ES2320095T3 - Operador generalizado de similitud angular lenticular. - Google Patents

Abstract

Una herramienta para controlar el funcionamiento de un sistema, comprendiendo dicha herramienta (160): una unidad de adquisición de datos (102), recibiendo dicha unidad de adquisición de datos (102) señales (152, 154, 156, 158, 160) de detectores, estando dispuestos dichos detectores sobre un sistema que está controlado y que proporciona exposiciones instantáneas paramétricas del funcionamiento del sistema; una memoria (106) que almacena un conjunto de aprendizaje, conteniendo dicho conjunto de aprendizaje una pluralidad de vectores del sistema, siendo representativo cada uno de dichos vectores del sistema de un estado operativo esperado de dicho sistema que se está controlando; un procesador (104) que recibe exposiciones instantáneas de dicha unidad de adquisición de datos (102) y que compara las exposiciones instantáneas recibidas con los vectores del sistema desde dicha memoria (106), aplicando dicho procesador (104) selectivamente una función de similitud a dicha comparación; y un dispositivo de salida (108), proporcionando dicho procesador (104) resultados de dicha comparación para dicho dispositivo de salida (108); caracterizado adicionalmente porque la función de similitud aplicada por dicho procesador (104) es un operador de similitud de estratificación lenticular en el que se modifica un ensayo de proporción de ángulo limitado para que tenga una base no lineal que comprende al menos un segmento lineal seleccionado entre el grupo de una curva polinómica, un arco elíptico, una función trigonométrica, un conjunto de segmentos lineales discontinuos, un espline y una tabla de consulta.

Description

Operador generalizado de similitud angular lenticular.

Antecedentes de la invención 1. Campo de la invención

La presente invención se refiere en general al control de equipos y procesos, y más particularmente a controlar sistemas instrumentalizados con detectores que miden fenómenos correlacionados. La presente invención se refiere adicionalmente a procesos instrumentalizados de modelización en tiempo real que usan la información de detectores agregados para determinar información sobre el estado del proceso.

\vskip1.000000\baselineskip

2. Descripción de la técnica relacionada

Se conocen métodos convencionales para controlar equipos o procesos -genéricamente "sistemas"- usando detectores para medir parámetros operativos del sistema. Los valores de datos de los detectores pueden observarse directamente para entender cómo está funcionando el sistema. Como alternativa, para un funcionamiento no atendido, se sabe cómo comparar los valores de los datos del detector frente a umbrales almacenados o predeterminados de una manera automatizada y generar una condición de excepción o alarma que requiere intervención humana únicamente cuando el valor de los datos del detector supera un umbral correspondiente.

Existen numerosos problemas con los sistemas de control usando umbrales. Un problema es la dificultad para seleccionar un umbral para un parámetro dinámico que evite un número excesivo de falsas alarmas, pero que capte alarmas reales y proporcione un aviso suficiente para realizar una acción correctiva cuando un parámetro del sistema -tal como lo mide un detector- se mueve fuera del funcionamiento aceptable. Otro problema lo plantea el fallo del detector, que puede dar como resultado valores de parámetro falsos. Puede que no quede claro a partir del valor de los datos del detector si el detector ha fallado. Dicho fallo puede minar completamente el control del sistema en
cuestión.

En los sistemas con una pluralidad de detectores que miden fenómenos correlacionados en el sistema, se sabe cómo usar ciertos métodos para considerar todos los detectores en su conjunto para superar algunos de estos problemas. Observando el comportamiento de todos los valores de los datos del detector en el conjunto, puede ser posible mejorar drásticamente el control sin experimentar un número excesivo de falsas alarmas y alarmas perdidas. También, el conocimiento de cómo todos los parámetros correlacionados se comportan al unísono puede ayudar a determinar que un detector ha fallado, cuando el control aislado de los datos de este detector en o de sí mismo no indicara el fallo del detector.

Los métodos conocidos para visualizar datos del detector en conjunto típicamente emplean una función de modelización que se realiza antes de conocer el sistema. Una de dichas técnicas conocida como modelización de "primeros principios" requiere una descripción matemática bien definida de la dinámica del sistema, que se usa como una referencia contra el cual los datos del detector agregados actuales pueden compararse para visualizar problemas nacientes o fallos del detector. Sin embargo, esta técnica es particularmente vulnerable incluso al más ligero cambio estructural en el sistema observado. El modelo matemático del sistema a menudo es muy costoso de obtener y, en la mayoría de los casos, puede que no sea razonable en absoluto.

Otra clase de técnicas implica el modelado empírico del sistema como una "caja negra" sin discernir ninguna mecánica específica dentro del sistema. El modelado del sistema usando dichas técnicas puede ser más fácil y más elástico en el aspecto de los cambios estructurales en el sistema. El modelado en estas técnicas típicamente implica proporcionar algunos datos del detector históricos correspondientes al funcionamiento deseado o normal del sistema que se usa después para "instruir" el modelo.

Una técnica particular se describe en la Patente de Estados Unidos Nº 5.987.399, cuyos contenidos se incorporan a este documento como referencia. Como se indica allí, los datos del detector se recogen a partir de una pluralidad de detectores que miden parámetros correlacionados de un sistema en un estado operativo deseado. Estos datos históricos se usan para encontrar un modelo empírico que comprenda ciertos estados aceptables del sistema. Los datos del detector en tiempo real a partir del sistema se proporcionan a un motor de modelado que representa el modelo empírico, que calcula una medición de la similitud del estado en tiempo real con todos los estados aceptables conocidos anteriores en el modelo. A partir de esta medida de similitud, se genera una estimación para los valores de datos del detector esperados. Los datos del detector en tiempo real y los datos del detector esperados estimados se comparan, y si hay una discrepancia, puede tomarse una acción correctiva.

El ensayo de proporción de área limitada (BART) como se indica en la Patente de Estados Unidos Nº 5.987.399, es un estado bien conocido de la técnica de operadores de similitud, en el que se usa un ángulo para calibrar la similitud de dos valores. El operador de similitud es insensible a las variaciones a través del intervalo de aprendizaje establecido de la señal o detector particular. El BART usa el intervalo de valores del detector desde bajo hasta alto a través de todas las exposiciones instantáneas en el conjunto de aprendizaje para formar la hipotenusa de un triángulo -preferiblemente un triángulo rectángulo- que es su base. El BART, por lo tanto, forma una línea recta con los valores mínimo y máximo esperados dispuestos en sus extremos. Durante el control del sistema, el BART periódicamente mapea dos puntos representativos de un valor esperado y un parámetro sobre la base. Estos dos puntos se sitúan de acuerdo con sus valores, dentro del intervalo de valores en el conjunto de aprendizaje. Se forma un ángulo de comparación en el vértice, opuesto a la base, dibujando una línea hasta el vértice desde cada uno de los puntos y el ángulo es la base por la que los dos valores se comparan para similitud. Adicionalmente, el BART típicamente localiza el punto del vértice en un punto por encima de la mediana o la media del intervalo y a una altura que proporciona un ángulo recto respecto al vértice (para facilidad de cálculo).

El BART no presenta la misma sensibilidad a los valores de similitud a lo largo del intervalo de la base. Las diferencias entre los valores en la mitad del intervalo, es decir, a aproximadamente 45º, se amplifican y las diferencias en los extremos de los intervalos, es decir, a 0º o 90º, disminuyen. En consecuencia, los modelos previos tales como aquellos que emplean un operador BART u otros operadores no pueden modelar de forma óptima todos los sistemas no lineales. En ciertos intervalos de valores para ciertos detectores, estos modelos previos pueden ser imprecisos. A parte de seleccionar nuevos datos o datos de aprendizaje adicionales, ambos de los cuales requieren tiempo adicional, así como una capacidad informática, sin proporcionar ninguna garantía de mejorar el modelo, no se ha encontrado una manera eficaz en la técnica anterior para ajustar el modelo empírico para mejorar la fidelidad del
modelado.

Por lo tanto, hay una necesidad de controlar los operadores matemáticos del sistema para medir con precisión similitudes entre un sistema controlado y los estados del sistema esperados, modelado flexible y mejorar la sensibilidad del modelo de manera que los fallos de componentes puedan predecirse con precisión y, por lo tanto, los componentes que funcionan aceptablemente no se sustituyan prematuramente.

