CN101681155A

CN101681155A - 虚拟传感器系统和方法

Info

Publication number: CN101681155A
Application number: CN200880020052A
Authority: CN
Inventors: A·加亚钱德兰; M·L·凯塞; A·J·格里奇克; M·塞斯金
Original assignee: Caterpillar Inc
Current assignee: Caterpillar Inc
Priority date: 2007-06-15
Filing date: 2008-06-13
Publication date: 2010-03-24
Also published as: US7787969B2; WO2008156678A1; DE112008001654T5; US20080312756A1; JP2010530179A

Abstract

公开一种为机器(100)提供传感器(130)的方法。该方法可包括从用于机器的多个传感器(140，142)获取包括数据的数据记录并确定与多个传感器中的一个对应的虚拟传感器。该方法还包括基于数据记录建立虚拟传感器的表示至少一个感测参数(402)和多个测量参数(406)之间的相互关系的虚拟传感器过程模型(404)并获取与多个测量参数对应的一组值。此外，该方法还包括基于与多个测量参数对应的一组值和虚拟传感器过程模型基本同时计算至少一个感测参数的值并将所述至少一个感测参数的值提供给控制系统(120)。

Description

虚拟传感器系统和方法

技术领域

本发明整体涉及基于计算机的过程建模技术，更具体地，涉及使用过程模型的虚拟传感器系统和方法。

背景技术

物理传感器被广泛用于例如现代机器等很多产品来测量和监控例如温度、速度和机动车排放物等物理现象。物理传感器常常对物理现象进行直接测量并将这些测量转换成测量数据由控制系统进一步处理。尽管物理传感器直接测量物理现象，但物理传感器和相关的硬件通常成本很高且有时是不可靠的。此外，当控制系统依赖物理传感器来适当地操作时，物理传感器的失效可能使这种控制系统不能工作。例如，发动机中的速度或者时间传感器的失效可造成整个发动机停工，即使发动机本身仍能操作。

代替直接测量，开发了虚拟传感器来处理其它各种物理地测量的值并产生以前通过物理传感器直接测量的值。例如，1995年1月31日授予Keeler等人的美国专利No.5386373(‘373专利)公开了一种具有传感器证实性能的虚拟的连续排放监测系统。‘373专利使用反向传播激活模型和蒙特卡罗搜索技术来建立和优化用于虚拟感测系统的计算模型，以从其它测量参数得出感测参数。但是，这种常规技术常常不能处理各个测量参数之间的内部关联，尤其是在生成和/或优化计算模型或者将其它测量参数与感测参数相互关联时。

此外，现代机器可能需要多个传感器来适当地起作用。可能难以确定哪个传感器功能应当由物理传感器来提供，哪个传感器功能应当由虚拟传感器来提供，或者哪个传感器功能应当由物理传感器和虚拟传感器的组合来提供。而且，可能难以确定特定的物理传感器所要求的精度和/或可靠性。具有高精度或高可靠性、即高品质的物理传感器会比一般的物理传感器昂贵。将高品质传感器用于所有的传感器功能会极大地增加产品成本。

在其它情况下，可以对现代机器进行翻新以在现有机器上提供新的功能。这些新的功能可能需要在现有机器上安装新的传感器，这在实践上可能不可行或者可能导致极大的成本用于翻新新的硬件和软件。

与本发明的系统的特定特征一致的方法和系统旨在解决上述的一个或多个问题。

发明内容

本发明的一个方面包括一种为机器提供传感器的方法。该方法包括从用于机器的多个传感器获取包括数据的数据记录并确定与多个传感器中的一个对应的虚拟传感器。该方法还包括基于数据记录建立虚拟传感器的表示至少一个感测参数和多个测量参数之间相互关系的虚拟传感器过程模型并获取与多个测量参数对应的一组值。此外，该方法还包括基于与多个测量参数对应的一组值和虚拟传感器过程模型基本同时计算至少一个感测参数的值并将所述至少一个感测参数的值提供给控制系统。

本发明的另一方面包括利用基于具有支持物理传感器的第二机器形成的虚拟传感器翻新缺少支持物理传感器的第一机器的方法。该方法可包括从可用于第一机器和第二机器两者的多个传感器和从第二机器上的支持物理传感器获取包括数据的数据记录；并基于数据记录计算支持物理传感器和所述多个传感器中的每一个之间的相关值。该方法还包括基于相关值从多个传感器中选择关联传感器；基于关联传感器形成支持物理传感器的虚拟传感器；并将虚拟传感器用在第一机器中以提供第二机器上的支持物理传感器提供的功能。

本发明的另一方面包括一种计算机系统。该计算机系统可包括数据库和处理器。数据库能够存储与虚拟传感器过程模型有关的信息。处理器能够从用于机器的多个传感器获取包括数据的数据记录并确定与多个传感器中的一个对应的虚拟传感器。处理器还能够基于数据记录建立虚拟传感器的表示至少一个感测参数和多个测量参数之间相互关系的虚拟传感器过程模型并获取与多个测量参数对应的一组值。此外，处理器还能够基于与多个测量参数对应的一组值和虚拟传感器过程模型基本同时计算至少一个感测参数的值并将所述至少一个感测参数的值提供给控制系统。

本发明的另一方面包括一种机器，其具有翻新的虚拟传感器以提供相应的物理传感器的功能，而不用在该机器上安装支持物理传感器。该机器包括动力源、控制系统和虚拟传感器系统。动力源能够向机器提供动力。控制系统能够控制动力源。虚拟传感器系统与支持物理传感器对应，并可包括表示多个传感器提供的至少一个感测参数和支持物理传感器的多个测量参数之间的相互关系的虚拟传感器过程模型。此外，虚拟传感器系统能够获取与多个测量参数对应的一组值并基于与多个测量参数对应的一组值和虚拟传感器过程模型基本同时计算至少一个感测参数的值。虚拟传感器系统还能够将所述至少一个感测参数的值提供给控制系统以提供与支持物理传感器对应的功能。虚拟传感器可通过一过程形成。该过程可包括从多个传感器和支持物理传感器获取包括数据的数据记录并基于数据记录计算支持物理传感器和多个传感器之间的相关值。该过程还包括基于相关值从多个传感器中选择关联传感器并基于关联传感器形成支持物理传感器的虚拟传感器。

