數據分析系統和方法

專利名稱：數據分析系統和方法
技術領域：
本發明涉及對來自用于監測動態系統的監測系統的數據進行分析的系統和方法。
背景技術：
對系統(例如，技術系統、環境狀況、重要跡象等)的異常行為進行診斷類似于醫生基于對病人的觀測癥狀而進行的診斷。內科醫生能夠基于對病人的觀測而獲得的數據來解釋癥狀并作出診斷。即使所觀測的癥狀不足以確定病因，通常內科醫生也能夠確定癥狀或測量是不正常的，因為他們根據經驗知道在病人體內什么是正常什么是不正常的。
為了在自動狀況監測系統(CMS)中重復這樣的智能診斷系統，該CMS就必須知道“什么是正常”和“什么是不正常”。已知的CMS使用特征標(signature)來實現該目的。特征標是限量的數據，其表示通過傳感器監測的某一環境特征。特征標例如可以像溫度值一樣簡單，或者像在一定時間期間觀測的電流的傅立葉變換一樣復雜。可以通過以下步驟實現基于特征標分析的診斷1、獲取特征標2、將輸入特征標與基準特征標進行比較3、判斷輸入特征標是正常或異常4、解釋特征標以作出正確的診斷CMS通常包括步驟1-3，而步驟4在CMS發出告警之后，通常要涉及該領域的專家的介入。
通常大多數輸入特征標都被噪聲污染，這就使得難以識別它們。因此，除所有可用的已分類的特征標(基準特征標)之外，特征標數據庫還必須包含各個特征標的容許度(tolerance level)。要求容許度以避免錯誤告警。來自特征標數據庫的信息被用于將傳感器數據分類為三種不同狀態。如果系統將輸入特征標識別為它的數據庫的類成員，則可以將該輸入特征標直接分類為正常或異常，如果認為該特征標是異常則產生告警。如果系統沒有將該輸入特征標識別為處于任何基準特征標的容許度內，則認為該輸入特征標為未知或可能是異常的。在該情況下，系統也會產生告警。基于引起告警產生的特征標，如果需要領域專家介入，則領域專家能夠作出診斷并且確定該特征標實際上是否表示異常狀態。
檢測傳感器數據中的異常狀況為了在任何環境中都能自動檢測異常狀態，就要求使用傳感器。存在很多不同類型的傳感器，這些傳感器可以具有不同的可靠度。例如，在提煉廠可以使用化學傳感器能夠檢測氣體泄漏，而在電廠，可以使用電傳感器來檢測危險的高壓。一些通用類型的傳感器包括機械傳感器、溫度傳感器、磁和電磁場傳感器、激光傳感器、紅外線傳感器、紫外線傳感器、輻射傳感器和聲傳感器。
通常在時域和頻域上觀測傳感器數據。對于傳感器數據的解析分析，通常所使用的函數是幅度、平均值、范圍、干擾噪聲和標準偏差。可以單個地分析這些函數或以多維方式進行組合地分析這些函數。
在設計傳感器系統時，若干因素(例如，線性、分辨率、譜通帶、精確度、響應時間、信噪比等)會影響對傳感器的選擇。還要針對閾值和容許度考慮所有這些因素。圖1至圖4示出了狀況監測處理的示例，其包括從傳感器獲得特征標；預處理該特征標；并且進行變換以將該特征標最終分類。
簡單的CMS通過對輸入傳感器數據與閾值進行比較來檢測異常狀況，這些閾值通常是像平均值、標準偏差、最小值、最大值等這樣的統計特征值(參見圖5)。
更復雜的檢測機制將輸入特征標與基準特征標進行比較。根據問題的復雜性，能夠通過不同的技術來計算該比較。一個簡單的示例是從存儲在數據庫中的基準特征標中減去輸入特征標。將這兩個信號之差稱為誤差，該誤差的幅值確定出這兩個信號是否接近。為了更好的估計該誤差，還可以計算均方誤差。圖6示出了該方法。
確定一個誤差信號是否表示異常狀況的一種簡單方法是使用閾值。與閾值相比，對誤差信號的更復雜的估算是基于對誤差信號的若干特征的計算。為了使檢測精度最佳，必須認真選擇用于估算誤差信號的閾值。圖7示出了如何選擇上閾值和下閾值電平，以使得當出現“正常”信號之外的信號時能夠觸發告警。該精度將取決于這些電平的選擇、所使用的傳感器的質量和數據獲取系統的質量。
