JP2003526859A

JP2003526859A - 複雑な信号の分解およびモデリング

Info

Publication number: JP2003526859A
Application number: JP2001566282A
Authority: JP
Inventors: ウェガリッチ、ステファン・ダブリュ
Original assignee: スマートシグナル・コーポレーション
Priority date: 2000-03-09
Filing date: 2001-03-09
Publication date: 2003-09-09
Anticipated expiration: 2021-03-09
Also published as: WO2001067623A3; CA2401685C; US8239170B2; EP1264412A4; CA2401685A1; ATE400036T1; AU4351801A; JP4846954B2; EP1264412A2; EP1264412B1; US20060025970A1; US20080215291A1; US6957172B2; US7409320B2; US20010049590A1; DE60134629D1; WO2001067623A2; ES2309056T3

Abstract

(57)【要約】状態変化に対する高感度の検出、またはシグネチャ認識、分類のため複雑な信号を監視するシステム、方法、プログラムプロダクトが提供される。複雑な信号は実験的モデリングのために周期的に分解される。ウェーブレット解析、周波数帯域濾波、またはその他の方法は複雑な信号をコンポーネントに分解するために使用されることができる。シグネチャデータのライブラリは分解された複雑な信号の認識されたシグネチャを選択するために参照されてもよい。認識されたシグネチャは複雑な信号で伝送されるデータを示すことができる。評価された信号データは分解された入力信号を参照して統計的な仮説試験を使用して、観察されたプロセスまたはマシンの動作状態を決定するために生成される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】

本発明は、特に複雑または周期的な信号を使用するモデリングおよび監視のプ
ロセスに関し、さらに任意のマシン、プロセスまたは信号の動作状態の監視に使
用するための複雑な信号の分解、モデリング、分類に関する。特に、複雑な信号
は健康監視または情報の修正のために本発明を使用して分類されることができる
。

【０００２】

【従来の技術】

よく知られた一般的なモデリング（モデル化）および解析方法は、装置または
プロセス、通常は“システム”を監視するために動作システムパラメータを測定
する幾つかのセンサを使用する。センサからの関連する信号はシステムが機能し
ている態様を理解するために直接観察されることができる。その代わりに、無人
のオペレーションでは、自動化された方法で記憶されたまたは予め定められたし
きい値に対して実時間センサ信号を比較する方法がよく知られている。信号がこ
れらのしきい値を超えたとき、例外状態または警報が発生され、したがってセン
サのデータ値が対応するしきい値を超えたときしか人間の介入を必要としない。
このような方法はセンサの瞬時値と、システムの現在状態を示す他のパラメータ
を使用することに注目しているが、センサ信号でロックされている時間ドメイン
情報を利用しない。システムを良好に監視し、（多数の許容可能な状態の中で）
システムの動作状態を決定するためにこのような時間ドメイン情報を利用するこ
とが有効である。

【０００３】振動解析の分野では、回転または循環装置を監視する手段を与えるために加
速度計からのパワースペクトル密度関数または音響ピックアップを検査する方法
が知られている。典型的に、関係する周波数が検査され、しきい値（下限または
上限）がこれらの周波数に対して予測されるパワーレベルに設定される。しきい
値が突破されるならば、これは不適切な動作状態または問題の発生を示している
。この方法で監視される装置の各特定のピースに対して関係する周波数および予
測されるパワーレベルを識別するために多くの作業が含まれる。問題の診断も典
型的に特定の問題の出現によって与えられる指示の種類に非常に特有であり、各
マシンに対して特別に解決されなければならない。１以上の振動または音響信号
に基づいて、健康またはマシンの動作状態を決定する実験的なデータ駆動方法を
有することが有効である。

【０００４】異なる技術領域では、ケーブル（例えばCat.5 、同軸ケーブル等）または無
線送信（例えば放送、デジタル通信、IEEE 802.11bインターフェース）によるデ
ジタルデータの送信がアナログ搬送波信号の変調により頻繁に行われる。さらに
、データ送信速度を改良するために、送信されるデータは圧縮され、典型的に正
弦波エンコード２進データとして波の位相および振幅において送信信号搬送波へ
コード化される。現在、よく知られたデータエンコードおよび送信技術には直交
振幅変調（ＱＡＭ）およびディスクリートなマルチトーン（ＤＭＴ）が含まれて
いる。このようなコード化されたデータを抽出するよく知られた方法は周波数濾
波、信号分解、ウェーブレット解析を含んでいる。

【０００５】

【発明が解決しようとする課題】

しかしながら、送信中、これらのタイプの信号は例えば雑音または伝送媒体の
劣化により減衰および干渉を受ける可能性がある。幾つかのケースでは、雑音お
よび信号劣化はもとの送信された信号を抹消するのに十分であり、従来技術を使
用してここでコード化されたデータを抽出することを不可能にする。したがって
雑音または劣化が高いとき、受信される雑音および／または減衰された信号から
意味のある信号を再構成できることが必要である。これは特に、減衰された信号
が最も似ている有限のデータグラムセットを決定することに相当する。もとの信
号を抽出するために単一の複雑な信号に対して信号解析方法を行うことが必要と
される。

【０００６】技術で知られている１つの実験的なモデルベースの監視技術はGross の米国
特許第5,764,509 号明細書に記載されており、この明細書はここで参考文献とさ
れる。この技術では、物理的に相関されているパラメータを測定する多数のセン
サ信号はこれらの値の評価値を与えるために実験的な技術でモデル化される。評
価値と、センサからの実際値との不一致はプロセスまたはマシンの故障またはセ
ンサの故障の発生を示している。モデルは既知の動作状態を表しているセンサ値
の選択された経歴的スナップショットの基準ライブラリを使用して評価値を発生
する。しかしながら、そこで説明されている実施形態はセンサ信号中の時間ドメ
イン情報を使用せず、代わりに、異なるおよび切断された同時性のスナップショ
ットのデータを通常処理する。時間ドメイン情報と共に使用するGross 等の実験
的モデリングの種類を与えることが有効である。Gross 等のような多変数モデリ
ングシステムへの入力として複雑な信号を使用する方法も必要とされる。

【０００７】時間ドメイン情報が１以上のセンサ、または計装されたプロセスまたはマシ
ンから検出されたパラメータ信号でロックされる場合、１以上の許容可能で識別
可能な動作状態に対する時間ドメイン信号によりプロセスまたはマシンをモデル
化し、これらの状態を近似する第１の原理の式に到達するために多量の時間と労
力を注ぎ込まずにこれを行う方法が必要とされる。さらに、複雑な信号に基づい
てシステムの動作状態をカテゴリ化または分類する方法も必要とされる。

【０００８】

【課題を解決するための手段】

本発明は複雑な信号分解技術と組合わせて実験的モデル化エンジンを使用し、
少なくとも１つの単一の複雑な信号から多変数情報を抽出することによって前述
の要件を実現する。抽出されたコンポーネントは実験的モデル化エンジンへ個々
の入力として与えられる。実験的モデル化エンジンは、実際のまたは発生した信
号についてまたは信号を発生するシステム状態についてのさらに多くの情報を得
るために抽出されたコンポーネント入力を予測値に対して比較する。