附图说明

图1示出了一种示例性机器，与公开的特定实施方式一致的特征和原理可以结合入该机器中；

图2示出了与公开的特定实施方式一致的示例性虚拟传感器系统的框图；

图3显示了与公开的特定实施方式一致的示例性传感器选择过程的流程图；

图4示出了与公开的特定实施方式一致的示例性计算机系统的逻辑框图；

图5示出了与公开的特定实施方式一致的一种示例性虚拟传感器模型产生和优化过程的流程图；

图6示出了与公开的特定实施方式一致的一种示例性控制过程的流程图；

图7示出了与公开的特定实施方式一致的一种示例性更新过程的流程图；

图8显示了与公开的特定实施方式一致的另一种示例性控制过程的流程图。

具体实施方式

现在将详细参考附图中示出的示例性实施方式。尽可能地在附图中利用相同的参考标记表示相同或类似的部件。

图1示出了一种示例性机器100，与公开的特定实施方式一致的特征和原理可以结合入该机器中。机器100可以是执行与例如采矿、建筑、农业、运输等特定行业相关的一些类型的操作并在作业环境(例如，建筑工地、矿场、发电厂和发电机、高速路设备等)之间和之内操作的任何类型的固定或者移动机器，例如，卡车、起重机、推土机、采矿车、反铲挖土机、材料处理设备、农业设备、船舶、飞行器；以及在作业环境中操作的任何类型的可动机器。机器100还可包括例如汽车、货车以及其它车辆的任何类型的商用车辆。还可以包括其它类型的机器。

如图1所示，机器100可包括发动机110、发动机控制模块(ECM)120、虚拟传感器系统130、物理传感器140和142以及数据链路150。发动机110可包括为机器100产生动力的任何合适类型的发动机或者动力源，例如内燃机或者燃料电池发电机。ECM 120可包括能够执行发动机控制功能以使发动机110可以适当操作的任何合适类型的发动机控制系统。ECM 120可包括任何数量的设备，例如微处理器或者微控制器、内存模块、通信设备、输入/输出设备、存储设备等来执行这种控制功能。另外，ECM 120还可控制机器100的其他系统，例如变速系统和/或液压系统等。计算机软件指令可以存储或下载到ECM 120。ECM 120可执行计算机软件指令来进行各种控制功能和过程。

ECM 120可连接至数据链路150以从例如发动机110、物理传感器140和142、虚拟传感器系统130的其他部件和/或机器100的任何其它部件(未示出)接收数据并向这些部件发送数据。数据链路150可包括任何合适类型的数据通信媒介，例如电缆、电线、无线射频和/或激光等。物理传感器140可包括被设置用来测量机器操作环境的特定参数的一个或多个传感器。例如，物理传感器140可包括用于测量机器100的排放物，例如氮氧化物(NO_x)、二氧化硫(SO₂)、一氧化碳(CO)、总还原硫(TRS)等的排放物物理传感器。特别地，NO_x排放物感测和减少对发动机110的正常操作来说非常重要。另一方面，物理传感器142可包括与发动机110或者其他机器部件(未示出)一起用于提供关于发动机110或者其他部件的各种测量参数，例如温度、速度、加速度等的任何合适类型的传感器。

虚拟传感器系统130可包括基于计算模型和多个测量参数产生感测参数的值的任何合适类型的控制系统。感测参数可指的是通过特定的物理传感器直接测量的那些测量参数。例如，NO_x排放物物理传感器可测量机器100的NO_x排放水平并将NO_x排放水平的值、感测参数提供给其他部件、例如ECM 120。但是，感测参数还可包括可以由物理传感器直接测量和/或基于物理传感器的读数计算的任何输出参数。另一方面，测量参数是指与感测参数有关的指示机器100的一个或多个部件、例如发动机100的状态的任何参数。例如，对于感测参数NO_x排放水平，测量参数可包括例如压缩比、涡轮增压器效率、后冷却器特性、温度值、压力值、大气条件、燃料比和发动机速度等的环境参数。

此外，虚拟传感器系统130可被构造为单独的控制系统，或者替代地可与其他控制系统、例如ECM 120重合。虚拟传感器系统130还可与ECM 120串联或者并联操作。虚拟传感器系统130和/或ECM120可通过任何合适的计算机系统来实施。图2显示了能够实施虚拟传感器系统130和/或ECM 120的计算机系统200的一种示例性功能框图。计算机系统200还可包括能够设计、训练(train)和证实虚拟传感器130和机器100的其他部件的任何合适的计算机系统。

如图2所示，计算机系统200(例如，虚拟传感器系统130等)可包括处理器202、内存模块204、数据库206和I/O接口208、网络接口210和存储器212。但是，计算机系统200中也可以包括其他部件。

处理器202可包括任何合适类型的通用微处理器、数字信号处理器或者微控制器。处理器202可被构造为专门控制发动机110的单独的处理器模块。替代地，处理器202可被构造为用于执行与虚拟传感器无关的其他功能的共享处理器模块。

内存模块204可包括一个或多个内存设备，包括但不限于ROM、闪存、动态RAM和静态RAM。内存模块204可被构造为存储处理器202使用的信息。数据库206可包括任何类型的合适数据库，其包含关于测量参数、感测参数、数学模型的特性的信息和/或任何其他控制信息。

