JP5306902B2 - 資産システムの高性能条件監視のためのシステムおよび方法 - Google Patents

Description

本発明は、一般には、条件ベースの保守（ＣＢＭ）に関し、具体的には、スマートセンサを使用して、資産保守アジリティおよび応答性を改善し、資産の運用可用性を向上させ、資産のライフサイクル合計維持コストを削減する、資産の高性能条件監視に関する。

産業活動およびインフラストラクチャ活動をサポートする重要機能および時間制約型機能を実施する固定設備装置に、数十億ドルが投資されている。問題のある装置が故障し、装置がその一部となるシステムの効率に著しく影響を及ぼし、さらにはより深刻には、故障した装置を超えて著しく蔓延する物理的損傷を引き起こす前にその装置を分離または修復するために、こうした装置の劣化を迅速に識別することが不可欠である。

保守は、多年にわたって、純粋に装置故障に反応することから（修正保守）、時間ベースの予防的保守を実施することまで進化し、今日では、システム／資産の条件に基づいて保守を実施する必要が重要視されている（条件ベースの保守）。異常検出は、装置監視、障害診断、およびシステム予測において重要な作業である。異常検出は、システム状態に対する変化を監視して、障害のある挙動を検出することを含む。早期の異常検出は、２次的損傷および装置ダウン時間を引き起こす潜在的な障害が進行する前に、適時の保守処置を行うことを可能にする。異常検出のための従来の手法は一般に、単変量技法を使用して、個々のセンサの測定値の変化を検出する。しかし、一般に、システムの状態は、一緒に考慮される様々なセンサ測定値間の相互作用および相互関係によって特徴付けられる。

保守アジリティおよび応答性を改善し、運用可用性を向上させ、ライフサイクル合計維持コストを削減する、条件ベースの保守（ＣＢＭ）がますます求められている。

簡潔には、資産システムの高性能条件監視のための方法は、
資産システムの動作空間を複数の動作レジームにセグメント化するステップと、
複数の自動連想ニューラルネットワーク（ＡＡＮＮ）を使用して、複数の動作レジームのうちの少なくとも１つの中の少なくとも１つのセンサで感知された実際の値の推定を求めるステップと、
推定感知値と、複数の自動連想ニューラルネットワークのそれぞれから少なくとも１つのセンサで感知された実際の値との間の残差を求めるステップと、
ファジィ監視モデルブレンダを使用することによって残差を組み合わせるステップと、
組み合わせた残差に対して障害診断を実施するステップと、
組み合わせた残差の解析によって資産システムの動作の変化を判定するステップと、
資産システムの動作の変化が判定された場合、警報を供給するステップと
を含む。

本発明のさらに別の態様では、スマートセンサシステムが、資産システムの動作条件を監視するスマートセンサであって、ケーブルを介して入力ポートに接続されるスマートセンサと、上の段落で列挙した方法を使用する資産システムの高性能条件監視のためのオンボード処理装置とを備える。

添付の図面を参照しながら以下の詳細な説明を読むときに、本発明の上記および他の特徴、態様、および利点をより良く理解されよう。添付の図面では、同様の文字は図面全体にわたって同様の部分を表す。

本発明の一実施形態による高性能条件監視装置の略図である。 オペレータ制御設定シーケンスのフローチャートである。 時系列の終わりでオーバーホールされたターボファンエンジンからのセンサデータの正規化時系列のグラフである。 図３Ａの正規化時系列に対して適用された、変更検出のためのホテリングのＴ^２統計量の計算の出力である。 とがりを使用して、正常からの逸脱を識別することを示す図である。 ６個のシステムモニタに関する模擬データを示す図である。 カラーコード化マップを使用して、ホテリングのＴ^２に対する個々の変数の寄与を表示する図である。 エントロピー尺度および少数決定尺度を使用するアウトライア識別を示す図である。 センサ障害に関するデータ生成のグラフであり、正常センサ測定値が左側のグラフに表示され、次いで、個々のセンサ障害（読取り値オフセット）が、右側のグラフの赤の矢印が示す場所に注入される。 変数寄与マトリックスの表示であり、強調表示されたスポットは、高Ｔ^２スコアの原因となるセンサを示す。 ホテリングのＴ^２統計量のグラフであり、ピークとなるＴ^２値は、センサ読取り値の異常を示す。 システム障害に関するデータ生成を示す図であり、破線の後のデータ点がシステム障害下で生成される。 変数寄与マトリックスの表示であり、強調表示されたスポットは、高Ｔ^２スコアの原因となるセンサを示す。 ホテリングのＴ^２統計量のグラフであり、高Ｔ^２値は、センサ測定値の異常を示す。 ７−５−３−５−７自動連想ニューラルネットワーク（ＡＡＮＮ）のアーキテクチャの図である。 ＡＡＮＮを使用する異常検出パラダイムの図である。 典型的な生センサ測定値Ｘ１（ｔ），．．．，Ｘ９（ｔ）のサンプルの表示である。 図１５（Ａ）の生センサ測定値Ｘ１（ｔ），．．．，Ｘ９（ｔ）に対応する残差値Ｒ１（ｔ），．．．，Ｒ９（ｔ）のグラフである。 第５変数を測定するセンサデータに大きい階段関数を注入した後の残差値を示す図である。 飛行エンベロープを使用する様々な動作レジームの図である。 様々な動作レジームからのテストセットに関する様々なＡＡＮＮモデルの残差を示す図である。 様々な動作レジームからのテストセットに関する様々なＡＡＮＮモデルの残差を示す図である。 様々な動作レジームからのテストセットに関する様々なＡＡＮＮモデルの残差を示す図である。 様々な動作レジームからのテストセットに関するグローバルＡＡＮＮモデルの残差を示す図である。 様々な動作レジームからのテストセットに関するグローバルＡＡＮＮモデルの残差を示す図である。 様々な動作レジームからのテストセットに関するグローバルＡＡＮＮモデルの残差を示す図である。 システム動作レジームの遷移の図である。 システム動作レジームの遷移の図である。 飛行レジーム遷移と、飛行動作レジームを定義する変数に関するファジィメンバーシップ関数の図である。 飛行レジーム遷移と、飛行動作レジームを定義する変数に関するファジィメンバーシップ関数の図である。 ファジィ監視モデルによるＡＡＮＮ補間のスキームの略図である。 図２３（Ａ）および２３（Ｂ）は、飛行レジームが図２０（Ａ）および図２０（Ｂ）で定義される軌跡に沿って通過するときのＡＡＮＮ＿１およびＡＡＮＮ＿２からの残差のグラフである。 図２３（Ａ）および２３（Ｂ）は、飛行レジームが図２０（Ａ）および図２０（Ｂ）で定義される軌跡に沿って通過するときのＡＡＮＮ＿１およびＡＡＮＮ＿２からの残差のグラフである。 図２３（Ｃ）は、ファジィ監視モデルからの残差のグラフである。 「現在」地点を軸のトップセット上の「過去」と比較する、時系列障害検出に対する一般的手法のグラフであり、下端軸上で、差をより際立たせるために小さいバッファが使用されない。 図２５（Ａ）〜（Ｃ）は、元のデータの置換検定、ランダム再ラベリングの１つの実現、ならびにそれぞれ１００，０００個の置換（実線）および元の順序（破線）についての検定統計量の分布の図である。 赤線でオフセット変化が生じる時系列の単変量変更検出の一例を示すグラフであり、破線が各技法についての警報しきい値である場合、円で囲んだ点が、変更が検出される所である。

