CN104050349B - 外部空气温度测量设备和方法 - Google Patents

Abstract

本发明涉及外部空气温度测量设备和方法。用于车辆的外部空气温度测量装置和方法在车辆移动开始的数秒内得出外部空气温度的可用最终值，通过发展针对指数数据序列的数学表达式（即，模型），同时辨别存在于测量数据中的热噪声成分。

Description

外部空气温度测量设备和方法

相关申请的交叉引用

本站里申请要求2013年3月14日递交的题为“OUTSIDE AIR TEMPERATUREMEAUSREMENT DEVICE AND METHOD”的共同未决美国临时申请No.61/781,978，通过引用将其全部结合在这里。

技术领域

本发明涉及特别用于车辆的外部空气温度测量设备和方法。

背景技术

测量外测温度（“OAT”）的值的能力是对于采用自动温度控制（“ATC”算法）的车辆支持在加热通风和空气调节（“HVAC”）中获得座舱舒适的关键处理。此外，精确的OAT值还由HVAC电子控制模块内ATC算法之外的多种算法需要，并且最终，OAT由车辆内的其他电子模块需要，诸如中控面板温度显示模块或控制诸如类似于车辆的远程启动的特征的模块。

由于存在于车辆的发动机舱内的大量热噪声，并且环境温度感测装置通常由于经济性原因而位于发动机舱内，所以一旦车辆停止移动持续即使很短的时间，都难以获得外部环境温度的及时和准确的估计。这种困难来自于温度传感器（通常是一种热敏电阻）不仅测量温度的期望环境空气温度成分，并且其还测量由于缺乏在感测装置上以及附近流过的空气而积累的发动机产生热量的不期望的“噪声”成分。除了直接从发动机辐射的热量之外，注意，车辆的冷却风扇正在从散热器鳍片提取发动机热量，并且这种热量在发动机舱内流动。当车辆停止时，也不存在冲击气来排出热空气。但是一旦车辆获得了足够的速度，来自发动机舱外部的冲击气在传感器上流动并冷却传感器，从而导致温度测量结果的一系列指数降低。在OAT过滤处理的现有技术中，温度测量算法不预测这种瞬态的、衰减的数据序列。相反，当前实施的算法维持OAT的最后知道的、受信任的值，直到诸如车辆速度、冷却剂温度和发动机关闭时间等的环境条件指示传感器可能被清除了热噪声并且被认为将要提供环境温度的接近精确的表示为止。然而，当车辆速度足够高来从感测元件冲洗掉剩余热噪声时，在数值收敛可以开始具体化到环境温度的最后已知的、受信任的值与当前报告的环境传感器值之间之前，必须经过数分钟。在这段时间，由于缺乏精确的OAT温度，车辆的座舱可能对于温度、座舱空气的清新度和座舱空气的含水量是不舒适的。

使用牛顿冷却定律来从热监视的发动机舱预测指数衰减的实时数据序列的最终值的技术没有能够可以接受地成功得出精确的数值热模型参数。这种失败是由于在这些汽车热系统中不能表征的高阶噪声因子使传感器的数据序列元素明显地偏离理想指数数据序列，从而导致明显上冲或下冲真实环境温度值的不稳定的数据预测。这些因子的实际特征由热指数模型的时间常数对于车辆速度的依赖性而恶化。

已有的线性曲线拟合和最终值估计方法（诸如可以经由牛顿冷却定律利用的那些）擅长从在热瞬态响应完成之后可以获得的完整的、已有的数据集建立模型参数，但是不擅长预测改善座舱温度所需的实时数据的输出。

同样，由于预测数据序列的最终值的实时需要并且由于通常在指数数字模型的数据序列中发现的温度偏移，必须应用非线性曲线拟合方法。例如，指数衰减数值的值朝向恒定值（其可以但不一定为零值）衰减。当恒定值为非零时，其通常被称作为“偏移”或“最终值”。但是指数模型对于指数瞬态响应中早期的数据的变化的敏感性使得充分利用非线性曲线拟合方法变得困难，并且有时不能够得到解。由于数据从理想指数形式背离，随着处理进行，该解通常发散而非收敛。

