生产过程的生产批运行的质量指标的计算机实现的确定的制作方法

1.一般而言，本公开涉及生产过程，并且更特别地，本公开涉及用于确定生产过程的批运行的质量指标的计算机系统、方法和计算机程序产品。


背景技术：

2.在工业中，技术系统执行生产过程。期望生产过程和所得产品两者都符合（或“遵从”）预定义的规范。然而，这并非总是该情况。因此，质量类别可以被指派给生产过程的特定性能（或“批运行”），并且可以被指派给特定产品。
3.经简化，质量指标可以至少在符合的生产与不符合的生产之间进行区分。符合性通常与指标“成功”相关联，并且不符合性通常与指标“失败”相关联。质量指标还可以在得到符合的产品的生产与得到不符合的产品的生产之间进行区分。还可以使用另外的质量类别（例如，“第一选择”、“第二选择”）。质量指标表示执行生产过程的技术系统的内部状态。
4.在生产期间收集数据是一种信息来源，该信息在被适当地评估时可以导致改进（该过程的性能方面的改进）。数据可以是从测量信号（例如，生产装置的温度）、从与生产事件相关的控制指令（例如，打开或关闭特定阀、添加材料）或从状态指标而得到的。
5.由于批处理在特定行业中（诸如在化学行业中）被广泛采用，因此可以针对个体批次来收集数据。关于批控制的惯例是归一化的，诸如在ansi/isa
‑
88和等同物（例如，iec 61512
‑
1：1997、iec 61512
‑
2：2001、iec 61512
‑
3：2008、iec 61512
‑
4：2009）中。
6.对于批处理而言，数据可用作时间序列，即针对后续时间点按时间次序被索引的数据值序列。时间序列与特定批次相关、和/或与所得产品相关。
7.评估数据可以包括检测来自不同批运行的时间序列之间的相似性。例如，如果相似性指数超过特定阈值，则可以考虑相似性。或者，在另外的示例中，如果数据处理识别出模式（诸如，随时间的特性数据值），则可以考虑相似性。
8.来自过去的特定批运行（“历史批运行”或“参考批运行”）的时间序列可以用作参考时间序列。可以将一个或多个质量类别指派给该参考。为了与上述简化的类别保持一致，可以针对符合的生产、针对不符合的生产、针对符合的产品、或针对不符合的产品对参考时间序列进行分类。进一步的简化仅使用成功和失败类别。在生产和产品两方面都符合（以及潜在地符合另外的、更详细的规范）的特定批运行可以被视为“黄金批次”。
9.如本文中所使用，来自（正在进行的）特定批运行的时间序列是生产时间序列。生产时间序列与参考时间序列之间的相似性可以指示类别，诸如符合的生产、不符合的生产（符合的产品或不符合的产品），达到“黄金批次”是所期望的。
10.然而，检测时间序列之间的相似性并不像将数字与阈值等进行比较那样容易。至少存在两个约束：来看第一个约束，作为时间序列的基础的时间区间并不是针对所有时间序列都相同，即使生产过程是相同的。批处理并不意味着以相同的时间长度（或持续时间）执行每个特定的生产批运行。生产批运行的持续时间通常因批次而不同。对于不同的持续时间而言，
存在许多原因。例如，由于变化的环境条件，化学反应具有可变的持续时间。由于物流原因（例如，罐已满，下一个装备被占用），操作者潜在地会暂停过程，并且在稍后的时间点处将其恢复。操作者动作也具有可变的持续时间。
11.来看第二个约束，数据并不包括随时间的一个数据值，诸如所提到的温度，但是数据通常源自于更多的来源。可以存在针对另外的物理现象的测量值、诸如压力，可以存在诸如马达转速、阀的打开或关闭状态等之类的参数。另外的参数涉及所提到的控制指令（例如，打开/关闭阀、添加材料）和/或状态指标。换句话说，数据是多变量数据。
12.动态时间扭曲（dtw）是算法将时间序列彼此比较并对齐的总称。
13.对dtw和dtw软件的概述例如在[1] toni giorgino：“computing and visualizing dynamic time warping alignments in r：the dtw package：（journal of statistical software vol 31（2009），issue 7）中可获得。简化得多，dtw允许比较时间序列，即使时间基础不同。技术可用于将时间中的差异考虑在内。例如，参考文献[1]的图1说明：两个时间序列可以对齐，并且可以通过研究对齐距离来计算相似性。参考文献[1]还解释了用于适应多变量数据的方法。
[0014]
然而，存在另外的约束：一些dtw算法可能会忽略时间序列的一些特性，使得例如指示（批运行或产品的）特定失败的特性模式不能够被标识。这种不期望的影响被称为“过度激进式扭曲（over
‑
aggressive warping）”。换句话说，特性模式可以指示生产期间出现的问题，如果数据处理不足够敏感，则特性模式可能会消失。
[0015]
仍进一步，将批运行与质量类别进行相关可能太晚，尤其是当类别指示失败时。所提到的约束可能促成延迟。
[0016]
需要找到将这些约束考虑在内的方法。


技术实现要素：

[0017]
为了将生产过程的生产批运行的质量指标确定成质量类别，计算机将具有来自参考批运行的多来源数据的时间序列与具有来自生产批运行的多来源数据的时间序列进行比较。在比较之前，计算机通过如下方式将多变量时间序列转换成单变量时间序列：首先将来源特定单变量时间序列的数据值与来自转换因子向量的来源特定因子相乘，并且其次根据离散时间点对所相乘的数据值进行求和。转换因子向量的来源特定因子是较早通过对参考数据进行处理来获得的，包括：确定时间序列的特性部分、转换、通过时间扭曲进行对齐、以及评估对齐之前与对齐之后的特性部分之间的时间中的位移。
[0018]
根据实施例，使得比较参考时间序列和生产时间序列对于这两个时间序列都是多变量时间序列、即来自多个来源的时间序列集合的情形而言更加高效且准确。
[0019]
在应用计算机实现方法时，计算机接收多变量时间序列，并且将它们转换成单变量时间序列。该转换包括：将数据值与来源特定因子相乘，并且根据离散时间点对所相乘的数据值进行求和。然后，计算机比较单变量时间序列，而不是多变量序列。这种转换可以被认为是在若干个方法步骤中调用的例程。
[0020]
在执行第一个方法（下文中被称为参考方法）时，计算机接收（来自生产过程的参考批运行的）多变量时间序列。计算机应用该转换，该转换得到了作为单变量的经转换的参考时间序列。参考批运行符合特定质量类别。
[0021]
在执行第二个方法（下文中被称为生产方法）时，计算机（相同的计算机或不同的计算机）将来自生产过程的后续批运行的另外的多变量时间序列处理成也是单变量的经转换的生产时间序列。然后，计算机将经转换的参考时间序列与经转换的生产时间序列进行比较，其两者都是单变量时间序列。该比较导致了对相似性（或非相似性）的标识。相似性可以指示（生产过程的）生产批运行与参考批运行具有相同的质量类别。换句话说，在第二个方法结束时，比较将生产过程的生产批运行区分为是否符合参考批运行的质量类别。
[0022]
具有两个可用的单变量时间序列（一个来自生产过程的参考批运行，并且一个来自（生产过程的）生产批运行）允许使用现成的软件（诸如，时间扭曲）来确定相似性指数和/或标识特性模式（或“签名”，或“指纹”）。取决于相似性指数（和/或所标识的模式），可以控制执行生产过程的生产装备。
[0023]
由此，计算机获得生产装备（其作为执行生产过程的技术系统）的状态信息。状态信息至少包括质量类别的指示。
[0024]
更详细地，存在一种计算机实现方法——生产方法——来确定生产过程的生产批运行的质量指标。技术装备执行生产过程，并且从而提供来自数据来源集合的采用时间序列形式的数据。数据来源与技术装备相关：数据来源可以是该装备的一部分，或者数据来源对应于流入或流出该装备的数据。该方法由计算机的相似性模块来执行。
[0025]
相似性模块读取经转换的参考时间序列，该经转换的参考时间序列是单变量的，并且已经在步骤序列的先前执行中被提供，所述先前执行具有：接收来自（生产过程的）参考批运行的多变量时间序列，该参考批运行符合特定质量类别，该多变量时间序列具有来自该数据来源集合的单变量时间序列集合；以及通过第一子步骤和第二子步骤来转换来自参考批运行的多变量时间序列，第一子步骤是将单变量时间序列的数据值与来自转换因子向量的来源特定因子相乘，第二子步骤是根据参考批运行的多变量时间序列的离散时间点对所相乘的数据值进行求和。
[0026]
在已经读取了经转换的参考时间序列的情况下，相似性模块接收来自（生产过程的）生产批运行的多变量时间序列，该多变量时间序列还具有来自该数据来源集合的单变量时间序列集合。
[0027]
然后，相似性模块通过如下方式来转换（来自生产批运行的）多变量时间序列：首先将单变量时间序列的数据值与转换因子向量的来源特定因子相乘，并且其次根据来自生产批运行的多变量时间序列的离散时间点对所相乘的数据值进行求和，从而得到也是单变量的经转换的生产时间序列。
[0028]
然后，相似性模块将经转换的参考时间序列与经转换的生产时间序列进行比较，并且从而将生产过程的生产批运行区分为符合特定质量类别或不符合特定质量类别。
[0029]
可选地，利用时间扭曲操作来执行比较。
[0030]
技术装备可以是工业装备，其具有提供测量值、控制指令或状态指标的数据来源。
[0031]
质量类别可以是针对过程的性能的质量类别。
[0032]
可选地，通过使用两个或更多个参考时间序列作为输入的机器学习来获得来源特定因子。参考时间序列是从导致了相同质量类别的过程批运行得到的，这有利于（稍后由相似性模块进行的）比较的准确性。
[0033]
可选地，存在具有（将针对生产批运行来确定的）质量类别的第一组参考时间序
列，并且存在具有任一质量类别的第二组参考时间序列。这种方法在具有鲁棒因子方面可能是有利的。
[0034]
在这种情况下，相似性模块通过使用来自转换因子向量的来源特定因子来执行转换步骤，该转换因子向量先前已经通过步骤序列而获得。步骤序列是用于获得转换因子向量的、由因子模块执行的另外的计算机实现方法——因子方法。
[0035]
因子模块接收来自生产过程的至少两个另外的参考批运行的参考数据，该参考数据是第一多变量时间序列和第二多变量时间序列。第一和第二多变量时间序列两者都包括具有来自第一数据来源的数据的第一单变量时间序列和具有来自第二数据来源的数据的第二单变量时间序列。
[0036]
因子模块通过确定单变量时间序列的特性部分、以及通过确定第一单变量时间序列与第二单变量时间序列之间的特性部分之间的关系来确定特性。
[0037]
单独地针对多个因子向量（即，并行或顺序执行的针对每个因子向量的动作），因子模块将第一多变量时间序列转换成经转换的第一时间序列，并且将第二多变量时间序列转换成经转换的第二时间序列，转换使用子步骤乘法和求和。
