JP2010536099A - 関連するアプリケーションに対する故障パターンマッチング相互参照のためのファジー分類方法 - Google Patents

Abstract

監視システム中の故障を診断するための方法および装置が与えられている。パラメータデータの評価はシステムの既知の特性の参照パラメータデータ特性を有するシステムから生成される。パラメータデータの生成された評価は測定されたパラメータデータと比較される。残余はパラメータデータの評価と測定されたパラメータデータとの間の関係に基づいて各パラメータについて決定される。ファジー分類規則は予め定められた故障の存在を示すために使用されるパラメータの残余を使用することにより予め定められた故障が存在する確率を決定するために実行される。
【選択図】図１

Description

本発明は初期のマシン故障またはプロセスの不調の早期検出および診断の分野に関し、特に本発明はプロセスおよびマシンのモデルベースの監視と、経験ベースの診断用のファジー分類方法およびシステムに関する。

本願は2007年8月3日提出の米国暫定特許出願第60/953,800号明細書の特典を主張しており、ここで参考文献とされている。

種々の新しく高度の技術が伝統的なセンサしきい値ベースの制御および警報の欠点を解決するために工業プロセス制御、マシン制御、システム監視、条件ベースの監視において出現している。伝統的な技術はプロセスまたはマシンの個々の指標の大きな変化に対して応答を行うにすぎず、しばしば予測されない運転中止、装置の損傷、製品品質の低下または破局的な安全性の危険を阻止するために適切な警告を行うことができない。

新しい技術の一分野によれば、監視されたプロセスまたはマシンの経験的モデルが故障検出と制御において使用される。このようなモデルはさらに初期の故障検出と微細なプロセス制御を実現するために監視センサデータの総合的な見解を効率的に活用する。プロセスまたはマシン上の多くのセンサを同時におよび相互に考慮してモデル化することによって、管理システムは各センサ（およびその測定されたパラメータ）がどのように動作すべきであるかについてのより多くの情報を提供できる。さらに、これらの方法は付加的な機器が典型的に必要されないで、プロセスまたはマシン上の位置でセンサが使用されることができるという利点を有する。

このような経験的監視システムの１例はここでその教示が参考文献とされているGross等の米国特許第6,181,975号明細書に記載されている。この明細書には監視されたプロセスの既知の状態の参考ライブラリに対して類似演算子を使用する経験的モデルと、現在のプロセス状態が正常または異常状態であるかを決定するための高感度統計的仮説検査と結び付けて類似演算に基づいて現在のプロセス状態を生成するための評価エンジンが記載されている。前述の経験的監視システムにおける類似演算子の役目は参考ライブラリに含まれるセンサ読取の任意のスナップショットに対するセンサ読取の現在のセットの類似性の指標を決定することである。したがって表示される類似指標は、参考ライブラリのスナップショットの重付けされた複合から、センサ読取のあるべき評価を生成することに使用される。評価は初期のプロセスの不調、センサ故障等を示している差を監視するため現在の読取りと比較されることができる。技術で知られている他の経験的モデルベースの監視システムは監視されるプロセスまたはマシンをモデル化するために神経回路網を使用する。

センサの故障、プロセスの不調またはマシンの故障の早期の検出は前述のGross等の特許にも記載されている逐次確率比検査のような光感度統計検査によりこのような監視システムで行われることができる。実際のセンサ信号と評価されたセンサ信号の差の残余に適用されるときのこのような検査の結果はユーザの選択可能な統計的確信をもって、実際および評価された信号が同じであるか異なるかの決定である。したがってこれはそれ自体、正常からの変化を証明するプロセス位置またはマシンサブコンポーネントに対してのみ拡張されたメンテナンスリソースを誘導するのに有効な情報であるが、診断結果に対して監視を進める必要があり、それによって信号が正常に動作していないという単なる警告ではなく、可能性のある故障モードを提供する。高感度の早期検出統計試験を構築しやすい実験的モデルと結合し、早期の警報だけでなく変化の原因となりうるものの診断指示を行うことは、非常に貴重な監視または制御システムを構成し、現在種々の産業で非常に模索されている。

多くのプロセスおよびマシンが本質的に複雑であることによって、故障の診断タスクは非常に困難である。診断システムの開発には多量の労力が費やされている。診断の１方法はエキスパートにより開発された監視または制御されるシステムのダイナミクスを説明した規則にしたがって、プロセスまたはマシンを解析するための規則ベースシステムであるエキスパートシステムの使用である。エキスパートシステムはシステムを理解してもっている知識を規則のセットに体系化するための過酷な学習プロセスが人間のエキスパートに必要である。したがってエキスパートシステムの開発は多量の時間とリソースを必要とする。エキスパートシステムはプロセスまたはマシンに対する頻繁な設計の変化に対応できない。設計の変化は規則を変化し、このことはエキスパートが新しい規則を決定しシステムを再設計することを必要とする。

しかしながら現在のシステムは近似的な推論方式を使用する能力をもたない。代わりに現在のシステムは通常クラシカルな述語論理から正確に演繹される推論方式を使用する。したがって、現在のシステムは幾つかのタイプの複雑な問題の対処により欠点を有する。

本発明は、マシンおよびプロセス用のモデルベースの監視システムにおいて診断能力を与える。診断条件のライブラリは任意のタイプのセンサにより実行される物理的パラメータを介してマシンまたはプロセスの日常のオンライン監視の一部として与えられる。オンライン監視により生成された出力は診断条件ライブラリと比較され、１以上の診断条件のシグネチャがこれらの出力で認識されるならば、システムは可能性のある切迫した故障モードの診断を行う。

本発明の１例では、システムは故障パターンマッチングに対するファジー論理分類方法を使用する。システムはセンサとセンサから得られた計算された変数のセットにより監視される。各センサは例えば温度のような測定を行う。計算された変数は例えば２つの温度センサからの測定間の差の計算により生成された温度差の計算された変数のような関数関係を介してセンサ測定から得られる測定を生成する。各センサの測定と、計算された変数は予測された測定に対して比較される。予測された測定はシステムの動作の工業的な知識に基づいて決定される。実際の測定が予測される測定とは異なるならば、その差は「残余」または「残余値」として知られている。各センサと計算された変数に対する残余値が決定される。

１形態では、システム内で可能性のある異なるタイプの故障の存在を決定するためのファジー規則は種々のセンサおよび計算された変数からの残余に基づいている。ファジー規則では、残余値に適用される論理検査（メンバーシップ関数とも呼ばれる）に基づいて決定される。例えば正の論理テストは残余値を正のしきい値値に対して比較する。残余値が正でありしきい値に関して大きいならば、正の論理テストは真であることが結論付けられ、他方で残余値が正であり、しきい値に比較して小さいならば、正の論理検査は偽であることが結論付けられる。ファジー正の論理検査のパワーは残余値が正であり、しきい値に近いならば真の部分的なレベルを結論付けることができることである。ファジー規則には幾つかのパラメータが存在してもよい。第１に、一次パラメータが解析される。次に一次パラメータからのファジー真値が組み合わせられる。組合せられた一次パラメータが特定の度合いまで真である場合、二次パラメータが決定される。したがってパラメータ間には階層的な関係が存在し、それによって他のパラメータよりも前に幾つかのパラメータが決定され解析される。

