JP4850857B2 - 予測状態監視における変化状態の適応モデリング - Google Patents

Description

関連出願の相互参照
本出願は、２００１年１月１９日に出願された米国特許仮出願第６０／２６２，７４７号の権利を主張するものである。

発明の分野
本発明は、差し迫った装置の故障やプロセスの外乱の早めの検出、およびオンラインの継続的なセンサ動作の確認のための、機械および物理的プロセスの監視に関する。より詳細には、本発明は、このような監視システムにおける変化状態に対しての経験的モデルの適応、およびセンサ変化からのプロセス変化の解決を管理するシステムおよび方法に関する。

発明の背景
工業プロセス制御、マシン制御、システム・サーベイランス、および状態に基づく監視において、従来のセンサしきい値ベースの制御および警報の欠点に対処するために、様々な新しい高度な技術が出現している。従来の技術は、プロセスまたはマシンの個々の測定における総変化への応答を提供するに過ぎず、しばしば、予期しない運転停止、装置の損傷、製品品質の損失または破滅的な安全性欠陥を防止するための適切な警告を提供することができなかった。

新しい技術の一部門によれば、監視されるプロセスまたはマシンの経験的モデルが、故障検出および制御に使用される。このようなモデルは、サーベイランス（監視）・センサ・データの集約ビューを効果的に活用して、はるかに早い初期故障検出およびより細密なプロセス制御を達成する。プロセスまたはマシンの多数のセンサを、同時におよび互いに鑑みて、モデリングすることによって、サーベイランス・システムは、各センサ（およびその測定パラメータ）がどのような挙動を示すべきであるかについてのより多くの情報を提供することができる。このような経験的サーベイランス・システムの一実施例は、Ｇｒｏｓｓ（グロス）その他の米国特許第５，７６４，５０９号に記載されており、その教示を参照により本明細書に組み入れるものとする。その中に記載されているのは、監視されるプロセスの既知の状態のリファレンス・ライブラリに対して類似度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状態か異常状態かを判定するための敏感な統計的仮説テストと結合された、類似度演算に基づいた現在プロセス状態の推定値を生成するための推定エンジンとである。当技術分野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、ニューラル・ネットワークを使用して、監視中のプロセスまたはマシンをモデリングする。
米国特許第５，７６４，５０９号明細書

このような経験的モデル・ベースの監視システムは、設置（インストレーション）および実施の一部として、サーベイランス（監視）下のプロセスまたはマシンの正常動作を特徴付ける或るベースライン・データを必要とする。経験的モデルはこのベースライン正常動作データを具体化するが、これは、単にデータが正常動作を表していることでしかない。従って、経験的モデルを監視システムで成功させるための大きな課題は、経験的モデルを構築するときに代表的なデータを十分に提供することである。実際には、これは場合によっては、経験的モデル・ベースのサーベイランス・システムの実施を成功させるための最大の障害である。

第１の問題は、監視されているプロセスと同様のプロセスまたは同一のプロセスからのデータを単に使用するか否かである。これは、商品（コモディティ）マシン、即ち、大量生産されるマシンをオンボードの状態監視を用いて監視するときに特に有意である。このような環境下では、各マシンから正常動作データを収集して一意の経験的モデルを事前に構築することは、不可能または非実際的であり得る。必要とされるものは、汎用モデルを、新たに作り出されるマシンへと構築し、このモデルが、現場におけるそれぞれの特定のマシンの固有の許容差および挙動に適合できるようにする方法である。

第２の問題は、監視されるプロセスまたはマシンが長期間にわたり安定し、最初の正常のベースラインからドリフトしているが、なおもよい動作状態にあるときに現れる。このような最終的には正常である動作データを、現在は正常動作を行っていないであろうプロセスまたはマシンから取り込むことは、極めて困難である。従って、必要とされるものは、経験的モデルが、最初には経験的モデル手法を必要とした監視感度を犠牲にすることなく、時間経過に伴ってのプロセスまたはマシンの正常動作における許容可能な変化に適合するための方法である。

第３の問題は、プロセスを混乱させないことの財政的価値または生産的価値に起因して、プロセスからの完全な正常動作範囲のセンサ・データを取り込むことが可能でない場合に存在する。例えば、既存の工業プロセスを経験的モデル・ベースの監視により改装することにおいて、効果的にプロセスをオフラインにして、その多数の動作モードを通じてプロセスを稼動させることが経済的に可能でない可能性がある。また、すべての動作モードが使用されるまでに数ヶ月または数年かかる可能性がある。従って、必要とされるものは、プロセスまたはマシンの動作モードに初めて遭遇するときに、経験的モデルを適合させるための方法である。

要約すると、経験的モデルをベースにするプロセス・サーベイランス・システムが信頼性をもって機能するためには、モデルを生成するために使用されるデータが、プロセス動作範囲全体に及ぶべきである。多くの場合、そのデータは最初に入手可能ではない。従って、モデルを最新および有効に保つためには、モデル適応化が必要とされる。しかし、適応化はそれ自体の著しい障害を課す。１つのこのような障害は、特に、動的な非線形プロセスについて、モデルの適合化を開始するときを厳密に決定することである。いくつかの場合、人間の介入に依拠して、適合化させるときを手動で指示することができるが、非常に多くの環境では、この決定を自動化することが望ましい。もう１つのこのような障害は、モデルの適合化を停止して、プロセスまたはマシンのサーベイランスを再開するときを決定することである。更にもう１つの問題は、適応化のための必要性を、適切に警報されるべきであるプロセスの混乱またはセンサの故障から区別することである。例えば、プロセスにおける遅いドリフトの障害における「ブートストラッピング」を回避することが大変望ましい。更にもう１つの問題は、或る安定状態と別の状態との間の移行の期間中の適合化を回避することであり、この期間間にセンサ・データは通常はプロセスまたはマシンの正常動作のいかなる古い状態も新しい状態も表すことができない。経験的モデルの適応における更にもう１つの問題は、モデルが増大して、その新しい状態の追加により精度や特有性が低くなる可能性があることである。従って、新たに適応される状態を追加しつつ、遭遇することが最も少ない状態をモデルから除去する方法を有することが有益となる。

発明の概要
本発明は、プロセスまたはマシンの制御および状態ベースの監視のための、改良された経験的モデル・ベースのシステムを提供する。

本発明は、プロセスまたはマシンの経験的モデルが、センサによる測定、導出された変数、統計的測定などのような、そのプロセスまたはマシンにおける変化する状態を包含するように、適合されるべきときを決定するための方法および装置である。この技術は、類似度測定技術および統計的判断ツールによって提供される情報に基づく。このシステムは、モデル適応プロセスを停止するときを決定するという第２の特性を有する。このシステムは、プロセスの変化の場合と計器の変化の場合との間を区別する第３の能力を有する。

すべての対象とするパラメータについてのセンサを完全に備えるプロセスまたはマシンでは、センサ・データが、そのプロセスまたはマシンまたは類似のプロセスまたはマシンの予想される後の動作のすべての考慮され得る状況について収集される。この収集されたデータは履歴を形成し、その履歴から、本発明のシステムはプロセスまたはマシンの所望のまたは正常の動作を「学習」することができるものであり、それは、履歴をセンサ・データの代表的なセットへと抽出するトレーニング・ルーチンを使用して行われる。このセンサ・データの代表的トレーニング・セットを使用して、本発明は、プロセスまたはマシンをリアルタイムの動作で（あるいは、好ましい場合はバッチ・モードで）監視することができ、すべてのセンサについての推定値を生成することができるものであり、これらのセンサには、履歴データが収集されたが、故障しているか、あるいはプロセスまたはマシンから除去された特定のセンサが含まれる。本発明は、受け入れ可能または正常範囲の動作内であると考慮される、監視されるシステムに対する変化に対処するように、センサ・データの代表的なセットを適合させる手段として、使用することができる。

本発明の装置を、メモリおよびプロセッサを有し、監視されるプロセスまたはマシン上にまたはその付近に物理的に配置される、電気で動作するデバイスとして配備することができる。別の例として、本発明の装置は、プロセスまたはマシンから遠隔に配置し、センサ・データをプロセスまたはマシン上の動作中のセンサからネットワークまたはワイヤレス伝送機能を介して受信するコンピュータにおけるモジュールとすることができる。