[0038]
单独地针对多个因子向量，因子模块通过执行时间扭曲操作来对齐经转换的第一时间序列和经转换的第二时间序列。
[0039]
单独地针对多个因子向量，因子模块评估关系的部分特定位移（portion
‑ꢀ
specific displacement），以将特定因子向量标识为转换因子向量。
[0040]
可选地，评估部分特定位移包括：对部分特定位移进行求和，并且将转换因子向量标识为部分特定位移的总和针对其最小的向量。
[0041]
可选地，评估部分特定位移包括：将部分特定位移求和为绝对值的总和。
[0042]
可选地，确定特性包括与用户的交互，其中因子模块通过第一和第二多变量时间序列的轨迹向用户呈现第一和第二多变量时间序列，并且通过用户做出的注释来确定关系以及确定特性部分。
[0043]
可选地，确定特性包括利用曲线绘制技术来处理第一和第二多变量时间序列，并且通过预定义的规则来确定关系以及确定特性部分。
[0044]
可选地，相似性模块和因子模块利用已经被归一化的数值来接收多变量时间序列。
附图说明
[0045]
图1图示了对两个后续批运行中的生产过程的性能的概述；图2图示了对两个后续批运行中的生产过程的性能的概述，并且还图示了计算机实现方法；图3图示了表格，该表格具有对适用于后续批运行的书写惯例的概述；图4图示了计算机的框图；图5图示了执行生产过程的技术装备，其中多变量时间序列中的数据是结果之一；图6图示了在使用来源特定因子的情况下执行用于将多变量时间序列转换成单变量时间序列的方法步骤的计算机；图7图示了对从参考批运行和生产批运行得到的经转换的时间序列的评估，其中
经转换的时间序列是单变量时间序列；图8图示了计算机实现方法的流程图；图9
‑
11以示例的方式图示了用于解释机器学习以获得来源特定因子的时间序列的轨迹；图12图示了其中生产批运行尚未完成但是正在被控制的用例场景；图13图示了确定用于比较多变量时间序列的相似性指数（或其他指标）的方法；以及图14图示了可以与这里描述的技术一起使用的通用计算机设备和通用移动计算机设备的示例。
具体实施方式
[0046]
书写惯例人类人员的参与由其功能来定义。如本文中所使用，“操作者”是与技术装备交互的人员。“用户”是与计算机交互的人员。操作者可以在各种场合处成为用户，例如当他或她使用来自计算机的信息（诸如，状态信息、质量类别等）来改变与技术装备的交互时。关于（技术装备的）内部状态的信息使得操作者能够采取纠正动作。在某些情形下，用户可以是专家用户。专家用户可能已经从作为操作者而获取了专业知识。
[0047]
时间序列可以具有如下性质：诸如由“单”花括号{ }符号化的“单变量”、或由“双”花括号{{ }}符号化的“多变量”。已经通过转换获得“单变量”性质的时间序列可以用#来标记。对于其变量数量无关紧要的时间序列由* *给出。
[0048]
时间点由具有索引k的“t
k”来符号化。时间区间可以由方括号给出为闭合区间，如在[t1,t
k
]中那样，其中极限点t1、t
k
属于该区间。除非另行声明，否则连续时间点之间的持续时间（“时隙”）相等：。
[0049]
1 概述图1图示了对两个后续批运行210和220中的生产过程200的性能的概述。生产过程200由技术装备（参见图4中的110）来执行。参考批运行210首先到来，并且生产批运行220其次到来。通过执行生产过程200，技术装备提供了来自来源集合的数据。数据来源与技术装备（参见图4）相关：数据来源可以是该装备的一部分，或者数据来源对应于流入或流出该装备的数据。
[0050]
由于批运行序列，因此来自参考批运行210的数据是关于生产批运行220的数据的历史数据。
[0051]
两个批运行以多个变量来提供数据。在图1中，数据通过轨迹以图形方式来图示，并且数据也被图示为多变量时间序列{{r}}（来自参考批运行210的参考数据）和{{p}}（来自生产批运行220的生产数据）。在该示例中，“多变量”被简化为“双变量”，因此轨迹具有索引1和2。
[0052]
如时间序列的不同地成形的轨迹所图示，生产批运行220可以得到与参考数据相似或不相似的生产数据。
[0053]
使用来自参考文献[1]的计算技术或使用其他技术，计算机实现的比较431（水平箭头）在{{p}}与{{r}}之间是可能的。这种“多对多”比较得到了可以与质量类别相关的陈
述（例如“相似”或“不相似”）。例如，确定{{p}}与{{r}}之间的相似性可以指示生产批运行220具有与参考批运行210相同的质量类别（无论该类别是“成功”还是“失败”）。
[0054]
将结合图13来解释该比较的替代方法。
[0055]
如将解释的，计算机实现的转换410和420（垂直箭头，其细节在图4
‑
5中）可以将多变量时间序列{{r}}和{{p}}转换成单变量时间序列{r}#和{p}#。换句话说，这是“多到单”转换。后续比较430也导致了结果陈述。
[0056]
由于多到单转换410/420（这里被图示为“双到单”转换）固有地移除信息，因此转换410/420必须保留对于比较430所需的尽可能多的信息。该描述通过时间序列的“特性部分”或作为轨迹的“特性形状”来描述该信息。特性部分或形状的序列可以被认为是“签名”（因为轨迹看起来像人类签名）。
[0057]
由于批运行210和220通常具有不同的持续时间——“批运行区间”，因此比较时间序列（多变量比较431、或在转换410/420之后的单变量比较430）可以包括对齐（具有细节的参考文献[1]）。为了解释的简单，假设生产批运行已经完成，但是本文中的教导可以应用于部分批运行，即继续的运行。结合图12解释了用于（实时）处理部分批运行的特定示例。
[0058]
转换410/420是转换因子向量610*的函数，转换因子向量610*这里被图示为如下向量（针对v=1和v=2的α1、α2）：该向量具有对应于两条轨迹（参见索引1和2）的两个因子。原则上，存在两个可选的替代方案来获得转换因子向量610*：通过利用结合图6的解释来手动地评估参考数据{{r}}，或通过
•ꢀ
如遍及本描述的主要部分所解释的机器学习（ml），其中从多个候选因子向量中选择转换因子向量610*，其中向量610*是（有监督或无监督）训练的结果。
[0059]
可选地，转换因子向量610*可以作为执行机器学习（ml，虚线框，其概述在图4和8中，其示例在图9
‑
10中）的计算机模块——因子模块——的输出而获得。
[0060]
作为输入，因子模块使用来自多个另外的参考批运行210
‑
r'和210
‑
q'的数据。而且，因子模块确定这些参考批运行的特性。可选地，可以通过与所提到的专家用户交互来执行对特性的确定。
[0061]
因子模块执行步骤序列，在它们当中的是转换和对齐步骤（在循环中）。因子模块重复地或并行地执行该序列，并且如果检测到遵从预定义准确性条件，则该序列的执行结束。
[0062]
2 具有更多细节的概述图2更详细地图示了对两个后续批运行210和220（即，“批运行”）中的生产过程200的性能的概述。生产过程200由技术装备（参见图4）来执行。如所图示，时间从左向右推移。如所提到的，参考批运行210首先到来，并且生产批运行210其次到来。
[0063]
从操作者的角度，生产批运行220是已经完成的“当前”批运行（在区间[t1,t
n
]结束时的时间点t
n
）。操作者有兴趣知道（生产批运行220的）质量类别，并且如果可能的话，还有兴趣知道正在生产的产品的质量类别。
[0064]
在实施例中（参见图12），操作者可以在更早的时间点处确定质量类别，从而有机会修改（正在进行的）生产批运行。换句话说，在时间点t
n
处，操作者需要获得作为执行批运行的技术系统的该装备的状态指标。在t
n
之后，该装备可以潜在地在操作者（根据状态指标）设置的不同条件下继续执行该批运行。
[0065]
批运行210、220得到的数据可以被记为矩阵。经简化，个体数据值可以根据来源（索引v）和根据离散时间点来分辨，使得矩阵是多变量时间序列{{ }}。
[0066]
参考批运行210得到采用已经提到的多变量时间序列{{r}}形式的参考数据，如框210右侧的箭头所符号化的那样。质量类别q
r
也可以被指派给参考批运行210。q
r
可以具有不同的属性，例如二元类别具有属性“成功”和“失败”。
[0067]
取决于（生产过程的）优化目标，还可以使用其他质量类别。例如，使用提到的批运行区间作为标准，批运行可以被归类成长批运行或短批运行（可能有另外的类别）。参考数据可以用于估计能量消耗（例如，电能、热量、压缩空气），使得存在具有“低”、“中”或“高”消耗的批运行。与事件（诸如，装备组件故障）相关的参考数据可以潜在地帮助标识批运行（和装备参数），这尽可能长时间地保持该装备操作，并且避免该装备的应力、磨损等。
[0068]
要注意的是，q
r
可能不是在参考批运行210结束之后立即已知的，但是可能在稍后的时间点处变得可用。
[0069]
类似地，生产批运行220得到了采用多变量时间序列{{p}}形式的生产数据，但是尚不在质量类别q
p
中。期望在生产执行220期间（参见图11）或在此后不久（参见图1）尽快地标识质量类别q
p
。
[0070]
如参考431所图示（参见图1），计算{{r}}
©
{{p}}可以得到相似性指数s（或得分）。运算符
©
对参见上述参考文献[1]的已知方法符号化。
[0071]
如果（例如，通过将指数与阈值进行比较或以其他方式）确定了相似性，则生产批运行220可以与具有（与参考批运行210）相同属性的q
p
相关联。例如，针对q
r
=“成功”、以及{{r}}与{{p}}之间的相似性，生产批运行220也与q
p
=“成功”相关联。
[0072]
该假设被简化。在二元指标的情况下，与成功参考的相似性可以导致与成功的关联，但是与成功参考的非相似性不会自动导致与失败的关联。
[0073]
但是该比较受上述约束所影响。
[0074]
图2还至少部分地图示了计算机实现方法400。方法400包括转换步骤410/420的序列，并且包括比较步骤430。另外的步骤在图8中图示。比较步骤430将单变量时间序列{r}#与{p}#之间（而不是多变量时间序列之间）的计算机实现的比较符号化。比较步骤430可以包括相似性指数s'的计算。
[0075]
运算符
©
#将用于比较步骤430的已知方法的使用符号化，但是也将另外方法（适用于单变量时间序列）的替代使用符号化。将时间序列对齐可以是该比较的一部分。
[0076]
可以使用索引s'代替索引s来确定相似性（或非相似性）。取决于参考的质量类别q
r
，也可以标识生产批运行的质量类别q
p
。
[0077]
如下面将详细解释的（图4