【０００９】時間的に変化する電気信号（例えば心電図）のような複雑な信号またはパラ
メータは帯域ノッチ濾波、ウェーブレット解析またはその他の手段により多数の
関連する信号に分解される。多数の信号は基本的に実験的モデル化エンジンへの
多変数入力を形成し、これはその入力に応答して信号評価値を発生する。モデル
化エンジンは評価値を発生するために、従来知られた多変数スナップショットの
記憶された基準セットを使用する。評価値と実際の信号はそれらの間の偏差を検
出するために感知統計テストで比較され、認識されていない動作状態を示す。代
わりに、実験的モデル化エンジンは最も入力に類似している基準セットスナップ
ショットを決定するために多変数入力スナップショットを基準セットのスナップ
ショットと比較する。最高の類似性を有する記憶された基準スナップショットに
関係する分類は入力の分類として選択され、複雑な信号により表される動作状態
はしたがって基準セットで表されるこのような既知の状態の有限セットから決定
される。したがって、カテゴリ化される複雑な信号を与えるシステムの動作状態
だけでなく、デジタルデータ送信のために劣化したエンコード搬送波からオリジ
ナルデータグラムが再構成されることができ、それによってより大きな範囲と正
確性を与える。

【００１０】簡単に要約すると、本発明はコンピュータまたは他のプロセッサで実行され
、実験的な過去の観察から決定された関連する信号値および関連する分類または
状態のスナップショットの基準セットを記憶するメモリを有する。入力手段はデ
ータバス、メッセージングネットワークまたは直接データ獲得装置である。プロ
セッサは評価値を計算するように構成され、差を決定するためにこれらを実際の
入力と比較し、または代わりにその入力に対して最高の類似性を有する基準セッ
トから分類を選択するように構成される。分類または差の検出はスクリーンまた
はデータファイルへ出力されることができ、ページングメッセージ、ｅメールま
たはファックスを送信するために使用され、または同一のコンピュータまたはネ
ットワークまたはバス接続を共有する別のコンピュータ処理システムのデータ処
理アプリケーションへダウンストリームするために利用できるようにする。

【００１１】

【発明の実施の形態】

本発明のすぐれた特徴は特許請求の範囲に記載されている。しかしながら、本
発明自体は好ましい使用モードと、さらにその目的および利点と共に、添付図面
を伴った実施形態の以下の詳細な説明を参照して最良に理解されよう。図面を参照すると、図１は本発明の好ましい実施形態の信号分解およびモデリ
ングシステム100 を示しており、これは信号受信機108 、信号分解モジュール10
2 、基準ライブラリ104 、実験的モデル化エンジン106 を含んでいる。信号受信
機108 は複素数信号等の複雑な信号を信号分解モジュール102 へ与え、信号分解
モジュール102 は信号を複数の相関されたコンポーネント信号へ変換する。実験
的モデル化エンジン106 は複数の入力を受信するように配置され、分類情報を実
施するデータのセットまたは基準ライブラリ104 に記憶されている既知の動作情
報を参照にして、そこから得られた複雑な信号およびシステムについての指示を
出力する。

【００１２】システム100 はシステム、システム動作またはシステムで実行されるプロセ
スから得られた自然発生した、または適切な受信機108 により信号分解およびモ
デル化システム100 で受信された自然または人工的な任意の複雑な信号への応用
を有する。特に、複雑な信号は例えば生物学的プロセスまたはシステムを含んで
いるシステム、プロセスまたはマシンの物理的なパラメータを表わすものであっ
てもよい。特に、複雑な信号は心臓を監視する心電図の信号、電気モータのパワ
ー抽出の電流シグネチャ、金属スタンピングマシンからの圧力トランスデューサ
信号等である。さらに複雑な信号は、例えば直交振幅変調（ＱＡＭ）またはディ
スクリートなマルチトーン（ＤＭＴ）送信等の通信送信から情報がエンコーダさ
れた送信搬送波信号であってもよい。前述の複雑な信号の例は単なる例示として
与えられたものであり、本発明を限定することを意図するものではない。

【００１３】本発明はコンピュータソフトウェアにおいて実施されることが好ましく、これ
は例えばハードディスク、コンパクトディスク（ＣＤ）、読取り専用メモリ（Ｒ
ＯＭ）、フロッピー（登録商標）ディスク、デジタル多能性ディスクＲｏｍ（Ｄ
ＶＤ−ＲＯＭ）等のコンピュータ記憶媒体に含まれてもよい。本発明はまた基準
ライブラリの記憶に利用可能な記憶装置によりマイクロプロセッサまたはマイク
ロ制御装置に構成またはそこで実行されることができる。本発明のシステム、方
法、プログラムプロダクトは実時間で製造プロセスを監視し、または監視された
プロセスまたはその他の装置の動作状態についての情報を含む複雑な信号を検出
する器機を備えている装置から受信された信号とを監視するために使用されるこ
とができる。本発明はまた例えば雑音があるか非常に劣化されている通信伝送信
号から情報を抽出するためにも使用されることができる。さらに、本発明は例え
ば株式市場データまたは他の財務データのような複雑なデータ流の状態を評価す
るのに応用されてもよい。さらに、本発明はまた心臓信号、脳波またはその他の
重要な複雑な生物学的信号を監視し、分類するために応用されてもよい。

【００１４】受信機108 の複雑な信号は実時間ソースから捕捉され、またはデータファイ
ル中に記憶されたフレームとして捕捉される。例えば複雑な信号はプロセスまた
は装置ピースのの単一の物理的パラメータを監視している加速度計または音響ピ
ックアップ装置により発生されてもよい。複雑な波形は装置のピースの振動また
は運動の動作についての情報を含んでもよい。実時間ソースはデータ捕捉カード
であるか、またはフィールドバスのようなネットワークにわたってプロトコルと
して実行されるメッセージングソケットを含むことができ、その場合、センサデ
ータはアップストリーム処理によりネットワークのアクセス可能なデータソケッ
トに変換される。信号は信号分解モジュール102 中でデジタル化され、分解され
る。信号分解モジュール102 は信号処理の技術で知られている任意の複数の適切
な信号分解技術の１つを使用することができる。定期的に、複雑な信号はスナッ
プショットＹ_inputを与えるために同期観察で抽出された１組の入力を形成する
個々の信号成分に分解される。好ましくはウェーブレット解析が複雑な信号を分
解するために使用される。代わりに、複雑な信号は各周波数フィルタの帯域通過
内の個々の信号成分を抽出するために周波数フィルタを使用して分解されてもよ
い。信号は分解前または分解後のいずれかでデジタル化されてもよく、信号成分
は分解のデジタル結果である。したがって、信号分解モジュール102 の出力Ｙ_in _put は多数の相関された信号成分である。例えば１つの周波数フィルタからのこ
れらの相関された各成分は対応する周波数に対する係数、即ち入力ベクトルＹ_in _put を形成する全ての周波数に対する係数として表されてもよい。

【００１５】基準ライブラリ104 は通常、予測された信号成分値の特徴である過去のデー
タを含んでいる。この過去のデータは既知の状態で動作する実際のプロセスまた
はマシンから得られた集められたデータから抽出されることができる。その代わ
りに、劣化されエンコードされた通信信号を修正する場合、基準ライブラリの過
去のデータはアルゴリズムにより生成される例示的なデータグラムである。いず
れの場合でも、基準ライブラリはそれぞれ類似した数のエレメントを含んでいる
少なくとも複数のスナップショットまたはベクトルを含んでいる。各エレメント
は複雑な信号を含むコンポーネント信号の値である。したがって、複雑な信号が
周波数帯域フィルタを使用してモジュール102 中で分解されるならば、所定のベ
クトルはこれらのコンポーネント信号の単一の観察で各コンポーネント周波数帯
域信号の振幅を有する。複雑な信号がディスクリートなウェーブレット変換を使
用して分解されるならば、基準セットベクトルは複数の代わりの方法、即ち例え
ばベクトルエレメント値としてディスクリートなウェーブレット変換の選択され
たレベルの係数を使用することによる方法で構成されることができる。いずれに
せよ、本発明にしたがって、基準ライブラリは好ましくは少なくとも２つのエレ
メントを有するベクトルを含む。さらに、全てのベクトルは同一数のエレメント
をもたなければならない。最後に、各ベクトルのエレメントは同一の対応するソ
ースから来なければならず、例えば各ベクトルの第１のエレメントは第１のコン
ポーネント信号から来なければならず、第２のエレメントは常に第２のコンポー
ネント信号値であり、以下同様である。