此外，I/O接口208也可连接至数据链路150以从各种传感器或者其他部件(例如物理传感器140和142)获取数据和/或向这些部件和ECM 120传输数据。网络接口210可包括能够基于一个或多个有线或无线通信协议与其他计算机系统通信的任何合适类型的网络设备。存储器212可包括任何合适类型的大容量存储器，其用来存储处理器202可能需要以便进行操作的任何类型的信息。例如，存储器212可包括一个或多个硬盘设备、光盘设备或者其他存储设备以提供存储空间。计算机系统200的任何或所有部件可被应用到或者集成到专用集成电路(ASIC)或者现场可编程门阵列(FPGA)设备中。

机器100可能需要多个测量参数和/或感测参数。这些测量参数和/或感测参数可由多个传感器来提供。传感器可包括例如物理传感器140和142的物理传感器、例如虚拟传感器系统130的虚拟传感器和/或物理传感器和虚拟传感器的组合。此外，物理传感器可包括具有各种品质(例如，精度、误差、不确定性、可重复性、滞后性、可靠性等)的物理传感器。计算机系统200可执行传感器选择过程以确定传感器的类型和/或物理传感器的品质。

如图3所示，计算机系统200或者处理器202可从多个传感器获得包含数据记录或读数的数据记录(步骤302)。数据记录可从对具有多个传感器S₁，S₂，S₃，...，S_n的当前机器100的测试提供，其中，n是表示传感器总数的整数。

在获得数据记录(步骤302)后，处理器202可测量任何两个传感器之间的关系(步骤304)。这种关系可包括任何合适的关系、例如统计学关系或者其他数学关系。该关系可通过任何合适的物理或数学术语衡量。

例如，处理器202可计算任意两个传感器之间的关联性。本文使用的关联性指两个或多个变量(事件、发生率、传感器读数等)之间的关系的统计学测量。两个变量之间的关联性可暗示这两个变量之间的特定因果关系，较大的相关值表示较大的关联性。处理器202可基于数据记录并借助用于计算关联性的任何合适算法来计算关联性。

此外，处理器202可为传感器S₁，S₂，S₃，...，S_n创建关系矩阵(步骤306)。关系矩阵指反映任意两个传感器之间的测量关系的矩阵。在上面的例子中，处理器202可利用两个传感器之间的关联性反映这两个传感器之间的关系并创建相关矩阵作为关系矩阵。例如，处理器202可创建相关矩阵：

\begin{matrix} S_{1} & S_{2} & S_{3} \\ S_{1} & 1 & 0.3 & 0 \\ S_{2} & 0.7 & 1 & 0 \\ S_{3} & 0.6 & 0.2 & 1 \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ S_{n} & 0.8 & 0.7 & 0 \end{matrix}| \begin{matrix} \cdot & \cdot & \cdot & S_{n} \\ \cdot & \cdot & \cdot & 0.6 \\ \cdot & \cdot & \cdot & 0.9 \\ 0.2 \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot & \cdot & 1 \end{matrix}

相关矩阵可包括总数为n²的元素，每个元素代表两个传感器之间的相关值。任何对角元素的值为1，因为传感器和它自身之间的相关值为1。两个传感器之间的相关值可表示这两个传感器之间的相关性。如果相关值等于或大于预定的阈值，则处理器202可确定这两个传感器是相关联的。与第二传感器关联的传感器可在一定程度上通过第二传感器来表示。

处理器202可为每个传感器确定分数(步骤308)。处理器202可基于关系矩阵为每个传感器确定分数。例如，除了自相关值，处理器202可根据相关值总数大于或等于预定阈值来为每个传感器确定分数。处理器202可通过任何合适的方式确定阈值。在特定的实施方式中，处理器202可使用0.6作为计算分数的阈值。

在上面的示例性相关矩阵中，处理器202可确定S₁的分数为3，S₂的分数为1，S₃的分数为0，S_n的分数为2。如果包括没有明确列明的其他传感器，则这些分数可发生变化，并且这些分数仅仅用于说明的目的。也可以使用其他关系测量。

在为每个传感器确定分数(步骤308)后，处理器202可基于这些分数将传感器分为特定的传感器组(步骤310)。例如，传感器202可将S₁，S₂，S₃和S_n分到三个传感器组，更加具体地，将S₃分到第一传感器组，S₂和S_n分到第二传感器组，S₁分到第三传感器组。也可以使用其他数目的传感器组。

由于每个传感器的分数可以反映与其他传感器的关联性，第一传感器组可包括没有关联或者比其他传感器组的关联性小很多的传感器(例如，分数为0的S₃等)，即，没有相关性或者相关性很小。第二传感器组可包括具有特定关联范围的传感器(例如，分数为1和2的S₂和S_n等)，即具有特定程度的相关性。第三组可包括关联总数超过预定阈值的传感器(例如，分数为3的S₁等)，即具有很大相关性。也可以使用其他分数或者分数范围来划分传感器。

此外，处理器202可基于传感器组为传感器确定传感器类型和构造(步骤312)。例如，对于第一传感器组，处理器202可选择高品质和/或昂贵的物理传感器作为传感器S₃，或者选择具有冗余传感器(物理的或者虚拟的)的高品质传感器作为传感器S₃以保证S₃的操作，这是因为由于相关性很小而不能从任何其他传感器获得传感器S₃提供的信息。

对于第二传感器组，处理器202可以选择具有后备的虚拟传感器的一般品质的物理传感器作为传感器S₂或者传感器S_n，这是因为传感器S₂或者S_n提供的特定信息可以从一个或多个关联传感器(例如，S_n用于S₂，或者S₁和S₂用于S_n等)获得。对于第二传感器组中的传感器来说，可能希望具有直接提供测量参数的物理传感器。但是，如果物理传感器失效了，其他传感器或者后备的虚拟传感器可提供足够的信息以继续机器100的操作，而不用更换物理传感器，因为存在特定的相关性。