同一の参照番号が様々な図全体にわたって同一の要素を示す図面を参照すると、図１は、本発明の一実施形態による、タービン、モータなどの装置（図示せず）の１つまたは複数の部分の高性能条件監視のための１つまたは複数のスマートセンサ１２を備えるスマートセンサシステム１０を示す。本明細書で定義されるように、装置の１つまたは複数の部分は、資産システム（図示せず）を含む。図示される実施形態では、４つのセンサ１２が、スマートセンサシステム１０で監視すべき資産システムの装置の１つまたは複数の部分の注目の物理パラメータの動作条件を監視する。スマートセンサシステム１０で監視される動作条件は、限定はしないが、圧力、温度、振動などを含む。本発明はセンサ１２の数によって限定されず、資産システムを監視する任意の望ましい数のセンサで本発明を実施できることを理解されよう。さらに、本発明は注目の物理パラメータの動作条件を監視するセンサに限定されず、センサ（複数可）１２で測定することのできる任意の条件を有する任意の機器、装置、またはシステムを監視するセンサで本発明を実施できることを理解されよう。

資産システムは、システム１０で監視中の装置を識別する装置タグ（図示せず）を備える装置を含むことができる。センサ１２からの信号が生成され、ケーブル１４でスマートセンサシステム１０の入力ポート１６に移送される。複数のセンサ１２に対して単一の入力ポート１６が存在することができ、あるいは、各センサ１２について単一の入力ポート１６が存在することができる。スマートセンサシステム１０は、アナライザ設定に加えて計算結果を表示することができ、または警報を開始することができるディスプレイおよび警報ユニット１８を有することができる。計算結果は、出力ポート２０を介しても利用可能である。スマートセンサシステム１０はまた、オペレータの手で設定することのできる１つまたは複数のローカル制御２２で制御できる。入力ポート３０を介して入力される命令によってシステム１０を制御することもでき、プログラムすることもできる。システム１０は、スマートセンサ１０からパーソナルコンピュータなどの周辺処理装置２６に信号をワイヤレスに送信する内蔵アンテナ（図示せず）を備えるワイヤレス通信ユニット２４を含む。この機能は、インターネットあるいは他の有線ネットワークまたはワイヤレスネットワークを介するリモート操作を可能にする。システム１０はまた、電池、エネルギーハーベスタなどの電源２８をも含む。周辺処理装置２６とリモートに通信する複数のそのようなスマートセンサシステム１０を分散式に配置して、広分散システム（例えば、発電所、インフラストラクチャ資産）にわたって高性能条件監視を達成することができる。

スマートセンサシステム１０は、コンピューティングハードウェアと、メモリと、アナログ−デジタル変換器などのセンサインターフェース回路とを備えるオンボード（組込み）処理装置１１を含む。一実施形態では、スマートセンサシステム１０のオンボード処理装置は、センサ入力１６から導出されたデータに対するホテリングのＴ^２検定を実施する。信号解析の技術分野で周知のように、ホテリングのＴ^２検定は、データ値のクラスタの重心のシフトなどのプロセスシフトを検定するのに有効な検定である。ホテリングのＴ^２検定がプロセスシフトを識別するためには、初期監視活動について少なくとも２つの構成のうちの一方に従うことが必要である。第１の構成は、複数のセンサが存在し、監視が、複数のデータクラスタ間のマハラノビス距離に基づいてプロセスシフトを検出することを試みることに進む場合である。第２の構成は、単一のセンサが存在する場合である。この場合、単一のセンサからのデータをそれ自体の遅延バージョンと共に処理することが必要である。

資産システムの高性能条件監視のために２つの別個のパーティでスマートセンサシステム１０をプログラムすることができる。第１パーティは装置技術者である。装置技術者は、制御、例えば限定はしないが、サンプリングレート、サンプル数、解析ウィンドウサイズ、ポストフィルタリング操作の選択および同調、データ出力フォーマットおよび移送タイプ、ならびに結果の表示フォーマットを設定する。第２パーティは装置オペレータである。オペレータも、制御、例えば限定はしないが、使用すべきセンサの数およびタイプ、感知されたデータについてのデータ遅延、ならびに実施すべきデータ収集およびデータ処理のタイプを設定する。オペレータ制御設定シーケンスの典型的な流れ図が図２に示されている。ステップＳ２．１では、装置識別子が高性能条件監視システム１０に入力される。装置識別子は装置識別タグ上にある。装置識別子は、数字、文字、および、例えば限定はしないが、バーコードなどの他の情報担持文字を含むことができる。装置識別子はまた、例えば限定はしないが、ＲＦＩＤ装置など、電子的かつ非視覚的に存在することもできる。高性能条件監視システム１０への装置識別子の入力は、例えば限定はしないが、オペレータが見て入力する視覚的識別タグ、バーコードリーダ、およびＲＦＩＤリーダを含むいくつかの経路のうちの１つを介するものでよい。次いで、オペレータ制御設定シーケンスはステップＳ２．２に進み、オペレータが後続の監視活動で使用すべきセンサの数を設定する。次いで、オペレータ制御設定シーケンスはステップＳ２．３に進み、オペレータがセンサ入力に関するデータ遅延を設定する。少なくとも１つの非ゼロデータ遅延を使用する一実施形態は、単一のセンサが存在する活動を監視することを含む。ステップＳ２．２で入力されたセンサの数が１であり、ステップＳ２．３で非ゼロデータ遅延が入力される場合、高性能条件監視システム１０は、単一センサデータがその遅延バージョンと共に処理されるようにその処理を構成する。次いで、オペレータ制御設定シーケンスはステップＳ２．４に進み、オペレータは、後続の監視活動が比較ランであるべきかどうかに関して照会を受ける。オペレータが「Ｎｏ」を入力した場合、高性能条件監視システム１０は、同じ装置識別子についての以前の監視活動のデータまたは結果を必要とすることなく、または参照することなく、ホテリングのＴ^２統計を実施するように高性能条件監視システム１０自体を構成し、オペレータ制御設定シーケンスはステップＳ２．８に進み、高性能条件監視システム１０は、監視データを取得する準備ができる。オペレータが「ｙｅｓ」を入力した場合、オペレータ制御設定シーケンスはステップＳ２．５に進み、オペレータは、最後の監視活動からの格納された平均ベクトルを使用することをオペレータが望むかどうかに関して照会を受ける。オペレータが「Ｙｅｓ」を入力した場合、オペレータ制御設定シーケンスはステップＳ２．７に進み、高性能条件監視システム１０は、同一の装置識別子についての最後の監視活動の平均ベクトルをロードし、あるいはそれにアクセスする。次いで、オペレータ制御設定シーケンスはステップＳ２．８に進み、高性能条件監視システム１０は、監視データを取得する準備ができる。オペレータが「Ｎｏ」を入力した場合、オペレータ制御設定シーケンスはステップＳ２．６に進み、同一の装置識別子についての最後の監視活動からの実際のランデータをロードすることをオペレータが望んでいることが想定される。次いで、制御はステップＳ２．８に進み、高性能条件監視システム１０は監視データを取得する準備ができる。

ＧＥ９０航空機エンジンからの実際の監視データを使用して、ホテリングのＴ^２技法がテストされた。図３Ａは、劣化のためにサイクル２Ｎでオーバーホールされた時を含む期間にわたってターボファンエンジンから収集されたいくつかの例示的センサデータを提示する。サイクル（番号）とラベルが付けられた横座標に対する３つのトレースが示されている。上端のトレースは、排気ガス温度（ＥＧＴ）のものである。中央のトレースは燃料流量（ＷＦＭ）である。下端のトレースはコア速度（Ｎ２）である。エンジン劣化が進行するときにセンサ測定値のシフトの明らかな傾向がないことを理解されよう。図３Ｂは、図３Ａのデータを使用するホテリングＴ^２検定の計算の出力を提示する。ホテリングＴ^２統計量が比較的低い値の範囲からずっと高いレベルに上昇し、この場合は劣化を示すデータ傾向を示すことに留意されよう。Ｔ^２統計量の増加は、システム状態が正常から逸脱することを明らかにする。