\vskip1.000000\baselineskip

Sumario de la invención

Un objeto de la presente invención es proporcionar el control de equipos y procesos usando un modelado empírico con una clase de operadores mejorados para determinar medidas de similitudes entre estados modelados o conocidos para un sistema y un estado actual o seleccionado del sistema.

De acuerdo con un primer aspecto de la invención, se proporciona una herramienta para controlar el funcionamiento de un sistema, comprendiendo dicha herramienta: una unidad de adquisición de datos, recibiendo dicha unidad de adquisición de datos señales desde los detectores, estando dispuestos dichos detectores sobre un sistema que se está controlando y proporcionando exposiciones instantáneas paramétricas del funcionamiento del sistema; una memoria que almacena un conjunto de aprendizaje, conteniendo dicho conjunto de aprendizaje una pluralidad de vectores del sistema, siendo representativo cada uno de dichos vectores del sistema de un estado operativo esperado de dicho sistema que se está controlando; un procesador que recibe exposiciones instantáneas de dicha unidad de adquisición de datos y compara las exposiciones instantáneas recibidas con los vectores del sistema desde dicha memoria, aplicando dicho procesador selectivamente una función de similitud a dicha comparación; y dicho dispositivo de salida, proporcionando dicho procesador resultados de dicha comparación a dicho dispositivo de salida; en el que la función de similitud aplicada por dicho procesador es un operador de similitud lenticular en el que un ensayo de proporción de ángulo limitado se modifica para que tenga una base no lineal que comprenda al menos un segmento lineal seleccionado entre el grupo de una curva polinómica, un arco elíptico, una función trigonométrica, un conjunto discontinuo de segmentos lineales, un espline y una tabla de consulta.

De acuerdo con un segundo aspecto de la invención, se proporciona un método para generar una función lenticular para un operador de similitud para usar en la función de modelado de un sistema y controlar dicho sistema durante el funcionamiento para determinar si dicho sistema está comportándose dentro de los parámetros aceptados, comprendiendo el método las etapas de:

a) recoger una pluralidad de exposiciones instantáneas del sistema representativas de un funcionamiento normal del sistema;

b) identificar los vectores mínimo y máximo dentro de dichas exposiciones instantáneas recogidas, definiendo dichos vectores mínimo y máximo identificados un conjunto de aprendizaje para dicho sistema;

c) seleccionar una función de similitud;

d) generar una superficie del dominio de similitud para cada grado de dichos vectores en dicho conjunto de aprendizaje usando dicha función de similitud; y

e) almacenar dicha superficie del dominio de similitud, caracterizado adicionalmente porque dicha función de similitud es una función lenticular en la que un ensayo de proporción de ángulo limitado se modifica para que tenga una base no lineal que comprenda al menos un segmento lineal seleccionado entre el grupo de una curva polinómica, un arco elíptico, una función trigonométrica, un conjunto de segmentos lineales discontinuos, un espline y una tabla de consulta.

\newpage

La presente invención proporciona el control de un equipo, procesos u otros sistemas cerrados instrumentalizados con detectores y registrar de forma periódica, no periódica o aleatoria una exposición instantánea del sistema a partir de los mismos. De esta manera, un sistema controlado, por ejemplo, un equipo un proceso o cualquier sistema cerrado se modela empíricamente usando operadores mejorados para determinar la similitud de estado del sistema con estados aceptables conocidos. Los operadores mejorados proporcionan el modelado con una sensibilidad aumentada o ajustada a la similitud de estado del sistema para intervalos particulares de valores del detector. La invención proporciona de esta manera una mayor fidelidad posible del modelo al sistema controlado subyacente.

La similitud entre una exposición instantánea de datos del sistema y un vector de estado conocido seleccionado se mide basándose en los valores de similitud entre los valores de parámetro correspondientes a partir de la exposición instantánea de los datos y el vector de estado conocido seleccionado. Cada valor de similitud se computa eficazmente de acuerdo con una proporción de ángulos formados por valores correspondientes y mediante el intervalo de valores correspondientes a través de todos los vectores de estado conocidos. Cabe destacar, que la proporción de ángulos está aceptada por la localización dentro de este intervalo de los valores de datos a partir de la exposición instantánea y el valor de los datos a partir del vector de estado conocido seleccionado. El motor de similitud puede rectificarse de forma flexible para enfocarse como si fuera una lente sobre ciertas partes del intervalo con sensibilidad alterada, expandiendo o contrayendo estas partes. La clase de operador de similitud de esta invención puede usarse en una técnica de control de proceso de tipo técnica de estimación de estado multivariable (MSET) como se indica en la Patente de Estados Unidos Nº 5.764.509 y puede usarse para diversas aplicaciones de descomposición de señal compleja. En estas aplicaciones, una señal compleja puede descomponerse en componentes (por ejemplo, un dominio de frecuencia o longitudes de onda) que se introducen a este motor de similitud MSET. El operador de similitud puede representarse tanto para un programa informático de propósito general para un ordenador central o un microprocesador o como un código para un procesador embebido. El resultado de la operación de similitud puede usarse para generar estados estimados o esperados o para identificar cual de un conjunto finito de patrones almacenados en la memoria es el que se ajusta de forma más próxima al patrón introducido.

Permitiendo seleccionar una curva en lugar de la base de un triángulo en combinación con la selección del ángulo, la presente invención añade la ventaja de proporcionar una función lenticular para "estratificación lenticular" de ciertas partes del intervalo para mayor o menor sensibilidad respecto a las diferencias que finalmente se reflejan en la similitud de los dos valores. Cuando la facilidad de cálculo no es un asunto a tener en cuenta, la presente invención proporciona una flexibilidad de estratificación lenticular mejorada que permite la localización libre del punto de vértice en diferentes localizaciones por encima de la base.

La ventaja proporcionada por la estratificación lenticular es que el enfoque puede dirigirse a diferentes regiones de interés en un intervalo particular para un detector dado, cuando se realiza una determinación de similitud entre un vector de estado actual y un vector de estado esperado conocido anterior. Usando esta determinación de similitud un vector de estado estimado puede calcularse para un sistema en tiempo real que se está controlando y modelando usando MSET o similares. El rendimiento del modelo puede rectificarse para estimaciones mejoradas del modelo usando una clase mejorada de operadores de similitud de la presente invención.

La operación de similitud de la presente invención se hace particularmente no lineal y adaptativa. La presente invención puede usarse en la clasificación del estado del sistema, notificación de alarma de estado del sistema, generación de parámetro virtual del sistema, determinación del componente final de la vida del sistema y otras técnicas donde es útil un modelo empírico. La presente invención supera las restricciones anteriores de los métodos de la técnica anterior proporcionando más flexibilidad para adaptarse y mejorar la fidelidad de modelado. La presente invención incluye también un motor de similitud en una realización del procesador de información. Los vectores de estado conocidos preprocesados característicos de un estado operativo deseado, es decir, los datos históricos de un sistema controlado, se almacenan en la memoria. Una unidad de adquisición de datos adquiere datos de parámetros del sistema tales como datos del detector en tiempo real, representativos del estado actual del sistema controlado. El procesador de información se acopla a la memoria y al sistema de adquisición de datos y funciona para procesar un fotograma o exposición instantánea del estado del sistema en un momento a partir de la unidad de adquisición de datos frente a las exposiciones instantáneas del vector de estado conocido en la memoria. Una medida de similitud se calcula entre las exposiciones instantáneas del estado del sistema a partir de la unidad de adquisición de datos y cada vector de estado conocido en la memoria. Un vector de estado esperado se calcula a partir de la exposición instantánea para el sistema controlado.

El procesador de información puede disponerse adicionalmente para comparar las exposiciones instantáneas de estado con los vectores de estado esperados secuencialmente, para determinar si son iguales o diferentes. Esta determinación puede usarse para una alarma o suceso desencadenante.

Resumiendo brevemente, se describe una máquina para controlar un proceso instrumentalizado o para analizar una o más señales un módulo de modelado empírico para modelar entradas de señal no lineales y lineales correlacionadas usando una función de similitud angular no lineal con sensibilidad variable a través del intervalo de una entrada de señal. Pueden elegirse diferentes funciones de similitud basadas en ángulos diferentes para diferentes entradas para mejorar la sensibilidad particular al comportamiento de estas entradas. Las secciones de interés dentro de un intervalo de una entrada de señal pueden estratificarse lenticularmente para sensibilidad particular.