また、本発明は、システムの監視に用いられる経験的モデルを適合させる方法であって、
前記システムを特徴付ける監視されるパラメータの実際の値を受信するステップと、
実際の値の受信に応答して、前記経験的モデルから前記パラメータ値の推定値を生成するステップと、
推定されたパラメータ値のセットと関連する実際のパラメータ値のセットとの比較のためのグローバル類似度スコアを計算するステップと、
前記グローバル類似度スコアに基づいて少なくともいくつかの受信した実際の値を説明するように前記経験的モデルを適合させるステップと
を備える。
前記適合させるステップは、グローバル類似度スコアが選択された範囲の外になるときに前記経験的モデルを適合させるステップを含む。
また、前記適合させるステップは、
グローバル類似度スコアが選択された範囲の外になるときに、移行段階の開始を識別するステップと、
前記移行段階の終了を識別するステップと、
前記移行段階の終了の識別に応答して、システムが、前記経験的モデルにおいて説明されない新しい状態にあるかどうかを決定するステップと、
前記新しい状態が前記経験的モデルにおいて説明されなかったという決定に応答して、前記経験的モデルを、前記新しい状態を説明するように更新するステップと
を含む。
前記決定するステップは、前記移行段階の終了の後に少なくとも１つのグローバル類似度スコアをしきい値と比較し、それが前記しきい値より低い場合に、前記新しい状態が前記経験的モデルにおいて説明されないという結論を出すステップを含む。
前記決定するステップは、前記移行段階の終了後にグローバル類似度スコアのウィンドウをしきい値と比較し、前記ウィンドウにおける少なくとも選択された数の前記スコアが前記しきい値を下回る場合、前記新しい状態が前記経験的モデルにおいて説明されないという結論を出すステップを含む。
前記決定するステップは、前記移行段階の終了後にグローバル類似度スコアのウィンドウの平均をしきい値と比較し、前記ウィンドウにおける前記スコアの前記平均が前記しきい値を下回る場合、前記新しい状態が前記経験的モデルにおいて説明されないという結論を出すステップを含む。
前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを有し、前記決定するステップは、移行段階の終了後に受信した実際の値のスナップショットを前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較について類似度を計算し、最高のそのような類似度が、選択されたしきい値より低い場合、前記新しい状態が前記経験的モデルにおいて説明されないという結論を出すステップを含む。
前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを有し、前記決定するステップは、前記移行段階の終了後に受信した実際の値の一連のスナップショットにおけるそれぞれを、前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較について類似度を計算し、それぞれの実際のスナップショットについての一連の最高の類似度にわたっての平均が、選択されたしきい値より低い場合、前記新しい状態が前記経験的モデルにおいて説明されないという結論を出すステップを含む。
前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを有し、前記決定するステップは、前記移行段階の終了後に受信した実際の値の一連のスナップショットにおけるそれぞれを、前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較について類似度を計算し、前記一連のスナップショットにわっての少なくとも選択された数の実際のスナップショットの最高の類似度が、選択されたしきい値より低い場合、前記新しい状態が前記経験的モデルにおいて説明されないという結論を出すステップを含む。
前記移行段階の終了を識別する前記ステップは、連続するグローバル類似度スコアの動くウィンドウを検査し、前記ウィンドウにおける少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前のグローバル類似度スコアを基礎とする選択された範囲内にあるときに、移行の終了に達していることを識別するステップを含む。
前記移行段階の終了を識別する前記ステップは、連続するグローバル類似度スコアの動くウィンドウを検査し、前記ウィンドウにおける少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前記ウィンドウにおける前のグローバル類似度スコアの平均を基礎とした選択された範囲内にあるときに、移行の終了に達していることを識別するステップを含む。
前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを有し、前記更新するステップは、受信した実際の値の少なくとも１つのスナップショットを前記リファレンス・ライブラリに追加するステップを含む。
前記選択された範囲は、一連のグローバル類似度スコアの平均から、前記一連のグローバル類似度スコアについての標準偏差の倍数を減算したものに等しい、低いしきい値を有する。
前記計算するステップは、受信した実際のパラメータ値のスナップショットと関連する推定値のスナップショットとの対応するエレメントを比較して、エレメントの類似度を生成し、前記エレメントの類似度を統計的に組み合わせてグローバル類似度スコアを生成するステップを含む。
また、本願発明は、システムを経験的にモデリングすることにおいて用いられる経験的モデルのリファレンス・データ・セットを適合させる方法であって、
前記システムを特徴付ける、少なくとも１つの制御パラメータを含む監視されるパラメータの実際の値を受信するステップと、
少なくとも１つの制御パラメータについての前記実際の値が所定の範囲の外にあることを判定するステップと、
前記判定するステップに応答して、受信した前記実際の値を説明するように前記経験的モデルを適合させるステップと
を備える。
前記リファレンス・データ・セットは、時間的に相関されたパラメータ値のスナップショットを含み、前記適合させるステップは、受信した前記実際の値の少なくとも１つのスナップショットを前記リファレンスセットに追加するステップを含む。
また、本願発明は、監視されるパラメータを有するシステムをモデリングすることにおいて使用するグローバル類似度エンジン・プログラム製品であって、
前記監視されるパラメータの実際の値のスナップショットを受信するためのコンピュータ読取可能プログラム・コード手段と、
前記監視されるパラメータの推定値のスナップショットを受信するためのコンピュータ読取可能プログラム・コード手段と、
前記実際の値のスナップショットと前記推定値のスナップショットとの比較のためにグローバル類似度スコアを生成するためのコンピュータ読取可能プログラムコード手段と
を備える。
生成するための前記手段は、前記受信した実際の値のスナップショットと前記推定値のスナップショットとの対応するエレメントを比較して、エレメントの類似度を生成し、前記エレメントの類似度を統計的に組み合わせて前記グローバル類似度スコアを生成する。
前記エレメントの類似度が、ＢＡＲＴ類似演算子を使用して生成される。
前記エレメント類似度が、対応するエレメントの差の絶対値を、対応するエレメントについての予想される範囲によって除算したものに従って生成される。
また、本願発明は、動作パラメータによって特徴付けられるシステムの動作を監視する装置であって、
前記システムの動作を特徴付ける実際のパラメータ値の受信に応答して、パラメータ値の推定値を生成する経験的モデルと、
推定されたパラメータ値のセットと、前記システムからの関連する実際のパラメータ値のセットとの比較のためにグローバル類似度スコアを生成するグローバル類似度エンジンと、
前記グローバル類似度スコアに基づいて少なくともいくつかの受信した実際のパラメータ値を説明するように前記経験的モデルを適合させる適応モジュールと
を備える。
前記適応モジュールは、グローバル類似度スコアが選択された範囲の外になるときに、前記経験的モデルを適合させるように配置される。
前記経験的モデルは、時間的に相関されたパラメータ値のスナップショットのリファレンス・ライブラリを含み、前記適応モジュールは、前記受信した実際の値の少なくとも１つのスナップショットを前記リファレンス・ライブラリに追加することによって前記経験的モデルを適合させる。
前記適応モジュールは、最初に移行段階を識別し、その後に、経験的モデルを、前記グローバル類似度エンジンからのグローバル類似度スコアに基づいて少なくともいくつかの受信した実際のパラメータ値を説明するように、適合させる。
前記適応モジュールは、グローバル類似度スコアが選択された範囲の外になるときに、移行段階の開始を識別する。
前記適応モジュールは、連続するグローバル類似度スコアの動くウィンドウを検査し、前記ウィンドウにおける少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前の前記グローバル類似度スコアを基礎とした選択された範囲内にあるときに、移行の終了に達していることを識別することによって、移行段階の終了を識別する。
前記適応モジュールは、連続するグローバル類似度スコアの動くウィンドウを検査し、前記ウィンドウにおける少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前記ウィンドウにおける前のグローバル類似度スコアの平均を基礎とした選択された範囲内にあるときに、移行の終了に達していることを識別することによって、移行段階の終了を識別する。
前記適応モジュールは、前記移行段階の識別に応答して、前記経験的モデルにおいて説明されていない新しい状態に前記システムがあるかどうかを決定する。
前記適応モジュールは、前記移行段階の終了の後に少なくとも１つのグローバル類似度スコアが、選択されたしきい値よりも低い場合に、前記新しい状態が前記経験的モデルにおいて説明されないと決定する。
前記適応モジュールは、前記移行段階の終了の後にグローバル類似度スコアのウィンドウにおける少なくとも選択された数のグローバル類似度スコアが、選択されたしきい値を下回る場合に、前記新しい状態が前記経験的モデルにおいて説明されないと決定する。
前記適応モジュールは、前記移行段階の終了の後にグローバル類似度スコアのウィンドウに渡っての平均のグローバル類似度値が、選択されたしきい値を下回る場合に、前記新しい状態が前記経験的モデルにおいて説明されないと決定する。
前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを含み、前記適応モジュールは、前記移行段階の終了の後に、受信した実際の値のスナップショットを、前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較についての類似度を計算し、最高のその類似度が、選択されたしきい値より低い場合、前記新しい状態が前記経験的モデルにおいて説明されないと決定する。
前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを含み、前記適応モジュールは、前記移行段階の終了の後に、受信した実際の値の一連のスナップショットにおけるそれぞれを、前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較についての類似度を計算し、それぞれの実際のスナップショットについての最高の類似度の一連のものにわたっての平均が、選択されたしきい値より低い場合に、前記新しい状態が前記経験的モデルにおいて説明されないと決定する。
前記経験的モデルは、認識されるシステムの状態を特徴付けるパラメータ値のスナップショットのリファレンス・ライブラリを含み、前記適応モジュールは、前記移行段階の終了の後に、受信した実際の値の一連のスナップショットにおけるそれぞれを、前記リファレンス・ライブラリにおける各スナップショットと比較して、各比較についての類似度を計算し、前記一連のものにわたっての少なくとも選択された数の実際のスナップショットの最高の類似度が、選択されたしきい値より低い場合に、前記新しい状態が前記経験的モデルにおいて説明されないと決定する。
前記選択された範囲は、一連のグローバル類似度スコアの平均から、前記一連のグローバル類似度スコアについての標準偏差の倍数を減算したものに等しい、低いしきい値を有する。
また、本願発明は、動作パラメータによって特徴付けられるシステムの動作を監視するためのコンピュータ・プログラム製品であって、
前記システムの動作を特徴付ける、少なくとも１つの制御パラメータを含む実際のパラメータ値を受信するためのコンピュータ読取可能プログラム・コード手段と、
少なくとも１つの前記制御パラメータについての実際の値が所定の範囲外にあることを決定するためのコンピュータ読取可能プログラム・コード手段と、
前記システムの経験的モデルを表すデータを格納するデータ格納手段と、
前記決定に応答して、格納された前記経験的モデルのデータを、受信した前記実際の値を説明するように、適合させるためのコンピュータ読取可能プログラム・コード手段と
を備える。
前記経験的モデルのデータは、時間的に相関されたパラメータ値のスナップショットを含み、適合させるための前記手段は、前記受信した実際のパラメータ値の少なくとも１つのスナップショットを前記経験的モデルのデータに追加するように配される。
受信するための前記手段に応答して、前記データ格納手段における前記経験的モデルのデータを使用して、パラメータ値の推定値を生成するためのコンピュータ読取可能プログラム手段を更に含む。
推定するための前記手段は類似演算子を用いる。
新規の特徴と思われる本発明の特徴を、付属の特許請求の範囲において述べる。しかし、本発明自体、ならびに好ましい使用の形態、その更なる目的および利点は、以下の実施形態の詳細な説明を添付の図面と共に参照することによって、最良に理解される。