诸如使用Kalman滤波器的其他方法基于模型参数相对于实时数据的统计背离对预测进行权衡，以提供“经统计过滤”的数据。这种方法也不能实现对于该问题的完美解。由于上述数据偏离因子，建立统计参数所需的模型不能提前知道，在Kalma滤波器方法中仍需要校正当前数据样本和预测下一个数据样本。此外，来自车辆的环境的热数据没有由表现出零平均值的统计中性噪声偏离，而是由不能被在实践上或经济地获得的系统的热特征偏离，并且这些噪声因子通常具有正的偏移。

发明内容

根据本发明，快速外部空气温度（“OAT”）获取处理将精确确定OAT的获取时间从数分钟减小到数秒钟，使得相比于使用当前采用的控制处理更迅速地实现座舱舒适以及温度敏感应用的响应。本发明的控制处理脱离已有的曲线拟合方法，因为其可以被实时确定，而非在确定指数数学模型的特征参数之后。

根据本发明的示例实施例，即使在系统中存在正偏置热噪声，OAT测量装置和方法仍在车辆移动开始的数秒内得出可用的OAT的最终值。因此，对于自动温度控制系统，可以更迅速地获得车厢舒适性。

根据本发明的一个方面，实时预测表现出一阶指数衰减的温度数据的序列的趋势的最终值。本发明提供了从传感器早期确定“真实”环境温度，即使传感器由来自于位于传感器附近的发热源的大量热噪声能量而浸透。处理通过对于指数数据序列发展数学表达式（即，模型）来预测指数数据序列的最终值，同时能够辨别存在于数据中的热噪声成分。

具体地，本发明的方法产生与指数衰减数据序列相关联并由其计算的三个面积（即，积分）。一个面积表示在相对于时间（独立变量）的数据序列下方的面积，另一个面积表示涉及数据序列的峰值和当前值相对于时间的面积，并且第三面积表示由与当前数据交叉的、与水平轴线平行的水平线划界的面积的一部分。第一和第二面积沿着表示指数衰减的边界重叠，并且被结合以产生被标记为“粗”分割的标量。术语“粗面积”简单地暗示数据最初是粗糙的，但是随着数据序列的更多元素被接收而经受大量迭代，并且在模型的曲线下方的面积被精炼。因此，这是与分析指数衰减下方得到的理想面积更紧密地相关联的复合面积，而不具有在数字积分被单独执行时趋向于积累的数字错误和正噪声偏置。因此，粗分割趋向于缓和在仅使用数据序列下方的面积时将会发生的面积变化，从而提供一种质量中心，由此用来使得数据序列的瞬态响应部分的幅度的计算不敏感。该幅度被称作为“步长”。

此外，展现出非零最终值的指数数据序列的曲线拟合是困难的，因为瞬态响应的步长和指数衰减的时间常数都必须由数据序列同时估计（即，非零最终值或偏移，使得问题非线性化）。因此，因为二者都不知道，所以必须对于其中一个或者另一个参数进行良好的最初猜测。因为最终值对于这两个参数都非常敏感，所以一个参数的误差借助于差的参测趋向于使得另一个参数的估计劣化，或者反之亦然，并且随后最终值估计受到影响。然而，本发明的方法计算瞬态响应的时间常数的独立的、早期估计，这可以通过将三角学应用到数个早期数据点来变的可能，由此消除了在其中嵌有最终值的分量（即，偏移）的各个数据点的线性问题，并且也由此改善了时间常数的初始估计的确定性。如果时间常数被精确地估计，步长和最终值的随后估计的精确度被显著地增强。