已知的狀況監測系統使用用以對傳感器數據進行匹配的狀況庫。例如，文章“HISS-A new approach to intelligent supervision”(KaiMichels，Proceedings of the Joint 9thIFSA World Congress and 20thNAFIPS International Conference(Vancouver，25-28 July)，IEEEPiscataway，2001(ISBN0-78037079-1)，pp.1110-1115)提供了一種通過使用音頻傳感器來檢測氣體管道中的泄漏的解決方案。由該音頻傳感器記錄的聲音與表示泄漏的聲音和表示正常環境聲音的庫相匹配。如果傳感器記錄的聲音更接近于表示泄漏的聲音，而不是更接近于正常聲音，則監測軟件發出告警。此外，可以使用人工智能技術來進行模式識別，并判斷出什么狀況應該產生告警，以監測系統的狀態。在美國專利US 6,327,550(Vinberg等人)中公開了一個這樣的示例，該專利涉及這樣一種狀態監測方法和裝置在初始“學習階段”，對系統進行訓練，以識別受監測系統的可識別的“普通模式”，這些“普通模式”是該系統通常出現的多個狀態的組。在后來的“監測階段”期間，狀況監測系統通過將所述系統的狀態向量與在學習期間通過模式識別而在先識別出的所識別的普通模式進行比較，來持續地監測所述系統，并且只要出現未處于所識別的普通模式之一的狀態向量時就產生告警。而且，在監測階段期間，系統能夠以以下方式來更新自己的學習等級。管理人員或自動管理工具可以研究告警消息，甚至檢查所管理的系統，并且如果確定告警消息是針對普通情形產生的，該情形應該包括在用于未來監測的普通模式中，則該系統能夠將該相關的新狀態添加到現有的普通模式集合中。
現有技術的美國專利US 5,890,142涉及一種用于監測系統狀況的裝置，該裝置包括預測部分，該預測部分被說明為用于生成其參數由系統的時間序列數據確定的數據向量，并用于基于通過該數據向量的嵌入運算在重構空間中生成的吸引子的行為，借助混沌推理來獲得預定的時間未來的時間序列數據的預測值。然后，該系統基于系統行為無序的假設開始作出短期預測，并判斷所觀測的系統是處于正常還是異常狀況。
顯然，通常在受監測系統的正常和異常狀況是已知的并可被指定的情況下，才可以在已知系統中應用狀況監測。這意味著，CMS不適于在不清楚的領域和如下領域中使用異常狀況在以前沒有被觀測過、不可能被觀測、并且不能被容易地創建或預測。一個示例是一件貴重機械的故障。非常期望的是，提前準確預測故障以及時安排維修。故障可能是破壞性的，以使得不可能驅動受監測的機器進入故障模式以記錄故障狀況。可能僅有關于所監測的信號的閾值的模糊的或不確定的認識，該認識不足以充分說明故障。另一個示例是在病人的家中監測需要照顧的病人。高精度地檢測是否需要護理人員介入是非常重要的，例如，如果該人沒有在白天的通常時間起床或者已倒下的情況。然而，避免錯誤告警也是很重要的，否則監測系統將不再可信，甚至監測系統可能被關斷。因此，使監測系統適合于被監測的病人，并了解對于該病人什么是正常的行為，這是重要的。對于這兩個示例，會容易地發現通常單個傳感器是不夠的。通常，但不排他地，要求多個傳感器，由此創建多維傳感器數據空間。可以將來自各個傳感器的信息適當地組合，以使得能夠對異常情形作出判斷。這將被稱為“傳感器數據合成”。
對于上面討論的示例和類似復雜的情景，我們面臨的問題是正確建立CMS的問題，因為在高維傳感器數據空間中定義正常和異常狀況通常是困難的或是不可能的。如果可以使用窮舉數量的正常和異常情形的示例，則可以將有監督的學習算法用于創建CMS能夠使用的分類器集合。然而，在諸如上面所考慮到的情景中，僅有正常情形的示例是可用的，因此，不能使用正常的學習程序。
在布置基于傳感器的CMS過程中的一個主要問題是為由CMS監測的多個傳感器建立正常狀態和異常狀況。如果異常狀況或故障狀態是未知的或不清楚的，就不能使用要求這種信息的CMS。本發明的實施例解決在這種情況下布置CMS時所遇到的這些問題。

發明內容
本發明的實施例旨在通過如下方式對可能的方面進行改進利用現有的CMS，通過使用高維數傳感器數據空間，使得能夠為不清楚的領域自動建立基于傳感器的CMS。本發明的具體實施例的目的特別在于(i)提供創建“常態模型”的裝置，這些“常態模型”使得系統能夠在不具備與異常狀況有關的任何信息的情況下，針對任何傳感器自動地學習正常狀況；(ii)通過對當前傳感器特征標與根據常態模型預測的特征標進行比較，來自動檢測異常狀況；(iii)允許將多個傳感器組織成傳感器網絡，由此，多個傳感器可以形成用作超傳感器(meta-sensor)的傳感器組，并可以執行傳感器數據合成；(iv)提供智能數據分析模塊，該模塊對來自傳感器網絡的數據進行分析、根據異常狀況的檢測產生告警、并根據用戶反饋調整常態模型。