此外，对于第三传感器组，处理器202可选择虚拟传感器用于S₁，这是因为由于相关性很大，传感器S₁提供的所有或者大多数信息可以从其他关联传感器(例如，S₂，S₃和S_n等)获得。

处理器202可使用虚拟传感器(例如，虚拟传感器系统130等)用于各个传感器组。处理器202可使用虚拟传感器系统130作为后备传感器或者替换传感器。虚拟传感器系统130可包括过程模型来向ECM 120提供特定的感测参数的值。图4显示了一种示例性虚拟传感器系统130的逻辑框图。

如图4所示，可建立虚拟传感器过程模型404以在输入参数402(例如，测量参数)和输出参数406(例如，感测参数)之间建立相互关系。建立虚拟传感器过程模型404后，可以向虚拟传感器过程模型404提供输入参数402的值，以基于输入参数402的给定值以及虚拟传感器过程模型404建立的输入参数402和输出参数406之间的相互关系产生输出参数406的值。

在特定的实施方式中，虚拟传感器系统130可包括NO_x虚拟传感器以提供从机器100的废气系统(未示出)排放的NO_x水平。输入参数402可包括与NO_x排放水平相关的任何合适类型的数据。例如，输入参数402可包括控制发动机110的各种响应特性的操作的参数和/或与发动机110的操作的对应条件相关的参数。

例如，输入参数402可包括燃料喷射定时、压缩比、涡轮增压器效率、后冷却器特性、温度值(例如进气歧管温度)、压力值(例如进气歧管压力)、大气条件(例如，环境湿度)、燃料比和发动机速度等。但也可以包括其他参数。例如，也可以包括来源于诸如选择的变速齿轮、轮轴比、车辆的提升和/或倾斜等其他车辆系统的参数。此外，输入参数402可通过例如物理传感器142等特定物理传感器测量或者通过例如ECM 120等其他控制系统形成。虚拟传感器系统130可借助连接至数据链路150的输入410获得输入参数402的值。

另一方面，输出参数406可与感测参数对应。例如，NO_x虚拟传感器的输出参数406可包括NO_x排放水平和/或NO_x虚拟感测应用使用的任何其他类型的输出参数。输出参数406(例如，NO_x排放水平)可借助连接至数据链路150的输出420发送到ECM 120。

虚拟传感器过程模型404可包括表示输入参数402和输出参数406之间相互关系的任何合适类型的数学或物理模型。例如，虚拟传感器过程模型404可以是被训练用于获取输入参数402和输出参数406之间相互关系的基于神经网络的数学模型。也可以使用例如模糊逻辑模型、线性系统模型和/或非线性系统模型等的其他类型的数学模型。虚拟传感器过程模型404可利用从建立虚拟传感器过程模型404的特定发动机应用收集的数据记录训练和证实。即，虚拟传感器过程模型404可以利用数据记录按照与特定类型的模型对应的特定规则来建立，且虚拟传感器过程模型404的相互关系可以利用部分数据记录来核实。

在训练和证实虚拟传感器过程模型404后，可以优化虚拟传感器过程模型404以限定输入参数402的希望输入空间和/或输出参数406的希望分布。当提供一组输入参数402值时，证实或优化的虚拟传感器过程模型404可用来产生相应的输出参数406值。在上面的例子中，虚拟传感器过程模型404可用来基于例如环境湿度、进气歧管压力、进气歧管温度、燃料比和发动机速度等的测量参数产生NO_x排放水平。

再次参照图2，虚拟传感器过程模型404的建立和操作可由处理器202根据存储到或者加载到虚拟传感器系统130的计算机程序来执行。替代地，虚拟传感器过程模型404的建立可由其他计算机系统来实现，例如能够形成过程模型的ECM 120或者单独的通用计算机。形成的过程模型然后可以被加载到虚拟传感器系统130以用于操作。

处理器202可执行虚拟传感器过程模型生成和优化过程以生成和优化虚拟传感器过程模型404。图5显示了由处理器202执行的一种示例性模型生成和优化过程。

如图5所示，在模型生成和优化过程开始，处理器202可获得与输入参数402和输出参数406相关的数据记录(步骤502)。这些数据记录可包括描述发动机操作特性的信息和包含NO_x排放水平的排放水平。例如NO_x排放物理传感器等物理传感器140可被设置用来在输出参数406(例如，诸如NO_x水平的感测参数)上产生数据记录。ECM 120和/或物理传感器142可在输入参数402(例如，诸如进气歧管温度、进气歧管压力、环境湿度、燃料比和发动机速度等的测量参数)上提供数据记录。此外，数据记录可包括输入参数和输出参数两者并可基于各种发动机或者基于各种预定操作条件下的单个测试发动机来收集。

数据记录还可从被设计用于收集这种数据的实验得以收集。替代地，数据记录可通过其他的有关过程或者分析过程来人工产生，有关过程例如其他的排放物建模、摸拟。数据记录还可包括用于建立虚拟传感器过程模型404的训练数据和用于证实虚拟传感器过程模型404的测试数据。另外，数据记录还可包括用于观察和优化虚拟传感器过程模型404的模拟数据。

数据记录可反映输入参数402和输出参数406的特性，例如静态分布、正常范围和/或精度误差等。一旦获得了数据记录(步骤502)，处理器202就可以对数据记录进行预处理以消除明显错误的数据记录并排除冗余(步骤504)。处理器202可去除大概相同的数据记录和/或去除合理范围之外的数据记录以使其对模型生成和优化有意义。在对数据记录进行预处理后，处理器202可通过分析数据记录选择合适的输入参数(步骤506)。

