JP2006505856A - 再発性ローカル学習機械を使用するシステム状態モニタリング方法及びその装置 - Google Patents

Abstract

所定のシステムの基準データ観察を使用して、そのような観察の基準集合（１０２）を展開する。次に、後続の観察（一実施形態で、現在の観察を含む）（１０７）を使用して、この基準集合の一部の選択を容易にして、モデルとして働く、観察の結果集合（１１８）を作る。次に、このモデルを、実際のシステムパフォーマンスと比較して使用して、たとえば、障害状態に向かう傾向を検出することができる。好ましい手法によれば、このモデルは、時々再計算され、特定の実施形態によれば、現在の観察の新しい集合ごとに再計算される。

Description

本発明は、再発性ローカル学習機械を使用するシステム状態モニタリング方法及びその装置、特に、プロセス、機器の一部、又は複雑な相互に関係するシステムをモデリングする方法及びシステムに関し、より詳細には、例示的データを使用する再発性非パラメトリックモデリング（ｒｅｃｕｒｒｅｎｔ ｎｏｎ−ｐａｒａｍｅｔｒｉｃ ｍｏｄｅｌｉｎｇ）及び状態推定に基づく、早期故障逸脱警告（ｅａｒｌｙ ｆａｕｌｔ ａｎｄ ｄｅｖｉａｔｉｏｎ ｗａｒｎｉｎｇ）のための機器状態ヘルスモニタリング（ｅｑｕｉｐｍｅｎｔ ｃｏｎｄｉｔｉｏｎ ａｎｄ ｈｅａｌｔｈ ｍｏｎｉｔｏｒｉｎｇ）及びプロセスパフォーマンスモニタリング（ｐｒｏｃｅｓｓ ｐｅｒｆｏｒｍａｎｃｅ ｍｏｎｉｔｏｒｉｎｇ）に関する。

本発明に係る従来技術を開示したものとして、例えば、特許文献１がある。この特許文献１には、シーケンシャル確率比率テスト（ｓｅｑｕｅｎｔｉａｌ ｐｒｏｂａｂｉｌｉｔｙ ｒａｔｉｏ ｔｅｓｔ、ＳＰＲＴ）と呼ばれるテスト技術又は判断技術が開示されている。

米国特許第５７６４５０９号明細書

本発明は、このような状況に鑑みてなされたもので、その目的とするところは、再発性ローカル学習機械を使用するシステム状態モニタリング方法及びその装置を提供することにある。

本発明は、機器、プロセスなど複雑なシステムの状態モデリングの経験的非パラメトリック多変量モデリングの方法及び装置を提供し、機器ヘルスモニタリング、プロセスパフォーマンス最適化、及び状態分類を提供する。センサからのデータ又は他の測定値によって特徴を表すことができる機械、プロセス、又は他の複雑なシステムでは、本発明のモデリング方法に、まず、機械、プロセス、又はシステムを表すセンサ又は測定からの基準データ観察（ｒｅｆｅｒｅｎｃｅ ｄａｔａ ｏｂｓｅｒｖａｔｉｏｎ）を獲得することと、次に、代表的なデータと、同一のセンサ又は測定からの現在の観察との組合せからモデルを計算することとが含まれている。このモデルは、モデリングされるシステムの新しい観察のそれぞれについて再計算される。このモデルの出力は、モデリングされるシステムの状態の特徴を表す少なくとも１つのセンサ、測定、又は他の分類パラメータもしくはクォリフィケーションパラメータ（ｑｕａｌｉｆｉｃａｔｉｏｎ ｐａｒａｍｅｔｅｒ）の推定値である。

したがって、機器ヘルスモニタリングに関して、このモデルは、機器の１つ又は複数のセンサの推定値を提供し、この推定値を、これらのセンサの実際に測定された値と比較して、始まったばかりの故障モードを示す逸脱を検出することができる。また、他のモデルでは、プロセスの最適化に使用できるパフォーマンスパラメータを、そのプロセスへの入力の制御可能な変化に伴ってどのように変化するかを示すことによって、推定することができる。このモデルによって提供される推定値は、品質制御アプリケーション又は病気分類医療アプリケーションでの、モデリングされるシステムの状態を指定する論理出力又は定性的出力によって平らにすることができる。

有利なことに、このモデリング方法は、類似性ベースのモデリングを使用し、モデル推定値は、基準データ内の、現在の観察に最も類似する観察の重み付き合成からなる。このモデルは、行列正則化を使用して、悪い条件の出力に対して、たとえば、膨大な値又は非現実的な値にふくれあがった推定値（モデルの応用例で役に立たない）を制御する。基準データのサイズが大きい、又は観察のサンプリング時間（従って、モデルからの推定値の必要）が高速である応用例について、推定値の素早い計算のために、現在の観察を、基準ベクトルとの現在の観察の比較を使用して、基準データの部分集合領域又はファジイ部分集合にインデクシングすることができる。

本発明のシステム状態モニタリング装置には、基準データを保管するメモリと、現在の観察を受け取るための、ネットワーク化されたデータバス又はセンサに直接に接続されたアナログディジタルコンバータなどの入力手段と、現在の観察の受け取りに応答してモデル推定値を計算する処理ユニットと、モデリングの結果を報告するグラフィカルユーザインターフェースなどの出力手段とが含まれている。このシステム状態モニタリング装置に、さらに、推定値に基づいて処置を講じるための、他のソフトウェアモジュールにモデル推定値を出力するソフトウェアモジュールを含めることができる。

本発明のシステム状態モニタリング方法は、機器状態モニタリングに使用することができ、ここで、このモデルは、現在の読みに応答するセンサ読みを推定し、推定値及び実際の読みが、任意の機器ヘルス問題を検出し診断するために比較される。このシステム状態モニタリング方法は、観察された変数又は特徴によって特徴を表されるシステムの分類に使用されるように拡張することもでき、ここで、このモデルの出力は、分類に使用されるパラメータの推定値とすることができる。一般に、本発明を、機器ヘルスモニタリングに関して説明する。

センサ又はモデリングされるシステムの他の変数からの観察（ｏｂｓｅｒｖａｔｉｏｎ）の基準データ集合（ｒｅｆｅｒｅｎｃｅ ｄａｔａ ｓｅｔ）には、モデリングの目的のために予想されるシステムの動力学のすべてを介してモデリングされるシステムの特性を表すのに十分な数の観察が含まれている。たとえば、機器ヘルス及び始まったばかりの故障検出に関するガス燃焼タービンのモニタリングの場合に、このガス燃焼タービンの動作範囲全体、タービンが外に置かれる場合に環境変化（センサ）全体にわたり、タービンの２０個乃至８０個の温度センサ、流量センサ及び圧力センサの集合からの５００個から１００００個の観察を入手することが十分可能性がある。機器ヘルスモニタリングのもう１つの例として、ジェットエンジンの１０個乃至２０個のセンサを使用して、適当なモデリングを提供するために、離陸モードの動作又は巡航モードの動作の５０個から１００個の観察を入手することができる。そのようなデータのすべてが前もって入手可能でない場合に（たとえば、季節によって影響を受ける動作）、基準集合（ｒｅｆｅｒｅｎｃｅ ｓｅｔ）を、現在の観察（ｃｕｒｒｅｎｔ ｏｂｓｅｒｖａｔｉｏｎ）によって増補することができる。

