專利名稱：信息處理器、狀態(tài)判斷單元、診斷單元、信息處理方法、狀態(tài)判斷方法和診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及信息處理器、狀態(tài)判斷單元、診斷單元、信息處理方法、狀態(tài)判斷方法和診斷方法，用于在許多操作模式下起作用的對象。
背景技術(shù)：
近年來，地球的有限資源和過度的環(huán)境負擔(dān)已經(jīng)導(dǎo)致了對機械維護新方式的巨大需求，針對資源循環(huán)利用和減少對環(huán)境的影響，使得當代社會從消耗型轉(zhuǎn)變?yōu)槌掷m(xù)型。
常規(guī)的機械維護適于故障檢修——修理出故障的機械，或者統(tǒng)一的定期維護——以預(yù)定的間隔進行。故障檢修需要大量的時間和成本用于修理。定期維護由于其統(tǒng)一性會產(chǎn)生不必要的部件和廢油，從而使用戶付出更大的成本。另外定期維護也很昂貴，因為需要密集的勞動。將來需要脫離這種常規(guī)維護方式并轉(zhuǎn)變到預(yù)測維護。
在預(yù)測維護中，通過了解操作期間的負載和環(huán)境、過去維護的歷史數(shù)據(jù)庫、物理故障等等數(shù)據(jù)，診斷健全程度，并且預(yù)測進一步的磨損和剩余壽命，以便早期發(fā)現(xiàn)機械缺陷和提供安全的操作環(huán)境，。
例如，日本專利申請公開號2002-323013(后文稱為專利參考文獻1)涉及異常診斷單元，用于施工車輛比如建筑機械；在施工機械(液壓挖掘機)的車體中安裝了壓力傳感器以檢測液壓泵的出口壓力，引擎速度傳感器以檢測引擎速度，油溫傳感器以檢測液路中的油溫，以及通信設(shè)備把這些傳感器的檢測數(shù)據(jù)以無線電向網(wǎng)絡(luò)管理中心(網(wǎng)絡(luò)基站)傳送，監(jiān)控基站(如施工機械管理人員的辦公室)經(jīng)由因特網(wǎng)從網(wǎng)絡(luò)基站獲取施工機械的檢測數(shù)據(jù)，并根據(jù)檢測數(shù)據(jù)診斷施工機械的所有異常。
此外，日本專利申請公開號HEI 11-338848號日本專利申請(后文稱為專利參考文獻2)涉及異常診斷單元，用于固定機械設(shè)施比如間歇式混凝土攪拌廠或連續(xù)式混凝土攪拌廠；先收集目標攪拌廠處于正常狀態(tài)時的正常數(shù)據(jù)，根據(jù)這些正常數(shù)據(jù)，使用自組織圖提取這些正常數(shù)據(jù)的特征；根據(jù)這些特征，創(chuàng)建指示輸出單元之間的距離關(guān)系的特征圖，并存儲為正常狀態(tài)模型，根據(jù)正常狀態(tài)模型和輸入數(shù)據(jù)(輸入向量)檢測目標攪拌廠的異常。注意，通過將多維數(shù)據(jù)轉(zhuǎn)換成可視的二維圖而形成正常狀態(tài)模型，如圖13所示(其中多維數(shù)據(jù)分類成五個簇，由符號為R1-R5的區(qū)域表示)，如果輸入數(shù)據(jù)的特征與正常狀態(tài)模型一致，輸入數(shù)據(jù)就判定為正常數(shù)據(jù)。專利參考文獻2的技術(shù)可以實時地全面檢測多維輸入數(shù)據(jù)的異常。
建筑機械比如上述液壓挖掘機具有多維參數(shù)(檢測因子)，除了引擎速度、液壓泵的出口壓力和液路中的油溫以外，還涉及控制機體向前、向后和回轉(zhuǎn)移動的工作壓力，控制挖斗的挖斗液壓缸工作壓力、控制曲臂的曲臂液壓缸工作壓力，以及控制升降臂的升降臂液壓缸工作壓力。
建筑機械通過組合許多工作操作(即工作模式)而實現(xiàn)操作序列。例如，將堆積的沙土裝載到車斗(容器)中的操作序列可以粗略分成四種工作模式(操作模式)“用挖斗鏟起沙土的從始至終的操作(工作模式1)”，“在鏟起沙土之后，回轉(zhuǎn)機體將裝載沙土的挖斗移動到車斗上方的操作(工作模式2)”，“從打開挖斗至將沙土轉(zhuǎn)移到車斗以完成轉(zhuǎn)移的操作(工作模式3)”，以及“從挖斗返回堆積的沙土至為操作模式1做好準備的操作(工作模式4)”。
換言之，每個參數(shù)值都隨操作模式變換而改變，但是對每個單獨參數(shù)值進行分析卻往往無法得出精確的異常診斷。例如，雖然每個單獨參數(shù)值都處于正常范圍之內(nèi)，但是(以宏觀的觀點)當前的工作操作可能不完全對應(yīng)于以上四種操作模式中的任何一種。在這種情況下，認為此工作操作處于未知的操作模式，即出現(xiàn)了某種差錯。
診斷機械時，要判斷當前工作操作是否與符合先前分類的操作模式之一，如果當前工作操作不符合任何操作模式，就判定所述機械的操作模式不同于以上的操作模式即出現(xiàn)了某種差錯，使得似乎可以更加迅速地發(fā)現(xiàn)機械中的異常。由于這個原因，如果事先精確地識別了診斷對象機械的一切可能操作模式，就能夠根據(jù)多維參數(shù)值實時地判斷當前工作操作所對應(yīng)的操作模式。
從這個觀點考慮常規(guī)的技術(shù)，使用專利參考文獻2的自組織圖可以劃分機械的每種操作模式，即使參數(shù)是多維時也不例外。
然而，如果機械具有大量的操作模式，在單一的二維自組織圖中就會形成數(shù)量上與操作模式基本相同的簇，所以進一步增加操作模式的數(shù)量減少了每一簇的面積，并增強了鄰近簇之間的重疊，使得邊界不太清晰。這種二維圖在視覺上可以分類，但是分類需要人的判斷，這可能不精確。另外，如果要增加新的操作模式，必須從頭重新創(chuàng)建自組織圖，于是診斷機械的時間可能長得多。
以上的說明以建筑機械為例，但是所述診斷單元也能夠應(yīng)用于其操作(或參數(shù)變化)可以劃分成多種操作模式(或變化模式)的許多診斷對象(對象)。
考慮到前述的問題，本發(fā)明的目的是提供信息處理器、狀態(tài)判斷單元、診斷單元、信息處理方法、狀態(tài)判斷方法和診斷方法，用于精確地識別在許多操作模式下運轉(zhuǎn)的對象——比如機械——執(zhí)行的每種操作。

發(fā)明內(nèi)容
為了解決以上問題，本發(fā)明采用以下裝置。
換言之，本發(fā)明的信息處理器的特征在于包括檢測裝置，用于檢測n個參數(shù)值的多種組合，其中n是自然數(shù)，對于對象運行的多種操作模式的每一種，所述參數(shù)值隨操作而變化；以及自組織圖創(chuàng)建裝置，用于根據(jù)由所述檢測裝置檢測到的參數(shù)值進行多組合所獲得的檢測數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)，創(chuàng)建自組織圖；其中，所述自組織圖創(chuàng)建裝置創(chuàng)建多幅自組織圖，用作各個單獨模型，并將一幅自組織圖對應(yīng)于多種操作模式的每一種。
對象不僅僅是操作自身的結(jié)構(gòu)，也是某種存在，比如其狀態(tài)變化的天氣。另外，此處的自組織圖也不僅僅表示可視的二維圖，而且顯示了神經(jīng)元的分布，已經(jīng)使用預(yù)定維空間中的學(xué)習(xí)數(shù)據(jù)對其進行了訓(xùn)練。
采用這種結(jié)構(gòu)，由于自組織圖創(chuàng)建裝置創(chuàng)建了若干自組織圖，用作各個單獨模型，并將對象操作模式的每一種都對應(yīng)于一幅自組織圖，因而可以精確地識別在許多操作模式下起作用的所述對象執(zhí)行的每種操作。
優(yōu)選情況下，所述檢測數(shù)據(jù)可以是2n維數(shù)據(jù)，包括已經(jīng)被檢測出并指明對象瞬間狀態(tài)的所述n個參數(shù)值，以及通過求已經(jīng)被檢測出的所述n個參數(shù)值對時間的微分而獲得并指明對象瞬間狀態(tài)的變化的n個值。
因此，有可能掌握數(shù)據(jù)軌跡中的趨勢，它可能更精確地反映了各種操作模式的特性，從而能夠獲得更高精度的自組織圖。
