DE60002290T2

DE60002290T2 - Verfahren zum Nachweis von Anomalien in einem Signal

Info

Publication number: DE60002290T2
Application number: DE60002290T
Authority: DE
Inventors: Robert Azencott
Original assignee: MIRIAD TECHNOLOGIES; MIRIAD TECHNOLOGIES PARIS
Current assignee: SI AUTOMATION, MONTPELLIER, FR
Priority date: 2000-01-31
Filing date: 2000-01-31
Publication date: 2004-04-08
Anticipated expiration: 2020-02-01
Also published as: US6721445B1; DE60002290D1; EP1122646B1; EP1122646A1

Description

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 (F_k);
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 (D_k) mit Dimension n; sowie
1.3. Verringern der Zahl n numerischer Daten durch eine automatische Kompression des ersten Vektors (D_k), 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 (F_k), 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 (F_k);
3.2. für jedes Zeitfenster (F_k) Berechnen eines ersten Vektors (D_k) 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 (D_k), derart dass ein dritter Spektraldichte-Vektor (ID_k) 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') (F_k), 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 H_j jeder Koordinate der dritten Vektoren (ID_k) berechnet wird, für jede dieser Koordinaten die Wahrscheinlichkeit P_j(a) dafür berechnet wird, dass diese Koordinate größer als a ist (wenn a größer als, der Medianwert des Histogramms H_j ist), oder dass diese Koordinate kleiner als a ist (wenn a kleiner als der Medianwert des Histogramms ist), und eine Funktion Z_j(a) = –log [P_j(a)] bestimmt wird
im Ablauf des Diagnoseverfahrens die folgenden Schritte bzw. Stufen:

4.2. Berechnen der Summe (über j) R = F Z_j (ID_kj für dieses Prüf- bzw. Abfragefenster (F_j); 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 (D_k) besteht, derart dass ein zweiter Vektor (LD_j) der geglätteten Spektraldichte definiert wird, und in der Anwendung der Stufen 3.2 und 3.3 auf diesen Vektor (LD_j).
Gemäß einer Ausführungsform der vorliegenden Erfindung umfasst das Verfahren des weiteren die Schritte bzw. Stufen, die bestehen aus:
Bestimmen eines spektralen Rauschens (B_j = D_j – LD_j);
für jedes spektrale Rauschen Berechnen eines Extrempunkt-Vektors (EXTR_k), dessen Koordinaten größer als ein Wert a * σ_k ist, worin a eine vorgegebene ganze Zahl größer als 4 abhängig vom jeweils verwendeten Detektions-Modul ist und σ_k die Standardabweichung des spektralen Rauschens (B_k) 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 (F_k), wobei jeweils jede Sequenz von n Werten einen ersten Vektor (S_k) mit Dimension n definiert;
5.2. Glätten des Vektors (S_k), beispielsweise mit Hilfe beweglicher Mittel, zur Extraktion der die nicht-lineare Tendenz des analysierten Signals wiedergebenden Punkte, was einen zweiten Vektor (LS_k) definiert;
5.3. Berechnen des skalaren Produkts aus jeweils jedem zweiten Vektor (LS_k) mit einer Basis von LABOR-Wellungen, derart dass jeweils jedem Prüf- bzw. Abfragefenster (F_k) ein dritter Vektor (RGS_k) von LABOR-Koeffizienten mit einer Dimension kleiner als die des Vektors (LS_k) zugeordnet wird;
5.4. Verringern der Anzahl n digitaler Daten durch eine automatische Kompression des dritten Vektors (RGS_k), um so einen vierten Vektor (IRGV_k) 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 (F_k), 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 H_j jeweils jeder Koordinate von jedem vierten Vektor (IRGV_k) berechnet wird, für jeweils jede dieser Koordinaten (IRGV_kj) die Wahrscheinlichkeit P_j(a) dafür berechnet wird, dass diese Koordinate größer als a ist (wenn a größer als der Medianwert des Histogramms H_j ist), oder dass sie kleiner als a ist (wenn a kleiner als der Medianwert des Histogramms H_j ist), und eine Funktion Z_j(a) = –log [P_j(a)] bestimmt wird;
im Ablauf des Diagnoseverfahrens die folgenden Schritte bzw. Stufen:

6.2. Berechnen der Summe (über j) R = Σ Z_j(IRGV_kj) für jedes Prüf- bzw. Abfragefenster (F_k); 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 S_k 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 F_k beobachteten Teils des Signals S_k. 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 S_k 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, ... D_k ... D_f) 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 LD_k und ein durch D_k–LD_k 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 F_k bildet einen Vektor EXTR_k.
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 LD_k und/oder die Vektoren EXTR_k angewandt werden. In zahlreichen praktischen Fällen wird die Analyse der Vektoren EXTR_k 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 D_k zu n Koordinaten in Vektoren ID_k zu p Koordinaten transformiert, wobei p kleiner als n ist. Diese Kompressionsstufe gestattet beispielsweise im Fall der Analyse von Schwingungssignalen eines Motors, von Vektoren D_k zu 1024 Koordinaten zu komprimierten Vektoren ID_k 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 ... D_k ... D_f 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 ... ID_k ... ID_f.
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 H_j der j^ten Koordinaten ID_k jedes Vektors ID_k besteht, wobei j von 1 bis p variiert.
In der folgenden Stufe gemäß Block 7 wird für jede Koordinate die Wahrscheinlichkeit P_j(a) dafür berechnet, dass diese j^te Koordinate der Vektoren Dk größer als a (wenn a größer als der Medianwert des Histogramms H_j ist) oder kleiner als a ist (wenn a kleiner als der Medianwert des Histogramms H_j ist). Mit anderen Worten ist P_j(a) die Häufigkeit des Auftretens digitaler Werte größer als die Zahl a für die j^te Koordinate der Vektoren Dk, wenn der Index k die Gesamtheit sämtlicher Abfrage- und Prüffenster F_k durchläuft. Man bestimmt sodann eine Funktion Z_j(a) = -log [P_j (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 Z_j(a) während der Lernphase bestimmt wurde. So wird vom Ausgang des Kompressionsblocks 5 der Vektor ID_k einem Block 8 zugeführt, in welchem man für das betrachtete Abfrage- bzw. Prüffenster die Summation über j : R = ΣZ_j(ID_kj) 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 ID_k 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 REF_j 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 Z_j während der Diagnostikphase weiterlaufen, um auf diese Weise die Parametrierung des Kompressionssystems und die Bestimmung der Histogramme und damit der Funktion Z_j 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 LS_k der Dimension n , wobei n die Anzahl digitaler Werte ist, welche das beobachtete Signal in einem Abfrage- bzw. Prüffenster F_k repräsentieren. Der Betrag dieser Zahl hängt von der gewünschten Genauigkeit und dem beobachteten Phänomen ab.
Die Glättung gestattet für jedes Abfrage- bzw. Prüffenster F_k die Extraktion einer Folge digitaler Werte, welche ein Rauschsignal B_k = S_k – LS_k der Dimension n wiedergeben. In einer Ausführungsvariante erfolgt die Extraktion des Rauschens B_k 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 LS_k 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 F_k einen dritten Vektor RGS_k 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, ... G_k, ... G_f 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 RGS_k ausgeführt wird, berechnet man wie zuvor Kompressionsparameter und programmiert einen Kompressions block 22, der einen kombinierten Vektor zu p unabhängigen Koordinaten IRGS_k liefert.
Der Vektor IRGS_k wird wie im Rahmen der ersten Ausführungsform verarbeitet. Oder aber man berechnet ein Histogramm, aus welchem eine Funktion Z_j(a) abgeleitet wird, worauf man in der Diagnostikphase die Summe über j R = ΣZ_j.(IRGS_kj) mit einem Schwellwert vergleicht. Oder aber man vergleicht die Koordinaten des Vektors IRGS_k 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 S_k auszugehen, den Vektor W_k = S_k+1 – S_k, wobei S_k der Vektor der in einem Fenster F_k beobachteten Daten und S_k+1 der Vektor der in dem Fenster F_k+1 beobachteten Daten ist, und man wendet sämtliche Stufen von 2 auf den Vektor W_k 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.