好ましい実施形態の詳細な説明
図１を参照して、本発明の適応型の経験的モデル・ベースの監視システムのブロック図を示す。プロセスまたはマシン１０５は、プロセスまたはマシンの動作の様々な物理的、統計的、質的または論理的パラメータを検出するためのセンサを備える。これらは、通常、本発明のシステムへ入力バス１０８を介して提供されるものであり、これを工業施設におけるプロセス制御システムのフィールド・バス（ＦｉｅｌｄＢｕｓ）・タイプのバスによって例示する。プロセスまたはマシン１０５の現在状態を表すデータが、入力バス１０８から推定エンジン１１１へ供給され、これが、プロセスまたはマシンの動作の正常または受け入れ可能な状態を表す過去のデータのリファレンス・ライブラリ１１４に結合される。推定エンジン１１１およびリファレンス・ライブラリ１１４は、共になって、プロセスまたはマシンをモデリングする経験的モデル１１７を構成する。

標準の監視モードでは、入力バス１０８からのセンサ・データはまた、差分エンジン１２０へ提供され、この差分エンジンは、プロセスまたはマシンの実際の現在の状態の入力に応答して、経験的モデル１１７により生成された現在の状態の推定値を受信するように、配置される。差分エンジンは、関与する各センサについて推定値を実際値から減算し、これらの個々の出力を統計的テスト・モジュール１２２へ提供し、この統計的テスト・モジュールは、推定値と実際値が同じであるか統計的に異なるかを決定し、異なる場合は警報が表示されるか、又はそうでない場合は更に自動化された制御システムへ提供される。例として、統計的テスト・モジュール１２２を、差分エンジン１２０から来るそれぞれの差分センサ信号について逐次的確率比試験（ＳＰＲＴ）を実行して、「正常」または受け入れ可能でない各信号に対して警報を提供するように、配置することができる。このように、プロセスまたはマシンの監視が経験的モデルに基づいて実行され、より高度な感度および故障に対する改善されたリード警告時間がもたらされる。

現在のセンサ・データはまた、適応決定モジュール１２５へ提供することもできる。本発明によれば、このモジュールは、プロセスまたはマシン１０５からのセンサ・データの現在のスナップショットがプロセスの混乱またはセンサの故障を表すかどうかの判定を行うか、あるいは対照的に、モデルの適応を必要とする新しい動作状態への移行の開始、または新しい動作状態への移行の停止を表す。このような移行の開始を認識すると、経験的モデルベースの監視の警報タイプの出力を、一時的に中断させて、人のオペレータまたはダウンストリーム制御システムへ不必要な警報情報が充満することを回避することができる。移行の停止を認識すると、適応決定モジュール１２５は、モデルの適応の実施のために必要であるリファレンス・ライブラリ１１４に対しての実際の変更を行うように配置された再トレーニング（再訓練）・モジュール１２８をイネーブルにする。移行の停止の後、プロセスまたはマシン１０５は、リファレンス・ライブラリ１１４において表されないであろう安定した新しい状態にあることが期待される。移行が完了した後、適応決定モジュール１２５は、再トレーニング・モジュール１２８を介して、生データの新しいスナップショットの取り込みを開始して、リファレンス・ライブラリ１１４を増補する。リファレンス・ライブラリが大きくなり過ぎる場合、あるいは特定のサイズで望ましく維持される（例えば、パフォーマンスの考慮事項のため）場合、ベクトル除去モジュール１３１は、特定の基準に従って、古いスナップショットをリファレンス・ライブラリから取り除くことができる。リファレンス・ライブラリの適応が完了すると、オンライン監視が再度開始される。

本発明は、完全に自動化されたモデル適応意思決定技術を、マシンまたはプロセスの状態ベースの監視のために提供する。適応決定モジュールは、推定値を生成するために経験的モデルにおいて使用することができる類似度演算子技術と同じ類似度演算子技術を使用することができ、これを以下で論じる。従って、入力バス１０８からの現在のセンサ・スナップショットは、類似度演算子を使用して、推定エンジン１１１によって現在のセンサ・スナップショットに応答して生成された推定値と比較されて、ここでの目的のための、グローバル類似度と呼ばれる類似度スコアが生成される。このグローバル類似度は、それ自体は、スナップショットにわたって監視および処理することができる信号である。グローバル類似度の挙動は、本発明のモジュールが適応の必要性を、単なるプロセスまたはセンサの混乱から区別することができるようにする１つの手段である。

ここで最初に本発明のサーベイランス・システムの通常の監視モードを考えると、プロセスまたはマシンを監視するための経験的モデルベースの方法およびシステムが、前述のＧｒｏｓｓ他の米国特許第５，７６４，５０９号に記載されている。このような監視システムの実施は２つの段階を含み、これは経験的モデル（「トレーニング（訓練）」としても知られる）を構築するための第１の段階、および生の監視をオンにする第２の段階である。ニューラル・ネットワークなどの、既知のデータにおいてトレーニングする他の経験的モデルも使用することができるが、例示のため、ベースラインとしてＧｒｏｓｓの特許に沿った経験的モデルを説明する。

経験的モデルをトレーニングする方法を図２でグラフで示し、この図では、プロセスまたはマシンについて収集された履歴センサ・データが抽出されて、代表的トレーニング・データ・セットであるリファレンス・ライブラリが作成される。５つのセンサ信号２０２、２０４、２０６、２０８および２１０を、監視されるプロセスまたはマシンについて示すが、これは、本発明を使用して監視できるセンサの数の制限ではないことを理解されたい。横軸２１５は、収集されたセンサ・データのサンプル数またはタイム・スタンプであり、データはデジタルにサンプリングされるものであり、センサ・データは時間的に相関される。縦軸２２０は、サンプルまたは「スナップショット」に渡っての各センサ読み取りの相対的な大きさを表す。各スナップショットは５つのエレメントのベクトルを表し、そのスナップショットにおいて各センサについて１つの読み取りが得られる。正常または受け入れ可能な動作を表す、すべての以前に収集された履歴センサ・データのうち、このトレーニング方法に従って、任意の所与のセンサについての最小または最大の値を含むこれら５エレメント・スナップショットのみが代表的トレーニング・セットに含まれる。従って、センサ２０２については、最大２２５は、各センサ信号とライン２３０の交差での、最大値２２５を含む５つのセンサ値を、５エレメントのベクトルとして、代表的トレーニング・セットへ包含することを、正当化する。同様に、センサ２０２については、最小２３５は、線２４０と各センサ信号との交差での５つのセンサ値の包含を正当化する。

代表的なデータの選択を更に図３に示す。正常動作を表す収集されたデータは、Ｎ個のセンサおよびＬ個の観察またはスナップショット、またはＮ行およびＬ列のアレイＸを含むセンサ・データの時間的に関連付けされたセットを有する。ステップ３０４で、エレメント数についてのカウンタｉがゼロに初期設定され、観察またはスナップショット・カウンタｔが１に初期設定される。各センサについて収集されたデータに渡る最大および最小の値をそれぞれ含むための２つのアレイｍａｘおよびｍｉｎが、Ｘの第１の列に等しく設定されるＮ個のエレメントのそれぞれのベクトルとなるように初期設定される。各センサについての収集されたデータにおいて見られる最大および最小の値の観察数を保持するための２つの追加のアレイＴｍａｘおよびＴｍｉｎが、すべてゼロであるＮ個のエレメントのそれぞれのベクトルとなるように初期設定される。

ステップ３０７で、Ｘにおけるスナップショットｔでのセンサｉのセンサ値が、収集されたデータにおいてそのセンサについて今まで見られた最大より大きい場合、ステップ３１０で、ｍａｘ（ｉ）がそのセンサ値と等しくなるように更新され、Ｔｍａｘ（ｉ）は観察の数ｔを格納する。そうでない場合、ステップ３１４および３１７で、そのセンサについての最小について、類似度テストが行われる。ステップ３２０で、観察カウンタｔが増分される。ステップ３２２で、所与のセンサについてすべての観察がレビュー（検査）されている（ｔ＝Ｌ）場合、ステップ３２５でｔがリセットされ、ｉが増分される（次のセンサについての最大および最小を発見するため）。ステップ３２８で、最後のセンサが終了されている（ｉ＝Ｎ）場合、冗長が除去され、アレイＤが、Ｘからのベクトルのサブセットから作成される。

