CN103198207A - 诊断算法参数优化 - Google Patents

Abstract

本发明涉及诊断算法参数优化。提供用于优化在可调诊断算法库中的多个选定的诊断和/或预测算法的参数的系统和方法。提供多个具有与其相关的实际诊断标签的感测的数据集至每个该诊断算法。为每个要被优化的算法的每个参数提供值。使用每个选定的算法、故障模型和每个参数的值，为每个该感测的数据集生成计算诊断标签，每个该计算诊断标签和每个该实际诊断标签被提供至通用目标函数，从而计算目标函数值，并且使用重复这些步骤中的某些步骤的优化例程来改变一个或多个参数的值，直到该目标函数值被最小化。

Description

诊断算法参数优化

技术领域

本发明一般涉及系统诊断的系统和方法，并且更具体地涉及一种用于优化来自可调诊断算法库的所有部署的诊断算法的参数从而提供改进的更好诊断的过程。

背景技术

现代电子和机械系统，诸如飞机或其他车辆，正变得越来越复杂。健康管理系统经常被用来监视车辆系统的各种健康状态。几个因素有助于健康状态的演变。这些因素包括损伤积累，系统中的组件之间的交互，与设计特性的偏离，以及连续或离散事件的影响。这些方面可以使用预测和诊断指示器加以模拟和评估，以努力预报在车辆系统中的故障。然而，现代电子和机械系统的复杂度已经导致对更精密的健康系统的不断增长的需求。关于潜在故障的信息使得这类故障能够在问题发生前被解决。通常，此信息可以为操作员或其他个体提供支持以用于作出有关系统的将来维护、操作、或使用的决策，和/或用于作出其他决策。

一些已经开发的健康管理系统是可配置的，在这个意义上这些健康管理系统可以在各种应用程序上部署。此类健康管理系统典型地依赖于算法库。在该库内的每个算法都包括一个或多个可能需要针对它被部署在其中的应用程序进行定制的相关参数。这些参数中的一些，诸如管直径，可容易从资产/系统规范或测量中得到。然而，各种其他参数，诸如所有的数据驱动的参数或特定模型参数，可能不容易得到，而需要在系统/资产部署之前被选择。这些后者参数可以由专门的人员诸如算法专家基于他们对特定资产/系统的知识和对相关资产/系统历史数据的检查来选择。如可以理解的是，这个后者参数选择过程可能涉及试凑法，可能相对地耗时，可能容易产生参数的次优选择，并且依赖于专业人员进行参数选择。参数的优化通常依赖于优化专家为特定的优化问题制定合适的目标函数。通过为所有这类检测问题定义通用目标函数，这个发明使针对诊断/预测问题的参数优化可用于非专家。

因此，需要为在诊断算法库内的诊断算法选择参数的过程，其不依赖于专业人员，因此不涉及人为影响的试凑法，和/或比目前的方法相对较少的耗时，和/或更不容易出现次优选择。本发明至少解决了这些需求。

发明内容

在一个实施例中，一个用于优化在可调诊断算法库中的多个选定的诊断和/或预测算法的参数的方法包括提供多个感测的数据集至每个诊断算法，其中每个感测的数据集具有与其相关的实际诊断标签。提供每个要被优化的诊断算法的每个参数的值。使用每个选定的算法、故障模型和每个参数的值，为每个感测的数据集生成计算诊断标签，每个计算诊断标签和每个实际诊断标签被提供至通用目标函数，从而计算目标函数值，并且使用重复这些步骤中的某些步骤的优化例程来改变一个或多个参数的值，直到目标函数值被最小化。