根據本發明的第一方面，提供了一種分析系統，用于對來自用于監測動態系統的至少一個特征的監測系統的數據進行分析，所述監測系統提供關于動態系統的特征數據，所述動態系統具有至少一個已知的正常狀態，該分析系統包括第一輸入裝置，用于從監測系統接收特征數據；第二輸入裝置，用于當該動態系統處于已知的正常狀態時，從操作人員接收確認信息；常態建模裝置，被設置為響應于所接收的特征數據和確認信息來推導出常態模型，該常態模型包括表示一個或更多個已知正常狀態的數據；預測生成裝置，被設置為根據常態模型中的數據來預測未來特征數據；差函數提供裝置，被設置為提供差函數，所述差函數表示在所預測的未來特征數據與所接收的特征數據之間的可接受的差；以及比較裝置，被設置為利用所述差函數對所預測的未來特征數據與所接收的特征數據進行比較，并且如果所預測的未來特征數據與所所接收的特征數據之間的差超出該差函數，則產生異常信號。
根據本發明的第二方面，提供了一種對來自監測系統的數據進行分析的方法，所述監測系統對監測動態系統的至少一個特征進行監測并提供關于該動態系統的特征數據，所述動態系統具有至少一個已知的正常狀態，該方法包括如下步驟從監測系統接收特征數據；當該動態系統處于已知的正常狀態時，從操作人員接收確認信息；響應于所接收的特征數據和確認信息推導出常態模型，該常態模型包括表明已知正常狀態的數據；響應于常態模型中的數據來預測未來特征數據；提供差函數，所述差函數表示在所預測的未來特征與所接收的特征數據之間的可接受的差；利用所述差函數，對所預測的未來特征數據與所接收的特征數據進行比較；并且如果所預測的未來特征數據與實際所接收的特征數據之間的差超出該差函數，則產生異常信號。
根據本發明的系統和方法可以適用于很多類型的動態系統。該動態系統可以是有生命的東西(人或其他)，在該情況下，監測系統例如可以包括多種醫療傳感器中的任一種。另選地，該動態系統可以是機械系統，制造業、電力或其它工業的工廠，計算機系統，或(更一般地)環境(例如，由化學傳感器、溫度傳感器、天氣傳感器和其它傳感器來監測)。
本發明的實施例使得能夠將多個傳感器組織成有效的傳感器網絡。多個傳感器可以形成傳感器組，這些傳感器組通過傳感器數據合成來組合來自多個傳感器的數據。對于每個傳感器或傳感器組，可以自動建立常態模型。對于任一傳感器或傳感器組，常態模型使得系統能夠在缺乏關于異常狀況的任何知識的情況下來學習什么是正常狀況。通過使用常態模型來預測待由傳感器或傳感器組觀測的數據，并通過對該預測與實際測量數據進行比較，系統可以自動檢測異常狀況，而無需從諸如人類專家的操作人員或自動專家系統接收關于異常狀況的任何確認知識。
本發明的實施例提供了一種“智能”數據分析單元，其對來自諸如傳感器網絡的監測系統的數據進行分析，基于對異常狀況的檢測來使告警產生，并基于與正常狀況有關的用戶反饋來改進常態模型。如果也可以獲得與異常狀況有關的一些信息，那么還可以將其用于提高基于根據正常模型的預測的檢測精確度，但是，根據本發明實施例的系統能夠在沒有來自操作人員的與異常狀況有關的任何數據的情況下，獨立于該數據而進行工作。
本發明的實施例涉及提供一種智能數據分析單元(IDA單元)，該單元管理傳感器網絡，并持續地分析傳感器數據，以自動檢測傳感器數據中的異常狀況。該單元包含有用于自動學習什么是正常傳感器狀況的機制。該單元保存有通過適當的通信手段(例如，無線電、互聯(IP)網、或直接連接)向該單元提交數據的傳感器的列表。該單元可以將多個傳感器組織成邏輯傳感器組。傳感器組用作超傳感器，并且可以獨立于其它傳感器和傳感器組來監測該傳感器組。傳感器組包含至少一個傳感器。傳感器網絡的任意傳感器可以是任意數量的傳感器組中的一個成員。傳感器網絡的傳感器向該單元發送數據，并傳感器還可以根據它們的復雜性從該網絡中的其它傳感器接收數據并向它們發送數據。
該單元可以與使用戶能夠人工配置傳感器網絡的傳感器和傳感器組的圖形用戶界面(GUI)相互作用。GUI還可以顯示對傳感器數據進行的數據分析的結果。該單元從各個傳感器和傳感器組收集數據，并對這些數據運行智能數據分析程序。如果數據分析程序需要，則該單元還可以使用數據合成算法來組合傳感器數據。