観察に、実世界のセンサデータ及び他のタイプの測定値の両方を含めることができる。そのような測定値には、たとえば、ネットワークトラフィック統計、人口統計情報、又は生物学的細胞カウントなどの統計データを含めることができる。サンプリングされた意見、主観的レーティングなど、定性的測定値を使用することもできる。使用される入力タイプに要求されることは、それらが、モデリングされる（又はモデリングされると思われる）システムの物理学、力学、又は動力学を介して何らかの形で関係し、集合的に、モデリングされるシステムがとることのできる「状態」を表すことだけである。

以下、図面を参照して本発明の実施の形態について説明する。
図１は、本発明のモデルを使用する機器ヘルスモニタリングのためのフローチャートを示す図である。本発明によれば、観察の基準集合が、ステップ１０２で、本明細書でＨと表される行列に形成され、この行列の各列は、観察を表し、各行は、単一のセンサ又は測定からの値を表す。行列での列（すなわち、観察）の順序付けは、重要でなく、このモデリング方法に固有の因果率又は時間進行の要素はない。行の順序付けも、重要ではなく、行が、モデリングプロセス全体を通じてセンサとの対応を維持され、１つのセンサだけからの読みが、所定の行に現れることだけが重要である。このステップ１０２は、モデリングシステムのセットアップの一部として行われ、オンライン動作中に必ずしも繰り返されない。

モデリングされるシステムの基準データ観察の特徴を十分に表す集合Ｈをアセンブルした後に、モデリングを実行することができる。モデリングは、ステップ１０７に示されているように、リアルタイムの又は最新の又はテストの観察の獲得又は入力に応答する推定値の生成をもたらし、この推定値は、モデリングされるシステムのセンサパラメータ又は非センサパラメータの推定値、あるいはこのシステムの状態特有の分類又はクォリフィケーションの推定値とすることができる。これらの推定値を、以下で説明するさまざまな有用なモデリング目的に使用することができる。

本発明のモデリング方法による推定値の生成に、ステップ１０７での入力の獲得の後の２つの主要なステップが含まれている。第１ステップ１１８では、現在の観察を基準データＨと比較し、この基準データＨからの基準観察の部分集合を判定する。この場合、現在の観察は、本明細書でＤと表されるより小さい行列を構成し、基準データＨは、現在の観察との特定の関係又は類似性を有する。第２ステップ１２１で、Ｄ行列を使用して、現在の観察に基づいて、モデリングされるシステムの特徴を表す少なくとも１つの出力パラメータの推定値を計算する。したがって、モデル推定値Ｙ_ｅｓｔが、現在の入力観察Ｙ_ｉｎと、Ｈから導出された現在の行列Ｄとの関数であることを理解することができる。

ここで、センサの推定値のベクトルＹ_ｅｓｔは、行列Ｄを構成するように配置された同時発生センサ値のスナップショットのそれぞれからの寄与と等しい。これらの寄与は、重みベクトルＷによって決定される。乗算演算は、標準的な行列／ベクトル乗算演算子又は内積である。類似性演算子は、上の式３で、中に「×」がある円として表されている。式３の類似性演算子と、Ｈ及び入力観察Ｙ_ｉｎからのＤを含むメンバシップの判定Ｆの両方を、以下に説明する。

上述したように、記号

は、「類似性」演算子を表し、潜在的に、さまざまな演算子から選択することができる。本発明の文脈では、この記号を、他のものである

の指定の普通の意味と混同してはならない。言い換えると、本発明において、

の意味は、「類似性」演算である。

類似性演算子

は、行対列の基礎で、通常の行列乗算演算子のように働き、第１オペランドと同数の行と、第２オペランドと同数の列を有する行列をもたらす。類似性演算子は、第１オペランドからの行と第２オペランドからの列の各組合せのスカラ値を作る。上述した１つの類似性演算では、第１オペランドからの行ベクトル要素と第２オペランドからの列ベクトルの対応する要素との比をとることと、１を超える比を逆数にすることと、すべての比の平均をとる（正規化された正の要素について、必ず０（非常に異なる）と１（同一）の間の行／列類似性値を作る）ことが用いられる。したがって、値が同一である場合に、類似性は１と等しく、値が大きく異なる場合に、類似性は０に近づく。

使用できる類似性演算子のもう１つの例は、分子に２つの要素の差の絶対値、分母にこの要素の期待される範囲を有する量を１から引くことによって、２つの観察ベクトル又はスナップショットの２つの対応する要素の間の要素類似性を判定する。期待される範囲は、たとえば、基準ライブラリＨのすべてのデータにまたがって見つかるその要素の最小値及び最大値の差によって決定することができる。その後、要素類似性の平均をとることによってベクトル類似性を決定する。

本発明で使用できるもう１つの類似性演算子では、２つの観察ベクトルのベクトル類似性は、１にｎ次元空間での２つのベクトルの間のユークリッド距離の大きさを加えた量の逆数と等しく、ｎは、各観察の要素数、すなわち、観察されるセンサの個数である。したがって、この類似性は、ベクトルが同一であり、０の距離だけ離れているとき１の最大値に達し、ベクトルが徐々に離れる（異なる）につれて小さくなる。

他の類似性演算子が、既知であるか、当業者に既知になる可能性があり、本明細書に記載の本発明に使用することができる。上述した演算子は、例示であり、本発明の技術的範囲を制限することを意図されたものではない。一般に、次のガイドラインは、本発明ならびに上の式３及び本明細書の他所で使用される類似性演算子の定義に役立つが、本発明の技術的範囲を制限することを意図されたものではない。

１．類似性は、両端で制限されるスカラ範囲（ｓｃａｌａｒ ｒａｎｇｅ）である。

２．２つの同一の入力の類似性は、制限された端の１つの値である。

３．類似性の絶対値は、２つの入力が同一になることに近づくにつれて増える。

したがって、たとえば、本発明で使用される有効な類似性演算子は、入力が同一のとき１０の類似性、及び入力が異なるようになるにつれて０に向かって減る類似性を生成することができる。その代わりに、バイアス又は変換を使用することができ、その結果、類似性が、同一の入力について１２になり、入力が異なるようになるにつれて２に向かって減るようになる。さらに、スケーリングを使用することができ、その結果、類似性が、同一の入力について１００になり、差が増えるにつれて０に向かって減る。さらに、スケーリング係数を負の数にすることもでき、その結果、同一入力の類似性が、−１００になり、入力の差が増えるにつれて負の側から０に近づく。類似性を、比較される２つのベクトルの要素について提出し、合計するか他の形で統計的に組み合わせて、全体的なベクトル対ベクトルの類似性を作ることができ、あるいは、類似性演算子が、ベクトル自体を操作する（ユークリッド距離でなど）ことができる。

重要なことに、本発明は、オートアソシアティブ（ａｕｔｏａｓｓｏｃｉａｔｉｖｅ）モード又は推論モードでの変数のモニタリングに使用することができる。オートアソシアティブモードでは、モデル推定が、モデルへの入力も含む変数について行われる。推論モードでは、モデル推定が、モデルへの入力に存在しない変数について行われる。推論モードでは、上述した式１が、

