信息處理器、狀態判斷單元、診斷單元、信息處理方法、狀態判斷方法和診斷方法
2023-04-24 01:29:56
專利名稱：信息處理器、狀態判斷單元、診斷單元、信息處理方法、狀態判斷方法和診斷方法
技術領域：
本發明涉及信息處理器、狀態判斷單元、診斷單元、信息處理方法、狀態判斷方法和診斷方法，用於在許多操作模式下起作用的對象。
背景技術：
近年來，地球的有限資源和過度的環境負擔已經導致了對機械維護新方式的巨大需求，針對資源循環利用和減少對環境的影響，使得當代社會從消耗型轉變為持續型。
常規的機械維護適於故障檢修——修理出故障的機械，或者統一的定期維護——以預定的間隔進行。故障檢修需要大量的時間和成本用於修理。定期維護由於其統一性會產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維護方式並轉變到預測維護。
在預測維護中，通過了解操作期間的負載和環境、過去維護的歷史資料庫、物理故障等等數據，診斷健全程度，並且預測進一步的磨損和剩餘壽命，以便早期發現機械缺陷和提供安全的操作環境，。
例如，日本專利申請公開號2002-323013(後文稱為專利參考文獻1)涉及異常診斷單元，用於施工車輛比如建築機械；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，以及通信設備把這些傳感器的檢測數據以無線電向網絡管理中心(網絡基站)傳送，監控基站(如施工機械管理人員的辦公室)經由網際網路從網絡基站獲取施工機械的檢測數據，並根據檢測數據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(後文稱為專利參考文獻2)涉及異常診斷單元，用於固定機械設施比如間歇式混凝土攪拌廠或連續式混凝土攪拌廠；先收集目標攪拌廠處於正常狀態時的正常數據，根據這些正常數據，使用自組織圖提取這些正常數據的特徵；根據這些特徵，創建指示輸出單元之間的距離關係的特徵圖，並存儲為正常狀態模型，根據正常狀態模型和輸入數據(輸入向量)檢測目標攪拌廠的異常。注意，通過將多維數據轉換成可視的二維圖而形成正常狀態模型，如圖13所示(其中多維數據分類成五個簇，由符號為R1-R5的區域表示)，如果輸入數據的特徵與正常狀態模型一致，輸入數據就判定為正常數據。專利參考文獻2的技術可以實時地全面檢測多維輸入數據的異常。
建築機械比如上述液壓挖掘機具有多維參數(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、向後和迴轉移動的工作壓力，控制挖鬥的挖鬥液壓缸工作壓力、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。
建築機械通過組合許多工作操作(即工作模式)而實現操作序列。例如，將堆積的沙土裝載到車鬥(容器)中的操作序列可以粗略分成四種工作模式(操作模式)「用挖鬥鏟起沙土的從始至終的操作(工作模式1)」，「在鏟起沙土之後，迴轉機體將裝載沙土的挖鬥移動到車鬥上方的操作(工作模式2)」，「從打開挖鬥至將沙土轉移到車鬥以完成轉移的操作(工作模式3)」，以及「從挖鬥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，每個參數值都隨操作模式變換而改變，但是對每個單獨參數值進行分析卻往往無法得出精確的異常診斷。例如，雖然每個單獨參數值都處於正常範圍之內，但是(以宏觀的觀點)當前的工作操作可能不完全對應於以上四種操作模式中的任何一種。在這種情況下，認為此工作操作處於未知的操作模式，即出現了某種差錯。
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於以上的操作模式即出現了某種差錯，使得似乎可以更加迅速地發現機械中的異常。由於這個原因，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，就能夠根據多維參數值實時地判斷當前工作操作所對應的操作模式。
從這個觀點考慮常規的技術，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量減少了每一簇的面積，並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，必須從頭重新創建自組織圖，於是診斷機械的時間可能長得多。
以上的說明以建築機械為例，但是所述診斷單元也能夠應用於其操作(或參數變化)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，本發明的目的是提供信息處理器、狀態判斷單元、診斷單元、信息處理方法、狀態判斷方法和診斷方法，用於精確地識別在許多操作模式下運轉的對象——比如機械——執行的每種操作。
發明內容
為了解決以上問題，本發明採用以下裝置。
換言之，本發明的信息處理器的特徵在於包括檢測裝置，用於檢測n個參數值的多種組合，其中n是自然數，對於對象運行的多種操作模式的每一種，所述參數值隨操作而變化；以及自組織圖創建裝置，用於根據由所述檢測裝置檢測到的參數值進行多組合所獲得的檢測數據作為學習數據，創建自組織圖；其中，所述自組織圖創建裝置創建多幅自組織圖，用作各個單獨模型，並將一幅自組織圖對應於多種操作模式的每一種。
對象不僅僅是操作自身的結構，也是某種存在，比如其狀態變化的天氣。另外，此處的自組織圖也不僅僅表示可視的二維圖，而且顯示了神經元的分布，已經使用預定維空間中的學習數據對其進行了訓練。
採用這種結構，由於自組織圖創建裝置創建了若干自組織圖，用作各個單獨模型，並將對象操作模式的每一種都對應於一幅自組織圖，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行的每種操作。
優選情況下，所述檢測數據可以是2n維數據，包括已經被檢測出並指明對象瞬間狀態的所述n個參數值，以及通過求已經被檢測出的所述n個參數值對時間的微分而獲得並指明對象瞬間狀態的變化的n個值。