【００１６】典型的に、経歴的な信号成分値（シグネチャベクトル）は基準ライブラリ104
で（ここではＤで示されている）マトリックス形態で維持される。各シグネチ
ャベクトルは経歴マトリックスＤの列（または行）であり、選択された期間にお
ける複雑な信号の先の分解を表し、即ち信号のスナップショットであり、複雑な
信号を有する各コンポーネントのエントリを含んでいる（以下の説明を参照）。
マトリックスＤのエレメントのセットはここでは信号シグネチャセットと呼ばれ
る。基準ライブラリ104 の信号シグネチャセットのスナップショット（シグネチ
ャベクトル）は典型的に公称上の信号から得られ、予測された複雑な信号の状態
の表示である。

【００１７】実験的モデル化モジュール106 は信号スナップショットまたはデータフレー
ムとして分解された信号サンプル（即ち信号成分）Ｙ_inputを周期的に受信する
。各スナップショットＹ_inputは基準ライブラリ104 のマトリックスＤのデータ
スナップショットと比較される。実験的モデル化モジュール106 は分解モジュー
ル102 から受信された現在の信号スナップショットＹ_inputを“類似性”につい
て基準セットスナップショットと比較する。この“類似性”の測定は類似性演算
子を使用して計算される。本発明によると、比較されるスナップショットまたは
ベクトル対に対する類似性演算は典型的にゼロと１の間に値を戻し、ゼロは非類
似性を表し、１は完全に同一のスナップショットを表す。エレメントづつのベー
スで作用する類似性演算子の１クラスにしたがって、類似性測定は次式にしたが
って計算される。

【数１】

【００１８】類似性の演算は、第１のオペランドの行と第２のオペランドの列の類似性また
は数字的な近似性の尺度を生成する種々の既知の演算子から選択されることがで
きる。通常２つのマトリックスオペランドへ与えられるときの演算結果は類似性
マトリックスであり、ここではｉ番目の行とｊ番目の列の類似性の値は第１のオ
ペランドのｉ番目の行と、第２のオペランドのｊ番目の列から決定される（前述
のオペランドはベクトルＹ_inputでありただ１つの列を有する）。結果的なエレ
メント（ｉ，ｊ）はこれらの２つのベクトルの同一性の尺度である。本発明では
、第１のオペランドのｉ番目の行は通常、プロセスまたはマシンからの複雑な信
号の所定の分解に対する一時的に関連されたコンポーネント値に対応するエレメ
ントを有し、同じことは第２のオペランドのｊ番目の列でも当てはまる。実効的
に、類似性測定の結果のアレイは１つのオペランドの基準ベクトルと、他のオペ
ランドの現在の入力ベクトルとの類似性を表している。

【００１９】例示により説明すると、使用されることができる１つの類似性演算子はエレ
メント毎のベースで２つのベクトル（ｉ番目の行とｊ番目の列）を比較する。対
応するエレメント、即ちエレメント（ｉ，ｍ）とエレメント（ｎ，ｊ）ではなく
エレメント（ｉ，ｍ）とエレメント（ｍ，ｊ）だけが比較される。それぞれのこ
のような比較では、類似性は２つの値のうちの大きい方の値により割算される２
つのうちの小さい方の絶対値に等しい。値が同一ならば、類似性は１に等しく、
値が非常に異なるならば、類似性はゼロに接近する。全てのエレメントの類似性
が計算されるとき、２つのベクトルの全体的な類似性はエレメントの類似性の平
均に等しい。エレメントの類似性の異なる統計的な組合わせはまた平均、例えば
中央値の代わりに使用されることができる。

【００２０】本発明で使用されることのできる別の類似性演算子は米国特許第5,987,399
号明細書に記載されているbounded area ratio test （ＢＡＲＴ）であり、この
明細書は参考文献とされている。ＢＡＲＴは従来技術の類似性演算子であり、内
角は２つの値の類似性を測定するために使用される。直角三角形は特定のコンポ
ーネントに対する信号シグネチャセットの全てのスナップショットにわたる予測
された大きさの範囲によって境界を定められているそれぞれの直角三角形のベー
ス（斜辺）により各信号成分で形成される。直角の頂点は好ましくはその範囲の
中点または平均を超える点および直角を形成する高さｈに位置され、直角の頂点
は直角三角形の頂点である。システム監視中のそれぞれの比較では、ＢＡＲＴは
２つの点Ｘ₁とＸ₀をベースにマップし、一方の点は予測されたコンポーネント
値を表し、第２の点は現在のコンポーネント値である。これらの２つの点はそれ
らの大きさにしたがって信号シグネチャセットの値の範囲内でベースに位置され
る。内部の比較角度θは各マップされた点から頂点へ線を引くことによってベー
ス上の頂点に形成される。 θ＝ｔａｎ^-1（ｈ／Ｘ₁）−ｔａｎ^-1（ｈ／Ｘ₀）（２）内角は２つの値が類似性について比較される基礎であり、即ち同一の点は０°角
度を生じ、完全に異なる点は直角を生じる。その後、ｉ番目のエレメントの基本
的な類似性は、ｓ_i＝１−（θ_i／（π／２））（３）前述したように、基本的な類似性は統計的に平均されることができ、そうでなけ
れば、本発明で説明されているように、１つのスナップショットと別のスナップ
ショットとの全体的な類似性を生成するように統計的に処理される。

【００２１】本発明で使用されることができるさらに別のクラスの類似性演算子はｎ空間
で１つのシグネチャベクトルと別のベクトルとの近似性を説明することを含んで
おり、ここでｎは監視されるプロセスまたはマシンの現在のスナップショットの
ベクトルの次元である。近似性が比較的近いならば、２つのベクトルの類似性は
高く、一方、近似性が離れているかまたは大きいならば、類似性は減少し、最終
的に消滅する。例示により、２つのベクトル間のユークリッド距離は類似性を決
定するのに使用されることができる。例えば２０のコンポーネントに分解される
複雑な信号では、それぞれ基準ライブラリ中の２０のエレメントベクトルを具備
する現在監視されているスナップショット間の２０次元空間におけるユークリッ
ド距離は、以下示すように類似性の尺度を与える。

【数２】

【００２２】ここでＸは現在のスナップショットであり、ｄは基準ライブラリからのベクトル
であり、λとｃはユーザの選択可能な定数である。

【００２３】特定の類似性演算子をここで説明したが、任意の通常の類似性演算子が本発
明の実験的モデル化エンジンで使用されてもよいことを理解すべきである。図１
の実験的モデル化エンジン106 の出力は、基準ライブラリベクトルと入力ベクト
ルとの各比較で生成される類似性の尺度に基づいた指示である。いくつかの変形
について以下説明する。