最初に、ステップ３３０で、カウンタｉおよびｊが１に初期設定される。ステップ３３３で、アレイＴｍａｘおよびＴｍｉｎが連結されて、２Ｎ個のエレメントを有する単一のベクトルＴｔｍｐが形成される。ステップ３３６で、これらのエレメントが昇順（または降順）にソートされて、アレイＴが形成される。ステップ３３９で、ホルダｔｍｐが、Ｔにおける最初の値に設定される（センサの最小または最大を含む観察数）。Ｄの最初の列が、Ｔの最初のエレメントである観察数に対応するＸの列に等しくなるように設定される。判断ステップ３４１で開始するループでは、Ｔのｉ番目のエレメントが、Ｔの以前のエレメントを含むｔｍｐの値と比較される。これらが等しい（対応する観察ベクトルが１より多くのセンサについての最小または最大である）場合、これはすでにＤに含まれており、再度含める必要はない。ステップ３５０で、カウンタｉが増分される。これらが等しくない場合、ステップ３４４で、Ｔ（ｉ）の観察数に対応するＸからの列が含まれるようにＤが更新され、ｔｍｐがＴ（ｉ）での値により更新される。次いでステップ３４７で、カウンタｊが増分される。ステップ３５２で、Ｔのすべてのエレメントがチェックされている場合、ステップ３５５で、トレーニング・セットＤへの抽出が終了している。

様々な経験的モデルが、この適応型の判断および再トレーニングの発明の対象として考慮されるものであり、これにはニューラル・ネットワーク、ファジー理論モデルその他が含まれる。これらのすべての経験的モデルは、サーベイランス下のプロセスまたはマシンからのデータを使用してモデル化を行い、それによりプロセスまたはマシンを監視する。グレースフルな老化、安定化、または監視されたプロセスまたはマシンの以前に遭遇していない状態に鑑みると、すべてが、モデルが構築されるときに提供された履歴データの欠点の対象となる。本発明の方法を適用する一実施例として、前述のＧｒｏｓｓ他に対する特許の経験的モデリング技術を説明する。この経験的モデリング技術は類似度演算子を使用するが、これはまた、本発明において、グローバル類似度および本明細書に記載する他の適応決定技術の形式において発明的に使用される。一般に、類似度演算は、２つの数の比較において、１つの極値（典型的には、「等しい」で「１」）と別の極値（典型的には、「完全に異なる」で「ゼロ」）の間でスケール化されたスカラ類似度スコアを提供する。より詳細には、これを、等しい数のエレメントを有する２つのベクトルを比較するように適合させ、このとき２つのベクトルのそれぞれの同様のエレメントを比較するために類似度スコアが生じられるものであり、次いで、１つのベクトル対ベクトル類似度スコア（vector-to-vector similarity score）とするように類似度スコアを平均するか又は統計
的に組み合わせるように、適合させることができる。

類似度演算（similarity operation）についての計算を、ここで詳細に以下で説明する。以下では、添字「ｉｎ」は通常は入力バス１０８から得られた実際のスナップショットに対応し、これは例えば１０個のリアルタイムの相関されたセンサを含むことができ、添字「ｏｕｔ」は通常は推定エンジン１１１によって生成された推定値に対応する。リファレンス・ライブラリ１１４は、上述のトレーニング方法によって選択された一連のスナップショットを含み、各スナップショットは、センサ・データのベクトルであり、入力スナップショットが構成されるように構成される。次いでこの実施例に従うため、リファレンス・ライブラリはそれぞれ１０個のエレメントからなるベクトルを含む。このリファレンス・ライブラリはまた、マトリックス（行列）Ｄとも称する。

上の説明に従って代表的トレーニング・セットを提供するステップは、結果として値の行列Ｄを生じ、これはプロセスまたはマシンの完全な予想される動的動作範囲を適切に表すために、１０行（プロセスまたはマシンで測定された１０個のパラメータに対応する）および十分な数ｎの列（同時のまたは時間的に関連したセンサ読み取りのセット）を有する。列の順序はＤにおいて問題ではないが、特定のセンサに対する行の対応は固定されなければならない。

次いで、ｙinを使用して、入力バス１０８からの入力スナップショットに対応するベクトル（この実施例では１０個のエレメントを有する）を示すと、以下の式に従って、推定エンジン１１１から１０個のエレメントを有する推定値としてベクトルｙoutが生成され
る。

ここで、Ｗは、Ｄにおける列と同じ数のエレメントＮを有する重みベクトルであり、以下の式によって得られる。

ここで、類似度演算は、円の中に斜交線が入ったものによって表される。上付き文字「Ｔ」はここでは行列の転置を表し、上付き文字「−１」は行列の逆（inverse）または結果として生じるアレイを表す。重要なことには、Ｄにおける行に関して同じセンサに対しての行の対応、ｙinとｙout、がなければならないことである。即ち、代表的トレーニング・セット行列Ｄの最初の行が、マシン上の第１のセンサについての値に対応する場合、ｙinの第１のエレメントもまた、その同じ第１のセンサの現在値（リアルタイムで動作中の場合）でなければならない。

第１のオペランドの行の、第２のオペランドの列に対しての類似度または数値的近似の測度を生じる様々な既知の演算子から、類似度演算を選択することができる。演算の結果は行列であり、ｉ番目の行およびｊ番目の列のエレメントが、第１のオペランドのｉ番目の行および第２のオペランドのｊ番目の列から決定される。結果として得られるエレメント（ｉ，ｊ）は、これらの２つのベクトルの同一性の測度である。本発明では、第１のオペランドのｉ番目の行が、通常は、プロセスまたはマシンの所与の時間的関連状態についてのセンサ値に対応するエレメントを有し、同じことが第２のオペランドのｊ番目の列についても当てはまる。実際上、結果として得られる類似度測定値アレイは、一方のオペランドにおける各状態ベクトルの、他方のオペランドにおける各状態ベクトルに対しての類似度を表す。

例として、使用できる１つの類似度演算子は、２つのベクトル（ｉ番目の行とｊ番目の列）をエレメント毎に比較する。対応するエレメントのみが比較される。例えば、エレメント（ｉ，ｍ）とエレメント（ｍ，ｊ）とが比較される。しかし、エレメント（ｉ，ｍ）とエレメント（ｎ，ｊ）とは比較されない。このようなそれぞれの比較について、類似度は、２つの値のうち小さい方を２つの値のうち大きい方によって除算したものの絶対値に等しい。よって、これらの値が同じである場合、類似度は１に等しく、これらの値が大いに等しくない場合、類似度はゼロに近づく。すべてのエレメント類似度が計算されるとき、２つのベクトルの全体の類似度はエレメント類似度の平均に等しい。例えばメジアンなどのような、エレメント類似度の異なる統計的組み合わせを、平均化の代わりに使用することもできる。

使用できる類似度演算子のもう１つの実施例は、図４を参照して理解することができる。この類似度演算子に関して、ウェジェリック（Ｗｅｇｅｒｉｃｈ）他の米国特許第５，９８７，３９９号の教示が関連しており、参照によりその全体を組み込んだものとする。各センサまたは物理的パラメータについて、三角形４０４が形成されて、そのセンサまたはパラメータについての２つの値の間の類似度が決定される。三角形の底辺４０７は、トレーニング・セット全体においてそのセンサについて観察された最小値４１２と、そのトレーニング・セット全体に渡ってそのセンサについて観察された最大値４１５との間の差に等しい長さに設定される。角度Ωが底辺４０７上に形成されて、三角形４０４が作成される。次いで、ベクトル−ベクトル演算におけるいずれかの２つのエレメントの間の類似度が見いだされるが、これは、底辺４０７の尺度を定めるように一端で最小値４１２を用い且つ他端で最大値４１５を用いて、底辺４０７に沿って、図ではＸ0およびＸ1として示す２つのエレメントの値の位置をプロットすることによって、見いだされる。底辺４０７上のＸ0およびＸ1の位置へと描かれた線分４２１および４２５は角度θを形成する。角度θと角度Ωの比は、問題のセンサについてのトレーニング・セットにおける値の範囲に渡ってのＸ0とＸ1の間の差異の測度を与える。この比を、またはそれを或るアルゴリズムで修正したものを、１の値から減算すると、Ｘ0とＸ1の類似度の測度であるゼロと１の間の数が得られる。

１８０度より少ないいずれかの大きさの角度、および底辺４０７上のその角度のいずれかの位置を、類似度領域を作成するために選択することができるが、選択されるものは何であれ、プロセスまたはマシンのその特定のセンサおよび物理的パラメータに対応するすべての類似度測定のために使用されなければならない。逆に、異なる形状の三角形４０４を異なるセンサについて使用することができる。三角形の全体の形状を選択する１つの方法は、何の形状が一貫して最も正確な推定信号結果を結果として生じるかを、経験的にテストすることである。