‑
5），转换410/420包括：将数据值与来源特定因子α
v
相乘，并且根据离散时间点对所相乘的值进行求和。在图2中，乘法由“*”来符号化，并且求和由
“”
（v = 1至v）来符号化。
[0078]
转换410得到了经转换的参考时间序列{r}#，并且转换420得到了经转换的生产时间序列{p}#，两者都是单变量时间序列。步骤430代表这些单变量时间序列{ }#之间的计算机实现的比较，而不是（如在431中那样的）多变量序列{{ }}之间的计算机实现的比较。
[0079]
3 书写惯例图3图示了表格，该表格具有对适用于批运行210、220（参见图1）的进一步书写惯
例的概述。一般地，数据d可以被区分成参考数据r（与参考批运行210相关，参见图1）和生产数据p（与生产批运行220相关，参见图1）。向d的一般化是方便的，这是因为在一些步骤（诸如，转换410/420）中，数据处理是相似的。
[0080]
针对数据值，相应地使用小写字母“d”、“r”和“p”。变量索引v按类型（从v=1到v=v）来标识数据来源，并且对于r和对于p来说可能是公共的。时间索引一般由“k”（从k=l至k=k）来标示，或针对参考数据r由“m”（m=l至m=m）来标示并且针对生产数据p由“n”（对于n=l至n=n）来标示。如上所解释，由于潜在不同的区间，因此方便地引入了该区分。批运行区间由[t1,t
k
]来标示（总体上），或者由[t1,t
m
]和[t1,t
n
]来标示（特别地针对r和针对p）。
[0081]
偶尔，为了描述机器学习，该描述使用r'和q'来代替r，但是数据点将被称为r和q（不具有撇号）。
[0082]
4 计算机和计算机模块图4图示了计算机600（或计算机系统）的框图。如本文所使用的，术语“计算机”以单数给出，并且术语“计算机”一般代表被适配成执行计算机实现方法的步骤的实体。该惯例被简化。
[0083]
更详细地，计算机600可以具有不同的模块603和604，模块603和604专用于特定步骤序列（或特定方法，诸如方法300和400，参见图8）的执行。相似性模块604由两个子模块604
‑
i和604
‑
ii来图示。还设想的是，不同的模块（和/或子模块601
‑
i、601
‑
ii）可以属于不同的物理计算机。
[0084]
为了方便起见，根据模块的主要功能来给模块加标签：数据储存库（模块）650、因子模块603和相似性模块604。
[0085]
下文中将解释数据流（具有至模块的输入和输出数据）。为了简单起见，图4仅图示了一些数据流：预处理模块630和储存库650提供去往因子模块603的时间序列{{r'}}和{{q'}}以及去往相似性模块604的{{r}}和{{p'}}。因子模块603向相似性模块604提供转换因子向量610*，并且相似性模块604提供质量类别q
p
。
[0086]
5 技术装备图5图示了执行生产过程200（即，“批运行”）的技术装备110，其中多变量时间序列中的数据是结果之一。由于图5适用于参考批运行210和生产批运行220（也适用于图1中的210
‑
r'和210
‑
q'），因此该图示通过通用首字母缩略词d来指代数据。图5还图示了在生产过程200的执行期间从数据来源120收集数据。
[0087]
各图和描述被简化。如本文中所使用的，技术装备110（执行参考批运行210）和技术装备110（执行生产批运行220）在物理上可以是相同的装备。这是方便的，但不是必需的。还设想的是，技术装备可以是不同的，以用于参考和生产批运行。相同的原理适用于参考批运行r'和q'，参见图1。
[0088]
换句话说，提供了用作参考数据的数据的技术装备可以被称为“参考装备”；并且提供了要与参考进行比较的数据的技术装备被称为“生产装备”。由于“参考”和“生产”中的术语区分是相对区分（而不是绝对区分），因此生产批运行未来可以用作参考。
[0089]
由模块630对数据进行预处理是可选的，并且包括归一化。使得数据可用作数据储存库650中的数据值d
vk
。计算机600（即，因子模块603和相似性模块604）有权访问数据储存库650（例如，计算机600的一部分中的储存库）。数据储存库650由本领域已知的计算机存储
器和/或数据库来实现。收集数据在模块603和604接收数据之前执行（参见图8）。
[0090]
以示例的方式，装备110被图示为包括罐111，罐111具有搅拌液体115的马达/混合器112，具有对液体115进行加热的加热器113、并且具有允许添加（或移除）液体115的阀114/116。
[0091]
装备110还被图示有数量v个数据来源120
‑
1、120
‑
2...120
‑
v...120
‑
v（统称为“数据来源120”）。数量v对应于“多变量”。对于作为工业装备的技术装备110而言，数据变得可从不同类型的来源获得，在这些来源当中的是：
•ꢀ
提供测量值的来源（例如，马达转速、液体温度、液体量、来自实验室的数据等），
•ꢀ
提供控制指令的来源（例如，打开阀来添加液体，关闭阀等），或
•ꢀ
提供状态指标的来源（例如，特定阀被打开或关闭）。
[0092]
数据来源120可以以不同的方式来实现。例如，测量值和状态指标通常来自于传感器。或者，控制指令可以来自于控制装备110的操作的控制器计算机（未图示）。不存在数据来源120物理连接到装备110的需要。
[0093]
在批运行期间，数据来源120提供数据值d
vk
（其中索引v标识特定数据来源120
‑
v，并且索引k标识离散时间点t
k
）。
[0094]
批运行具有包括时间点的区间[t1,t
k
]的时间长度（即，持续时间），这些时间点具有：
•ꢀ
批运行开始时的具有索引k=l的时间点t1，以及
•ꢀ
批运行结束时的具有索引k=k的时间点t
k
。
[0095]
假设在t1之前尚未收集数据，并且在t
k
之后不再收集数据，则可以将批运行持续时间计算为t
k
ꢀ‑ꢀ
t1。
[0096]
不同的数据来源120可以在不同的时间点处提供数据。例如，传感器可能使用不同的采样速率（例如，每分钟感测温度对比每秒钟感测旋转）。或者，当特定事件已经发生（其改变了状态，例如阀从状态“关闭”改变到状态“打开”）时，状态指标可以变得可用。
[0097]
本领域技术人员可以使用内插/外推技术将该时间归一化成公共δt（因此也是公共k，公共横坐标）。内插/外推可以由可选的预处理模块630（针对v=l至v=v单独地）执行。
[0098]
本领域技术人员也可以归一化这些值（公共纵坐标）。在该示例中，数据值d
vk
已经被归一化为0（作为最小值）与1（作为最大值）之间的数值。归一化移除测量单位和可能与该数据相关联的其他信息。归一化可以使用最小/最大值（具有单位）。例如，针对具有每分钟60个周期的最大转速的马达，归一化极值为针对最大旋转的d
vk
=l以及针对静止的d
vk
=0。状态数据可以被归一化，例如，针对“阀关闭”的d
vk
=0、以及针对“阀打开”的d
vk
=l。归一化可以由可选的预处理模块630或以其他方式来执行。
[0099]
数据值d
vk
也可以具有负号（d
vk
<0），但是在该示例中没有对此进行说明。
[0100]
来看存储数据值d
vk
的数据储存库650，该图通过属于曲线图（或“轨迹”）的点来图示它们，该曲线图具有在纵坐标处的[0,1]值、以及在横坐标处的时间[t1,t
k
]。该图仅图示了每个时间序列的3个点。轨迹是连接这些点的线。轨迹是方便的记号，但是要再次注意的是，数据值d
vk
可用于离散时间点t
k
。
[0101]
如下文中，具有来自来源120
‑
v的数据的单变量时间序列将由{d
v
}表示，{d
v
}具有针对区间[t1,t
k
]中的连续时间点的（归一化）数据值{d
v1
...d
vm
...d
vm
}。{d
v
}也可以写为具
有v列和k行（或v行和k列）的矩阵。{d
v
}是单变量时间序列。
[0102]
在技术装备110的粒度级别处，多变量时间序列{{d}}指代属于生产过程200的特定批运行（210或220）的单变量时间序列{d
v
}的集合。该集合可以被记为{{d}} ={{d1}...{d
v
}...{d
v
}}。
[0103]
在该示例中，多变量时间序列{{d}}被给出为单变量时间序列{d1}、{d2}、{d
v
}和{d
v
}的集合，这些时间序列在代表性时间点t1、t
k
和t
k
处分别具有数据值d
v1
、d
vk
和d
vk
。其他数据值由连接线来符号化。单变量时间序列具有诸如以下示例中那样的特性：{d1}具有代表性数据值d
11
=0、d
1k
=l和d
1k
=0.1，它们代表测量值上升至最大值并且落到终值。{d2}具有代表性数据值d
21
=0.2、d
2k
=0.5和d
2k
=0.8，它们代表基本上线性上升的值。要注意的是，不必达到最大值1。{d
v
}具有代表性数据值d
v1
=0.1、d
vk
=1和d
vk
=0.1，它们代表其中峰值大约出现在t
k
处的事件。{d
v
}具有代表性数据值d
v1
=1、d
vk
=l和d
vk
=1，它们代表该过程期间未改变的状态。
[0104]
在{{d}}是参考{{r}}的情况下，必须通过考虑这些特性来检测与{{p}}的相似性。例如，{r1}中的上升将发生在{p1}中，{r
n
}中的峰值将发生在{p
n
}中等等。然而，特性模式（诸如上升或峰值）不会同时出现（参见第一个约束）。此外，如上所解释，操作多变量时间序列{{d}}暗示了第二个约束。
[0105]
6 多到单转换图6图示了在使用来源特定因子α
v
的情况下执行用于将多变量时间序列{{d}}转换成单变量时间序列{d}#的方法步骤410/420的计算机600。对该转换进行了总体解释，其中，视情况而定，将{{d}}到{d}#的转换代表{{r}}到{r}#和{{p}}到{p}#的转换。（要注意的是，该转换也适用于图8的步骤310。总体采用参考600，这是因为转换可以由模块603和604执行）。
[0106]
转换410/420包括子步骤乘法512和求和514。
[0107]
该图示出了针对输入（即，{{d}}）的时序图（经简化，去掉了纵坐标和横坐标轴）、用于乘法步骤512的向右箭头、用于中间结果（即，诸如具有所相乘的数据值的所相乘的时间序列）的时序图、用于求和步骤514的指向下的箭头、以及针对结果（即，{d}#）的时序图。
[0108]
在第一子步骤512中，计算机600将值d
vk
与预定义来源特定因子α
v
相乘，得到所相乘的值d~
vk
（即，所相乘的值），即：。该乘法适用于k=1至k=k。同样，α
v
在k之上没有改变。
[0109]
这些因子可以在上述转换因子向量610*（参见图1和4）中被求和，并且也可以被记为。