数据记录可与很多输入变量相关，例如与燃料喷射定时、压缩比、涡轮增压器效率、后冷却器特性、各种温度参数、各种压力参数、各种环境条件、燃料比和发动机速度等对应的变量相关。输入变量的数目可以大于用于虚拟传感器过程模型404的输入参数402的特定设置的数目。即，输入参数402可以是输入变量的子集。例如，输入参数402可包括输入变量的进气歧管温度、进气歧管压力、环境湿度、燃料比和发动机速度等。

大量输入变量会极大地增加数学模型的生成和操作过程中的计算时间。需要减少输入变量的数目以在实际计算时间限制内形成数学模型。另外，在特定情形中，数据记录中的输入变量的数目可能超过数据记录的数目并导致稀疏数据情景。在特定数学模型中必须要省去一些多余输入变量，使得可以基于减少的变量数目形成实际的数学模型。

处理器202可根据预定标准从输入变量选择输入参数402。例如，处理器202可通过实验和/或专家意见选择输入参数402。替代地，在某些实施方式中，处理器202可基于数据记录的正常数据集和异常数据集之间的马氏距离(mahalanobis distance)选择输入参数。正常数据集和异常数据集可由处理器202利用任何合适的方法来限定。例如，正常数据集可包括与产生希望输出参数的输入参数402相关的特征数据。另一方面，异常数据集可包括在误差之外或者需要避免的特征数据。正常数据集和异常数据集可由处理器202预先限定。

马氏距离是指可用来基于数据集中的参数之间的关联性测量数据曲线的数学表达。马氏距离不同于欧氏距离(Euclidean distance)在于马氏距离考虑了数据集之间的关联性。数据集X(例如，多元向量)的马氏距离可表示为

MD_i＝(X_i-μ_x)∑^-1(X_i-μ_x)

其中，μ_x是X的平均数，∑^-1是X的逆方差协方差矩阵。MD_i表示数据点X_i距其平均数μ_x的距离，从而在相同多元正态密度轮廓上观测将具有相同距离。这种观测可用来从具有不同变量的单独数据组识别和选择相关联的参数。

处理器202可选择输入参数402作为输入变量的希望子集，从而使正常数据集和异常数据集之间的马氏距离最大或者得到优化。出于使马氏距离最大化的目的，处理器202可使用遗传算法来为希望的子集搜索输入变量。处理器202可基于预定标准选择输入变量的候补子集并计算正常数据集的马氏距离MD_normal和异常数据集的马氏距离MD_abnormal。处理器202还可计算正常数据集和异常数据集之间的马氏距离(即，马氏距离的偏差MD_x＝MD_normal-MD_abnormal)。然而，也可以使用其他类型的偏差。

如果遗传算法收敛(即，遗传算法发现正常数据集和异常数据集之间的最大或者优化马氏距离对应于候补子集)，则处理器202可选择输入变量的候补子集。如果遗传算法不收敛，则可以形成输入变量的不同候补子集用于进一步搜索。这个搜索过程可持续到遗传算法收敛并且选择输入变量(例如，输入参数402)的希望子集。

任选地，马氏距离还可以被用于如上面解释的通过选择实现希望马氏距离的一部分数据记录来减少数据记录的数目。

在选择输入参数402(例如，进气歧管温度、进气歧管压力、环境湿度、燃料比和发动机速度等)后，处理器202可生成虚拟传感器过程模型404以在输入参数402和输出参数406之间建立相互关系(步骤508)。在某些实施方式中，虚拟传感器过程模型404可对应于计算模型，例如在任何合适类型的神经网络上建立的计算模型。可以使用的神经网络计算模型的类型可包括反向传播、前馈模型、级联神经网络和/或混合神经网络等。使用的神经网络的特定类型或结构可取决于特定的应用。也可以使用其他类型的计算模型，例如线性系统或者非线性系统模型等。

神经网络计算模型(即，虚拟传感器过程模型404)可以通过使用选择的数据记录来训练。例如，神经网络计算模型可包括输出参数406(例如，NO_x排放水平等)和输入参数402(例如，进气歧管温度、进气歧管压力、环境湿度、燃料比和发动机速度等)之间的关系。神经网络计算模型可通过预定的标准评估以确定训练是否完成。标准可包括精度、时间的希望范围和/或训练迭代次数等。

在训练神经网络之后(即，已经基于预定标准初步建立计算模型)，处理器202可对计算模型进行统计证实(步骤510)。统计证实指将神经网络计算模型的输出与实际或者期望的输出相比较以确定计算模型的精度的分析过程。数据记录的一部分可保留以在证实过程中使用。

替代地，处理器202还可生成在证实过程中使用的模拟或证实数据。这可以独立于证实样本进行或者结合样本进行。输入的统计分布可从用于建模的数据记录确定。统计模拟、例如拉丁超立方模拟可被用来生成假定的输入数据记录。这些输入数据记录由计算模型进行处理，得出输出特征的一个或多个分布。来自计算模型的输出特征的分布可与人们观察的输出特征的分布进行比较。可以在计算模型的输出分布和观察的输出分布上进行统计质量测试以确保模型完整性。

一旦得到了训练和证实，虚拟传感器过程模型404可用于在提供输入参数402的值时预测输出参数406的值。此外，处理器202可通过在输入参数402和输出参数406的希望分布之间的关系的基础上确定输入参数402的希望分布来优化虚拟传感器过程模型404(步骤512)。

处理器202可基于特定的应用分析输入参数402的希望分布和输出参数406的希望分布之间的关系。例如，处理器202可为输出参数406选择希望范围(例如，NO_x排放水平是希望的或者处于特定的预定范围内)。处理器202然后可运行计算模型的模拟来为各个输入参数(例如，进气歧管温度、进气歧管压力、环境湿度、燃料比和发动机速度等中的一个)找出希望的统计分布。即，处理器202可分别确定与输出参数406的正常范围对应的各个输入参数的分布(例如，平均、标准变化等)。在为所有的各个输入参数确定各自的分布之后，处理器202可将用于所有的各个输入参数的希望分布合并，以为全部输入参数402确定希望分布和特征。