在另一个实施例中，一个用于优化被配置为提供一个或多个计算故障标签的一个或多个诊断算法的参数的方法包括提供多个感测的数据集至该一个或多个诊断算法中的每个，其中每个感测的数据集具有与其相关的实际故障标签。提供要被优化的一个或多个诊断算法中的每个诊断算法的每个参数的值。所述一个或多个诊断算法中的每个诊断算法可以生成的所有可能的计算标签被确定。生成具有多个条目并且包括用于每个可能的计算故障标签的单独行和用于每个实际故障标签的单独列的混淆矩阵。相关的加权值被分配至该混淆矩阵中的每个条目，从而生成加权矩阵(W)。使用该一个或多个诊断算法中的每个诊断算法和每个参数的初始值，为每个感测的数据集生成计算故障标签，其中每个计算故障标签包括概率向量。每个计算故障标签、每个实际故障标签和加权矩阵被提供至通用目标函数，从而计算目标函数值。使用这些步骤中的某些步骤的优化例程来改变一个或多个参数的值，直到目标函数值被最小化。

在又一个实施例中，一个用于优化在可调诊断算法库中的多个诊断算法的参数的系统包括：处理器，被配置为实现每个诊断算法和故障模型并且接收多个感测的数据集以及用于每个要被优化的诊断算法的每个参数的值，每个感测的数据集具有与其相关的实际诊断标签。该处理器进一步被配置成使用每个预测算法和每个参数的初始值来为每个感测的数据集生成计算诊断标签，提供每个计算诊断标签和每个实际诊断标签至通用目标函数，从而计算目标函数值；并且使用各种处理步骤的优化过程选择性地改变一个或多个参数的值，直到目标函数值被最小化。

此外，从随后的详细描述和所附权利要求并结合附图和前述的背景技术，本文描述的系统和方法的其他期望的特征和特性将变得显而易见。

附图说明

本发明将在下文中结合以下附图被描述，其中相同的附图标记表示相同的元件，并且其中：

图1描绘了系统的实施例的功能框图，该系统可以用来实现过程以优化在可调诊断算法库中的多个诊断算法的参数；

图2描绘了故障模型和示例性诊断算法库的一部分的功能框图；

图3描绘了可在图1的系统中实现的参数优化过程的简化表示；

图4和图5分别描绘了混淆矩阵和加权矩阵的示例；以及

图6描绘了潜在的计算诊断标签的示例。

具体实施方式

下面的详细描述在本质上仅仅是示例性的而不意在限制本发明或本发明的应用和使用。如本文所使用的，词“示例性”意指“作为示例，实例或说明”。因此，本文描述为“示例性”的任何实施例不一定被解释为比其他实施例优选或有利。本文所描述的所有实施例都是示例性实施例，其被提供以使得本领域技术人员能够实现或使用本发明而不是要限制由权利要求限定的本发明的范围。此外，没有意图被在前述的技术领域，背景技术，发明内容，或下面的具体实施方式中提出的任何明示或暗示的理论所约束。

首先参照图1，用于实现用来优化在可调诊断算法库中的多个诊断算法的参数的过程的系统100的功能框图。所描绘的系统100包括历史数据源102和一个或多个可配置的处理器104。历史数据源102具有存储在其中的标记的历史数据。标记的历史数据更具体地包括多个感测的数据集106，如将在下面进一步解释的那样，每个数据集具有相关的实际诊断标签108。

将理解的是，历史数据源102可以进行各种配置和实现。例如，历史数据源102可以使用任何合适数据存储设备而被实现。此外，依照众多的数据存储模式中的任何一个，标记的历史数据可被存储在历史数据源102中。

尽管为了说明和描述的清楚和方便起见被描绘为被实现为单一处理器104，但处理器104可以使用多个合适的处理器104而被实现，如果需要或期望的话。处理器104被耦合至历史数据源104，并且被配置为从中选择性地检索传感器数据集106和相关的实际诊断标签108。如图1还描绘的，处理器104另外被配置为实现端到端诊断112和性能评估器114。端到端诊断112实现可调算法库116和故障模型118，生成计算诊断标签122，并提供这些计算诊断标签122至性能评估器114。