【００２４】図２を参照すると、初期故障、センサ故障または動作状態変化を検出するた
めのプロセスまたはマシンの動作を監視する本発明の実施形態が示されている。
図１と同一のアイテムは同様にラベルを付けられている。実験的モデル化エンジ
ン106 は、以下説明するように基準ライブラリ104 による類似性尺度に基づいて
入力スナップショットＹ_inputに応答して、評価されたまたは予測された値のス
ナップショットＹ_expectedを発生する。現在の分解されたスナップショットＹ_in _put はコンポーネントの残り値を生成するために加算器110 において評価値Ｙ_ex _pected から減算される。分解されたスナップショットＹ_inputと予測されたスナ
ップショットＹ_expectedのコンポーネントが近いとき、残余は非常にゼロに近く
、初期故障または状態変化がないことを示している。これらが異なるとき、残余
はゼロではない。精巧な試験を使用するとき、この差は残余がシステムの雑音帯
域内であっても確かめられることができる。試験モジュール112 は偏差が残余中
で明瞭であるか否かを初期の決定可能な観察で決定するために残余を受信して試
験するために与えられている。モデルの各コンポーネント信号には通常１つの残
余が存在する。コンポーネント信号の予測された値と実際の値の差の指示は、受
信機108 への複雑な信号入力を使用して測定されたとき、監視されたプロセスま
たはマシンの演算の偏差を指している。最後に、診断検索テーブル114 は、試験
モジュール112 により残余中で検出されたパターンまたは偏差に応答して可能性
のある故障モードを出力するために選択的に与えられることができる。

【００２５】実験的モデル化エンジン106 は次式にしたがって複雑な信号成分の予測され
た値を決定する。

【数３】

【００２６】ここでＷは基準ライブラリＤ 104中に列（またはスナップショット）が存在する
ときと同数の素子Ｎを有する加重ベクトルであり、次式により生成される。

【数４】

【００２７】ここで、類似性演算は中に斜交線を有する円により表されている。上付きの“Ｔ
”はここではマトリックスの転位を表し、マトリックスまたは結果的なアレイの
反転は上付き“−１”により表されている。重要なことに、Ｄ中の行Ｙ_inputお
よびＹ_expectedに対しては類似の信号成分に対する行の一致が存在しなければな
らない。即ち参照マトリックスＤの第１の行が分解された複雑な信号の第１の成
分の値に対応するならば、Ｙ_inputの最初のエレメントもその同じ第１のコンポ
ーネントの現在値（実時間で動作するならば）でなければならない。

【００２８】試験モジュール112 は、警報が基準ライブラリに記憶されている認識された
状態からの複雑な信号の偏差の出力であることを決定するために残余を選択され
たしきい値と比較することができる。代わりに、統計的なテスト、好ましくは逐
次的な確率比試験（ＳＰＲＴ）が偏差が生じていることを決定するために使用さ
れることができる。ＳＰＲＴ技術の基本的な方法はサンプルされたパラメータの
連続的な観察を解析することである。監視されたコンポーネント信号に対する生
成され予測された値と実際の値との間のサンプルされた差のシーケンスは、約ゼ
ロ平均の付近のある種の分布関数にしたがって分布されるべきである。典型的に
、これはガウスの分布であるが、異なる分布であってもよく、例えば２つのみの
ディスクリートな値を有するパラメータの二項分布であってもよい（これは通信
およびネットワーク化されたマシンおよびプロセスにおいて共通である）。その
後、それぞれの観察によって、試験統計が計算され１以上の決定限度またはしき
い値と比較される。ＳＰＲＴ試験統計は通常、尤度比ｌ_nであり、これは仮説Ｈ ₁ が真である確率と、仮説Ｈ₀が真である確率との比率である。即ち、ｌ_n＝（ｙ₁，ｙ₂，…，ｙ_n｜Ｈ₁）／（ｙ₁，ｙ₂，…，ｙ_n｜Ｈ₀）（８）ここで、Ｙ_nは個々の観察であり、Ｈ_nはこれらの仮説に対する確率分布である
。この通常のＳＰＲＴ試験比は任意の観察による決定に到達するように決定しき
い値と比較されることができる。例えば、結果が０．８０よりも大きいならば、
決定Ｈ₁は実情であり、０．２０よりも小さいならば、決定Ｈ₀は実情であり、
それらの値の間であるならば、決定を行わない。

【００２９】ＳＰＲＴ試験はそれぞれの分布の種々の統計的尺度に対して適用されること
ができる。即ち、ガウスの分布では、第１のＳＰＲＴ試験は平均値に対して適用
され、第２のＳＰＲＴ試験は変数に対して適用されることができる。例えば、ゼ
ロ周辺に分布すべき残余のようなデータに正の平均値試験と負の平均値試験が存
在する。正の平均値試験は、値のシーケンスがゼロ周辺の分布Ｈ₀に属する尤度
と、典型的に１のゼロを超える標準的な偏差である正の値の周辺の分布Ｈ₁に属
する尤度との比を含んでいる。負の平均値試験は、Ｈ₁がゼロ周辺マイナス１の
標準的な偏差である点を除いて類似している。さらに、変数ＳＰＲＴ試験は、値
のシーケンスが既知の変数を有する第１の分布Ｈ₀に属すか、または既知の変数
の倍数に等しい変数を有する第２の分布Ｈ₂に属すかを試験することができる。

【００３０】予測されたような複雑な信号からコンポーネント信号を獲得する残余では、
平均値はゼロであり、変数が決定されることができる。実行時間の監視モードで
は、平均ＳＰＲＴ試験に対して、Ｈ₀が真である尤度（平均値がゼロで変数がσ ² ）が次式により与えられる。

【数５】

【００３１】同様に、平均値がＭ（典型的にゼロより下または上の１つの標準的な偏差であり
、公称上の演算からの残余に対して決定される変化を使用する）であり、変数が
σ²であるＨ₁（変数は同一であると仮定される）では、

【数６】

【００３２】式９と１０からの比ｌ_nは次式のようになる。

【数７】

【００３３】ＳＰＲＴ統計は式１１で指数関数であるように平均値試験に対して規定される。

【数８】

【００３４】ユーザの選択可能な誤警報確率αと誤った警報確率βはしきい値を与えることが
でき、ＳＰＲＴ_meanは決定を行うために試験されることができるので、ＳＰＲＴ
試験は有効である。１．ＳＰＲＴ_mean≦１ｎ（β／（１−α））であるならば、仮説Ｈ₀を真と認め
る。２．ＳＰＲＴ_mean≧１ｎ（（１−β）／α）であるならば、仮説Ｈ₁を真と認め
る。３．１ｎ（β／（１−α））＜ＳＰＲＴ_mean＜１ｎ（（１−β）／α）であるな
らば、決定を行わず、サンプリングを継続する。変数ＳＰＲＴ試験では、問題は２つの仮説、即ち残余がゼロ平均値とＶσ²の
変数でガウス確率密度関数を形成するＨ₂と、残余がゼロ平均値とσ²の変数で
ガウス確率密度関数を形成するＨ₀との間で決定を行うことである。Ｈ₂が真で
ある尤度は次式により与えられる。

【数９】

【００３５】比率ｌ_nは式１３と式９の比として変数ＳＰＲＴ試験で与えられ、次式が与えら
れる。

【数１０】

【００３６】変数試験に対するＳＰＲＴ統計は次式になる。

【数１１】

【００３７】その後、前述の試験（１）乃至（３）は前述したように適用される。１．ＳＰＲＴ_variance≦１ｎ（β／（１−α））であるならば、仮説Ｈ₀を真と
認める。２．ＳＰＲＴ_variance≧１ｎ（（１−β）／α）であるならば、仮説Ｈ₂を真と
認める。３．１ｎ（β／（１−α））＜ＳＰＲＴ_variance＜１ｎ（（１−β）／α）であ
るならば、決定を行わず、サンプリングを継続する。