\global\parskip0.990000\baselineskip

Breve descripción de los dibujos

Los nuevos rasgos que se creen característicos de la invención se indican en las reivindicaciones adjuntas. La invención por sí misma, sin embargo, así como el modo de uso preferido, objetivos adicionales y ventajas de la misma se entienden mejor con referencia a la siguiente descripción detallada de las realizaciones junto con los dibujos adjuntos en los que:

La Figura 1 es un diagrama de bloques funcional de un aparato de modelado empírico para controlar un sistema instrumentalizado;

Las Figuras 2 y 3 son diagramas que muestran un ejemplo de un operador de similitud de la técnica anterior;

La Figura 4 es un diagrama que muestra de forma general un ejemplo de un operador de similitud de acuerdo con la invención;

La Figura 5 ilustra la destilación de datos del detector para crear un conjunto de datos de aprendizaje representativo del dominio de similitud;

La Figura 6 muestra las etapas de un método para destilar los datos del detector a un conjunto de aprendizaje para usar con la presente invención;

La Figura 7A es un diagrama que muestra un ejemplo de una realización polinómica de un operador de similitud de acuerdo con la invención;

La Figura 7B es un diagrama que muestra un ejemplo de una realización elíptica de un operador de similitud de acuerdo con la invención;

La Figura 7C es un diagrama que muestra un ejemplo de una realización trigonométrica de un operador de similitud de acuerdo con la invención;

La Figura 8A es un diagrama que muestra un ejemplo de un efecto de estratificación lenticular del operador de similitud de la presente invención,

La Figura 8B es un diagrama que muestra un ejemplo de un enfoque alternativo al uso del efecto de estratificación lenticular del operador de similitud de la presente invención;

Las Figuras 9A-9D a 12A-12D ilustran realizaciones alternativas que muestran la extensión del intervalo y las funciones de estratificación lenticular en operadores de similitud de acuerdo con la invención;

Las Figuras 13A-13B son diagramas de flujo que muestran métodos preferidos de generación de un operador de similitud con estratificación lenticular generalizada; y

La Figura 14 es otra realización más del operador de similitud de la presente invención que muestra los efectos de la estratificación lenticular discontinua.

Descripción detallada de las realizaciones preferidas

Como se representa en el ejemplo de la Figura 1, el sistema de la invención 100 en una realización preferida comprende un módulo de adquisición de datos 102, un procesador de información 104, una memoria 106 y un módulo de salida 108, que puede acoplarse a otro programa para presentar, a un sistema de alarma o a cualquier otro sistema que pueda utilizar los resultados como puede conocerse en la técnica. El procesador 104 generalmente puede incluir un Motor de Similitud 110, un Generador de Estado Estimado 112 y un Motor de Detección de Desviación 114.

La memoria 106 almacena una pluralidad de exposiciones instantáneas relacionadas con el tiempo seleccionadas de los valores del detector para caracterización de funcionamiento normal, óptimo, deseable o aceptable de un proceso o máquina controlado. Esta pluralidad de exposiciones instantáneas, destiladas de acuerdo con un método de "aprendizaje seleccionado" como se describe a continuación, comprende un modelo empírico del proceso o máquina a controlar. Durante el funcionamiento, el sistema de control de la invención 100 muestrea exposiciones instantáneas actuales de los datos del detector a través del módulo de adquisición 102. Para un conjunto dado de datos del detector correlacionados con el tiempo desde el proceso o máquina controlado que funciona en tiempo real, las estimaciones de los detectores pueden generarse mediante el generador de estado estimado 112 de acuerdo con:

1

donde D es una matriz compuesta por una pluralidad de exposiciones temporales en la memoria 106 y W es un vector ponderado de contribución determinado por el Motor de Similitud 110 y el Generador de Estado Estimado 112 usando un operador de similitud tal como la clase de la invención de operadores de similitud de la presente invención. La operación de multiplicación es el operador convencional de matriz/vector de multiplicación. W tiene tantos elementos como exposiciones instantáneas haya en D, y se determina por:

2

donde el superíndice T denota la transpuesta de la matriz e Y(in) es la exposición instantánea actual de los datos del detector reales en tiempo real. El operador de similitud mejorado de la presente invención se simboliza en la ecuación anterior como \otimes. Yin son los valores del tiempo real o del detector real a partir del sistema subyacente y, por lo tanto, es una exposición instantánea del vector.

La operación de similitud típicamente devuelve un valor escalar entre 0 y 1 para cada comparación de un vector o fila de la matriz con otro vector. Representa una cuantificación numérica de la similitud global de dos estados del sistema representados por dos exposiciones instantáneas de los mismos detectores. Un valor de similitud más cercano a 1 indica la igualdad, mientras que un valor de similitud más cercano a 0 típicamente indica diferencia.

El motor de detección de desviación 114 recibe tanto la exposición instantánea actual real de los valores del detector como el conjunto de valores estimados del detector a partir del generador de estado estimado 114 y compara los dos. Puede usarse una variedad de ensayos, incluyendo el ensayo de proporción de probabilidad secuencial (SPRT) o un ensayo CUSUM, ambos de los cuales se conocen en la técnica. Preferiblemente, el conjunto de valores del detector reales y el conjunto de valores del detector estimados están diferenciados para proporcionar valores residuales uno para cada detector. Aplicar el SPRT a una secuencia de dichos valores residuales para un detector dado proporciona una indicación temprana ventajosa de cualquier diferencia entre los valores del detector reales y lo que se espera durante un funcionamiento normal.

La Figura 2 ilustra gráficamente el funcionamiento de similitud BART de la técnica anterior en el que se forma un triángulo rectángulo 120 que tiene una base lineal monotónica 122 limitada por el intervalo para un detector dado en los datos de aprendizaje, formando el intervalo mínimo y máximo los vértices 124, 126 en extremos opuestos de la base 122. El triángulo 120 estaba formado preferiblemente como un triángulo rectángulo con el ángulo recto localizado a una altura (h) por encima de la mediana del intervalo de datos a lo largo de la base 122. En este método de la técnica anterior se requería elegir la altura (h) de manera que el ángulo del vértice esté en un ángulo recto. Después, para realizar una operación de similitud sobre dos valores del detector, cada valor se representó a lo largo de la base entre el mínimo 124 y el máximo 126 de acuerdo con su valor y las líneas 128 y 129 se dibujaron desde el vértice a cada punto representado X_{0} y X_{1}, formando un ángulo entre ellas. La similitud de los dos valores se calculó entonces como una función de la comparación del ángulo \theta formado con el ángulo recto \Omega del vértice.

Como puede observarse a partir de la Figura 3, que muestra cada una de dos comparaciones diferentes 130, 132, se comparan pares de valores espaciados equitativamente en cada caso para similitud mapeando los pares de valores en el intervalo para el detector a lo largo de la base 134. Cada uno de estos pares representa un valor del detector a partir de un vector del conjunto de aprendizaje y el otro del par representa un valor del detector a partir de un vector de datos de entrada. Cada par de valores identifica un segmento que, en combinación con el vértice, identifica un triángulo más pequeño dentro del triángulo rectángulo original. El ángulo en cada uno de los triángulos más pequeños 136, 138 que comparte el vértice y es una fracción del ángulo recto proporciona un medida de similitud para el par respectivo de valores cuando se representa a escala frente a los noventa grados completos (90º) del ángulo recto. Este ángulo es de cero grados (0º) para un par idéntico y de 90º para un par completamente distinto en los extremos del intervalo almacenados en el conjunto de aprendizaje.

Los inventores han encontrado que las restricciones del método de análisis de la técnica anterior, es decir, un modelo basado en un triángulo rectángulo con su vértice en el ángulo recto y dispuesto inmediatamente por encima del valor medio de la base (hipotenusa) para el parámetro particular puede ignorarse para proporcionar una herramienta de análisis más útil, flexible y que incluya todo. Además, los inventores han determinado que el modelo de análisis no es necesario que sea triangular en absoluto sino que esté simplemente definido por dos rayos parciales de un ángulo que se extienda hasta puntos finales identificados por un parámetro del sistema mínimo o máximo y conectado entre ellos por una curva que puede ser lineal o no lineal. La curva puede seleccionarse por ejemplo para destacar una región de la operación mientras que se quita énfasis de otra u otras como se indica a continuación en este documento.