對于該傳感器網絡中的任何傳感器，該單元都可以自動學習哪些狀況描述正常數據。該單元是通過從多個傳感器收集特征標來完成這一點的，并且使用該數據來建立可以用于預測未來特征標的常態模型。例如可以使用神經網絡或神經模糊學習算法(neuro-fuzzy learningalgorithm)來建立該模型。例如可以通過在時刻t取傳感器的最后n個特征標(St-n-1、St-n-2、…、St-1、S1)，使用這種學習算法來建立常態模型，然后預測下一個特征標St+1。然后使用預測特征標S’t+1與實際特征標St+1之間的差，來改進該常態模型。
如果已知存在一初始時間段，在該時間段中將動態系統限制為以正常狀況存在，則可以將這樣的時間段用作為“學習階段”。在該時間段中，為其創建模型的傳感器系統將僅測量正常數據，并且常態模型將準確地反映系統工作的正常狀況。在該初始學習階段結束之后，該單元然后可以監測傳感器數據，并將新特征標與在實際監測期間根據該模型獲得的預測進行比較。
然而，根據本發明的實施例，嚴格分隔的“學習階段”并不是必需的。只要在對動態系統的實際監測期間可以從操作人員接收與正常狀況有關的某些確認信息，這樣的實施例就能夠根據在實際監測動態系統期間從監測系統接收的數據來適當地推導出并更新這些實施例的常態模型和/或差函數。
如果在輸入特征標與預測特征標之間的差超出了“可接受的”差電平，則認為該輸入特征標表示異常情形，并且該單元產生告警。根據差函數來確定該“可接受的”差電平，該差函數可以是簡單的誤差閾值或歐幾里德距離、或可以是更復雜的函數。該差函數可以是預定的，但是根據本發明的優選實施例，可以根據從諸如專家的操作人員或自動專家系統接收的信息來更新差函數本身。對于常態模型的更新和改進，可以在無需操作人員提供與異常狀況有關的任何信息的情況下來實現，但是如果這種信息是可用的，則還可以在差函數的更新過程中使用該信息，以降低例如“錯誤告警”的發生。
在邊界狀況是未知或不清楚的狀況監測情況中，可以與傳感器網絡一起布設該單元。對于各個傳感器和傳感器組，該單元將自動學習什么是正常狀況，并且如果當前輸入的特征標與所期望的、預測的特征標不充分相似，則該單元將推斷已經達到了邊界狀況。
可以將根據本發明的某些實施例的系統用于分析連續變化的數據。這種數據可能是由諸如溫度、壓力、化學制品濃度等的物理特征的傳感器來提供的。另選地，可以將根據本發明其它實施例的系統用于分析例如與獨立事件的出現有關的離散數據。這種數據例如可以由家用告警系統或病人監測系統的傳感器來提供。在這樣的實施例中，特征數據可能涉及諸如門和窗的開或關、房間里有人或沒人、燈以及其它設備的開和關的離散狀態或事件，以及其它這樣的事件。在這樣的系統中，可以推導出與操作人員確認為是正常的序列有關的常態模型，并且可以將這些模型用于根據接收到的數據來預測事件的未來出現的狀態或序列。如果實際接收的數據表示與那些基于常態模型預測的狀態或序列明顯不同的狀態或序列，或者如果所預測的要在一特定時間發生的事件實際上是在可接受的時間差之外的時間發生的，則應該以與系統分析連續變化數據的方式相對應的方式產生告警。
因此，根據本發明的第三方面，提供了一種對來自用于監測動態系統的至少一個特征的監測系統的數據進行分析的分析系統，所述監測系統提供有關該動態系統的特征數據，所述動態系統具有至少一個已知的正常的狀態序列，所述分析系統包括第一輸入裝置，用于從監測系統接收特征數據；第二輸入裝置，用于當該動態系統根據已知的正常的狀態序列進行操作時，從操作人員接收確認信息；常態建模裝置，被設置成響應于所接收的特征數據和確認信息來推導出常態模型，該常態模型包括表明一個或多個已知的正常狀態序列的數據；預測生成裝置，被設置成根據常態模型中的數據來預測未來特征數據；差函數提供裝置，被設置成提供差函數，所述差函數表示所預測的未來特征與所接收的特征數據之間的可接受的差；以及比較裝置，被設置成利用所述差函數，對所預測的未來特征數據與所接收的特征數據進行比較，如果所預測的未來特征數據與所接收的特征數據之間的差超出所述差函數，則產生異常信號。
另外，根據本發明的第四方面，提供了一種對來自監測系統的數據進行分析的方法，所述監測系統用于監測動態系統的至少一個特征并提供關于該動態系統的特征數據，所述動態系統具有至少一個已知的正常狀態序列，該方法包括如下步驟從監測系統接收特征數據；當該動態系統根據所述已知的正常狀態序列進行操作時，從操作人員接收確認信息；響應于所接收的特征數據和確認信息推導出常態模型，該常態模型包括表明已知的正常狀態序列的數據；響應于常態模型中的數據，預測未來特征數據；提供差函數，所述差函數表示所預測的未來特征與所接收的特征數據之間的可接受的差；利用所述差函數，對所預測的未來特征數據與所實際接收的特征數據進行比較；并且如果所預測的未來特征數據與所接收的特征數據之間的差超出所述差函數，則產生異常信號。