可调算法库116包括多个诊断算法116-1、116-2、116-3、116-N。在库116中的每个诊断算法具有一个或多个与其相关的参数124，该参数需要针对应用程序所定制，在该应用程序中端到端诊断112将被部署。在进一步继续之前，应当注意的是，从历史数据源102被提供到处理器104的传感器数据集106和相关的实际诊断标签108与相同的应用程序相关，在该应用程序中端到端诊断112将被部署。因此，如果端到端诊断112将针对特定类型的引擎而被部署，传感器数据集106和相关的实际诊断标签108将来自此特定类型的引擎。

性能评估器114接收计算诊断标签122和实际诊断标签108，并且响应于此，被配置为评估端到端诊断112的性能以及基于评估的性能而选择性地改变一个或多个参数124。如将在下面进一步更详细地描述的，性能评估器114通过使用通用目标函数来计算性能得分而实现此功能。如也将在下面进一步更详细地描述的，处理器104使用检索到的传感器数据集106和相关的实际诊断标签108，迭代地实现端到端诊断112和性能评估器114，直到所计算的性能得分被最小化。当所计算的性能得分被最小化时，这指示与诊断算法116相关的参数124已针对最终用途应用被优化(或“调整”)。

对至少部分地在处理器104中实现的且如上所述的广义过程的更详细描述，将立即被更详细地描述。在这样做之前，由诊断算法116和故障模型118实现的功能的简要概述将被提供。在这样做时，应当参考图2，其描绘了故障模型118和诊断算法库116的一部分的功能框图。应当注意的是，为了便于描述，所描绘的诊断算法库116只包括三个算法116-1、116-2、116-3。另外应当注意的是，m1、m2和m3是来自选定的数据集的测量，而p1至p5和th1至th5是算法参数。

诊断算法116每个被配置成计算健康指示器(HI)。计算的HI是二进制，并且代表真(或健康)状态或假(或不健康)状态。计算的HI被提供至故障模型118，其映射HI至计算故障标签F1，F2，F3...FN。更具体地，给定一组HI，故障模型118计算故障标签和相关的概率(或排名)的列表作为当前的系统诊断估计。

现在参考图3，参数优化过程300被描绘并且现在将被描述。所描绘的过程300包括各种预处理步骤，其可以在处理器104中实现的任何自动化处理之前由用户执行。预处理步骤包括：选择感测的数据集，针对所述数据集诊断算法116的性能将被评估和调整；从诊断算法库116中选择一个或多个诊断算法；生成加权矩阵；和为选定的诊断算法116的每个参数124提供初始值。这些预处理步骤中的每个现在将被描述。

感测的数据集106(例如，106-1、106-2、106-3、...106-N)每个包括(一个或多个)实际传感器测量(例如，m1、m2、m3、...mN)，算法116使用其来计算HI。每个感测的数据集106还包括实际诊断标签108。如在图3中所指示的，诊断标签可以是健康标签(“H”)，或多个实际故障标签(例如，“F1”或“F2”...或FN)中的任一个。健康标签(“H”)意味着感测的数据集指示健康系统，而故障标签意味着感测的数据集指示特定系统故障。因此，用户检查所有的数据集106，并确定哪些数据集具有实际故障标签以及那些故障标签是什么。然后，用户确定算法库116中的哪些算法可以计算HI，故障模型118还将所述HI映射到这些相同的(尽管计算的)故障标签。应当注意的是，健康标签根据定义不是实际故障标签。因此，针对此步骤不考虑健康标签，即使健康标签数据为优化步骤所需要。

