具体实施方式

在参照图1-3的情况下，现在详细描述当前所提供的用于设备监测的装置、系统和方法。用于设备监测的装置的示例包括输入单元、处理单元和输出单元。输入单元配置成为处理单元提供用于设备的项的时间传感器数据的多个批。时间传感器数据的每个批包括作为时间的函数的多个时间传感器值。处理单元配置成处理时间传感器数据的多个批，以确定谱传感器数据的多个批。谱传感器数据的每个批包括作为频率的函数的多个谱传感器值。处理单元配置成实现至少一个统计过程算法，以处理用于谱传感器数据的多个批的多个谱传感器值，以便确定多个指标值。对于谱传感器数据的每个批，存在通过统计过程算法的每个所确定的指标值。每个统计过程算法具有关联阈值，以及处理单元配置成利用至少一个阈值和多个指标值来确定感兴趣的谱传感器数据的批，其具有大于用于关联统计过程算法的阈值的指标值。处理单元配置成基于用于感兴趣的谱传感器数据的批的多个谱传感器值来确定感兴趣的频率范围。

因此，该装置能够实时操作，以及处于设备的地点（site），并且监测那个设备。或者，该装置能够分析先前获取的数据，以便确定异常行为以及什么频率是有问题的那些频率。

按照示例，时间传感器数据的相邻批之间的时间周期大于批内的相邻传感器数据之间的时间周期。

在示例中，时间传感器数据的相邻批之间的时间周期是下列之一：1小时；2小时；3小时；4小时；5小时；6小时；7小时；8小时；12小时；24小时。批之间的时间周期能够与以上所述的时间周期不同。

在示例中，批内的相邻传感器数据之间的时间周期是下列之一：0.0001s；0.0005s；0.001s；0.002s；0.003s；0.004s；0.005s；0.01s；0.02s；0.05s。

在示例中，在下列之一的时间周期内获取传感器数据的每个批：10s；20s；30s；60s；120s。

因此，例如传感器能够在60秒内以1 kHz的速率获取数据。然后等待6小时，并且再次在60秒内以1 kHz的速率获取数据。但是，能够利用在不同时间周期内的传感器数据获取的不同速率，并且具有传感器数据的批之间的不同时长。

按照示例，至少一个统计过程算法包括霍特林统计。

按照示例，对于谱传感器数据的每个批，存在通过霍特林统计所确定的指标值。

按照示例，当通过霍特林统计对那个批所确定的指标值大于与霍特林统计关联的阈值时，确定感兴趣的谱传感器数据的批。

按照示例，至少一个统计过程算法包括平方预测误差或Q统计。

按照示例，对于谱传感器数据的每个批，存在通过平方预测误差或Q统计所确定的指标值。

按照示例，当通过平方预测误差或Q统计对那个批所确定的指标值大于与平方预测误差或Q统计关联的阈值时，确定感兴趣的谱传感器数据的批。

按照示例，当通过霍特林统计对那个批所确定的指标值大于与霍特林统计关联的阈值时，确定感兴趣的谱传感器数据的批。备选地，当通过平方预测误差或Q统计对那个批所确定的指标值大于与平方预测误差或Q统计关联的阈值时，确定感兴趣的谱传感器数据的批。

按照示例，谱传感器数据的多个批的确定包括对用于时间传感器数据的多个批的每个批的时间传感器值利用傅立叶变换算法。

在示例中，傅立叶变换算法是快速傅立叶变换算法。

按照示例，处理单元配置成将感兴趣的谱数据的批的谱值细分为多个频率范围，并且其中感兴趣的频率范围被确定为呈现比与其他频率范围关联的值要大的值的频率范围。

在示例中，感兴趣的频率范围被确定为呈现比与其他频率范围关联的谱功率值要大的谱功率值的频率范围。

在示例中，传感器数据是旋转传感器数据。

因此，领会的是，上述装置在被耦合到至少一个传感器(所述传感器获取时间传感器数据的多个批)时提供用于设备监测的系统。

而且，示例涉及用于设备监测的方法，该方法包括：

a) 提供用于设备的项的时间传感器数据的多个批，其中时间传感器数据的每个批包括作为时间的函数的多个时间传感器值；

b) 处理时间传感器数据的多个批，以确定谱传感器数据的多个批，其中谱传感器数据的每个批包括作为频率的函数的多个谱传感器值；

c) 实现至少一个统计过程算法，以处理用于谱传感器数据的多个批的多个谱传感器值，以便确定多个指标值，其中对于谱传感器数据的每个批，存在通过统计过程算法的每个所确定的指标值；