複合システムの動作の変化がホテリングのＴ^２統計量で識別されると、この方法は、正常動作からの逸脱を駆動するシステム関連変数を分離することに進む。全体的に、ホテリングのＴ^２統計量は単純であるが非常に有効な技法であり、計算の必要がわずかである。こうした特徴により、オンライン監視とハンドヘルド装置のどちらで配置するのにも適している。複合システムの変化がセンサによって引き起こされた場合、センサ障害を補正することができる。一方、複合システムの変化がシステム関連のものである場合、システム障害を報告することができる。

発生したホテリングのＴ^２統計量に対して選択的後処理を実施することが可能であり、そのことは非常に有用であることがある。この後処理を、統計量上昇率、しきい値超過の時間、データ傾向の持続時間などのデータを明らかにするように設計することができる。後処理方法および技法は、例えば限定はしないが、Ｌ１、Ｌ２または他のノルム最小化技法に基づく曲線フィッティング、ウェーブレット、モデルフィッティング、中央値フィルタリング、および他の雑音解除技法を含む。

［多変量変化検出］
複合システムでは、１組のセンサからの多くの変数のすべてを完全に計測および較正することは不可能である。これは、複合システムが非常に多数の状態の中を推移し、さらには複合システムが、各モードが状態空間内で固有の正常動作エンベロープを示す非常に多数のモードで動作するからである。

したがって、複合システムの正常からの動作逸脱を明らかにする一般的テストを考案することは極めて困難であり、おそらくは不可能であるが、大型複合システムの実装および配置に関連するコストのために、正常性逸脱、そのような逸脱の時間の点での局所化、および正常動作からの逸脱を導出するシステム関連の変数の識別のための有効な一般的テストをより良好に近似するために革新的な労力を費やすことが不可欠である。さらに、テスト結果の公称数よりも多くの初期解析を必要としない、正常からの複合システムの動作逸脱の著しくかつ容易に認識される変化を反映する経路を発生させることが望ましく、すなわち、システムの動作状態の著しい変化があるならばそれが単一のテスト結果に明確に反映されることが理想的である。

本発明の方法の一態様は、複合システムが正常動作から逸脱する時を判定するのに複合システムの監視データの信号処理が使用されることである。この方法はまた、正常動作からの逸脱をそのデータが示しているシステム関連の監視変数を識別する。

ホテリングのＴ^２統計量、あるいはＴ^２は、信号処理の技術分野で周知である。ホテリングのＴ^２統計量は、ハロルドホテリングによって最初に提案され、統計の技術分野で周知の別の技法であるマハラノビス距離の２乗であり、多変量仮説テストで使用されるステューデントのｔ統計の一般化である。ホテリングのＴ^２統計量は、平均値
μ＝（μ_１，μ_２，．．．，μ_ｐ）
を有する１組のｐ個の変数
ｘ＝（ｘ_１，ｘ_２，．．．，ｘ_ｐ）
と、ｐ×ｐ共分散行列Ｗに関して定義され、ただしＷは、システム関連の変数の取得されたｎ個のスナップショットから形成される。

ホテリングのＴ^２統計量ｔ^２は、
ｔ^２＝（ｘ−μ）’Ｗ^−１ （ｘ−μ）
と定義される。予期されるホテリングのＴ^２統計量ｔ^２の挙動は、
ｘ＝（ｘ_１，ｘ_２，．．．，ｘ_ｐ）
が結合ｐ変量ガウス分布を構成するという仮定に基づく。実際には、そのような分布が見られることは決してない。しかし、ホテリングのＴ^２統計量、および同じ仮定の上に予測される多くの他の統計量は、システム解析に対して計り知れない価値をもたらす。

ホテリングのＴ^２統計量を使用するとき、一般には、システムが安定な動作間隔内にあると合理的に考えられるときに、システム関連の変数を観測するセンサから取得されたデータを有するトレーニング期間を提供することが賢明である。そのような間隔中、平均値
μ＝（μ_１，μ_２，．．．，μ_ｐ）
が存在すると推定され、平均化によって平均値を導出することができる。

１次元ホテリングのＴ^２統計量が検出可能な変化を示すことを引き起こすのは、ｐ次元共分散行列Ｗの変化、または平均値μの変化である。複数の測定されたシステム関連の変数の、単一のホテリングのＴ^２統計量への次元削減を利用するため、および２つの組のスナップショットΔｔ^２にわたるホテリングのＴ^２統計量の変化を効率的に生成するために、以下を計算することによって計算を実施することができる。

上式で、Ｗ_１
および
Ｗ_２，ｘ
および

および
μ
および

はそれぞれ、第１組および第２組のスナップショットにわたって計算される。

スナップショットセンサデータが、劣化のためにオーバーホールされた時を含む期間にわたってターボファンエンジンから収集された。図３Ａは、１１個の変数のうちの３つの正規化センサ測定値である排気ガス温度ＥＧＴ、燃料流量ＷＦＭ、およびコア速度Ｎ２を示す。図３Ａから、エンジンが劣化するときにセンサ測定値の明らかな傾向またはシフトがないことがわかる。まず、サンプル平均およびサンプル共分散を推定するのに最初の１０００飛行サイクル（ポイント）からのデータが使用された。次に、Ｔ^２統計量が、ＥＧＴ、ＷＦＭ、Ｎ２、およびいくつかの他の主要なパラメータを含むすべてのデータから直接的に計算された。図３Ｂでは、Ｔ^２スコアの上方への傾向を確認することができ、エンジンのオーバーホールを引き起こしたエンジン劣化レベルに近づくにつれて高い値を示す。

ホテリングのＴ^２統計量の計算に関係する主な作業は、共分散行列の計算である。この行列を多くの方式で推定することができる。こうした方式は、暗黙的な限定なしに、個々の変数値の順次的な組をまず取得し、取得した値にわたって変数の平均を計算し、変数のそれぞれの組から平均を減じ、次いで適切な対の乗算およびサンプルサイズ除算を実施する直接的な手法を含む。共分散行列の推定はまた、様々な変数の対にわたって最小体積の楕円体を形成することによって形成することもできる。この方法は、壊れたデータの存在下で非常に堅固であることが知られており、アウトライアおよび他の疑われる破壊データの適切な処理と共に、方法は、変数の平均および共分散行列のエントリの良好な推定をもたらす。共分散行列を推定するさらに別の手段は、ｎ個のスナップショットにわたって連続的な差分推定量を構築することによるものである。この推定量は、
ｘ＝（ｘ_１，ｘ_２，．．．，ｘ_ｎ）
から
ｉ＝１，２，．．．，ｎ−１
について
Ｖ_１＝ｘ_ｉ＋１−ｘ_ｉ
として構築され、

を形成するのに使用される。

システム劣化のいくつかの重要なケースでは、システム関連の監視される変数の平均が、ゆるやかな線形ドリフトを有することがある。ホテリングＴ^２統計量は、共分散行列の推定を構築するのに使用される連続的差分が１よりも離れた間隔で配置される場合に、こうしたドリフトを明らかにする可能性がより高くなる。したがって、サンプル番号差分δにわたって連続的差分