在進一步優(yōu)選的情況下，所述檢測裝置可以檢測n個參數(shù)值的多種組合；所述自組織圖創(chuàng)建裝置可以在2n維空間中隨機地初始安排預(yù)定數(shù)目的神經(jīng)元，可以把2n維空間中檢測數(shù)據(jù)的某點(對應(yīng)根據(jù)檢測裝置的檢測結(jié)果所獲取之檢測數(shù)據(jù)的預(yù)定數(shù)目組合(例如預(yù)定數(shù)目TD))視為學(xué)習(xí)數(shù)據(jù)點進行訓(xùn)練，可以把到所述學(xué)習(xí)數(shù)據(jù)點距離最近的神經(jīng)元視為優(yōu)勝神經(jīng)元創(chuàng)建自組織圖候選者，并可以從通過多次執(zhí)行創(chuàng)建自組織圖候選者所獲得的兩幅或更多自組織圖候選者中，選擇其特征最接近所述學(xué)習(xí)數(shù)據(jù)的自組織圖候選者作為自組織圖。
其結(jié)果在于所選定的自組織圖可以視為特征最接近所述學(xué)習(xí)數(shù)據(jù)的特征。
在進一步優(yōu)選的情況下，所述自組織圖創(chuàng)建裝置可以對每個自組織圖候選者，計算優(yōu)勝神經(jīng)元到所述學(xué)習(xí)數(shù)據(jù)中所述點的平均距離，以及優(yōu)勝神經(jīng)元到所述學(xué)習(xí)數(shù)據(jù)中所述點距離的標準差，并可以選擇其平均距離和標準差都最小的自組織圖候選者作為自組織圖。此處的優(yōu)勝神經(jīng)元是有優(yōu)勝神經(jīng)元歷史(換言之，至少有一次變?yōu)閮?yōu)勝神經(jīng)元)的所有神經(jīng)元。
采用這種結(jié)構(gòu)能夠選擇最具所述學(xué)習(xí)數(shù)據(jù)特色的自組織圖。
不僅如此，如果不存在平均距離和標準差都最小的自組織圖候選者，所述自組織圖創(chuàng)建裝置可以選擇平均距離最近的自組織圖候選者作為自組織圖。
在進一步優(yōu)選的情況下，所述自組織圖創(chuàng)建裝置可以在已經(jīng)選定的自組織圖的神經(jīng)元之中刪除從未變?yōu)閮?yōu)勝神經(jīng)元的神經(jīng)元(稱為無效神經(jīng)元)。
結(jié)果，所述學(xué)習(xí)數(shù)據(jù)的特征可以由神經(jīng)元數(shù)目大為減少的自組織圖所表明，所以能夠節(jié)省存儲自組織圖所需的容量和使用自組織圖計算所需的時間。
本發(fā)明中判斷對象狀態(tài)之狀態(tài)判斷單元的特征在于包括存儲單元，以多幅自組織圖的形式存儲各個單獨模型，上述信息處理器為所述多種操作模式的每一種創(chuàng)建一幅自組織圖；所述檢測裝置；以及判斷裝置，根據(jù)與在所述檢測裝置實時地獲取的檢測數(shù)據(jù)對應(yīng)的2n維檢測數(shù)據(jù)點與在每幅自組織圖中的優(yōu)勝神經(jīng)元之間的相對距離，判斷對象的操作對應(yīng)于的哪一種操作模式。此處的優(yōu)勝神經(jīng)元是與實時檢測的某(單一)數(shù)據(jù)點距離最近的神經(jīng)元。
這種方式可以改進判斷對象操作模式的精確度。
優(yōu)選情況下，所述檢測裝置可以通過將所述檢測裝置實時地獲取的檢測數(shù)據(jù)點與在每幅自組織圖中的優(yōu)勝神經(jīng)元之間的距離，除以自組織圖中優(yōu)勝神經(jīng)元至在信息處理器中創(chuàng)建每幅自組織圖過程中使用的學(xué)習(xí)數(shù)據(jù)點的平均距離，計算相對距離。
在進一步優(yōu)選的情況下，如果每幅自組織圖的所述相對距離都等于或小于預(yù)定的閾值，所述判斷裝置可以判定所述檢測數(shù)據(jù)點符合所述一幅自組織圖，并且如果一幅自組織圖的所述相對距離大于所述預(yù)定閾值，就判定所述檢測數(shù)據(jù)點不符合所述一幅自組織圖。在進一步優(yōu)選的情況下，如果存在兩幅或更多符合的自組織圖，所有符合的自組織圖都可以選為候選者，或者相對距離最近的自組織圖選為最佳自組織圖。
診斷單元，包括上述狀態(tài)判斷單元，用于診斷所述對象，優(yōu)選情況下，所述對象可以處于包括建筑機械的機械中，所述多種操作模式表示所述機械執(zhí)行的具體操作。例如，此處的診斷是判斷機械等的操作模式是否正常。
這種診斷單元可以診斷機械等的具體操作模式。
本發(fā)明的信息處理方法的特征在于包括以下步驟檢測n個參數(shù)值多方式組合，其中n是自然數(shù)，用于對象發(fā)揮作用的多種操作模式的每一種，所述參數(shù)值隨操作而變化；根據(jù)與在所述檢測步驟中檢測到的參數(shù)值進行多組合所獲得的檢測數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)，創(chuàng)建自組織圖；其中，在所述自組織圖創(chuàng)建步驟中，創(chuàng)建多幅所述自組織圖，用作各個單獨模型，對于所述多種操作模式的每一種創(chuàng)建一幅。
同樣在這種方法中，對象不僅僅是操作自身的結(jié)構(gòu)，也是某種存在，比如其狀態(tài)變化的天氣，操作模式包括變化模式。另外，自組織圖也不僅是可視的二維圖，而且也顯示了神經(jīng)元的分布，已經(jīng)使用預(yù)定維空間中的學(xué)習(xí)數(shù)據(jù)對其進行了訓(xùn)練。
采用這種方法，由于自組織圖創(chuàng)建裝置創(chuàng)建了若干自組織圖，用作各個單獨模型，并將對象操作模式的每一種都對應(yīng)于一幅自組織圖，因而可以精確地識別在許多操作模式下起作用的所述對象執(zhí)行的每種操作。
優(yōu)選情況下，在所述檢測步驟和所述自組織圖創(chuàng)建步驟之間，本方法可以進一步包括通過處理所述檢測步驟中檢測的n個參數(shù)值而計算n個時間差分值的步驟，并可以根據(jù)2n維數(shù)據(jù)創(chuàng)建所述自組織圖，包括已經(jīng)被檢測出并指明對象瞬間狀態(tài)的所述n個參數(shù)值，以及已經(jīng)使用所述n個參數(shù)值算出并指明所述對象瞬間狀態(tài)的變化的n個時間差分值。
因此，有可能掌握數(shù)據(jù)軌跡中的趨勢，它可能更精確地反映了各種操作模式的特性，從而能夠獲得更高精度的自組織圖。
在進一步優(yōu)選的情況下，在所述檢測步驟中可以檢測n個參數(shù)值的多種組合；所述自組織圖創(chuàng)建步驟可以包括創(chuàng)建自組織圖候選者的以下子步驟在2n維空間中隨機地初始安排預(yù)定數(shù)目的神經(jīng)元，把2n維空間中檢測數(shù)據(jù)的某點視為學(xué)習(xí)數(shù)據(jù)點進行訓(xùn)練，把到所述學(xué)習(xí)數(shù)據(jù)點距離最近的神經(jīng)元視為優(yōu)勝神經(jīng)元創(chuàng)建自組織圖候選者，以及從通過多次執(zhí)行創(chuàng)建自組織圖候選者的所述步驟所創(chuàng)建的兩幅或更多自組織圖候選者中，選擇其特征最接近所述學(xué)習(xí)數(shù)據(jù)的自組織圖候選者作為自組織圖。
以這種方式，所選定的自組織圖可以視為特征最接近所述學(xué)習(xí)數(shù)據(jù)的特征。
在更進一步優(yōu)選的情況下，在選擇自組織圖的子步驟之后，所述自組織圖創(chuàng)建步驟進一步包括在已經(jīng)選定的自組織圖的神經(jīng)元之中刪除從未變?yōu)閮?yōu)勝神經(jīng)元的神經(jīng)元(即無效神經(jīng)元)的子步驟。
結(jié)果，所述學(xué)習(xí)數(shù)據(jù)的特征可以由神經(jīng)元數(shù)目大為減少的自組織圖所表明，所以能夠節(jié)省存儲自組織圖所需的容量和使用自組織圖計算所需的時間。