为了从诊断算法库116中选择一个或多个诊断算法进行评估和调整，从图2和上述的相关描述应当容易理解，故障模型118从诊断算法库116中的每个诊断算法计算的HI中的每个映射的可能的计算故障标签的集合(F1，F2，F3，...FN)是事先已知的。基于在故障模型118中实现的故障模型映射，因此用户可能把HI和HI被映射到的故障标签划分为最小可能的自包含的独立组，并且然后选择相关的诊断算法116。为了提供这种算法选择技术的示例，应当参考在图2中描绘的简化实施例。在这个简化的实施例中，看到的是，计算故障标签F1可以从两个不同的HI(HI1和HI2)映射；计算故障标签F2和F3每个可以从单个HI(HI2)映射；并且计算故障标签F4和F5每个可以从两个不同的HI(HI3和HI4)映射。因此，所描绘的HI和故障标签可以被划分为两个自包含的独立组——第一组202和第二组204。应当注意的是，为两个组选择的可调参数即(p1、p2、p3、th1、th2)和(p5、th4、th5)不重叠。在第一组202中的HI(HI1、HI2)可以由两个诊断算法116-1和116-2计算，并且在第二组204中的HI(HI3、HI4)可以由单个诊断算法116-3计算。虽然这个过程(其在本文中被称为“分而治之”)是可选的，但应当注意的是问题划分将通常使随后的优化更高效得多。

为了生成加权矩阵(W)，处理器104基于故障模式来确定所有可能的、用户选定的诊断算法116集合能够生成的计算诊断标签。处理器104添加健康标签(H)到这个计算诊断标签集合以生成在图4和图5中被称为的“计算注释”。因此，继续在图2中描绘的示例，如果与第一组202相关的算法116-1、116-2被选择，那么所有能够生成的可能的计算诊断标签包括F1、F2和F3。类似地，如果与第二组204相关的算法116-3被选择，那么所有能够生成的可能的计算诊断标签包括F4和F5。如果假设第一组202被选择，那么计算注释包括H、F1、F2和F3。用户然后检查选定的数据集106并且移除任何包括不同于任何计算注释的实际诊断标签108的数据集。与选定的数据集106相关的实际诊断标签108在图4和5中被称为“实际注释”。

计算注释和实际注释然后被用来生成在本文中被称为的混淆矩阵。在图4中被描绘的混淆矩阵400具有多个条目，并包括用于每个计算注释(例如，可能的计算诊断标签)的单独行和用于每个实际注释(例如，实际诊断标签)的单独列。将理解的是，混淆矩阵400中列的数目将至多与行的数目相同。然而，它可以具有比行少的列数。这可能发生在例如选定的数据集106不包括一个或多个与计算注释匹配的诊断标签108时。在所描绘的是4X3矩阵的混淆矩阵400中在选定的数据集106不包括实际诊断标签F3的情况下，情况就是如此。

在混淆矩阵400的行和列被定义后，然后用户可以通过分配加权值给混淆矩阵400中的每个条目来提供加权矩阵(W)。图5描绘了加权矩阵(W)500的示例性实施例，其具有和图4所描绘的混淆矩阵400相同的维度。被分配给每个条目的加权值是基于用户(或其他专家人员)经验，并且基于混淆矩阵400中的在参数优化期间用户想要鼓励或劝阻的相应行为。通常，人们将想要鼓励正确的检测并或许处罚不正确的检测。如可以理解的是，用户将总是想要鼓励对角元素。这是因为对角元素意味着计算诊断标签和实际诊断标签之间的匹配，而非对角元素意味着不匹配，其暗指假、错过或其他不正确的故障检测。因此，加权矩阵(W)中的对角元素可能通常具有比非对角元素相对大的幅值。然而，如示例性加权矩阵(W)500所描绘的，对角元素不需要具有相同的幅值。虽然这些行为相对于由非对角元素所代表的那些被鼓励，但是用户可能由于种种原因而需要或想要比其他多鼓励一些对角元素行为。