種々のパラメータのファジー真値が決定され、その後真の程度または特定の故障が監視されるシステムで初期である確率を決定するために組み合わせられる。組み合わせられたファジー真値が第１のしきい値を超えるならば、故障が生じた可能性があることを示す通知があるユーザまたは解析者に送られる。ファジー真値が第１のしきい値よりも大きい第２のしきい値よりも大きいならば、故障が生じる可能性が非常に高いのでさらに緊急な言葉と共に、および／またはさらに高いレベルの雇用者へ通知が送られることができる。任意の数の非常に大きなしきい値は故障が生じている確率が増加していることを示すために使用されることができる。

本発明の上記の説明の要約は本発明の各実施形態とあらゆる局面を表すことを意図してはいない。詳細な説明と図面は本発明の多くの実施形態および局面を説明するであろう。

前述の要求は特に図面を伴って研究するとき以下の詳細な説明に記載された遠隔制御方法および装置の設備を通して少なくとも部分的に満たされる。

本発明の１実施形態による信号ベースモデル化システムの図である。 従来技術による経験的モデルベースの監視システムの図である。 「クリスプ」論理規則の第１のチャートと「ファジー」論理規則の第２のチャートの比較を示す図である。 本発明の１実施形態による故障パターンのメンバーシップ関数定義を示す図である。 本発明の１実施形態による故障パターン整合システムを示す図である。 本発明の１実施形態による各メンバーシップ関数式に対応するチャートを示す図である。 本発明の１実施形態によるスケールされていない残余信号とスケールされた残余信号の両者を示す図である。 本発明の１実施形態による給水ヒーター中の仕切り板漏洩の故障パターンマッチの確率の生および平滑にされたバージョンを示す図である。 本発明の１実施形態によるファジー論理信号ベースのモデル化方法のフロー図である。

当業者は図面の素子が簡潔および明白に示され、必ずしも実寸大に示されていないことを認識するであろう。例えば本発明の種々の実施形態の理解をよりよくするために図面中の幾つかの素子の寸法は他の素子に関して誇張されている。また、市場で実現可能な実施形態において有用または必要な普通であるがよく理解されている素子は典型的に本発明のこれらの種々の実施形態で目立たないようにするために示されていない。

本発明の実施形態は初期故障に対して種々のシステムを監視するための技術に関する。例えば類似性ベースモデル化（“ＳＢＭ”）技術は、原子力または石炭発電所の「資産」が故障する可能性がある時を予測するために使用されることができる。ここで説明するように、「資産」は発電所または石油精製所のような複雑な機械環境内の特定のコンポーネントまたはコンポーネントの関連されるグループについての用語である。このような環境におけるＳＢＭ技術の適用は典型的に多数のＳＢＭモデルの使用を含んでおり、各モデルはセンサと、資産の物理的パラメータを監視する計算された変数とを含んでいる。ＳＢＭ技術は多数のセンサが存在し、「第１の原理」解析に基づいて、システムおよび故障特性についての幾らかの予め存在する知識が存在する任意のタイプの複雑なシステムに適用可能である。「第１の原理」解析は監視されているプロセスを支配する１組の式を指している。

モデル化技術にしたがって、システムを通して配置されているセンサからの種々のデータは累積され解析される。ＳＢＭは好ましい実施形態で使用されることができるが、カーネル回帰のような他のデータ駆動モデル化技術が代わりに使用されることができることを認識すべきである。カーネル回帰はＳＢＭ技術を含む広い形態のモデル化である。

ＳＢＭ技術によれば、種々のセンサおよび計算された変数読取はそれぞれセンサおよび計算された変数の予測値に対して比較される。予測値と実際のセンサおよび計算された変数の差は「残余」または「残余値」として知られている。一般的に言えば、残余値は各センサおよび計算された変数について計算され、幾らかまたは全ての残余値は故障が発生しそうなときを予測するために解析される。

ここで説明した教示はＳＢＭ残余パターンと他のサポート情報に基づいて特定の装置の故障シグネチャを規定し自動的に認識する方法を提供する。故障シグネチャは予測された効果であり、装置の故障は装置の監視に使用される１以上のセンサおよび計算された変数を有する。ある程度の時間の期間にわたって故障シグネチャはセンサおよび計算された変数の残余の変化により明らかにされる。ある程度の時間にわたる残余の解析と故障シグネチャに対する残余の変化の比較によって、初期故障の特性が予測されることができる。そのシグネチャは特定の故障タイプの特徴の専門知識に基づいて規定される。この情報から、パラメータの最小のセットがシステム内の装置のピースに特定の故障パターンのセットを特有に分離するモデルについて識別される。さらにパラメータの最も「共通して有効な」セットだけが発電産業における異なる発電所との最大の適合性を確実にするために幾つかの実施形態で使用される。予め規定された故障パターンはファジー分類ベース方法を使用して実時間で突合せられる。残余および故障シグネチャの説明は米国特許出願第09/832,166号明細書（発明の名称“Diagnostic Systems and Methods for Predictive Condition Monitoring”）に記載されており、ここでその全体が参考文献とされている。

図１は（ここではファジー論理エンジンとも呼ばれている）本発明の１例の実施形態によるＳＢＭシステム100を示している。示されているように、ＳＢＭシステム100は監視されたマシンまたはプロセスからのセンサデータにおいて監視動作を実行し、変換されたデータをファジーパターン認識モジュール110へ出力する実時間データ事前処理モジュール105を含んでいる。変換されたデータは実時間データ事前処理モジュール105の正常な監視活動から得られる警告パターン、残余等であることができる。ファジーパターン認識モジュール110は故障モードデータベース115と通信しており、これは変換されたデータのシグネチャ及び関連される故障モード情報を含んでいる。例えば変換されたデータが残余情報であるならば、故障データはその特定の故障モードの前にそれら自体を示すことが知られている複数の残余スナップショットを具備することができ、関連される故障モード情報は故障モード、確率、故障モードを調査する動作プラン、および／または初期故障を修正する修正プランの説明を含むことができる。故障モードデータベース115からのシグネチャがファジー認識モジュール110により認識されるとき、取られるべき関連される識別および任意の修正動作は故障モード診断および出力モジュール120により出力され、これはこの情報をディスプレイまたは他のユーザインターフェースへ通信し、またはダウンストリーム制御システム等により取られる自動化動作のための情報をオブジェクトベース環境で提示することができる。