を形成する処理オプションを含めることは価値がある。ただし
σ＞１
である。

ホテリングＴ^２統計量の著しい変化、または一連のスナップショットにわたるホテリングＴ^２統計量の対変化を見つける多数の可能な技法が存在する。こうした技法は、例えば限定はしないが、エネルギーテストおよび高次モーメントテスト、具体的には、４次累積率を分散の２乗で割り、次いで３を引くことによって計算される過剰なとがりの使用を含む。図４は、サンプルＴ^２データについてスライディングウィンドウの幅２０サンプルにわたって計算されたとがりのプロットを表示する。最初の異常点がサンプル番号５５のウィンドウに入ったときにとがりが増大することに留意されたい。他の技法はしきい値を設定することを含む。適切なしきい値をいくつかの方式で考案することができる。例えば、限定はしないが、正常システム動作中に取得された履歴データを解析し、その履歴データの第１部分を使用して、システム関連の監視変数の平均と、システム関連の監視変数の共分散行列とを推定することによってしきい値を選ぶことができる。第１部分と重複しない履歴データの第２部分を使用して、Ｔ^２統計量の挙動を記述する確率密度関数を識別することができる。次いで、しきい値をいくつかの異なる方式で設定することができる。そのような一方式は、例えば限定はしないが、正常動作の下での偽警報の確率および偽警報の予想費用を計算し、正常動作の下でのサンプル当たりの費用が、課される費用以下となるようにしきい値を設定することである。

［システム変更および変数含意］
複合システムの動作の変化がホテリングのＴ^２統計量で識別されると、方法は、正常動作からの逸脱を駆動するシステム関連の変数を分離することに進む。このステップを実施する一方式は、まずホテリングのＴ^２統計量をその主成分によって表現することである。このことが、まずＴ^２を

として表現することによって行われる。上式で、
λ_ａ，ａ＝１，２，．．．，ｎ
は共分散行列Ｗの固有値であり、
ｔ_ａ
は主成分変換からのスコアである。
Ｓ_ａ ^２はｔ_ａの分散である（主成分の分散はＷの固有値である）。各スコアｔ_ａを以下のように表現することができる。

上式で、ｐ_ａはλ_ａに対応するＷの固有ベクトルであり、
ｐ_ａ，ｊ，ｘ_ｊ，μ_ｊは、ｊ^ｔｈの変数に関連する、対応するベクトルの要素である。この表現により、各変数ｘ_ｊの主成分のスコアａへの寄与がｐ_ａ，ｊ（ｘ_ｊ−μ_ｊ）であることがわかる。この情報を使用して、ホテリングのＴ^２メトリックで測定された異常に対して最も強い影響を与えた変数を識別することができる。

次のステップは、正規化スコア（ｔ_ａ／ｓ_ａ）^２に現れる変数の寄与ｃｏｎｔ_ａ，ｊを計算することである。
ｃｏｎｔ_ａ，ｊ＝（ｔ_ａ／ｓ_ａ ^２）ｐ_ａ，ｊ（ｘ_ｊ−μ_ｊ）
を得る。次いで、加算

により、変数ｘ_ｊの全寄与を計算する。このとき、ホテリングのＴ^２統計量を、スコアのすべてにわたるすべての変数の寄与の和として以下のように書くことができる。

例えば限定はしないが、複合システムが正常動作から逸脱する時を判定し、様々な変数の寄与を評価する技法のうち、図５のグラフで示される順次値を示す６個の変数
ｘ_１，ｘ_２，．．．，ｘ_６
が存在することを考慮する。６個の変数に対して使用されるデータ
ｘ_１，ｘ_２，．．．，ｘ_６
が、ガウス確率変数発生器の独立のサンプリングから導出され、以下に従って修正された。

ホテリングＴ^２統計量、すなわちＴ^２が、図５のデータに関して計算され、６個の変数のそれぞれの最初の５０サンプルを使用して共分散行列が推定される。次のステップは、統計量がしきい値を超える地点でのホテリングＴ^２統計量に対する６個の変数からの様々な寄与を示すことである。このことは、いくつかの方式で行うことができる。例えば、限定はしないが、データ点ｉでの主成分のスコアに対するｊ番目の変数の寄与の大きさＭ_ａ，ｊは
Ｍ_ａ，ｊ＝｜ｐ_ａ，ｊ（ｘ_ｊ−μ_ｊ）｜
であり、大きさの変数寄与のすべてにわたって正規化された相対的大きさがＭ’_ａ，ｊとして表され、

として計算される。オペレータが結果を解釈する助けとなるように、カラーコーディングを使用して寄与の大きさおよび相対的大きさを表示することができる。図６は、カラーコーディングを使用して、すべての１００個の点でのホテリングＴ^２統計量に対する６個の変数からの様々な寄与を示す。カラーコード化ブロックグリッドは、横座標上に列挙された６個の変数
ｘ_１，ｘ_２，．．．，ｘ_６
からの縦座標に対する相対的寄与を表示する。

別の実施形態では、図７で識別されるようなアウトライアを、

であるエントロピー尺度Ｅ_ｉと、
ｍ_ｉ＝１−ｍａｘ_ｊ（Ｍ’_ｉ，ｊ）
である少数決定尺度ｍ_ｉで区別することもできる。図７は、しきい値を超過するＴ^２の点についてのＥ_ｉおよびｍ_ｉをプロットする。例示のために、２つの異なるしきい値を考慮する。図７の左側の第１しきい値は、結果としてＴ^２計算値のうちの５個がしきい値を超えるしきい値である。図７の右側の第２しきい値は、結果としてＴ^２計算値のうちの１０個がしきい値を超える、より低いしきい値である。

複合システムが正常動作から逸脱する時を判定し、様々な変数の寄与を評価する技法の別の例として、図８のグラフとして示されているような順次値を示すＧＥ９０サイクルデッキモデルからの９個のクリティカルセンサ
ｘ_１，ｘ_２，．．．，ｘ_９
が存在することを考慮する。サイクルデッキが効率および流れの損失なしに正常飛行条件下でシミュレートされる間に、９個の変数
ｘ_１，ｘ_２，．．．，ｘ_９
に対して使用されるデータが生成された。こうしたデータを「障害なし」データとみなすことができる。センサ障害をシミュレートするために、異なる時間のセンサ読取り値の一部を意図的に修正した。
ＺＰＣＮ２５（１３０）＝１００
ＰＳ３（１５０）＝１７０
Ｔ３（１７０）＝１３１０
ＺＴ４９（１８１：１８５）＝１７７０
次のステップは、ホテリングのＴ^２統計量に対する９個の変数からの様々な寄与を示すことである。このことは、いくつかの方式で行うことができる。オペレータが結果を解釈する助けとなるように、寄与の大きさおよび相対的大きさを表示することができる。ディスプレイをカラーコーディングすることができる。図９Ａは、示されるように、相対的寄与の大きさのマップを表示する。グリッドは、横座標上に列挙された９個の変数
ｘ_１，ｘ_２，．．．，ｘ_９
からの縦座標に対する相対的寄与を表示する。Ｔ^２統計量が、９個のセンサからの時系列データに基づいて計算され、それが図９Ｂに示されている。Ｔ^２統計量値のピークの位置は、センサ障害が注入された位置に対応する。高い寄与のあるセンサ変数が、Ｔ^２スコアの変化に関係することを示す。有望なことに、変数寄与解析を介して識別されるセンサはまさに、注入された障害を伴うセンサである。