計算効率のため、角度Ωを直角にすることができる（図には示さず）。線分４３１を、底辺４０７の上の角度Ωの高さｈとして示すと、エレメントｉについての所与のエレメント−エレメント類似度についての角度θは、以下の式によって与えられる。

次いで、エレメント類似度は、以下の通りである。

上に示すように、エレメント類似度を統計的に平均するか、そうでない場合は統計的に処理して、あるスナップショットの、別のスナップショットに対する全体の類似度を、本発明によって要求されるように生成することができる。

本発明で使用することができる更にもう１つの類の類似度演算子には、ｎ空間におけるある状態ベクトルの、別の状態ベクトルに対する近接を表現することが含まれる。ここでの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状態ベクトルの次元数である。近接度が比較的に近い場合、２つの状態ベクトルの類似度は高いが、近接度が遠い又は大きい場合、類似度は小さくなり、最終的にはほとんどないくらいである。例として、２つの状態ベクトルの間のユークリッド距離を使用して、類似度を決定することができる。例えば２０個のセンサを備えたプロセスでは、２０エレメント状態ベクトルを含む現在監視されているスナップショットと、トレーニング・セットにおける各状態ベクトルとの間の、２０次元空間におけるユークリッド距離は、以下のように、類似度の測度を提供する。

ここで、Ｘは現在のスナップショットであり、ｄはトレーニング・セットからの状態ベクトルであり、λおよびｃはユーザ選択可能な定数である。

ここで本発明の適応型のシステムおよび方法を考慮する。適応決定モジュール１２５は通常はセンサ・データの現在のスナップショットまたはそれらのシーケンスにテストを実行して、プロセスまたはマシンの新しい動作状態に適合させるか否かを決定する。この決定は、その内側に、いくつかのより特定の判断を有する。第１に、適応決定モジュールは、監視装置全体が監視を開始したばかりであるか否かを判断しなければならない。監視を開始したばかりである場合、適応決定モジュールは、適合させることを判断するためのテストを行う前に、監視が安定して行えるように、データのいくつかのスナップショットまたはサンプルの分だけ待つ。適合させるための全体的判断に関連する第２の判断は、監視されるプロセスまたはマシンが移行に入っているか否かに関係する。典型的には、プロセスまたはマシンが状態を変化させるときには、プロセスの混乱、マシンの故障、または単なる正常動作における変化を通じてか否かに関わらず、監視されたセンサが動的データを提供する期間があり、プロセスまたはマシンは、その古いモードにおいて安定せず、また、その新しい目標モードにおいても安定しない。この移行は、通常、センサ・データの１つまたは複数における過渡的な変動として現れる。適応決定モジュールは、適合させる前に、移行が完了するまで待機する。従って、移行が開始しているときにそれを判断する第２の判断に加えて、行わなければならない第３の判断は、移行の期間が終わっており、監視されるプロセスまたはマシンが新しい安定した動作状態にあるかどうかである。「安定」とは、すべてのセンサ読み取りが均一である状態を意味するのではなく、経験的モデルによって信頼性をもって認識できる状態を意味し、これは、動的であるがなおも相関した動きのセンサ読取りを必然的に伴い得る。移行の後に行わなければならない第４の判断は、新しい安定した動作状態が、経験的モデルによって見られたことがあるものか否かを判断することである。以前に遭遇していないものである場合、それは適応のための１つの候補である。最後に、行わなければならない第５の判断は、新しい、以前に遭遇していない状態が、実際に新たな受け入れ可能な状態であるのか、またはプロセスまたはセンサの混乱であるのかである。

本発明によれば、現在の動作状態からの可能な移行の証拠としての過渡の検出を、グローバル類似度演算子を使用して実行することができる。グローバル類似度は、入力バス１０８からの現在のスナップショットを、推定エンジン１１１からの推定値と比較することから計算された、ベクトル−ベクトルの類似度スコアである。通常、推定値は、現在のスナップショットに応答して生成された推定値であるが、本発明の範囲内では、これを、モデルがセンサ値についての予測推定値を生成するときなどのような、以前のスナップショットから生成された推定値とすることもできる。ベクトル−ベクトルの類似度値を生成するための計算はすでに上で概説した。図５を参照すると、監視下のプロセスまたはマシンについて生成された典型的なグローバル類似度の図が示されている。垂直軸５０１はグローバル類似度スコアであり、水平軸５０４は、入力スナップショットのスナップショットまたはサンプルの番号であり、これらは通常は時間の順序であるが、スナップショットの別の順序付け表現で表すこともできる。上限５０６および下限５０９は、以下で説明するように、何れの点でグローバル類似度線または信号５１２が過渡を示すかを決定するのに使用するために、計算される。グローバル類似度スコアは、５１６で限界５０９を下回ることが示され、後続のグローバル類似度スコアも同様である。

一般に、プロセスまたはマシンが、経験的モデルによって認識される状態で動作中であるとき、推定値と現在の入力値との間のグローバル類似度は高く、１に近く、あまり変化しない。限界５０６および５０９の位置をユーザ選択とすることができ、あるいは自動的に選択することができる。これらの限界を自動的に選択するための１つの方法は、一連の連続するグローバル類似度を収集して、それらの平均および標準偏差を決定することである。次いで、これらの限界が、平均に標準偏差の倍数を加算したところ又は平均から減算したところに設定される。好ましい倍数は、標準偏差の３倍である。使用される連続するグローバル類似度の数は、プロセスまたはマシンがモデリングされた動作状態にあるところの期間における任意の統計的に有意な数にすることができ、１００〜１０００が妥当な数である。監視のためのサンプリング・レートがより低い場合には、より小さい数でも妥当であることがあり、いくつかの場合では５〜１０の範囲にすることができるが、その場合には、監視のためのサンプリング・レートは、監視されるシステムまたはプロセスが正常動作から実質的に逸脱できる期間に対して、一桁程度である。

限界５０６および５０９を計算する更にもう１つの方法は以下の通りである。履歴データ・セット、即ち、この履歴データ・セットから、図２および図３を参照して説明したＭｉｎ−Ｍａｘ（最小・最大）法のようなトレーニング方法に従ってリファレンス・ライブラリが選択されるものである、履歴データ・セットを累積した後に、そのリファレンス・ライブラリに選択されなかった履歴セットの残りのスナップショットを、入力として経験的モデルへ供給することができ、そこから生成された推定値についてのグローバル類似度を使用することができる。これらは、上述のように、限界５０６および５０９を設定するための平均および標準偏差を提供する。

限界５０６および５０９を定義する更にもう１つの方法によれば、これらは直線的な限界ではなく、グローバル類似度の動くウィンドウに渡って決定される平均の両側で固定量だけ浮動する限界である。例えば、標準偏差を上述のいずれかの方法で計算し、次いで標準偏差の倍数を選択することができる。次いで、これが平均を基礎（中心）として設定され、それは、最後のいくつかのスナップショット、例えば、最後の５個または最後の１０個のスナップショットの平均グローバル類似度として定義される。

スナップショット５１６でのグローバル類似度が限界５０６または５０９の外に出るとき、適応決定モジュールは、これを過渡として認識する。これは、監視されたプロセスまたはマシンの移行が開始している可能性を示す。適応決定モジュールは、過渡を検出すると、監視または少なくとも統計的テストモジュール１２２からの警報生成をオフにすることができる。更に、次いで、適応決定モジュールは、いくつかのテストのうちの１または複数のものを使用し始め、これを使用して、移行の期間が終了するときを決定することができる。

好ましくは、最初に過渡を検出すると、適応決定モジュールは、上限５０６および下限５０９をそれぞれの後続のグローバル類似度点を基礎として配置するものであり、このグローバル類似度点を平均として使用するが、前に確立された標準偏差の選択された倍数を限界として使用する。各連続点が、最後の点の位置の「平均」を中心として設定されたこれらの限界と比較される。これは図６を見ると分かるものであり、図６は、グローバル類似度によって測定されたように、プロセスまたはマシンが移行から出ることを示す。点６０２は移行点である。上限６０５および下限６０８が、点６０２についての前に確立された標準偏差の或る倍数のところで示されている。点６１１はこの範囲外になり、従って、これもまた移行点である。しかし、点６１４は、点６１７を中心とする範囲内にあり、次いで、適応決定モジュールは、これらの２つの点および後続の点の追跡を開始して、グローバル類似度の安定性についてテストする。これを行う１つの方法は、前のグローバル類似度を基礎とする範囲内に入る、連続するスナップショットのグローバル類似度の数をカウントし、特定のカウントに達したときに、プロセスまたはマシンが安定したと決定することである。使用できる代表的なカウントは５スナップショットであるが、これは、監視されるプロセスまたはマシンのダイナミクス、およびスナップショットが取り込まれるサンプリング・レートに依存する。カウントは、点６１７や６１４で開始することができる。点６２０などで示すように、選択されたカウントに達する前に後続の点が範囲外になる場合には、その点が移行中にあると決定され、カウントがゼロにされる。次いで、点６２０で開始して、後に続く点が範囲内であった場合には、カウントは再度開始する。そのカウントに達するまで、プロセスまたはマシンはなおも移行中であると考慮される。監視されるプロセスまたはマシンが新しい状態に安定しているか否かを決定するもう１つの方法は、スナップショットの動くウィンドウに渡って、前述の範囲の中にある少なくとも選択された数のグローバル類似度スコアを探すことであり、この範囲は、任意の所与のグローバル類似度についてのウィンドウにおけるすべての以前のグローバル類似度の平均を中心として設定される。例として、スナップショットのウィンドウが５であり、５のセットにおいて、範囲内の適格なグローバル類似度を有さねばならないものの数として４を選択した場合、第２のグローバル類似度スコアは、それが第１のグローバル類似度を中心として設定された範囲内にある場合に適格となり、第３のグローバル類似度スコアは、それが第１および第２のグローバル類似度の平均を中心として設定された範囲内にある場合に適格となり、以下同様に続く。第１のものの後の４つのグローバル類似度のすべてが適格となる場合、システムは新しい状態で安定している。監視のサンプリング・レートに応じて、ウィンドウをはるかに長く、例えば５０に選択することができ、適格とされる値の最小の数として、例えば４０を選択することができる。

