JP4846954B2 - 複雑な信号の分解およびモデリング - Google Patents

Description

【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推定値を与えるために実験的な技術でモデル化される。推定値と、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推定値を発生する。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推定値を発生する。モデル化エンジンは推定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。推定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。プロセッサは推定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102 、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（ＲＯＭ）、フロッピーディスク、デジタル多能性ディスクＲｏｍ（ＤＶＤ−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_input 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_input 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、推定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_input はコンポーネントの残り値を生成するために加算器110 において推定値Ｙ_expected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、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ずれについて警報が出力されるべきときを決定するために、残余と選択されたしきい値とを比較することができる。代わりに、統計的なテスト、好ましくは逐次的確率比試験（ＳＰＲＴ）を使用して、ずれが生じたときを決定することができる。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値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Ｈ₁ 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σ² ）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、推定値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。ＳＰＲＴ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ＳＰＲＴ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推定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３２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、３２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１６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。

Claims (26)

1. 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、
   前記時間的に変化する信号を複数の実際のコンポーネント値へ分解する手段と、
   既知の動作状態に対する基準コンポーネント値の複数の基準スナップショットであって、各基準スナップショットが複数の基準コンポーネント値を備えている、複数の基準スナップショットを記憶するメモリと、
   前記分解する手段に応答し、推定コンポーネント値を計算するために実際のコンポーネント値と基準コンポーネント値との両者を用いた計算を行なう、用例ベースの多変数実験的モデル化エンジンを使用して、推定コンポーネント値を生成するように配置されたプロセッサ手段と、
   システムのずれた動作状態を決定するために、推定コンポーネント値と、対応する実際のコンポーネント値との差を計算することによって残余値を生成する手段と、
   を具備している装置。
2. 前記分解する手段は前記実際のコンポーネント値を与えるように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１記載の装置。
3. 前記分解する手段は、前記実際のコンポーネント値を与えるように、時間的に変化する信号の複数の周波数範囲のそれぞれにおけるパワーの測度を生成する請求項１記載の装置。
4. 前記プロセッサ手段は、さらに前記システムのずれた動作状態を決定するために少なくとも１つの前記残余値をしきい値に対して比較する請求項１記載の装置。
5. 前記プロセッサ手段はさらに、システムのずれた動作状態を決定するために少なくとも１つの前記残余値の連続的な値において逐次的確率比テストを行う請求項１記載の装置。
6. 前記センサ手段は、前記システムの振動を測定する請求項１記載の装置。
7. 前記センサ手段は、前記システムにより放出される音響エネルギを測定する請求項１記載の装置。
8. 前記センサ手段は、前記システムで使用される電流を測定する請求項１記載の装置。
9. 前記センサ手段は心電図を測定し、前記システムは心臓である請求項１記載の装置。
10. 前記用例ベースの多変数実験的モデル化エンジンは、推定コンポーネント値を生成する計算において類似性演算を使用する請求項１記載の装置。
11. 前記用例ベースの多変数実験的モデル化エンジンは、
    

    

    請求項１０記載の装置。
12. ずれの決定に応答して、監視されるシステムの動作状態の診断を生成する診断装置をさらに具備している請求項１１記載の装置。
13. システムの動作状態を監視する方法において、
    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ステップと、
    前記時間的に変化する信号から得られた実際のコンポーネント値を有する多変数の実際の観察値であって、各実際の観察値は複数の実際のコンポーネント値を含んでいる、多変数の実際の観察値を周期的に抽出するステップと、
    前記システムの許容可能な動作の特性と基準コンポーネント値とからなる多変数の基準観察値のライブラリに記憶されている基準コンポーネント値と、実際のコンポーネント値との両者を使用する計算を行なう、用例ベースの多変数実験的モデル化エンジンを使用して、前記実際の観察値における実際のコンポーネント値のうちの少なくとも１つに対する推定コンポーネント値を生成するステップと、
    前記監視されているシステムのずれた動作状態を決定するために使用される少なくとも１つの残余値を生成するように、前記推定コンポーネント値のうちの少なくとも１つと、前記実際の観察値の対応する抽出された実際のコンポーネント値との差を計算するステップとを含む、方法。
14. 前記抽出するステップは、前記実際のコンポーネント値として時間的に変化する信号から係数を導出するためにウェーブレット解析を使用する請求項１３記載の方法。
15. 前記抽出するステップは、前記コンポーネント値を導出するために時間的に変化する信号の複数の周波数範囲の各々におけるパワーの測度を生成するステップを含んでいる請求項１３記載の方法。
16. さらに前記残余値がしきい値を超えるか否かを決定するステップを含んでいる請求項１３記載の方法。
17. さらに前記残余値に対して逐次的確率比テストを行うステップを含んでいる請求項１３記載の方法。
18. 前記時間的に変化する信号は、前記システムの振動の測度である請求項１３記載の方法。
19. 前記時間的に変化する信号は、前記システムにより放出される音響エネルギの測度である請求項１３記載の方法。
20. 前記時間的に変化する信号は、前記システムで使用される電流の測度である請求項１３記載の方法。
21. 前記時間的に変化する信号は心電図であり、前記システムは心臓である請求項１３記載の方法。
22. 前記用例ベースの多変数実験的モデル化エンジンは、推定コンポーネント値を生成する計算において類似性演算を使用する請求項１３記載の方法。
23. 前記用例ベースの多変数実験的モデル化エンジンは、
    

    

    請求項２２記載の方法。
24. さらに、前記差を計算するステップに応答して前記監視されるシステムの状態を診断するステップを含んでいる請求項２３記載の方法。
25. 各スナップショットは、同じ瞬間を表わす２以上のコンポーネント値を含む、請求項１記載の装置。
26. 各観察値は、同じ瞬間を表わす２以上のコンポーネント値を含む、請求項１３記載の方法。

Images