システム障害をシミュレートするために、正常条件（「ｎｏｆａｕｌｔ」）からシステム障害に操作して、サイクルデッキモデルパラメータである流れおよび効率を再構成した。図１０に示されるように、破線の後の点はシステム障害に対応する。図１２では、Ｔ^２統計量が、システム障害が始まる２００から急速に増加する。さらに、寄与解析は、正常から逸脱するセンサを正確に認識し、それが図１１に示されている。複数のセンサが同時に障害を有する可能性は非常に低いので、ある程度までは、これがセンサ障害とシステム障害を区別する方式である。

異常な挙動が検出されると、必ずしも限定はしないが、電気的ケーブリング、電力線伝導を介する情報転送、イントラネット、インターネット、または無線を含む様々な方式のいずれかで、解析の結果を報告する警報をシステム監視機関に通信することができる。

［センサ検証］
信頼性の高い条件監視のために、正確なセンサ情報を有することが必要である。しかし、センサは時として不良であることがあり、さらには障害または保守活動のために利用不能となることがある。したがって、センサ検証は、条件監視の重要な部分である。センサ検証の従来の手法は、周期的な計器較正を必要とする。較正は、労働時間とプロセスダウン時間のどちらにおいてもコストが高い。

センサ検証に関連する問題に対処するために、本発明は、プラットフォーム配置センサのオンライン較正監視を実施することのできる自動連想ニューラルネットワーク（ＡＡＮＮ）ベースのセンサ検証モデルを使用する。このモデルの特徴は、モデル入力である生センサ測定値を、センサ値の対応するモデルベースの推定と比較することにより、センサドリフトまたはセンサ障害の検出を可能にすることである。さらに、生センサ測定値または実際のセンサ測定値とセンサ推定の間の残差の監視解析が、センサ障害とシステム障害とを区別する助けとなることができる。定義上、残差は、実際の測定または感知された値と、対応する推定値との差である。残差ベクトルは、１組の実際の値と、対応する推定値の組との差である。センサ測定値の小さいサブセットについての残差の著しい逸脱は、センサ（複数可）障害を示し、センサ測定値の大きなサブセットについての残差の著しい逸脱は、システム障害を示す。単一のセンサからの残差の逸脱は通常、センサ障害を示すのに対して、複数のセンサからの残差の複数の逸脱は通常、システム障害を示す。

ＡＡＮＮに対する入力は、その情報が組み合わされて中間層内に圧縮されるときに次元削減が行われる。例えば、図１３では、入力層内の７個のノードが、第２層（符号化）および第３層（ボトルネック）で、それぞれ５個のノード、次いで３個のノードに削減される。次いで、第３層内のノードが使用されて、次元拡張（第４層、復号化、および第５層、出力）を行うことによって元の入力が再現される。理想的なケースでは、ＡＡＮＮ出力は、入力と同一であるべきである。その差（図１４の残差）が、障害診断意思決定２６０で使用される。

このネットワークは本質的に、最大の非線形主成分（ＮＬＰＣＡ）−中間層内のノード−を計算して、変数間の相関を識別し、除去する。本願のような残差の生成に加えて、このタイプのネットワークを次元削減、視覚化、探索データ解析で使用することもできる。ＰＣＡは変数間の線形相関のみを識別し、一方ＮＬＰＣＡは、データ内に存在する非線形性の特性に関する制限なしに、線形相関と非線形相関をどちらも明らかにすることに留意されたい。ＮＬＰＣＡは、識別マッピングを実施するためにフィードフォワードニューラルネットワークをトレーニングすることによって動作し、ネットワーク入力が出力層で再現される。ネットワークは、ネットワークに入力データのコンパクトな表現を強制的に発生させる内部「ボトルネック」層（入力層または出力層よりも少数のノードを含む）と、２つの追加の隠れ層とを含む。隠れノードに埋め込まれた非線形関数は通常はｔａｎｓｉｇ型であり、中央ボトルネック層は、埋め込まれた線形変換関数を有する。

物理モデルを使用して、様々な動作条件下でセンサ読取り値の公称値を生成することができ、その結果、生センサ測定値と公称読取り値の間の残差（図１６）を使用して、経時的な変化をトレンドすることができる。しかし、物理モデルが利用可能ではないとき、生測定値から公称センサ読取り値を直接的に推論しなければならない。以前には、１つの測定値が失われた場合にその測定値を残りの有効なセンサからの推定で置き換えることができるという意味で、測定値中の情報が解析的に冗長であるとき、センサ検証のために自動連想ニューラルネットワーク（ＡＡＮＮ）が使用されていた。一方、本発明は、ＡＡＮＮを使用して、正常条件下でセンサ測定値を推定し、次いで生測定値と正常測定値の間の残差を使用して、センサ／システムの異常条件を推論することができる。

ＧＥ９０サイクルデッキモデルから生成された航空機エンジンデータを表す９値状態ベクトルを使用した。このデータセットを使用して、図１３に示されるアーキテクチャに従う９−５−３−５−９ ＡＡＮＮを構築した。センサ値を推定するニューラルネットワークが図１４に示され、この実施形態のニューラルネットワークは、例示のために過ぎず、限定ではないが、７個の入力、５個の符号化層ノード、３個のボトルネック層ノード、５個の復号化層ノード、および７個の出力を有する。そのようなニューラルネットワークアーキテクチャを７×５×３×５×７と呼ぶ。構造２００は、図形上の都合でボックス２１０内にグループ化された実際のセンサ値と、５ステージニューラルネットワーク２７０の入力層２１５に対する入力を表示する。実際のセンサ値は、コンバイナ２５０にも送られる。ニューラルネットワークの技術分野で周知の通り、入力層２１５の出力は、符号化層２２０に入力される。符号化層２２０の出力は、ボトルネック層２２５に入力される。ボトルネック層２２５の出力は、復号化層２３０に入力される。復号化層２３０の出力は、出力層２３５に入力される。復号化層２３５の出力は、図形上の都合でボックス２４０内にグループ化されたセンサ値の推定を構成する。センサ値推定はコンバイナ２５０に送られ、推定センサ値から実際のセンサ値を引くことによって残差２５５が形成される。残差がモジュール２６０に入力され、モジュール２６０は、推論される障害診断がある場合にそれを認識し、報告するために、残差に関して判定を実施する。意思決定モジュール２６０に対する２つの任意選択の入力が存在する。こうした入力２１２の第１のものは、内部情報モジュール２１１からのものであり、処理された内部情報を含む。処理された内部情報は、例えば限定はしないが、実際のセンサ値２１０の間で存在することが知られている物理ベースのモデルおよび関係を含む。こうした値が、実際のセンサ値２１０から内部情報モジュールに入力される。こうした入力２１４の第２のものは、外部情報モジュール２１３からのものであり、例えば限定はしないが、オペレータの記録、電力品質などのプラント電源パラメータ、装置動作点に対する一時的変更、および環境因子に関する、自動または手動で入力されたプラント情報を含む、収集され、処理された外部情報を含む。障害診断は、例えば限定はしないが、逐次確率比検定（ＳＰＲＴ）などの周知の統計技法を含むことができる。

図１５Ａおよび（Ｂ）は、システムまたはセンサ内に障害が存在しないときの、典型的な生センサ測定値のサンプルを図１５（Ａ）で示し、対応する残差値を図１５（Ｂ）で示す。こうした環境下で、残差は通常、生データよりも２桁小さい大きさである。次いで、第５変数（ＺＴ４９）を測定するセンサに大きな階段関数を注入し、対応する残差が最大の影響を示し、他の残差はずっと小さい変化を示すことに注目した。このことが図１６に示されている。