替代地，处理器202可同时确认输入参数402的希望分布以使获得希望结果的可能性最大。在某些实施方式中，处理器202可基于泽塔统计(Zeta statistic)同时确定输入参数402的希望分布。泽塔统计可表示输入参数、它们的值范围和希望结果之间的关系。泽塔统计可表示为

ζ = Σ_{1}^{j} Σ_{1}^{i} | S_{ij} | (\frac{σ_{i}}{\overset{&OverBar;}{x_{i}}}) (\frac{\overset{&OverBar;}{x_{j}}}{σ_{j}}),

其中，x_i表示第i个输入的平均值或者期望值；x_j表示第j个结果的平均值或期望值；σ_i表示第i个输入的标准偏差；σ_j表示第j个结果的标准偏差；且|S_ij|表示第j个结果对第i个输入的偏导数或者敏感度。

在某些情况下，x_i可小于或等于0。3σ_i的值被加到x_i上以修正这种有问题的状况。但是，如果在加上3σ_i的值后x_i仍然等于0，则处理器202可确定σ_i可能也是0且在优化的过程模型是不希望的。在某些实施方式中，处理器202可为σ_i设定最小阈值以确保过程模型的可靠性。在某些其他情况下，σ_j可以等于0。处理器202然后可确定在优化的模型可能不足以反映处于特定不确定性范围的输出参数。处理器202可给ζ赋一无限大的数。

处理器202可确认输入参数402的希望分布，使得神经网络计算模型(即，虚拟传感器过程模型404)的泽塔统计最大或最优。出于使泽塔统计最大化的目的，处理器202可使用一种合适类型的遗传算法来搜索输入参数402的希望分布。处理器202可利用预定的搜索范围来选择输入参数402的候补集的值并运行虚拟传感器过程模型404的模拟来基于输入参数402、输出参数404和神经网络计算模型计算泽塔统计参数。处理器202可通过分析输入参数402的候补集的值得出x_i和σ_i，并通过分析模拟的结果得出x_j和σ_j。此外，处理器202可从训练的神经网络得出|S_ij|作为第i个输入在第j个结果上的影响的表示。

如果遗传算法收敛(即，遗传算法发现虚拟传感器过程模型404的最大或最佳泽塔统计对应于输入参数402的候补集)，则处理器202可选择输入参数402的候补集。如果遗传算法不收敛，则可通过遗传算法形成输入参数402的不同候补集的值，用于进一步搜索。这个搜索过程可持续到遗传算法收敛且确认了输入参数402的希望集。处理器202还可基于希望的输入参数集确定输入参数402的希望分布(例如，平均和标准偏差)。一旦确定了希望的分布，处理器202就可限定包括处于希望分布内的任何输入参数的有效输入空间(步骤514)。

在一种实施方式中，特定输入参数的统计学分布是不可能控制或者控制起来是不切实际的。例如，输入参数可能与设备的物理特征、例如发动机零件的尺寸特征相关，或者输入参数可能与虚拟传感器过程模型404本身内的固定变量相关。这些输入参数可被用在泽塔统计计算中以为与这些输入参数的固定变量和/或统计分布对应的其他输入参数搜索或确认希望的分布。

此外，任选地，可以建立多于一个的虚拟传感器过程模型。通过使用任何合适类型的模拟方法、例如统计模拟可模拟建立的多个虚拟传感器过程模型。基于这些多个虚拟传感器过程模型的模拟的输出参数406可进行比较以基于预定标准、例如与来自相应的物理传感器的输出具有最小偏差等标准选择最合适的虚拟传感器过程模型。选择的最合适的虚拟传感器过程模型404可采用在虚拟传感器应用中。

再次参照图1，在训练、证实、优化和/或选择虚拟传感器过程模型404之后，ECM 120和虚拟传感器系统130可向机器100的相关部件提供控制功能。例如，ECM 120可根据虚拟传感器系统130、特别是由虚拟传感器过程模型404提供的NO_x排放水平来控制发动机110。

在某些实施方式中，虚拟传感器系统130可用来代替相应的物理传感器。例如，虚拟传感器130可代替ECM 120使用的一个或多个NO_x排放传感器。ECM 120可基于虚拟传感器系统130执行控制过程。图6显示了由ECM 120执行的一种示例性控制过程。

如图6所示，ECM 120可控制和/或帮助物理传感器140和/或142和发动机110以测量相关参数，例如进气歧管温度、进气歧管压力、环境湿度、燃料比和发动机速度等(步骤602)。在例如通过相应的关联的物理传感器142测量进气歧管温度、进气歧管压力、环境湿度、燃料比和发动机速度之后，ECM 120可将这些测量参数提供给虚拟传感器系统130(步骤604)。ECM 120可在数据链路150上提供测量参数，使得虚拟传感器系统130可从数据链路150获得测量参数。替代地，虚拟传感器系统130可直接读取来自数据链路150或者来自其他物理传感器或者设备的这些测量参数。

如上面解释的，虚拟传感器系统130包括虚拟传感器过程模型404。虚拟传感器系统130可向虚拟传感器过程模型404提供测量参数(例如，进气歧管温度、进气歧管压力、环境湿度、燃料比和发动机速度等)作为输入参数402。虚拟传感器过程模型404然后可提供输出参数406、例如NO_x排放水平。

ECM 120可借助数据链路150从虚拟传感器系统130获得输出参数406(例如，NO_x排放水平)(步骤606)。在特定情况下，ECM120可能并不知道输出参数406的来源。即，ECM 120可能并不知道输出参数406是来自虚拟传感器系统130还是来自物理传感器。例如，ECM 120可从数据链路150获得NO_x排放水平，而没有对该数据的来源加以辨别。在ECM 120从虚拟传感器系统130获得NO_x排放水平(步骤606)后，ECM 120可基于NO_x排放水平控制发动机110和/或机器100的其他部件(步骤608)。例如，ECM 120可执行一定的排放改善或者最小化过程。