d) 利用用于每个统计过程算法的阈值和多个指标值来确定感兴趣的谱传感器数据的批，其具有大于用于关联统计过程算法的阈值的指标值；以及

e) 基于用于感兴趣的谱传感器数据的批的多个谱传感器值来确定感兴趣的频率范围。

在示例中，时间传感器数据的相邻批之间的时间周期大于批内的相邻传感器数据之间的时间周期。

在示例中，时间传感器数据的相邻批之间的时间周期是下列之一：1小时；2小时；3小时；4小时；5小时；6小时；7小时；8小时；12小时；24小时。

在示例中，批内的相邻传感器数据之间的时间周期是下列之一：0.0001s；0.0005s；0.001s；0.002s；0.003s；0.004s；0.005s；0.01s；0.02s；0.05s。

在示例中，在下列之一的时间周期内获取传感器数据的每个批：10s；20s；30s；60s；120s。

在示例中，在步骤c)中，至少一个统计过程算法包括霍特林统计。

在示例中，对于谱传感器数据的每个批，存在通过霍特林统计所确定的指标值。

在示例中，在步骤d)中，当通过霍特林统计对那个批所确定的指标值大于与霍特林统计关联的阈值时，确定感兴趣的谱传感器数据的批。

在示例中，在步骤c)中，至少一个统计过程算法包括平方预测误差或Q统计。

在示例中，对于谱传感器数据的每个批，存在通过平方预测误差或Q统计所确定的指标值。

在示例中，在步骤d)中，当通过平方预测误差或Q统计对那个批所确定的指标值大于与平方预测误差或Q统计关联的阈值时，确定感兴趣的谱传感器数据的批。

在示例中，当通过霍特林统计对那个批所确定的指标值大于与霍特林统计关联的阈值时，确定感兴趣的谱传感器数据的批。备选地，当通过平方预测误差或Q统计对那个批所确定的指标值大于与平方预测误差或Q统计关联的阈值时，确定感兴趣的谱传感器数据的批。

在示例中，步骤b)包括对用于时间传感器数据的多个批的每个批的时间传感器值利用傅立叶变换算法。

在示例中，傅立叶变换算法是快速傅立叶变换算法。

在示例中，传感器数据是旋转传感器数据。

以下详细描述涉及旋转设备的监测。在新方式中，按照新的方式使用多元统计过程控制。MSPC已用来监测工业过程，并且在对过程异常状况进行故障排除中支持过程操作员或过程工程师——参见Kresta, J. V.、Macgregor, J. F.和Marlin, T. E. (1991)的“Multivariate statistical monitoring of process operating performance”(TheCanadian Journal of Chemical Engineering，69(1)，35-47。)

但是，采取变化形式的这种方式已用于设备(例如旋转设备)的监测。虽然标准MSPC方式使用从过程传感器所收集的时间系列，但是已经发现，能够通过谱特征更好地表征旋转设备。已经发现，旋转设备中的故障或失灵具有在频域中被定位但是因由旋转所引起的周期性而在时域中不一定被定位的特征。

总之，在新技术中，T2霍特林指标以及Q或平方预测误差(SPE)指标对于所收集传感器值的每个批被计算，并且与适当统计极限进行比较。在特定示例中，“振动”测量按照“批”方式来执行，即，在给定时长内周期地记录测量。例如每6小时记录加速度/速度传感器数据测量。下面，参照时间索引（time index）k，其中k=1、2、3、...、n表示在例如一分钟的时长内以1 KHz的速率在相对时间6小时、12小时、18小时、...、n×6小时来获取数据的批。因此，在这个特定示例中，每6小时所获取的数据的每个批或记录具有1000×60=60000个数据样本或值。