將注意到根據第一方面和第三方面的系統與根據第二方面和第四方面的方法可能重疊。此外，由此實施例還可以包括將各自的兩個方面組合的多個系統或多個方法。
因此，根據本發明實施例的IDA單元能夠使用僅與正常狀況有關的用戶反饋來限定常態模型。這在如下情況中是必要的，即，如果盡管用戶認為情形是正常的，但是產生了告警。如果操作人員可以提供信息，那么該IDA單元還可以使用示例來學習特定的告警情形。該IDA單元還可以使用用戶的現有知識來支持并縮短學習階段。該用戶可以提供用于描述正常和/或異常情形的模糊規則，然后，該IDA單元可以針對各個傳感器，使用神經模糊學習算法來學習額外的規則，和/或改進現有規則。


現在將參照附圖描述本發明的實施例，在附圖中
圖1至圖4示出了可以根據狀況監測處理使用傳感器特征標的方式；圖5是可以在狀況監視期間使用的閾值類型的圖示；圖6是從基準特征標中減去輸入特征標的圖示；圖7是示出了用于誤差信號的閾值選擇的曲線圖；圖8是傳感器對象的框圖；圖9是傳感器組對象的框圖；圖10是根據本發明實施例的數據分析單元的圖；圖11是根據本發明實施例的數據分析單元的圖形用戶界面(GUI)的示例，該示例示出了傳感器的屬性；圖12是根據本發明實施例的數據分析單元的圖形用戶界面(GUI)的示例，該示例示出了傳感器網絡；圖13是表示建立根據本發明的數據分析的常態模型的流程圖；圖14是表示在根據本發明的數據分析期間通過使用常態模型來檢測異常狀況的流程圖；圖15示出了多個常態模型中的一個常態模型是如何形成的。
具體實施例方式
參照圖8到10，示出了用于傳感器網絡的智能數據分析(IDA)單元10。該單元負責收集、管理和分析來自分級構成的傳感器網絡的數據。該IDA單元10允許用戶將傳感器添加到網絡或從網絡中去除傳感器、將這些傳感器組織成組、配置這些傳感器并分析這些傳感器產生的數據。IDA單元10允許通過學習傳感器數據中的正常/異常模式來進行自動的數據分析。在檢測到異常模式時自動發出告警。用戶可以通過為各個傳感器指定規則，來配置該單元的學習和分析特征。根據需要，該單元還提供對歷史傳感器數據的分析并且生成報告。
IDA單元10的功能可以包括-向GUI提供輸出，該GUI使得用戶能夠配置并分析傳感器數據；-通過將多個傳感器組織成傳感器組，來管理傳感器網絡；-存取并智能地預處理傳感器數據；
-連續地自動分析傳感器數據；-根據有關的傳感器數據的分析結果和指定的狀況來產生告警；-學習傳感器數據中的正常/異常模式，并預測告警；以及-報告。
傳感器和傳感器組傳感器是持續地將數據提交給該系統或按照需求提供數據的實體。數據傳送不是IDA單元的部分功能。該IDA單元存取提供傳感器數據的流。邏輯傳感器存儲池層經由適當的協議(HTTP、RMI等等)對那些流進行存取。
參照圖8和9，多個傳感器可以單獨地起作用或者可被組成傳感器組起作用。每個傳感器都可能是任意多個傳感器組的其中一個成員。傳感器組可以包括傳感器和傳感器組兩者，由此形成定向的非循環圖。該分層結構的傳感器樹類似于文件系統的目錄樹。可以將傳感器認為是傳感器樹的葉節點，而傳感器組是內部節點而不可能是葉節點。(即，從每個傳感器組都有一條到傳感器節點的路徑)。即使傳感器或傳感器組看似若干個其它傳感器組的一個成員，但它在該系統中僅可以存在一次。將節點簡單地稱為傳感器或傳感器組。如果對于傳感器或傳感器組不存在基準，則可以從該系統去除對應的對象。
圖8表示傳感器對象的主要特性。該傳感器提供了可以經由傳感器接口82接通或斷開的數據流88。該傳感器對象提供了特征提取用裝置86和數據分析用裝置84。將這種內部數據分析的主函數的復雜性降低，以減小對主數據分析模塊的影響。該主函數可用于計算數據的總和，或管理數據流并產生告警。根據對應傳感器硬件的特征，可以在實際的傳感器中采用部分特征提取和分析。如果該傳感器硬件僅提供數據流，則IDA單元10(參見圖10)可以提供必要的特征提取和分析。