データ事前処理モジュール105は任意のタイプの監視システム、典型的にはモデルベース、さらに好ましくは経験的モデルベースであることができる。これは図２を参照して最良に理解される。図２は従来技術による経験的モデルベースの監視システムを示している。ここでは任意の数の計算システムへセンサデータを提供するためにそれらに関連するデータ捕捉手段を有するセンサ215が設けられているマシンまたはプロセス210が示されている。マシンまたはプロセスの既知または認識された動作状態を特徴付けるデータの参考ライブラリ230が与えられる。参考ライブラリ230はチップメモリ中に存在でき、またはコンピュータディスク記憶装置上に記憶されることができる。評価モデル240は好ましくはソフトウェアとしてコンピュータ中に構成され、ネットワークまたはデータ捕捉ボードを介してセンサ215からセンサデータを受信する。評価モデル240は参考ライブラリ230を使用して、センサ215からの実時間値の受信に応答してセンサ値の評価を生成する。差分ユニット250はセンサ値の評価と実際の値の両者を受信し、各センサの残余を生成する。連続的なスナップショットにおいて、これらの残余は残余信号を含み、（参考ライブラリのデータで特徴つけられるように）マシンまたはプロセスが正常に動作中であれば、残余信号は前述したようにセンサとプロセス雑音を除いてゼロ近くにある。逐次確率比検査（“ＳＰＲＴ”）モジュール260は残余を受信し、残余がゼロ以外である明確な証拠を示すならば警告を発生する。それ故、この従来技術のシステムの出力は(差の指示である)残余信号とＳＰＲＴ警告を含んでおり、それぞれ１つが監視されるマシンまたはプロセス上の各センサ用に与えられる。

ここで説明されている故障パターンマッチング方法は「ファジー論理」と呼ばれる人工的知能の分野で発生する概念に基づいている。ファジー論理の中心ではシステムは「真のレベル」の概念である。伝統的な二進論理システムによれば、陳述は厳密に１００％偽中１００％真である（即ち０％真）。ファジー論理システムでは、他方で陳述は０％と１００％の間の任意の真レベルで取ることができる。真レベルの分布は「メンバーシップ関数（“ＭＦ”）」と呼ばれる関数により規定される。ＭＦは全てのファジーシステムの基本ビルディングブロックである。ＭＦは０から１（０％から１００％）の真のレベルの転移を規定する。ＭＦを規定する多くの異なる方法が存在する。

図３は「クリスプ」論理規則の第１のチャート300と「ファジー」論理規則の第２のチャート305の比較を示している。第１のチャート300はしきい値Ｔよりも下に低下する全ての入力値についての０値としきい値Ｔ以上の全ての入力値についての１値とを戻すＭＦにより表されるクリスプ（即ち二進論理）規則を示している。第１のチャート300は論理的陳述に等価であり、Ｔ以上の入力値（ｘ）である（即ちｘ≧Ｔ）。実際に二進論理陳述はそれを容易に表さないのでクリスプ規則についてＭＦを規定する必要はない。

他方で第２のチャート305は陳述の真を評価するためのメンバーシップ機能を表し、Ｔに関する大きい入力値（ｘ）である。第２のチャート305では、「大きい」はファジー用語であり、ＭＦの形状は本質的に数学の意味では「大きい」の意味を表している。第２のチャート305は値０と１の間の線形転移を示しているが、幾つかの実施形態では、この転移は線形である必要はないことを認識すべきである。さらに転移は不連続に即ち断片的関数により示されることもできる。

ＳＢＭ残余検査の文脈では、第２のチャート305は残余信号の平均シフトが特定されたしきい値よりも大きいという確率（または真レベル）を決定するための手段として考えられることができる。残余値が実際に特定された決定しきい値よりも低いならば、確率はゼロではなく、残余は決定規準を満たしている。このことに関するクリスプ規則のフレームワークよりも優れた利点は、しきい値の決定領域がより「グレー」であることであり、最適な決定しきい値の発見が重要ではないことを意味する。これは故障シグネチャを認識するために多パラメータ規則を評価するときに特に重要である。第１のチャート300により示されるクリスプフレームワークでは、規則の前のあらゆるコンポーネントは警告するための多パラメータ規則では１００％真である必要がある。他方で第２のチャート305により示されているファジーフレームワークでは、決定しきい値が完全に横切られたか否かにかかわりなく０％と１００％との間の値が常に発生される。それ故、１グループからの１つのパラメータがその決定しきい値よりも僅かに下であり残りが上であるならば、真のレベルが０であるクリスプ方法と対照的に、故障パターンが突合せられるという真レベルは高い。

大部分の装置の故障はそれ自体多数の監視されたパラメータで明白である。ＳＢＭの文脈では、故障の指示はモデル化されたパラメータの残余シフトで現れる。故障パターンマッチングの確率を決定するため、故障パターン中に含まれる各パラメータ（またはセンサ）はメンバーシップ関数（ＭＦ）を有し、それは前述し、以下さらに詳細に説明するように真のレベルを規定する式である。本発明の場合、メンバーシップ関数のセットが開発され、これは多数の可能性のある異なる残余シフト（即ち以下説明する正のシフト、負のシフト、シフトなし等）をカバーする。いずれのＭＦ（正のシフト、負のシフト等）が故障パターンを形成するために含まれる各パラメータについて予測される残余シフトを表すかが決定される。故障パターンの整合の確率を計算するため、故障パターンに含まれるパラメータに対応する各残余は出力を計算するためそのパラメータの対応するＭＦに入力される。各関連メンバーシップ関数からの出力はその後スカラ確率値を生成するために組合せられる。この組合せは少なくとも１つのメンバーシップ関数を含む多パラメータ（残余）規則（即ち「ファジー分類規則」）を設定する。個々のメンバーシップ出力を組み合わせる方法は多数存在し、最も簡単なものはファジーＡＮＤとＯＲ演算子である。ファジー論理では、これらはそれぞれ最小および最大として規定される。別の方法は出力の加重平均を使用することであり、この場合ファジーシステムはファジー最近傍分類子である。加重平均方法は全体的な確率計算に対する貢献を制御する各メンバーシップ出力へ加重を割当てる。ここで説明したシステムは加重平均方法を使用する（幾つかのケースでは加重は同じであり、これはストレート平均化を生じる）。

以下の例は多パラメータファジー基礎評価プロセスを示す。表１は故障タイプＩに対する残余故障シグネチャを規定している。故障パターンに貢献する４つのセンサが存在する。この例では、全ての残余は−１から１の公称範囲を有する。残余値の現在のセットはセンサＡ＝−０．５５、センサＢ＝−１．２、センサＣ＝−０．８、センサＤ＝−０．４５であるならば、以下のように故障タイプＩが整合する確率の計算は以下のように行われる。