在進一步優(yōu)選的情況下，為所述對象的所述多個操作模式以外的新操作模式增加自組織圖時，可以在所述對象以所述新的操作模式起作用的同時，由所述檢測步驟檢測所述n個參數(shù)值；并且可以由所述自組織圖創(chuàng)建步驟，把基于已經(jīng)檢測之參數(shù)值的多方式組合的檢測數(shù)據(jù)視為學(xué)習(xí)數(shù)據(jù)，為所述新的操作模式創(chuàng)建自組織圖。
以上述方式，可以增加新操作模式對應(yīng)的自組織圖。
本發(fā)明的狀態(tài)判斷方法使用用作各個單獨模型并由上述信息處理為多種操作模式的每一種創(chuàng)建一幅的多幅自組織圖，判斷所述對象的操作對應(yīng)于哪一種操作模式，其中包括以下步驟檢測隨操作變化的n個參數(shù)值；以及根據(jù)與在所述檢測步驟中實時地獲取的檢測數(shù)據(jù)對應(yīng)的2n維空間中檢測數(shù)據(jù)點與在每幅自組織圖中的優(yōu)勝神經(jīng)元之間的相對距離，判斷對象的操作對應(yīng)于的哪一種操作模式。
這種方法能夠增強判斷對象操作模式的精確度。
在優(yōu)選情況下，在所述檢測步驟和所述判斷步驟之間，所述狀態(tài)判斷方法可以進一步包括通過處理所述檢測步驟中檢測的n個參數(shù)值而計算n個時間差分值的步驟，并且在所述判斷步驟中可以根據(jù)2n維數(shù)據(jù)判斷所述對象的操作模式，所述2n維數(shù)據(jù)包括已經(jīng)被檢測出并指明對象瞬間狀態(tài)的所述n個參數(shù)值，以及一直在處理所述檢測步驟中所檢測的n個參數(shù)值并指明了所述對象瞬間狀態(tài)的變化的n個時間差分值。
因此，有可能掌握數(shù)據(jù)軌跡中的趨勢，它可能更精確地反映了各種操作模式的特性，從而能夠獲得更高精度的自組織圖。
在進一步優(yōu)選的情況下，所述判斷步驟可以包括通過將在所述檢測步驟中實時地獲取的檢測數(shù)據(jù)點與在每幅自組織圖中的優(yōu)勝神經(jīng)元之間的距離，除以自組織圖中優(yōu)勝神經(jīng)元至由信息處理器進行創(chuàng)建自組織圖過程中使用的學(xué)習(xí)數(shù)據(jù)點的平均距離，獲得相對距離，如果每幅自組織圖的所述相對距離都等于或小于預(yù)定的閾值，就判定所述檢測數(shù)據(jù)點符合所述一幅自組織圖，并且如果每幅自組織圖的所述相對距離都大于所述預(yù)定閾值，就判定所述檢測數(shù)據(jù)點不符合所述自組織圖。在進一步優(yōu)選的情況下，如果存在兩幅或更多符合的自組織圖，所有符合的自組織圖都可以選為候選者，或者相對距離最近的自組織圖選為最佳自組織圖。
從而有可能增強判斷對象操作模式的精確度。
本發(fā)明的診斷方法包括上述狀態(tài)判斷方法，用于診斷所述對象，其中，所述對象可以處于包括建筑機械的機械中，所述多種操作模式表示所述機械執(zhí)行的具體操作。此處的診斷是判斷機械等的操作模式是否正常。
以這種方法，能夠診斷機械等的具體操作模式。
在優(yōu)選情況下，如果不存在符合的自組織圖，在判斷步驟中就可以判定所述具體的操作為未知模式或異常模式。
這種方法可以診斷機械等的操作模式是不是未知模式或異常模式。


圖1是框圖，顯示了根據(jù)本發(fā)明實施例的診斷單元；圖2顯示了根據(jù)本發(fā)明實施例，液壓挖掘機的操作模式1-4所對應(yīng)傳感器的輸出值；圖3是示意圖，直觀地顯示了根據(jù)本發(fā)明實施例，自組織圖中學(xué)習(xí)數(shù)據(jù)點(檢測數(shù)據(jù)點)與神經(jīng)元之間的最小距離；圖4(a)說明了根據(jù)本發(fā)明實施例的自組織圖，此自組織圖使用操作模式1中引擎速度P1和左液壓泵壓力P3的學(xué)習(xí)數(shù)據(jù)創(chuàng)建；圖4(b)說明了根據(jù)本發(fā)明實施例的自組織圖，此自組織圖使用操作模式1中引擎速度P1和右液壓泵壓力P4的學(xué)習(xí)數(shù)據(jù)創(chuàng)建；圖4(c)說明了根據(jù)本發(fā)明實施例的自組織圖，此自組織圖使用操作模式1中左液壓泵壓力P3和右液壓泵壓力P4的學(xué)習(xí)數(shù)據(jù)創(chuàng)建；圖4(d)說明了根據(jù)本發(fā)明實施例的自組織圖，此自組織圖使用操作模式1中引擎速度P1和燃料消耗量P2的學(xué)習(xí)數(shù)據(jù)創(chuàng)建；圖5(a)說明了根據(jù)本發(fā)明實施例的自組織圖，此自組織圖使用操作模式2中引擎速度P1和左液壓泵壓力P3的學(xué)習(xí)數(shù)據(jù)創(chuàng)建；圖5(b)說明了根據(jù)本發(fā)明實施例的自組織圖，此自組織圖使用操作模式2中引擎速度P1和右液壓泵壓力P4的學(xué)習(xí)數(shù)據(jù)創(chuàng)建；圖5(c)說明了根據(jù)本發(fā)明實施例的自組織圖，此自組織圖使用操作模式2中左液壓泵壓力P3和右液壓泵壓力P4的學(xué)習(xí)數(shù)據(jù)創(chuàng)建；圖5(d)說明了根據(jù)本發(fā)明實施例的自組織圖，此自組織圖使用操作模式2中引擎速度P1和燃料消耗量P2的學(xué)習(xí)數(shù)據(jù)創(chuàng)建；圖6(a)說明了根據(jù)本發(fā)明實施例的自組織圖，并顯示了操作模式1中引擎速度P1和左液壓泵壓力P3的學(xué)習(xí)數(shù)據(jù)(圖中小點)以及完成訓(xùn)練并刪除無效神經(jīng)元后之神經(jīng)元(圖中大點)的排列；圖6(b)說明了根據(jù)本發(fā)明實施例的自組織圖，并顯示了操作模式1中引擎速度P1和右液壓泵壓力P4的學(xué)習(xí)數(shù)據(jù)(圖中小點)以及完成訓(xùn)練并刪除無效神經(jīng)元后之神經(jīng)元(圖中大點)的排列；
圖6(c)說明了根據(jù)本發(fā)明實施例的自組織圖，并顯示了操作模式1中左液壓泵壓力P3和右液壓泵壓力P4的學(xué)習(xí)數(shù)據(jù)(圖中小點)以及完成訓(xùn)練并刪除無效神經(jīng)元后之神經(jīng)元(圖中大點)的排列；圖6(d)說明了根據(jù)本發(fā)明實施例的自組織圖，并顯示了操作模式1中引擎速度P1和燃料消耗量P2的學(xué)習(xí)數(shù)據(jù)(圖中小點)以及完成訓(xùn)練并刪除無效神經(jīng)元后之神經(jīng)元(圖中大點)的排列；圖7(a)說明了根據(jù)本發(fā)明實施例的自組織圖，并顯示了操作模式2中引擎速度P1和左液壓泵壓力P3的學(xué)習(xí)數(shù)據(jù)(圖中小點)以及完成訓(xùn)練并刪除無效神經(jīng)元后之神經(jīng)元(圖中大點)的排列；圖7(b)說明了根據(jù)本發(fā)明實施例的自組織圖，并顯示了操作模式2中引擎速度P1和右液壓泵壓力P4的學(xué)習(xí)數(shù)據(jù)(圖中小點)以及完成訓(xùn)練并刪除無效神經(jīng)元后之神經(jīng)元(圖中大點)的排列；圖7(c)說明了根據(jù)本發(fā)明實施例的自組織圖，并顯示了操作模式2中左液壓泵壓力P3和右液壓泵壓力P4的學(xué)習(xí)數(shù)據(jù)(圖中小點)以及完成訓(xùn)練并刪除無效神經(jīng)元后之神經(jīng)元(圖中大點)的排列；圖7(d)說明了根據(jù)本發(fā)明實施例的自組織圖，并顯示了操作模式2中引擎速度P1和燃料消耗量P2的學(xué)習(xí)數(shù)據(jù)(圖中小點)以及完成訓(xùn)練并刪除無效神經(jīng)元后之神經(jīng)元(圖中大點)的排列；圖8顯示了根據(jù)本發(fā)明實施例，操作模式判斷結(jié)果的實例；圖9展示了根據(jù)本發(fā)明之修改的診斷單元；圖10是流程圖，顯示了根據(jù)本發(fā)明實施例的脫機處理；圖11是流程圖，顯示了根據(jù)本發(fā)明實施例，創(chuàng)建自組織圖步驟中執(zhí)行的處理；圖12是流程圖，顯示了根據(jù)本發(fā)明實施例的實時處理；圖13是常規(guī)的自組織圖(可視化二維圖)。
具體實施例方式