【００３８】ＳＰＲＴ試験モジュールに送られる残余の各スナップショット（複雑な信号
からのコンポーネント信号毎に１つの残余“信号”）はスナップショットの各パ
ラメータに対して正の平均値、負の平均値および変数のＳＰＲＴ試験決定を行う
ことができる。本発明による実験的モデルベースの監視システムでは、Ｈ₀以外
の仮説の結果が真として認められる任意のこのようなパラメータにおける任意の
このようなＳＰＲＴ試験はそのパラメータにおいて実効的に警報である。勿論、
これはＳＰＲＴ試験と出力警報との間に論理が挿入されるので本発明の技術的範
囲内にあり、それによって警報がそのパラメータまたは幾つかの他のこのような
ルールに対して生成されるように、Ｈ₀ではない結果の組合わせが平均値と変数
ＳＰＲＴ試験との両者に必要とされる。

【００３９】ＳＰＲＴ試験モジュール112 の出力は、評価が異なるか同一であるかに関し
てそれぞれの分解された信号入力に対する決定を表す。これらの決定は、監視さ
れるプロセスまたは装置の状態を診断するために使用されることができる。他の
同一性決定を伴った幾つかの差決定を行うことは、将来可能性のあるマシンの正
常さまたはプロセス状態のインジケータとして使用されることができる。ＳＰＲ
Ｔ決定は診断検索データベースへインデックスするために使用されることができ
、監視されているプロセスまたは装置の状態を自動的に診断する。

【００４０】通常、当業者に知られているように任意の統計的な仮説試験は前述のＳＰＲ
Ｔの適用に置換されることができる。さらに、ファジー論理セットおよびニュー
ラルネットワークのような技術で知られている決定方法は評価値および実際値の
同一性または差に関して決定を行うために使用されることができる。

【００４１】図２で示されている本発明の実施形態のセットアップおよび実行段階では、
複雑な信号のピックアップからの公称上のデータはシステムを監視する前に集め
られる。公称上のデータはプロセスまたは装置の予測された動作状態、および知
られているように許容可能または所望の動作状態下で集められる。公称上のデー
タはサンプルされた信号成分値を周期的に与えるために基準ライブラリ中のシグ
ネチャベクトルのように監視中に使用される分解方法を使用して分解される。各
ベクトルは観察またはスナップショット、即ち時間相関された値のセット、各分
解されたコンポーネントからの１値を表す。したがって、例えば監視された電気
モータからの電流信号のような複素数波形が本発明を使用して解析されるならば
、これは２つの極性のそれぞれで例えば＜５８Ｈｚ、５８Ｈｚ乃至６２Ｈｚと、
＞６２Ｈｚの３つの周波数範囲のコンポーネントを与えるために周波数フィルタ
を使用して分解され、６つの入力をモデルに与える。基準ライブラリベクトルは
６エレメントベクトルを具備し、各エレメントは各６つの周波数帯域のコンポー
ネント信号から時間相関された瞬間における信号振幅である。

【００４２】集められた公称データは基準ライブラリで全体的に使用されるわけではない
。むしろ、データはこのようなスナップショットの集団を特徴付けるのに十分な
代表的なセットに抽出される。これを実行する１方法は前述の米国特許第5,764,
509 号明細書に記載され、ここではＭｉｎ−Ｍａｘとして記載されている。基本
的に、ベクトルはこれらが公称値セット全体を通してベクトルエレメントの任意
の１つにおいて最小または最大値を含むならば、基準ライブラリに含まれるよう
に選択される。これによりベクトルのセットはベクトルエレメント数の２倍より
少ない数で列挙される。このベクトルのグループは任意の数の方法を使用して、
公称データセットからのさらに別のベクトルによって増加されることができる。

【００４３】図３は本発明の別の応用を示しており、監視システム120 は雑音のある通信
信号、例えばＱＡＭまたはＤＭＴ信号からコード化されたデータをデコードする
。図１のシステムと同一のエレメントは同一のラベルが付けられている。このよ
うな通信信号に対しては、最初に送信されたもとの信号は典型的に、１セットの
重畳された正弦波で、その振幅および期間は搬送波でコード化されるデータビッ
トを決定する。典型的に、特定のデータワードの長さはこれらの重畳された波で
共にエンコードされ、したがって受信端において波をデコードすることによって
同一のビット長、例えば１６ビットのデータワードを生じる。搬送波が有する重
畳された波の総“ボキャブラリ”はしたがって予め知られており、有限の状態ま
たはデータグラムのセットを構成する（例えば簡単なＱＡＭでは１６）。ここか
らの偏差は伝送ラインに存在する雑音または劣化である。図３の実施形態は基準
ライブラリで最も送信された信号に類似するデータグラムと、意図した可能性が
最も高いもとのデータグラムとを発見する計算の効率のよい方法を有効に与える
。この実施形態では、技術で行われているように、エンコードされたデータを抽
出するために受信された雑音のある通信信号を直接デコードする代わりに、雑音
のある信号は実験的モデル化エンジン106 で基準ライブラリ104 からの信号シグ
ネチャベクトルと比較される。雑音のある入力信号により最も近く一致するシグ
ネチャベクトルが識別され、一致した信号シグネチャセットベクトルはその比較
に基づいてデコードされる。一致したベクトルは例えば検索テーブル122 を使用
してデコードされ、デコードされた結果的なデジタル出力124 として出力される
。

【００４４】出力124 は基準ライブラリからのリテラルデータ値または、信号シグネチャ
セットへのインデックスであり、またはこの例で示されているように、出力124
はデコードされた値を検索テーブル122 の位置で選択するインデックスである。
この例では、類似性の演算は実験モデル化モジュール106 で行われ、これは雑音
のある減衰されたまたは劣化された複雑な入力信号から分解された入力スナップ
ショットをシグネチャセットのスナップショット、即ちシグネチャベクトルと比
較する。各入力スナップショットに対して、この比較は入力信号の現在状態、即
ち現在の入力スナップショットに対する最大の類似性尺度を有する１つの基準ラ
イブラリスナップショットを前述の類似性演算子を使用して識別する。キー値は
各シグネチャベクトルに関連され、検索テーブルにリンクされ、したがって各シ
グネチャベクトルと対応するデコードされたデジタル値を識別する。もとの信号
に対応するデジタル値はそれぞれの一致で検索テーブル122 から出力される。

【００４５】コード化された情報送信、例えばＱＡＭまたはＤＭＴからデータを抽出する
ために使用されるシステムを構成するため、プロセスまたはマシン監視のケース
のように基準ライブラリは実験データからポピュレートされる必要はない。代わ
りに、データグラムのもとの有限のセットは予め知られているので、基準ライブ
ラリはこれらから直接構成されることができる。

【００４６】図４は例えばＱＡＭを使用して情報を伝送する１６の予測された信号状態（
例えばエンコードされた送信信号）を示し、各状態は４ビットデジタルコードの
異なる１つに対応する。これらの１６の予測された状態またはシグネチャはサン
プルされ、例えばウェーブレット解析を使用してシグネチャ特徴化段階中にコン
ポーネント信号に分解される。各状態は詳細レベルと呼ばれるものを形成するた
めにウェーブレット係数に分解される。詳細レベル１は６４のウェーブレット係
数を含んでおり、詳細レベル２は３２のウェーブレット係数を含み、詳細レベル
３は１６のウェーブレット係数を含み、詳細レベル４は８のウェーブレット係数
を含み、詳細レベル５は４のウェーブレット係数を含む。詳細レベル３、４、５
と近似レベル５からのウェーブレット係数は３２のウェーブレット係数（それぞ
れ１６、８、４、４）を生み、各１６のシグネチャを特徴付けする十分な情報を
与える。したがって、これらのデータグラムをデコードするための基準ライブラ
リは１６ベクトルを含み、それぞれ３２のウェーブレット係数の値に対応して３
２エレメントを有する。動作において、送信信号（解析される複雑な信号）はウ
ィンドウで処理され、データグラムを表す適切なウィンドウは同一のディスクリ
ートなウェーブレット変形を使用して詳細レベル３、４、５と近似レベル５へ分
解され、３２エレメントのベクトルを与える。この入力ベクトルは実験モデル化
エンジン中の類似性演算子を使用して各１６の基準ライブラリベクトルと比較さ
れ、最高の類似性は目的とするデータグラムを指定する。