検出プロセスを自動化するために、生データ測定値の平均を使用して残差Ｒ_ｉを正規化すること、すなわち

を提案する。

次いで、

などの性能指数を計算し、残差の全体の大きさを評価することができる。ＦＯＭが指定のしきい値より小さい場合、異常が存在しないと宣言することができる。そうでない場合、異常が検出される。（パーセンテージで）大きい残差値が存在するとき、異常をセンサ障害として識別することができる。すべての残差がベースラインよりも大きいが、ＦＯＭに対して大まかには等しく寄与しているとき、以下の２つの可能性がある。

（１）システム障害である、または
（２）残差を生成するのにＡＡＮＮが適切ではない（すなわち、ＡＡＮＮが、現在の生データが抽出されたのとは異なる状態空間の領域でトレーニングされた）。

［様々な動作条件に関するセンサ検証］
システムが動作する動作条件または動作モードが変化したとき、システムの特性が、それに応じて変化することがある。例えば、ガスタービンは、ベース負荷、部分負荷、全負荷などの動作モードを有する。各モードの下で、システムの振舞いは異なり、それがシステム出力（電力など）およびそのセンサ測定値（温度、圧力、振動など）によって取り込まれる。前のセクションでは、ＡＡＮＮモデルを活用して、既知の動作レジーム内でセンサ検証を実施した。本質的に、システム特性を知るためにＡＡＮＮモデルが使用された。動作レジームが変化するとき、基礎となるＡＡＮＮモデルも変更（または再トレーニング）する必要がある。

例えば、限定はしないが、監視される機械が、高度（ＡＬＴ）、周囲温度（Ｔａｍｂ）、およびマッハ数（Ｍａｃｈ）に従って監視されているＧＥ９０航空機エンジンなどのジェットエンジンであることを考慮する。エンジンが３つの異なる動作レジームで動作し、動作条件間の遷移がいつ知られるかが既知であることを考慮する。図１７は、３つの動作条件が、高度、マッハ数、および周囲温度の軸を有する３次元空間内の体積の２次元射影として表現される例である。２次元高度−周囲温度空間に対する体積の射影が図１７に示されている。図示される、関連するグラフは、高度、マッハ数、および周囲温度の３つの軸に対する体積の投影を表す。動作軌跡内のジェットエンジンの動作、動作軌跡を通るジェットエンジンの動作、および動作軌跡間のジェットエンジンの動作の軌跡は、飛行エンベロープまたはＦＥと呼ばれる。各動作レジームから１０００個の正常動作点がランダムに生成された。生成された各動作点について、それに対応する９値状態ベクトルが存在する。

このデータセットを使用して、３つの動作レジームについての図１３に示されるアーキテクチャに従う３個の９−５−３−５−９ ＡＡＮＮをそれぞれ構築した。各ＡＡＮＮモデルのトレーニング段階中、９００個のデータ点が使用された。残りの１００個のデータ点は検定のために確保された。図１８（Ａ）〜（Ｃ）は、異なる動作レジームからのテストセットに対するＡＡＮＮモデルの残差を示す。ＡＡＮＮ１は、ｔｅｓｔｓｅｔ１が引き出された動作レジーム１内でトレーニングされたので、図１８（Ａ）の残差は小さい。図１８（Ｂ）のように、ｔｅｓｔｓｅｔ３に対するＡＡＮＮ３についても同じである。しかし、異なる動作レジームからのものである図１８（Ｃ）のｔｅｓｔｓｅｔ２に対してＡＡＮＮ１が検定されたとき、残差は通常、前の場合よりも１桁または２桁大きい大きさである。

異なる動作レジームに対処する別の方式は、すべての動作レジームにわたってグローバルモデルを構築することである。したがって、動作レジームが変化するとき、グローバルモデルを使用して、システムの挙動を取り込むことができる。しかし、モデルが動作レジーム全体にわたって構築されるため、ローカルレジーム内のシステムの特性を取り込む際の正確さが低くなる。図１９（Ａ）〜（Ｃ）は、異なる動作レジームからのテストセットに対するグローバルＡＡＮＮモデルの残差を示す。グローバルＡＡＮＮモデルは３つのすべてのローカル動作レジームに対してトレーニングされたので、ｔｅｓｔｓｅｔ２（図１９（Ｃ））に対する残差は、図１８（Ｃ）のものよりもずっと小さい。しかし、図１９（Ａ）および（Ｂ）の残差は、図１８（Ａ）および（Ｂ）のものよりも大きい。

ローカル動作レジームを識別することができる場合、ローカルモデルを構築することは、ローカルシステム特性をより良好に取り込む点で、グローバルモデルを構築することより優れている。

［動作条件遷移に関するファジィ監視モデル］
通常、産業上の資産またはシステムは、様々な条件／モード下で運用される。システムは、異なる動作条件に対応して、振舞いが異なる。異なる動作条件下のセンサ特性をより良好に表現するために、センサ間の関係を取り込むための複数のセンサ検証モデルが望ましい。どのように動作条件の変化を自動的に検出し、適切なローカルセンサ検証モデルを決定するかが問題となる。

ローカルモデルは、その指定の動作レジーム内のシステムダイナミクスを取り込むことができる。しかし、遷移レジーム内では、カスタム化ローカルモデルのどれも、システムのダイナミクスを正確に取り込むことができない。したがって、遷移段階中に生成された残差は、警報しきい値を超過し、偽の肯定的警報を引き起こす。この問題に対して現在展開されている１つの一般的解決策は、システムが動作レジームの遷移を受けることを知っている場合、生成された警報を無視することである。この手法の欠点は、ローカルモデルを使用するシステム監視の中断と、遷移段階中に生成された何らかの真の障害警報を見逃す危険である。

一般には、本発明は、動作条件変化に基づいてセンサ検証モデル間の遷移を管理するためにファジィ監視モデルブレンダを使用して、こうした問題に対処する。具体的には、ファジィ論理（ＦＬ）を使用して、監視モデルに関する規則を書き、動作レジームが変化したときにローカルモデルの遷移を制御する。ファジィ論理および規則ベースの近似推論でのファジィ論理の使用に向けられた膨大な数の文献が存在する。適切な数学構造を伴う言語的ＩＦ−ＴＨＥＮ規則が監視モデルとして構築され、現在の動作条件に対するローカルモデルの適合性が判定される。異なるローカルモデルの適合性の程度は、融合出力に対するローカルモデルからの残差の寄与に重み付けするときに考慮される。実演用のデータを生成するのにＧＥ９０サイクルデッキシミュレータが使用された。実験結果は、ローカルセンサ検証モデルの遷移を制御する監視モデルでは、センサ推定がより正確となり、動作条件の変化に対してより堅固となることを示している。

ファジィ論理は、解決すべき問題についての定性的知識を変換することができる構文およびローカルセマンティクスを有する言語を与える。具体的には、ＦＬは、言語的変数を使用して動的システムをモデル化することを可能にする。こうした変数は、ラベル（構文から生成された文）および意味（ローカルセマンティック手続きによって決定されるメンバーシップ関数）によって特徴付けられるファジィ値を取る。言語的変数の意味を、その値に対する弾性のある制約として解釈することができる。こうした制約が、一般化されたモーダスポーネンスに基づいて、ファジィ推論演算によって伝播される。この推論機構は、その補間特性と共に、システムのパラメータの変動、外乱などに対する頑強性をＦＬに与え、それがＦＬの主な特徴の１つである。