現(xiàn)在將在下文中參考附圖介紹本發(fā)明的實施例。
圖1是根據(jù)本發(fā)明實施例的診斷單元。診斷單元安裝在機器比如建筑機械中，診斷所述機器是否出了故障。例如，以下的講解將假設(shè)所述診斷單元應(yīng)用于液壓挖掘機，它用作建筑機械。但是本發(fā)明絕不應(yīng)當僅應(yīng)用于這種建筑機械，它能夠應(yīng)用于在許多操作模式(變化模式)下可操作(可變)的任何對象。
如圖1所示，所述診斷單元主要包括許多傳感器(檢測裝置)1a-1d、具有自組織圖創(chuàng)建裝置2所對應(yīng)功能的ECU(電子控制單元)5、存儲單元3和判斷裝置4和監(jiān)視器6。所述ECU 5包括輸入/輸出設(shè)備、其中加入了處理程序的存儲設(shè)備(RAM、ROM)、中央處理器(CPU)等。
使傳感器1a-1d配備為在許多操作模式下可操作之液壓挖掘機的每個參數(shù)(變化因子)都對應(yīng)一個，并檢測隨液壓挖掘機所執(zhí)行操作而變化的、涉及每種操作模式的參數(shù)值多種組合。這些傳感器可以直接地檢測對應(yīng)的參數(shù)值，也能夠以對檢測值執(zhí)行算術(shù)運算等而估計數(shù)值的形式獲得對應(yīng)的參數(shù)值。
這里，涉及液壓挖掘機操作的參數(shù)是隨液壓挖掘機操作變化而變化的因素，舉例說明引擎速度，燃料消耗量，液壓泵壓力(一臺或多臺液壓泵的壓力)，液路中的油溫，控制機體向前、向后和回轉(zhuǎn)移動的工作壓力，控制挖斗的挖斗液壓缸工作壓力、控制曲臂的曲臂液壓缸工作壓力，以及控制升降臂的升降臂液壓缸工作壓力。
本診斷單元包括傳感器1a-1d，它們檢測引擎速度、燃料消耗量和液壓泵壓力作為這些參數(shù)的代表。確切地說，診斷單元包括4個傳感器1a-1d，引擎速度傳感器1a檢測引擎速度，燃料消耗量傳感器1b檢測燃料消耗量，左液壓泵壓力傳感器1c和右液壓泵壓力傳感器1d分別檢測左右液壓泵的壓力。當然，診斷單元可以包括檢測如上所述挖斗液壓缸、曲臂液壓缸、升降臂液壓缸等工作壓力的傳感器。
作為本診斷單元特征之一，自組織圖創(chuàng)建裝置2根據(jù)引擎速度傳感器1a、燃料消耗量傳感器1b、左液壓泵壓力傳感器1c和右液壓泵壓力傳感器1d所檢測出參數(shù)值的多種組合，通過使用檢測數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)，創(chuàng)建若干自組織圖(后文也稱為SOM)，用作獨立模式，并使液壓挖掘機的每種操作模式都對應(yīng)一幅自組織圖。如圖1所示，本發(fā)明的信息處理器由以上述傳感器1a-1d和SOM創(chuàng)建裝置2形成。
液壓挖掘機的每種操作模式都表示一定的操作(具體操作)。例如，將堆積的沙土裝載到車斗(容器)中的操作序列可以粗略分成四種工作模式(操作模式)“用挖斗鏟起沙土的從始至終的操作(工作模式1)”，“在鏟起沙土之后，回轉(zhuǎn)機體將裝載沙土的挖斗移動到車斗上方的操作(工作模式2)”，“從打開挖斗至將沙土轉(zhuǎn)移到車斗以完成轉(zhuǎn)移的操作(工作模式3)”，以及“從挖斗返回堆積的沙土至為操作模式1做好準備的操作(工作模式4)”?，F(xiàn)在將假設(shè)液壓挖掘機運轉(zhuǎn)在上述四種操作模式下，介紹本發(fā)明。
普通的自組織圖是可視化的識別模型，其中多維數(shù)據(jù)表示在二維空間中。然而，自組織圖也能夠用作將多維數(shù)據(jù)劃分為先前給定類，而不在二維空間中觀察數(shù)據(jù)的一種方法。
現(xiàn)在將進行的說明涉及一般分類。由測量已經(jīng)獲得的數(shù)據(jù)簇{d1，d2，...，dD}的D個組中的每個數(shù)據(jù)點di(i＝1，2，...，D)都由表現(xiàn)一定類Ci(j＝1，2，...，z)特征的n個參數(shù)值(測量特征值)形成。換言之，假設(shè)每個數(shù)據(jù)點di為di＝[P1，P2，...，Pn]。為了對工作模式恰當分類，需要僅僅通過讀取每個數(shù)據(jù)點di的n個參數(shù)值就能夠?qū)?shù)據(jù)點di劃分為適當類的技術(shù)(模型及所述模型所關(guān)聯(lián)的算法)。
這就需要根據(jù)其“答案”已知的學(xué)習(xí)數(shù)據(jù)構(gòu)建初始知識。所述“答案”是指所述學(xué)習(xí)數(shù)據(jù)所屬的實際類。學(xué)習(xí)數(shù)據(jù)用于訓(xùn)練SOM(識別模型)(換言之，逐步地更新SOM)，重復(fù)地執(zhí)行這種訓(xùn)練稱為“指導(dǎo)學(xué)習(xí)”。以上述方式獲得的SOM用作解決分類問題的裝置。
在構(gòu)建SOM時，采用更大量的學(xué)習(xí)數(shù)據(jù)能夠創(chuàng)建更精確的SOM。然而，一旦學(xué)習(xí)數(shù)據(jù)量達到了一定的程度，進一步增加數(shù)據(jù)量只能略微改進SOM的精確度。所以在優(yōu)選情況下，輸入的學(xué)習(xí)數(shù)據(jù)數(shù)目設(shè)置為預(yù)定的數(shù)目。在本實例中，術(shù)語“類”對應(yīng)于“操作模式”。
如上所述，本診斷單元的特征在于創(chuàng)建若干SOM，使液壓挖掘機的每種操作模式都對應(yīng)一個，用作單獨的模型。
換言之，為每個類Cj(C1，C2，...，Cz)都創(chuàng)建了單一的SOMj(SOM1，SOM2，...，SOMz)。因此，本發(fā)明的實施例為四個類(操作模式)的每一個都創(chuàng)建了一個SOM。使用清楚地表示單一操作模式的大量學(xué)習(xí)數(shù)據(jù)，對用作單獨模型的每個SOM都進行了訓(xùn)練。由這種訓(xùn)練構(gòu)建的每個SOM都用作本地經(jīng)過良好訓(xùn)練的專家，有能力清楚地識別單一操作模式，所以有可能精確地識別對象運轉(zhuǎn)的許多操作模式的每一種。
由于一個SOM學(xué)習(xí)單一操作模式，而不學(xué)習(xí)其它操作模式，因此一個SOM同時不具有另一種操作模式知識的特征。
由四個傳感器1a-1d檢測并輸入到SOM創(chuàng)建裝置2的數(shù)據(jù)包括指明液壓挖掘機瞬間狀態(tài)的4(n)個參數(shù)值d(k)，以及4個參數(shù)值的時間差分并指明液壓挖掘機瞬間狀態(tài)變化的4(n)個值Δd(k)，所以形式為8維(2n維)數(shù)據(jù)，匯總了4個參數(shù)值d(k)和4個參數(shù)值的4個時間差分Δd(k)。
如上所述，SOM創(chuàng)建裝置2創(chuàng)建SOM所根據(jù)的學(xué)習(xí)數(shù)據(jù)，不僅包括當前參數(shù)值d(k)，而且也包括當前參數(shù)值d(k)與先前參數(shù)值d(k-1)之間的差分值，即Δd(k)＝d(k)-d(k-1)。
僅從當前參數(shù)值d(k)無法獲得表示整個液壓挖掘機動態(tài)操作的足夠信息。但是，也考慮如上所述的Δd(k)，就有可能更精確地掌握檢測數(shù)據(jù)軌跡中的趨勢，它可能是每個單獨操作模式的特性，從而能夠創(chuàng)建更高精確度的SOM。
這種方式要求更長的學(xué)習(xí)時間，因為要創(chuàng)建的SOM由于d(k)和Δd(k)而是數(shù)據(jù)規(guī)模的兩倍。因為在訓(xùn)練SOM時僅僅執(zhí)行一次創(chuàng)建的計算，所以是可行的，因此，在液壓挖掘機運轉(zhuǎn)期間判斷當前操作模式時，所述單元沒有耗時的計算負載。