附图说明

图1是根据本发明的示例实施例的，实施用于测量外测温度的手段/设备的HVAC电子控制系统内的软件算法的示意性框图；

图2是示出了根据本发明的示例实施例的控制处理的示意性框图；

图3是示出了根据本发明的示例实施例的指数衰减处理的最终值估计的流程图；

图4是从根据本发明的示例实施例的算法的模拟的输出绘制的数据的示意图；

图4A-图4H是图4中示出的数据的各个示意图；

图5是从传统算法的模拟的输出的绘制的数据的示意图。

图5A-图5C是图5中示出的数据的各个示意图；

图6是从具有嵌入数据中的正偏置噪声的模拟的输出绘制的数据的示意图；

图6A-图6C是图6中示出的数据的各个示意图；

图7是从不具有嵌入数据中的正偏置噪声的模拟的输出绘制的数据的示意图；

图7A-图7C是图7中示出的数据的各个示意图；以及

图8是可以执行指令的处理器。

具体实施方式

本发明提供了一种产生实时自适应指数模型的设备和方法，其采用多种数据拟合技术，它们一同使得由于噪声效应引起的模型参数估计不敏感（desensitize）。这对于采用指数时间常数来确定对于估计OAT的最终值必要的步长（StepSize）温度模型参数特别有用。

表示车辆的发动机舱内的环境温度的基础温度模型由以下指数衰减公式表示，该公式表示了初始条件温度和温度步长，如公式1所示：

（公式1） 当前值(t)=初始值-步长*(1-exp(-t/τ))

其中当前值（PresentValue）、初始值（InitialValue）和步长是温度，τ是指数时间常数，并且t表示独立变量时间。

热系统通常表示瞬态温度响应以及稳态温度响应。初始值是在时刻t=0时系统开始其瞬态响应的数值。如公式1a所示，稳态响应是“最终值（FinalValue）”，其为在瞬态响应已经从初始值衰减到当前值在之后的时刻t具有相同温度值的点之后存在的数值。这大约在时刻t=5*τ的时刻发生。换言之，最终值是在系统均衡时的温度值之后的寻求（sought）。

步长被限定为初始值与最终值之间的差的幅度，其可以由公式1a 表示：

（公式1a） 步长=初始值-最终值。

作为示例，发动机舱温度可以是85摄氏度，并且外部环境温度是25摄氏度。期望的初始值的值将会是85摄氏度，并且期望的最终值将会是25摄氏度。因此，执行公式1a产生60摄氏度的步长。

在这里描述的算法中，步长和最终值以及时间常数τ都未知。因此，步长的估计是第一寻求（即，指数衰减的幅度）。一旦找到步长，最终值可以通过从初始值减去步长来计算。因此，从精确模型参数得到的量之后的寻求是最终值，其可以由公式1b表示

（公式1b） 最终值=最初值-步长

其中最终值是在热噪声和所存储的热能量已经从传感器环境消散之后，稳定的状态外部空气温度（OAT）值，从而仅留真实外部环境空气温度。

图1示出了根据本发明的示例实施例的用于测量外部温度的装置100的示意性框图。装置100包括应用层130，以提供处理和算法能力，包括OAT传感器190。应用层130居中位于第一硬件层110和第一界面层120与第二界面层140和第二硬件层150之间。本发明的装置和方法提供了汽车热系统关于OAT的指数衰减的最终值的精确估计，并且在车辆运动的数秒内（与此相比，对于传统估计处理是车辆运动的数分钟内）提供该估计。本发明的装置和方法提供了HVAC系统性能关于时间-车厢舒适度的明显改善，并且改善了自动OAT显示的初始精确度，以及改善任何其他车辆系统依赖于OAT的早期和精确估计的性能。