図４は本発明の１実施形態による故障パターンに対するメンバーシップ関数定義を示している。図４は第１のチャート400のセンサＡの負の残余シフトと、第２のチャート405のセンサＢの正の残余シフトと、第３のチャート410のセンサＣの負の残余シフトと、第４のチャート415のセンサＤの負の残余シフトを示している。各残余の値はそれぞれのメンバーシップ関数への入力として与えられ、同じ順序で０．６、１．０、０．８５、０．５の出力確率値を与えている。最終的な故障整合確率はその後以下説明するように４つのセンサ値のストレート平均化関数を使用して計算される。
Ｌ（故障タイプＩ）＝（０．６＋１．０＋０．８５＋０．５）／４＝０．７４
図５は本発明の１実施形態による故障パターンマッチングシステム500を示している。示されているように、故障パターンマッチングシステム500は３つの主要コンポーネント、即ち、故障パターンライブラリ505、故障パターンライブラリ505のパターンに関連されるファジー規則のセット510、ディスクリートな確率マッピングモジュール515を有する。故障パターンライブラリ505は残余シフトに関する故障特性と他の支持診断情報を規定する。ファジー規則は以下説明する表２のような予め定められた故障表に規定された残余シフトのパターンに基づいて規定される。故障パターン整合確率値はディスクリートな確率指数のセットにマップされ、これは最終的に故障通知を駆動する。

資産の故障パターンライブラリ505はここで説明された故障パターンマッチング方法の基盤である。故障パターンライブラリ505はそれらのそれぞれの故障特性と共に故障タイプのリストからなる。本発明の１実施形態では、残余シフトは以下の６つのファジー記述子を使用して特徴付けられる。
１．ＰＯＳ−正の残余シフト、
２．ＮＥＧ−負の残余シフト、
３．ＮＯＲＭ−残余に正または負のシフトはない、
４．ＮＯＴ ＰＯＳ−残余に正のシフトはない、
５．ＮＯＴ ＮＥＧ−残余に負のシフトはない、
６．ＮＯＴ ＮＯＲＭ−残余に正または負のシフトが存在する。

上記の説明では６つのみのファジー記述子しかリストしていないが、７以上または５以下の記述子が他の実施形態で使用されることができることが認識されるべきである。これらの記述子と共に、サポート情報が故障タイプの確率を絞り込むためにファジー規則と論理的に組み合わせられることができる。このようなサポート情報は典型的にセンサまたは計算された可変データに適用される論理検査（規則）の形態を取る。例えば陳述「緊急弁の開ＡＮＤは工場の作動中」は緊急弁位置センサにおける論理検査と、計算された工場の電力パラメータにおける論理試験として符号化されることができる。

故障シグネチャに含まれる関連情報を捕捉するファジー規則を実行するために、６つのメンバーシップ関数が規定される。これらの６つのメンバーシップ関数は先にリストした６つのファジー記述子の数学的等価物である。

各ＭＦは以下説明する式１乃至６に示されているように区分的に線形関数により規定される。図６は本発明の１実施形態による各式に対応するチャートを示している。ｘとｙの対は関数の線形ピースが相互に接続される頂点に対応する。各式は適切にラベル付けされた頂点を有する対応するＭＦのプロットを伴う。全てのケースで、ｒは単一の正規化された残余サンプルを表している。

第１の式は正の残余シフトＭＦ（ＰＯＳ）を規定する：ｘ_１＝０．２５、ｙ_１＝０、ｘ_２＝１、ｙ_２＝１。

第１の式は図６の第１のチャート600でグラフィックに示されている。

第２の式は負の残余シフトＭＦ（ＮＥＧ）を規定する：ｘ１＝−１、ｙ１＝１、ｘ２＝０．２５、ｙ２＝０。

第２の式は図６の第２のチャート605でグラフィックに示されている。

第３の式は残余ＭＦ（ＮＯＲＭ）の正ではないまたは負のシフトを規定する：ｘ１＝−０．５、ｙ１＝０、ｘ２＝−０．２５、ｙ２＝１、ｘ３＝０．２５、ｙ３＝１、ｘ４＝０．５、ｙ４＝０。

第３の式は図６の第３のチャート610でグラフィックに示されている。

第４の式は残余ＭＦ（ＮＯＴ ＰＯＳ）の正ではないシフトを規定する：ｘ１＝０．２５、ｙ１＝１、ｘ２＝０．５、ｙ２＝０。

第４の式は図６の第４のチャート615でグラフィックに示されている。

第５の式は残余ＭＦ（ＮＯＴ ＮＥＧ）の負ではないシフトを規定する：ｘ１＝−０．５、ｙ１＝０、ｘ２＝−０．２５、ｙ２＝１。

第５の式は図６の第５のチャート620でグラフィックに示されている。

第６の式は残余ＭＦ（ＮＯＴ ＮＯＲＭ）の正または負のシフトを規定する：ｘ１＝−０．５、ｙ１＝１、ｘ２＝−０．２５、ｙ２＝０、ｘ３＝０．２５、ｙ３＝０、ｘ４＝０．５、ｙ４＝１。

第６の式は図６の第２のチャート625でグラフィックに示されている。

ファジー規則の一次コンポーネントは典型的に、前述の正の残余シフトＭＦと負の残余シフトＭＦを使用する論理検査からなる。二次コンポーネントは通常残余ＭＦの正ではないまたは負のシフトと、残余ＭＦの正ではないシフトと、残余 ＭＦの不ではないシフトと、残余ＭＦの正または負のシフトとを通常使用する。いずれにせよ、ＭＦの実際の定義はアプリケーションまたは未加工の残余のスケールにかかわりなく変化しない状態である。ＭＦは未加工の残余の統計にかかわりなく全ての残余を丁度同じに扱う。これは１．０の残余値がユーザ特定された残余しきい値に等しいスケールされていない残余値に対応するようにスケールされるときのみ実現可能である。さらに、ユーザ特定された正および負の残余しきい値は必ずしも０を中心として対称的である必要はないので、残余は残余が正または負であるかに基づいて異なってスケールされる必要がある。

図７は本発明の１実施形態によるスケールされていない残余信号とスケールされた残余信号との両者を示している。第１のチャート700では、未加工の残余信号は７．０の正のしきい値と−２．０の負のしきい値に対して検査される。第１のチャート700で示されている信号はその後正規化され、第２のチャート705で示される。

残余を１．０および−１．０の等価しきい値へそれぞれマップするために、第１のチャート700に示されている残余は正のとき１／７により、負のとき1/2によりスケールされる。このスケーリングプロセス後、しきい値の２つのセットは等価である。