因此，有可能掌握數據軌跡中的趨勢，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。
在進一步優選的情況下，所述檢測裝置可以檢測n個參數值的多種組合；所述自組織圖創建裝置可以在2n維空間中隨機地初始安排預定數目的神經元，可以把2n維空間中檢測數據的某點(對應根據檢測裝置的檢測結果所獲取之檢測數據的預定數目組合(例如預定數目TD))視為學習數據點進行訓練，可以把到所述學習數據點距離最近的神經元視為優勝神經元創建自組織圖候選者，並可以從通過多次執行創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，選擇其特徵最接近所述學習數據的自組織圖候選者作為自組織圖。
其結果在於所選定的自組織圖可以視為特徵最接近所述學習數據的特徵。
在進一步優選的情況下，所述自組織圖創建裝置可以對每個自組織圖候選者，計算優勝神經元到所述學習數據中所述點的平均距離，以及優勝神經元到所述學習數據中所述點距離的標準差，並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。此處的優勝神經元是有優勝神經元歷史(換言之，至少有一次變為優勝神經元)的所有神經元。
採用這種結構能夠選擇最具所述學習數據特色的自組織圖。
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。
在進一步優選的情況下，所述自組織圖創建裝置可以在已經選定的自組織圖的神經元之中刪除從未變為優勝神經元的神經元(稱為無效神經元)。
結果，所述學習數據的特徵可以由神經元數目大為減少的自組織圖所表明，所以能夠節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。
本發明中判斷對象狀態之狀態判斷單元的特徵在於包括存儲單元，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建一幅自組織圖；所述檢測裝置；以及判斷裝置，根據與在所述檢測裝置實時地獲取的檢測數據對應的2n維檢測數據點與在每幅自組織圖中的優勝神經元之間的相對距離，判斷對象的操作對應於的哪一種操作模式。此處的優勝神經元是與實時檢測的某(單一)數據點距離最近的神經元。
這種方式可以改進判斷對象操作模式的精確度。
優選情況下，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據點與在每幅自組織圖中的優勝神經元之間的距離，除以自組織圖中優勝神經元至在信息處理器中創建每幅自組織圖過程中使用的學習數據點的平均距離，計算相對距離。
在進一步優選的情況下，如果每幅自組織圖的所述相對距離都等於或小於預定的閾值，所述判斷裝置可以判定所述檢測數據點符合所述一幅自組織圖，並且如果一幅自組織圖的所述相對距離大於所述預定閾值，就判定所述檢測數據點不符合所述一幅自組織圖。在進一步優選的情況下，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，包括上述狀態判斷單元，用於診斷所述對象，優選情況下，所述對象可以處於包括建築機械的機械中，所述多種操作模式表示所述機械執行的具體操作。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。
本發明的信息處理方法的特徵在於包括以下步驟檢測n個參數值多方式組合，其中n是自然數，用於對象發揮作用的多種操作模式的每一種，所述參數值隨操作而變化；根據與在所述檢測步驟中檢測到的參數值進行多組合所獲得的檢測數據作為學習數據，創建自組織圖；其中，在所述自組織圖創建步驟中，創建多幅所述自組織圖，用作各個單獨模型，對於所述多種操作模式的每一種創建一幅。
同樣在這種方法中，對象不僅僅是操作自身的結構，也是某種存在，比如其狀態變化的天氣，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，而且也顯示了神經元的分布，已經使用預定維空間中的學習數據對其進行了訓練。
採用這種方法，由於自組織圖創建裝置創建了若干自組織圖，用作各個單獨模型，並將對象操作模式的每一種都對應於一幅自組織圖，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行的每種操作。
優選情況下，在所述檢測步驟和所述自組織圖創建步驟之間，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個參數值而計算n個時間差分值的步驟，並可以根據2n維數據創建所述自組織圖，包括已經被檢測出並指明對象瞬間狀態的所述n個參數值，以及已經使用所述n個參數值算出並指明所述對象瞬間狀態的變化的n個時間差分值。
因此，有可能掌握數據軌跡中的趨勢，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。
在進一步優選的情況下，在所述檢測步驟中可以檢測n個參數值的多種組合；所述自組織圖創建步驟可以包括創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定數目的神經元，把2n維空間中檢測數據的某點視為學習數據點進行訓練，把到所述學習數據點距離最近的神經元視為優勝神經元創建自組織圖候選者，以及從通過多次執行創建自組織圖候選者的所述步驟所創建的兩幅或更多自組織圖候選者中，選擇其特徵最接近所述學習數據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徵最接近所述學習數據的特徵。
在更進一步優選的情況下，在選擇自組織圖的子步驟之後，所述自組織圖創建步驟進一步包括在已經選定的自組織圖的神經元之中刪除從未變為優勝神經元的神經元(即無效神經元)的子步驟。