除了不同的幅值，还看出用户想要鼓励的行为被给予负值并且用户想要劝阻的行为被给予正值。这是因为在性能评估器114中实现先前提到的通用目标函数的方式。

对于每个选定的算法116，用户确定特定的参数124来调整，并且为这些参数124中的每个提供初始值。用户也可以为这些参数124中的每个提供上限和下限，并且处理器104使用相关的界限对每个参数124进行归一化。再次参考图2并假定第一组202中的算法116-1、116-2被选择，可能容易看出要被优化(或调整)的参数124包括p1、p2、p3、th1和th2。将被理解的是，这些特定的标签(例如，p1、p2、p3、th1、th2)以及标签的数目仅仅用于说明性目的。在其他实施例中，并且事实上对于其他诊断算法116，特定的参数、参数的数目和可用于代表这些参数的标签可能全部改变。

在预处理步骤完成后，选定的数据集106，加权矩阵500和参数124的初始值可以被提供至处理器104用于整个过程的自动化处理部分。自动化处理使用参数124的值为每个选定的数据集106执行用户选定的诊断算法116，从而为每个数据集106计算HI。再次，假定第二组202中的诊断算法116-1、116-2被选择，在查看图2和3时可以容易理解的是，诊断算法116-1使用实际传感器测量m1和m2和参数p1、p2和th1计算HI1。类似地，诊断算法116-2使用实际传感器测量m2和m3和参数p1、p3和th2计算HI2。计算的HI被传送至故障模型118，其映射HI到计算诊断标签。如前所述，故障模型118按照对应于计算注释的概率(归一化排名)向量来生成计算诊断标签。潜在的计算诊断标签600的示例在图6中被描绘。

计算诊断标签600，实际标签108和加权矩阵(W)500全部被提供到先前提到的通用目标函数302，其如先前也提到的那样可以在性能评估器114中实现。通用目标函数302计算目标函数值。为了做到这一点，通用目标函数302首先为每个实际注释计算归一化得分S_a(k)。更具体地，对于实际注释中的每个实际诊断标签a(k)，通用目标函数302确定所选定的数据集106中的哪个数据集x(m)具有这个标签。作为示例，假定：在所有选定的数据集106当中，总共有j个具有特定的实际诊断标签a(k)的数据集；并且对于这些j个数据集中的每个，故障模式118按照概率矢量P_x(m)生成计算诊断标签。对于这些数据集x(m)的每个，通过累加所计算的概率矢量P_x(m)并且除以具有特定的实际诊断标签a(k)的数据集的数目(例如j)，实际注释a(k)的归一化得分S_a(k)被计算，如在以下等式中指示的：

$S_{a\left(k\right)}=\frac{\underset{m=1}{\overset{j}{\mathrm{\Σ}}}{P}_{x\left(m\right)}}{j}.$

如可以理解的，每个归一化得分S_a(k)是对应于特定的实际注释a(k)和计算注释集合的列向量，并且此向量的和为1。在计算所有的归一化得分S_a(k)后，它们被布置成得分矩阵或归一化的混淆矩阵(S)，其与加权矩阵(W)500的维度完全匹配。得分矩阵(S)是概率矩阵，并且清楚地示出，对于选定的数据集106中的每个实际诊断标签a(k)以及对于参数124的当前值，端到端诊断112在计算注释中将生成计算诊断标签的概率是多少。通用目标函数通过取加权矩阵(W)和得分矩阵(S)的行和列的按元素相乘的总和来计算目标函数值(OFV)，如在以下等式中所示：

$\mathrm{OFV}=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\underset{l=1}{\overset{q}{\mathrm{\Σ}}}{S}_{\mathrm{il}}{W}_{\mathrm{il}},$

其中，如从数据集选择过程指出的，q≤p。

在可替换的实施例中，可以期望确保目标函数值的绝对最小值将总是为零。对于这种可替换的实施例，使用下面的等式来计算目标函数值：

$\mathrm{OFV}=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\underset{l=1}{\overset{q}{\mathrm{\Σ}}}{S}_{\mathrm{il}}{W}_{\mathrm{il}}-\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{W}_n.$