になり、上述した式３が、

になる。ここで、Ｄ行列は、どの行が入力であり、どの行が出力であるかに従って、２つの行列Ｄ_ｉｎ及びＤ_ｏｕｔに分離されるが、列（観察）の対応は維持される。

本発明の主要な実施態様は、Ｄが、新しい入力観察のそれぞれについて、モデリングされるシステムの動的挙動の特徴を表す使用可能な学習された観察Ｈのスーパーセットから再発的に決定されることである。それを行う際に、十分に関連する見本又は学習された観察が、現在の観察の近傍でのモデリングされる挙動の特徴を表すのに使用されるが、このモデルは、過度のオーバーフィット（ｏｖｅｒｆｉｔｔｉｎｇ）ならびに非実用的な計算時間の両方を回避する。本発明によるＤ内のメンバシップの判定は、現在の入力観察をＨの観察に関連付けることによって達成され、十分な関係があるとき、Ｈからのその学習された観察をＤに含め、そうでない場合には、現在の入力観察の処理のためにＤに含めない。

本発明の一実施形態によれば、入力観察が、類似性演算を使用してＨの見本と比較されて、本明細書で「グローバル類似性（ｇｌｏｂａｌ ｓｉｍｉｌａｒｉｔｙ）」と呼ぶ、各そのような比較の類似性スコアが提出される。結果のグローバル類似性が、ある閾値を超えるか、Ｈのすべての見本にわたるそのようなグローバル類似性のうちの上位ｘ個の１つである場合に、その見本又は学習された観察を、Ｄに含める。０（異なる）と１（同一）の間の類似性スコアを提出する類似性演算子について、通常の閾値は、たとえば、０．９０以上とすることができる。しかし、閾値の選択は、応用例の性質、特に集合Ｈの見本の個数に依存する。上位ｘ個の類似性が、Ｄへのメンバシップの判定に使用される場合に、１０００００個など、膨大な個数の見本を有する可能性がある集合Ｈから選択する時であっても、５個から５０個の範囲内のＤの見本のどこかを使用することはまれではない。閾値及び個数のハイブリッドを使用して、たとえば、包含に閾値を使用するが、Ｄに５個以上２５個以下の見本が含まれることを要求することによって、Ｄのメンバシップを判定することができる。

重要なことに、観察の要素のすべてを、グローバル類似性の判定に使用する必要はない。ある変数又はセンサを、モニタリングされるシステムの物理学においてより支配的と考えることができ、現在の観察及び各学習された観察のそれぞれからのこれらの要素を含むサブベクトルだけに対するグローバル類似性計算を実行することによって、これらの変数又はセンサを、Ｄのメンバシップ判定の基礎とすることができる。たとえば、入力観察が１０個のセンサ値を有し、モデルの出力が入力に含まれない５つの追加センサの推定値である推論モードで、１０個の入力のすべてを使用して５つの出力の推定が実行されるが、１番目、２番目、５番目、及び７番目のセンサ値だけを含む、入力ベクトル及び学習された観察のサブベクトルを使用して、グローバル類似性を計算することができる。Ｄ行列へのメンバシップを構成するためのグローバル類似性判定でどの入力センサに頼るかの選択は、領域知識を使用して行うことができ、あるいは、他の方法の中でも、普通のシステム挙動の特徴を表すテストデータの集合（集合Ｈの一部でない）に対してテストされる時のモデルによって作られる推定値と実際の値の間の誤差の最小自乗平均から判定することができる。

グローバル類似性の使用の代わりに、Ｄへのメンバシップは、要素レベルで１つ又は複数の変数を検査することと、１つ又は複数の要素の範囲又は他の判断基準にあてはまる要素値を有するＨからの見本を含めることによって判定することができる。たとえば、上述した空想の１０入力５出力モデルで、Ｄは、Ｄが多くとも２０個のＨからのベクトルを有するように（多分いくつかが繰り返される場合にこれより少数）、現在の観察に関して同一のセンサ値に最も近い第１センサに関する５つの値と、第２センサの５つの最も近い値と、第５センサの５つの最も近い値と、第７センサの５つの最も近い値とを有するＨからの見本によって構成することができる。そのセンサ値の残りにかかわらずにｍ番目のセンサの最もよく一致する値を有するので、学習された観察をＤだけに含めることができるという点で、これがグローバル類似性と異なることに留意されたい。

好ましい実施形態で、Ｄへのメンバシップの要素レベルでの検査は、実際にはモデルへの入力を含まないが、それでもモデルの他のセンサの各観察についてシステムから使用可能なセンサ値又は測定値である変数に対して実行することができる。これが有用になり得る特に重要な状況が、環境温度又は環境大気圧などの環境条件変数に関するものである。そのような環境変数は、必ずしも所定のモデルへの入力として働かないが、モデルに含まれる他のセンサ値の相互関係に影響する総合的条件の代理とすることができる。その結果、Ｈから選択された見本のＤへのメンバシップを判定するための環境変数の使用は、季節変数に関連する見本を有するＤ行列を供給するよい形とすることができる。たとえば、機関車のエンジンのヘルスをモニタリングする応用例で、さまざまなエンジンパラメータ（たとえば、燃料の流れ、排気温度、ターボ圧など）を使用して、エンジンの挙動をモデリングすることができ、環境温度を、ＤについてＨから観察を選択するための環境変数として使用することができる。環境温度は、他のすべてのパラメータが任意の所定の温度でどのように相互に関係するかに影響する気象条件の代理である。理想的には、Ｈに、冬の氷結から砂漠の夏の炎熱温度までのすべての温度範囲の、エンジンの通常パフォーマンスのヒストリックデータが含まれる。Ｈからの見本（この温度範囲にまたがるすべてからの）を、この見本の環境温度が現在の入力読みの環境温度に最も近いｘ個の値の１つである場合に、特定のＤ行列のために選択することができる。上述した式１〜４によるモデル推定を計算する際に、環境温度が、必ずしも入力又は出力でないことに留意されたい。

好ましい実施形態で、環境変数データ選択と、グローバル類似性又は包含のための要素テストのいずれかとのハイブリッドを、組み合わせて使用する。したがって、たとえば、環境温度を使用して、氷点の十分下から３７．８℃（１００°Ｆ）超までの温度を含む１０００００個の学習された観察を有するＨのスーパーセットから、４０００個の観察の部分集合を選択して、現在の環境温度から±２．７８℃（５°Ｆ）以内に４０００個の観察がある中間集合Ｈ’を構成することができる。次いで、この中間集合Ｈ’を、入力データの数時間分（環境温度がその間に大きく変化しない）について変更なしで使用して、たとえば、入力観察ごとのグローバル類似性によって４０００個から選択される３０個のベクトルからなる、Ｄ行列を繰り返して生成することができる。この形で、現在の観察を、環境条件と一致するように選択されたデータの集合のフレームワークの中で、その瞬間のシステムのパフォーマンス特性に基づいて密接にモデリングすることができる。これによって、計算時間が減らされ（Ｈの１０００００個の観察のすべてを計算しないので）、オーバーフィットが回避され、モニタリングされる機器が出会う条件に合わせて調整された高忠実度モデリングがもたらされる。