\global\parskip1.000000\baselineskip

La forma más general de la operación de similitud de la invención se muestra en la Figura 4. Un intervalo de datos para un detector de parámetros dados a través de un conjunto de aprendizaje se mapea a una longitud de arco que forma la curva 140 y que se identifica como un Dominio de Similitud. Una localización del vértice 142 puede elegirse por encima de la curva de dominio de similitud 140 y un ángulo \Omega se define conectando el vértice con segmentos de línea recta 144 y 146 a los extremos del dominio de similitud 140. Como alternativa, puede seleccionarse un ángulo y una localización de vértice 142 obtenida en consecuencia.

De acuerdo con una realización de la invención, el dominio de similitud (que es la longitud de la curva) para un detector o parámetro dado en un sistema controlado puede mapearse equiparando un extremo de la curva con el valor más bajo observado a través de la biblioteca de referencias o conjunto de aprendizaje para este detector, y equiparando el otro extremo al valor más alto observado a través del conjunto de aprendizaje para este detector. La longitud entre estos extremos se escala linealmente (o de alguna otra manera apropiada, por ejemplo logarítmicamente, cuando sea apropiado). De acuerdo con otra realización de la invención, los límites inferior y superior esperados para un detector pueden elegirse basándose en el conocimiento del dominio de aplicación, por ejemplo el conocimiento industrial, médico, etc. De acuerdo con otra realización más, el dominio de similitud puede mapearse usando los extremos del conjunto de datos original a partir del cual se destila la biblioteca de referencias o el conjunto de aprendizaje. Esto puede ser ventajoso si el método de aprendizaje no incluye necesariamente las lecturas del detector más alta y más baja.

La similitud de los pares de valores ("similitud elemental") se encuentra mapeando este par de valores X_{0} y X_{1} en el Dominio de Similitud para este detector. Relacionando estos dos puntos desde la curva de dominio de similitud con las líneas 147 y 148 con el vértice 142 se define un segundo ángulo \theta. La similitud del par de valores se define entonces como igual a:

\vskip1.000000\baselineskip

3

\vskip1.000000\baselineskip

De esta manera, el valor de similitud S está más próximo a uno para los pares de valores más similares y S está más cerca de cero para los pares de valores menos similares. Las similitudes elementales se calculan para cada par correspondientes de valores del detector (elementos) de dos exposiciones instantáneas que se están comparando. Después, las similitudes elementales se combinan de alguna manera estadística para generar un valor escalar de una sola similitud para la comparación de vector a vector. Preferiblemente, esta similitud global, S_{exposición\ instantánea}, de dos exposiciones instantáneas es igual a la media del número N (el recuento elemental) de los valores de similitud elemental S_{c}.

\vskip1.000000\baselineskip

4

\vskip1.000000\baselineskip

Puede entenderse que el resultado general de la operación de similitud de la presente invención aplicada a dos matrices (o a una matriz D y un vector Y_{in}, como para la ecuación 3 anterior) es una matriz (o vector) en la que el elemento de la fila i-ésima y la columna j-ésima se determina a partir de la fila i-ésima del primer operando y la columna j-ésima del segundo operando. El elemento resultante (i, j) es una medida de la igualdad de estos dos vectores. En la presente invención, la fila j-ésima del primer operando generalmente tiene elementos correspondientes a los valores del detector para un estado relacionado temporalmente dado del proceso o máquina y esto mismo es cierto para la columna j-ésima del segundo operando. Efectivamente, la serie resultante de medidas de similitud representa la similitud de cada vector de estado en un operando para cada vector de estado en el otro
operando.

A modo de ejemplo, dos vectores (la fila i-ésima y la columna j-ésima) se comparan para similitud de acuerdo con la ecuación 4 anterior en una base elemento a elemento. Solo se comparan los elementos correspondientes, por ejemplo el elemento (i,M) con el elemento (m,j) pero no el elemento (i,m) con el elemento (n,j). Para cada una de dichas comparaciones, la similitud se da por la ecuación 4 con referencia a una construcción de operador de similitud como en la Figura 4. De esta manera si los valores son idénticos, la similitud es igual a uno y si los valores son sumamente desiguales, la similitud se aproxima a cero. Cuando se calculan todas las similitudes elementales, la similitud global de los dos vectores es igual a la media de las similitudes elementales. Una combinación estadística diferente de las similitudes elementales puede usarse también en lugar del promedio, por ejemplo, la mediana.

La matriz D de exposiciones instantáneas de referencia almacenada en la memoria 106 que caracteriza un funcionamiento aceptable del proceso controlado o máquina se compone usando un método de aprendizaje es decir, un método para destilar un mayor conjunto de datos recogidos a partir de los detectores en el proceso o máquina mientras que se está ejecutando en estados aceptables conocidos. La Figura 5 representa gráficamente dicho método para destilar los datos del detector recogidos para crear un conjunto de datos de aprendizaje representativos (matriz D) para definir un Dominio de Similitud. En este ejemplo sencillo sólo se muestran cinco señales del detector 152, 154, 156, 158 y 160 para el proceso o máquina a controlar. Aunque se describen en este documento genéricamente como vectores del sistema de comparación, "sistema" se usa únicamente para ejemplo y no está destinado como limitación. El sistema pretende incluir cualquier sistema vivo o muerto bien sea una máquina, un proceso que se está realizando en un sistema o cualquier otro sistema cerrado controlable.

Continuando este ejemplo, el número de muestras o un marcado temporal de los datos del detector recogidos está en el eje de abscisas 162, mientras que los datos se muestran digitalmente y los datos del detector se correlacionan temporalmente en cada muestra. El eje de ordenadas 164 representa la magnitud relativa de cada lectura del detector sobre las muestras o "exposiciones instantáneas". En este ejemplo, cada exposición instantánea representa un vector de cinco elementos, una lectura para cada detector en esta exposición instantánea. De todos los datos del detector recogidos (en todas las exposiciones instantáneas), de acuerdo con este ejemplo del método de aprendizaje, sólo se incluyen aquellas exposiciones instantáneas de cinco elementos en el conjunto de aprendizaje representativo que contiene un valor global mínimo o global máximo para cualquier detector dado. Por lo tanto, el máximo global 166 para la señal del detector 152 justifica la inclusión de los cinco valores del detector en las intersecciones de la línea 168 con cada señal del detector 152, 154, 156, 158, 160, incluyendo el máximo global 166 en el conjunto de aprendizaje representativo, como un vector de cinco elementos. Similarmente, el mínimo global 170 para la señal del detector 152 justifica la inclusión de los cinco valores del detector en las intersecciones de la línea 172 con cada una de las señales del detector 152, 154, 156, 158, 160. De esta manera, las recogidas de dichas exposiciones instantáneas representan estados que el sistema ha tomado y que se espera que vuelvan a ocurrir. Los datos del detector recogidos previamente se filtran para producir un subconjunto "de aprendizaje" que refleja todos los estados que el sistema toma mientras que funciona "normalmente" o "aceptablemente" o "preferiblemente". Este conjunto de aprendizaje forma una matriz, que tiene tantas filas como detectores de interés haya, y tantas columnas (exposiciones instantáneas) como sea necesario para capturar todos los estados aceptables sin redundancia.

Volviendo a la Figura 6, se muestra el método de aprendizaje de la Figura 5 en un diagrama de flujo. Los datos recogidos de esta manera en la etapa 180 de los detectores N en las observaciones L o exposiciones instantáneas o a partir de conjuntos relacionados temporalmente de datos de parámetros del detector forman una serie X de N filas y L columnas. En la etapa 182, un contador del número de elementos (i) se inicializa a cero y un contador de observación o de exposición instantánea (t) se inicializa a uno. Dos series "máx" y "mín", para que contengan los valores máximo y mínimo respectivamente a través de los datos recogidos para cada detector, se inicializan para que sean vectores cada uno de N elementos que se ajustan a igual a la primera columna de X. Dos series adicionales, Tmáx y Tmín, para mantener el número de observación del valor máximo y mínimo observado en los datos recogidos para cada detector, se inicializan para que sean vectores para uno de N elementos, todos cero.