結果，所述學習數據的特徵可以由神經元數目大為減少的自組織圖所表明，所以能夠節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個參數值；並且可以由所述自組織圖創建步驟，把基於已經檢測之參數值的多方式組合的檢測數據視為學習數據，為所述新的操作模式創建自組織圖。
以上述方式，可以增加新操作模式對應的自組織圖。
本發明的狀態判斷方法使用用作各個單獨模型並由上述信息處理為多種操作模式的每一種創建一幅的多幅自組織圖，判斷所述對象的操作對應於哪一種操作模式，其中包括以下步驟檢測隨操作變化的n個參數值；以及根據與在所述檢測步驟中實時地獲取的檢測數據對應的2n維空間中檢測數據點與在每幅自組織圖中的優勝神經元之間的相對距離，判斷對象的操作對應於的哪一種操作模式。
這種方法能夠增強判斷對象操作模式的精確度。
在優選情況下，在所述檢測步驟和所述判斷步驟之間，所述狀態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個參數值而計算n個時間差分值的步驟，並且在所述判斷步驟中可以根據2n維數據判斷所述對象的操作模式，所述2n維數據包括已經被檢測出並指明對象瞬間狀態的所述n個參數值，以及一直在處理所述檢測步驟中所檢測的n個參數值並指明了所述對象瞬間狀態的變化的n個時間差分值。
因此，有可能掌握數據軌跡中的趨勢，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據點與在每幅自組織圖中的優勝神經元之間的距離，除以自組織圖中優勝神經元至由信息處理器進行創建自組織圖過程中使用的學習數據點的平均距離，獲得相對距離，如果每幅自組織圖的所述相對距離都等於或小於預定的閾值，就判定所述檢測數據點符合所述一幅自組織圖，並且如果每幅自組織圖的所述相對距離都大於所述預定閾值，就判定所述檢測數據點不符合所述自組織圖。在進一步優選的情況下，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。
本發明的診斷方法包括上述狀態判斷方法，用於診斷所述對象，其中，所述對象可以處於包括建築機械的機械中，所述多種操作模式表示所述機械執行的具體操作。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，顯示了根據本發明實施例的診斷單元；圖2顯示了根據本發明實施例，液壓挖掘機的操作模式1-4所對應傳感器的輸出值；圖3是示意圖，直觀地顯示了根據本發明實施例，自組織圖中學習數據點(檢測數據點)與神經元之間的最小距離；圖4(a)說明了根據本發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的學習數據創建；圖4(b)說明了根據本發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的學習數據創建；圖4(c)說明了根據本發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的學習數據創建；圖4(d)說明了根據本發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的學習數據創建；圖5(a)說明了根據本發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的學習數據創建；圖5(b)說明了根據本發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的學習數據創建；圖5(c)說明了根據本發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的學習數據創建；圖5(d)說明了根據本發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的學習數據創建；圖6(a)說明了根據本發明實施例的自組織圖，並顯示了操作模式1中引擎速度P1和左液壓泵壓力P3的學習數據(圖中小點)以及完成訓練並刪除無效神經元後之神經元(圖中大點)的排列；圖6(b)說明了根據本發明實施例的自組織圖，並顯示了操作模式1中引擎速度P1和右液壓泵壓力P4的學習數據(圖中小點)以及完成訓練並刪除無效神經元後之神經元(圖中大點)的排列；
圖6(c)說明了根據本發明實施例的自組織圖，並顯示了操作模式1中左液壓泵壓力P3和右液壓泵壓力P4的學習數據(圖中小點)以及完成訓練並刪除無效神經元後之神經元(圖中大點)的排列；圖6(d)說明了根據本發明實施例的自組織圖，並顯示了操作模式1中引擎速度P1和燃料消耗量P2的學習數據(圖中小點)以及完成訓練並刪除無效神經元後之神經元(圖中大點)的排列；圖7(a)說明了根據本發明實施例的自組織圖，並顯示了操作模式2中引擎速度P1和左液壓泵壓力P3的學習數據(圖中小點)以及完成訓練並刪除無效神經元後之神經元(圖中大點)的排列；圖7(b)說明了根據本發明實施例的自組織圖，並顯示了操作模式2中引擎速度P1和右液壓泵壓力P4的學習數據(圖中小點)以及完成訓練並刪除無效神經元後之神經元(圖中大點)的排列；圖7(c)說明了根據本發明實施例的自組織圖，並顯示了操作模式2中左液壓泵壓力P3和右液壓泵壓力P4的學習數據(圖中小點)以及完成訓練並刪除無效神經元後之神經元(圖中大點)的排列；圖7(d)說明了根據本發明實施例的自組織圖，並顯示了操作模式2中引擎速度P1和燃料消耗量P2的學習數據(圖中小點)以及完成訓練並刪除無效神經元後之神經元(圖中大點)的排列；圖8顯示了根據本發明實施例，操作模式判斷結果的實例；圖9展示了根據本發明之修改的診斷單元；圖10是流程圖，顯示了根據本發明實施例的脫機處理；圖11是流程圖，顯示了根據本發明實施例，創建自組織圖步驟中執行的處理；圖12是流程圖，顯示了根據本發明實施例的實時處理；圖13是常規的自組織圖(可視化二維圖)。
具體實施例方式
現在將在下文中參考附圖介紹本發明的實施例。