图2是根据本发明的示例实施例的控制处理的示意框图200。传感器210和220分别提供车辆速度和外部空气温度。如本发明所述的快速OAT算法在预收敛状态230中执行，以提供指数衰减的最终值估计。快速OAT算法将会在连接到一个或多个传感器的微控制器和/或处理器中执行。本领域技术人员将会明白，该算法也可以使用离散电路或使用特殊用途集成电路（ASIC）来执行。环境过滤器240向车辆系统应用250（诸如显示、遥控启动等）提供了指数衰减的最终值估计。

图3是示出了实施根据本发明的示例实施例的实施指数延迟的最终值估计的示例方法300的流程图。本发明的处理借助于将数学模型曲线拟合到实时收集的数据来确定τ和步长，并且之后从这些参数确定最终值。这在实时数据获取时越快实现，车厢环境条件会被越快调整来使得驾驶员和乘客舒适。

根据本发明的示例实施例的方法300在开始305处开始，在该处控制器被初始化，确定初始值。方法进行到310来开始收集温度数据310。如这里所讨论的，外部空气温度传感器通常位于发动机舱内。在实施收集数据之后，指数衰减常数τ被确定320。τ是通过采用基于所收集的数据的一系列计算来确定的。例如，可以进行基于三角学的τ估计，以从曲线拟合算法移除模型对于偏移（即，初始值减去步长）的依赖性。移除该依赖性允许将指数表达式线性化，并且因此消除对于固有的非线性函数进行迭代曲线拟合的需要。计算τ的示例性方法开始于分析数据，如公式2所示：

（公式2）

其中，是连接两个数据点的线与水平线之间形成的角，该水平线与独立变量轴平行并且连接这两个数据点之间的逝去时间；data_(t)和data_t(k-1)是从所收集的传感器数据序列取得的两个数据点；并且t_(t)和t_t(k-1)是与各个数据点相关联的时间值。一旦计算了将其应用到公式3：

（公式3）

其中τ是指数延迟的时间常数；t_(k)是从指数延迟开始处的时间零以来的时间值；是从公式2在t(k)处计算的角；并且是初始角估计。换言之，公式3是从公式2应用初始值和数据序列的第一数据点来产生的。根据具体应用，τ也可以从δ数据与的对的表格来估计。表格数据可以包括在实验测试期间获得的经验结果。在这点上，实验地获得并作为示例值列举的车辆数据的广泛示例可以作为查找表，由此简化并加快可用数据的处理。

这种方法是有利的，因为三角学计算能够忍受在其他情况下使得迭代地用在非线性方法中的τ的值偏离的数据变化。非线性方法也使其在不存在对于τ和步长中的一者或两者的精确初始估计的情况下易遭受不可靠并且潜在不稳定的结果。为了计算精确的最终值，特别是在给定针对车辆热系统的初始值和稳定时间的实际范围的情况下，数值稳定性在指数衰减的早期阶段很关键，而τ的绝对精确度不是那么关键。换言之，初始角估计的可能值的适当范围（其是从潜在噪声数据序列产生的）产生了τ的合适估计。此外，τ的估计可以随着数据序列进展来限定。

根据本发明的其他实施例，也提供了用于τ的估计的可选方法。根据具体应用（包括处理能力、设计要求和其他实际考虑），可选方法可以非常有用。第一示例替换例在公示3a中提供：

（公式3a） τ=-t_(k)/((ln(data_t(k))–权重偏移–data₀+步长)/步长)

其中，权重偏移（offset）被引入来支持看起来比模型当前的趋势更少偏离（skew）的数据元素。注意，公式3a是迭代计算。换言之，需要步长的良好估计来实现τ的合适值。第二替换例在公示3b中提供：

（公式3b） τ=(t_(k)-t_(k/2))/ln((data₀–data_t(k/2))/(data_t(k/2)–data_t(k)))