En la etapa 184, si el valor del número del detector y en el número de exposición instantánea t en X es mayor que el máximo ya visto para el detector en los datos recogidos, máx(i) se actualiza para igualarse al valor del detector y Tmáx(i) almacena el número t de la observación en la etapa 186. Si no es así, se realiza un ensayo similar para este detector en las etapas 188 y 190. El contador de observación se aumenta en la etapa 192. En la etapa 194 si todas las observaciones se han revisado para un detector dado (es decir, t=L), entonces t se reajusta a cero e i se aumenta (durante la preparación para encontrar el máximo y mínimo para el siguiente detector) en la etapa 196. Si los límites se han encontrado para el último detector (es decir, i=N), etapa 198, entonces las redundancias se eliminan (es decir, se eliminan las apariciones múltiples de exposiciones instantáneas que se han seleccionado para dos o más parámetros) y se crea una serie D a partir del subconjunto resultante de vectores de exposición instantánea a partir de X.

De esta manera, en la etapa 200, los contadores i y j se inicializan a uno. En la etapa 202, las series Tmáx y Tmín están concatenadas para formar un solo vector Ttmp que tiene 2N elementos. Estos elementos de la serie se clasifican en orden ascendente (o descendente) en la etapa 204 para formar la serie T. En la etapa 206, el tmp portador se ajusta al primer valor en T (un número de observación que contiene un detector mínimo o máximo). La primera columna de D se ajusta igual a la columna de X correspondiente al número de observación que es el primer elemento de T. En el bucle que empieza con la etapa de decisión 208, el elemento i-ésimo de T se compara con el valor de tmp que contiene el elemento previo de T. Si los dos valores adyacentes de T son iguales indicando que el vector de observación correspondiente es un mínimo o un máximo para más de un detector, entonces, ya se ha incluido en D y no es necesario incluirlo de nuevo. El contador i se incrementa en la etapa 210. Si los dos valores adyacentes no son iguales, D se actualiza para incluir la columna de X que corresponde al número de observación de T(i) en la etapa 212 y tmp se actualiza con el valor en T(i). El contador (j) se incrementa entonces en la etapa 214. En la etapa 216, si todos los elementos de T se han comprobado, entonces la destilación en el conjunto de aprendizaje D ha finalizado en la etapa 218 y D se almacena en la memoria 106.

El conjunto de aprendizaje como se selecciona de acuerdo con el método anterior puede aumentarse adicionalmente usando numerosas técnicas. Por ejemplo, se determina una de las exposiciones instantáneas seleccionadas de acuerdo con el método Mín-Máx anterior, pudiendo seleccionarse el conjunto de datos originales restantes entre y añadiendo al conjunto de aprendizaje a intervalos de tiempo de marcado regulares. Otra manera más para añadir más exposiciones instantáneas al conjunto de aprendizaje Mín-Máx implica seleccionar aleatoriamente un número restante de exposiciones instantáneas a partir del conjunto original de datos.

Una vez que la matriz D se ha determinado, en una fase de aprendizaje e implementación, el motor de similitud preferido 110 se conecta estando controlado el sistema subyacente y, a través del tiempo, las exposiciones temporales reales de los valores del detector reales se introducen en el motor de similitud 110 desde la unidad de adquisición de datos 102. La salida de los resultados del motor de similitud 110 pueden ser valores similares, valores esperados o valores "residuales" (que son la diferencia entre los valores actuales y los esperados).

Uno de estos tipos de salida se selecciona y se hace pasar al motor de detección de desviación 114 de la Figura 1, que determina después a través de una serie de dichas exposiciones instantáneas si ha ocurrido un cambio estadísticamente significativo como se indica a continuación en este documento. En otras palabras, el motor de significancia estadística determina eficazmente si aquellos valores reales representan un cambio significativo de los estados "aceptables" almacenados en la matriz D. De esta manera, se genera un vector (Y) en el generador de estado estimado 112 de los valores del detector esperados a partir de contribuciones mediante cada una de las exposiciones instantáneas en D, determinándose dichas contribuciones mediante un vector ponderado W. W tiene tantos elementos como exposiciones instantáneas haya en D y W se determina de acuerdo con las ecuaciones 2 y 3 anteriores.

El motor de detección de desviación 114 puede implementar una comparación de los residuos con los umbrales seleccionados para determinar cuándo una alerta debe producirse por una desviación en el proceso de máquina controlado a partir de estados reconocidos almacenados en la biblioteca de referencia. Como alternativa, un ensayo estadístico preferiblemente el ensayo de proporción de probabilidad secuencial (SPRT) puede usarse para determinar cuándo ha ocurrido una desviación. El enfoque básico de la técnica SPRT es para analizar observaciones sucesivas de un parámetro muestreado. Una secuencia de diferencias muestreadas entre el valor esperado generado y el valor real para una señal del detector controlada debe distribuirse de acuerdo con alguna clase de función de distribución alrededor de una media de cero. Típicamente, esta será una distribución gaussiana, aunque puede ser una distribución diferente tal como por ejemplo una distribución binomial para un parámetro que toma solo dos valores discretos (esto puede ser habitual en máquinas y procesos de telecomunicaciones y redes). Después, con cada observación, se calcula un ensayo estadístico y se compara con uno o más límites de decisión o umbrales. El ensayo estadístico SPRT generalmente es la proporción de probabilidad I_{n} que es la proporción de la probabilidad de que una hipótesis H_{1} sea verdadera respecto a que la probabilidad de una hipótesis H_{0} sea verdadera:

\vskip1.000000\baselineskip

5

\vskip1.000000\baselineskip

donde Y_{n} son las observaciones individuales y H_{n} son las distribuciones de probabilidad para estas hipótesis. Esta proporción de ensayo SPRT en general puede compararse con un umbral de decisión para alcanzar una decisión con cualquier observación. Por ejemplo, si el resultado es mayor de 0,80, entonces decidir H_{1} es la opción, si es menor de 0,20 entonces decidir H_{0} es la opción y, si está entre ellas, no se toma ninguna decisión.

El ensayo SPRT puede aplicarse a diversas medidas estadísticas de las distribuciones respectivas. De esta manera, para una distribución gaussiana, puede aplicarse un primer ensayo SPRT a la media y puede aplicarse un segundo ensayo SPRT a la varianza. Por ejemplo, puede haber un ensayo de media positiva y un ensayo de media negativa para los datos tales como residuos que deben distribuirse alrededor de cero. El ensayo de media positiva implica la proporción de la probabilidad de que una secuencia de valores pertenezca a una distribución H_{0} alrededor de cero frente a pertenecer a una distribución H_{1} alrededor de un valor positivo, típicamente la desviación típica por encima de cero. El ensayo de media negativa es similar, excepto que H_{1} es aproximadamente cero menos una desviación típica. Adicionalmente, la varianza del ensayo SPRT puede ser para ensayar si la secuencia de valores pertenece a una primera distribución H_{0} que tiene una varianza conocida o una segunda distribución H_{2} que tiene una varianza igual a un múltiplo de la varianza conocida.

Para residuos derivados de las señales del detector a partir de un proceso o máquina controlados que se comporta de la manera esperada, la media es cero y la varianza puede determinarse. Entonces, en el modo de control de tiempo de ejecución para la media del ensayo SPRT, la probabilidad de que H_{0} sea cierta (la media es cero y la varianza es \sigma^{2}) se da por:

6

y similarmente, para H_{1}, cuando la media es M (típicamente una desviación típica por debajo o por encima de cero, usando la varianza determinada para los residuos del funcionamiento normal) y la varianza es de nuevo \sigma^{2} (se supone que la varianza es la misma):

7

La proporción ln entre las ecuaciones 7 y 8 entonces se convierte en:

8

Un SPRT estadístico puede definirse para el ensayo medio que es el exponente en la ecuación 9:

9

El ensayo SPRT es ventajoso porque una probabilidad de falsa alarma \alpha seleccionable por el usuario y una probabilidad de alarma perdida \beta pueden proporcionar umbrales contra los que puede ensayarse SPRT_{medio} para producir una decisión:

1. Si SPRT_{medio} \leq ln(\beta/(1-\alpha)), entonces se acepta la hipótesis H_{0} como verdadera;

2. Si SPRT_{medio} \geq ln((1-\beta)/\alpha), entonces se acepta se acepta la hipótesis H_{1} como verdadera; y

3. Si ln(\beta/(1-\alpha)) < SPRT_{medio} < ln((1-\beta)/\alpha), entonces no se toma ninguna decisión y se continua muestreando.