同じスケーリングプロセスは５のメンバーシップ関数の評価前に残余を正規化するために使用され、それによって（関数の定義が同じ状態であることを仮定すると）ＭＦは変化する必要はない。残余が平滑され、あるいは平滑されなければ、同じプロセスが続く。

多数のＭＦからの出力は幾つかの実施形態にしたがって加重された平均を使用して組み合わせられることができる。これは故障パターンに含まれるセンサの重要性に応じてＭＦの出力を異なって加重することが必要である可能性がある。全ての出力が同等に扱われる応用では、加重された平均はストレートな平均に減少する。ファジー規則がＮ個のメンバーシップ関数出力ｆi（ｒi）とｗ＝［ｗ_１，ｗ₂，ｗ₃，…,ｗ_N］により与えられる各出力の加重のセットからなるならば、組合されたファジー出力は次式のようになる。

Ｌ（ｒ）はファジー規則（パターン）が整合される「確率」または真のレベルであり、ｒ＝［ｒ_１，ｒ₂，ｒ₃，…,ｒ_N］は時間の１瞬間の残余値のベクトルである。全てのｗ_ｉが（ｗ＝［ｗ_１，ｗ₂，ｗ₃，…,ｗ_N］）であるならば、Ｌ（ｒ）はストレート平均に等価である。

幾つかの故障パターンはファジー規則コンポーネントの２つのセット、即ち一次および二次セットからなる。第１に、一次コンポーネントがテストされ一次残余ｒ_ｐにのみ基づいて一次確率値Ｌ_ｐ（ｒ_ｐ）を生成する。Ｌ_ｐ（ｒ_ｐ）が幾つかのしきい値Ｔ_ｐを超えるならば、二次コンポーネントがテストされ、二次残余ｒ_ｓにのみ基づいて二次確率値Ｌ_ｓ（ｒ_ｓ）を生成する。故障パターンの整合についての最終的な確率値Ｌ（ｒ）は以下の何れか一方である。
１．しきい値Ｔ_ｐよりも下であるならば、Ｌ_ｐ（ｒ_ｐ）または、
２．二次および一次確率値の組合せ。

再度述べると、ケース２では、Ｌ_ｐ（ｒ_ｐ）とＬ_ｓ（ｒ_ｓ）を組み合わせる方法が多数存在する。加重された平均は幾つかの実施形態では好ましい方法である。Ｌ（ｒ）はＬ_ｐ（ｒ_ｐ）とＬ_ｓ（ｒ_ｓ）によりそれぞれ置換されるｆ_１（ｒ_１）との平均式を使用して計算される。

最終的な確率値（Ｌ（ｒ））は残余信号中の雑音とメンバーシップ関数の形状のためにサンプルからサンプルへランダムに変化する傾向がある。このため時には故障パターンが整合されている最終的な確率を評価する前にＬ（ｒ）を平滑することが必要である。フィルタに対するウィンドウサイズはユーザにより特定されることができるが、典型的には５０サンプル程度である。平滑化は決定における遅延の誘起を犠牲にして誤った決定を行うことを減少する。

表２は給水ヒーターの故障パターンライブラリの１例を示している。満杯にされたセルはファジー故障パターンマッチングプロセスに含まれるセンサ残余に対応する。満杯にされていないセルはファジーパターンマッチング出力と論理的に組み合わせられるサポート情報を含んでいる。ファジーパターンマッチングに使用される残余コンポーネントはさらに一次および二次コントリビュータに分解される。少ない充填のセル（例えば“ＤＴ”列中のセル）は一次コンポーネントに対応し、多量の充填のセル（例えば“ＦＷＬ”列中のセル）は二次コンポーネントに対応する。ファジー規則は表２の行により規定される。例えば故障タイプが「チューブの汚染」か否かを決定するファジー規則は以下説明するように変数ＤＴ、ＴＴＤ、ＤＣＡ、ＤＲＮ ＶＬＶ ＰＯＳ、ＦＷＬの残余に基づいて規定される。空白のセルはセンサ残余がファジーパターンマッチングプロセスに含まれていないか、またはパターンマッチング出力と論理的に組み合わされているサポート情報がないことを示している。

一次コンポーネントがパターンのそれらの部分を予め特定された確率に整合するならば二次コンポーネントはファジー規則に組み込まれるだけである。これは故障が存在するときと全てが正常であるときの両者でサポートコンポーネントが同じ特性を有することができるので行われる。この方式が実施されないと、二次コンポーネントは故障の存在にかかわりなく故障パターンの部分と潜在的に整合し、これは正常動作期間中にゼロではない確率値を生じる。

表２に示されている変数は幾つかの電力産業の知識、特に基礎を成す専門家の知識に基づいて決定される。この場合には、給水ヒーターの知識である。給水ヒーターは熱エネルギを熱い流体から抽出し、これを冷たい流体へ変換するシステムである。給水ヒーターは基本的に中空のシリンダであり、そのシリンダ内を横断する一連のチューブが埋設されている。冷たい液体がチューブ内を流れ、熱い液体は給水ヒーターの「シェル領域」中のチューブの外側を流れる。

表２にリストされている第１の故障タイプは「チューブの汚染」である。給水ヒーターにより生じる可能性がある問題の１つは冷たい流体内の微粒子が累積し、給水ヒーター内の幾つかのチューブを塞ぎ、流体圧力を低下させ、冷たい流体の量を減少させることである。このタイプの故障を検出する方法の１つはこの資産にわたって測定される多数のパラメータを検査することにより検出されることができる。

表２の「故障タイプ」列の右の第１の列は温度残余またはデルタ温度の変化をリストしている（表２で“ＤＴ”と示されている）。ＤＴは給水ヒーターの出口から入口までの冷たい流体（即ち給水）の温度の変化を測定する計算された変数である。チューブの汚染の故障が生じた場合、ＤＴ残余は表２では負である（“ＮＥＧ”により示されている）。換言すると、第１のファジー規則（即ちチューブ汚染のファジー規則）を適用するために、ＤＴ変数の予測／予期値に関してＤＴ変数の実際値の減少が存在していなければならない。システムでは前述の熱伝導のために入口から出口へ常に温度の変化が存在する。しかしながら表２のパラメータは残余に関する。温度の変化が予期または予測していた変化よりも小さいならばＤＴパラメータは負である。給水ヒーターについての多くの情報が前もって知られ、温度の変化温度がどうあるべきかの決定は他の工場パラメータの測定に基づいて予測されることができる。実際の温度変化が予測される変化とは異なっており、それ故ＤＴ残余に変化が存在する場合、その変化は指定された故障が生じている可能性があるか否かを予想する助けをするためにファジー分類フレームワーク内で使用される。