[0110]
在该示例中，{d1}乘以因子α1=0.5得到所相乘的时间序列{d1}~，{d2}乘以因子α2=2得到所相乘的时间序列{d2}~；{d
v
}乘以因子α
v
=0.5得到所相乘的时间序列{d
v
}~；以及{d
v
}乘以因子α
v
=0.1...得到所相乘的时间序列{d
v
}~。
[0111]
在第二子步骤514中，计算机600通过根据离散时间点对所相乘的值d~
vk
进行求和来对所相乘的时间序列进行求和，即：。
[0112]
求和符号σ被理解为从v=l到v=v的总和。对经转换的时间序列中的结果进行求和：。
[0113]
下面在该图的右侧图示了经转换的时间序列{d}#。{d}#是单变量的。{d}#可以被视为来自所添加的多个序列{d
v
}的叠加序列。
[0114]
来看{d}#的曲线图，它具有特性曲线、或者喻性地说是特性“签名”。如下面将解释的，“签名”可以被认为是特性形状的序列。
[0115]
该签名保留了原始多变量时间序列{{d}}的大部分特性。该签名不保留所有特性，但是保留足够的特性以执行比较430。
[0116]
在该示例中，{d}#已经从{d1}和{d
v
}继承了至最大值的上升，并且已经从{d2}继承了逐渐增加。它还已经继承了{d
v
}的状态，尽管{d
v
}具有对该签名的较少贡献。
[0117]
简短地回到上面在图1中的转换因子向量610*的介绍，手动评估数据（诸如，参考数据{{r}}）是可能的。经简化，这些因子放大或减小了个体时间序列的贡献。在该示例中，本领域技术人员可以评估具有基本恒定值的时间序列{d
v
}。对{d}#签名的贡献可以忽略，因此因子α
v
可以设置为0。
[0118]
但是在解释ml替代方案中的因子α之前，该描述将简短地回顾图1
‑
2的上述讨论。转换步骤410可以应用于来自生产过程200的多个批运行210、220的数据{{d}}，从而分别得到{{r}}和{{p}}。如（图2中）所解释的，可以检测相似性s'。换句话说，如果来自两次执行的数据的经转换的时间序列是相似的，则质量类别也可以被假定是相同的。
[0119]
例如，批运行210（参考）具有质量类别“成功”，并且得到了{r}#（如图5中的{d}#）。批运行220（生产）得到了看起来像平行线的{p}#。因此，将不会检测到任何相似性。质量类别“成功”将不被指派（给特定生产执行）。
[0120]
在替代方案中，可以从手动评估参考数据{{r}}来获得转换因子向量610*。
[0121]
在解释用于获得转换因子向量610的因子α的细节之前，该描述讨论了一用例。
[0122]
7 比较图7图示了从参考批运行和从生产批运行得到的经转换的时间序列的比较，其中经转换的时间序列是单变量时间序列。
[0123]
在第一种情况下，参考批运行210具有质量类别“成功”，并且具有特性签名（参见图5中的{d}#）。生产批允许220具有相似的特性签名。该签名看起来“更长”，这是因为生产批运行220花费（比参考批运行210）更长的时间来完成。由于相似性（s'=是，参见图2），相同的质量类别（“成功”）也被指派给生产批运行220。本领域技术人员可以比较这种签名，即使它们的长度不同。该比较可以包括相似性指数等的计算。适当工具是可用的（参见参考文献[1]）。
[0124]
在第二种情况下，参考批运行210与第一种情况中的相同，但是生产批运行220具有不同的特性签名。该图通过不同的曲线图说明了非相似性。与二元类别组合的非相似性（s'=否）导致“失败”。
[0125]
图7（和其他图）使用轨迹中的签名来增强理解，但是本领域技术人员不必绘制轨迹。
[0126]
在图5的示例中，使用因子α
v
，使得{d}#中的签名的特性保留。为了与图5的示例保持一致，因子α
v
=0.5保持所相乘的时间序列{d
v
}~中的{d
v
}的增加足够大，以便实现经转换的序列{d}#中的“可见性”。换句话说，选择这些因子，使得该转换是鲁棒的，以确定指示特定质量类别的相似性。下文解释了可以如何获得因子。
[0127]
专家用户的参与是可选的，并且该参与不需要专家来标识因子。
[0128]
8 方法图8图示了计算机实现方法300和400的流程图。
[0129]
方法300是用于通过机器学习来获得因子的方法（即，因子方法），并且方法400是用于确定生产过程200的特定批运行的相似性（或非相似性）的方法。
[0130]
两种方法都描述了可以分别由不同的计算机模块——因子模块603和相似性模块604执行的步骤序列，参见图4。
[0131]
从方法400开始是方便的，这是因为已经解释了一些步骤。
[0132]
此外，如虚线矩形所图示，方法400可以被区分成作为参考方法的计算机实现方法401和作为生产方法的方法402。
[0133]
为了执行方法400（具有方法401和402），相似性模块604需要转换因子向量610*，参见图4。如所提到的，转换因子向量610*可以通过ml从执行方法300的因子模块603获得。在替代方案中，转换因子向量610*可以从手动评估参考数据{{r}}来获得。
[0134]
通过方法401（具有步骤序列405和410），相似性模块604的参考子模块提供了针对生产过程200的参考批运行210（或从参考批运行210得到的产品）的特定质量类别的参考。该参考具有经转换的时间序列{r}#的形式。
[0135]
在方法402（具有步骤序列415、420和430）中，相似性模块604的生产子模块确定生产过程200的生产批运行220（或从生产批运行220得到的产品）的质量类别。
[0136]
将方法400区分成方法401和402对于其中参考{r}#被存储达相对长的时间的情形、以及对于其中同一个参考{r}#用作比较不同生产数据的参考的情形是方便的，该不同生产数据潜在地是从来自其他生产地点的生产装备接收到的。
[0137]
在步骤接收405中，相似性模块604例如从数据储存库650（参见图5
‑
6）接收该数据作为{{r}}。
[0138]
在步骤转换410中，相似性模块604使用转换因子向量610*将多变量参考时间序列{{r}}转换成经转换的参考时间序列{r}#，如利用子步骤512和512（参见图6）所解释的那样。相似性模块604可以将{r}#存储在数据储存库650中或其他地方。
[0139]
在可选的步骤读取412中，相似性模块604从数据储存库650或从其他地方读取（即，接收）经转换的参考时间序列{r}#。要注意的是，这里引入读数412只是为了便于解释。在子模块604
‑
i（用于方法401）和604
‑
ii（用于方法402）在相同物理计算机上实现的情况下，读取仅包括访问存储器中的数据。
[0140]
在步骤接收415中，相似性模块604例如从数据储存库650（参见图4
‑
5）或（在没有中间存储装置的情况下）从装备110（也参见图5）接收多变量生产时间序列{{p}}。
[0141]
在步骤转换410中，相似性模块604使用转换因子向量610*、即使用相同的因子向量将多变量生产时间序列{{p}}转换成经转换的生产时间序列{p}#，如利用子步骤512和512（参见图5）所解释的那样。
[0142]
在步骤比较430中，相似性模块604将{r}#与{p}#进行比较（即，比较经转换的参考时间序列和经转换的生产时间序列）。由此，相似性模块可以使用时间扭曲（即，时间扭曲操作）。本领域技术人员可以应用时间扭曲，并且可以针对另外的细节来查阅参考文献[1]。还设想到使用其他方法，诸如可选地根据图13的方法。
[0143]
如上面所提到的，在转换期间（在步骤410和420中）保持特性是针对比较步骤430的条件。
[0144]
该描述现在给出了对由因子模块603所执行的方法300的概述。鉴于图1，该描述改变了首字母缩略词。
[0145]
在步骤305中，因子模块403从至少两个参考批运行210
‑
r'和210
‑
q'接收参考数据，参见图1。（要注意的是，q'与q不相同）。该步骤可以如步骤405或415那样执行（例如，r'代替r，q'代替p）。
[0146]
在下文中，参考数据将被加标签为r'和q'，诸如针对第一多变量时间序列{{r'}}和第二多变量时间序列{{q'}}。第一多变量时间序列{{r'}}至少包括：具有来自第一来源120
‑
1（参见图5）的数据的第一（单变量）时间序列{r'1}、以及具有来自第二来源120
‑
2的数据的第二（单变量）时间序列{r'2}。第二多变量时间序列{{q'}}至少包括：具有来自第一来源120
‑
1的数据的第一（单变量）时间序列{q'1}、以及具有来自第二来源120
‑
2的数据的第二单变量时间序列{q'2}。更一般地，{{r'}}和{{q'}}两者都包括来自v个来源的v个单变量时间序列。
[0147]
在步骤310中，因子模块603通过以下方式来确定特性：
•ꢀ
确定311单变量时间序列的特性部分，以及
•ꢀ
确定312特性部分之间的关系。
[0148]
在以下图中，（时间序列的）特性部分将被图示为特性部分（加标签为
①②③
），并且关系将由（特性形状之间的）虚线箭头来图示。特性形状的序列是（特定批运行的）签名。偶尔，步骤参考311和312被添加到图中。
[0149]
相关的特性部分的数量ω（步骤311/312）小于k。针对来自不同来源的时间序列，该数量ω可以不同。在下面的示例中，针对第一示例，该数量是ω=1，（针对第二示例，部分
①②
），该数量是ω=2，并且（针对第三示例
①②③
），该数量是ω=3。
[0150]
从不同的角度来看，在步骤310中，因子模块603标识了如何对时间序列进行相关的目标。因子模块603针对不同的候选因子向量执行以下步骤320
‑
350。
[0151]
应用候选因子向量可以通过重复步骤320
‑
350（即，在f向量的循环中）、通过并行执行步骤320
‑
350（即，通过并行操作子模块）或通过它们的组合来实现。当在步骤360中评估示出了尽管进行了多到单变量的转换而特性保留时，停止应用候选因子向量。图8的描述假设了具有重复的实现方式。
[0152]
在步骤320中，因子模块603在具有至少两个因子的候选因子向量中选择因子，该至少两个因子是：分别具有来自第一来源120
‑
1和第二来源120
‑
2的数据的（单变量）时间序列{r'1}和{r'2}的第一因子α1、以及（单变量）时间序列{r'2}和{q'2}的第二因子α2。
[0153]
候选因子向量的初始选择可以是随机选择。
[0154]
在步骤330中，因子模块603将第一多变量时间序列{{r'}}和第二多变量时间序列{{q'}}转换成经转换的第一时间序列{r'}#和经转换的第二时间序列{q'}#。由此，因子模块603相应地应用子步骤512（相乘，使用候选因子向量）和514（求和）（参见图5）。