【００４７】図５は図４の信号番号４のディスクリートなウェーブレット変換の１例を示
している。この例では、詳細レベル１と２が示されているが、信号シグネチャセ
ットまたは類似性解析に含まれず、それ故、基準ライブラリ中の信号番号４を表
すように形成されたベクトルは図５で示されている３２のエレメント、即ち詳細
レベル３からの１６と、詳細レベル４からの８と、詳細レベル４からの４と、近
似レベル５からの４とを含んでいる。しかしながら、詳細レベル１および２から
の未使用のウェーブレット係数は所望ならば含まれてもよいことが理解されよう
。複雑な信号の十分なウェーブレットパケット分解ツリーを展開し、いずれの詳
細レベルといずれの近似が重要な情報を含んでいるかを確かめる方法が技術で知
られている。これらの従来技術の方法は基準ライブラリと入力スナップショット
を作成するベクトルの組成を決定するために本発明と共に使用されることができ
る。実験的モデル化エンジンは、丁度１つのウェーブレット解析が入力および基
準ライブラリを処理するために選択される限り、使用されるウェーブレット分解
にかかわりなく、各比較に対する類似性スコアを与えることができる。

【００４８】図４からの各シグネチャの雑音または歪みのある形態の例が図６に示されて
いる。ランダムな付加雑音が図６のシグネチャに付加されるが、信号は減衰され
ていない。分解モジュール102 はそれぞれ１６のシグネチャのうちの１つでエン
コードされているこれらの歪みのある複雑な信号を受信し、これらを分解する。
分解モジュール102 は特に、ディスクリートなデータグラムが基本的に連続した
搬送波で伝送されるときに分解のため複雑な信号のウィンドウを最初に識別する
ように配置されてもよい。ウィンドウを識別するため特別な周波数および／また
は振幅のスタートパルスおよびストップパルス等を含むような、このウィンドウ
イングを実現する種々の方法が通信技術で知られている。その代わりとして、分
解モジュール102 は固定した幅のシフトウィンドウにわたって搬送波信号を連続
的に分解でき、それぞれのこのようなシフトされたウィンドウの分解されたコン
ポーネントは実験モデル化エンジン106 により類似性に対して処理されることが
でき、それによって最小のしきい値を超える類似性だけがデータグラムの識別を
生成する。技術で知られている他の方法もウィンドウ処理のため本発明で使用さ
れることができる。

【００４９】実時間の雑音を有する複雑な信号は、再び詳細レベル１および２なしで、３
２ウェーブレット係数の現在のスナップショットを生成するために（選択された
ウィンドウイング方法にしたがって）周期的に詳細レベルのコンポーネントに分
解される。実験的モデル化エンジン106 は詳細レベルのコンポーネントを記憶さ
れた信号シグネチャベクトルに対して比較する。それ故実験的モデル化エンジン
106 は各スナップショット、即ち詳細レベル３、４、５と近似レベル５のウェー
ブレット係数を受取り、スナップショット対基準ライブラリ信号シグネチャセッ
ト中の１６のシグネチャベクトルのそれぞれの類似性演算を実行する。特に、各
シグネチャの比較では、３２ウェーブレット係数のセットの対（１つの信号シグ
ネチャベクトルと、実際の入力から分解されたスナップショット）が比較され、
対のそれぞれ対応するエレメントを比較する。この比較は入力スナップショット
に最も近く一致するシグネチャセット中の１６の入力スナップショットの最も近
く一致する１つのシグネチャベクトルを識別する。その後、実験的モデル化エン
ジン106 は検索テーブル122 からの一致するシグネチャベクトルに対応する４ビ
ットコードを選択し、デジタル出力124 としてコードを出力する。

【００５０】それ故、例えば、比較のための境界を有する角度比率試験（ＢＡＲＴ）を使
用して、直角三角形の斜辺の各端部の最小および最大値は基準ライブラリの１６
の全てのシグネチャにわたって所定の係数に対して発見される範囲を規定する。
入力信号係数は類似性のために比較され、各入力係数と、対応するシグネチャベ
クトル係数をその範囲内の係数値にしたがって特定の斜辺に沿ってマッピングす
る。ラインセグメントが各マップされた点から頂点まで引かれる。引かれたライ
ンセグメント間の内角は９０度以下である。その内角は９０度に正規化され、正
規化された結果は１から減算され、１とゼロとの間の類似性値を生成する。この
類似性値は対応するエレメントの対に対する類似性の尺度であり、（１）は同一
性を示し、（０）は非類似性を示す。各対の全ての３２コンポーネント（即ちウ
ェーブレット係数）の類似性値はシグネチャ間の類似性の全体的な尺度を与える
ように平均される。

【００５１】図７を参照すると、図６の雑音のある信号と、図４のオリジナルデータグラ
ムとの間の類似性の測定の結果が示されている。各１６のグラフは図６の雑音お
よび歪みのある信号のグラフの１つに対応する。各グラフ内には棒グラフを構成
する１６のバーが存在し、基準ライブラリを構成する図４からの１６モデル信号
のそれぞれに対して１つのバーが存在する。各バーはそのグラフの図６からの特
定の雑音を有するデータグラムに対する基準ライブラリデータグラムのベクトル
類似性値を表している。各比較では、１つの基準ライブラリシグネチャは雑音の
ある入力ベクトルに最も近いものとして識別される。一致は最高の類似性値を有
するバー上のアステリスクにより指示される。１６の比較のぞれぞれでは、好ま
しい実施形態のシステムは正確な雑音のある入力信号を、オリジナルの基準ライ
ブラリシグネチャに最も類似するとして自動的にスコアする。

【００５２】したがって、本発明のシステムは雑音のある入力シグネチャから正確な基準
シグネチャを正確に識別することができ、それによって劣化した搬送波信号から
正確な情報内容を抽出することを容易にするために送信雑音に対する優れたフィ
ルタとして作用する。基準ライブラリはまた各ベクトルに関連して、検索テーブ
ルの検索を誘導するインデックスを有し、それによってエンコードされたデジタ
ル情報はこれまで実現されてきた正確性よりも非常に高い程度の正確性で自動的
に抽出され、デコードされる。

【００５３】図８は本発明の好ましい実施形態のステップを示すフロー図130 である。最
初にステップ132 で、信号が受信され、分解装置に送られる。その後、ステップ
134 で、信号は例えばウェーブレット分解または信号フィルタを使用してコンポ
ーネントに分解される。次にステップ136 で、分解された信号コンポーネントは
信号シグネチャセットに対して比較される。ステップ138 で、付加的なステップ
が取られるか、付加的な解析が比較結果について行われるか否かを決定するため
にチェックが行われ、イエスであるならば、ステップ140 で比較結果が出力され
る。