残余がファジー分類フレームワーク内で検査される別の計算された変数は「端末温度差」である（“ＴＴＤ”として示される）。ＴＴＤ変数は給水ヒーターに入るときの熱い流体（典型的には蒸気）の温度と給水ヒーターを出るときの冷たい流体（給水）の温度との差である。表２に示されているように、チューブの汚染の故障のファジー規則はＴＴＤ残余がＮＥＧであることを必要とし、即ちＴＴＤ変数の実際の値はモデルにより予測される値よりも小さい。

残余がファジー分類フレームワーク内で検査される別の計算された変数は「ドレイン冷却装置方法」である（“ＤＣＡ”として示される）。ＤＣＡ変数は給水ヒーターを出るときの熱い流体の温度と給水ヒーターに入るときの冷たい流体の温度との差である。表２に示されているように、チューブの汚染の故障のファジー規則はＤＣＡ残余がＰＯＳであることを必要とし、即ちＴＴＤ変数の実際の値はモデルにより予測される値よりも大きい。

表２に示されている第１の３つの変数は全て一次パラメータである。ＤＴが幾らかの程度までＮＥＧであり、ＴＴＤが幾らかの程度までＮＥＧであり、ＤＣＡが幾らかの程度までＰＯＳである場合、システムはチューブの汚染の故障が生じる可能性が幾らかあることを決定する。

表２はＤＣＡの右の列に示されている幾つかの二次パラメータも含んでいる。チューブ汚染故障に対しては、システムは最初に３つの一次パラメータを試験し、これら３つからの組み合わせられたファジー確率が前述したように一次確率しきい値を超えるならば、二次パラメータが考慮される。チューブ尾線故障シグネチャでは、２つの二次パラメータが検査される。これらは「排水弁位置」（“ＤＲＮ ＶＬＶ ＰＯＳ”）と「給水レベル」（“ＦＷＬ”）である。これらの両パラメータはセンサにより通常監視され、ＤＲＮ ＶＬＶ ＰＯＳセンサは給水ヒーターを出る熱い流体の流動速度を制御する弁の相対的な開口を測定し、ＦＷＬセンサは給水ヒーターのシェル領域内の蒸気／水インターフェースの位置を測定する。チューブの汚染の故障のファジー規則はこれらの２つの二次パラメータがそれらの残余値（“ＮＯＲＭ”）で正または負のシフトを示さないことを必要とする。ＮＯＲＭ状態はパラメータの測定がそのパラメータの予測値から著しい変化がなく、したがって正常でモデルの文脈内であることを意味している。

表２の最後の列はサポート情報を与えるパラメータ「緊急排水弁位置」（“ＥＭＥＲＧＥＮＣＹ ＤＲＮ ＶＬＶ ＰＯＳ”）を含んでいる。緊急排水は非常に多くの凝縮蒸気が給水ヒーターのシェル領域で増加する場合に工場制御システムにより付勢される。正常の動作期間中、緊急排水弁は閉じられている。この弁は典型的に緊急状態期間中にのみ開かれる。弁位置を監視するセンサがしばしば工場のデータ捕捉システムに接続されていないので、緊急排水弁位置パラメータはサポート情報として扱われる。ＥＭＥＲＧＥＮＣＹ ＤＲＮ ＶＬＶ ＰＯＳセンサからの測定が利用可能であるならば、そのクリスプ規則はファジー規則の自信度を増加するためにファジーパターンマッチング出力と論理的に組み合わせられることができる。チューブ汚染故障のファジー規則の文脈では、緊急排水弁の位置はその位置が変化されるか否かを観察するためにチェックされる。位置が変化されていないならば（“ＮＯＲＭ”）、正常動作期間として弁は閉じられた状態であることを意味し、チューブの汚染の故障のファジー論理値の確率は予め規定された量だけ増加されることができる。幾つかの実施形態では、サポート情報は通知メッセージ中に緊急排水の位置を含めることにより利用されることができる。

したがって前述したように、パラメータがファジー規則に従って評価される指定された順序または階層が存在する。この指定された順序にしたがって、一次パラメータが初期的に評価される。好ましい実施形態では、一次パラメータからの組み合わせられたファジー確率が一次確率しきい値を超える場合のみ評価される。最後に、前述したように一次および二次ファジー論理値を組み合わせることにより生成されたファジー論理値は対応する故障が種々のパラメータにより満足される確率の尺度を与える。

幾つかの実施形態では、３よりも多いか少ない数の一次パラメータがファジー論理規則として使用されることを認識すべきである。さらに、ある故障のファジー論理規則の幾つかは２つの一次パラメータを含むことができ、他のファジー論理規則は１または３以上の一次パラメータを含むことができる。また多数の二次レベルのパラメータも存在できる。解析されている残余を与える種々のセンサは時間にわたって実質的なデータ量を提供できる。計算の効率的な故障検出システムはこの階層方法でファジー規則を解析することにより実現されることができる。

表２に示されているように、「不適切な換気」、「チューブの漏洩」、「過剰な流動」のような一次パラメータが同じである故障の幾つかのタイプが存在する。これらの各タイプの故障に対して、ＤＴの一次パラメータ値はＮＥＧであり、ＴＴＤの一次パラメータ値はＰＯＳであり、ＤＣＡの一次パラメータ値はＮＥＧである。これらの故障では、二次パラメータはこれらのタイプの故障の弁別に使用される。

「レベルの増加」、「レベルの減少」、「不適切な通気」、「塞がれたチューブ」、「仕切り板の漏洩」のようなファジー論理規則により規定される付加的なタイプの故障が存在する。

幾つかの実施形態では、全ての残余データがファジー論理規則を満たすために必要とされるわけではないことも認識されるべきである。例えば、ＴＴＤ尺度を与える計算された変数によって使用されるセンサの１つが破損または誤動作している場合、システムはＴＴＤ残余を得ることができない可能性がある。このような場合、表２に示されている他のパラメータは故障が存在するか否かを決定し、故障を特徴付けするために使用されることができる。しかしながら、依然として故障を正確に検出し特徴付けしながら、センサ読取数が省略されることができることには限界があることを認識すべきである。幾つかの実施形態では、全ての一次パラメータの残余が存在しなければならないが、幾つかの二次パラメータの残余が失われてもよく、システムは依然として故障を検出し特徴付けできる。

２以上のファジー論理規則が利用可能なセンサデータで同じ残余要求を有するが残余データが付加的なパラメータに対して失われている場合、システムは例えば２つの可能な故障を決定することができるが、より生じる可能性がある方を決定することはできない可能性がある。例えば「レベルの増加」と「不適切な換気」の故障では、ＤＴ、ＴＴＤ、ＤＣＡ、ＤＲＮ ＶＬＶ ＰＯＳ残余値は同一である。ＦＷＬ二次パラメータ残余はこれらの故障を弁別するために使用されることができる。