圖1是根據本發明實施例的診斷單元。診斷單元安裝在機器比如建築機械中，診斷所述機器是否出了故障。例如，以下的講解將假設所述診斷單元應用於液壓挖掘機，它用作建築機械。但是本發明絕不應當僅應用於這種建築機械，它能夠應用於在許多操作模式(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、具有自組織圖創建裝置2所對應功能的ECU(電子控制單元)5、存儲單元3和判斷裝置4和監視器6。所述ECU 5包括輸入/輸出設備、其中加入了處理程序的存儲設備(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(變化因子)都對應一個，並檢測隨液壓挖掘機所執行操作而變化的、涉及每種操作模式的參數值多種組合。這些傳感器可以直接地檢測對應的參數值，也能夠以對檢測值執行算術運算等而估計數值的形式獲得對應的參數值。
這裡，涉及液壓挖掘機操作的參數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、向後和迴轉移動的工作壓力，控制挖鬥的挖鬥液壓缸工作壓力、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鬥液壓缸、曲臂液壓缸、升降臂液壓缸等工作壓力的傳感器。
作為本診斷單元特徵之一，自組織圖創建裝置2根據引擎速度傳感器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所檢測出參數值的多種組合，通過使用檢測數據作為學習數據，創建若干自組織圖(後文也稱為SOM)，用作獨立模式，並使液壓挖掘機的每種操作模式都對應一幅自組織圖。如圖1所示，本發明的信息處理器由以上述傳感器1a-1d和SOM創建裝置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鬥(容器)中的操作序列可以粗略分成四種工作模式(操作模式)「用挖鬥鏟起沙土的從始至終的操作(工作模式1)」，「在鏟起沙土之後，迴轉機體將裝載沙土的挖鬥移動到車鬥上方的操作(工作模式2)」，「從打開挖鬥至將沙土轉移到車鬥以完成轉移的操作(工作模式3)」，以及「從挖鬥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)」。現在將假設液壓挖掘機運轉在上述四種操作模式下，介紹本發明。
普通的自組織圖是可視化的識別模型，其中多維數據表示在二維空間中。然而，自組織圖也能夠用作將多維數據劃分為先前給定類，而不在二維空間中觀察數據的一種方法。
現在將進行的說明涉及一般分類。由測量已經獲得的數據簇{d1，d2，...，dD}的D個組中的每個數據點di(i＝1，2，...，D)都由表現一定類Ci(j＝1，2，...，z)特徵的n個參數值(測量特徵值)形成。換言之，假設每個數據點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據點di的n個參數值就能夠將數據點di劃分為適當類的技術(模型及所述模型所關聯的算法)。
這就需要根據其「答案」已知的學習數據構建初始知識。所述「答案」是指所述學習數據所屬的實際類。學習數據用於訓練SOM(識別模型)(換言之，逐步地更新SOM)，重複地執行這種訓練稱為「指導學習」。以上述方式獲得的SOM用作解決分類問題的裝置。
在構建SOM時，採用更大量的學習數據能夠創建更精確的SOM。然而，一旦學習數據量達到了一定的程度，進一步增加數據量只能略微改進SOM的精確度。所以在優選情況下，輸入的學習數據數目設置為預定的數目。在本實例中，術語「類」對應於「操作模式」。
如上所述，本診斷單元的特徵在於創建若干SOM，使液壓挖掘機的每種操作模式都對應一個，用作單獨的模型。
換言之，為每個類Cj(C1，C2，...，Cz)都創建了單一的SOMj(SOM1，SOM2，...，SOMz)。因此，本發明的實施例為四個類(操作模式)的每一個都創建了一個SOM。使用清楚地表示單一操作模式的大量學習數據，對用作單獨模型的每個SOM都進行了訓練。由這種訓練構建的每個SOM都用作本地經過良好訓練的專家，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的許多操作模式的每一種。
由於一個SOM學習單一操作模式，而不學習其它操作模式，因此一個SOM同時不具有另一種操作模式知識的特徵。
由四個傳感器1a-1d檢測並輸入到SOM創建裝置2的數據包括指明液壓挖掘機瞬間狀態的4(n)個參數值d(k)，以及4個參數值的時間差分並指明液壓挖掘機瞬間狀態變化的4(n)個值Δd(k)，所以形式為8維(2n維)數據，匯總了4個參數值d(k)和4個參數值的4個時間差分Δd(k)。
如上所述，SOM創建裝置2創建SOM所根據的學習數據，不僅包括當前參數值d(k)，而且也包括當前參數值d(k)與先前參數值d(k-1)之間的差分值，即Δd(k)＝d(k)-d(k-1)。
僅從當前參數值d(k)無法獲得表示整個液壓挖掘機動態操作的足夠信息。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據軌跡中的趨勢，它可能是每個單獨操作模式的特性，從而能夠創建更高精確度的SOM。
這種方式要求更長的學習時間，因為要創建的SOM由於d(k)和Δd(k)而是數據規模的兩倍。因為在訓練SOM時僅僅執行一次創建的計算，所以是可行的，因此，在液壓挖掘機運轉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創建裝置2在8維(2n維)空間中隨機地初始安排了預定數目的神經元；使用上述學習數據執行訓練；創建SOM候選者，把到學習數據點距離最近的神經元視為優勝神經元；並從上述多次執行創建SOM候選者所創建的兩個或更多SOM候選者中，選擇其特徵最接近學習數據的SOM候選者作為SOM。