傳感器組(參見圖9)使得能夠形成具有多于一個數據信道的邏輯傳感器。用戶可以指定可適用于傳感器組的所有成員的規則。傳感器組可以合成并分析由其成員提供的數據(已經過預處理)。根據分析結果，傳感器組可以重新配置其成員。傳感器組經由分析界面提供對其配置和分析結果的訪問。
IDA和GUIIDA單元10提供管理和分析功能，并輸出給圖形用戶界面101。IDA單元10包含與監測系統的傳感器和/或傳感器組的接口100；和用于傳感器管理的模塊102，其可以存取傳感器庫103。用戶可以經由傳感器管理模塊102將傳感器增加并配置到傳感器樹。如果一個傳感器是傳感器庫103的一部分，則可以預先配置該傳感器，從而減少用戶建立該傳感器所必需的工作量。
該單元的IDA模塊105負責分析所有傳感器和傳感器組數據。根據由傳感器和傳感器組已執行的數據分析的量，IDA模塊105處理從自低電平傳感器數據和特征標直到所計算出的實際數據的統計和的所有事務。在下文中，將使用“傳感器信息”一詞來表示由傳感器和傳感器組提供的數據和分析結果。
該IDA模塊105提供可應用于傳感器信息的多種分析方法。該IDA模塊105還對傳感器和傳感器組提供的分析方法提供訪問。該IDA模塊包括若干學習方法，以使得能夠自動識別正常和異常的傳感器信息，下面將詳細說明。該IDA模塊105可以訪問狀況庫104，可從該狀況庫104檢索到可應用于某些類型的已知傳感器的規則。
該GUI 101提供對該系統的所有功能的訪問。該GUI 101允許用戶增加、去除和配置傳感器和傳感器組，并且顯示該傳感器樹(參見圖11和12)。通過操縱傳感器樹，該用戶能夠訪問各個對象，配置各個對象并檢索與各個對象有關的信息。
常態模型參照圖10和13，IDA單元10的IDA模塊105使用常態模型來檢測傳感器特征標中的異常狀況。根據常態模型，基于特征標St和來自最后n次步驟中的可能更早的特征標，來生成對時刻t+1的特征標的預測S’t+1。然后IDA模塊105將預測特征標S’t+1與實際測量的St+1作比較。如果差(誤差)超過特定量，則該單元產生使產生告警的信號。
圖13示出了在能夠使用“學習階段“的情況下建立常態模型的處理。在這種情況下，一定已知將存在一初始時間段，在該時間段中，已知將動態系統限制為以正常狀況存在。可以根據任何機器學習方法(例如像神經網絡，神經-模糊系統，回歸樹(regression tree)等)來建立常態模型。該常態模型基于最后n個測得的特征標來預測下一個特征標。在圖13中，選擇n＝1。將一個特征標表示為實數的向量。使用估計裝置來計算所預測的特征標與實際的下一個特征標之間的誤差。對于多維向量，可以根據歐幾里德距離來計算該誤差，或者可以使用更復雜的函數。然后，將該誤差反饋到常態模型，并且用于訓練該模型，以使得下一個預測更加準確。對于基于神經網絡的常態模型，使用例如像反向傳播或彈性傳播的學習算法。如果該模型是基于神經模糊系統，則可以使用基于神經模糊功能近似(NEFPROX)的學習算法。這些學習算法可以在線操作，即這些學習算法可以在訓練期間收集訓練數據。如果這些學習算法不能在線操作，則IDA收集適當數量的特征標，以形成訓練集，然后對常態模型進行訓練。能夠將這種方法用于例如回歸樹，這是因為用于回歸樹的歸納算法以脫機方式運行，并且期望在學習開始之前獲得所有的訓練數據。
在訓練了常態模型并且能夠根據在前的n個特征標成功地預測下一個傳感器特征標之后，可使用該常態模型來檢測異常狀況。圖14的流程圖示出了根據本發明優選實施例的利用常態模型的數據分析和異常狀態的檢測。首先，來參照該流程圖的主要步驟，在步驟141和141’處，從監測系統接收表明特性數據的連續特征標St。在步驟144，根據在收到最近特征標之前的常態模型中的數據來預測S’t。應當注意，可以在最近的特征標接收步驟141’之前或之后來執行預測步驟144。在步驟145，將表示在最近實際接收到的特征標與所預測的特征標之間的距離的函數(s，s’)與差函數θ進行比較。下面將更加詳細地討論差函數θ的形式。如果該距離d(s，s’)大于差函數θ，則認為當前狀況為異常，并且該系統會使告警產生(步驟146)。該告警的嚴重程度可以取決于為偏差的大小，也可以取決于在某一時間間隔上的偏差數目。一旦接收到該告警，將該告警識別為錯誤的操作人員(因為當前條件為正常)向該系統提供表明實際上當前狀況為正常的確認信號(步驟147)，在該情況下，判定需要更新該常態模型(步驟148)。如果響應于告警，沒有從操作人員接收到這樣的確認信號，則判定該告警正確地表明了異常情形。