SOM創(chuàng)建裝置2在8維(2n維)空間中隨機地初始安排了預(yù)定數(shù)目的神經(jīng)元；使用上述學(xué)習(xí)數(shù)據(jù)執(zhí)行訓(xùn)練；創(chuàng)建SOM候選者，把到學(xué)習(xí)數(shù)據(jù)點距離最近的神經(jīng)元視為優(yōu)勝神經(jīng)元；并從上述多次執(zhí)行創(chuàng)建SOM候選者所創(chuàng)建的兩個或更多SOM候選者中，選擇其特征最接近學(xué)習(xí)數(shù)據(jù)的SOM候選者作為SOM。
具體地說，SOM創(chuàng)建裝置2對每個SOM候選者，計算學(xué)習(xí)數(shù)據(jù)點至優(yōu)勝神經(jīng)元的平均距離，以及學(xué)習(xí)數(shù)據(jù)點至優(yōu)勝神經(jīng)元距離的標準差，并可以選擇其平均距離和標準差都最小的SOM候選者作為SOM。此處的優(yōu)勝神經(jīng)元是有優(yōu)勝神經(jīng)元歷史(換言之，至少有一次變?yōu)閮?yōu)勝神經(jīng)元)的所有神經(jīng)元。不僅如此，此時如果不存在平均距離和標準差都最小的SOM候選者，SOM創(chuàng)建裝置2選擇其平均距離最短的SOM候選者作為SOM。
此外，SOM創(chuàng)建裝置2在選定的SOM的神經(jīng)元之中刪除從未變?yōu)閮?yōu)勝神經(jīng)元的神經(jīng)元。
以上述方式訓(xùn)練SOM優(yōu)選情況下在液壓挖掘機進行實際運轉(zhuǎn)之前進行，即優(yōu)選情況下與實際運轉(zhuǎn)分開進行(在本實施例中，稱為液壓挖掘機的“脫機狀態(tài)”)。例如，在制造商裝運液壓挖掘機之前，液壓挖掘機按照裝運之后將實際運轉(zhuǎn)的操作序列試驗運轉(zhuǎn)，SOM創(chuàng)建裝置2創(chuàng)建涉及每種操作模式的SOM并將創(chuàng)建的SOM存儲在存儲單元3中。
液壓挖掘機在操作現(xiàn)場實際運轉(zhuǎn)的同時，判斷裝置4通過將傳感器1a-1d實時獲得的檢測數(shù)據(jù)對應(yīng)的8維空間中的檢測數(shù)據(jù)點與存儲單元3中存儲的每個SOM的優(yōu)勝神經(jīng)元(后面詳細介紹)之間的距離，除以SOM創(chuàng)建裝置2創(chuàng)建SOM過程中所用學(xué)習(xí)數(shù)據(jù)點與SOM中優(yōu)勝神經(jīng)元之間的平均距離，計算相對距離RD。
另外，如果SOM的相對距離RD等于或小于預(yù)定的閾值(1+α)、則判斷裝置4就判定檢測數(shù)據(jù)點符合SOM，如果相對距離RD大于預(yù)定的閾值(1+α)、則判斷裝置4就判定檢測數(shù)據(jù)點不符合SOM。因子α表示學(xué)習(xí)數(shù)據(jù)的可靠性，優(yōu)選情況下給定例如0.2-0.3的數(shù)值。
如果存在符合檢測數(shù)據(jù)點的SOM，判斷裝置4就判定檢測數(shù)據(jù)點屬于所述符合的SOM所關(guān)聯(lián)的操作模式。例如，假若所述符合的SOM關(guān)聯(lián)到操作模式1，就判定檢測數(shù)據(jù)點屬于操作模式1。如果存在兩個或更多的SOM符合檢測數(shù)據(jù)，判斷裝置4可以選擇所有符合的SOM作為候選者(在這種情況下，可以給具有較小相對距離的候選者較高等級)，也可以選擇相對距離RD最短的SOM作為最佳的SOM。
相反，如果不存在符合檢測數(shù)據(jù)點的SOM，就判定檢測數(shù)據(jù)點不屬于任何操作模式。在這種情況下，就判定檢測數(shù)據(jù)點屬于“未知模式”或“異常模式”。此外，把這種未知模式視為新操作模式，SOM創(chuàng)建裝置2可以創(chuàng)建新的SOM并將新的SOM存儲在存儲單元3中。
如圖1所示，本發(fā)明的狀態(tài)判斷單元由傳感器1a-1d、SOM創(chuàng)建裝置2、存儲單元3和判斷裝置4組成。
監(jiān)視器6顯示判斷裝置4作出的判斷結(jié)果。換言之，如果判斷裝置4判定檢測數(shù)據(jù)點屬于操作模式之一，則在監(jiān)控器6上顯示所述操作模式。如果所述檢測數(shù)據(jù)點屬于兩種或更多的操作模式，則在監(jiān)控器6上按相對距離更小的次序顯示所述操作模式。另外，如果判定檢測數(shù)據(jù)點不對應(yīng)于任何操作模式，監(jiān)控器6顯示檢測數(shù)據(jù)點處于未知操作模式(或新操作模式)或異常操作模式。
根據(jù)本發(fā)明實施例的診斷單元構(gòu)建方式如上所述，診斷過程具有兩個主要部分采用脫機數(shù)據(jù)流的脫機處理和使用實時數(shù)據(jù)流的實時處理。
(A)脫機處理在這種處理中，SOM創(chuàng)建裝置2創(chuàng)建若干SOM，液壓挖掘機的每種操作模式都有一個SOM，用作獨立模型，每個獨立模型都清楚地表明了所關(guān)聯(lián)的操作模式。這種處理過程使用根據(jù)本實施例的信息處理方法，包括以下步驟為數(shù)據(jù)創(chuàng)建而檢測(步驟S100)、計算(S110)和創(chuàng)建SOM(S120)，如圖10所示。
為數(shù)據(jù)創(chuàng)建而檢測的步驟(步驟S100)對液壓挖掘機的每種操作模式獲取大量高可靠性的檢測數(shù)據(jù)。具體地說，在本實施例中，從4個傳感器1a-1d獲取了每種操作模式參數(shù)值的多種組合。這里，當前時刻k的參數(shù)值用d(k)表示。
在計算步驟(步驟S110)中，在為數(shù)據(jù)創(chuàng)建而檢測的步驟中所檢測的參數(shù)值受到處理，計算時間差分(包括時間差分對應(yīng)的數(shù)值比如參數(shù)值的變化率(如每單位時間變化量比如檢測階段或檢測周期))Δd(k)。
在創(chuàng)建SOM的步驟(步驟S120)中，根據(jù)在為數(shù)據(jù)創(chuàng)建而檢測的步驟中所獲取的參數(shù)值d(k)的多種組合，以及在計算步驟中算出的時間差分Δd(k)的多種組合，使用檢測數(shù)據(jù){d(k)，Δd(k)}作為學(xué)習(xí)數(shù)據(jù)，創(chuàng)建SOM，它被視為每種操作模式的獨立模型。
這種脫機處理需要時間，然而卻是最重要的步驟，它們確定了在后面實時處理中進行分類時所用SOM的質(zhì)量。
圖2顯示了當液壓挖掘機重復(fù)地執(zhí)行操作模式1至4的操作序列時，傳感器1a-1d的參數(shù)值，橫軸表示公共的時間刻度。這些圖形從上向下，分別指示引擎速度、燃料消耗量、左泵壓力、右泵壓力以及操作模式的變化。正如從圖2可以理解，理想情況是在相同操作模式下獲得相同參數(shù)值(波形)，但是即使在相同操作模式下，實際參數(shù)值也可以不同。所以，在這種脫機處理中使用大量可靠的學(xué)習(xí)數(shù)據(jù)訓(xùn)練SOM，能夠創(chuàng)建更清楚地表現(xiàn)每種操作模式特征的SOM。
上述方式為每種操作模式都獲得了典型的SOM。訓(xùn)練概念具有下列特征。由于訓(xùn)練每幅SOM時僅僅涉及一種操作模式，所以不需要在使用眾所周知的SOM軟件所表示的二維圖形上顯示神經(jīng)元的拓撲距離(附近，鄰近)。在8維空間中獲得神經(jīng)元分布(此處稱為“云”)對本實施例的SOM是足夠的。
下一步的講解將涉及在創(chuàng)建SOM步驟中進行的具體計算過程。
首先，在8維空間中隨機排列著預(yù)定數(shù)目的神經(jīng)元(步驟S200，第一步)，如圖11所示。對8維空間中的每個檢測數(shù)據(jù)點(視為脫機處理中創(chuàng)建SOM的學(xué)習(xí)數(shù)據(jù))，都獲得了到神經(jīng)元的距離(步驟S210)。此后，到檢測數(shù)據(jù)點距離最短的神經(jīng)元確定為優(yōu)勝神經(jīng)元。同時，不僅訓(xùn)練優(yōu)勝神經(jīng)元，也訓(xùn)練優(yōu)勝神經(jīng)元附近的神經(jīng)元。