具體地說，SOM創建裝置2對每個SOM候選者，計算學習數據點至優勝神經元的平均距離，以及學習數據點至優勝神經元距離的標準差，並可以選擇其平均距離和標準差都最小的SOM候選者作為SOM。此處的優勝神經元是有優勝神經元歷史(換言之，至少有一次變為優勝神經元)的所有神經元。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創建裝置2在選定的SOM的神經元之中刪除從未變為優勝神經元的神經元。
以上述方式訓練SOM優選情況下在液壓挖掘機進行實際運轉之前進行，即優選情況下與實際運轉分開進行(在本實施例中，稱為液壓挖掘機的「脫機狀態」)。例如，在製造商裝運液壓挖掘機之前，液壓挖掘機按照裝運之後將實際運轉的操作序列試驗運轉，SOM創建裝置2創建涉及每種操作模式的SOM並將創建的SOM存儲在存儲單元3中。
液壓挖掘機在操作現場實際運轉的同時，判斷裝置4通過將傳感器1a-1d實時獲得的檢測數據對應的8維空間中的檢測數據點與存儲單元3中存儲的每個SOM的優勝神經元(後面詳細介紹)之間的距離，除以SOM創建裝置2創建SOM過程中所用學習數據點與SOM中優勝神經元之間的平均距離，計算相對距離RD。
另外，如果SOM的相對距離RD等於或小於預定的閾值(1+α)、則判斷裝置4就判定檢測數據點符合SOM，如果相對距離RD大於預定的閾值(1+α)、則判斷裝置4就判定檢測數據點不符合SOM。因子α表示學習數據的可靠性，優選情況下給定例如0.2-0.3的數值。
如果存在符合檢測數據點的SOM，判斷裝置4就判定檢測數據點屬於所述符合的SOM所關聯的操作模式。例如，假若所述符合的SOM關聯到操作模式1，就判定檢測數據點屬於操作模式1。如果存在兩個或更多的SOM符合檢測數據，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據點的SOM，就判定檢測數據點不屬於任何操作模式。在這種情況下，就判定檢測數據點屬於「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創建裝置2可以創建新的SOM並將新的SOM存儲在存儲單元3中。
如圖1所示，本發明的狀態判斷單元由傳感器1a-1d、SOM創建裝置2、存儲單元3和判斷裝置4組成。
監視器6顯示判斷裝置4作出的判斷結果。換言之，如果判斷裝置4判定檢測數據點屬於操作模式之一，則在監控器6上顯示所述操作模式。如果所述檢測數據點屬於兩種或更多的操作模式，則在監控器6上按相對距離更小的次序顯示所述操作模式。另外，如果判定檢測數據點不對應於任何操作模式，監控器6顯示檢測數據點處於未知操作模式(或新操作模式)或異常操作模式。
根據本發明實施例的診斷單元構建方式如上所述，診斷過程具有兩個主要部分採用脫機數據流的脫機處理和使用實時數據流的實時處理。
(A)脫機處理在這種處理中，SOM創建裝置2創建若干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聯的操作模式。這種處理過程使用根據本實施例的信息處理方法，包括以下步驟為數據創建而檢測(步驟S100)、計算(S110)和創建SOM(S120)，如圖10所示。
為數據創建而檢測的步驟(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據。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值的多種組合。這裡，當前時刻k的參數值用d(k)表示。
在計算步驟(步驟S110)中，在為數據創建而檢測的步驟中所檢測的參數值受到處理，計算時間差分(包括時間差分對應的數值比如參數值的變化率(如每單位時間變化量比如檢測階段或檢測周期))Δd(k)。
在創建SOM的步驟(步驟S120)中，根據在為數據創建而檢測的步驟中所獲取的參數值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，使用檢測數據{d(k)，Δd(k)}作為學習數據，創建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，它們確定了在後面實時處理中進行分類時所用SOM的質量。
圖2顯示了當液壓挖掘機重複地執行操作模式1至4的操作序列時，傳感器1a-1d的參數值，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值(波形)，但是即使在相同操作模式下，實際參數值也可以不同。所以，在這種脫機處理中使用大量可靠的學習數據訓練SOM，能夠創建更清楚地表現每種操作模式特徵的SOM。
上述方式為每種操作模式都獲得了典型的SOM。訓練概念具有下列特徵。由於訓練每幅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軟體所表示的二維圖形上顯示神經元的拓撲距離(附近，鄰近)。在8維空間中獲得神經元分布(此處稱為「雲」)對本實施例的SOM是足夠的。
下一步的講解將涉及在創建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定數目的神經元(步驟S200，第一步)，如圖11所示。對8維空間中的每個檢測數據點(視為脫機處理中創建SOM的學習數據)，都獲得了到神經元的距離(步驟S210)。此後，到檢測數據點距離最短的神經元確定為優勝神經元。同時，不僅訓練優勝神經元，也訓練優勝神經元附近的神經元。
這裡，最短距離MD定義為2n維空間中第i個檢測數據點到神經元距離之中的最小值。例如，假若到第j個神經元距離最短，距離最短的第j個神經元就稱為優勝神經元。最短距離MD由下列公式(1)表示MD(i)=min1jn{r(i,j)}---(1)]]>其中i＝1，2，...，TD。
這裡r(i，j)表示第i個檢測數據點到第j個神經元距離之間的距離。另外，為SOM計算的距離r(i，j)是在普通算法中已知的歐幾裡得距離。