【００５４】付加的なステップが比較結果について行われると、ステップ142 で、データ
、例えば通信データが信号から抽出されたか否かを決定するためにチェックが行
われる。信号がエンコードされたデータを含んでいる（例えば信号はデータ送信
信号）ことが決定されたならば、ステップ144 で、入力スナップショットに最も
近い信号シグネチャベクトルが識別される。ステップ146 では、検索テーブルは
一致するベクトルに対応するデジタル値をサーチし、その対応するデジタル値は
出力に送られる。

【００５５】信号がエンコードされたデータを伝送しておらず、代わりにシステムを監視
するセンサからの信号であるならば、ステップ150 で、Ｇマトリックスが決定さ
れ、前述の式７からの第１の項に等しい。

【数１２】

【００５６】Ｇマトリックスは任意の信号を受信する前に生成され、その後、局部的に記憶
され、ステップ150 で使用するために検索され、その後のシステム解析で利用可
能にされてもよいことに注意すべきである。ステップ152 で、前述の式５を参照
して予測された信号はＧマトリックスと類似性値ベクトルとを乗算することによ
り生成される。ステップ154 で、予測された信号と入力信号との差が計算される
。ステップ156 でＳＰＲＴ解析がステップ154 からの計算された結果に対して適
用される。最後にステップ158 で、適切な診断がＳＰＲＴ結果に対して行われる
。

【００５７】本発明は多くの分野において広い応用を有し、多数の物理的実施形態を行う
ことが考えられる。任意のプロセス制御設定では、本発明はネットワークに接続
されたコンピュータまたはプロセス制御システムで実施され、ここで複雑な信号
はデータ捕捉カードまたはネットワークカードによって受信され、メモリ中のソ
フトウェア命令にしたがってコンピュータプロセッサで処理される。コンピュー
タの実施形態の出力はコンピュータのスクリーンに与えられ、またはネットワー
ク接続によって、制御システム自体のようにダウンストリーム処理、または別の
コンピュータのウェブブラウザのように遠隔観察に利用可能にされる。別の実施
形態では、本発明は心搏または電気モータ電流等の特に複雑な信号を解析するた
めのハードウェア装置を具備している。この実施形態では、プロセッサはデータ
およびモデムまたは基準データを記憶するメモリと共に典型的に装置に設けられ
る。装置はその後、問題の複雑な信号を検出するためにセンサまたはセンサのセ
ットおよび電気信号接続を含んでいることが好ましい。搭載された実施形態では
、本発明は自動車または電気モータのような、マシンに組込まれて動作するさら
に広いデジタル信号プロセッサ（ＤＳＰ）の命令セットの一部であるマイクロプ
ロセッサ命令のセットを含んでいる。この場合、複雑な信号の受信は電圧計等の
既存のセンサのように典型的に既に組込まれているＤＳＰで行われている。最後
に、本発明は標準的なデスクトップまたはワークステーション環境でプログラム
としてオフラインで実施されることもでき、ここでは複雑な信号はメディアに記
憶されたデータファイルとして与えられる。一般的に、これらの実施形態を通し
て、信号分解モジュールはソフトウェア駆動プロセッサ、ＤＳＰまたはタスクに
専用の他のマイクロプロセッサ、ハードウェアで分解するようにカスタム化され
た特定用途用集積回路（ＡＳＩＣ）、または処理のためのデジタル化前に、アナ
ログ状態で複雑な信号を分解する簡単な回路エレメント（フィルタ等）の配置で
ある。

【００５８】広い範囲の変化および変形がここで説明したように本発明の実施形態に対し
て行われることを認識すべきである。したがって、前述の詳細な説明は技術的範
囲を限定するものではなく例示とみなされ、全ての均等物を含んで以下の特許請
求の範囲によって本発明の技術的範囲が限定されることを意図している。

【図面の簡単な説明】

【図１】信号分解および実験的モデリングのための本発明の一般的な実施形態のブロッ
ク図。

【図２】動作の偏差の検出のための本発明の１実施形態のブロック図。

【図３】圧縮され、減衰または劣化されている変調されたアナログ搬送波にコード化さ
れるデジタル信号をデコードするための本発明の１実施形態のブロック図。

【図４】コード化されたデジタル情報を伝送するための１６の予め定められた複合波形
図。

【図５】ハールウェーブレットを使用している図４で示された信号番号４のディスクリ
ートなウェーブレット変換の１例の図。

【図６】送信中の歪みをエミュレートするためにランダムな付加雑音を有する図４の１
６の複合波形を示した波形図。

【図７】図６の雑音を有する信号と比較したときの図４の１６のシグネチャーの類似性
値を示す棒グラフ。

【図８】好ましい実施形態の信号比較方法のフロー図。

───────────────────────────────────────────────────── フロントページの続き (81)指定国ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ，ＴＲ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，ＫＥ，ＬＳ，ＭＷ，ＭＺ，ＳＤ，ＳＬ，ＳＺ，ＴＺ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＥ，ＡＧ，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＢＺ，ＣＡ，ＣＨ，ＣＮ，ＣＯ，ＣＲ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＤＭ，ＤＺ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，ＧＥ，ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＡ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＭＺ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＴＺ，ＵＡ，ＵＧ，ＵＺ，ＶＮ，ＹＵ，ＺＡ，ＺＷ