Ｄへのメンバシップを判定するもう１つの形では、このステップの計算速度を改善するために、グローバル類似性の変更された使用を用いる。したがって、Ｈの見本の１つとすることができる基準ベクトルを、まず、学習された観察のすべてと比較して、比較ごとにグローバル類似性を生成する。これは、オンラインモニタリングが開始される前に行うことができ、前もって１回だけ行う必要がある。その後、モニタリング中に、現在の観察を、Ｈのすべての学習された観察と比較するのではなく、グローバル類似性を使用して、その基準ベクトルと比較する。次いで、結果のグローバル類似性スコアが、Ｈの学習された観察ではなく基準ベクトルの事前に計算された類似性と比較され、最も近いｎ個のスコアが、Ｄに含まれる学習された観察を示し、あるいはその代わりに、現在の観察のグローバル類似性の周囲のある限度内のグローバル類似性が、Ｄに含まれる学習された観察を示す。

Ｄへのメンバシップを判定するもう１つの形によれば、Ｈの学習された観察の基準集合が、有限の個数のクラスタへのクラスタ化方法を使用してグループ化される。次いで、リアルタイムで、現在の観察を分析して、それが属するクラスタを判定し、その後、そのクラスタの学習された観察を引き出して、Ｄ行列を構成する。クラスタ内の学習された観察のすべてを含めることができ、あるいは、クラスタにあまりに多数のベクトルが含まれる場合に、Ｄのサイズを管理しやすいものにするために、クラスタ内の学習された観察のサンプリングされた部分集合（ｓｕｂｓｅｔ）を含めることができる。部分集合は、ランダムにサンプリングすることができ、あるいは、後で開示する「特徴が表された」サンプリング方法を使用してサンプリングすることができる。

クラスタ化アルゴリズムのクラスタを選択するために、種ベクトルをＨから選択することができる。ベクトルは、あるセンサの、Ｈ内のそのセンサのすべての値の中の最大値又は最小値を含むことに基づいて、クラスタの種になる。使用できる１つのクラスタ化技術が、ＦＣＭ（ｆｕｚｚｙ Ｃ ｍｅａｎｓ）クラスタ化であり、これは、ＨＣＭ（Ｈａｒｄ Ｃ−Ｍｅａｎｓ）から導出された。したがって、Ｈのベクトルは、複数のクラスタへの部分的メンバシップを有することができる。ＦＣＭ（ｆｕｚｚｙ Ｃ ｍｅａｎｓ）クラスタ化では、次の目標関数を最小化する。

ここで、Ｘ＝（ｘ_１，ｘ_２，…，ｘ_ｎ）は、ｎ個のデータサンプルベクトル（Ｈの学習された観察）であり、Ｕは、ｃ部分のＸのパーティションであり、Ｖ＝（ｖ_１，ｖ_２，…，ｖ_ｃ）は、Ｒ^ｖのクラスタ中心（Ｈの実際の観察から上で述べたように種を与えられる）であり、ｕ_ｉｋは、クラスタｉへのｘ_ｋのメンバシップのグレードと言い、この場合に、ｕ_ｉｋのメンバは０又は１であり、ｄ^２（ｘ_ｋ，ｖ_ｉ）は、Ｒ^ｖの内積によって誘導されるノルム

である。問題は、適当なメンバシップｕ_ｉｋを判定することであり、これは、

の収束に対する反復判定を介して行われる。ここで、ｃは、クラスタの個数である。ｕ_ｉｋは、当初に、制約

の下でランダムに選択される。モニタリング中に、入力観察を、グローバル類似性、ユークリッド距離、又は類似物を使用して、クラスタ中心ｖ_ｉと比較して、その入力観察がどのクラスタに最も関連するかを判定する。次に、識別されたクラスタから、Ｄ行列を構成する。クラスタは、通常は０．７０（応用例及びＨのデータの可用性に依存する）である閾値を超えるファジイメンバーシップｕ_ｉｋを有するＨのベクトルと判定される。したがって、Ｈの特定の観察が、複数のクラスタに属することができる。入力観察と一致するＨのクラスタは、Ｄについてその全体を使用することができ、あるいは、本明細書に記載の他の方法のいずれかを使用して、Ｄを構成するようにそこから選択することができる。したがって、ｆｕｚｚｙ ｃ−ｍｅａｎｓクラスタ化を使用して、計算節約として、グローバル類似性などのＤへの包含の他の方法を用いて分析される必要があるＨのベクトルの個数を減らすことができる。

本発明の追加の重要な実施態様が、モデルの適合である。特に機器ヘルスモニタリングに関して（しかし、他の応用例に関しても）、基礎になるモデリングされるシステムのゆっくりした受け入れ可能な変化に合わせてモデルを調整された状態に保つという問題が、実際的な使用に非常に重要である。機器をモニタリングするとき、グレースフルエージング（ｇｒａｃｅｆｕｌ ａｇｉｎｇ）が仮定され、ヘルスアラートの源になってはならない。したがって、モデルは、時間を介して、モニタリングされる機器の徐々のエージング及びセトリングに適合しなければならず、すぐにアクション可能な（ａｃｔｉｏｎａｂｌｅ）障害が検出されつつあることを暗示する結果を生成してはならない。

適合は、本発明で複数の形で達成することができる。本明細書で「アウトオブレンジ（ｏｕｔ−ｏｆ−ｒａｎｇｅ）」適合を目的にする第１の形によれば、システムのモニタリングされる変数のいくつかが、ドライバ変数又は独立変数と考えられ、これらが、見本の集合Ｈでこれまでに見られた範囲の外の値をとるとき、現在の観察が、警告されるのではなく、追加又は置換のいずれかによって集合Ｈに追加される。この形で、ドライバ変数が、新しい高値又は新しい低値になるとき、たぶん現在の観察と異なる推定を生成するのではなく、モデルに、正常なモデリングされる挙動の一部としてその観察が組み込まれる。このアウトオブレンジ適合の短所は、２倍になっている。すなわち、（１）すべての変数をドライバと考えることはできず、したがって、すべての変数がアウトオブレンジ適合を引き起こすことはできず、したがって、どの変数を使用するかを判定する応用例固有の技術があり、（２）アウトオブレンジイベントが、実際に、始まったばかりの障害の最初の証拠である可能性が存在し、モデルが、障害を簡単に識別できない。最初の懸念に関して、環境変数が、通常は、概してアウトオブレンジ適合のよい候補になることができる。第２の懸念に関して、本発明の好ましい実施形態は、ｎ個の連続するアウトオブレンジ適合を許容せず、このｎは、通常、２以上の範囲であり、データ獲得のサンプリングレートに依存する。

通常、アウトオブレンジ適合は、Ｈの見本を置換するのではなく、Ｈ行列に対して追加的である。アウトオブレンジ適合と並列に使用できるもう１つの種類の適合によれば、現在の観察からあるオフセットだけ遅れた観察のウィンドウ内で発生するベクトルが、Ｈに追加され、これらの追加が、Ｈの古い見本と置換される。したがって、Ｈは、先入れ先出しスタックであり、最終的に、更新された観察に完全に変えられ、したがって、モニタリングされる機器のグレースフルエージングを追跡する。オフセットは、起こりつつある障害を含む観察が学習されないようにするのに必要であり、遅延サイズの選択は、主に、応用例、データサンプリングレート、ならびに期待される障害の性質及びそれがどのように現れるかの関数である。