τ的值也可以通过测试并校准任何具体车辆设计来经验地确定。

一旦被计算出来，τ被平均到连续的行驶情况，使得τ与车辆速度被对于车辆的寿命适当地表征。将车辆速度与τ相关联的公式之后被用作为针对给定行驶情况对于τ的将来初始计算的调节器（moderator）。随着数据在行驶情况下实时接收，τ的值之后由其实际值的最小二乘逼近来进一步稳定330。一旦获得了τ的估计，τ之后被用来估计步长340，步长是用于最终温度值估计的必要模型参数。

几何导向的计算（即，指数衰减进展的积分）被应用来计算指数模型的步长。例如，通过使用所选择的与基础模型相关的积分并且通过对传感器数据序列执行相应的数值积分操作，执行步长计算。

在实时指数衰减数据序列下的数值积分（“指数数据面积”（EDA））被计算，如公式4所示：

（公式4）EDA_t(k)=Σ_n=1tok(data_t(n)+(t_(n)-t_(n-1))+((data_t(n-1)-data_t(n))*(t_(n)-t_(n-1)))/2)

之后，根据公式5计算被称作为“粗数据面积”（GDA）的面积，其为当前数据点与初始值之间的差乘以当前数据点的逝去时间的乘积：

（公式5） GDA_t(k)=(data₀-data_t(k))*t_(k)

结合公式4和公式5的结果，被称作为“粗数据分割”（GDS）的量可以通过取得两个积分值之间的差的一半并且将其增加到粗数据面积来计算，如公式6所示：

（公式6) GDS_t(k)=((EDA_t(k)-GDA_t(k))/2)+GDA_t(k)

当随着数据序列进展比较粗数据分割和粗模型分割时，它们形成基本重叠的两根线，并且线的一致性是模型参数拟合的质量的指示。虽然该一致性检查在估计处理期间不一定执行，其可以被用作为独立或补充手段来调整步长估计，以及τ的估计。然而，估计τ的计算和方法被用来确保良好的估计。从GDS的重新布置获得的公式7提供步长的估计：

（公式7） 步长_t(k)=

((data₀*t_(k))-(2*GDSt_(k)))/((τ*exp(-t_(k)/τ)-τ+(t_(k)*exp(-t_(k)/τ))

此外，随着实时接收数据，步长_t(k)（k=0到n）被重复地计算，并且步长_t(k)（k=0到n）的连续值被包括在（理想直线的）最终值_t(k)（k=0到n）的该最小二乘逼近中。

在活动车辆经受重复停止并继续行驶的典型形式条件的示例中，数据序列具有被称作“鲨鱼齿”或“锯齿”的几何特征，如图4A和图5A所示。这是由于当车辆减小到非常慢的速度或停止时获取热环境中上升的温度值，并且当车辆再次获得速度时这些值的损失（见图4H和图5C ）。相比于在高速公路条件下行驶，这通常是城市行驶的情况。通常难以将所建立的曲线拟合技术应用到这种类型的原始数据，因此本发明的处理执行数据压缩（compaction）。以此方式，在这种类型的行驶期间，温度的上升值被丢弃，从而产生良态指数衰减波形。

通过采用以上技术和数据，衰减的理想最终值（“真实OAT”估计）被通过从初始值减去步长来预测350。最终值之后被过滤360，以提供精确报告值。在算法的应用中，报告值（即，算法输出）是将算法的最后已知的报告值（即，在车辆最初停止并且数据被收集时的原始报告的OAT）和最终稳定状态值之间的转变进行平滑的指数过滤的结果。随着处理迭代，方法从最终值的过滤360循环到温度数据收集310，以产生并改善报告值。

图4示出了从如这里所述的快速OAT算法的模拟的输出绘制的数据的图形表示400。传感器数据410是以摄氏度为单位测量的温度相对于以秒为单位的时间。图形400示出了如这里描述的不同绘图信息的关系，包括：温度传感器数据410、最终值估计420；Tau（τ）估计430；经过滤的环境440；模型450；最终模型输出460；经过滤的环境31470；以及车辆速度480（以每小时公里kph为单位测量的）。图4A-图4H示出了在图4中提供的数据的各个图形表示。