這里，最短距離MD定義為2n維空間中第i個檢測數(shù)據(jù)點到神經(jīng)元距離之中的最小值。例如，假若到第j個神經(jīng)元距離最短，距離最短的第j個神經(jīng)元就稱為優(yōu)勝神經(jīng)元。最短距離MD由下列公式(1)表示MD(i)=min1≤j≤n{r(i,j)}---(1)]]>其中i＝1，2，...，TD。
這里r(i，j)表示第i個檢測數(shù)據(jù)點到第j個神經(jīng)元距離之間的距離。另外，為SOM計算的距離r(i，j)是在普通算法中已知的歐幾里得距離。
此后，判斷是否使用全部多種組合訓(xùn)練了SOM(步驟S230)，如果判斷結(jié)果是否定(否判定)，處理轉(zhuǎn)向步驟S210。反之，如果判斷結(jié)果是肯定(是判定)，處理轉(zhuǎn)向步驟S240，創(chuàng)建另一個SOM候選者。在這個階段獲取的SOM不可能總是明確指明單一操作模式的最佳SOM，所以作為候選者對待。步驟S210至步驟S240是第二步，創(chuàng)建SOM候選者的步驟由第一和第二步組成。
上述計算過程為一定的操作模式已經(jīng)創(chuàng)建了SOM候選者。在本實施例中，為了獲取精確度更高的最佳SOM，更清楚地表現(xiàn)操作模式的特征，創(chuàng)建了許多SOM候選者，從中選擇最佳的SOM。為此目的，要判斷已創(chuàng)建SOM候選者的數(shù)目是否達到了SOM創(chuàng)建之前的預(yù)定數(shù)目。如果結(jié)果為否，所述處理轉(zhuǎn)向步驟S200，創(chuàng)建另一個SOM候選者，反之，如果判斷結(jié)果為是，處理轉(zhuǎn)向步驟S260。
在步驟S260(選擇步驟)中，從若干SOM候選者中選擇其特征最接近學(xué)習(xí)數(shù)據(jù)的一個SOM候選者作為SOM。注意，現(xiàn)在將詳細介紹在步驟S260中選擇最佳SOM的方式。
表現(xiàn)2n維空間中神經(jīng)元分布特征的重要指標值是平均最短距離AVmin和最短距離MD的標準差STdev。
圖3是一個實例，可視地指明了10個檢測數(shù)據(jù)點(由于在脫機處理中把檢測數(shù)據(jù)點視為學(xué)習(xí)數(shù)據(jù)，在圖3中稱為學(xué)習(xí)數(shù)據(jù)點)d1-d10與7個神經(jīng)元n1-n7之間最短距離。平均最短距離AVmin是這些最短距離MD的平均。平均最短距離AVmin由下列已知的公式(2)表示AVmin=1TDΣi=1TDMD(i)---(2)]]>類似于平均最短距離AVmin的公式，標準差STdev由下列已知的公式(3)獲得STdev=Σi=1TD(MD(i)-AVmin)TD---(3)]]>根據(jù)平均最短距離AVmin和標準差STdev，步驟S260在已經(jīng)算出的許多SOM候選者之中，判斷哪一個SOM的特征最接近學(xué)習(xí)數(shù)據(jù)。此時，選擇平均最短距離AVmin和標準差STdev都最小的SOM候選者為最佳SOM，它最接近學(xué)習(xí)數(shù)據(jù)的特征。
如果不存在平均最短距離AVmin和標準差STdev都最小的SOM候選者，就選擇平均最短距離AVmin最小的SOM候選者作為最佳SOM。
以這種方式有可能選定最能表現(xiàn)檢測數(shù)據(jù)(學(xué)習(xí)數(shù)據(jù))特征的SOM。
在步驟S270(刪除無效神經(jīng)元的步驟)中，在選定的SOM中刪除了從未變?yōu)閮?yōu)勝神經(jīng)元的一個或多個神經(jīng)元(此處稱為“無效神經(jīng)元”)。例如，圖3顯示了兩個無效神經(jīng)元n3和n7，在訓(xùn)練SOM之后它們被刪除。應(yīng)用這種除去無效神經(jīng)元，能夠以神經(jīng)元數(shù)目大為減少的SOM表達學(xué)習(xí)數(shù)據(jù)的特征，因而能夠節(jié)省保留SOM的容量并能夠縮短使用SOM進行未來計算所需要的時間。
如同本實施例中的介紹，對一種操作模式使用一幅SOM(獨立模型)的優(yōu)點是能夠通過把表示操作模式特征的的數(shù)目眾多的檢測數(shù)據(jù)點近似為數(shù)目大為減少的神經(jīng)元，大為減少存儲容量，以及能夠迅速地執(zhí)行隨后實時處理中的分類過程。
圖4(a)、4(b)、4(c)和4(d)是操作模式1中檢測數(shù)據(jù)點的散點圖；圖4(a)顯示了引擎速度P1和左液壓泵壓力P3之間的關(guān)系；圖4(b)顯示了引擎速度P1和右液壓泵壓力P4之間的關(guān)系；圖4(c)顯示了左液壓泵壓力P3和右液壓泵壓力P4之間的關(guān)系；圖4(d)顯示了引擎速度P1和燃料消耗量P2之間的關(guān)系。由于圖4(a)、4(b)、4(c)和4(d)的SOM(獨立模型)是8維的，所以這些SOM是映射的形式，其中優(yōu)勝神經(jīng)元排列在8維空間中。
圖5(a)、5(b)、5(c)和5(d)是操作模式2中檢測數(shù)據(jù)點的散點圖。
由于圖5(a)、5(b)、5(c)和5(d)的SOM(獨立模型)也是8維的，所以這些SOM也是映射的形式，其中優(yōu)勝神經(jīng)元排列在8維空間中。
圖6(a)、6(b)、6(c)和6(d)顯示了涉及操作模式1的最佳SOM，它們將用于隨后的實時處理中。圖6(a)、6(b)、6(c)和6(d)中小點是操作模式1中的檢測數(shù)據(jù)點，大點是完成訓(xùn)練和刪除無效神經(jīng)元已經(jīng)進行之后的神經(jīng)元。
同樣，圖7(a)、7(b)、7(c)和7(d)顯示了涉及操作模式2的最佳SOM，它們將用于隨后的實時處理中。圖7(a)、7(b)、7(c)和7(d)中小點是操作模式1中的檢測數(shù)據(jù)點，大點是完成訓(xùn)練和刪除無效神經(jīng)元已經(jīng)進行之后的神經(jīng)元。
根據(jù)圖6(a)、6(b)、6(c)、6(d)、7(a)、7(b)、7(c)和7(d)，顯然神經(jīng)元主要排列在密度最高的區(qū)域。
這些神經(jīng)元在隨后實時處理中用作全體檢測數(shù)據(jù)點的代表點。
(B)實時處理這種處理根據(jù)液壓挖掘機實際運轉(zhuǎn)時實時獲得的檢測數(shù)據(jù)，判斷液壓挖掘機當前運轉(zhuǎn)在哪種操作模式。具體地說，進行計算是為了判斷此處獲得的實時檢測數(shù)據(jù)最類似上述脫機處理中創(chuàng)建的4幅SOM中的哪一幅SOM，以確定最類似之SOM所對應(yīng)的操作模式。根據(jù)本實施例的狀態(tài)判斷方法和診斷方法用于這種處理的程序步驟。
如圖12所示，首先實時檢測了4個參數(shù)值，即檢測數(shù)據(jù)(步驟S300，為狀態(tài)判斷進行的檢測步驟)。對步驟S300中檢測的參數(shù)值進行處理，以計算參數(shù)值的時間差分(包括時間差分對應(yīng)的值，比如參數(shù)值的變化率(如以檢測時間周期為例的每單位時間的變化量))Δd(k)(步驟S310，計算步驟)。換言之，檢測數(shù)據(jù)是8維數(shù)據(jù)，包括4個d(k)和4個Δd(k)，類似于脫機處理中的數(shù)據(jù)。
下一步，獲得當前檢測數(shù)據(jù)與SOM的相似度SD，每種操作模式涉及一個相似度。有許多計算相似度SD的方式，但是本實施例采用歐幾里得距離，即在SOM中從當前檢測數(shù)據(jù)點到優(yōu)勝神經(jīng)元的距離獲得相似度。
如此獲取的相似度除以平均最短距離AVmin，從而獲得當前檢測數(shù)據(jù)點和優(yōu)勝神經(jīng)元之間的相對距離RD(＝SD/AVmin)。此處的優(yōu)勝神經(jīng)元到實時檢測數(shù)據(jù)點(單點)距離最短。對4幅SOM都執(zhí)行了相對距離RD的計算(步驟S320)。