从每6小时所获取的多个批中的一个或多个所识别批来确定T2霍特林和Q贡献标绘图。T2和Q贡献标绘图然后用来评估和与其对应统计极限的T2和Q指标偏差最相互关连的频率箱（frequency bin）。这个指示允许用户监测振动信号的谱的变化，并且帮助用户理解旋转设备正遭遇的故障的类型。

因此，两个个别统计控制图用来通过将它们与阈值极限进行比较来检测异常观测。霍特林的T2统计用于主成分空间中，平方预测误差(SPE或Q)统计用于剩余空间中。

主成分空间中的监测

当得分遵循高斯多元分布时，使用霍特林统计。得分具有零均值，以及所估计的样本协方差矩阵是对角矩阵。对于观测，关于t得分的霍特林统计由下式给出

其中P是矩阵，该矩阵的列是载荷向量，NPC是模型中保留的主成分的数量，是对角矩阵，该对角矩阵的元素是按照幅值的降序在模型中保留的样本协方差矩阵的本征值(数据矩阵X的奇异值)。T是主成分空间中的得分。

霍特林统计是缩放得分的总和。它把来自所有得分的信息组合为单个指标。当计算统计时，仅包括与较大奇异值对应的载荷。在这个统计的计算中反转（invert）与噪声对应的较小奇异值。不包括这些较小奇异值允许过程行为的更好表示以及模型内部的健壮异常性检测。统计是观测到主成分空间的投影与主成分空间的原点之间的距离。的阈值使用下式来计算

其中是置信度水平，N是数据矩阵中的观测的数量。是具有NPC、N-NPC自由度的费希尔分布的关键点。从上式，能够得出得分的控制极限

上式描述用于得分的置信度的椭圆区域(对于具有m=3，NPC=2的示例参见图1)。在给定观测的变量对的个别贡献由下式给出

剩余空间中的监测

剩余空间中的监测使用定义如下的Q统计，

其中是误差矩阵E的行向量。Q统计是观测与它们到主成分空间上的投影的偏差的欧几里德范数。Q的控制极限能够近似为

其中是与百分位数对应的正态分布的值，

并且。

控制极限表示过程中的随机变化的阈值。在给定观测的变量对Q的个别贡献通过与观测对应的E的元素给出。

参照图1，这示出包括三个变量的数据集。能够看到，三维数据点(空心圆)能够减少到由主分量所跨越的二维，其带有具有更高解释方差的第一主分量(沿椭圆的长轴)以及第二主分量(椭圆的短轴)。考虑新观测(加标签为PC1的实心圆)，这个新观测位于由主分量所跨越的二维空间中，但是位于得分的控制极限之外。通过其他实心圆所标记的新数据点在被投影到主成分空间中时被发现是可接受的，尽管数据点与模型中的其他点不同。这个变化通过Q统计来捕获。

因此，多元统计过程控制(MSPC)按照新方式已用来监测工业设备。能够利用主成分分析(PCA)。PCA允许在较低维空间上表示数据集。另外，它将观测空间分离为两个子空间。一个子空间捕获过程趋势，而另一个子空间捕获随机噪声或者不是模型的组成部分的新异常变化的影响。

设数据矩阵具有从m个传感器所收集的n个观测。PCA是数据缩减技术，该数据缩减技术在称作主成分的正交方向上提取数据中的最大方差。这些主成分是包含有用信息的变量的线性组合(过程数据的可变性)。PCA将数据矩阵分解为称作载荷向量(p)和得分向量(t)的正交向量。使用数据矩阵X的奇异值分解(SVD)进行分解：

其中包含按照降幅的顺序的实非负奇异值( )。右本征向量是载荷向量。为了避免对数据中存在的噪声进行建模，仅保留r个较大本征值及其对应载荷向量。在主成分i的方向上所捕获的方差量为。数据矩阵X在被投影到由个别载荷向量(p)所形成的空间上时为