Para la varianza del ensayo SPRT, el problema es decidir entre dos hipótesis: H_{2} donde el residuo forma una función de densidad de probabilidad gaussiana con una media de cero y una varianza de V\sigma^{2}; y H_{0} donde el residuo forma una función de densidad de probabilidad gaussiana con una media de cero y una varianza de \sigma^{2}. La probabilidad de que H_{2} sea cierta se da por:

\vskip1.000000\baselineskip

10

\vskip1.000000\baselineskip

La proporción l_{n} se proporciona entonces para la varianza del ensayo SPRT como la proporción de la ecuación 11 con la ecuación 7, proporcionando:

11

y la estadística SPRT para el ensayo de varianza es entonces:

12

Posteriormente, los ensayos anteriores (1) a (3) pueden aplicarse como en el caso anterior:

1. Si SPRT_{varianza} \leq ln(\beta/(1-\alpha)), entonces se acepta la hipótesis H_{0} como verdadera;

2. Si SPRT_{varianza} \geq ln((1-\beta)/\alpha), entonces se acepta la hipótesis H_{2} como verdadera; y

3. Si ln(\beta/(1-\alpha) < SPRT_{varianza} < ln((1-\beta)/\alpha), entonces no se toma ninguna decisión y se continua muestreando.

Cada exposición instantánea de residuos (una "señal" residual por detector) que se hace pasar al módulo de ensayo SPRT, puede tener decisiones de ensayo SPRT para media positiva, media negativa y varianza para cada parámetro en la exposición instantánea. En un sistema de control basado en un modelo empírico de acuerdo con la presente invención cualquier ensayo SPRT de este tipo sobre cualquiera de dichos parámetros que dé cómo resultado una hipótesis distinta de H_{0} que se acepta como verdadera es eficazmente una alerta sobre este parámetro. Por supuesto, está dentro del alcance de la invención insertar una lógica entre los ensayos SPRT y las alertas de salida, de manera que se requiere una combinación de un resultado no-H_{0} tanto para la media como para la varianza de los ensayos SPRT para que la alerta se genere para el parámetro o alguna otra de dichas reglas.

La salida del motor de detección de desviación 114 representará una decisión para cada entrada de señal al detector, tanto para estimar si es diferente o igual. Estas decisiones, a su vez, pueden usarse para diagnosticar el estado del proceso o el equipo a controlar. La aparición de algunas decisiones diferentes junto con otras decisiones similares puede usarse como un indicador de probabilidad de futuros estados de robustez de la máquina o del proceso. Las decisiones de SPRT pueden usarse para clasificar en una base de datos de consulta para diagnóstico, diagnosticar automáticamente el estado del proceso o el equipo a controlar.

Generalmente, cualquier ensayo de hipótesis estadística conocido por los especialistas en las técnicas estadísticas puede sustituirse por la aplicación de SPRT descrita anteriormente. Además, los métodos de decisión conocidos en la técnica tales como conjuntos de lógica difusa y en redes neurales pueden usarse para tomar una decisión con respecto a la igualdad o diferencia de los valores estimados y reales.

En contraste con las restricciones impuestas sobre la técnica BART descrita anteriormente, la localización del vértice y la forma de longitud de la curva que forman el dominio de similitud de la realización preferida puede seleccionarse para ajustar la sensibilidad a la similitud de dos valores de forma diferente para diferentes partes del dominio de similitud. Haciendo esto, las regiones de interés para detectores particulares pueden estratificarse lenticularmente para potenciar la sensibilidad a similitud, flexibilidad no disponible en técnicas anteriores. Los métodos matemáticos para calcular los ángulos \Omega y \theta se conocen en la técnica y pueden incluir técnicas numéricas para aproximar los ángulos.

Las Figuras 7A-C muestran ejemplos de formas particulares del operador de similitud de la invención en el que la estratificación lenticular se aplica al dominio de similitud. El ejemplo de la Figura 7A muestra un dominio de similitud definido por una curva polinómica 220, en este ejemplo, una función basada en un polinomio incluye términos de cuarta potencia, de tercera potencia y cuadrados. La Figura 7B muestra otro ejemplo más de una forma particular del operador de similitud de la invención en el que el dominio de similitud se define por un arco elíptico 222. En este ejemplo el arco elíptico 222 forma un dominio de similitud convexo desde la perspectiva del vértice y los segmentos lineales que forman el ángulo \Omega. También está dentro del alcance de la invención usar el arco elíptico cóncavo. Un ejemplo de un dominio de similitud trigonométrico mostrado en la Figura 7C en el que la curva del dominio de similitud 224 se define por una función de la suma de un seno y un coseno y en el que la amplitud del seno es dos veces la del coseno.

La Figura 8A muestra un ejemplo en el que el efecto de estratificación lenticular del operador de similitud de acuerdo con la presente invención se potencia para entendimiento visible. Aunque la distancia del Dominio de Similitud entre los pares de valores en los arcos 230, 232 es igual a la longitud de arco, se mapean en áreas diferentes del dominio de similitud 234. De esta manera, estos arcos 230, 232 representan dos pares de valores diferentes que se comparan para similitud con resultados bastantes diferentes. Aunque la diferencia escalar entre los valores en los dos pares sea igual, un par en el arco 230 cae hacia una parte del intervalo en el conjunto de aprendizaje (una parte del dominio de similitud 234) que produce un ángulo muy estrecho 236 mientras que el otro par en el arco 232 cae en una parte del dominio de similitud 234 que produce un ángulo mucho más amplio 238. El par en el arco 232 con el ángulo más amplio 238 tendrá por lo tanto un valor de similitud menor que el par en el arco 230 con el ángulo más estrecho 236, incluso aunque ambos pares se separen por los arcos 230, 232 que tienen la misma distancia escalar.

Volviendo a la Figura 8B, se muestra un enfoque alternativo al operador de similitud de la presente invención. El dominio de similitud 234 se mapea ahora desde la base recta 802, que proporciona la escala lineal desde un mínimo global esperado 804 hasta un máximo global esperado 806 para el detector, en el que mapear las diferencias del valor 230 y 232 (que son diferencias iguales aunque en diferentes partes del intervalo esperado). Las diferencias de valor del detector de mapeo 230, 232 con el dominio de similitud 234 proporcionan los ángulos 810 y 812. Puede observarse que los ángulos 810 y 812 son diferentes, aunque la longitud de la diferencia del valor del detector (ya sea 230 o 232) sea igual, proporcionando así un efecto de estratificación lenticular ventajoso. Un ángulo 810 u 812 se compara con el ángulo \Omega global para proporcionar una medida de similitud como para las ecuaciones anteriores para dos valores del detector que tienen una diferencia de 230 o 232, respectivamente.

Este enfoque alternativo se entiende adicionalmente con referencia a las Figuras 9A-9D hasta 12A-12D, que muestran ejemplos de cuatro realizaciones alternativas adicionales con funciones de estratificación lenticular que se definen de acuerdo con funciones sinusoidales y polinómicas para usar con los operadores de similitud. En particular, la Figura 9A muestra una función coseno 240 como la función de estratificación lenticular que extiende el intervalo para \Omega más allá de 90º y que muestra diferencias en el valor del detector de longitud iguales 903, 905, 907 y 909 situadas sobre el intervalo de funcionamiento de estratificación lenticular del coseno. Cada longitud 903, 905, 907 y 909 representa la misma diferencia de valor del detector, pero localizada en una parte diferente del intervalo esperado para los detectores que se comparan. Cada uno forma un ángulo \theta diferente con respecto a las líneas dibujadas hasta los vértices 244, tales como las líneas 913 y 915. Este ángulo se compara después con el ángulo \theta mostrado allí para proporcionar una medida de similitud, que se define generalmente por los bordes del intervalo mapeado, desde un valor de intervalo esperado mínimo hasta un valor de intervalo esperado máximo y, en este caso, era de 90º. Puede observarse también que la operación de similitud de la invención puede acomodar datos puntuales fuera de los bordes de los mínimos y máximos esperados. La Figura 9B muestra los valores de similitud correspondientes generados moviendo suavemente la diferencia del valor del detector de longitud igual (lo mismo que 903, etc., con una longitud de 0,2) a través de todo el intervalo. La Figura 9C proporciona una superficie tridimensional 242 que ilustra un intervalo de valores de similitud para la función de estratificación lenticular del coseno 240 para un vértice 244 localizado a alturas variables por encima del dominio de similitud, para demostrar el efecto de la altura del vértice sobre la curva de similitud de la Figura 9B. Generalmente, un aumento en la altura del vértice 244 por encima del dominio de similitud 234 aplana el efecto de estratificación lenticular de la curva y hace que los valores de similitud sean mayores. La Figura 9B ilustra una rodaja en la superficie 242 a una altura del vértice de 3. La Figura 9D ilustra como cambiar el ángulo del intervalo esperado \Omega (en este ejemplo, de 90º a 180º) da como resultado un cambio en los valores de similitud.