判斷已經(jīng)如上計算的相對距離RD是否等于或小于預(yù)定值(1+α)，即判斷是否RD≤1+α(α是先前確定的閾值)(步驟S330)。如果相對距離等于或小于預(yù)定值，則判定檢測數(shù)據(jù)點符合SOM，并將SOM存儲在存儲單元中作為候選者(步驟S340)。換言之，這意味著以上的檢測數(shù)據(jù)點可以分類為所述符合的SOM所關(guān)聯(lián)的操作模式。
反之，如果相對距離RD(等于或)大于預(yù)定值，則判定檢測數(shù)據(jù)點不符合SOM(步驟S350)。換言之，這意味著無法將以上的檢測數(shù)據(jù)點分類為任何操作模式。步驟S320-S340是判斷步驟。適當?shù)卦O(shè)置以上的預(yù)定值(1+α)能夠把準則確定為按照環(huán)境判斷檢測數(shù)據(jù)點是否符合SOM。
對于4種操作模式都對SOM執(zhí)行以上判斷，如果存在兩幅或更多的SOM符合檢測數(shù)據(jù)點(即存在兩種或更多的操作模式符合)，就經(jīng)由監(jiān)視器6向操作員通報這些SOM所對應(yīng)的操作模式。在這種情況下，所述操作模式以相對距離更小的次序，即相似度更高的次序顯示，使得操作員容易領(lǐng)會顯示的操作模式。
如果沒有符合檢測數(shù)據(jù)點的SOM(即沒有操作模式符合)，就經(jīng)由監(jiān)視器6向操作員通報檢測數(shù)據(jù)點處于脫機處理中尚未訓(xùn)練的“未知模式”或處于“異常模式”。當前正在運轉(zhuǎn)的液壓挖掘機存在或不存在異常的這種顯示能夠向操作員發(fā)出一種警報。
根據(jù)當前操作之實時處理的特征之一是自適應(yīng)性。具體地說，如果液壓挖掘機操作員以新操作模式操作液壓挖掘機，獲得的和受到訓(xùn)練的僅僅是涉及所述新操作模式的檢測數(shù)據(jù)，所以能夠創(chuàng)建新的SOMz+1。所述新的SOMz+1可以加入到已經(jīng)使用的SOM中。換言之，本實施例中的脫機處理已經(jīng)創(chuàng)建了4幅SOM，使4種操作模式的每一種都對應(yīng)一幅；如果加入了新的SOM，本實施例將總共創(chuàng)建和存儲了5幅SOM。
如上所述，如果打算加入新的SOM，僅僅通過向整個模型加入用作新獨立模型的SOMz+1，就不難更新分類所用的整個模型。由于這種原因，不必從頭開始為分類重新創(chuàng)建整個模型(即整個常規(guī)的可視化二維圖)，而常規(guī)創(chuàng)建技術(shù)必須如此。以這種方式在隨時加入新的操作模式能夠更精確地診斷每種操作。
圖8顯示了由根據(jù)本實施例的診斷單元做出的操作模式判斷結(jié)果的實例。圖8中實線指明液壓挖掘機的實際操作模式，虛線指明使用SOM分類的操作模式。本實施例中，在脫機處理中先前已經(jīng)訓(xùn)練的操作模式為操作模式“1”、操作模式“2”、操作模式“3”和操作模式“4”，先前未經(jīng)訓(xùn)練的操作模式(如液壓挖掘機正在空閑的模式)為操作模式“0”。操作模式“-1”指明未知模式或異常模式。
如圖8中可見，雖然操作模式有時判斷為與實際操作模式不同的操作，但是進行了基本上與實際操作模式協(xié)調(diào)的、操作模式的正確判斷。
以上已經(jīng)介紹了本發(fā)明的一個實施例，但是本發(fā)明決不應(yīng)當限于上述的實施例，可以建議多種修改而不脫離本發(fā)明的概念。
例如，本實施例使用沒有處理的檢測數(shù)據(jù)d(k)和Δd(k)。做為替代，這些值可以不直接使用，而是由主濾波器進行了平滑之后使用。
創(chuàng)建SOM所用的神經(jīng)元數(shù)目可以增多，當然計算也就需要更長的時間。以這種方式能夠創(chuàng)建更精確的SOM。
另外，介紹本實施例時把液壓挖掘機視為在許多操作模式下運轉(zhuǎn)之對象的實例。但是，所述對象不應(yīng)當僅限于液壓挖掘機。本發(fā)明也能夠應(yīng)用于運輸工具所執(zhí)行操作的正誤判斷，比如卡車、公共汽車、船只，或者機械比如工業(yè)機械所執(zhí)行操作的正誤判斷，也能夠應(yīng)用于對活體比如動物或植物的正誤判斷，及估計天氣或天體比如地球的變化。
在本實施例中，判斷單元安裝在液壓挖掘機內(nèi)，診斷過程在液壓挖掘機內(nèi)集中進行。作為替代，如圖9所示，在移動機械比如液壓挖掘機中僅僅安裝了傳感器，在商務(wù)實體中安裝了計算機，包括本發(fā)明介紹的SOM創(chuàng)建裝置2、存儲單元3、判斷單元4和監(jiān)視器6，所以即使所述商務(wù)實體遠離所述移動機械，也能夠通過從傳感器向計算機發(fā)送檢測數(shù)據(jù)，并在計算機上顯示所發(fā)送的數(shù)據(jù)，在商務(wù)實體處輕而易舉地執(zhí)行診斷。另外，圖9所示的實例在移動機械和商務(wù)實體之間插入了管理系統(tǒng)。確切地說，如果對象是移動機械，比如建筑機械、卡車、公共汽車或船只，由于地理分布造成的低效率，根據(jù)本發(fā)明的診斷單元結(jié)構(gòu)能夠滿足更高維護水平和更高維護效率的需求。
工業(yè)適用性如上所述，如果本發(fā)明應(yīng)用于能夠在許多操作模式下運轉(zhuǎn)的對象，比如建筑機械，由于本發(fā)明能夠精確地識別對象的每種操作，所以認為本發(fā)明的適用性極高。
權(quán)利要求
1.一種信息處理器，包括檢測裝置，用于檢測n個參數(shù)值的多種組合，其中n是自然數(shù)，對于對象運行的多種操作模式的每一種，所述參數(shù)值隨操作而變化；以及自組織圖創(chuàng)建裝置，用于根據(jù)由所述檢測裝置檢測到的參數(shù)值進行多種組合所獲得的檢測數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)，創(chuàng)建自組織圖；其中，所述自組織圖創(chuàng)建裝置創(chuàng)建多幅自組織圖，用作各個單獨模型，并將一幅自組織圖對應(yīng)于多種操作模式的每一種。
2.根據(jù)權(quán)利要求1的信息處理器，其中，所述檢測數(shù)據(jù)是2n維數(shù)據(jù)，包括已經(jīng)被檢測出并指明所述對象瞬間狀態(tài)的所述n個參數(shù)值，以及通過求已經(jīng)被檢測出的所述n個參數(shù)值對時間的微分而獲得并指明對象瞬間狀態(tài)的變化的n個值。
3.根據(jù)權(quán)利要求1的信息處理器，其中，所述檢測裝置檢測n個參數(shù)值的多種組合；以及所述自組織圖創(chuàng)建裝置在2n維空間中隨機地初始安排預(yù)定數(shù)目的神經(jīng)元，把2n維空間中檢測數(shù)據(jù)的某點視為學(xué)習(xí)數(shù)據(jù)點進行訓(xùn)練，把到所述學(xué)習(xí)數(shù)據(jù)點距離最近的神經(jīng)元視為優(yōu)勝神經(jīng)元創(chuàng)建自組織圖候選者，并從通過多次執(zhí)行創(chuàng)建自組織圖候選者所獲得的兩幅或更多自組織圖候選者中，選擇其特征最接近所述學(xué)習(xí)數(shù)據(jù)的自組織圖候選者作為自組織圖。
4.根據(jù)權(quán)利要求3的信息處理器，所述自組織圖創(chuàng)建裝置對每個自組織圖候選者，計算優(yōu)勝神經(jīng)元到所述學(xué)習(xí)數(shù)據(jù)中若干所述點的平均距離，以及優(yōu)勝神經(jīng)元到所述學(xué)習(xí)數(shù)據(jù)中若干所述點距離的標準差，并選擇平均距離和標準差都最小的自組織圖候選者作為自組織圖。
5.根據(jù)權(quán)利要求4的信息處理器，其中，如果不存在平均距離和標準差都最小的自組織圖候選者，所述自組織圖創(chuàng)建裝置就選擇平均距離最近的自組織圖候選者作為自組織圖。
6.根據(jù)權(quán)利要求3-5之一的信息處理器，其中，所述自組織圖創(chuàng)建裝置在已經(jīng)選定的自組織圖的神經(jīng)元之中刪除從未變?yōu)閮?yōu)勝神經(jīng)元的神經(jīng)元。