盡管上面一段描述了一個實施例，在該實施例中可以響應于所接收的特征標和確認信息，即時地更新常態模型，但是應當注意，根據本發明的某些實施例，可以通過更新差函數θ的形式來替代地實現對該系統的即時調整。差函數θ的最簡單的形式可以是簡單的誤差閾值或者歐幾里德距離，但也可以是依從于諸如前面接收的數據、與時間有關的因素、前面產生的告警數量等因素的更復雜的函數。可以根據從諸如專家的操作人員或自動專家系統接收的信息來更新差函數，并且根據優選實施例，該差函數可以是模糊邏輯規則基礎(fuzzy logic rule-base)的確定依據。
顯然，盡管更新常態模型和更新差函數的效果可以相互補充，并且在這兩者都最適合的情況下優選的實施例是常態模型和差函數二者都可以被更新，但是對于某些應用，更新二者中的一個而不更新另一個的實施方式，以及對二者都不更新的實施方式也是足夠的。
也可以根據可選擇的狀況庫來檢測異常狀況，在預測步驟和將特征標與常態模型進行比較步驟之前或之后查閱該可選擇的狀況庫。如果在前的異常狀態是已知的并且已被存儲，則可以將當前的特征標與那些狀況進行比較，如果當前特征標與所存儲的狀況中的一個相匹配，則可以產生告警。如果操作人員接受了該告警，則可以更新該狀況庫。因此，可以隨時間來收集異常狀況，并將這些異常狀況用于補充常態模型。在圖14的流程圖中的步驟142、143和149示出了使用這種狀況庫來檢測已知的異常狀況。在特征標預測步驟(144)和比較步驟(145)(將實際接收的特征標與預測特征標之間的距離d(s，s’)與差函數θ進行比較)之前示出的步驟142中，將接收到的特征標與存儲在狀況庫中的特征標進行比較，但是應當注意，步驟142和143可以在步驟144和步驟145之后執行。如果最近檢測的特征標與存儲在狀況庫中的作為已知異常特征標的這些特征標之一充分匹配，則在步驟143產生告警。在操作人員在步驟146中接受系統在步驟143產生的告警的情況下(這被看作為確認，即，系統認為是異常的狀況也被操作人員診斷為異常)，執行狀況庫的更新(步驟149)。除了常態模型的更新和/或差函數的更新之外，還可以進行這樣的更新。
對于單個傳感器或傳感器組、以及對一個完整的傳感器網絡來說，都可以使用常態模型。參照圖15，如果從這樣的系統接收數據，即獨立于其它系統來分析由某些傳感器或傳感器組所監測的該系統的特征，則可能適合于形成分級的常態模型。與分離的傳感器或傳感器組相關聯地創建的第一級常態模型152中的每一個模型都提供等效于告警狀態或傳感器信號的輸出，并且分析系統可將這些輸出看作特征數據，并使用這些數據來推導出“多個常態模型中的一個常態模型”154，以根據本發明來分析數據。
除非上下文清楚地要求，否則，在整個說明書和權利要求書中，將詞語“包括(comprise)”、“包括(comprising)”等解釋為與排他或窮舉的意思相反的包含的意思，即，意思是“包括，而不是限于”。
權利要求
1.一種分析系統，用于對來自用于監測動態系統的至少一個特征的監測系統的數據進行分析，所述監測系統提供關于所述動態系統的特征數據，所述動態系統具有至少一個已知的正常狀態，所述分析系統包括第一輸入裝置，用于從所述監測系統接收特征數據；第二輸入裝置，用于當所述動態系統處于所述已知的正常狀態時，從操作人員接收確認信息；常態建模裝置，被設置為響應于所接收的特征數據和確認信息來推導出常態模型，該常態模型包括表明一個或多個已知正常狀態的數據；預測生成裝置，被設置為根據所述常態模型中的數據來預測未來特征數據；差函數提供裝置，被設置為提供差函數，所述差函數表明所預測的未來特征數據與所接收的特征數據之間的可接受的差；以及比較裝置，被設置為利用所述差函數，對所預測的未來特征數據與所接收的特征數據進行比較，如果所預測的未來特征數據與所接收的特征數據之間的差超出所述差函數，則產生異常信號。
