der Dimension n wiedergeben. In einer Ausführungsvariante
erfolgt die Extraktion des Rauschens Bk durch Glättung mittels
beweglicher Mittel- oder Durchschnittswerte, in herkömmlicher
Weise. Das Rauschsignal kann verschiedene nützliche Informationen liefern.
-
Die folgende Stufe 20 besteht
in der Berechnung des Skalar-Produkts
jedes zweiten Vektors LSk mit einer Basis
von LABOR-Wellen (die Theorie der LABOR-Wellen ist veröffentlicht
in ,A Wavelet tour of signal processing' von Stephane Mallat, zweite Aufl., Academic
Press, 1999). Auf diese Weise ordnet man jedem Abfrage- bzw. Prüffenster
Fk einen dritten Vektor RGSk zu,
von dem jeder seiner Koeffizienten einer mit einer LABOR-Welle verbundenen
Koordinate entspricht. Der Anwender des Verfahrens wird vorzugsweise
in einer Anfangsphase einen genauen Satz bzw. eine Gruppe von LABOR-Wellen
G1, G2, ... Gk, ... Gf auswählen, der
bzw. die die beste Wiedergabe der gesuchten Anomalie gestattet.
-
Sobald das Signal auf einem Raum
von LABOR-Wellen definiert ist, der die beste Wiedergabe der Anomalie
gestattet, schreitet man zu einer Kompression. In der Stufe 21,
die an dem Vektor RGSk ausgeführt wird,
berechnet man wie zuvor Kompressionsparameter und programmiert einen
Kompressions block 22, der einen kombinierten Vektor zu
p unabhängigen
Koordinaten IRGSk liefert.
-
Der Vektor IRGSk wird
wie im Rahmen der ersten Ausführungsform
verarbeitet. Oder aber man berechnet ein Histogramm, aus welchem
eine Funktion Zj(a) abgeleitet wird, worauf
man in der Diagnostikphase die Summe über j R = ΣZj.(IRGSkj) mit einem Schwellwert vergleicht. Oder
aber man vergleicht die Koordinaten des Vektors IRGSk mit
vorbestimmten Referenzmodellen.
-
Gemäß einer abgewandelten Ausführung des
Verfahrens, zur Anwendung bei Signalen, für welche man abrupte Änderungen
der Tendenz oder abrupte Änderungen
des Rauschpegels feststellen will, berechnet man, statt von Vektoren
Sk auszugehen, den Vektor Wk =
Sk+1 – Sk, wobei Sk der Vektor der
in einem Fenster Fk beobachteten Daten und
Sk+1 der Vektor der in dem Fenster Fk+1 beobachteten Daten ist, und man wendet
sämtliche
Stufen von 2 auf den
Vektor Wk an. Die Detektion von Anomalien bezieht
sich auf die Detektion eines abrupten Tendenzsprungs zwischen zwei
aufeinanderfolgenden Fenstern. Dieser Sprung wird durch die Berechnung der
,Punktezahl' jedes
Abfrage- und Prüffensters
und den Vergleich dieser Punktezahl mit einem vorgegebenen Bezugsschwellwert
nachgewiesen.
-
3. Verallgemeinerte
Definition der Erfindung
-
Man erkennt, dass die beiden vorstehend
beschriebenen speziellen Ausführungsformen
der vorliegenden Erfindung insbesondere die folgenden allgemeinen
Charakteristiken gemeinsam haben:
-
- – Untersuchung
eines im Zeitfenster aufgetrennten Signals;
- – kein
an experimentelle Versuche gebundener vorhergehender Lernvorgang,
sondern direkte Parametrierung eines Analyseprogramms durch eine
automatisierte Untersuchung eines Signalteils (beispielsweise erste
Zeitmomente);
- – ausgewählte Transformation
zur Extraktion von Charakteristiken eines Signals eines Typs, der
leicht mit dem menschlichen Auge unterscheidbar ist;
- –Kompression
des Signals anschließend
an die oder gleichzeitig mit der Transformation, derart dass die Parametrierungs-Operationen
nicht zu lang sind und die Signale während der Diagnostikphase sodann
direkt bearbeitet werden können.
-
Was die Transformation anlangt, erkennt man
die folgenden Punkte.
-
- – Eine
Fourier-Transformation übersetzt
frequenzielle Charakteristiken, beispielsweise Frequenzänderungen,
und es handelt sich hierbei um Charakteristiken, auf welche das
menschliche Auge beim ersten Blick auf eine Kurve anspricht.
- – LAB
Der Übergang
zu OR-Koordinaten entspricht eindeutig mit dem Auge erkennbaren
Kurvenelementen. Tatsächlich
enthalten die tieferen Schichten der menschlichen Kortex, die mit
der Verarbeitung der Netzhautinformationen befasst sind, Gruppen
von Neuronen, die automatisch Filtrierungen analog LABden Skalar-Produkten
mit OR-Wellen ausführen.
-
Es könnten andere analoge Transformationen
in Betracht gezogen werden: Beispielsweise bildet für ein Schwingungssignal
die Gesamtheit der Maxima, in geeigneter Weise interpoliert zur
Bildung einer geglätteten
Kurve, einen brauchbaren beschreibenden Vektor des Signals, ebenso übrigens wie
die Gesamtheit der Minima. Das menschliche Auge ist besonders empfindlich
für Modifikationen dieser
beiden Kurven.
-
Schließlich gestattet jede der Ausführungsformen
der vorliegenden Erfindung entweder eine Analyse der Autokohärenz-Charakteristiken
eines Signals, oder einen Vergleich des Signals mit in dem verwendeten
Transformationssystem vorbestimmten Charakteristiken, was besonders
infolge des Umstands interessant ist, dass, wie oben erwähnt, die angewandten
Transformationen sehr gut durch das Auge unterscheidbare Charakteristiken übersetzen.