ファジィ規則ベースＲの最も一般的な定義は離接的解釈であり、ほとんどのファジィコントローラ応用例で以下のように見出される。

Ｒは、ｍ個の規則の離接からなる。各規則は、ファジィ状態ベクトルと対応するファジィ動作の間のマッピングを定義する。カルテシアン積演算子が各規則を表す。

推論エンジンＦＣを、ファジィ積規則に対して作用する並列フォワードチェイナと定義することができる。入力ベクトル

が各ｎ次元状態ベクトル

、すなわち規則

の左辺（ＬＨＳ）と突き合わされる。整合λ_ｉの度合は、規則出力を全ＦＣ出力に対して適用することができる度合を示す。ＦＣに関する主な推論問題は、通常は可能性の尺度であるファジィ術語評価の定義、通常は三角ノルムであるＬＨＳ評価、一般には三角ノルムまたは材料含意演算子である結論分離、ならびに通常は規則ベースの離接解釈についての三角コノルム、または接続的ケースについての三角ノルムである規則出力集約である。一般的に使用される仮定の下で、ファジィシステムの出力を以下のように記述することができる。

上式でλ_ｉは規則ｒ_ｉの可用性の度合である。

また、Π（Ｘ_ｉ，ｊ，Ｉ_ｊ）は、基準状態変数間の整合を表す可能性の尺度である。これらの３つの式は、ファジィ規則セットを解釈する基礎となる、一般化されたモーダスポーネンスを記述する。

前述の３つのローカル動作レジームに対して構築された同じ３つのローカルＡＡＮＮモデルを使用した。シミュレートされたシステムの動作レジームは、図２０（Ａ）に示される軌跡に沿って、飛行エンベロープＦＥ１からＦＥ３に徐々にシフトする。図２０（Ａ）および（Ｂ）は、動作レジームの遷移の相異なる表現である。

動作条件の体積を定義する軸を使用するファジィメンバーシップ関数が発生する。このことが図２１（Ａ）および（Ｂ）に示され、これらは、シミュレートされるシステムが異なる動作レジーム内を遷移するときの飛行エンベロープ変数の値を示す。図の左側には、飛行エンベロープ変数の「低」、「中」、および「高」に関するメンバーシップ関数の定義が見える。

次いで、表１に記述されるような、３つのファジィ規則のファジィ規則セットを指定することができ、表１は、ファジィ用語で定義された様々な動作レジームの下でのローカルモデルの適用性を記述する。

図２２では、ファジィ監視モデルを使用してローカルモデルの切換えを制御するスキームを示し、飛行レジームが遷移するときに補間による残差の平滑性を保証する。図の左側では、３つのローカルＡＡＮＮモデルに対して生センサ測定値が提示され、それぞれ残差が生成されるのが見える。動作レジームを定義する状態変数がファジィ規則セットを通じて供給され、各ローカルＡＡＮＮモデルの適用性が判定される。次いで、各モデルの正規化された適用性が使用されて、それぞれの個々のローカルモデルからの残差の加重平均が実施され、統合された全残差が生成される。

図２３（Ａ）および（Ｂ）では、飛行レジームが図２０（Ｂ）で定義される軌跡に沿って遷移するときの、それぞれローカルモデルＡＡＮＮ＿１およびＡＡＮＮ＿２からの実際のセンサ測定値と推定値の間の残差の例を示す。明らかに、ローカルモデルは、ローカルモデルが構築およびトレーニングされた飛行レジーム内の残差を最小限に抑えることができるだけである。しかし、ファジィ監視モデルは、図２３（Ｃ）からわかるように、ローカルモデルが構築された飛行レジーム内の個々のローカルモデルの優位性を活用することができ、ローカルモデルを混合して、動作レジームの遷移中の残差の平滑性を保証することができる。

［単変量変更検出］
ここまで、上述のすべての技法は、資産当たり複数の感知変数が存在するという仮定に基づくものであった。しかし、資産の挙動を監視するのに資産当たり１つの感知変数のみを通常は有するバランスオブプラント資産などの多種多様なフィールド配置資産が存在する。こうした資産について、多変量変更検出および条件監視方法は当てはまらない。この資産当たり単一センサのケースに具体的に対処するために、ホテリングＴ^２統計量、尤度比検定、過剰なとがりの計算、および単変量変更検出のためのランク置換変換方法を含む一団の技法を活用した。しかし、こうした資産の結合されたファミリを、多変量技法を使用してグループとして監視することができるすることができる。

［ランク置換変換（ＲＰＴ）］
ランク置換変換（ＲＰＴ）は、時系列に対して調整される。ここで使用される時系列中の障害検出のための一般的手法は、「現在」データ（最近のいくつかのデータ点）に関する検定統計量を、「過去の」データ（「現在」よりも前の、いくつかの、通常はより多数の点）と比較することであり、おそらくは、図２４に示されるように、差をより際立たせるために中間の未使用の点のバッファを伴う。

絶対値ではなく、ランクを使用することにより、いくつかの問題が解決される。まず、アウトライアの問題のある効果が非常に減少する。非母数統計量での大きな利点のためにランク変換が使用される。所与の数のデータに関するランク分布をあらかじめ計算することができ、実行時の実装が非常に高速となる（予備のための計算パワーがほとんどないリアルタイム組込み応用例にとって重要な考慮すべき点である）。

データのランダム置換を使用して、発生の厳密またはほぼ厳密な確率を発生させる原理が、図２５（Ａ）〜（Ｃ）に示されている。図２５（Ａ）は元のデータを示す。ヌル仮説は、最後の５個のアスタリスクの点が前のドットの点と同じ分布から引き出されるということである。ヌル仮説が真である場合、アスタリスクの点について計算される統計量（例えば平均）は、データのすべてからランダムに選択された任意の５個の点についてとほぼ同じ統計量となるはずである。データを同じに保ち、ランダムにラベル（アスタリスクまたはドット）を置換し、「５個のアスタリスクの点の平均」統計量を多数計算する場合、図２５（Ｃ）に示される分布を得る。この手順は、すべての点からランダムに選択された任意の５個の点が、わずか７．２％の時間で、元の５個と同じ大きさの平均を有することになること示唆する。同様に、データの任意サンプルを別のサンプルと比較することができ（例えば、現在と、上記で略述した最近の過去の手法とを使用して）、サンプルが任意の検定統計量に対して異なる厳密な（任意の数の有効数字に対して）確率を計算することができる。

両方の概念（生データではなくランクを使用すること、および置換分布）を用いて、「ランク置換変換」（ＲＰＴ）を使用して、生の不十分な振舞いの時系列を、データのパターン変化について知らせる特徴（決定）に変換することができる。ＲＰＴを計算するために、まず、少数の点を「現在の」組と定義し、（通常はより多い）いくつかの点を「過去の」組と定義しなければならない。２組のデータがまず連結され、結合されたデータのランクが計算される。「現在の」データに関する元の順序についてのランクの和（検定統計量）が計算される。具体的には、データラベル（現在／過去）がランダムに置換され、検定統計量が計算され、このステップが多数反復される（例えば５０００回）。元の順序のデータについての検定統計量の値が、置換を介して生成された値と比較され、元の順序が偶然生じる確率が計算される。まれなイベントを強調するためにｌｏｇ_１０Ｐｒｏｂａｂｉｌｉｔｙ（ＲＰＴの出力）の値が取られる。例えば、値１０（ｌｏｇ_１０１０^１０）は、イベントの希少さが１００億分の１であることを意味する。ＲＰＴを計算するアルゴリズムは当技術分野で周知である。

ケースデータに対してランク置換変換が使用され、検定統計量が生成された。検定統計量が所定のしきい値を超えるとき、変更が報告された。

［尤度比検定（ＬＲＴ）］
尤度比検定は、順次データでの分布の変化を調査する。そのためには、尤度比検定は、時系列中の変更検出に適しており、尤度比検定は十分に実施されてきた。ＬＲＴについての問題の一般的構成は以下のように説明される。