在某些实施方式中，机器100可用来翻新其他机器100。这里使用的术语“翻新”可以指为以前制造的机器100配备虚拟传感器系统130以为以前制造的机器100提供新的功能性或者新的特征，这些以前制造的机器没有支持这种新的功能性或者新特征所需的硬件设备、例如物理传感器。例如，以前制造的机器100可能缺少物理防抱死传感器来基于物理防抱死传感器提供防抱死功能。计算机系统200可以执行翻新过程以基于虚拟传感器系统130为机器100提供新的功能性。图7显示了由计算机系统200或者更具体地是处理器202执行的一种示例性翻新过程。

处理器202可获得物理传感器的数据记录(步骤702)。例如，处理器202可从具有包括要求的物理防抱死传感器的物理传感器的当前机器100获得数据记录。此外，处理器202可计算物理防抱死传感器与机器100的任何其他物理传感器之间的关联性(步骤704)。

此外，处理器202可基于相关值选择与物理防抱死传感器关联的物理传感器(步骤706)。例如，处理器202可以选择相关值超过预定阈值(例如，0.6等)的任何物理传感器作为关联的物理传感器。也可以使用其他选择方法。

选择关联的物理传感器(步骤706)之后，处理器202可基于关联的物理传感器形成虚拟传感器(步骤708)。例如，处理器202可基于关联的物理传感器的数据记录形成虚拟传感器系统130作为虚拟防抱死传感器，以根据上面关于图5所描述的过程提供防抱死传感器输出参数或者多个输出参数。在某些实施方式中，在形成虚拟传感器系统130时，处理器202可包括来自关联的物理传感器的输出或者读数作为向虚拟传感器过程模型404的输出参数，并可以包括来自物理防抱死传感器的输出或者读数作为虚拟传感器过程模型404的输出参数。由于物理防抱死传感器提供的信息可以由关联的物理传感器提供，因此可通过基于关联的物理传感器形成的虚拟传感器系统130获得希望的精度。

处理器202可利用虚拟传感器系统130翻新机器100(步骤710)。处理器202或者ECM 120可执行实施虚拟传感器系统130的计算机程序，以按照上面关于图6描述的示例性过程为以前制造的没有配备物理防抱死传感器的机器100提供防抱死感测功能。

在某些其他实施方式中，虚拟传感器系统130可与物理传感器结合使用或者作为物理传感器的后备。例如，虚拟传感器系统130可以在一个或多个NO_x排放物理传感器失效时使用。ECM 120可基于虚拟传感器系统130和相应的物理传感器执行控制过程。图8显示了由ECM 120执行的另一种示例性控制过程。

如图8所示，ECM 120可控制和/或帮助物理传感器140和/或142以及发动机110以测量相关的参数、例如进气歧管温度、进气歧管压力、环境湿度、燃料比和发动机速度等(步骤802)。ECM 120还可将这些测量参数提供给虚拟传感器系统130(步骤804)。虚拟传感器系统130、特别是虚拟传感器过程模型404然后可提供例如NO_x排放水平的输出参数406

此外，ECM 120可借助数据链路150从虚拟传感器系统130获得输出参数(例如，NO_x排放水平)(步骤806)。附加地和/或并存地，ECM 120还可从一个或多个物理传感器、例如物理传感器142获得NO_x排放水平(步骤808)。ECM 120可检查物理传感器的操作状态(步骤810)。ECM 120可包括特定的逻辑设备以确定物理传感器是否失效。如果物理传感器已经失效(步骤810：是)，则ECM 120可从虚拟传感器系统130获得NO_x排放水平并基于来自虚拟传感器130的NO_x排放水平控制发动机110和/或机器100的其他部件(步骤812)。

另一方面，如果物理传感器并未失效(步骤810：否)，则ECM120可使用来自物理传感器的NO_x排放水平控制发动机110和/或机器100的其他部件(步骤814)。

替代地，ECM 120可从虚拟传感器系统130和物理传感器获得NO_x排放水平以确定NO_x排放水平之间是否有任何偏差。如果偏差超过预定阈值，则ECM 120可宣告失效并启动虚拟传感器系统130或者使用既不来自虚拟传感器系统130也不来自物理传感器的预设值。

另外，ECM 120还可获得物理传感器140和142不可用的测量参数。例如，虚拟传感器系统130可包括表示一定地域范围(例如，科罗拉多州)内的氧气密度与基于空间的卫星和气象数据之间的相互关系。即，虚拟传感器系统130可为ECM 120提供例如氧气密度的测量参数，而这些测量参数否则在物理传感器上不可用。

工业实用性

本发明的系统和方法可在比其他虚拟感测技术少得多的时间内提供有效和精确的虚拟传感器过程模型。这种技术可用于范围广泛的虚拟传感器，例如用于发动机、结构、环境和材料等的传感器。特别地，本发明的系统和方法在因为计算复杂性和限制而难以使用其他技术建立过程模型时提供实际解决办法。当输入参数基本同时被优化来得出输出参数时，计算是最小化的。本发明的系统和方法可结合其他过程建模技术使用以极大地增加速度、实用性和/或灵活性。

本发明的系统和方法可提供有效的方法来确定产品中传感器的类型和品质。通过选择合适类型的传感器和合适品质的传感器，可以降低产品成本并且提高产品品质。此外，可建立物理传感器和虚拟传感器的组合以进一步提高产品品质和可靠性。

本发明的系统和方法也可提供灵活的解决办法。本发明的虚拟传感器系统可与相应的物理传感器交替使用。通过使用用于虚拟传感器和物理传感器的共用数据链路，虚拟传感器系统的虚拟传感器模型可由虚拟传感器系统代替的相同物理传感器训练。可基于虚拟传感器系统或者物理传感器操作控制系统，而不用区分哪一个是数据源。