7.一種判斷對象狀態(tài)的狀態(tài)判斷單元，包括存儲單元，以多幅自組織圖的形式存儲各個單獨模型，由權(quán)利要求1-6之一定義的信息處理器為所述多種操作模式的每一種創(chuàng)建一幅自組織圖；所述檢測裝置；以及判斷裝置，根據(jù)與由所述檢測裝置實時地獲取的檢測數(shù)據(jù)對應(yīng)的2n維檢測數(shù)據(jù)點和在所述多幅自組織圖的每一幅中的優(yōu)勝神經(jīng)元之間的相對距離，判斷所述對象的操作對應(yīng)于的哪一種操作模式。
8.根據(jù)權(quán)利要求7的狀態(tài)判斷單元，其中，所述檢測裝置通過將所述檢測裝置實時地獲取的檢測數(shù)據(jù)點與在每幅所述自組織圖的優(yōu)勝神經(jīng)元之間的距離，除以自組織圖中優(yōu)勝神經(jīng)元至在信息處理器中創(chuàng)建每幅所述自組織圖過程中使用的學(xué)習(xí)數(shù)據(jù)點的平均距離，計算相對距離。
9.根據(jù)權(quán)利要求7或8的狀態(tài)判斷單元，其中，如果所述多幅自組織圖之一的所述相對距離等于或小于預(yù)定的閾值，所述判斷裝置就判定所述檢測數(shù)據(jù)點符合所述一幅自組織圖，并且如果所述自組織圖的所述相對距離大于所述預(yù)定閾值，就判定所述檢測數(shù)據(jù)點不符合所述一幅自組織圖。
10.一種診斷單元，包括權(quán)利要求7-9之一中定義的狀態(tài)判斷單元，用于診斷所述對象，其中，所述對象是包括建筑機械的機械，并且所述多種操作模式表示所述機械執(zhí)行的具體操作。
11.一種信息處理方法，包括以下步驟檢測n個參數(shù)值多種組合，其中n是自然數(shù)，對于對象運行的多種操作模式的每一種，所述參數(shù)值隨操作而變化；以及通過使用根據(jù)在所述檢測步驟中檢測到的參數(shù)值進行多種組合所獲得的檢測數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)，創(chuàng)建自組織圖；其中，在所述自組織圖創(chuàng)建步驟中，創(chuàng)建多幅所述自組織圖，用作各個單獨模型，對于所述多種操作模式的每一種創(chuàng)建一幅。
12.根據(jù)權(quán)利要求11的信息處理方法，進一步包括在所述檢測步驟和所述自組織圖創(chuàng)建步驟之間，通過處理所述檢測步驟中檢測的n個參數(shù)值而計算n個時間差分值的步驟，根據(jù)2n維數(shù)據(jù)創(chuàng)建所述自組織圖，包括已經(jīng)被檢測出并指明對象瞬間狀態(tài)的所述n個參數(shù)值，以及已經(jīng)使用所述n個參數(shù)值算出并指明所述對象瞬間狀態(tài)的變化的n個時間差分值。
13.根據(jù)權(quán)利要求11或12的信息處理方法，其中在所述檢測步驟中檢測n個參數(shù)值的多種組合；以及所述自組織圖創(chuàng)建步驟包括以下子步驟通過在2n維空間中隨機地初始安排預(yù)定數(shù)目的神經(jīng)元，把2n維空間中所述檢測數(shù)據(jù)的某點視為學(xué)習(xí)數(shù)據(jù)點進行訓(xùn)練創(chuàng)建自組織圖候選者，以及把到所述學(xué)習(xí)數(shù)據(jù)點距離最近的神經(jīng)元視為優(yōu)勝神經(jīng)元創(chuàng)建自組織圖候選者，以及從通過多次執(zhí)行創(chuàng)建自組織圖候選者的所述步驟所創(chuàng)建的兩幅或更多自組織圖候選者中，選擇其特征最接近所述學(xué)習(xí)數(shù)據(jù)的自組織圖候選者作為自組織圖。
14.根據(jù)權(quán)利要求13的信息處理方法，其中，在所述選擇自組織圖的子步驟之后，所述自組織圖創(chuàng)建步驟進一步包括在已經(jīng)選定的自組織圖的神經(jīng)元之中刪除從未變?yōu)閮?yōu)勝神經(jīng)元的無效神經(jīng)元的子步驟。
15.根據(jù)權(quán)利要求11-14之一的信息處理方法，其中為所述對象的所述多種操作模式以外的新操作模式增加自組織圖時，在所述對象以所述新的操作模式運轉(zhuǎn)的同時，由所述檢測步驟檢測所述n個參數(shù)值；并且由所述自組織圖創(chuàng)建步驟根據(jù)已經(jīng)檢測的所述參數(shù)值的多種組合，把檢測數(shù)據(jù)視為學(xué)習(xí)數(shù)據(jù)，為所述新的操作模式創(chuàng)建自組織圖。
16.一種狀態(tài)判斷方法，使用用作各個單獨模型并由根據(jù)權(quán)利要求11-15之一的信息處理方法為多種操作模式的每一種創(chuàng)建一幅的多幅自組織圖，判斷所述對象的操作對應(yīng)于哪一種操作模式，包括以下步驟檢測隨操作變化的n個參數(shù)值；以及根據(jù)與在所述檢測步驟中實時地獲取的檢測數(shù)據(jù)對應(yīng)的2n維空間中檢測數(shù)據(jù)點和在所述多幅自組織圖的每一幅中的優(yōu)勝神經(jīng)元之間的相對距離，判斷所述對象的操作對應(yīng)于的哪一種操作模式。
17.根據(jù)權(quán)利要求16的狀態(tài)判斷方法，進一步包括在所述檢測步驟和所述判斷步驟之間，通過處理所述檢測步驟中檢測的n個參數(shù)值而計算n個時間差分值的步驟，在所述判斷步驟中根據(jù)2n維數(shù)據(jù)判斷所述對象的操作模式，所述2n維數(shù)據(jù)包括已經(jīng)被檢測出并指明對象瞬間狀態(tài)的所述n個參數(shù)值，以及一直在處理所述檢測步驟中所檢測的n個參數(shù)值并指明了所述對象瞬間狀態(tài)的變化的n個時間差分值。
18.根據(jù)權(quán)利要求17的狀態(tài)判斷方法，其中，所述判斷步驟包括通過將在所述檢測步驟中實時地獲取的檢測數(shù)據(jù)點與所述自組織圖中的優(yōu)勝神經(jīng)元之間的距離，除以每幅所述自組織圖中優(yōu)勝神經(jīng)元至由所述信息處理器進行創(chuàng)建所述自組織圖過程中使用的學(xué)習(xí)數(shù)據(jù)點的平均距離，獲得相對距離，如果所述多幅自組織圖中每一幅的所述相對距離都等于或小于預(yù)定的閾值，就判定所述檢測數(shù)據(jù)點符合最后命名的自組織圖，以及如果每幅所述自組織圖的所述相對距離都大于所述預(yù)定閾值，就判定所述檢測數(shù)據(jù)點不符合所述一幅自組織圖。
19.一種診斷方法，包括權(quán)利要求16-18之一中定義的狀態(tài)判斷方法，用于診斷所述對象，其中，所述對象是包括建筑機械的機械，所述多種操作模式表示所述機械執(zhí)行的具體操作。
20.根據(jù)權(quán)利要求19的診斷方法，其中，如果不存在符合的自組織圖，在所述判斷步驟中就把所述具體操作判定為未知模式或異常模式。
全文摘要
信息處理器、狀態(tài)判斷單元、診斷單元、信息處理方法、狀態(tài)判斷方法和診斷方法，旨在精確地識別在許多操作模式下運轉(zhuǎn)的對象所執(zhí)行的每種操作。為此目的，在所述對象操作期間，傳感器(1a－1d)檢測了隨操作變化、涉及每種操作模式之n個參數(shù)值的多種組合，并且自組織圖創(chuàng)建裝置(2)根據(jù)檢測的參數(shù)值組合把檢測數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)，創(chuàng)建了若干自組織圖，用作各個單獨模型，并將所述操作模式的每一種都對應(yīng)于一幅自組織圖。
文檔編號G06N3/00GK1813263SQ20048001846
公開日2006年8月2日 申請日期2004年6月28日 優(yōu)先權(quán)日2003年6月30日
發(fā)明者甘特科·L.·瓦特奇科夫, 小松孝二, 藤井敏, 室田功 申請人:國立大學(xué)法人香川大學(xué), 新卡特彼勒三菱株式會社