ファジー規則は可能な差し迫った故障を検出または予測し、潜在的な問題を有する可能性があるシステムのあるコンポーネントでチェックを行うように通知メッセージを解析者へ送信する。システムは故障モデル化およびセンサ測定に基づいて情報の所定のセットを適時に効率的に受信する。ファジーパターンが検査され、それぞれ１つのパターンは０から１まで変化できるファジー真値と共に帰還する。これらの条件中のあるサブセットが満たされるならば、ユーザには正常性からの変化である問題が進行していることが通知され、ファジーパターンはいずれの問題が最も可能性があるかを示す。ファジー真値は多数のファジー規則について計算されるので、ユーザは問題の他の可能な原因を通知されることができる。

表２に示されている種々のＰＯＳ、ＮＥＧ、ＮＯＴ ＮＥＧファジー規準は真値のレベルについて評価される。換言すると、ＤＴのようなパラメータの値が減少またはＮＥＧであるならば、どの程度ＤＴパラメータが減少しているかをカプセル化するために値が割当てられることができる。換言すると、ファジー値はＤＴパラメータの測定に割当てられる。ファジー値は同様に他の測定された残余に割当てられ、前述の階層方法におけるファジー値の組合せは特定の指定された故障が生じている可能性を示すために使用される。

表２の規則はオンラインで評価され、ある条件が満たされるならば、ユーザは初期の故障を通知される。初期の故障のアイデンティティは、種々のセンサから残余の測定されたパターンと計算された変数とがどの程度近く、予め定められたファジー規則に整合するかに基づいて決定される。

システムが初期故障であるチューブの汚染の故障である確率が強いことを決定すると、システムを監視する解析者／ユーザに通知される。システムは何かが進行中であることを解析者に助言し、残余がチューブの汚染の故障または幾つかの他の故障パターンに適合していることを解析者へ通知し、解析者に給水システムをチェックするように命令する。

図８は本発明の１実施形態による給水ヒーターの仕切り板漏洩の故障パターンマッチングの確率についての未加工の平滑にされたバージョンを示している。未加工の故障パターン整合確率は第１のチャート800に示されており、平滑にされた故障パターン整合確率は第２のチャート805に示されている。平滑は時間にわたってより一貫した出力を与え、一貫性を評価しやすくする。

各故障パターンの全体的なファジー確率値はエンドユーザ通知を駆動するために確率の５つのディスクリートなレベルのセットにマップされる。ここで「確率」は歴史的に「自信」と呼ばれるものに類似している。マッピングは異なる確率範囲をファジー記述子セット、即ち「非常に低」、「低」、「中間」、「高」、「非常に高」に割当てることによって行われる。ここで「低」は故障パターンが整合される確率が「低」であるとして解釈される。他の記述子は類似の方法で解釈される。

ファジー確率値の範囲は０から１へ変化する。しかしながら便宜上、ユーザが実際に確率値を観察するときまたは観察するならば、これらは０と１００％の間であるようにスケールされる。ファジー記述子へのマッピングは同様に０から１００％の値を使用する。確率値を０から１００％の範囲に変換することはマッピングプロセスの抽象さを少なくする。表３は再度スケールされたファジー確率値（“Ｌ”）をファジー記述子のセットへマッピングする１例を示している。

故障の確率が検出される場合、ユーザは先の表３で示されているファジー確率にしたがって通知される。エンドユーザへの通知プロセス（自動化されたメッセージ（ｅメール）がシステムにより生成されるときを決定する）は申込みプロセスにより駆動される。ユーザは各故障パターンについて特定の確率範囲で通知を申込み、パターンがその範囲および全てのさらに高い範囲で整合する通知を受信する。例えばユーザが７０％から８０％の確率範囲でチューブの汚染の故障に対して申込みするならば、ユーザは中間、高、非常に高い全てのパターンマッチングでその故障についての通知を受信する。

図９は本発明の１実施形態によるファジー論理ＳＢＭ方法のフロー図を示している。第１に、動作900で残余信号ベクトルｒが受信され平滑化される。残余ベクトルｒは任意のセンサからの残余信号であることができる。ベクトルは残余信号の雑音スパイクの効果を最小にするために平滑化される。次に、動作905で一次メンバーシップ関数（ＭＦ）ｆ_ｐ（ｒ_ｐ）が評価される。表２に関して前述したような故障パターン定義925の一次コンポーネント920はこの動作で使用される。次に、一次ＭＦ出力は一次確率値Ｌ_ｐ（ｒ_ｐ）を形成するため加重された平均演算910で組み合わせられる。次に、動作915で一次確率値Ｌ_ｐ（ｒ_ｐ）がしきい値Ｔ_ｐを超えるか否かについて決定が行われる。「ノー」であるならば、処理は動作930へ進み、特定の故障の確率はＬ_ｐ（ｒ_ｐ）の値に設定され、処理は動作965へ進む。

他方で動作915において「イエス」であるならば、処理は動作935へ進み、その点で個々の二次メンバーシップ関数ｆ_ｓ（ｒ_ｓ）が評価される。二次メンバーシップ関数は故障パターン定義925の二次コンポーネント940を使用する。次に動作945で、ＭＦ出力は二次確率Ｌ_ｓ（ｒ_ｓ）を形成するために加重された平均演算で組み合わせられる。Ｌ_ｐ（ｒ_ｐ）とＬ_ｓ（ｒ_ｓ）の加重された平均は動作950でＬ（ｒ）を発生するために計算される。加重された平均の決定において、パラメータ設定960に記憶された一次／二次加重ｗ_Ｌ955が使用される。

Ｌ（ｒ）はそれに続いて、最終的な確率Ｌ_ｆ（ｒ）を生成するために動作965で平滑化される。最終的な確率Ｌ_ｆ（ｒ）はパラメータ設定960の確率マッピング980にしたがって動作975で予め定められたファジー記述子へマップされる。Ｌ_ｆ（ｒ）＜ａである場合、第１のしきい値「非常に低」記述子がＬ_ｆ（ｒ）へ割当てられる。他方でａ≦Ｌ_ｆ（ｒ）＜ｂである場合、第２のしきい値「低」記述子がＬ_ｆ（ｒ）へ割当てられる。ｂ≦Ｌ_ｆ（ｒ）＜ｃである場合、第３のしきい値「中間」記述子がＬ_ｆ（ｒ）へ割当てられる。ｃ≦Ｌ_ｆ（ｒ）＜ｄである場合、第４のしきい値「高」記述子がＬ_ｆ（ｒ）へ割当てられる。最後にｄ≦Ｌ_ｆ（ｒ）である場合、「非常に高」記述子がＬ_ｆ（ｒ）へ割当てられる。最後に、記述子が通知エンジン985へ送信される。割当てられた記述子は通知エンジンが差し迫った故障を適切なパーティへ通知する方法を示している。