カウントが範囲内のグローバル類似度の点の数に達するとき、例えば、ボックス６２５によって示す５つの連続する範囲内の点の後である点６２３において、適応決定モジュールは、移行が終了したこと、および新しい状態に達していることを示す。図６では、グローバル類似度が、図５に示したもの（約０．９７５）より低い全体の類似度（約０．８）で安定しており、これは、経験的モデルがこの状態ならびに以前の状態をモデリングしていないことを示し、実際には新しい状態をまったく認識していない可能性があることを示すことに留意されたい。典型的には、新しい状態もまた経験的モデルの一部である場合には、グローバル類似度の曲線は、図７に示すもののようになる。この図では、第１の動作状態がグローバル類似度７０１によって示される。移行が過渡７０３で開始され、点７０６を越えて新しい安定した動作状態７０５に達するまで継続し、この安定した動作状態は、互いの範囲内にある５つ（または或る別の事前に選択された数）の連続するグローバル類似度７１０により示されている。

適応を決定するための更にもう１つの方法によれば、グローバル類似度の使用とは無関係に、適応決定モジュールは、監視されるプロセスまたはマシンにおける制御変数として通常は設置時にユーザによって指定される現在のスナップショットを含む或るセンサ・データを検査することができる。この技術は、適合させるときを決定するためのはるかに簡単な方法を提供するが、制御変数がプロセスまたはマシンの従属変数から明らかに分離可能であるときにのみ使用することができる。制御変数は、通常、応用（アプリケーション）の領域知識によりモデル構築より先に手動で決定される。制御変数は、通常は、プロセスまたはマシンの動作の挙動を駆動する、プロセスまたはマシンへの入力である。これらはしばしば環境変数であり、これらの環境変数を超えて制御を働かせることができないものである。例えば、エンジンまたはタービンでは、周囲温度がしばしば制御変数である。経験的モデルを、例えば上記のＭｉｎ−Ｍａｘ法により概説したようにトレーニングするとき、本発明の適応監視システムを実行するためのソフトウェアは、トレーニング・セットにおいて見られる制御変数の全体の範囲を追跡するものであり、リファレンスセットはこのトレーニング・セットから抽出されるものである。次いで、監視動作では、適応決定モジュールは単純に現在の制御変数（１つまたは複数）をそれらの範囲と比較し、このときに１つまたは複数の制御変数が、トレーニングされた範囲の外側にある場合に、適応決定モジュールは再トレーニングを開始することができる。制御変数をグローバル類似度演算子と共に使用して、上述のように、ある状態から別の状態への移行が終わるときにその決定が行われるようにすることも、有用である。また、制御変数のダイナミクスが許容する場合には、変数の安定性を解析するための当技術分野で知られている標準的技術を、制御変数に対して直接に使用して、移行の開始の時と終了の時とを判断することもできる。いずれの場合も、制御変数を使用して経験的モデルを再トレーニングするときを決定することにおいて、犠牲にされるものは、これらの制御変数を混乱（upset）について監視す
る能力である。言い換えると、制御変数が、トレーニングされた範囲の外に出る場合、本発明の装置によって、新しい受け入れ可能な動作状態に遭遇していると仮定されるものであり、制御変数が異常動作を指示すると仮定されない。

この制御変数ベースの判断が用いられない場合、移行が停止していると決定した後に、新しい状態がすでに十分にモデリングされているか、あるいは、新しい状態がこれまでに遭遇していない、適合させねばならない状態であるかを決定するステップが残る。このため、適応決定モジュールは、制御変数の範囲のチェックに加えて、決定を行うために使用することができる一連の試験を有する。

第１の技術では、しきい値を、移行期間の終了時に新しい状態の平均グローバル類似度に適用することができる。例えば、図８を参照すると、０．９０のしきい値８０４より低い平均値を使用して、新しい状態が経験的モデルによって十分にモデリングされていないこと、および新しい状態を適応させるためにモデルを適合させねばならないことを示すことができる。本発明によれば、平均値を１つのスナップショット８０８に渡って検査してこの判断を行うことができ（この場合、平均値が単純にグローバル類似度である）、あるいは別例として、一連のスナップショットに渡って検査することができ、ここでは、例として、平均値が最も最近の５つの結果を使用して絶えず再計算される。次いで、平均値が、選択されたしきい値を、一連のスナップショットに渡ってのスナップショットの選択された一部分（例えば、半分）よりも多くの値だけ下回る場合、新しい状態は、認識されないと見なされ、適応を受ける可能性がある。例えば、図８に示すように、５つの点８１２は、４つがしきい値８０４を下回り、１つのみが上回り、従って、この状態は認識されないと見なされる。

第２の技術によれば、連続するグローバル類似度値のウィンドウを、選択されたしきい値と比較することができ、これらの少なくとも或る数のものがしきい値を下回る場合、新しい状態が認識されないと見なされ、適応を受ける可能性がある。例えば、５つのグローバル類似度を含む１つの動くウィンドウが検査され、少なくとも３つのものがしきい値より低い場合、新しい状態が適応を受けると見なすことができる。

図９Ａおよび９Ｂに示す第３の技術では、実際の現在のスナップショットを、リファレンス・ライブラリ全体に対する類似度について処理することができ（推定値を生成する処理の一部として行われるように）、テストが類似度に対して実行される。適応決定モジュールが、新しい状態が落ち着いていることを示すならば、現在のスナップショットの類似度スコアを、最高のその類似度について、リファレンス・ライブラリに対して検査することができ、これが選択されたしきい値より低い場合、新しい状態を、適応のための候補である未認識の状態と見なすことができる。これについての典型的なしきい値は、０．９０より低い範囲となる。図９Ａに見られるように、現在のスナップショット９０３（センサ値の代わりをする点によるベクトル記号によって記号化されている）をリファレンス・ライブラリ１１４のスナップショットと比較すると、一連の類似度スコア９０７が、ルーチン監視の一部として、各比較について生成される。スコアを図９Ｂの図に示し、ここでは最高の類似度スコア９１２が０．９０のしきい値を上回り、従って、現在のスナップショットは、適合の必要性を示さない。再び言うが、この判断を１つのスナップショットにおいて行うことができ、あるいは、一連の現在のスナップショットの多数ものの選択された部分が、選択されたしきい値を下回る最高のリファレンス・ライブラリ類似度を有するかどうかを決定することによって、行うことができる。

新しい状態自体が存在することおよび経験的モデルが適合されねばならないことを決定するために使用することができる更なる第３の技術は、監視装置においてＳＰＲＴモジュールによって生成される警報部分を検査することである。

本発明によると、グローバル類似度演算子は、プロセスまたはセンサの混乱と状態の変化との間の区別をするための能力を内在する。センサが故障すると、経験的モデルは、通常、センサが指示するべきである妥当な値を、他の入力センサに基づいて推定する。この故障したセンサの読み取り値と、それについての推定値（実際には、基礎となる測定されたパラメータの推定値）との間の差は、統計的テストモジュール１２２の手段を提供し、この手段は、故障したセンサに問題があるという警報を人のオペレータに出すものである。しかし、類似度演算の性質により、グローバル類似度への効果が制限される。実際には、故障したセンサの場合のいくつかの連続したグローバル類似度の平均は、センサが故障しなかったときの平均からあまり変化しない可能性があるが、グローバル類似度の変動は多少は増大する可能性がある（なおも、通常は、まだ、図５に示すしきい値５０６および５０９内にとどまる）。このように、適応決定モジュールは、一般に、故障したセンサにおいて適合させようと試みず、監視システムは、故障したセンサでうまく警報を出すことができる。

監視されるパラメータの１つまたは少数のみに影響を及ぼすプロセスの混乱が起こるとき、適応決定モジュールは、混乱についての警報が監視装置で起こっていても、同様に、適合の必要性を示さない。これは、プロセスの混乱が最終的にすべての変数に大きな変化をもたらす場合でさえ当てはまるものであり、なぜなら、本発明の監視装置が、考慮され得る最も早い変化の徴候を捕らえ、それについての警報を出すように設計されるからである。プロセスの混乱がすべての変数に影響を及ぼすよりもはるかに前に、人のオペレータは混乱を通知されている可能性が高い。