図２は、本発明によるモデルでのウィンドウ付き適合を示す図である。移動するウィンドウ適合のこの方法は、モニタリングされるシーケンシャルな現在の観察のタイムライン２０６に鑑みて、よりよく理解することができる。モニタリングは、タイムステップ２１０で開始される。学習された観察の基準ライブラリＨ ２１３は、モニタリングされる機器の以前の正常な動作からアセンブルされたものである。現在のリアルタイム観察２２０が、現在モニタリングされつつある。過去の観察のウィンドウ２２５が、基準ライブラリＨ ２１３に更新された見本を提供するために描かれ、これは、ライブラリ２１３から古い見本を削除する置換方式を使用してもしなくてもよい。ウィンドウ２２５は、現在の観察２２０からある遅れ分離２３０で、タイムライン２０６と共に前進する。ウィンドウ２２５の前縁に入る観察で障害が検出される場合に、起こる障害への適合を避ける２つの代替案がある。第１に、障害が発生した観察自体に、適合されないようにフラグを立てることができる。第２に、ウィンドウ付き適合を、その障害が解決されるまでオフにすることができる。障害が解決されたとき、障害解決イベントの先（時間的に）の「正常」データから開始して、ウィンドウを再初期化する。

ウィンドウ２２５内の観察を、ライブラリ２１３への追加のためにサンプリングするか、すべてを追加することができる。ライブラリ２１３に追加される観察の部分集合をサンプリングする方法には、ランダムサンプリング、周期的サンプリング、及び「特徴が表された」サンプリングが含まれ、「特徴が表された」サンプリングでは、ウィンドウ２２５内の観察の集合を、そのウィンドウ全体の動作の動力学の特徴を表す観察についてマイニングする。たとえば、１つの形が、ウィンドウ全体での観察でセンサのいずれかの最高値又は最低値を含む観察を選択することであり、任意選択として、等間隔の値（たとえば、１０℃（５０°Ｆ）から３７．８℃（１００°Ｆ）の温度範囲について、１５．６℃（６０°Ｆ）、２１．１℃（７０°Ｆ）、２６．７℃（８０°Ｆ）、及び３２．２℃（９０°Ｆ）ならびに両端の１０℃（５０°Ｆ）及び３７．８℃（１００°Ｆ）でベクトルを選択する）でのセンサ範囲（ウィンドウ全体を通じて見られる）を含むセンサ値を有する観察によって増補することである。

図３は、機器ヘルスをモニタリングするための本発明によるシステムを示すブロック図である。本発明のモデリングの使用を、機器ヘルスモニタリングを実行する完全な装置の文脈で説明する。Ｈ基準ライブラリ３０４が、通常は永久的ディスクドライブ読み取り／書き込みメモリであるメモリに保管され、正常な障害を発生しない動作でのモニタリングされる機器の予想される動作動力学の特徴を表す学習された観察を含んでいる。その機器のセンサ又は他の測定システムから獲得され又は供給されたデータが、アクティブモニタリングのために、データクリーニング、特徴抽出、及び複合信号分解を含む前処理モジュールの組３０７に供給される。データクリーニングには、スパイクに関するフィルタリング、フィルタ又はスプラインを用いるスムージング、及び当技術分野で既知の他の技術が含まれている。特徴抽出に、当技術分野で既知の、スペクトル特徴抽出、及びアナログデータ値のクラス又は他の数値シンボルへの変換が含まれる。音響又は振動などのセンサについて、複合信号分解は、これらの複合信号のスペクトル特徴から擬似センサが設けられ、信号又はサブバンドとしてのＦＦＴ成分とすることができる、特徴抽出の形である。

次いで、前処理されたデータが、Ｄセレクタモジュール３１１及び推定値ジェネレータ３１５に供給される。Ｄセレクタモジュール３１１は、上述した技術を使用して、（前処理された）現在の観察をライブラリ３０４内の見本と比較し、Ｄ行列を構成する部分集合を選択する。推定値ジェネレータ３１５は、このＤ行列及び現在の観察を使用して、上述した式１〜４に従って機器ヘルスを記述するセンサの推定値を生成する。推定値は、現在の観察と共に、以下に説明する統計テスティングモジュール３２０に供給される。統計テスティングモジュール３２０の目的は、実際の現在の読みと対比して推定値をテストして、機器の障害の始まりを検出することである。推定されたセンサ値又は推定されたパラメータは、判断技術を使用して、モニタリングされるプロセス又は機械から受け取られた実際のセンサ値又はパラメータと比較される。そのような比較は、実際の値と、プロセス又は機械の動作状態の特徴を表す期待される値の間の食い違いの表示を提供するという目的を有する。そのような食い違いは、センサ障害、始まったばかりのプロセス混乱状態、最適プロセスターゲットからのドリフト、始まったばかりの機械的故障などのインジケータである。

推定値及び現在の読みは、統計テスティングモジュールの結果と同様に、診断モジュール３２４にとって使用可能である。診断モジュール３２４に、残差、統計的テストアラート、生の値、及び生の値の特徴の組合せを既知の故障モードにマッピングすることによって、特定の既知の故障モードの特徴を表す挙動のパターンを検出するルールベースプロセッサを含めることができる。これを、以下に詳細に説明する。

統計テスティングモジュール３２０及び診断モジュール３２４の両方の結果が、ユーザインターフェースモジュール３３０にとって使用可能にされ、このユーザインターフェースモジュール３３０は、好まし実施形態では、リモートに配置できるウェブベースのグラフィカルユーザインターフェースであり、診断モジュール３２４によって生成される故障メッセージ及び信頼レベルの両方と、残差、統計テスティングアラート、及び生の値のチャートを表示する。診断結果及び統計テスト結果は、下流ソフトウェアへのソフトウェアインターフェース３３５を介して使用可能にすることもでき、この下流ソフトウェアは、たとえば、保守アクションのスケジューリング及び類似物などにこの情報を使用することができる。好ましい実施形態のソフトウェアインターフェース３３５に、ＮＥＴサービスなどのサブスクライビングシステムへの情報のポーリング及びプッシュのいずれかを行うことができるメッセージングサービスが含まれる。

適合モジュール３４０は、上述したアウトオブレンジ適合及びウィンドウ付き適合を使用して、すべての新しい現在の観察と同程度に頻繁にライブラリ３０４を更新する。

統計テスティングモジュール３２０は、現在の観察又は最近の観察のシーケンスに対するアラート条件の判定に複数のテストを使用することができる。使用できる１つのテストが、残差に対する単純な閾値であり、残差は、センサ値の推定値と、現在の観察からの実際のセンサ値（又は実際の前処理されたセンサ値）との間の差である。アラートは、そのような残差の正の閾値及び／又は負の閾値の両方を超えることに関して設定することができる。閾値は、固定（たとえば、±５．５６℃（１０°Ｆ））とするか、過去のｎ個の残差の移動するウィンドウの標準偏差の倍数又は類似物として設定することができる。

使用できるもう１つのテスト技術又は判断技術は、シーケンシャル確率比率テスト（ｓｅｑｕｅｎｔｉａｌ ｐｒｏｂａｂｉｌｉｔｙ ｒａｔｉｏ ｔｅｓｔ、ＳＰＲＴ）と呼ばれる（例えば、特許文献１参照）。広義には、特定のセンサの推定値のシーケンスについて、このテストは、事前に選択されて見逃され、かつ誤ったアラートレートで、推定値と実際の値が統計的に同一であるか異なるかすなわち、同一の正規分布又は２つの異なる正規分布のどちらに属するかを判定することができる。

