【課題】監視対象のシステムの状態を経験的に診断するためのシステム。
【解決手段】システム９０２のモデル９２２から得られた、監視されたパラメータ９２０の推定値が、残余値９２４をもたらす。この残余値を故障モードサイン認識９１６のために分析することができる。残余値はまた、アラート（０でない）条件についてテストすることもでき９２７、このように生成されたアラートのパターン９１４を、故障モードサインパターン９１６に対して分析する。システム９０２は、類似性演算子をサイン認識９１６に利用し、またパラメータ推定９２４にも利用する。故障モードは経験的に決定され、前兆データ９３０が自動的に分析されて、故障モードについての識別可能サインが決定される９１６。 （もっと読む）

監視システム中の故障を診断するための方法および装置が与えられている。パラメータデータの評価はシステムの既知の特性の参照パラメータデータ特性を有するシステムから生成される。パラメータデータの生成された評価は測定されたパラメータデータと比較される。残余はパラメータデータの評価と測定されたパラメータデータとの間の関係に基づいて各パラメータについて決定される。ファジー分類規則は予め定められた故障の存在を示すために使用されるパラメータの残余を使用することにより予め定められた故障が存在する確率を決定するために実行される。 （もっと読む）

【課題】監視対象のシステム（９１８）の状態を経験的に診断するためのシステム（９０２）を提供する。
【解決手段】システムのモデル（９２２）から得られた、監視されたパラメータ（９２０）の推定値が、残余値（９２４）をもたらす。この残余値を故障モードサイン認識（９１６）のために分析することができる。残余値はまた、アラート（０でない）条件についてテストすることもでき（９２７）、このように生成されたアラートのパターン（９１４）を、故障モードサインパターン（９１６）に対して分析する。システム（９０２）は、類似性演算子をサイン認識（９１６）に利用し、またパラメータ推定（９２４）にも利用する。故障モードは経験的に決定され、前兆データ（９３０）が自動的に分析されて、故障モードについての識別可能サインが決定される（９１６）。 （もっと読む）

【課題】プロセスまたはマシン（１０５）を監視または制御するための、改良された経験的モデルベースのサーベイランスまたは制御のシステムを提供する。
【解決手段】プロセスまたはマシン（１０５）を監視または制御するための、改良された経験的モデルベースのサーベイランスまたは制御のシステムは、プロセスまたはマシンについて正常または非例外的と見なされる新しい動作状態に応答して、経験的モデル（１１７）の適応を提供する。適応決定モジュール（１２５）は、警報を必要とするプロセスまたはセンサの混乱を、まだモデリングされていない新しい動作状態から区別する。再トレーニング・モジュール（１２８）は、経験的モデル（１１７）を更新して新しい状態を組み込み、プルーニング技術は、オプションとして、モデルによって認識された追加の新しい状態を選択して古い状態を除去することによって、経験的モデルを維持する。 （もっと読む）

センサーが監視する監視されるシステムの故障を診断する方法および装置を提供する。この監視されるシステムの対象構成要素に対して経験的モデルを生成する。当該経験的モデルを、センサーの実例観測記録を含む履歴データソースでトレーニングする。ほぼリアルタイムの推定値を、対象構成要素に対応する計測データに基づいて生成する。このほぼリアルタイムの推定値をセンサーの計測値と比較して差分を計算し、残差値を求める。当該残差値を分析して故障を検出し、監視されるシステムの故障位置を判定する。
（もっと読む）

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。 （もっと読む）