本发明的虚拟传感器系统可用于替换物理传感器并可分别和独立于物理传感器操作。本发明的虚拟传感器系统还可用来作为后备的物理传感器。而且，虚拟传感器系统可提供不能从单个物理传感器获得的参数，例如来自感测环境之外的数据。

此外，本发明的虚拟传感器系统可用于在不安装或改变新的硬件设备的情况下为机器加装新的功能，尽管这些新的功能通常要求安装新的硬件设备，例如物理传感器。

通过更换高成本或者容易失效的物理传感器，本发明的系统和方法还可被机器制造商用来降低成本和增加可靠性。还可通过借助本发明的虚拟传感器系统增加备用感测源来提高可靠性和灵活性。本发明的虚拟传感器技术可用来提供范围广泛的部件参数，例如排放、发动机、变速器、导航和/或控制等。并且，本发明的系统的部件或者本发明的方法的步骤还可被计算机系统提供商用来促进或者集成其他过程模型。

公开的示例性系统的其他实施方式、特征、方面和原理对本领域技术人员来说是清楚的并可以实施在各种环境和系统中。

Claims

1.一种为机器(100)提供传感器(130)的方法，包括：

从用于所述机器的多个传感器(140，142)获取包括数据的数据记录；

确定与所述多个传感器中的一个对应的虚拟传感器；

基于所述数据记录建立所述虚拟传感器的虚拟传感器过程模型(404)，所述虚拟传感器过程模型(404)表示至少一个感测参数(402)和多个测量参数(406)之间的相互关系；

获取与所述多个测量参数对应的一组值；

基于与所述多个测量参数对应的一组值和所述虚拟传感器过程模型基本同时计算所述至少一个感测参数的值；和

将所述至少一个感测参数的值提供给控制系统(120)。

2.根据权利要求1所述的方法，其中确定步骤包括：

计算所述多个传感器中的任何两个传感器之间的相关值；

基于所述相关值将所述多个传感器分成多个传感器组；和

确定与来自希望的传感器组的多个传感器中的一个对应的虚拟传感器。

3.根据权利要求2所述的方法，其中分组步骤包括：

创建相关矩阵，其中行表示各自的多个传感器，列表示各自的多个传感器，且每个元素表示分别来自行和列的相应的两个传感器之间的相关值；

基于所述相关矩阵为所述多个传感器的每一个确定分数；和

基于所述多个传感器的每一个的分数将所述多个传感器分成多个传感器组。

4.根据权利要求3所述的方法，其中所述多个传感器组包括：

包含希望的物理传感器的第一传感器组；

包含物理传感器和虚拟传感器的组合的第二传感器组；和

包含虚拟传感器的第三传感器组。

5.根据权利要求1所述的方法，其中建立步骤包括：

获取与一个或多个输入变量相关的数据记录和所述至少一个感测参数；

从所述一个或多个输入变量选择所述多个测量参数；

生成表示所述多个测量参数和所述至少一个感测参数之间的相互关系的计算模型；

确定所述计算模型的所述多个测量参数的希望统计分布；和

基于所述的希望统计分布重新校准所述多个测量参数以限定希望的输入空间。

6.根据权利要求5所述的方法，其中选择步骤还包括：

对所述数据记录进行预处理；和

基于所述数据记录的正常数据集和异常数据集之间的马氏距离利用遗传算法从所述一个或多个输入变量中选择所述多个测量参数。

7.根据权利要求5所述的方法，其中生成步骤还包括：

形成神经网络计算模型；

利用所述数据记录训练所述神经网络计算模型；和

利用所述数据记录证实所述神经网络计算模型。

8.根据权利要求5所述的方法，其中确定步骤还包括：

利用遗传算法确定所述测量参数的具有最大泽塔统计的候补集；和

基于所述候补集确定所述测量参数的希望分布，

其中，所述泽塔统计ζ表示为：

ζ = Σ_{1}^{j} Σ_{1}^{i} | S_{ij} | (\frac{σ_{i}}{\overset{&OverBar;}{x_{i}}}) (\frac{\overset{&OverBar;}{x_{j}}}{σ_{j}})

其中，x_i表示第i个输入的平均数；x_j表示第j个输出的平均数；σ_i表示第i个输入的标准偏差；σ_j表示第j个输出的标准偏差；且|S_ij|表示所述计算模型的第j个输出对第i个输入的敏感度。

9.根据权利要求1所述的方法，其中提供步骤包括：

分别从物理传感器(142)获取所述至少一个感测参数的值；

确定所述物理传感器已经失效；和

将所述至少一个感测参数的值从所述虚拟传感器过程模型提供给所述控制系统。

10.一种机器(100)，其具有翻新的虚拟传感器系统以提供相应的物理传感器的功能，而不用在该机器上安装支持物理传感器，所述机器包括：

能够向所述机器提供动力的动力源(110)；

能够控制所述动力源的控制系统(120)；和

与所述支持物理传感器对应的所述虚拟传感器系统(130)，其包括表示多个传感器提供的至少一个感测参数(402)和所述支持物理传感器的多个测量参数(406)之间的相互关系的虚拟传感器过程模型(404)，所述虚拟传感器系统能够：

获取与所述多个测量参数对应的一组值；

将所述至少一个感测参数的值提供给控制系统以提供与所述支持物理传感器对应的功能，

其中，所述虚拟传感器系统通过以下形成：

从所述多个传感器和所述支持物理传感器获取包括数据的数据记录；

基于所述数据记录计算所述支持物理传感器和所述多个传感器之间的相关值；

基于所述相关值从所述多个传感器中选择关联传感器；

基于所述关联传感器形成所述支持物理传感器的虚拟传感器系统。