此後，判斷是否使用全部多種組合訓練了SOM(步驟S230)，如果判斷結果是否定(否判定)，處理轉向步驟S210。反之，如果判斷結果是肯定(是判定)，處理轉向步驟S240，創建另一個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創建了SOM候選者。在本實施例中，為了獲取精確度更高的最佳SOM，更清楚地表現操作模式的特徵，創建了許多SOM候選者，從中選擇最佳的SOM。為此目的，要判斷已創建SOM候選者的數目是否達到了SOM創建之前的預定數目。如果結果為否，所述處理轉向步驟S200，創建另一個SOM候選者，反之，如果判斷結果為是，處理轉向步驟S260。
在步驟S260(選擇步驟)中，從若干SOM候選者中選擇其特徵最接近學習數據的一個SOM候選者作為SOM。注意，現在將詳細介紹在步驟S260中選擇最佳SOM的方式。
表現2n維空間中神經元分布特徵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個檢測數據點(由於在脫機處理中把檢測數據點視為學習數據，在圖3中稱為學習數據點)d1-d10與7個神經元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=1TDi=1TDMD(i)---(2)]]>類似於平均最短距離AVmin的公式，標準差STdev由下列已知的公式(3)獲得STdev=i=1TD(MD(i)-AVmin)TD---(3)]]>根據平均最短距離AVmin和標準差STdev，步驟S260在已經算出的許多SOM候選者之中，判斷哪一個SOM的特徵最接近學習數據。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，它最接近學習數據的特徵。
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檢測數據(學習數據)特徵的SOM。
在步驟S270(刪除無效神經元的步驟)中，在選定的SOM中刪除了從未變為優勝神經元的一個或多個神經元(此處稱為「無效神經元」)。例如，圖3顯示了兩個無效神經元n3和n7，在訓練SOM之後它們被刪除。應用這種除去無效神經元，能夠以神經元數目大為減少的SOM表達學習數據的特徵，因而能夠節省保留SOM的容量並能夠縮短使用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)的優點是能夠通過把表示操作模式特徵的的數目眾多的檢測數據點近似為數目大為減少的神經元，大為減少存儲容量，以及能夠迅速地執行隨後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中檢測數據點的散點圖；圖4(a)顯示了引擎速度P1和左液壓泵壓力P3之間的關係；圖4(b)顯示了引擎速度P1和右液壓泵壓力P4之間的關係；圖4(c)顯示了左液壓泵壓力P3和右液壓泵壓力P4之間的關係；圖4(d)顯示了引擎速度P1和燃料消耗量P2之間的關係。由於圖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，其中優勝神經元排列在8維空間中。
圖5(a)、5(b)、5(c)和5(d)是操作模式2中檢測數據點的散點圖。
由於圖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，其中優勝神經元排列在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，它們將用於隨後的實時處理中。圖6(a)、6(b)、6(c)和6(d)中小點是操作模式1中的檢測數據點，大點是完成訓練和刪除無效神經元已經進行之後的神經元。
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，它們將用於隨後的實時處理中。圖7(a)、7(b)、7(c)和7(d)中小點是操作模式1中的檢測數據點，大點是完成訓練和刪除無效神經元已經進行之後的神經元。
根據圖6(a)、6(b)、6(c)、6(d)、7(a)、7(b)、7(c)和7(d)，顯然神經元主要排列在密度最高的區域。
這些神經元在隨後實時處理中用作全體檢測數據點的代表點。
(B)實時處理這種處理根據液壓挖掘機實際運轉時實時獲得的檢測數據，判斷液壓挖掘機當前運轉在哪種操作模式。具體地說，進行計算是為了判斷此處獲得的實時檢測數據最類似上述脫機處理中創建的4幅SOM中的哪一幅SOM，以確定最類似之SOM所對應的操作模式。根據本實施例的狀態判斷方法和診斷方法用於這種處理的程序步驟。
如圖12所示，首先實時檢測了4個參數值，即檢測數據(步驟S300，為狀態判斷進行的檢測步驟)。對步驟S300中檢測的參數值進行處理，以計算參數值的時間差分(包括時間差分對應的值，比如參數值的變化率(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，檢測數據是8維數據，包括4個d(k)和4個Δd(k)，類似於脫機處理中的數據。
下一步，獲得當前檢測數據與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，但是本實施例採用歐幾裡得距離，即在SOM中從當前檢測數據點到優勝神經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據點和優勝神經元之間的相對距離RD(＝SD/AVmin)。此處的優勝神經元到實時檢測數據點(單點)距離最短。對4幅SOM都執行了相對距離RD的計算(步驟S320)。
判斷已經如上計算的相對距離RD是否等於或小於預定值(1+α)，即判斷是否RD≤1+α(α是先前確定的閾值)(步驟S330)。如果相對距離等於或小於預定值，則判定檢測數據點符合SOM，並將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據點可以分類為所述符合的SOM所關聯的操作模式。