[0155]
在步骤340中，因子模块603将经转换的第一时间序列{r'}#与经转换的第二时间序列{q'}#对齐。由此，因子模块603使用dtw（参见参考文献[1]）。由此，经转换的第二时间
序列{q'}#的数据值与经转换的第一时间序列{r'}#的数据值对齐。这可以通过向{q'}#的一些数据值指派新的时间点索引来实现。对齐可以被认为是包括对（单变量时间序列的）特性部分的确定以及对关系的确定。更详细地，作为对齐步骤340的结果，数据值中的至少一些被指派给与批运行（即，210
‑
q'）的时间区间不同的时间区间。
[0156]
在步骤350中，因子模块603测量部分特定的对齐位移δt。如本文中所使用的，该位移是（在步骤310/312中确定的）{r'
v
}的特性部分的原始时间点与（在步骤310/314中确定的）已经被相关的{q'
v
}的特性部分的对齐时间点之间的距离，该距离是以时间点索引来测量的。
[0157]
针对基本上所有特性部分以及它们的关系（数量ω）执行对δt的测量。
[0158]
在步骤360中，因子模块603通过对部分特定位移δt进行求和（（=1至ω）来评估它们。转换因子向量610*是针对其总和最小的向量。
[0159]
可选地，总和被计算为绝对值的总和。
[0160]
尽管图8图示了因子模块603重复地执行步骤320、330、340和350（针对被修改的因子向量），但是因子模块603也可以并行执行这些步骤（图8也图示了具有多个框的步骤）。
[0161]
要注意的是，重复不一定减少位移（δt）和/或它们的总和。因此，至少只要尚未标识转换因子向量，存储与候选因子向量相关的位移（δt）就是有利的。
[0162]
图8还图示了一个或多个计算机程序或计算机程序产品。计算机程序产品当被加载到计算机的存储器中并由计算机的至少一个处理器执行时实行该计算机实现方法的步骤。因此换句话说，图8中的框图示了该方法可以由程序控制下的模块来实现。本领域技术人员可以选择将方法适当指派给计算机模块，如在该示例中那样，将方法300指派给因子模块603，将方法400指派给相似性模块604（通过子模块的步骤序列）。
[0163]9‑
11 获得转换因子向量的示例图9
‑
11以示例的方式图示了用于解释机器学习（ml）以获得来源特定因子α
v
的时间序列的轨迹。对于说明性示例，技术装备110已经在两个（或更多）参考批运行210
‑
r'和210
‑
q'（即，参见图1的批运行）中两次执行生产过程200。图示被简化得多。实际上，存在多于两个批运行。
[0164]
形成参考批运行210
‑
r'和210
‑
q'，至少两个多变量时间序列可用，在该示例中是多变量时间序列{{r'}}和{{q'}}。各图图示了从左到右的轨迹。
[0165]
要注意的是，来源（参见图5中的来源120）不一定根据其类型来区分。换句话说，来源是否提供测量值、控制指令或状态指标无关紧要。
[0166]
多变量时间序列通过其轨迹来图示为{{r'}}（通常在上面）和{{q'}}（在下面）。
[0167]
参考批运行210
‑
r'和210
‑
q'共享相同的质量类别，诸如例如q
r
=“成功”。参考批运行210
‑
r'和210
‑
q'不一定得到相同的数据。数据通常是不同的。例如，持续时间和/或数据值中存在差异。
[0168]
9 第一示例图9图示了第一示例。为了方便起见，对行进行了编号。为了简单起见，针对该说明性示例，假设了如下内容：
•ꢀ
参考批运行210
‑
r'和210
‑
q'得到了只能够是1或0的数据值。
•ꢀ
在第一、第二和第三连续时间点[t
k
‑1,t
k
,t
k 1
]处的数据值序列（0,1,0）是“峰
值”。
•ꢀ
对于这两个批运行，从[t1,t
k
]=[1,10]，存在k=10个时间点，如第0行中那样。
•ꢀ
无论何时，如果来自第一来源120
‑
1的数据在这两个批运行中示出了至少一个峰值，则批运行是相似的（并且具有相同的质量）（相似性标准）。
[0169]
如所提到的，参考批运行210
‑
r'和210
‑
q'两者是相似的，并且方法300提供了可以用于（在方法400中）确定后续批运行（参见批运行210（参考）和220（生产））的相似性（或非相似性）的转换因子向量610*。但是同样，210
‑
r'与210
‑
q'之间的相似性是假设的。
[0170]
第2行和第4行示出了双变量时间序列{{r'}}。如第2行中那样，{r'1}具有特定数据值，为r
12
=1，其中其他数据值应当为零（用点来图示）。换句话说，来自第一来源120
‑
1的数据具有以t2为中心的峰值。如第4行中那样，{r'2}具有特定数据值，为r
28
=1，并且否则为零。换句话说，来自第二来源120
‑
2的数据具有以t8为中心的峰值。
[0171]
如第6行和第8行中那样，第二参考批运行210
‑
q'在{q'1}中得到了峰值q
15
=1，并且在{q'2}中得到了两个峰值q
23
=1和q
27
=1。
[0172]
如通过下划线所图示，因子模块603确定了特性部分。峰值中的一些也是特性部分，但不是全部。在该示例中，从相似性标准导出了用于确定特性部分和用于对特性部分进行相关的预定义规则。
[0173]
在该简化示例中，预定义规则因此是标识{r'1}和{q'1}中的每一个中的至少一个峰值，并且将第一个出现的峰值彼此相关，将第二个出现的峰值彼此相关，并且以此类推。图9图示了仅具有一个峰值的示例，但是并不改变规则。
[0174]
根据预定义规则，{r'1}中的以时间点k=2为中心的峰值（来自第一批运行r'的数据）与{q'1}中的以k=5为中心的峰值相关。来自第二来源120
‑
2的数据被忽略，这是因为预定义规则与该来源无关。
[0175]
特性部分（即，峰值）之间的关系用虚线箭头来图示。要注意的是，确定特性部分还将其他部分“去分类”。在该示例中，来自来源120
‑
2的数据被“去分类”。
[0176]
该描述忽略了几个词语的特性，并且解释了下一步骤：如第10和12行中那样，因子模块603选择候选因子向量（1,0）（向量610
‑
1，步骤320）。在该示例中，该选择是随机选择。从候选因子向量（1,0）开始的原因仅仅是为了方便于使该描述保持简短。
[0177]
因子模块603将{{r'}}转换成{r'}#并且将{{q'}}转换成{q'}#（步骤330，参见子步骤512、514）。因子α1=1保持{r'1}和{q'1}中的峰值，并且因子α2=0移除来自{r'2}和{q'2}中的峰值。求和得出了在时间点k=2处具有值1的经转换的{r'}#、以及在时间点5处具有值1的经转换的{q'}#。到目前为止，在时间方面，没有任何内容被移位。
[0178]
如在第14行中那样，因子模块603已经将{r'}#和{q'}#对齐（步骤340）。在该示例中，该对齐保持了{r'}#的区间[1,10]中的时隙，并且在该示例中通过将值1从时间点5移位到时间点1从而将{q'}#的至少一些数据值重新指派给其他时间点。这得到了移位的经转换的时间序列{q'}#~，该时间序列{q'}#~已经与经转换的时间序列{r'}#对齐。（~符号指示时间标度被改变）。
[0179]
这种对齐没有忽略历史：在该图中，{q'}#~中的被移位的值1仍然用下划线来图示。换句话说，因子模块603跟踪到该值已经（在步骤310中）被较早地标识。因子模块603还跟踪该关系（参见箭头）。
[0180]
在步骤350中，因子模块603现在测量该关系的部分特定位移δt（或移位），该位移δt是r'与q'之间的时间距离。该位移是特定于部分的，这是因为它与（{r'1}中的第一特性部分与{q'1}中的第一特性部分的）第一关系相关。在该示例中，仅存在一个特性部分和一个关系（ω=1）。
[0181]
在该示例中，δt为零，因为所标识的值（{r'1}中的时间点2处的值1和在{r'2}~中来自原始时间点5的值1）现在处于相同时间点。
[0182]
在步骤360中，因子模块603评估该位移。如上所解释，因子模块603计算位移的总和。在简化ω=1中，可以跳过求和。在该示例中，零位移代表由于简化而理想的情形。零位移意味着因子向量（1,0）（参考610
‑
1）变为转换因子向量610*（参见图4）。因子模块603继续提供步骤370（并且提供用于在方法400中使用的转换因子向量（1,0））。
[0183]
为了更准确，峰值（作为（0,1,0）的序列）还需要针对在中间的1之前的数据值（0,1,...）和之后的数据值（...,1,0）的零位移，但是这也是遵从的。
[0184]
总结该示例，峰值的出现保留在经转换的时间序列中，使得经转换的时间序列可以由因子（1,0）来转换。
[0185]
由于因子的初始值无关紧要，因此在步骤320中，因子模块603可以具有随机选择的候选因子向量（1,1）。转换（步骤330）将导致如第16和18行中那样的经转换的时间序列{r'}#和{q'}#。在对齐步骤中，因子模块603将{q'}#向左移位一个位置。然而，鉴于该历史，k=3处的1与所标识的值（下划线的值）不相同。部分特定位移δt将更大。因子模块603将必须重复这些步骤，参见图8。
[0186]
10 第二示例图10图示了第二示例，再次鉴于图8中的方法300的流程图。图10具有3个部分：图10a、10b和10c。与（图9的）第一示例相比，第二示例更复杂，例如，在下文中：
•ꢀ
批运行{{r'}}和{{q'}}得到了是在0与1之间的正实数的数据值。为了简单起见，省去了纵坐标。
•ꢀ
该图中存在特性部分，由圆圈符号
①
和
②
来标识。部分
①
应当在区间（索引k（kappa）和λ（lambda））中以时间点t
k
为中心。
•ꢀ
批运行{{r'}}得到来自区间[t1,t
100
]的数据值，并且批运行{{q'}}在区间[t1,t
150
]中花费了更多时间。
[0187]
如图10a中那样，多变量时间序列{{r'}}包括单变量时间序列（r'1}和{r'2}，并且多变量时间序列{{q'}}包括单变量时间序列{q'1}和{q'2}。来看{r'1}，（来自来源120
‑
1的）值略微增加直到大约t
30
，急剧增加直到t
k
=t
40
，保持基本恒定直到t
65
（[t
30
‑
10
,t
30 10
]中的
①
），急剧减少直到t
70
，保持基本恒定直到t
80
，再次下降（以t
85
为中心的
②
）并且保持恒定。来看{q'1}，这些值示出了相似的增加/上升/减少等模式，但是在时间上更加拉长：以t
65
为中心的
①
、以及以t
125
为中心的
②
。
[0188]
仍然在图10a中，因子模块603执行步骤310，并且由此通过确定311单变量时间序列{r'1}、{q'1}的特性部分