自动化处理还实现优化例程304以改变一个或多个参数124的值，从而最小化目标函数值。将理解的是，可以使用众多已知的优化例程诸如网格搜索、内点法、遗传优化等中的任何一个。

本文公开的用于选择在诊断算法库116中的诊断算法的参数124的系统和方法不仅仅依赖于专业人员，并且因此不涉及人为影响的试凑法。该系统和方法比目前的方法是相对较少的耗时，并且更不容易出现次优选择。虽然在只有两个诊断算法(例如，116-1、116-2)和相关的参数124和数据的背景下描述了过程300，但是应当理解的是，这样做仅仅是为了便于描述和解释。过程300可以扩展为同时优化任何数目的诊断算法116的参数124。

本领域的技术人员将会理解，关于本文所公开的实施例所描述的各种说明性逻辑块，模块，电路和算法步骤可以被实现为电子硬件，计算机软件，或两者的组合。一些实施例和实施方式在上面按照功能和/或逻辑块组件(或模块)和各种处理步骤被描述。然而，应当理解的是，这些块组件(或模块)可以通过任何数目的被配置成执行指定功能的硬件，软件，和/或固件组件来实现。为了清楚地说明硬件和软件的这种可互换性，各种说明性组件，块，模块，电路，和步骤通常按照其功能已经在上面被描述。将此类功能实现为硬件还是软件取决于特定的应用和施加于整个系统的设计约束。技术人员可以针对每个特定应用以不同方式实现所描述的功能，但此类实现决策不应当被解释为导致偏离本发明的范围。例如，系统或组件的实施例可以采用各种集成电路组件，例如存储器元件，数字信号处理元件，逻辑元件，查找表等，其可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。此外，本领域的技术人员将理解本文中描述的实施例仅仅是示例性实施方式。

关于本文所公开的实施例所描述的各种说明性逻辑块，模块和电路可以用通用处理器，数字信号处理器(DSP)，专用集成电路(ASIC)，现场可编程门阵列(FPGA)，或其他可编程逻辑设备，离散门或晶体管逻辑，分立硬件组件，或经设计以执行本文描述的功能的它们的任何组合来实现和执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何传统的处理器，控制器，微控制器，或状态机。处理器还可以被实现为计算设备的组合，例如DSP和微处理器的组合，多个微处理器，一个或多个微处理器与DSP核心结合，或任何其他此类配置。

关于本文所公开的实施例所描述的方法或算法的步骤可以直接体现在硬件，由处理器执行的软件模块，或两者的组合中。软件模块可以驻留于RAM存储器，闪速存储器，ROM存储器，EPROM存储器，EEPROM存储器，寄存器，硬盘，可移动盘，CD-ROM，或本领域中已知的任何其他形式的存储介质中。示例性存储介质被耦合至处理器，使得处理器可以从存储介质中读取信息以及写信息至存储介质。在替换方案中，存储介质可与处理器成一体。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。

在本文档中，关系术语诸如第一和第二等可以仅仅用于区分一个实体或动作和另一实体或动作，而不一定要求或暗示这样的实体或动作之间的任何实际的此类关系或次序。数字序号，诸如“第一”，“第二”，“第三”等，仅仅表示多个不同的个体并不暗指任何次序或顺序，除非由权利要求语言特别定义。任何权利要求中的文本的顺序并不暗指过程步骤必须在时间或逻辑的次序上根据这样的顺序来执行，除非它由权利要求的语言特别定义。在不脱离本发明的范围的情况下，过程步骤可以以任何次序互换，只要这样的互换不与权利要求的语言相矛盾并且不是逻辑上无意义的。

此外，根据上下文，用于描述不同的元件之间的关系的词诸如“连接”或“耦合到”不暗指必须在这些元件之间进行直接物理连接。例如，两个元件可以通过一个或多个附加元件物理地，电子地，逻辑地，或以任何其他方式彼此连接。