其中称作得分矩阵，以及t的列是正交的。由得分矩阵的第一列(对应于X的第一主成分)所捕获的方差比由第二列所捕获的方差要大。得分又到原始m维空间的投影给出，

其中是建模信息。与之间的差称作剩余矩阵E，以及由剩余矩阵所跨越的空间称作剩余空间。这个剩余空间对应于未被包括在模型中的较小本征值中的方差。

为了测试新观测向量，向量被投影到模型上。测试向量到由载荷向量所形成的空间的投影给出测试数据的得分。

因此，返回到传感器数据的获取和处理，设表示所收集传感器值的向量，例如在时间间隔T内开始于时间k所收集的加速计测量。

设是在时间间隔(k, k+T)内使用例如快速傅立叶变换FFT算法所计算的的谱。对所收集传感器值的每个批计算。k=1、2、3、4、...n，其中n是在m个频率通道的批的数量。如上所述，能够每6小时获取每个批，并且每个批能够具有例如每0.001秒所获取的6000个数据样本。但是，能够采用它们之间的不同时间周期来获取每个批，使得例如在两个批之间存在2小时，然后例如在6小时之后获取下一个批。但是，在批内每Ts秒(例如每0.001s)读取传感器值。

因此，批是时间间隔T期间所收集的传感器值系列。对于每个批，计算傅立叶变换，以便估计对应功率谱。功率谱的实际实现依靠数值算法，该数值算法计算傅立叶变换：快速傅立叶变换算法(FFT)。FFT计算离散谱，即，在有限数量的频率下的谱的值。评估功率谱的频率或频带称作“频率通道”。

叠加对于所有批的计算的谱产生下列矩阵

X的主成分(PCA)分解产生下列近似：

其中

以及E是残余(近似)误差，t是得分的向量，以及p是载荷的向量。

T2霍特林指标和Q(SPE)指标然后对每个批索引（batch index）来计算，并且与适当统计极限进行比较。这在图2中示出。在图2中，对每个批计算T2霍特林指标和PRE或Q指标，其中如上所述，k是批(数据集索引)。如图2中所示，批12超过极限，其中仅为了简洁起见，仅示出对T2霍特林统计所计算的指标值的一个集合并且仅示出一个阈值，但是实际上存在两个标绘图，一个用于T2霍特林统计，而一个用于PRE或Q统计分析。因此，如所示，批k=12高于统计极限T2_lim或Q_lim。这个批以及高于统计极限T2_lim或Q_lim的其他批与异常振动水平关联。因此，然后通过分析贡献标绘图来调查这些数据集(批)，以便确定哪一个(哪些)频率最能解释T2或Q的高值。这种贡献标绘图在图3中对批12示出，并且从对于具有异常振动水平的那个批的FFT确定能谱含量来确定。以这种方式，T2和Q贡献标绘图用来评估和与对应统计极限的T2和Q指标偏差最相互关连的频率箱。在图3中，对于批12的频率箱[l00Hz-150Hz]明显高于其他谱分量，指示Q或T2指标中的所检测变化通过[l00Hz-150 Hz]频率范围中的分量的存在来解释。这个指示允许用户监测振动信号的谱的变化，并且帮助他理解旋转设备正遭遇的故障的类型。

在另一个示范实施例中，提供一种计算机程序或计算机程序元件，所述计算机程序或计算机程序元件的特征在于配置成在适当系统上执行按照前述实施例中的一个实施例所述的方法的方法步骤。

因此，计算机程序元件可被存储在计算机单元上，该计算机单元也可以是实施例的组成部分。这个计算单元可配置成执行或者引起执行上述方法的步骤。此外，它可配置成操作上述装置和/或系统的组件。计算单元能够配置成自动操作和/或执行用户的命令。计算机程序可被加载至数据处理器的工作存储器中。因此，数据处理器可配备成执行按照前述实施例中的一个实施例所述的方法。

按照本发明的另外的示范实施例，提出一种计算机可读介质(例如CD-ROM)，其中计算机可读介质具有在其上存储的计算机程序元件，所述计算机程序元件通过先前部分描述。

虽然在附图和前面描述中已详细图示和描述本发明，但是这种图示和描述被认为是说明性或示范性而不是限制性的。本发明并不局限于所公开实施例。根据研究附图、本公开和从属权利要求，对所公开的实施例的其他变更能够由本领域的技术人员在实施要求保护的本发明中理解并且实现。