反之，如果相對距離RD(等於或)大於預定值，則判定檢測數據點不符合SOM(步驟S350)。換言之，這意味著無法將以上的檢測數據點分類為任何操作模式。步驟S320-S340是判斷步驟。適當地設置以上的預定值(1+α)能夠把準則確定為按照環境判斷檢測數據點是否符合SOM。
對於4種操作模式都對SOM執行以上判斷，如果存在兩幅或更多的SOM符合檢測數據點(即存在兩種或更多的操作模式符合)，就經由監視器6向操作員通報這些SOM所對應的操作模式。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，使得操作員容易領會顯示的操作模式。
如果沒有符合檢測數據點的SOM(即沒有操作模式符合)，就經由監視器6向操作員通報檢測數據點處於脫機處理中尚未訓練的「未知模式」或處於「異常模式」。當前正在運轉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出一種警報。
根據當前操作之實時處理的特徵之一是自適應性。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，獲得的和受到訓練的僅僅是涉及所述新操作模式的檢測數據，所以能夠創建新的SOMz+1。所述新的SOMz+1可以加入到已經使用的SOM中。換言之，本實施例中的脫機處理已經創建了4幅SOM，使4種操作模式的每一種都對應一幅；如果加入了新的SOM，本實施例將總共創建和存儲了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。由於這種原因，不必從頭開始為分類重新創建整個模型(即整個常規的可視化二維圖)，而常規創建技術必須如此。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顯示了由根據本實施例的診斷單元做出的操作模式判斷結果的實例。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訓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」，先前未經訓練的操作模式(如液壓挖掘機正在空閒的模式)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調的、操作模式的正確判斷。
以上已經介紹了本發明的一個實施例，但是本發明決不應當限於上述的實施例，可以建議多種修改而不脫離本發明的概念。
例如，本實施例使用沒有處理的檢測數據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後使用。
創建SOM所用的神經元數目可以增多，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之對象的實例。但是，所述對象不應當僅限於液壓挖掘機。本發明也能夠應用於運輸工具所執行操作的正誤判斷，比如卡車、公共汽車、船隻，或者機械比如工業機械所執行操作的正誤判斷，也能夠應用於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，診斷過程在液壓挖掘機內集中進行。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，在商務實體中安裝了計算機，包括本發明介紹的SOM創建裝置2、存儲單元3、判斷單元4和監視器6，所以即使所述商務實體遠離所述移動機械，也能夠通過從傳感器向計算機發送檢測數據，並在計算機上顯示所發送的數據，在商務實體處輕而易舉地執行診斷。另外，圖9所示的實例在移動機械和商務實體之間插入了管理系統。確切地說，如果對象是移動機械，比如建築機械、卡車、公共汽車或船隻，由於地理分布造成的低效率，根據本發明的診斷單元結構能夠滿足更高維護水平和更高維護效率的需求。
工業適用性如上所述，如果本發明應用於能夠在許多操作模式下運轉的對象，比如建築機械，由於本發明能夠精確地識別對象的每種操作，所以認為本發明的適用性極高。
權利要求
1.一種信息處理器，包括檢測裝置，用於檢測n個參數值的多種組合，其中n是自然數，對於對象運行的多種操作模式的每一種，所述參數值隨操作而變化；以及自組織圖創建裝置，用於根據由所述檢測裝置檢測到的參數值進行多種組合所獲得的檢測數據作為學習數據，創建自組織圖；其中，所述自組織圖創建裝置創建多幅自組織圖，用作各個單獨模型，並將一幅自組織圖對應於多種操作模式的每一種。
2.根據權利要求1的信息處理器，其中，所述檢測數據是2n維數據，包括已經被檢測出並指明所述對象瞬間狀態的所述n個參數值，以及通過求已經被檢測出的所述n個參數值對時間的微分而獲得並指明對象瞬間狀態的變化的n個值。
3.根據權利要求1的信息處理器，其中，所述檢測裝置檢測n個參數值的多種組合；以及所述自組織圖創建裝置在2n維空間中隨機地初始安排預定數目的神經元，把2n維空間中檢測數據的某點視為學習數據點進行訓練，把到所述學習數據點距離最近的神經元視為優勝神經元創建自組織圖候選者，並從通過多次執行創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，選擇其特徵最接近所述學習數據的自組織圖候選者作為自組織圖。
4.根據權利要求3的信息處理器，所述自組織圖創建裝置對每個自組織圖候選者，計算優勝神經元到所述學習數據中若干所述點的平均距離，以及優勝神經元到所述學習數據中若干所述點距離的標準差，並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.根據權利要求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.根據權利要求3-5之一的信息處理器，其中，所述自組織圖創建裝置在已經選定的自組織圖的神經元之中刪除從未變為優勝神經元的神經元。