①
和
②
、以及通过确定312特性部分之间的关系（参见虚线箭头）来确定特性。
[0189]
因子模块603可以根据预定义规则将时间序列划分成部分。通过研究轨迹对时间序列的性质进行分类是众所周知的（例如，作为“曲线绘制”）。在部分
①
的示例中，因子模块
603已经通过确定拐点（即，轨迹的二阶导数改变其符号的地方）来确定特性形状（以及对特性形状进行相关）。
[0190]
可以进一步假设，在替代方案中，因子模块603可能已经通过与专家用户的交互来执行该确定。专家用户已经直观地检查了时间序列并且对其进行了注释。用于示出轨迹的图形工具和用于从用户获得输入的工具在本领域中是可用的。如上所提到的，在具有轨迹的图示中，特性部分是特性形状。注释导致了对应形状的确定。在该示例中，注释由虚线箭头（其连接轨迹）来符号化。用户可以在对应形状之间画线，并且因子模块603可以标识对应的时间点。
[0191]
换句话说，在步骤310中，因子模块603通过应用预定义规则或者通过与专家用户（即，具有监督训练的ml）交互来自动地确定作为时间序列的特性、但是在不同的批运行（批运行）中的部分。
[0192]
然而，除了与专家用户的可选交互之外，因子模块603不再与用户交互。不是人类用户选择适当的因子（α1,α2），而是因子模块603选择。由此，因子模块603执行与相似性模块604稍后将执行的步骤基本相似的步骤（参见方法400）。图10b和10c给出了进一步的细节。
[0193]
图10b和10c图示了针对f=3个不同的候选因子向量610所执行的步骤，其中轨迹在该图的左侧、中心和右侧。这种方法也指示了这些步骤可以并行执行。
[0194]
图10b图示了执行步骤320（选择因子向量610）和330（转换）的因子模块603。针对如下f=3个因子向量，图示了经转换的时间序列{r'}#（即，乘以α因子（α1,α2），并且求和）：
•ꢀ
（1,0）（候选因子向量610
‑
1）
•ꢀ
（0.5,0.5）（候选因子向量610
‑
2），以及
•ꢀ
（0,1）（候选因子向量610
‑
3）。
[0195]
经转换的时间序列{r'}#（1,0）将看起来像{r'1}，并且{r'}#（1,0）的数据轨迹将是特性签名。经转换的时间序列{r'}#（0.5,0.5）将会保持来自{r'1}的一些特性，但是{r'}#（0,0）将会丢失它们。
[0196]
要注意的是，原始时间点处的图示部分
①
和
②
是：t
30
和t
65
处的形状
①
、以及t
85
和t
125
处的形状
②
。然而，经转换的时间序列{r'}#（0,1）已经丢失了这些特性，甚至更糟的是：
①
和
②
被放置在与（图9a中的）原始无关（α1=0）的形状处。
[0197]
图10c图示了在针对3个因子集合的变体中执行步骤340和350的因子模块603。
[0198]
对于步骤340，因子模块603使用具有dtw的对齐工具（例如，参考文献[1]）。忽略先前确定的形状，因子模块603将{r'}#和{q'}#对齐到共同的时间标度（在对应于{{r'}}的区间[t1,t
100
]的区间[~t1,~t
100
]中，参见图9a）。经转换的时间序列{q'}#中的数据点与经转换的时间序列{r'}#中的数据点对齐。要注意的是，[t1,t
150
]到[~t1,~t
100
]的映射不一定是线性的（即，没有2/3因子）。
[0199]
忽略的原因如下：在执行方法400时，相似性模块604不执行这种确定步骤。
[0200]
因此，原始已经在{{q'}}中的特定时间点处“定位”的数据值（例如，t
65
处的
①
以及至t
125
的
②
）现在被“定位”在其他地方。换句话说，原始
①
和
②
被重新定位。
[0201]
对于步骤350，因子模块603——其知道时间标度上的原始“位置”——单独地针对每个部分计算该重新定位或位移δt。
[0202]
针对因子向量（1,0），来自第二来源{r'2}、{q'2}的数据的影响为零（与零相乘），使
得针对
①
和
②
两者，位移δt为零。
[0203]
针对因子向量（0.5,0.5），来自第二来源{r'2}、{q'2}的数据的影响仍然有含义（signification），并且位移为δt
①
=10和δt
②
=20。总和（ω=2）可以计算为σδt=30。
[0204]
针对因子向量（0,1），来自第二来源{r'2}、{q'2}的数据的影响占上风（prevail），并且位移为δt
①
=30和δt
②
=
‑
20。总和（ω=2）可以计算为σδt=10。（要注意的是，对绝对值||的可选使用将导致总和为0、20和50）。
[0205]
如在步骤360中那样，因子模块603将候选因子向量（1,0）评估为得到了δt的最小总和（并且该总和甚至为零）。因此，（1,0）适用于方法400（参见图8）中使用。在步骤370中，因子模块403将转换因子向量610*提供为（1,0）。使用（0,1）将是针对该评估所避免的过度激进式扭曲的说明性示例。
[0206]
要注意的是，在实现方式中，因子模块603不仅仅评估两个批次。在多次重复（或并行执行）中，因子模块603标识另外的因子向量。在图10的示例中，转换因子向量（α1,α2）=（1,0）将是相似性针对其最高（位移总和最低）的结果。
[0207]
作为结果，将方法400（图8）中的因子应用于参考批运行（参见图7的左侧）和生产批运行（参见图7的右侧）将允许确定批运行之间的相似性（或非相似性）。
[0208]
11 第三示例图11图示了第三示例。与（图10的）第一示例相比，第三示例具有特性部分
①
、
②
和
③
。在步骤311中，因子模块603确定来自第一来源（即，{r'1}和{q'1}中）的时间序列中的特性部分
①
、
②
，以及来自第二来源（即，{r'2}和{q'2}中）的时间序列中的特性部分
③
。在步骤312中，因子模块确定关系。来自第一来源的时间序列之间存在两个关系，并且来自第二来源的时间序列之间存在一个关系。因子模块603执行如上所描述的其他步骤。由于来自两个来源的时间序列具有特性，因此忽略一个来源的因子向量（诸如，图10中的（1,0）和（0,1））很可能不是转换因子向量610*。
[0209]
针对因子向量（1,0），步骤340中的对齐将使上面的
①
与下面的
①
对齐，并且将使上面的
②
与下面的
②
对齐（如果图示的话，则连接线将是垂直的，如图9中的线10与14之间那样）。然而，特性部分
③
（以及上面和下面的
③
之间的关系）将被忽略。
[0210]
针对因子向量（1,1），步骤340中的对齐将使上面的
①
与下面的
①
对齐，并且将使上面的
③
与下面的
③
对齐，并且将使上面的
②
与下面的
②
对齐，这是因为经转换的时间序列将保持特性部分
①
、
②
、
③
。
①
和
②
中的对齐将得到基本上为零的δt，但是{q'2}中的第二次上升（“2nd”）可能影响步骤340中的对齐。因此，针对
②
的位移δt可能变得更大（与时间序列{q'2}将不会具有这种第二次上升的情形相比）。
[0211]
在步骤360中，将选择使δt的总和最小化的因子向量，可能是因子向量（1,0.8）。因此，{q'2}中的第二次上升的影响被最小化。
[0212]
12 用例场景图12图示了用于控制执行生产批运行220的技术装备110的计算机实现方法700的流程图。对批运行的执行尚未完成。方法700可以由控制器模块或由其他任何其他计算机来执行。为了简单起见，没有图示控制器模块，但是要注意的是，控制器模块可以被实现为计算机600（参见图4）的一部分。该图示使用了上面在图3中引入的惯例。
[0213]
在上面解释的场景中，生产批运行220的执行可以被认为是完成的（参考t
n
），并且
具有数据的时间序列可以被认为是源自于已经完成的批运行。在上面解释的实施例（图1
‑
11）中，假设相似性s'在生产批运行220完成之后例如通过比较430而确定。
[0214]
当修改异常批运行仍然可能时，期望在较早的时间点处标识质量指标（或生产批运行220的质量类别）。执行方法400的步骤420/430需要时间，但是该运行时间可以短于总体批运行时间（即，持续时间t
p
）。在生产之后确定质量是有用的，但是在生产期间确定质量潜在地更加有意义。
[0215]
在方法700的步骤710中，控制器模块利用来自生产过程200（参见图1
‑
2）的至少一个先前执行的批运行（210，参见图1
‑
2）的数据来访问至少一个参考时间序列。图12给出了具有两个参考时间序列*r*(1)和*r*(2)的示例。( )中具有索引的记号代表两个先前执行的批运行。时间序列是单变量还是多变量无关紧要，因此使用了* *记号。在该示例中，时间序列是双变量时间序列。控制器模块可以从数据储存库650或以其他方式访问时间序列，参见图4。
[0216]
参考时间序列中的至少一个具有用作生产批运行的目标的质量类别。在该示例中，*r*(1)具有目标质量“成功”。r*(2)具有非目标质量“失败”。对正面和负面目标（例如，成功/失败）的区分用作示例，但是也可以使用另外的类别（即，指标的另外粒度）。期望生产批运行得到目标质量。
[0217]
为了简单起见，利用双变量时间序列的轨迹所图示的参考数据来可视化步骤710，该轨迹具有上面的线和下面的线（如图1中那样）。
[0218]
对于技术装备110而言，（至少一个）参考时间序列与参数610
‑
1/610
‑
2相关联。图12给出了参数的示例，该参数是由下面的线所符号化的作为双变量时间序列的一部分的状态指标。状态可以是“关闭”（虚线，参数660
‑
1）或“打开”（平直线，参数660
‑
2）。
[0219]
在步骤720中——当技术装备110执行生产批运行220时——控制器模块接收具有数据的生产时间序列*p*（这里也被图示为双变量时间序列）。
[0220]
在步骤730中，控制器模块标识参考时间序列的子序列。对子序列的划分是时间方面的划分。在具有两个参考时间序列*r*(1)和*r*(2)的示例中，存在两个子序列*r*(1)
a
和*r*(2)
a
。索引“a”代表与已经过去的生产时间序列*p*的时间区间相对应的阶段。
[0221]
语义（即，质量类别）可以可选地被应用于阶段a和b，诸如失败/成功、失败/失败、成功/成功和成功/失败。阶段的类别是目标。
[0222]
如上所解释，参考时间序列包括区间[t1,t
m
]中的数据，参见图3。为了使用该记号，子序列包括区间[t1,t
π
]（大写希腊语pi）中的数据，其中π<m。对于每个子序列，结束索引π可以是不同的（因为参考批运行可以具有不同的持续时间）。
[0223]
同样地，生产时间序列*p*包括区间[t1,t
n