加えて、破滅的なプロセスの混乱も、通常は、新しい状態への安定化を示すことができない。重度の混乱プロセスについてのグローバル類似度は、非常に低いレベル（０．５０未満）へ低下する可能性があるだけではなく、継続する大きい変動にも苦しむ。典型的には、プロセスの混乱は、単なる動作モードシフトの場合のように迅速に新しい安定状態に安定することができないので、このことを用いて、プロセスの混乱と新しい受け入れ可能な動作状態とを区別することができる。これは、アプリケーションに基づいて経験的に最良に決定され、そして、ユーザ選択可能な設定を適応決定モジュールのソフトウェアに備えるようにして、或る期間、即ち、移行が、安定状態に落ちつかねばならない期間、あるいはそうでない場合は、プロセスの混乱と見なされて再度警報をオンにしなければならない期間を指定することができる。本発明によれば、適応決定モジュールはまた、グローバル類似度の変動も測定することができ、選択されたタイムアウト期間後に変動がなおも或るしきい値を上回る場合、その移行をプロセスの混乱と見なすことができ、統計的テスト・モジュール１２２を通じて来る監視における警報を再度オンに戻すことができる。

後に、適応決定モジュールは以下を確かめている。
１）制御変数がここでは範囲外であり、適応が保証される。なぜなら以下のようであるからである。

ａ）グローバル類似度がこのとき受入可能なしきい値より低く、新しい未認識の状態を示す。または、
ｂ）現在のスナップショットまたは一連のスナップショットの最高の類似度が、受入可能なしきい値より低く、新しい未認識の状態を示す。または、
ｃ）いくつかの警報が生成されており、それが制御変数における変化と同時的に開始する。または、
２）適応が保証される。なぜなら以下のようであるからである。

ａ）過渡がグローバル類似度において検出され、移行を示唆した。および、
ｂ）移行が完了し、新しい安定状態が実現された。および、
ｉ）このときグローバル類似度が受入可能なしきい値より低いので、新しい安定状態が認識されない。または、
ｉｉ）現在のスナップショットまたは一連のスナップショットの最高の類似度が受入可能なしきい値より低いので、新しい安定状態が認識されない。または、
ｉｉｉ）監視において生成されている警報の小部分がしきい値を上回るので、新しい安定状態が認識されない。
次いで、適応ステップが再トレーニング・モジュール１２８によって実行される。本発明によると、再トレーニングを、スナップショットを一連の現在のスナップショットからリファレンス・ライブラリへ追加することによって、あるいは、リファレンス・ライブラリのスナップショットを置き換えることによって、達成することができる。両方のモードを使用することができ、リファレンス・ライブラリは、監視システムの実施のときに初期サイズを有し、最大サイズが選択され、このサイズまでリファレンス・ライブラリが増大することができ、これを越えると新たに追加されたスナップショットにより既存のスナップショットが置き換えられねばならない。

現在のスナップショットをリファレンス・ライブラリに追加するとき、再トレーニング・モジュールは、最初に、どのスナップショットを追加のために選択するかを決定する。一実施形態によれば、適応決定モジュールが、グローバル類似度に基づいて、グローバル類似度が安定している一連の幾つかの、例えば、５つのスナップショットを識別し、これは新しい状態であり、その新しい状態が以前にモデリングされていないと判定されたときに、５つのスナップショットを使用してリファレンス・ライブラリを増補することができる。加えて、６番目のスナップショットから、再トレーニング・モジュールは、より長い適応サイクルに入り始め、スナップショットが入ってくるとそれらをチェックし、グローバル類似度テストを使用して、新たに増補されたモデルが適切に新しいスナップショットをモデリングしているかどうかをテストする。しきい値を再度、例えば０．９０と決定することができ、適応が終了されたと宣言されるためには、グローバル類似度において、新たに増補されたリファレンス・ライブラリがこのしきい値を越えなければならない。しきい値を満たさない場合、再トレーニング・モジュールは、新しい状態が安定しており新しい過渡（新しい段階の移行、または場合によっては、プロセスの混乱またはセンサの故障を示す）でない限り、新しいスナップショット（または、少なくとも、適切にモデリングされるように見えないスナップショット）の追加を継続する。移行の終了を越えてからの長い適応サイクルにおいてどれだけ長く再トレーニング・モジュールが携わり続けるかについての設定限界を、オプションで設定することができ、それによって、適応が無期限に継続しないようにすることができる。これを、適応のためのカットオフとして選択されたグローバル類似度しきい値に対して適切にモデリングすることが単純にできない新しい状態に、適用することができる。

更にもう１つのモードによれば、追加の識別されたスナップショットをリファレンス・ライブラリに単に追加するのではなく、リファレンス・ライブラリ全体および追加のスナップショットを、Ｍｉｎ−Ｍａｘ手法などのトレーニング方法が適用される総合トレーニング・セットへと組み合わせて、新しいトレーニング・セットを新しいリファレンス・ライブラリに抽出することができる。

リファレンス・ライブラリにおけるサイズ制限に達したときは、ベクトル除去モジュールは、いくつかの方法を使用して古いスナップショット（またはセンサ・データのベクトル）をリファレンス・ライブラリにおいて置換するかまたは除去することができる。第１の方法によると、制限を越えて追加される各スナップショットについては、追加されることが望ましいスナップショットとの最高の類似度を有するリファレンス・ライブラリ内のベクトルが、除去される。この動作では、類似度演算子が本明細書に記載したように使用される。第２の方法によれば、Ｍｉｎ−Ｍａｘ手法などのトレーニング方法を使用すると、ベクトルがリファレンス・ライブラリに追加されるときのタイム・スタンプが、ライブラリ全体を通じて検査され、最も古いタイム・スタンプを持つベクトルが除去される。この場合、置換用のスナップショットは置換の時点のタイム・スタンプを有し、従って、最も新しいタイム・スタンプを有する。更にもう１つの別の方法によれば、経験的モデル・ベースの監視装置の通常の監視モードの間に、監視されるプロセスまたはマシンからのそれぞれの現在のスナップショットについて、それに対しての最高の類似度を有するのはリファレンス・ライブラリにおける何れのスナップショットであるかの判定が行われ、そのスナップショットに、比較の瞬間のタイム・スタンプが付けられる。従って、リファレンス・ライブラリにおける各スナップショットは、潜在的に、プロセスまたはマシンの動作で見られた最後の最も近い状態ベクトルとして更新されている。次いで、適応の一部として新しいベクトルを追加するとき、最も古いタイム・スタンプを有するベクトルが置き換えられる。新しい置換のスナップショットが現在のタイム・スタンプを有することは言うまでもない。このように、リファレンス・ライブラリにおいて、最も長い時間にわたって監視システムに見られていない状態を表すスナップショットが、最初に、新しい更新されたスナップショットと置き換えられる。このモードは、特に、経時的に適切に安定し、かつ、それらが新しかったときの動作状態を厳密に達成することを期待されていないような装置またはプロセスを監視するときに、有用である。

前述の好ましい実施形態の変更を様々な態様で行うことができることは、当業者には理解されよう。本発明を詳細に特許請求の範囲において述べる。本発明の精神および範囲は、当業者および本出願の教示を熟知する者には明らかな、好ましい実施形態に対してのそのような改造および変更を包含すると考慮される。

図１は、機器を装備したプロセスまたはマシンのための経験的モデル・ベースの監視システムを適合させるための本発明のブロック図である。 図２は、本発明で使用するための収集されたセンサ・データから代表的な「トレーニング」データ・セットを作成するための方法を例示する図である。 図３は、本発明で使用するための収集されたセンサ・データから代表的な「トレーニング」データ・セットを作成するための流れ図である。 図４は、本発明において使用される類似度演算子の１つの計算を例示する図である。 図５は、監視されるプロセスまたはマシンによる動作のある状態からの移行への動きを示す、グローバル類似度値の図である。 図６は、監視されるプロセスまたはマシンによる動作の別のモデリングされていない可能性のある状態への移行段階の完了を示す、グローバル類似度値の図である。 図７は、監視されるプロセスまたはマシンの、あるモデリングされた状態から別のモデリングされた状態への移行を示す、グローバル類似度値の図である。 図８は、監視されるプロセスまたはマシンの、あるモデリングされた状態から、別のモデリングされていない可能性のある状態への移行を示す、グローバル類似度値の図である。 図９Ａは、現在のスナップショットとリファレンス・ライブラリ・スナップショットとの間の類似度演算を記号的に例示する図である。図９Ｂは、図９Ａにおける比較についての類似度のスコアの図であり、最高の類似度が示されている。

Claims (21)