Claims

Verfahren zur Detektion von Anomalien in einem durch einen Detektionsmodul analysierten komplexen digitalisierten Signal, dadurch gekennzeichnet , dass es 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 Intenität 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 (F_k); 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 (D_k) mit Dimension n; sowie 1.3 Verringern der Zahl n numerischer Daten durch eine automatische Kompression des ersten Vektors (D_k), 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: Anwenden der Verfahrensschritte 1.1 bis 1.3 auf ein Prüf-und Abfragefenster (F_k), das eine Anomalie enthalten kann; Vergleichen des erhaltenen Vektors mit einer gemäß derselben Transformations- und Kompressionsstruktur definierten Referenz.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, 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 LABOR-Wellen, eine Maxima-und/oder Minima-Extraktion, und dgl. umfasst.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, 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.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, 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.
Verfahren nach Anspruch 1, in Anwendung auf ein digitalisiertes Schwingungssignal, dadurch gekennzeichnet, dass: der Lernvorgang die folgenden Schritte bzw. Stufen umfasst: Auswählen einer Aufeinanderfolge von Sequenzen von Werten des analysierten Signals, entsprechend einer Aufeinanderfolge von Zeitfenstern (F_k); für jedes Zeitfenster (F_k) Berechnen eines ersten Vektors (D_k) der Dimension n, welcher die Spektraldichte des analysierten Signals wiedergibt; sowie Verringern der Zahl n digitaler Daten durch eine automatische Kompression des zweiten Vektors (D_k), derart dass ein dritter Spektraldichte-Vektor (ID_k) mit unabhängigen Koordinaten und der Dimension p kleiner als n erhalten wird; das Diagnoseverfahren die folgenden Schritte bzw. Stufen umfasst: Anwenden der Stufen 3.1 bis 3.3 auf ein Prüf-bzw. Abfragefenster ('polling Fenster') (F_k), das der Möglichkeit einer Anomalie unterliegt.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass es des weiteren umfasst: im Ablauf des Lernvorgangs die Verfahrensstufe, wonach für j von 1 bis p das Histogramm H_j jeder Koordinate der dritten Vektoren (ID_k) berechnet wird, für jede dieser Koordinaten die Wahrscheinlichkeit P_j(a) dafür berechnet wird, dass diese Koordinate größer als a ist (wenn a größer als der Medianwert des Histogramms H_j ist), oder dass diese Koordinate kleiner als a ist (wenn a kleiner als der Medianwert des Histogramms ist), und eine Funktion Z_j(a) = –log [P_j(a)] bestimmt wird im Ablauf des Diagnoseverfahrens die folgenden Schritte bzw. Stufen: Berechnen der Summe (über j) R = ΣZ_j (ID_j für dieses Prüf-bzw. Abfragefenster (F_k); sowie Vergleichen der genannten Summe R mit einem von dem Benutzer vorgegebenen Schwellwert der Intensität oder der Seltenheit.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass es des weiteren eine Stufe umfasst, welche in einer Glättung des ersten Vektors (D_k) besteht, derart dass ein zweiter Vektor (LD_k) der geglätteten Spektraldichte definiert wird, und in der Anwendung der Stufen 3.2 und 3.3 auf diesen Vektor (LD_k).
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass es des weiteren die Schritte bzw. Sufen umfasst, die bestehen aus: Bestimmen eines spektralen Rauschens (B_k = D_k – LD_k); für jedes spektrale Rauschen Berechnen eines Extrempunkt-Vektors (EXTR_k), dessen Koordinaten größer als ein Wert a * σ_k ist, worin a eine vorgegebene ganze Zahl größer als 4 abhängig vom jeweils verwendeten Detektions-Modul ist und σ_k die Standardabweichung des spektralen Rauschens (B_k) ist; sowie Verarbeiten dieses Vektors wie den zweiten Vektor.
Verfahren zur Detektion von Anomalien, nach Anspruch 1, in Anwendung auf ein kontinuierliches digitalisiertes Signal, dadurch gekennzeichnet, 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 (F_k), wobei jeweils jede Sequenz von n Werten einen ersten Vektor (S_k) mit Dimension n definiert; 5.2 Glätten des Vektors (S_k), beispielsweise mit Hilfe beweglicher Mittel, zur Extraktion der die nicht-lineare Tendenz des analysierten Signals wiedergebenden Punkte, was einen zweiten Vektor (LS_k) definiert; 5.3 Berechnen des skalaren Produkts aus jeweils jedem zweiten Vektor (LS_k) mit einer Basis von GABOR-Wellungen, derart dass jeweils jedem Prüf-bzw. Abfragefenster (F_k) ein dritter Vektor (RGS_k) von GABOR- Koeffizienten mit einer Dimension kleiner als die des Vektors (LS_k) zugeordnet wird; 5.4 Verringern der Anzahl n digitaler Daten durch eine automatische Kompression des dritten Vektors (RGS_k), um so einen vierten Vektor (IRGV_k) 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 Prüf-bzw. Abfragefenster (F_k), das der Möglichkeit einer Anomalie unterliegt.
Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass es des weiteren umfasst: im Ablauf des Lernvorgangs die Verfahrensstufe, wonach, für j von 1 bis p, das Histogramm H_j jeweils jeder Koordinate von jedem vierten Vektor (IRGV_k) berechnet wird, für jeweils jede dieser Koordinaten (IRGV_k) die Wahrscheinlichkeit P_j(a) dafür berechnet wird, dass diese Koordinate größer als a ist (wenn a größer als der Medianwert des Histogramms H_j ist), oder dass sie kleiner als a ist (wenn a kleiner als der Medianwert des Histogramms H_j ist), und eine Funktion Z_j(a) = –log [P_j(a)] bestimmt wird; im Ablauf des Diagnoseverfahrens die folgenden Schritte bzw. Stufen: 6.2 Berechnen der Summe (über j) R = ΣZ_j(IRGV_k) für jedes Prüf-bzw. Abfragefenster (F_k); sowie 6.3 Vergleichen der genannten Summe R mit einem vom Anwender vorbestimmten Schwellwert der Intensität oder der Seltenheit .
Verfahren nach einem der Ansprüche 5 oder 9, dadurch gekennzeichnet, dass die automatische Kompression eine Kompression vom Typ Kompression durch Analyse in Hauptkomponenten ist.
Verfahren nach einem der Ansprüche 5 oder 9, dadurch gekennzeichnet, dass die automatische Kompression eine diabolo Kompression mittels künstlichem Neuronennetz ist.
Verfahren nach einem der Ansprüche 5 oder 9, dadurch gekennzeichnet, dass die automatische Kompression . eine Kompression mittels Extraktion unabhängiger Komponenten ist.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass es auf Signale von Schwingungsmesswertgebern angewendet wird.