针对运行大型设备对象模型的动态变化和多变量耦合的特性，iEM System 采用专有的多维空间“超球算法”，针对实时/历史数据库中保存的海量实时数据进行高精度的数据剖面拟合挖掘，从而根据设备的历史运行规律生成动态的在线监测数据模型。具体描述如下：
设备模型生成原理
iEMCAU从一组历史数据中生成过程对象，用来生成设备模型的历史数据应该满足以下要求：
- 涵盖了一段足够长的运行时间；
- 每组数据都表达了设备对象的一个正常状态；
- 满足每一组采样值中各个变量的同时性，必须是统一时刻的采样值。
例如某设备对象测点（变量）为12个，按照每1分钟采样一次，对设备对象进行连续168小时采样，就得到了10080个采样值组，这些采样值组的全体构成了设备建模的历史数据。
每一组采样值都代表了设备过程对象的一个运行状态，历史数据就是设备过程对象实际运行中正常状态的集合。模型生成程序的功能就是从这些状态集合中抽取出最能代表过程对象特性的状态点，然后用这些状态点构建设备过程对象的模型。
从空间角度理解，设备模型生成的过程就是用从设备历史数据中筛选关联状态点从而构成设备运行状态超球的过程：
设备动态对象模型的生成过程（左图为历史数据，中图为边界超球，右图为模型点）
首先将设备历史数据对应的状态点都映射到一个状态空间中，这些状态点都代表着设备对象的正常工作状态，以其中的边界点构造一个外接的超球，这个超球就可以包含历史数据中的所有正常工作状态点，这个超球就是一个初级的设备对象模型，但用设备初级模型来描述设备的动态模型还不会太精确，例如，在设备在状态超球内部，状态与状态之间仍然存在很大的偏差。
为完善设备动态模型的精确度，还需要对设备模型超球内部的状态点做比较，根据生成模型的尺度要求，从所有的状态点中筛选出相互之间的差别都大于某一个相似性指标的状态点，这些状态点是在超球内部定位而设置的关联参照点，通过关联参照点的设置进而将设备动态模型的超球内部空间划分得足够细致。
经过关联相似性的计算，超球的边界点和内部的关联相似参照点共同构成了一个精确的设备过程对象的动态状态模型。
设备动态模型预测值产生原理
iEMCAU依据相似性来求取过程对象状态点的预测值。
设备对象状态预测过程（左图为模型，中图为正常状态，右图为异常状态）
当iEM系统接收到现场设备采集的实时数据时，首先判断设备当前数据测点在动态模型超球中的位置，得到当前状态和模型状态之间的距离，从而进一步确定当前设备状态的相似度，利用相似度和模型内部各个参照点的坐标，就可以生成对这个运行状态的预测点，iEM针对设备每个测点的预测值不仅仅取决于该测点长期的历史运行规律，同时也取决于该测点和其他测点之间的关联相似度，屏蔽了干扰信号对预测值的影响，大大增强了预测值的精确度和可靠性。 |