2.一種分析系統，用于對來自用于監測動態系統的至少一個特征的監測系統的數據進行分析，所述監測系統提供關于所述動態系統的特征數據，所述動態系統具有至少一個已知的正常狀態序列，所述分析系統包括第一輸入裝置，用于從所述監測系統接收特征數據；第二輸入裝置，用于當該動態系統根據已知的正常狀態序列進行操作時，從操作人員接收確認信息；常態建模裝置，被設置為響應于所接收的特征數據和確認信息來推導出常態模型，該常態模型包括表明一個或多個已知的正常狀態序列的數據；預測生成裝置，被設置為根據常態模型中的數據來預測未來特征數據；差函數提供裝置，被設置為提供差函數，所述差函數表明所預測的未來特征與所接收的特征數據之間的可接受的差；以及比較裝置，被設置為利用所述差函數，對所預測的未來特征數據與所接收的特征數據進行比較，并且如果所預測的未來特征數據與所接收的特征數據之間的差超出所述差函數，則產生異常信號。
3.根據權利要求1或2所述的分析系統，其中所述差函數提供裝置提供預定的差函數。
4.根據權利要求1、2或3所述的分析系統，其中所述差函數提供裝置包括差函數推導裝置，用于根據所接收的特征信息和確認信息的有或無來推導差函數。
5.根據權利要求1、2、3或4所述的分析系統，其中所述差函數提供裝置包括差函數更新裝置，如果響應于異常信號而從操作人員接收到所述動態系統處于正常狀態的確認信息，則所述差函數更新裝置對所述差函數進行更新。
6.根據前述任一項權利要求所述的分析系統，其中所述差函數提供裝置使用模糊邏輯。
7.根據前述任一項權利要求所述的分析系統，其中所述常態建模裝置包括常態模型更新裝置，用于響應于所接收的特征數據和來自操作人員的確認信息的有或無，來更新常態模型。
8.根據前述任一項權利要求所述的分析系統，其中所述常態模型是模糊系統。
9.根據前述任一項權利要求所述的分析系統，還包括異常狀態存儲裝置，用于存儲表明一個或多個已知異常狀態的數據；以及異常比較裝置，用于將所接收的特征數據與所述異常狀態存儲裝置中的數據進行比較，如果所接收的特征數據與所述異常狀態存儲裝置中的所述數據匹配，則產生異常信號。
10.一種對來自監測系統的數據進行分析的方法，所述監測系統對動態系統的至少一個特征進行監測并提供關于該動態系統的特征數據，所述動態系統具有至少一個已知的正常狀態，該方法包括如下步驟從所述監測系統接收特征數據；當所述動態系統處于已知的正常狀態時，從操作人員接收確認信息；響應于所接收的特征數據和確認信息推導常態模型，所述常態模型包括表明已知正常狀態的數據；響應于所述常態模型中的數據來預測未來特征數據；提供差函數，所述差函數表示所預測的未來特征與所接收的特征數據之間的可接受的差；結合所述差函數，將所預測的未來特征數據與所實際接收的特征數據進行比較；以及如果所預測的未來特征數據與所實際接收的特征數據之間的所述差超出所述差函數，則產生異常信號。
11.一種對來自監測系統的數據進行分析的方法，所述監測系統對動態系統的至少一個特征進行監測并提供關于該動態系統的特征數據，所述動態系統具有至少一個已知的正常狀態序列，該方法包括如下步驟從所述監測系統接收特征數據；當所述動態系統根據已知的正常狀態序列進行操作時，從操作人員接收確認信息；響應于所接收的特征數據和確認信息推導常態模型，該常態模型包括表明已知的正常狀態序列的數據；響應于常態模型中的數據來預測未來特征數據；提供差函數，所述差函數表示所預測的未來特征與所接收的特征數據之間的可接受的差；結合所述差函數，對所預測的未來特征數據與所接收的特征數據進行比較；以及如果所預測的未來特征數據與所接收的特征數據之間的差超出所述差函數，則產生異常信號。
全文摘要
對來自用于監測動態系統的特征的監測系統的數據進行分析的方法和系統，所述監測系統提供關于具有至少一個已知正常狀態的動態系統的特征數據，所述分析系統包括用于從所述監測系統接收特征數據的裝置(100)；用于當所述動態系統處于已知的正常狀態時，從操作人員接收確認信息的裝置(101)；常態建模裝置(105)，用于響應于所接收的特征數據和確認信息來推導出常態模型，該常態模型包括表明已知的正常狀態的數據；預測生成裝置(105)，用于根據所述常態模型來預測未來特征數據；差函數提供裝置(105)，用于提供差函數，所述差函數表明所預測的特征數據與所接收的特征數據之間的可接受的差；以及比較裝置(105)，用于結合所述差函數，對所預測的特征數據與所接收的特征數據進行比較，并且如果所述差超出差函數，則產生異常信號。
文檔編號G05B23/02GK1768311SQ200480008990
公開日2006年5月3日 申請日期2004年3月12日 優先權日2003年3月31日
發明者德特勒夫·丹尼爾·瑙克, 貝南·阿斯文, 馬丁·斯波特 申請人:英國電訊有限公司