Claims

【特許請求の範囲】

【請求項１】複雑な信号から情報を抽出するシステムにおいて、前記複雑な信号から入力信号コンポーネントのスナップショットを得るように
配置された分解モジュールと、前記複雑な信号の認識された状態を特徴付ける信号成分の基準スナップショッ
トを記憶しているメモリと、前記基準スナップショットに対する前記入力信号成分へ類似性演算子を与えて
前記複雑な信号の状態についての情報を与える少なくとも１つの類似性尺度を生
成する実験的モデル化エンジンとを具備しているシステム。
【請求項２】前記分解モジュールはウェーブレット解析を使用して前記複
雑な信号からそれぞれ前記スナップショットを導出して、前記複雑な信号を複数
のコンポーネント係数に分解する請求項１記載の情報を抽出するシステム。
【請求項３】前記分解モジュールは前記複雑な信号を濾波して、入力信号
コンポーネントの前記スナップショットを導出する複数の周波数フィルタを具備
している請求項１記載の情報を抽出するシステム。
【請求項４】前記実験的モデル化エンジンは入力スナップショットの対応
するコンポーネントと基準スナップショットとの間の基本的な類似性値の関数と
して前記類似性の尺度を生成する請求項１記載の情報を抽出するシステム。
【請求項５】前記実験的モデル化エンジンは、基準スナップショットにわ
たるそのコンポーネントの最小値と最大値との間の範囲へのマッピングにしたが
って選択されたコンポーネントに対する基本的な類似性値を生成する請求項４記
載の情報を抽出するシステム。
【請求項６】前記複雑な信号は通信信号であり、前記システムは検索テー
ブルをさらに具備し、前記実験的モデル化エンジンは少なくとも１つの類似性の
尺度に基づいて前記スナップショットを前記メモリ中の基準スナップショットに
一致し、前記一致した基準スナップショットは前記検索テーブル中のエントリを
識別し、前記識別された検索テーブルのエントリは前記システムの出力として与
えられる請求項１記載の情報を抽出するシステム。
【請求項７】前記信号は監視されているシステムから発生され、前記実験
的モデル化エンジンは少なくとも１つの類似性の尺度に基づいて前記複雑な信号
の少なくとも１つの信号コンポーネントに対する予測された値を生成し、前記シ
ステムはさらに、予測された値と、対応する信号コンポーネントとを結合し、そこから残余値を
決定する加算器と、残余に基づいて偏差を決定するテスト装置とを具備している請求項１記載の情
報を抽出するシステム。
【請求項８】監視されるシステムの動作状態の診断を生成するために前記
テスト装置からの偏差の決定に応答する診断装置をさらに具備している請求項７
記載の情報を抽出するシステム。
【請求項９】前記テスト装置は偏差を決定するためにしきい値を前記残余
に適用する請求項７記載の情報を抽出するシステム。
【請求項１０】前記テスト装置は偏差を決定するために逐次的な確率比テ
ストを残余値のシーケンスに適用する請求項７記載の情報を抽出するシステム。
【請求項１１】システムの動作状態を監視する装置において、システムの動作を特徴付ける時間的に変化する信号を捕捉するセンサ手段と、時間的に変化する信号を複数のコンポーネントへ分解する手段と、既知の動作状態に対するコンポーネント値の複数の基準スナップショットを記
憶するメモリと、分解手段に応答し、メモリ中の各基準スナップショット中のコンポーネント値
を参照して分解手段からのコンポーネント値における類似性の演算を使用してコ
ンポーネントの評価を生成するように配置され、さらにシステムの動作状態の偏
差を決定するためにコンポーネント値とその評価との差を計算することによって
残余値を生成するように構成されるプロセッサ手段とを具備している装置。
【請求項１２】前記プロセッサ手段は、システムの動作状態の偏差を決定
するために連続的な残余値について逐次的に確率比テストを実行するようにさら
に構成されている請求項１１記載の装置。
【請求項１３】前記プロセッサ手段は類似性演算子を使用して前記評価を
生成し、それにおいて、２つの値の差が前記値の予測された範囲で正規化される
請求項１１記載の装置。
【請求項１４】システムの状態を分類する装置において、システムを特徴付ける時間的に変化する信号を捕捉するセンサ手段と、時間的に変化する信号を複数のコンポーネントへ分解する手段と、少なくとも１つの既知のシステム状態に対するコンポーネント値の少なくとも
１つの基準スナップショットを記憶するメモリと、分解手段に応答し、分解手段からのコンポーネントと少なくとも１つの基準ス
ナップショットとを比較するため類似性値を生成するために類似性演算子を使用
し、類似性値に基づいてシステムが前記既知の状態であるか否かを決定するよう
に構成されているプロセッサ手段とを具備している装置。
【請求項１５】メモリは複数の既知の状態を表すコンポーネント値の複数
のスナップショットを含み、前記プロセッサ手段は発生された最高の類似性値を
有する基準スナップショットに関連した既知の状態であるシステムの状態を決定
する請求項１４記載の装置。
【請求項１６】メモリで表される各既知の状態はそれに関連する丁度１つ
の基準スナップショットを有する請求項１５記載の装置。
【請求項１７】前記分解手段は時間的に変化する信号を係数に分解するた
めにウェーブレット解析を使用する請求項１４記載の装置。
【請求項１８】前記分解手段は時間的に変化する信号をコンポーネント信
号に分解するために周波数フィルタを使用する請求項１４記載の装置。
【請求項１９】実験的モデルを使用してシステムの監視に使用する相関値
を表すセットの基準ライブラリを与える方法において、既知のモードにおける前記システムの動作中に前記システムのパラメータを測
定する可変信号を受信し、前記可変信号をコンポーネント信号に分解し、相関値の連続的なセットを与えるために前記コンポーネント信号を周期的にサ
ンプリングし、前記基準ライブラリに含まれる相関値の幾つかの前記セットを選択するステッ
プを含んでいる方法。
【請求項２０】前記分解ステップは連続的なウェーブレット係数を含むコ
ンポーネント信号を生成するために前記可変信号をディスクリートなウェーブレ
ット変換によって変換するステップを含んでいる請求項１９記載の方法。
【請求項２１】前記分解ステップは各周波数帯域に対するコンポーネント
信号を生成するため前記可変信号を複数の周波数帯域通過フィルタで濾波するス
テップを含んでいる請求項１９記載の方法。
【請求項２２】前記基準ライブラリに、可変信号の既知の状態に関連する
相関値の選択されたセットを有する分類を記憶することをさらに含んでいる請求
項１９記載の方法。
【請求項２３】前記選択ステップは、全てのセットの相関値の全ての類似
値と比較して、前記特定のセットが１つの相関値の最小または最大値を含んでい
るならば特定のセットの相関値を含んでいる請求項１９記載の方法。
【請求項２４】システム状態の分類方法において、システムを特徴付ける時間的に変化する信号を受信し、時間的に変化する信号を複数のコンポーネントへ分解し、前記複数の分解されたコンポーネントと、システムの既知の状態を表すコンポ
ーネント値の基準セットとを比較するための類似値を生成し、類似性値に基づいてシステムが前記既知の状態であるか否かを決定するステッ
プを含んでいる方法。
【請求項２５】前記生成ステップは、分解されたコンポーネントと、シス
テムの複数の既知の状態を表すコンポーネント値の複数の各基準セットとをそれ
ぞれ比較するために類似性値を生成し、前記決定ステップは、システムの決定さ
れた状態として生成された最高の類似性値を有する基準セットに関連する既知の
状態を選択するステップを含んでいる請求項２４記載の方法。
【請求項２６】各既知の状態はそれに関連するコンポーネント値の丁度１
つの基準セットを有している請求項２５記載の方法。
【請求項２７】前記分解ステップは時間的に変化する信号を係数に分解す
るためにウェーブレット解析を使用するステップを含んでいる請求項２４記載の
方法。
【請求項２８】前記分解ステップにおいて時間的に変化する信号をコンポ
ーネント信号に分解するために周波数フィルタを使用する請求項２４記載の方法
。
【請求項２９】複雑な信号から情報を抽出する方法において、ａ）データを伝送する複雑な信号を受信し、ｂ）前記受信された複雑な信号を複数のコンポーネントに周期的に分解し、ｃ）経歴的なコンポーネントの記憶装置のセットにおける複数のスナップショ
ットに対して前記コンポーネントを比較し、ｄ）前記スナップショットに対して前記コンポーネントを比較した比較結果を
平均し、前記平均した比較結果は前記複雑な信号の情報の指示を与えるステップ
を含んでいる情報抽出方法。
【請求項３０】前記受信された複雑な信号を周期的に分解するステップ（
ｂ）は前記複雑な信号からウェーブレットの詳細レベルを抽出することを含んで
いる請求項２９記載の情報抽出方法。
【請求項３１】比較ステップ（ｃ）は境界を有する領域の比テストを前記
複数のコンポーネントにそれぞれ適用し、各コンポーネントは各複数のスナップ
ショットの対応するコンポーネントに対して比較される請求項２９記載の情報抽
出方法。
【請求項３２】ｅ）前記平均比較結果に応答して前記複数のスナップショ
ット間で一致する経歴的シグネチャベクトルを識別し、ｆ）前記識別された一致する経歴的シグネチャベクトルに対応するデジタル結
果を出力するステップをさらに含んでいる請求項３１記載の情報抽出方法。
【請求項３３】前記複雑な信号は監視されているシステムに応答して生成
され、前記方法は、ｅ）平均された前記比較結果から予測される信号結果を生成し、ｆ）前記予測される信号結果と前記分解され受信された複雑な信号から残余を
生成し、ｇ）前記予測される信号結果が前記受信された複雑な信号と異なるか否かを決
定するため前記残余をテストするステップをさらに含んでいる請求項３１記載の
情報を抽出する方法。
【請求項３４】ｈ）前記決定ステップ（ｇ）に応答して前記監視されてい
るシステムの状態を診断するステップをさらに含んでいる請求項３３記載の情報
を抽出する方法。