La Figura 10A es un ejemplo en el que x^{3} se aplica como una función de estratificación lenticular para formar la curva 250 con el vértice 252 seleccionado por encima de la misma. La Figura 10B muestra el efecto de las funciones de estratificación lenticular de la curva 250 sobre los valores de similitud, que corresponde a una altura de vértice de -1,2 sobre la superficie 254 de la Figura 10C. De esta manera, los valores de similitud se representan en la Figura 10B para la función de estratificación lenticular x^{3}, ilustrando un segmento aproximadamente -1,2 y mostrando de valor de similitud de 1. Esto se ilustra adicionalmente en la representación de la superficie tridimensional de la Figura 10C que corresponde a la flexión de la función de estratificación lenticular x^{3} y genera un valor de similitud de 1 para los puntos mapeados a partir del vértice a los puntos en la curva polinómica que generan \theta = 0. La superficie 254 de la Figura 10C ilustra el efecto de la altura del vértice 252 sobre los valores de similitud. La Figura 10D ilustra el efecto gradual de aumentar \Omega por encima de 90º a 180º.

Las Figuras 11A y 12A ilustran curvas análogas 260, 270 formadas usando funciones de estratificación lenticular polinómicas de x^{2} y x^{4}, respectivamente. Las Figuras 11B-11C y 12B-12C ilustran el valor de similitud y el efecto de una variación en la altura del vértice correspondiente a las Figuras 10B-10C. Las Figuras 11D y 12D ilustran correspondientemente variaciones en el intervalo de \Omega por encima de 90º a 180º.

Esencialmente, los valores de similitud se amplían o se disminuyen cuando un par de valores cae a lo largo del dominio de similitud en un punto donde es más ortogonal a los rayos del ángulo que se extienden desde el vértice. Los valores de similitud disminuyen cuando el par de valores cae a lo largo del dominio de similitud en el punto donde es más paralelo a los rayos desde el vértice. Como puede observarse, el efecto de disminución aumenta también inversamente con la altura del vértice y la distancia de una parte de la curva del dominio de similitudes desde el vértice o cumbre. De acuerdo con la invención, pueden ensayarse empíricamente curvas de similitud diferentes para determinar qué funciona mejor para un detector dado. Las formas de la curva pueden ser aproximaciones numéricas (tales como una tabla de consulta de valores) en lugar de ecuaciones para las curvas. De esta manera, una curva de dominio de similitud puede generarse cualitativamente seleccionando diversos subintervalos del intervalo esperado para que un detector se estratifique lenticularmente más o menos. Esto puede realizarse con el uso de una curva suave con el uso de una técnica de espline para unir segmentos de curva juntos para proporcionar la estratificación lenticular necesaria. Como alternativa, volviendo a la Figura 14, la invención puede conseguirse también con una línea de dominio de similitud discontinuo 405 de manera que las discontinuidades 407 y 408 a los bordes de una sección 410 proporcionan un salto discreto en la distancia desde el vértice 415 y, de esta manera, un cambio discreto en el ángulo, ya que una longitud de arco dada a lo largo de la línea de dominio 405 generará un ángulo más pequeño a una distancia mayor desde el vértice 415.

La Figura 13A es un diagrama de flujo de una primera realización preferida 300 para generar un operador de estratificación lenticular de acuerdo con la presente invención. En primer lugar, en la etapa 302 los datos del detector se recogen como se ha descrito anteriormente en este documento. Después, en la etapa 304 se identifican los vectores mínimo y máximo para cada parámetro tal como se realiza, por ejemplo, en la Figura 6. Coincidentemente, en la etapa 306 pude seleccionarse una función de estratificación lenticular. Después, en la etapa 308, usando los valores mín/máx proporcionados en la etapa 4, se genera una superficie de dominio de Dominio de Similitud basada en la función de estratificación lenticular seleccionada en la etapa 306. Típicamente, la superficie de estratificación lenticular se genera identificando un origen con respecto a los valores mín y máx y después generando curvas para definir la superficie basada en el origen y los valores mín/máx, generándose cada una de las curvas con referencia a una altura de vértice seleccionada. Después, cualquier función de suavizado bien conocida puede aplicarse a las curvas para generar la superficie. En la etapa 310 la superficie se almacena para un sistema de control posterior que comienza en la etapa 312. Para controlar el sistema, en la etapa 314, se selecciona una altura de vértice de manera interactiva. De esta manera, finalmente, en la etapa 316, el operador de similitud se genera desde la altura de vértice y a través del control, pueden seleccionarse diferentes alturas de vértice para variar la estratificación lenticular y variar la visualización proporcionada a un operador que controla el funcionamiento del sistema.

Las Figuras 13B muestran una realización alternativa 320 en la que en lugar de variar la altura del vértice, se varía el ángulo de visualización.

Todas las etapas excepto la 322 son idénticas a las de la Figura 13A y, de esta manera, se marcan de forma idéntica. De esta manera, en la etapa 322, se permite al operador seleccionar diferentes ángulos de visualización y, en la etapa 316, se proporciona la visualización del funcionamiento del sistema basándose en este ángulo de visualización seleccionado. En ambas realizaciones, las exposiciones instantáneas se toman del sistema controlado y se comparan contra los vectores del conjunto de aprendizaje usando la estratificación lenticular seleccionada del operador de similitud para proporcionar un modelado potenciado del sistema y facilitar un mejor entendimiento del estado operativo actual del sistema.

De esta manera, la ventaja obtenida por la estratificación lenticular es que puede enfocarse directamente en diferentes regiones de interés en un intervalo particular para un detector dado, cuando se realiza una determinación de similitud entre un vector de estado actual y un vector de estado esperado conocido anterior. Usando esta determinación de similitud, puede calcularse un vector de estado estimado para un sistema en tiempo real que se está controlando y modelando usando MSET o similares. El rendimiento del modelo puede rectificarse para estimaciones mejoradas del modelo usando la clase mejorada de operadores de similitud de la presente invención.

Además, la operación de similitud de la presente invención se hace particularmente no lineal y adaptativa. La presente invención puede usarse en la clasificación del estado del sistema, la notificación de alarma del estado del sistema, la generación de parámetro virtual del sistema, la determinación del final de la vida de un componente del sistema y otras técnicas en las que es útil un modelo empírico. La presente invención supera las restricciones anteriores de los métodos de la técnica anterior proporcionando mayor flexibilidad para retocar y mejorar la fidelidad de modelado.

Debe entenderse que puede hacerse un amplio intervalo de cambios y modificaciones a las realizaciones de la invención como se ha descrito en este documento. De esta manera, se pretende que la descripción detallada anterior se observe como ilustrativa en lugar de limitante y que las siguientes reivindicaciones, incluyendo todos los equivalentes, pretenden definir el alcance de la invención.

Claims (19)

1. Una herramienta para controlar el funcionamiento de un sistema, comprendiendo dicha herramienta (160): una unidad de adquisición de datos (102), recibiendo dicha unidad de adquisición de datos (102) señales (152, 154, 156, 158, 160) de detectores, estando dispuestos dichos detectores sobre un sistema que está controlado y que proporciona exposiciones instantáneas paramétricas del funcionamiento del sistema;

una memoria (106) que almacena un conjunto de aprendizaje, conteniendo dicho conjunto de aprendizaje una pluralidad de vectores del sistema, siendo representativo cada uno de dichos vectores del sistema de un estado operativo esperado de dicho sistema que se está controlando;

un procesador (104) que recibe exposiciones instantáneas de dicha unidad de adquisición de datos (102) y que compara las exposiciones instantáneas recibidas con los vectores del sistema desde dicha memoria (106), aplicando dicho procesador (104) selectivamente una función de similitud a dicha comparación; y

un dispositivo de salida (108), proporcionando dicho procesador (104) resultados de dicha comparación para dicho dispositivo de salida (108);

caracterizado adicionalmente porque la función de similitud aplicada por dicho procesador (104) es un operador de similitud de estratificación lenticular en el que se modifica un ensayo de proporción de ángulo limitado para que tenga una base no lineal que comprende al menos un segmento lineal seleccionado entre el grupo de una curva polinómica, un arco elíptico, una función trigonométrica, un conjunto de segmentos lineales discontinuos, un espline y una tabla de consulta.