ＳＰＲＴタイプのテストは、最大尤度比に基づく。このテストは、２つの代替案、すなわち、Ｈ０：μ＝０及びＨ１：μ＝Ｍの間で判断を行えるようになるまで、離散時間にプロセスをシーケンシャルにサンプリングする。言い換えると、サンプリングされる値のシーケンスは、０の周囲の分布又はある非ゼロ値の周囲の分布のどちらを表すか。次の手法が最適判断方法を提供することは示されている（平均サンプルサイズは、匹敵する固定サンプルテスト未満である）。テスト統計Ψｔは、次の式から計算される。

ここで、ｌｎ（）は、自然対数であり、ｆ_Ｈｓ（）は、仮説Ｈ_ｓの下でのランダム変数Ｙ_ｉの観察される値の確率密度関数であり、ｊは、最後の判断の時点である。

監視される信号の真の状態を知らずに２つの代替仮説の間で判断する際に、誤りを冒す可能性がある（不正な仮説判断）。２つのタイプの誤りが可能である。すなわち、Ｈ_０が真であるときこれを拒絶する（タイプＩエラー）又はＨ_０が偽であるときこれを受け入れる（タイプＩＩエラー）である。これらの誤りが、可能な場合にある任意の最小値で制御されることが好ましい。したがって、誤ったアラート又はタイプＩエラーを行う確率をαと呼び、アラームを見逃す又はタイプＩＩエラーを行う確率をβと呼ぶ。周知のＷａｌｄの近似では、それ未満の場合にＨ_０を受け入れる下限Ｌと、それを超える場合にＨ_０を受け入れる上限Ｕを定義する。

判断ルール：Ψ_ｔ≦Ｌの場合にＨ_０を受け入れ、Ψ_ｔ≧Ｕの場合にＨ_０を拒絶し、それ以外の場合にサンプリングを継続する。

このプロシージャを実施するために、プロセスのこの分布を知らなければならない。これは、システムに関するある先験的情報が存在するので、一般に問題ではない。ほとんどの場合に、多変量正規分布が満足であり、ＳＰＲＴテストは、正規確率分布ｐを仮定することによって単純化することができる。

次に、０平均仮説Ｈ_０と正平均仮説Ｈ_１の間で判断するテスト統計通常シーケンシャルテストは、

である。ここで、Ｍは、仮説化された平均（通常は、分散によって与えられる、０からの標準偏差でセットされる）、σは、トレーニング残差データの分散、ｙ_ｔは、テストされる入力値である。次に、任意の観察ｔ＋１で、
１．Ψ_ｔ＋１≦ｌｎ（（β／（１−α））の場合に、仮説Ｈ_０を真として受け入れ、
２．Ψ_ｔ＋１≧ｌｎ（（１−β）／α）の場合に、仮説Ｈ_１を真として受け入れ、
３．ｌｎ（β／（１−α））＜Ψ_ｔ＋１＜ｌｎ（（１−β）／α）の場合に、判断を行わず、サンプリングを継続する
に従って、判断を行うことができる。ＳＰＲＴテストは、モニタリングされるパラメータごとに残差に対して行うことができ、正のバイアス付き平均、負のバイアス付き平均、及び残差の分散などの他の統計モーメントに対してテストすることができる。

他の統計判断技術をＳＰＲＴの代わりに使用して、リモートにモニタリングされるプロセス又は機械が、始まったばかりの障害を示す異常な形で動作しているかどうかを判定することができる。もう１つの技術によれば、類似性演算子を使用することによって、推定されたセンサデータと実際のセンサデータを比較して、ベクトル類似性を得ることができる。ベクトル類似性が、選択された閾値未満になる場合に、アラートを示すことができ、処置を講じて、異常な状態がモニタリングされたことを、上述したように関心を持つ当事者に通知することができる。

広い範囲の変更及び修正を、本明細書に記載の発明の実施形態に対して行えることを諒解されたい。したがって、上述した詳細な説明は、制限的ではなく例示的と見なされることが意図されている。

本発明のモデルを使用する機器ヘルスモニタリングのためのフローチャートを示す図である。 本発明によるモデルでのウィンドウ付き適合を示す図である。 機器ヘルスをモニタリングするための本発明によるシステムを示すブロック図である。

Claims (56)