ｔが現在時刻索引であるとして、スカラ時系列ｘ（ｔ）を考慮する。現在時刻索引ｔは、時系列を２つのサブセット

（直近の過去）および

（直近の将来）に分割する。各サブセットは、それぞれ何らかの確率密度関数（ｐｄｆ）
（ｐｄｆ），ｐ_１（θ_１）およびｐ_２（θ_２）に従う。ある瞬間をｔとし、ＬＲＴは、２つの仮定の間を判定するネイマン−ピアスン検定である。

変更前または変更後のｐｄｆのパラメータは既知ではない。変更点、時刻Ｔも既知ではない。それでも、変化が時刻Ｔで生じるという仮定した仮説Ｈ_１と、ｎ個のサンプル内で変化は生じないというヌル仮説Ｈ_０との間で対数尤度比を形成することができる。

上式で、
ｎ＝ｎ_１＋ｎ_２
である。
θ_１’とθ_１の間の差は、それらが異なる回数にわたって推定されることを意味する。真のパラメータセットθ_１，θ_１’およびθ_２は未知であるので、最尤（ＭＬ）手法を使用して、それぞれの領域｛ｔ−ｎ_１，．．．，ｔ＋ｎ_２−１｝，｛ｔ−ｎ_１，．．．，ｔ−１｝および｛ｔ，．．．，ｔ＋ｎ_２−１｝から直接的に得られるその推定

および

を見つけることができる。得られる尤度

が何らかの事前定義しきい値を超えるとき、変化が知らされる。

［ホテリングのＴ^２統計量］
ホテリングのＴ^２統計量は、多変量仮説検定で使用されるステューデントのｔ統計の一般化である。ホテリングのＴ^２統計量を単変量変化検出問題に適合させる一方式は、単変量センサ測定値に時間遅延を導入することである。すなわち、生単変量信号ｘ（ｔ）がｍサンプル点だけ遅延し、ｘ（ｔ−ｍ）を生成する。同様にｘ（ｔ−ｍ）を別のｍサンプル点だけ遅延させてｘ（ｔ−２ｍ）を生成することができる。このようにして、［ｘ（ｔ），ｘ（ｔ−ｍ），ｘ（ｔ−２ｍ）］’などの擬似多変量時系列を生成して、前と同様にホテリングのＴ^２計算を実施することができる。

図２６では、オフセット変化が赤線のところで生じる単変量時系列データを示す。ＲＰＴ、ＬＲＴ、およびホテリングのＴ^２技法の変形の結合が個々に使用され、どこで変化が生じたかが検出される。こうしたすべての技法は、妥当な遅延で変化を検出することができるが、各技法がトリガされる警報しきい値は異なる。ＲＰＴおよびＬＲＴと比較して、ホテリングのＴ^２統計量は、それらほど迅速には変化を検出することができないが、その挙動は、様々なタイプの変化が検定されるときに非常に適合する。ホテリングのＴ^２統計量のこの特徴により、現実の監視システムで配置される潜在的な良い候補となる。

上述のように、本発明は、ホテリングのＴ^２統計量技法を使用して、多変量データの正常性を推定する。ホテリングのＴ^２統計量は、多変量分散−共分散行列を組み込む統計的距離を使用する。したがって、ホテリングのＴ^２統計量は、感知される変数の間の平均シフトおよびカウンタ関係を検出する。

この書面による説明は、本発明を開示し、当業者が本発明を作成および使用することを可能にするために、最良の形態を含む実施例を使用する。本発明の特許を受けることができる範囲は、特許請求の範囲によって定義され、当業者の思い浮かぶ他の実施例を含むことができる。そのような他の実施例は、それが特許請求の範囲の文字通りの言葉と異なっていない構成要素を有する場合、またはそれが特許請求の範囲の文字通りの言葉と実質的に違いのない等価な構成要素を含む場合、特許請求の範囲内にあるものとする。

１０ スマートセンサシステム
１１ オンボード処理装置
１２ スマートセンサ
１４ ケーブル
１６ 入力ポート
１８ ディスプレイおよび警報ユニット
２０ 出力ポート
２２ ローカル制御
２４ ワイヤレス通信ユニット
２６ 周辺処理装置
２８ 電源
３０ 入力ポート

Claims (16)

1. 資産システムの高性能条件監視のための方法であって、
   資産システムの動作空間を複数の動作レジームにセグメント化するステップと、
   複数の自動連想ニューラルネットワーク（ＡＡＮＮ）を使用して、前記複数の動作レジームのうちの少なくとも１つの中の少なくとも１つのセンサで感知された実際の値の推定値を求めるステップと、
   前記推定値と、前記複数の自動連想ニューラルネットワークのそれぞれからの前記実際の値との間の差に基づいて複数の残差を求めるステップと、
   ファジィ監視モデルブレンダを使用して、前記複数の残差から統合された全残差を決定するために使用する重み付けの係数を生成するステップと、
   前記統合された全残差の解析によって、前記資産システムの動作条件の変化を判定するステップと、
   前記資産システムの動作の変化が判定された場合、警報を供給するステップと、
   を含む方法。
2. 前記ＡＡＮＮが、ｔａｎ−ｓｉｇｍｏｉｄ（ｔａｎｓｉｇ）型の隠れノードを含む請求項１記載の方法。
3. 前記ＡＡＮＮが、埋め込まれた線形変換関数を有する中央ボトルネック層を含む請求項１記載の方法。
4. 前記警報ステップが、電気的ケーブル、電力線伝導、イントラネット、インターネット、およびワイヤレス伝送からなるグループから選ばれた情報移送媒体を介してメッセージを配布することを含む請求項１記載の方法。
5. 前記判定するステップが、前記資産システムが前記複数の動作レジームのうちの２つの間で遷移中のときに実施される請求項１記載の方法。
6. 前記警報するステップが、前記資産システムが前記複数の動作レジームのうちの２つの間で遷移中のときに実施される請求項１記載の方法。
7. 前記判定するステップが、前記資産システムが前記複数の動作レジームのうちの１つで動作中に実施される請求項１記載の方法。
8. 前記警報するステップが、前記資産システムが前記複数の動作レジームのうちの１つで動作中に実施される請求項１記載の方法。
9. 前記ファジィ監視モデルブレンダが、前記資産システムの前記複数の動作レジームにわたるグローバルモデルを実装する請求項１記載の方法。
10. 前記少なくとも１つのセンサがスマートセンサを含む請求項１記載の方法。
11. 前記スマートセンサが、スマートセンサシステムに接続される請求項１０記載の方法。
12. 前記スマートセンサシステムが、前記資産システムの高性能条件監視のためのオンボード処理装置を備える請求項１１記載の方法。
13. 資産システムの動作条件を監視するスマートセンサ（１２）であって、ケーブル（１４）を介して入力ポート（１６）に接続されるスマートセンサと、
    請求項１記載の方法を使用する前記資産システムの高性能条件監視のためのオンボード処理装置（１１）と
    を備えるスマートセンサシステム（１０）。
14. 前記スマートセンサシステム（１０）から周辺処理装置（２６）に信号をワイヤレスに送信するワイヤレス通信ユニット（２４）をさらに備える請求項１３記載のシステム。
15. 前記処理装置（１１）からの計算結果を表示するディスプレイおよび警報ユニット（１８）をさらに備える請求項１３記載のシステム。
16. 統合された全残差が、前記複数の残差の重み付けされた平均を使用して決定される請求項１記載のシステム。