ここで記載されたシステムは故障パターンマッチングに対してファジー論理分類方法を使用する。システムはセンサのセットにより監視される。計算された変数は種々のセンサからの測定を新しい測定に組み合わせるために使用されることができる。各センサの測定とモデルに含まれる計算された変数はモデルにより生成される予測された値に対して比較される。各センサに対する残余値および計算された変数が決定される。

ファジー規則は可能な初期故障を検出または予測するために使用され、潜在的な問題を有する可能性があるシステムのあるコンポーネントをチェックするように通知メッセージを解析者へ送信する。システムはセンサ測定とモデル化結果に基づいている情報の所定のセットを一時点で効率的に受信する。ファジーパターンが検査され、１つのパターンはそれぞれ０から１００％まで変化できるファジー真値と共に戻される。故障パターンのファジー真値が確率値の特定された範囲内またはこれより上であるならば、ユーザには指示されたファジー記述子レベルにおけるファジーパターンに整合する問題が進行していることが通知される。確率値は多数のファジー規則について計算されるので、工場の条件が他の故障と整合していることもユーザに通知できる。

前述したように、第１の通知は一次パラメータが故障を示すときに発生でき、第２またはさらに別の通知は二次パラメータまたは他のパラメータが故障を示すときに発生することができる。これらの通知は同じメッセージを反復してもよく、または例えば緊急言語の増加のように異なってもよい。通知は所望により、通知のレベル（一次、二次等）に応じて同じまたは異なるパーティへ発生することができる。

当業者は広範囲の変更、変化、組合せが本発明の技術的範囲を逸脱せずに前述の実施形態に関して行われることができ、このような変更、変化、組合せは本発明の概念の範囲内として考えられることを認識するであろう。

Claims (15)

1. システムの既知の特性の参照パラメータデータ特性を使用することにより監視されているシステムにおいて監視されるパラメータについてのパラメータデータの評価を生成し、
   生成されたパラメータデータの評価を測定されたパラメータデータと比較し、
   パラメータデータの生成された評価と測定されたパラメータデータとの間の関係に基づいて各パラメータに対する残余を決定し、
   予め定められた故障が存在する可能性を決定するための少なくとも１つのファジー分類規則を実行し、そのファジー分類規則は予め定められた故障の存在を示すために使用されるパラメータの残余を使用している監視システムにおける故障の診断方法。
2. ファジー分類規則を実行するステップはさらに、全ての故障と全ての残余に対して使用されるファジー分類規則の予め定められたセットからファジー分類規則を選択するステップを含んでいる請求項１記載の方法。
3. ファジー分類規則は、予め定められた故障を示すために使用される少なくとも１つのパラメータに対する少なくとも１つのしきい値に関して残余シフトが存在する可能性を決定する少なくとも１つのメンバーシップ関数を含んでいる請求項１記載の方法。
4. ファジー分類規則は以下の確率の少なくとも１つを決定するメンバーシップ関数を含んでおり、その確率は、
   正の残余シフトと、
   負の残余シフトと、
   正または負の残余シフトと、
   正ではない残余シフトと、
   負ではない残余シフトと、
   正でも負でもない残余シフトである請求項３記載の方法。
5. ファジー分類規則を実行するステップはさらに、
   予め定められた故障を示すために使用されるパラメータの各メンバーシップ関数から出力を得て、
   単一のスカラーファジー論理値を決定するために計算においてそれらの出力を組合せるステップを含んでいる請求項２記載の方法。
6. さらに、いずれのパラメータが予め定められた故障を示すために使用されるかを決定するために故障パターンライブラリから故障パターンを検索するステップを含んでいる請求項１記載の方法。
7. さらに、第１のしきい値を超えるファジー論理値を生成するファジー分類規則の実行に応答して第１の通知を発生するステップを含んでいる請求項１記載の方法。
8. さらに、少なくとも１つの他のしきい値を超えるファジー論理値を生成するファジー分類規則の実行に応答して１以上の通知を発生するステップを含んでいる請求項７記載の方法。
9. 参照パラメータデータおよび測定されたパラメータデータの階層にしたがってファジー分類規則を実行し、
   最初に一次パラメータデータを解析し、
   予め定められた故障に対応して少なくとも１つのファジー分類規則の一部に対応する一次パラメータデータに応答してのみ二次パラメータデータを解析するステップをさらに含んでいる請求項１記載の方法。
10. システムの既知の特性の参照パラメータデータ特性を含んでいる参考ライブラリと、
    ファジー論理エンジンとを具備し、そのファジー論理エンジンは、
    システムの既知の特性の参照パラメータデータ特性によりシステムからパラメータデータの評価を生成し、
    パラメータデータの生成された評価を測定されたパラメータデータと比較し、
    パラメータデータの評価と測定されたパラメータデータとの間の関係に基づいて各パラメータの残余を決定し、出力のセットが予め定められた故障に対応するか否かを決定するために少なくとも１つのファジー分類規則を実行するように構成され、出力は予め定められた故障に対応する各パラメータに対する残余に基づいて生成されるシステムの故障を診断する監視装置。
11. さらに、第１のしきい値を超えるファジー論理値を生成するファジー分類規則の実行に応答して第１の通知を発生するための通知エンジンを具備している請求項１０記載の監視装置。
12. 通知エンジンは、少なくとも１つの他のしきい値を超えるファジー論理値を生成するファジー分類規則の実行に応答して少なくとも１つの通知を発生するように構成されている請求項１０記載の監視装置。
13. さらに、参照パラメータデータと測定されたパラメータデータの階層にしたがってファジー分類規則を実行するためのプロセッサをさらに具備し、一次パラメータデータは最初に解析され、二次パラメータデータは予め定められた故障に対応して少なくとも１つのファジー分類規則の一部に対応する一次パラメータデータに応答してのみ解析される請求項１０記載の監視装置。
14. パラメータデータの生成された評価と測定されたパラメータデータとの間の関係を表す残余を与え、その発生された評価はシステムの既知の特性の参照パラメータデータ特性に基づいている実時間データ処理モジュールと、
    それぞれ予め定められた故障を示している故障パターンを記憶する故障モードデータベースと、
    ファジーパターン認識モジュールと、
    予め定められた故障が存在するという決定が行われるか否かおよび故障の分類に応じて動作する診断および行動出力モジュールとを具備し、
    前記ファジーパターン認識モジュールは、
    故障モードデータベースからの故障パターンと実時間データ処理モジュールからの残余を受信し、
    出力のセットを計算するために残余を使用する少なくとも１つのファジー分類規則を実行し、
    出力が予め定められた故障が存在する確率を示すか否かを決定するように構成されているシステム中の故障を診断する監視装置。
15. ファジーパターン認識モジュールは、故障パターンに関連されるメンバーシップ関数のセットを具備している請求項１４記載の監視装置。

Images