]中的数据。由于技术装备110正在执行批运行，因此数据值的数量n正在增加，但是对于已经接收到的*p*，n应当是恒定的。因此，阶段b的数据尚不可用。换句话说，标识（数据的）子序列在概念上将批运行的执行划分成连续的阶段a和b。竖直虚线指示从阶段到阶段的转变。参考数据*r*对于阶段a和阶段b可用作参考数据*r*
a
和*r*
b
，但是生产数据仅可用于阶段a。
[0224]
为了解释简单，可以假设对于图12的示例，数据值的数量是相同的：n=π(1)=π(2)。换句话说，控制器模块确定生产运行的进度并且相应地选择子序列。
[0225]
要注意的是，可以通过上面已经解释的技术、通过与专家用户的交互或通过机器
学习（选择与上面解释的因子α相似的阶段）来执行标识。下面将解释对该方法的修改。
[0226]
参数610
‑
1和610
‑
2可分别用于两个参考批运行。如所提到的，该图用水平线（部分虚线、部分平直线）来图示参数。在该示例中，在参考时间序列*r*(1)中，参数在t
π
之前不久从打开切换到关闭，在参考时间序列*r*(2)中，参数始终保留打开。
[0227]
阶段b的数据*p*的不可用性是优点，因为生产仍然可以被修改。
[0228]
在步骤740中，控制器模块比较接收到的生产时间序列和参考时间序列的子序列。
[0229]
在该示例中，存在可用于比较的两个参考时间序列——*r*(1)
a
和*r*(2)
a
。要注意的是，并不是所有变量都需要进行比较。在该示例中，至少比较了上述轨迹。
[0230]
比较得到了相似性或非相似性的指示。在该示例中，子序列*r*(1)
a
和*r*(2)
a
两者与*p*相似。然而，*r*(1)和*r*(2)（在完整的持续时间a和b内，而不仅仅是最初的a）先前得到了不同的质量类别：参考批运行（1）得到了“成功”（目标质量），并且参考批运行（2）得到了“失败”。换句话说，当控制器模块访问*p*时，生产批运行针对阶段a运行在“成功”类别中，但是有作为“成功”或“失败”继续的可能性。在执行比较740时，控制器模块处理有限的数据量（仅阶段a），使得计算时间足够短以标识在生产批运行继续时仍可以应用的控制参数。
[0231]
在相似性的情况下，控制器模块使用参数（610
‑
1）作为控制参数，以在生产批运行（210）的继续期间控制技术装备（110）。在这种情况下，该参数被取作得到“成功”的*r*(1)的关闭
‑
参数610
‑
1。
[0232]
换句话说，使用参数660
‑
1（关闭）被证明对（作为目标的）参考批运行（1）的成功完成具有贡献，并且参数660
‑
2（打开）被证明对失败具有贡献。
[0233]
控制生产批运行（2）可以被自动执行。在这种情况下，控制器模块将把生产批运行220的参数设置标识（下面的线）为打开（参见平直线），但是将把其改变为关闭。换句话说，将指令技术装备关闭（技术装备110的）特定组件。结果是潜在地得到“成功”的批运行。该图示是简化的：可以使用更多的参数。
[0234]
而且，来自正在进行的生产批运行的数据（只要已经可用）与参考数据（对于对应阶段）之间的相似性的标识结合该参考的已知质量类别提供了技术装备110作为技术系统的状态的指标。
[0235]
在图12的示例中，状态指标可以如下：
•ꢀ
技术装备执行生产批运行，其与最终失败的参考批运行相似。
•ꢀ
技术装备执行生产批运行，使得可以通过接管参数（打开至关闭）对其进行修改，以继续与最终成功的批运行相似。
[0236]
指标还可以被传送给操作者，操作者可以修改技术装备的操作（即，手动地关闭该组件）。
[0237]
在该示例中，参考批运行的质量类别为“成功”对比“失败”。然而，有可能使用具有更精细粒度的类别。例如，参考批运行在阶段a中可以被归类为“有问题的”，并且在阶段b中可以被归类为有条件的“成功”，其中条件是诸如将参数设置为关闭。
[0238]
或者，参考批运行可以被分类为针对阶段a的“不可校正的失败”。如果步骤740示出了生产批运行220处于相同类别中，则操作者将不得不取消生产批运行220。
[0239]
来看步骤730的细节，阶段特定比较可以以多种方式来执行，在它们当中有以下：
•ꢀ
多变量时间序列{{ }}可以通过参考文献[1]的技术来比较，诸如通过时间扭曲（也参见图2中的
©
）。
•ꢀ
多变量时间序列{{ }}可以被转换，使得步骤730使用如上所描述的经转换的时间序列{ }#（参见步骤330/410/430中的转换）。
•ꢀ
多变量时间序列{{ }}可以如利用图13在下文中描述的那样来预处理，因此该比较是特征矩阵比较。
[0240]
13 确定相似性在（待比较的）时间序列已经通过转换而获得单变量性质的条件下描述了比较430（图8），该描述描述了进一步的选择。
[0241]
图13图示了时序图（左侧），以示出用于确定用于比较多变量时间序列（诸如，参考时间序列{{r}}和生产时间序列{{p}}）的相似性指数（或其他指标）的方法。在右侧，图13还图示了正在被导出的特征矩阵。可以使用该方法来代替时间扭曲（参见参考文献[1]和/或图1）。该方法使用来自信号处理的方法论。
[0242]
控制器模块针对生产过程200的多个先前执行的批运行的参考时间序列*r*执行步骤访问710（参见图12），并且执行步骤接收720。在步骤比较740中，控制器模块对属于多变量时间序列的单变量时间序列的连续数据值之间的预定义改变（所谓的“特征”）的出现进行计数，并且将计数器存储到矩阵中。控制器模块针对阶段a中的（参考的）子序列以及针对生产时间序列执行这种预处理。要注意的是，对参考的预处理可以执行一次，使得控制器利用被预处理成矩阵的时间序列来执行访问710（在生产正在进行时节省计算时间）。
[0243]
控制器模块然后确定（参考和生产时间序列的）矩阵之间的相似性度量。
[0244]
将针对预处理时间序列{{d}}来解释该方法，并且该方法将同样被应用于{{r}}和{{p}}。针对{d
v
}来单独地标识特征，并且通过特征索引（j）来标识特征。对特征进行计数。一个{d
v
}可以示出以不同的计数器量出现的不同特征。针对图13的左侧的时序图，通过示例解释了特征。
[0245]
针对特征（1）——达到阈值的特征，{d
v
}的值d达到0.5的峰值（或更高，在具有水平线的图中为绝对值），即：d
v k
<0.5并且d
v k 1
≥ 0.5。例如，对于具有k=10的（简化得多的）时间序列，该值达到0.5，走到0.5以下，在几个时间点内保持低于0.5，并且再次上升：0.1、0.3、0.4、0.5（特征出现）、0.4、0.3、0.3、0.6（特征出现）、0.7、0.9。特征的出现被计数为：计数器（1）=2。
[0246]
针对特征（2）——增量跳跃（jump
‑
by
‑
delta）特征，{d
v
}的值d与其先前值（在一个时间步长中）相比上升了0.5（或更高，相对值改变），即：d
v k 1
≥d
v k
0.5。假设{d
v
}的值d可能在稍后时间点处下降，则该特征也可能出现多次，并且其可以被计数（到计数器（2）=3），如以下示例中那样：0.1、0.2、0.6（特征出现）、0.4、0.4、0.1、0.7（特征出现）、0.1、0.8（特征出现）、0.7、特征（3）特征（3）是增量跳跃特征的变体。这与特征（2）相似，但是下降了0.5（从k到k 1）。在一示例中，计数器（3）=3。
[0247]
可以针对穿越预定义阈值（诸如0.5）来指派特征（4）——穿越阈值的特征：（d
v k
<0.5并且d
v k 1
>0.5）或（d
v k
>0.5并且d
v k 1
<0.5）。存在针对计数器（4）=1的假设（参见，从d
v7
到d
v8
的穿越）。
[0248]
要注意的是，将数据值d
vk 1
与相差一个时隙δt（或多于一个时隙δt）的前一个数据值d
vk
（或后继值）进行比较与时间标度无关。
[0249]
在多变量时间序列{{d}}的应用中，计数器c（j）被写入矩阵：在该示例中，行的数量等于多变量时间序列中的组件v（即，来源）的数量；并且列的数量等于所考虑的不同特征的数量（这里是4）。条目c（v,j）被定义以对单变量序列{d
v
}中的特征（j）的出现次数进行计数。
[0250]
表格1提供了第一双变量时间序列{{d1}{d2}}
r
的示例矩阵c
r
(v,j)，在该示例中，针对v=1来取计数器。（第一行对应于刚刚解释的示例）。下标r指示该时间序列是从参考批运行得到的。变量/特征(1)(2)(3)(4)v=12231v=22110（表格1）。
[0251]
表格2提供了第二双变量时间序列{{d1}{d2}}
p
的示例矩阵c
p
(v,j)。下标p指示该时间序列是从生产批运行得到的。变量/特征(1)(2)(3)(4)v=12211v=21110（表格2）。
[0252]
被应用于矩阵空间的度量可以定义相似性度量。例如，度量是矩阵元素上的差的绝对值的总和。在简化示例中，相似性度量被计算为：度量=度量=，其中v = 1至v（在该示例中，v=2），其中j = 1至j（在该示例中，j=4）。
[0253]
在该示例中，度量被计算为1 2=3。换句话说，{{r}}与{{p}}之间的相似性指数已经被计算为s=3。取决于预定义阈值，两个批运行是相似的（或不相似）。
[0254]
考虑图8的示例签名（阶段a），可以使用矩阵方法来检测相似性。阶段a的签名示出了可能由特定时间序列引起的振荡。在这种时间序列中，具有中值穿越的特征（4）将出现大约6次。
[0255]
为了确定矩阵之间的相似性度量，本领域技术人员可以应用另外的方法，在它们当中的是计算曼哈顿（manhattan）距离、余弦相似性和莱文斯坦（levenshtein）距离（从教科书中已知）。要注意的是，也可以对矩阵进行聚类，以标识相似（并且导致相同质量指标）的参考（和生产）批运行。聚类算法（诸如k
‑
最近邻）是本领域已知的，也可以使用上述相似性度量。
[0256]
一旦检测到时间序列之间的相似性（或非相似性）（以及因此过程批运行之间的相似性），控制器模块就可以将结果呈现给操作者。在下文中，通过示例对这一点进行解释。该模块可以显示相似批次的轨迹。例如，在图12中，计算机可以示出参考的阶段b轨迹，参考批运行210
‑
1的阶段b轨迹示出了潜在校正（参数660
‑
1关闭，可选地具有关于装备110的参数的历史数据），并且参考批运行210
‑
2的阶段b轨迹可以示出潜在的失败结果。例如，当计算机确定生产批运行与具有“负面”质量类别（诸如，“失败”）的参考批运行的相似性时，显示警告或警报是可能的。
[0257]
图12
‑
13还图示了一个或多个计算机程序或计算机程序产品。计算机程序产品当被加载到计算机的存储器中并由计算机的至少一个处理器执行时实行该计算机实现方法的步骤。