1. 所定のシステムに関する複数の観察の基準集合からなるデータの第１集合を提供するステップと、
   前記所定のシステムに関する少なくとも１つの観察からなるデータの第２集合を提供するステップと、
   少なくとも部分的に、前記データの第１集合と前記データの第２集合との間の比較の関数として、前記所定のシステムに関する期待される状態の特徴を表す可能性が高いモデルを判定するステップと、
   前記所定のシステムに関する一連の後続の観察を提供するステップと、
   少なくとも部分的に、前記データの第１集合と前記後続の観察との間の比較の関数として、前記モデルを時々再判定するステップと
   を有し、前記モデルが、時々、再発的に再判定されることを特徴とするシステム状態モニタリング方法。
2. 前記所定のシステムに関する複数の観察の基準集合からなるデータの第１集合を提供するステップは、さらに、
   複数のセンサを使用して前記所定のシステムをモニタリングするステップと、
   前記所定のシステムを表す測定値を受け取るステップと、
   前記所定のシステムの非センサパラメータに関する情報を受け取るステップと、
   前記所定のシステムに対応する少なくとも１つの環境条件に関する情報を受け取るステップと
   の少なくとも１つを有することを特徴とする請求項１に記載のシステム状態モニタリング方法。
3. 前記所定のシステムに関する複数の観察の基準集合からなるデータの第１集合を提供するステップは、さらに、複数の異なる時の前記観察を受け取るステップを有することを特徴とする請求項１に記載のシステム状態モニタリング方法。
4. 前記所定のシステムに関する少なくとも１つの観察からなるデータの第２集合を提供するステップは、さらに、複数のセンサを使用して前記所定のシステムをモニタリングするステップを有することを特徴とする請求項１に記載のシステム状態モニタリング方法。
5. 前記所定のシステムに関する少なくとも１つの観察からなるデータの第２集合を提供するステップは、さらに、実質的に時間的に一致するデータを提供するステップを有することを特徴とする請求項１に記載のシステム状態モニタリング方法。
6. 前記所定のシステムに関する複数の観察の基準集合からなるデータの第１集合を提供するステップは、さらに、第１の複数の情報ソースに対応する情報を受け取るステップを有し、
   前記所定のシステムに関する少なくとも１つの観察からなるデータの第２集合を提供するステップは、さらに、第２の複数の情報ソースに対応する情報を受け取るステップを有する
   ことを特徴とする請求項１に記載のシステム状態モニタリング方法。
7. 前記第２の複数の情報ソースに対応する情報を受け取るステップは、さらに、前記第２の複数の情報ソースが、少なくとも部分的に、前記第１の複数の情報ソースと同一である第２の複数の情報ソースに対応する情報を受け取るステップを有することを特徴とする請求項６に記載のシステム状態モニタリング方法。
8. 前記第２の複数の情報ソースが、少なくとも部分的に、前記第１の複数の情報ソースと同一である第２の複数の情報ソースに対応する情報を受け取るステップは、さらに、前記第２の複数の情報ソースが、少なくとも部分的に、前記第１の複数の情報ソースと同一であるが前記第１の複数の情報ソースのすべてを完全には含まない第２の複数の情報ソースに対応する情報を受け取るステップを有することを特徴とする請求項７に記載のシステム状態モニタリング方法。
9. 少なくとも部分的に、前記データの第１集合と前記データの第２集合との間の比較の関数として、前記所定のシステムに関する期待される状態の特徴を表す可能性が高いモデルを判定するステップは、さらに、少なくとも部分的に、前記データの第１集合の部分集合からなるデータの第３集合を提供するステップを有することを特徴とする請求項１に記載のシステム状態モニタリング方法。
10. 少なくとも部分的に、前記データの第１集合の部分集合からなるデータの第３集合を提供するステップは、さらに、前記データの第１集合のデータのうちで、前記データの第２集合内の少なくとも１つのデータ要素に対する少なくとも所定のレベルの類似性を有するデータを識別するステップを有することを特徴とする請求項９に記載のシステム状態モニタリング方法。
11. 前記データの第１集合を提供するステップは、さらに、データの第１行列を提供するステップを有することを特徴とする請求項１０に記載のシステム状態モニタリング方法。
12. 前記データの第３集合を提供するステップは、さらに、データの第２行列を提供するステップを有することを特徴とする請求項１１に記載のシステム状態モニタリング方法。
13. 前記データの第２行列を提供するステップは、サイズにおいて前記データの第１行列より実質的に小さいデータの第２行列を提供するステップを有することを特徴とする請求項１２に記載のシステム状態モニタリング方法。
14. 前記データの第１集合のデータのうちで、前記データの第２集合内の少なくとも１つのデータ要素に対する少なくとも所定のレベルの類似性を有するデータを識別するステップは、さらに、少なくとも部分的に
    その両端で制限されるスカラ範囲として類似性を定義するステップと、
    前記スカラ範囲の前記端の１つに対応する値からなる２つの同一の入力の類似性のレベルを定義するステップと、
    ２つの入力が同一になることに近づくにつれて増加するように類似性値の絶対値を提供するステップと
    による関数として類似性を判定するステップを有することを特徴とする請求項１０に記載のシステム状態モニタリング方法。
15. 少なくとも部分的に、前記データの第１集合と前記データの第２集合との間の比較の関数として、前記所定のシステムに関する期待される状態の特徴を表す可能性が高いモデルを判定するステップは、さらに、
    前記データの第１集合の部分集合を選択するステップと、
    前記データの第１集合の前記部分集合と前記データの第２集合との間の比較を判定するステップと
    を有することを特徴とする請求項１に記載のシステム状態モニタリング方法。
16. 前記データの第１集合の前記部分集合と前記データの第２集合との間の比較を判定するステップは、前記データの第１集合の前記部分集合の少なくともいくつかの要素と前記データの第２集合との間の類似性のレベルを判定するステップを有することを特徴とする請求項１５に記載のシステム状態モニタリング方法。
17. 前記データの第１集合の部分集合を選択するステップは、さらに、少なくとも部分的に、前記データの第１集合及び前記データの第２集合の両方への入力を含まない少なくとも１つの変数の関数として、前記データの第１集合の前記部分集合を選択するステップを有することを特徴とする請求項１５に記載のシステム状態モニタリング方法。
18. 前記データの第１集合及び前記データの第２集合の両方への入力を含まない前記少なくとも１つの変数は、環境条件変数からなることを特徴とする請求項１７に記載のシステム状態モニタリング方法。
19. 前記データの第１集合の部分集合を選択するステップは、さらに、前記データの第１集合を複数のクラスタに区分するステップを有することを特徴とする請求項１５に記載のシステム状態モニタリング方法。
20. 前記データの第１集合の前記部分集合と前記データの第２集合との間の比較を判定するステップは、さらに、前記複数のクラスタのうちで前記データの第２集合に最もよく相関するクラスタを識別するステップを有することを特徴とする請求項１９に記載のシステム状態モニタリング方法。
21. 少なくとも部分的に、前記データの第１集合と前記後続の観察との間の比較の関数として、前記モデルを時々再判定するステップは、さらに、前記データの第１集合を変更するステップを有することを特徴とする請求項１に記載のシステム状態モニタリング方法。
22. 前記データの第１集合を変更するステップは、さらに、
    識別された変数として少なくとも１つのモニタリングされるシステム変数を識別するステップと、
    前記識別された変数が前記データの第１集合に現在含まれる前記識別された変数の値の範囲を超える時を判定するステップと、
    少なくとも部分的に、前記値の範囲を超える前記識別された変数の関数として、前記データの第１集合を変更するステップと
    を有することを特徴とする請求項２１に記載のシステム状態モニタリング方法。
23. 少なくとも部分的に、前記値の範囲を超える前記識別された変数の関数として、前記データの第１集合を変更するステップは、さらに、前記データの第１集合に追加データを追加するステップを有することを特徴とする請求項２２に記載のシステム状態モニタリング方法。
24. 少なくとも部分的に、前記値の範囲を超える前記識別された変数の関数として、前記データの第１集合を変更するステップは、さらに、前記データの第１集合内の既存データを新しいデータに置換するステップを有することを特徴とする請求項２２に記載のシステム状態モニタリング方法。
25. 前記識別された変数が前記データの第１集合に現在含まれる前記識別された変数の値の範囲を超えるとき、前記データの第１集合はそれにもかかわらず変更されてはならないかどうかを判定するステップをさらに有することを特徴とする請求項２２に記載のシステム状態モニタリング方法。
26. 前記データの第１集合はそれにもかかわらず変更されてはならないかどうかを判定するステップは、さらに、前記データの第１集合は既に所定の回数だけ変更されたかどうかを判定するステップを有することを特徴とする請求項２５に記載のシステム状態モニタリング方法。