2. Una herramienta de acuerdo con la reivindicación 1, en la que dicho procesador (104) comprende un motor de similitud (110), recibiendo dicho motor de similitud (110) dichas exposiciones instantáneas desde dicha unidad de adquisición (102) y los vectores del conjunto de aprendizaje de dicha memoria (106) y aplicando dicha función de similitud de estratificación lenticular a dichos vectores recibidos para generar un vector de similitud, proporcionando selectivamente dicho motor de similitud (110) dicho vector de similitud a dicho dispositivo de salida (108).

3. Una herramienta de acuerdo con la reivindicación 2, en la que dicho procesador (104) comprende adicionalmente un generador de estado estimado (112) que recibe dicho vector de similitud desde dicho motor de similitud (110) y vectores de aprendizaje desde dicha memoria (106) y que genera un estado estimado a partir de los mismos, proporcionándose selectivamente dicho estado estimado a dicho dispositivo de salida (108).

4. Una herramienta de acuerdo con la reivindicación 3, en la que dicho procesador (104) comprende adicionalmente un motor de detección de desviación (114), recibiendo dicho motor de detección de desviación exposiciones instantáneas desde dicha unidad de adquisición de datos (102) y estados estimados desde dicho generador de estado estimado (112) y determinando la desviación desde el mismo, proporcionando selectivamente dicho motor de detección de desviación (114) dicha desviación determinada a dicho dispositivo de salida (108).

5. Una herramienta como en la reivindicación 4 en la que dicha función de similitud de estratificación lenticular define un dominio de similitud (140, 220, 222, 224, 234, 240, 410), perteneciendo los vectores a dicho conjunto de aprendizaje que cae en dicho dominio de similitud, esperándose que las exposiciones instantáneas caigan dentro de dicho dominio de similitud, siendo cada una de dichas localizaciones de exposición instantánea dentro de dicho dominio de similitud una base de dicha comparación por dicho procesador (104).

6. Una herramienta de acuerdo con la reivindicación 5 en la que dicha función de similitud de estratificación lenticular comprende seleccionar un segmento lineal a partir de una superficie no plana, definiendo dicho segmento lineal dicho dominio de similitud (140, 220, 222, 224, 234, 240, 410).

7. Una herramienta de acuerdo con la reivindicación 4 en la que la función de similitud de estratificación lenticular comprende mover el vértice del ángulo de comparación (142) con respecto a un dominio de similitud (140, 220, 222, 224, 234, 240, 410) perteneciendo los vectores a dicho conjunto de aprendizaje que cae en dicho dominio de similitud, esperándose que las exposiciones instantáneas caigan dentro de dicho dominio de similitud, siendo cada localización de la exposición instantánea dentro de dicho dominio de similitud una base de dicha comparación por dicho procesador (104).

8. Una herramienta de acuerdo con la reivindicación 4 en la que la función de similitud de estratificación lenticular comprende extender un intervalo de ángulo de comparación más allá de 90º, los rayos de dicho ángulo de comparación se contraen fuera de los límites del dominio de similitud, cayendo los vectores que pertenecen a dicho conjunto de aprendizaje en dicho dominio de similitud, esperándose que las exposiciones instantáneas caigan dentro de dicho dominio de similitud, siendo cada localización de exposición instantánea dentro de dicho dominio de similitud una base de dicha comparación.

9. Una herramienta de acuerdo con la reivindicación 4 en la que dicho sistema controlado se elige entre el grupo que consiste en una máquina, un proceso y un sistema biológico.

\global\parskip0.930000\baselineskip

10. Un método para generar una función de estratificación lenticular para un operador de similitud para usar en una operación de modelado de un sistema y controlar dicho sistema durante el funcionamiento para determinar si dicho sistema está funcionando dentro de parámetros aceptados, comprendiendo el método las etapas de:

a) recoger (302) una pluralidad de exposiciones instantáneas del sistema representativas de un funcionamiento normal del sistema;

b) identificar (304) los vectores mínimo y máximo dentro de dichas exposiciones instantáneas recogidas, definiendo dichos vectores mínimo y máximo identificados un conjunto de aprendizaje para dicho sistema;

c) seleccionar (306) una función de similitud,

d) generar (308) una superficie del dominio de similitud para cada grado de dichos vectores en dicho conjunto de aprendizaje usando dicha función de similitud; y

e) almacenar (310) dicha superficie del dominio de similitud;

caracterizado adicionalmente porque dicha función de similitud es una función de estratificación lenticular en la que un ensayo de proporción de ángulo limitado se modifica para que tenga una base no lineal, que comprende al menos un segmento lineal seleccionado entre el grupo de una curva polinómica, un arco elíptico, una función trigonométrica, un conjunto de segmentos lineales discontinuos, un espline y una tabla de consulta.

11. Un método de acuerdo con la reivindicación 10, durante el control del funcionamiento de dicho sistema, comprendiendo dicho método adicionalmente las etapas de:

f) seleccionar (314) una altura de vértice;

g) seleccionar (316) un segmento lineal del operador de similitud sensible a dicha altura del vértice seleccionado, perteneciendo los vectores a dicho conjunto de aprendizaje que cae en dicha superficie del dominio de similitud, esperándose que las exposiciones instantáneas caigan dentro de dicha superficie del dominio de similitud, siendo cada localización de dicha exposición instantánea dentro de dicho dominio de similitud una base de dicha comparación mediante dicho procesador (104).

12. Un método de acuerdo con la reivindicación 11, durante el control de dicho funcionamiento del sistema de dicho método que comprende adicionalmente las etapas de:

f) seleccionar una porción de aspecto; y

g) seleccionar (316) un segmento lineal del operador de similitud sensible a dicha proporción de aspecto seleccionada, perteneciendo los vectores a dicho conjunto de aprendizaje que cae en dicho dominio de similitud, esperándose que las exposiciones instantáneas caigan dentro de dicho dominio de similitud, siendo cada localización de dicha exposición instantánea dentro de dicho dominio de

\hbox{similitud una base de dicha
comparación por dicho  procesador (104).}

13. Un método de acuerdo con la reivindicación 10 en el que dicha función de estratificación lenticular es un contorno definido algebraicamente, conformando dicha función de estratificación lenticular dicha superficie.

14. Un método de acuerdo con la reivindicación 10 en el que dicha función de estratificación lenticular es un contorno definido sinusoidalmente, conformando dicha función de estratificación lenticular dicha superficie.

15. Un método de acuerdo con la reivindicación 10 en el que dicha función de estratificación lenticular es un contorno polar, conformando dicha función de estratificación lenticular dicha forma.

16. Un método de acuerdo con la reivindicación 10 en el que dicho sistema controlado se selecciona entre el grupo que consiste en una máquina, un proceso y un sistema biológico.

17. Una herramienta de acuerdo con la reivindicación 1, comprendiendo dicho procesador (104) adicionalmente: un motor de estimación dispuesto para recibir una exposición instantánea de valores de parámetros que representan una condición de dicho sistema, y generar una exposición instantánea de al menos una estimación de un parámetro de dicho sistema, usando dicho operador de similitud de estratificación lenticular; y un motor de diferenciación para determinar una diferencia entre dicha exposición instantánea estimada y la exposición instantánea recibida.

18. Una herramienta de acuerdo con la reivindicación 17 en la que dicho motor de diferenciación diferencia sucesivamente dicho parámetro estimado y un valor de parámetro correspondiente de dicha exposición instantánea recibida para proporcionar una secuencia de valores residuales y realizar una proporción de probabilidad secuencial de la secuencia.

19. Una herramienta de acuerdo con la reivindicación 17 en la que dicho motor de diferenciación diferencia sucesivamente dicho parámetro estimado y un valor de parámetro correspondiente a partir de dicha exposición instantánea recibida y ensaya la diferencia resultante frente a un umbral.

\global\parskip1.000000\baselineskip