7.一種判斷對象狀態的狀態判斷單元，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建一幅自組織圖；所述檢測裝置；以及判斷裝置，根據與由所述檢測裝置實時地獲取的檢測數據對應的2n維檢測數據點和在所述多幅自組織圖的每一幅中的優勝神經元之間的相對距離，判斷所述對象的操作對應於的哪一種操作模式。
8.根據權利要求7的狀態判斷單元，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據點與在每幅所述自組織圖的優勝神經元之間的距離，除以自組織圖中優勝神經元至在信息處理器中創建每幅所述自組織圖過程中使用的學習數據點的平均距離，計算相對距離。
9.根據權利要求7或8的狀態判斷單元，其中，如果所述多幅自組織圖之一的所述相對距離等於或小於預定的閾值，所述判斷裝置就判定所述檢測數據點符合所述一幅自組織圖，並且如果所述自組織圖的所述相對距離大於所述預定閾值，就判定所述檢測數據點不符合所述一幅自組織圖。
10.一種診斷單元，包括權利要求7-9之一中定義的狀態判斷單元，用於診斷所述對象，其中，所述對象是包括建築機械的機械，並且所述多種操作模式表示所述機械執行的具體操作。
11.一種信息處理方法，包括以下步驟檢測n個參數值多種組合，其中n是自然數，對於對象運行的多種操作模式的每一種，所述參數值隨操作而變化；以及通過使用根據在所述檢測步驟中檢測到的參數值進行多種組合所獲得的檢測數據作為學習數據，創建自組織圖；其中，在所述自組織圖創建步驟中，創建多幅所述自組織圖，用作各個單獨模型，對於所述多種操作模式的每一種創建一幅。
12.根據權利要求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建步驟之間，通過處理所述檢測步驟中檢測的n個參數值而計算n個時間差分值的步驟，根據2n維數據創建所述自組織圖，包括已經被檢測出並指明對象瞬間狀態的所述n個參數值，以及已經使用所述n個參數值算出並指明所述對象瞬間狀態的變化的n個時間差分值。
13.根據權利要求11或12的信息處理方法，其中在所述檢測步驟中檢測n個參數值的多種組合；以及所述自組織圖創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定數目的神經元，把2n維空間中所述檢測數據的某點視為學習數據點進行訓練創建自組織圖候選者，以及把到所述學習數據點距離最近的神經元視為優勝神經元創建自組織圖候選者，以及從通過多次執行創建自組織圖候選者的所述步驟所創建的兩幅或更多自組織圖候選者中，選擇其特徵最接近所述學習數據的自組織圖候選者作為自組織圖。
14.根據權利要求13的信息處理方法，其中，在所述選擇自組織圖的子步驟之後，所述自組織圖創建步驟進一步包括在已經選定的自組織圖的神經元之中刪除從未變為優勝神經元的無效神經元的子步驟。
15.根據權利要求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的同時，由所述檢測步驟檢測所述n個參數值；並且由所述自組織圖創建步驟根據已經檢測的所述參數值的多種組合，把檢測數據視為學習數據，為所述新的操作模式創建自組織圖。
16.一種狀態判斷方法，使用用作各個單獨模型並由根據權利要求11-15之一的信息處理方法為多種操作模式的每一種創建一幅的多幅自組織圖，判斷所述對象的操作對應於哪一種操作模式，包括以下步驟檢測隨操作變化的n個參數值；以及根據與在所述檢測步驟中實時地獲取的檢測數據對應的2n維空間中檢測數據點和在所述多幅自組織圖的每一幅中的優勝神經元之間的相對距離，判斷所述對象的操作對應於的哪一種操作模式。
17.根據權利要求16的狀態判斷方法，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個參數值而計算n個時間差分值的步驟，在所述判斷步驟中根據2n維數據判斷所述對象的操作模式，所述2n維數據包括已經被檢測出並指明對象瞬間狀態的所述n個參數值，以及一直在處理所述檢測步驟中所檢測的n個參數值並指明了所述對象瞬間狀態的變化的n個時間差分值。
18.根據權利要求17的狀態判斷方法，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據點與所述自組織圖中的優勝神經元之間的距離，除以每幅所述自組織圖中優勝神經元至由所述信息處理器進行創建所述自組織圖過程中使用的學習數據點的平均距離，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於或小於預定的閾值，就判定所述檢測數據點符合最後命名的自組織圖，以及如果每幅所述自組織圖的所述相對距離都大於所述預定閾值，就判定所述檢測數據點不符合所述一幅自組織圖。
19.一種診斷方法，包括權利要求16-18之一中定義的狀態判斷方法，用於診斷所述對象，其中，所述對象是包括建築機械的機械，所述多種操作模式表示所述機械執行的具體操作。
20.根據權利要求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、狀態判斷單元、診斷單元、信息處理方法、狀態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的對象所執行的每種操作。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個參數值的多種組合，並且自組織圖創建裝置(2)根據檢測的參數值組合把檢測數據作為學習數據，創建了若干自組織圖，用作各個單獨模型，並將所述操作模式的每一種都對應於一幅自組織圖。
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 優先權日2003年6月30日
發明者甘特科·L.·瓦特奇科夫, 小松孝二, 藤井敏, 室田功 申請人:國立大學法人香川大學, 新卡特彼勒三菱株式會社