27. 前記データの第１集合はそれにもかかわらず変更されてはならないかどうかを判定するステップは、さらに、前記所定のシステムは故障を示す可能性が高いかどうかを判定するステップを有することを特徴とする請求項２５に記載のシステム状態モニタリング方法。
28. 前記識別される変数として少なくとも１つのモニタリングされるシステム変数を識別するステップは、さらに、少なくとも１つの環境変数を識別するステップを有することを特徴とする請求項２２に記載のシステム状態モニタリング方法。
29. 所定のシステムに関する複数の観察の基準集合からなるデータの第１集合を提供する第１の手段と、
    前記所定のシステムに関する少なくとも１つの観察からなるデータの第２集合を提供する第２の手段と、
    少なくとも部分的に、前記データの第１集合と前記データの第２集合との間の比較の関数として、前記所定のシステムに関する期待される状態の特徴を表す可能性が高いモデルを判定する第３の手段と、
    前記所定のシステムに関する一連の後続の観察を提供する第４の手段と、
    少なくとも部分的に、前記データの第１集合と前記後続の観察との間の比較の関数として、前記モデルを時々再判定する第５の手段と
    を備え、前記モデルが、時々、再発的に再判定されることを特徴とするシステム状態モニタリング装置。
30. 前記第１の手段は、さらに、
    複数のセンサを使用して前記所定のシステムをモニタリングする手段と、
    前記所定のシステムを表す測定値を受け取る手段と、
    前記所定のシステムの非センサパラメータに関する情報を受け取る手段と、
    前記所定のシステムに対応する少なくとも１つの環境条件に関する情報を受け取る手段と
    の少なくとも１つを備えていることを特徴とする請求項２９に記載のシステム状態モニタリング装置。
31. 前記第１の手段は、さらに、複数の異なる時の前記観察を受け取る手段を備えていることを特徴とする請求項２９に記載のシステム状態モニタリング装置。
32. 前記第の２手段は、さらに、複数のセンサを使用して前記所定のシステムをモニタリングする手段を備えていることを特徴とする請求項２９に記載のシステム状態モニタリング装置。
33. 前記第２の手段は、さらに、実質的に時間的に一致するデータを提供する手段を備えていることを特徴とする請求項２９に記載のシステム状態モニタリング装置。
34. 前記第１の手段は、さらに、第１の複数の情報ソースに対応する情報を受け取る手段を備え、
    前記第２の手段は、さらに、第２の複数の情報ソースに対応する情報を受け取る手段を備えている
    ことを特徴とする請求項２９に記載のシステム状態モニタリング装置。
35. 前記第２の複数の情報ソースに対応する情報を受け取る手段は、さらに、前記第２の複数の情報ソースが、少なくとも部分的に、前記第１の複数の情報ソースと同一である第２の複数の情報ソースに対応する情報を受け取る手段を備えていることを特徴とする請求項３４に記載のシステム状態モニタリング装置。
36. 前記第２の複数の情報ソースが、少なくとも部分的に、前記第１の複数の情報ソースと同一である前記第２の複数の情報ソースに対応する情報を受け取る手段は、さらに、前記第２の複数の情報ソースが、少なくとも部分的に、前記第１の複数の情報ソースと同一であるが前記第１の複数の情報ソースのすべてを完全には含まない第２の複数の情報ソースに対応する情報を受け取る手段を備えていることを特徴とする請求項３５に記載のシステム状態モニタリング装置。
37. 前記第３の手段は、さらに、少なくとも部分的に、前記データの第１集合の部分集合からなるデータの第３集合を提供する手段を備えていることを特徴とする請求項２９に記載のシステム状態モニタリング装置。
38. 前記データの第３集合を提供する手段は、さらに、前記データの第１集合のデータのうちで、前記データの第２集合内の少なくとも１つのデータ要素に対する少なくとも所定のレベルの類似性を有するデータを識別する手段を備えていることを特徴とする請求項３７に記載のシステム状態モニタリング装置。
39. 前記第１の手段は、さらに、データの第１行列を提供する手段を備えていることを特徴とする請求項３８に記載のシステム状態モニタリング装置。
40. 前記データの第３集合を提供する手段は、さらに、データの第２行列を提供する手段を備えていることを特徴とする請求項３９に記載のシステム状態モニタリング装置。
41. 前記データの第２行列を提供する手段は、さらに、サイズにおいて前記データの第１行列より実質的に小さいデータの第２行列を提供する手段を備えていることを特徴とする請求項４０に記載のシステム状態モニタリング装置。
42. 前記データの第１集合のデータのうちで、前記データの第２集合内の少なくとも１つのデータ要素に対する少なくとも所定のレベルの類似性を有するデータを識別する手段は、さらに、少なくとも部分的に、
    その両端で制限されるスカラ範囲として類似性を定義する手段と、
    前記スカラ範囲の前記端の１つに対応する値からなる２つの同一の入力の類似性のレベルを定義する手段と、
    ２つの入力が同一になることに近づくにつれて増加するように類似性値の絶対値を提供する手段と
    による関数として類似性を判定する手段を備えていることを特徴とする請求項３８に記載のシステム状態モニタリング装置。
43. 前記第３の手段は、さらに、
    前記データの第１集合の部分集合を選択する手段と、
    前記データの第１集合の前記部分集合と前記データの第２集合との間の比較を判定する手段と
    を備えていることを特徴とする請求項２９に記載のシステム状態モニタリング装置。
44. 前記データの第１集合の前記部分集合と前記データの第２集合との間の比較を判定する手段は、前記データの第１集合の前記部分集合の少なくともいくつかの要素と前記データの第２集合との間の類似性のレベルを判定する手段を備えていることを特徴とする請求項４３に記載のシステム状態モニタリング装置。
45. 前記データの第１集合の部分集合を選択する手段は、さらに、少なくとも部分的に、前記データの第１集合及び前記データの第２集合の両方への入力を含まない少なくとも１つの変数の関数として、前記データの第１集合の前記部分集合を選択する手段を備えていることを特徴とする請求項４３に記載のシステム状態モニタリング装置。
46. 前記データの第１集合及び前記データの第２集合の両方への入力を含まない前記少なくとも１つの変数は、環境条件変数からなることを特徴とする請求項４５に記載のシステム状態モニタリング装置。
47. 前記データの第１集合の部分集合を選択する手段は、さらに、前記データの第１集合を複数のクラスタに区分する手段を備えていることを特徴とする請求項４３に記載のシステム状態モニタリング装置。
48. 前記データの第１集合の前記部分集合と前記データの第２集合との間の比較を判定する手段は、さらに、前記複数のクラスタのうちで前記データの第２集合に最もよく相関するクラスタを識別する手段を備えていることを特徴とする請求項４７に記載のシステム状態モニタリング装置。
49. 前記第５の手段は、さらに、前記データの第１集合を変更する手段を備えていることを特徴とする請求項２９に記載のシステム状態モニタリング装置。
50. 前記データの第１集合を変更する手段は、さらに、
    識別された変数として少なくとも１つのモニタリングされるシステム変数を識別する手段と、
    前記識別された変数が前記データの第１集合に現在含まれる前記識別された変数の値の範囲を超える時を判定する手段と、
    少なくとも部分的に、前記値の範囲を超える前記識別された変数の関数として、前記データの第１集合を変更する手段と
    を備えていることを特徴とする請求項４９に記載のシステム状態モニタリング装置。
51. 少なくとも部分的に、前記値の範囲を超える前記識別された変数の関数として、前記データの第１集合を変更する手段は、さらに、前記データの第１集合に追加データを追加する手段を備えていることを特徴とする請求項５０に記載のシステム状態モニタリング装置。
52. 少なくとも部分的に、前記値の範囲を超える前記識別された変数の関数として、前記データの第１集合を変更する手段は、さらに、前記データの第１集合内の既存データを新しいデータに置換する手段を備えていることを特徴とする請求項５０に記載のシステム状態モニタリング装置。
53. 前記識別された変数が前記データの第１集合に現在含まれる前記識別された変数の値の範囲を超えるとき、前記データの第１集合はそれにもかかわらず変更されてはならないかどうかを判定する第６の手段をさらに備えていることを特徴とする請求項５０に記載のシステム状態モニタリング装置。
54. 前記第６の手段は、さらに、前記データの第１集合は既に所定の回数だけ変更されたかどうかを判定する手段を備えていることを特徴とする請求項５３に記載のシステム状態モニタリング装置。
55. 前記第６の手段は、さらに、前記所定のシステムが故障を示す可能性が高いかどうかを判定する手段を備えていることを特徴とする請求項５３に記載のシステム状態モニタリング装置。
56. 前記識別される変数として少なくとも１つのモニタリングされるシステム変数を識別する手段は、さらに、少なくとも１つの環境変数を識別する手段を備えていることを特徴とする請求項５０に記載のシステム状態モニタリング装置。