[0258]
14 通用计算机图14是示出了可以与这里描述的技术一起使用的通用计算机设备900和通用移动计算机设备950的示例的图。计算设备900旨在表示各种形式的数字计算机，诸如膝上型电脑、台式电脑、工作站、个人数字助理、服务器、刀片式服务器、大型机和其他适当的计算机。通用计算机设备900可以对应于图1的计算机系统600。计算设备950旨在表示各种形式的移动设备，诸如个人数字助理、蜂窝电话、智能电话和其他类似的计算设备。例如，计算设备950可以包括如图1中所示的设备的数据存储组件和/或处理组件。这里示出的组件、它们的连接和关系以及它们的功能意味着仅仅是示例性的，并不意味着限制本文档中描述和/或要求保护的发明的实现方式。
[0259]
计算设备900包括处理器902、存储器904、存储设备906、连接到存储器904和高速扩展端口910的高速接口908、以及连接到低速总线914和存储设备906的低速接口912。组件902、904、906、908、910和912中的每一个都使用各种总线而互连，并且可以安装在公共主板上、或在适当的情况下以其他方式安装。处理器902可以处理用于在计算设备900内执行的指令，包括存储在存储器904中或存储设备906上的指令，以在诸如耦合到高速接口908的显示器916之类的外部输入/输出设备上显示针对gui的图形信息。在其他实现方式中，可以在适当的情况下使用多个处理器和/或多个总线、连同多个存储器和多个类型的存储器。而且，可以连接多个计算设备900，其中每个设备提供必要操作的部分（例如，作为服务器排、一组刀片式服务器或多处理器系统）。
[0260]
存储器904将信息存储在计算设备900内。在一个实现方式中，存储器904是一个或多个易失性存储器单元。在另一个实现方式中，存储器904是一个或多个非易失性存储器单元。存储器904也可以是另一种形式的计算机可读介质，诸如磁盘或光盘。
[0261]
存储设备906能够为计算设备900提供大容量存储。在一个实现方式中，存储设备906可以是或包含计算机可读介质，诸如软盘设备、硬盘设备、光盘设备或磁带设备、闪速存储器或其他类似的固态存储器设备、或设备阵列，包括存储区域网络或其他配置中的设备。计算机程序产品可以有形地被体现在信息载体中。计算机程序产品还可以包含指令，这些指令在被执行时实行一个或多个方法，诸如上面描述的那些方法。信息载体是计算机或机器可读介质，诸如存储器904、存储设备906、或处理器902上的存储器。
[0262]
高速控制器908管理计算设备900的带宽密集型操作，而低速控制器912管理较低带宽密集型操作。功能的这种分配仅仅是示例性的。在一个实现方式中，高速控制器908耦合到存储器904、显示器916（例如，通过图形处理器或加速器），并且耦合到可以接受各种扩展卡（未示出）的高速扩展端口910。在该实现方式中，低速控制器912耦合到存储设备906和低速扩展端口914。可以包括各种通信端口（例如，usb、蓝牙、以太网、无线以太网）的低速扩展端口可以例如通过网络适配器耦合到一个或多个输入/输出设备，诸如键盘、定点设备、扫描仪或联网设备，诸如交换机或路由器。
[0263]
如该图中所示，计算设备900可以以多种不同的形式来实现。例如，它可以被实现为标准服务器920，或者在一组这种服务器中多次实现。它也可以被实现为机架式服务器系
统924的一部分。此外，它可以在诸如膝上型计算机之类的个人计算机922中实现。替代地，来自计算设备900的组件可以与诸如设备950之类的移动设备（未示出）中的其他组件组合。每个这种设备可以包含计算设备900、950中的一个或多个，并且整个系统可以由彼此通信的多个计算设备900、950组成。
[0264]
计算设备950包括处理器952、存储器964、诸如显示器954之类的输入/输出设备、通信接口966和收发器968等组件。设备950还可以被提供有存储设备，诸如微驱动器或其他设备，以提供附加的存储。组件950、952、964、954、966和968中的每一个都使用各种总线而互连，并且这些组件中的若干个可以安装在公共主板上、或在适当的情况下以其他方式来安装。
[0265]
处理器952可以执行计算设备950内的指令，包括存储在存储器964中的指令。处理器可以被实现为芯片的芯片组，该芯片包括单独且多个模拟和数字处理器。例如，处理器可以提供对设备950的其他组件的协调，诸如对用户接口、设备950运行的应用、以及设备950进行的无线通信的控制。
[0266]
处理器952可以通过耦合到显示器954的控制接口958和显示接口956与用户通信。显示器954可以是例如tft lcd（薄膜晶体管液晶显示器）或oled（有机发光二极管）显示器、或其他适当的显示技术。显示接口956可以包括用于驱动显示器954向用户呈现图形和其他信息的适当电路。控制接口958可以从用户接收命令，并且转换它们以用于提交给处理器952。此外，可以提供与处理器952通信的外部接口962，以便实现设备950与其他设备的近区域通信。外部接口962可以例如在一些实现方式中提供有线通信，或者在其他实现方式中提供无线通信，并且也可以使用多个接口。
[0267]
存储器964将信息存储在计算设备950内。存储器964可以被实现为计算机可读介质、一个或多个易失性存储器单元、或一个或多个非易失性存储器单元中的一个或多个。扩展存储器984也可以被提供并且通过扩展接口982连接到设备950，扩展接口982可以包括例如simm（单直列存储器模块）卡接口。这种扩展存储器984可以为设备950提供额外的存储空间，或者也可以为设备950存储应用或其他信息。具体地，扩展存储器984可以包括用于执行或补充上面描述的过程的指令，并且还可以包括安全信息。因此，例如，扩展存储器984可以充当设备950的安全性模块，并且可以用允许安全使用设备950的指令来编程。此外，可以经由simm卡提供安全应用连同附加信息，诸如以不可破解的方式将标识信息放置在simm卡上。
[0268]
存储器可以包括例如闪速存储器和/或nvram存储器，如下所讨论。在一个实现方式中，计算机程序产品有形地被体现在信息载体中。计算机程序产品包含指令，这些指令在被执行时实行一个或多个方法，诸如上面描述的那些方法。信息载体是可以例如通过收发器968或外部接口962接收的计算机或机器可读介质，诸如存储器964、扩展存储器984、或处理器952上的存储器。
[0269]
设备950可以通过通信接口966进行无线通信，在必要的情况下通信接口966可以包括数字信号处理电路。通信接口966可以提供各种模式或协议下的通信，这些模式或协议诸如gsm语音呼叫、sms、ems或mms消息传递、cdma、tdma、pdc、wcdma、cdma2000或gprs等等。例如，这种通信可以通过射频收发器968而发生。此外，可以发生短距离通信，诸如使用蓝牙、wifi或其他这种收发器（未示出）。此外，gps（全球定位系统）接收器模块980可以向设备
950提供附加的导航和位置相关的无线数据，这些数据可以由设备950上运行的应用在适当的情况下使用。
[0270]
设备950还可以使用音频编解码器960进行听觉通信，音频编解码器960可以从用户接收口头信息并且将其转换成可用的数字信息。音频编解码器960同样可以为用户生成听觉声音，诸如通过设备950的手机（handset）中的扬声器。这种声音可以包括来自语音电话呼叫的声音，可以包括记录的声音（例如，语音消息、音乐文件等），并且还可以包括由在设备950上操作的应用生成的声音。
[0271]
如该图中所示，计算设备950可以以多种不同的形式来实现。例如，它可以被实现为蜂窝电话980。它也可以被实现为智能电话982、个人数字助理或其他类似移动设备的一部分。
[0272]
这里描述的系统和技术的各种实现方式可以在数字电子电路、集成电路、专门设计的asic（专用集成电路）、计算机硬件、固件、软件和/或其组合中实现。这些各种实现方式可以包括在一个或多个计算机程序中的实现方式，这些计算机程序在可编程系统上是可执行的和/或可解释的，该可编程系统包括至少一个可编程处理器，该可编程处理器可以是专用的或通用的，其被耦合以从存储系统、至少一个输入设备和至少一个输出设备接收数据和指令，以及将数据和指令发送到存储系统、至少一个输入设备和至少一个输出设备。
[0273]
这些计算机程序（也被称为程序、软件、软件应用或代码）包括用于可编程处理器的机器指令，并且可以以高级过程性和/或面向对象的编程语言和/或以汇编/机器语言来实现。如本文中所使用的，术语“机器可读介质”和“计算机可读介质”指代用于向可编程处理器提供机器指令和/或数据的任何计算机程序产品、装置和/或设备（例如，磁盘、光盘、存储器、可编程逻辑设备（pld）），包括接收机器指令作为机器可读信号的机器可读介质。术语“机器可读信号”指代用于向可编程处理器提供机器指令和/或数据的任何信号。
[0274]
为了提供与用户的交互，这里描述的系统和技术可以在计算机上实现，该计算机具有用于向用户显示信息的显示设备（例如，crt（阴极射线管）或lcd（液晶显示器）监视器）以及键盘和定点设备（例如，鼠标或轨迹球），用户可以通过该键盘和定点设备向计算机提供输入。也可以使用其他种类的设备来提供与用户的交互；例如，提供给用户的反馈可以是任何形式的感觉反馈（例如，视觉反馈、听觉反馈或触觉反馈）；并且可以以任何形式接收来自用户的输入，包括听觉、语音或触觉输入。
[0275]
这里描述的系统和技术可以在计算设备中实现，该计算设备包括后端组件（例如，作为数据服务器），或者包括中间件组件（例如，应用服务器），或者包括前端组件（例如，具有用户可以通过其与这里描述的系统和技术的实现方式交互的图形用户接口或web浏览器的客户端计算机），或者包括这种后端、中间件或前端组件的任何组合。该系统的组件可以通过任何形式或介质的数字数据通信（例如，通信网络）而互连。通信网络的示例包括局域网（“lan”）、广域网（“wan”）和互联网。
[0276]
计算设备可以包括客户端和服务器。客户端和服务器通常彼此远离，并且通常通过通信网络进行交互。客户端和服务器的关系是借助于运行在相应计算机上并且彼此之间具有客户端
‑
服务器关系的计算机程序而产生的。
[0277]
已经描述了许多实施例。然而，将理解的是，在不脱离本发明的精神和范围的情况下，可以进行各种修改。
[0278]
此外，该图中描述的逻辑流程不需要所示的特定次序或顺序次序来实现合期望的结果。此外，可以从所描述的流程中提供其他步骤，或者消除步骤，并且可以向所描述的系统添加其他组件，或者从所描述的系统中移除其他组件。因此，其他实施例在以下权利要求的范围内。