虽然至少一个示例性实施例已经在本发明前面的详细描述中被提出，但是应当理解的是，存在大量的变化。还应当理解的是，一个或多个示例性实施例仅仅是示例并且不意在以任何方式限制本发明的范围，适用性或配置。相反，前面的详细描述将给本领域的技术人员提供一个方便的路线图用于实现本发明的示例性实施例。理解的是，在不脱离如权利要求所阐述的本发明的范围的情况下，可以在示例性实施例中描述的元件的功能和布置中作出各种变化。

Claims (10)

1.一个用于优化在可调诊断算法库中的多个选定的诊断和/或预测算法的参数的方法，该方法包括以下步骤：

a)提供多个感测的数据集至每个该选定的算法，每个该感测的数据集具有与其相关的实际诊断标签；

b)为每个要被优化的该选定的算法的每个参数提供值；

c)使用每个该选定的算法、故障模型和每个参数的值，为每个该感测的数据集生成计算诊断标签；

d)提供每个该计算诊断标签和每个该实际诊断标签至通用目标函数，从而计算目标函数值；

e)使用重复步骤c)-e)的优化例程，改变一个或多个该参数的值，直到该目标函数值被最小化。

2.如权利要求1所述的方法，进一步包括：

确定诊断算法的选定的集合基于该故障模型能生成的所有可能的计算诊断标签；

定义具有多个条目的混淆矩阵的行和列，该混淆矩阵包括用于每个该可能的计算诊断标签的单独行和用于每个实际诊断标签的单独列；以及

分配加权值至该混淆矩阵中的每个条目，从而生成加权矩阵(W)。

3.如权利要求2所述的方法，其中，每个计算故障标签包括对应于每个可能的计算故障标签的概率向量。

4.如权利要求3所述的方法，进一步包括基于每个该实际故障标签和使用每个该概率向量来生成归一化的混淆矩阵(S)。

5.如权利要求4所述的方法，其中，生成归一化的混淆矩阵的步骤包括为每个该实际故障标签计算每个计算诊断标签的归一化概率。

6.如权利要求4所述的方法，其中：

该加权矩阵(W)和该归一化的混淆矩阵(S)每个都是p×q矩阵；并且

该目标函数值使用以下公式计算：

7.如权利要求4所述的方法，其中：

该加权矩阵(W)和得分矩阵(S)每个都是p×q矩阵；并且

该目标函数值使用以下公式计算：

8.一个用于优化在可调诊断算法库中的多个诊断算法的参数的系统，该系统包括：

处理器，被配置为实现每个该诊断算法和故障模型并且接收(i)多个感测的数据集，每个具有与其相关的实际诊断标签，以及(ii)每个要被优化的诊断算法的每个参数的值，该处理器进一步被配置成：

a)使用每个该诊断算法和每个参数的初始值，为每个该感测的数据集生成计算诊断标签；

b)提供每个该计算诊断标签和每个该实际诊断标签至通用目标函数，从而计算目标函数值；以及

c)使用重复步骤a)-c)的优化例程，选择性地改变一个或多个该参数的值，直到该目标函数值被最小化。

9.如权利要求8所述的系统，其中：

该处理器被进一步配置为接收加权矩阵(W)；并且

该加权矩阵通过以下生成：

确定每个该诊断算法能生成的所有可能的计算诊断标签；

生成具有多个条目的混淆矩阵，该混淆矩阵包括用于每个该可能的计算诊断标签的单独行和用于每个实际诊断标签的单独列，以及

分配加权值至该混淆矩阵中的每个条目，从而生成。

10.如权利要求9所述的系统，其中：

每个计算故障标签包括对应于每个可能的计算故障标签的概率向量；以及

该处理器进一步配置成(i)基于每个该实际故障标签和使用每个该概率向量来生成得分矩阵(S)和(ii)针对每个该实际故障标签计算归一化得分。

Images