1. システムを監視するセンサを備えた前記システムにおいて動作状態の移行を検出するための装置であって、
   モデルを備え、前記モデルは、
   監視される前記システムの実際の動作を表す実際のセンサ値の実際のスナップショットを受信する手段と、
   監視される前記システムの正常の動作を示すセンサ・データのリファレンスのスナップショットを記憶するリファレンス・ライブラリであって、それぞれの前記実際のスナップショットおよび前記リファレンスのスナップショットは、監視される前記システムの様々なパラメータを測るセンサ値を含むものであり、それぞれの前記スナップショットは、１つの時点における監視される前記システムの動作を示すものである、リファレンス・ライブラリと、
   前記リファレンスのスナップショットと前記実際のスナップショットとの両方を用いる計算を行うことにより、センサ値の推定値を生成して推定のセンサ値の推定のスナップショットを形成する手段と
   を備えるものであり、かつ前記装置は、
   グローバル類似度エンジンを備え、前記グローバル類似度エンジンは、グローバル類似度スコアを生成するものであり、前記グローバル類似度スコアは、推定のスナップショットと実際のスナップショットとの間での比較の結果を表す値であり、それぞれの前記グローバル類似度スコアは、前記推定のスナップショット中の複数のセンサ値と前記実際のスナップショット中の複数のセンサ値との間の類似の度合いを表すものであり、かつ前記装置は、
   状態移行検出器を備え、前記状態移行検出器は、監視される前記システムの１つの動作状態から別の動作状態への移行段階の開始を判定するものであり、
   前記グローバル類似度エンジンからグローバル類似度スコアを受信し、
   前記実際のスナップショットにより確立された順に基づいて前記グローバル類似度スコアを連続的に配列し、
   監視される前記システムの安定した動作を示す、グローバル類似度スコアの値の範囲を、グローバル類似度スコアを用いる計算を用いて確立し、
   前記連続的な配列に沿った第１の点におけるグローバル類似度スコアの値が前記範囲の外にある場合、前記第１の点が移行段階の開始であるかを判定するものである、
   装置。
2. 前記グローバル類似度エンジンは類似演算子を使用して、前記推定のスナップショット中の推定のセンサ値と前記実際のスナップショット中の実際のセンサ値との対応する対の間での類似度を計算し、それぞれの対についてのエレメントの類似度の値を形成する、請求項１に記載の装置。
3. 前記グローバル類似度エンジンは、１つの値を生成するために前記エレメントの類似度を用いる計算を使用することにより前記エレメントの類似度を統計的に組み合わせてグローバル類似度スコアを生成する、請求項２に記載の装置。
4. 選択された前記範囲は、一連のグローバル類似度スコアの平均から、前記一連のグローバル類似度スコアについての標準偏差の倍数を減算したものに等しい、低いしきい値を有する、請求項１に記載の装置。
5. 前記倍数は１から３の範囲である、請求項４に記載の装置。
6. 前記状態移行検出器は、前記連続的な配列に沿った所定数の連続するグローバル類似度スコアの組における少なくとも選択された最小数のグローバル類似度スコアが、選択された前記範囲の外になるときに、動作状態の変化を示す、請求項１に記載の装置。
7. 前記推定のスナップショットは、前記推定のスナップショットと比較された前記実際のスナップショットを用いて計算されたものである、請求項１に記載の装置。
8. 前記推定のスナップショットは、前記推定のスナップショットを計算するために使用された実際のスナップショットの時点よりも前の時点のものを表す実際のスナップショットと比較されたものである、請求項１に記載の装置。
9. 前記範囲を計算するために用いられた前記グローバル類似度スコアは、前記連続的な配列に沿った前記第１の点の直前からの１以上の前の点を表す、請求項１に記載の装置。
10. 監視されるパラメータを有するシステムにおける動作状態の変化を検出する方法であって、
    前記システムの実際の動作状態を特徴付ける監視されるパラメータの実際の値の実際のスナップショットを受信するステップと、
    監視される前記システムの正常の動作を示すセンサ・データのリファレンスのスナップショットを受信するステップであって、それぞれの前記実際のスナップショットおよび前記リファレンスのスナップショットは、監視される前記システムの様々なパラメータを測るセンサ値を含むものであり、それぞれの前記スナップショットは、１つの時点における監視される前記システムの動作を示すものである、ステップと、
    前記リファレンスのスナップショットと前記実際のスナップショットとの両方を用いる計算を行うことにより、前記パラメータの値の推定値を生成して推定のセンサ値の推定のスナップショットを形成するステップと、
    グローバル類似度スコアを決定するステップであって、前記グローバル類似度スコアは、推定のスナップショットと実際のスナップショットとの間での比較の結果を表す値であり、それぞれの前記グローバル類似度スコアは、前記推定のスナップショット中の複数のセンサ値と前記実際のスナップショット中の複数のセンサ値との間の類似の度合いを表すものである、決定するステップと、
    監視される前記システムの１つの動作状態から別の動作状態への移行段階の開始を示すステップであって、
    前記実際のスナップショットにより確立された順に基づいて前記グローバル類似度スコアを連続的に配列することと、
    監視される前記システムの安定した動作を示す、グローバル類似度スコアの値の範囲を、グローバル類似度スコアを用いる計算を用いて確立することと、
    前記連続的な配列に沿った第１の点におけるグローバル類似度スコアの値が前記範囲の外にある場合、前記第１の点が移行段階の開始であるかを判定することと、
    を含む示すステップと
    を備える方法。
11. 前記決定するステップは、受信した実際のパラメータの値のスナップショットと、関連する推定値のスナップショットとの対応するエレメントを比較して、エレメントの類似度を生成することと、１つの値を生成するために前記エレメントの類似度を用いる計算を使用することにより前記エレメントの類似度を統計的に組み合わせて前記グローバル類似度スコアを生成することとを含む、請求項１０に記載の方法。
12. 前記推定のスナップショットは、前記推定のスナップショットと比較された前記実際のスナップショットを用いて計算されたものである、請求項１０に記載の方法。
13. 前記推定のスナップショットは、前記推定のスナップショットを計算するために使用された実際のスナップショットの時点よりも前の時点のものを表す実際のスナップショットと比較されたものである、請求項１０に記載の方法。
14. 選択された前記範囲は、一連のグローバル類似度スコアの平均から、前記一連のグローバル類似度スコアについての標準偏差の倍数を減算したものに等しい、低いしきい値を有する、請求項１０に記載の方法。
15. 前記倍数は１から３の範囲である、請求項１４に記載の方法。
16. 前記示すステップは、所定数の連続するグローバル類似度スコアの組における少なくとも選択された最小数のグローバル類似度スコアが前記選択された範囲の外になるときに、動作状態の変化を示すステップを含む、請求項１０に記載の方法。
17. 前記範囲を計算するために用いられた前記グローバル類似度スコアは、前記連続的な配列に沿った前記第１の点の直前からの１以上の前の点を表す、請求項１０に記載の方法。
18. モデルを用いて監視されるシステムが動作状態に安定するときを判定する方法であって、
    前記システムの動作を特徴付ける監視されるパラメータの実際の値の連続する実際のスナップショットを受信するステップと、
    監視される前記システムの正常の動作を示すセンサ・データのリファレンスのスナップショットを受信するステップであって、それぞれの前記実際のスナップショットおよび前記リファレンスのスナップショットは、監視される前記システムの様々なパラメータを測るセンサ値を含むものであり、それぞれの前記スナップショットは、１つの時点における監視される前記システムの動作を示すものである、ステップと、
    前記リファレンスのスナップショットと前記実際のスナップショットとの両方を用いる計算を行うことにより、パラメータ値の推定値のスナップショットを生成するステップと、
    グローバル類似度スコアを生成するステップであって、前記グローバル類似度スコアは、推定のスナップショットと実際のスナップショットとの間での比較の結果を表す値であり、それぞれの前記グローバル類似度スコアは、前記推定のスナップショット中の複数のセンサ値と前記実際のスナップショット中の複数のセンサ値との間の類似の度合いを表すものである、生成するステップと、
    前記グローバル類似度スコアに基づいて、移行段階の後の前記システムの前記動作状態の安定化を示すステップであって、
    前記実際のスナップショットにより確立された順に基づいて前記グローバル類似度スコアを連続的に配列することと、
    監視される前記システムの安定した動作を示す、グローバル類似度スコアの値の範囲を、前記連続的な配列に沿った点を表すグローバル類似度スコアを用いる計算を用いて確立することと、
    前記連続的な配列に沿った第１の点におけるグローバル類似度スコアの値が前記範囲の外にある場合、前記第１の点が移行段階の終了であり安定した動作の開始であるかを判定することと、
    を含む示すステップと
    を備える方法。
19. 前記示すステップは、
    前記連続的な配列に沿った１つの点の直前に位置する所定数の連続するグローバル類似度スコアの組を確立するステップと、
    前記組における少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前の前記グローバル類似度スコアに関連した選択された範囲内にあるときに、前記１つの点を第１の点として識別し、前記システムの動作状態が安定していることを識別するステップと、
    前記連続的な配列に沿ったそれぞれの前記グローバル類似度スコアに対して前記確立するステップと前記識別するステップとを、安定した動作状態が識別されるまで反復するステップと
    を含む、請求項１８に記載の方法。
20. 前記示すステップは、
    前記連続的な配列に沿った１つの点の直前に位置する所定数の連続するグローバル類似度スコアの組を確立するステップと、
    前記組における少なくとも選択された数の連続するグローバル類似度スコアのそれぞれが、前記組における前の前記グローバル類似度スコアの平均に関連した選択された範囲内にあるときに、前記１つの点を第１の点として識別し、前記システムの動作状態が安定していることを識別するステップと、
    前記連続的な配列に沿ったそれぞれの前記グローバル類似度スコアに対して前記確立するステップと前記識別するステップとを、安定した動作状態が識別されるまで反復するステップと
    を含む、請求項１８に記載の方法。
21. 前記範囲を計算するために用いられた前記グローバル類似度スコアは、前記連続的な配列に沿った前記第１の点の直前からの１以上の前の点を表す、請求項１８に記載の方法。

Images