另外地，经过滤的环境440是基于在车辆数据中提供的初始经过滤的值，其在图4和图4D中示出为41摄氏度。所存储的初始值不一定与当前到达的最终值相关联。这是由于存储在车辆中的真实环境已经在不同环境条件下被存储。最终模型输出460使用当温度传感器数据和最终值首先收敛时计算的模型参数。最终模型输出460表示在处理期间发现的最佳模型参数组。与全部可用数据拟合的是理想指数响应。经过滤的环境31470是在存储在车辆存储器中的初始温度是31摄氏度时经过滤的环境温度，如图4和图4G所示。经过滤的环境通常以车辆最后一次行驶存储的值开始，并且因此随着车辆移动而发展。注意，响应时间是以秒为单位（在收敛前约为25秒），而非分钟。同样，注意基本上没有上冲。

图5示出了从传统算法的模拟的输出绘制的数据的图形表示500。图形500示出了如这里所述的不同的绘制信息的关系，包括：环境原始（即，所收集的温度数据）510；经过滤的、120秒冲刷520；以及车辆速度530。图5A-图5C示出了图5中提供的数据的各个图形表示。注意，响应时间对于传统方法接近4分钟，具有约六度的上冲。

图6是从本发明的模拟的输出绘制的传感器数据610的图形表示600，其示出了几何中心或“质心（centroid）”，这是由导致步长和最终值的确定的数学面积计算引入的概念。该处理使用距水平朝向（并且具有恒定值）的最终值的平方的、逐点的垂直分量距离的总和。该几何中心将其自身与集合中的每个点之间的平方欧几里得距离的总和最小化。如图6所示，由于系统中的噪声，得到精确的最终值需要多次迭代。质心被限定为连接每个最终值(k)数据点的线的几何中心。因此，简单最终值620估计的几何中心的“水平”分量可观地在50摄氏度的真实最终值630上方，并且将不会收敛到50摄氏度，而GDS最终值估计的水平分量在收集数据样本的若干迭代内处于约50摄氏度。

图6示出了简单最终值_t(k)620的数值不稳定估计与GDS最终值_t(k)630的数值不稳定估计的比较。注意，620和630的值表现出围绕真实最终值平衡的水平中心。这是由于当EDA的权重由于传感器数据610中的正噪声成分而增加时，仅基于EDA和GDA的GDS中GDA的权重减小，产生从真实最终值仅在正方向上偏离的结果，并且可能不会收敛到真实最终值。这示出了由设计为对噪声不敏感的本新颖处理中结合GDS来提供的优点。该结果可以进一步通过将最终值_t(k)限制到不大于data_t(k)的值来改进，其效果可以某种程度上使具体最终值_t(k)的精确度劣化，但是将会转而改善随后被应用到最终值_t(k)的移动平均过滤的结果。图6A-图6C示出了在图6中提供的数据的各个图形表示。

图7是在图6中展示的相同数据的图形表示，但是不具有嵌入指数衰减中的噪声成分。传感器数据由710表示。简单最终值估计720和GDS最终值估计730二者都示出了与最终值全等的水平朝向的“中心”。因此，该图形展示了正偏置噪声被使用GDS积分处理抵消。此外，图7A-图7C示出了在图7中提供的数据的各个图形表示。

图8是示出了能够实施图1-图4中公开的本发明的示例的组件的示例性系统600，诸如图1中示出的交互重叠系统。系统800可以包括各种系统和子系统。系统800例如可以是计算机系统、家用电器、特定用途集成电路（ASIC）、服务器、刀片服务器、服务器群或类似装置。

系统800可以包括系统总线802、处理单元804、系统存储器804、存储器装置808和810、通信接口812（例如，网络接口）、通信链路814、显示器816（例如，视频屏幕）和一个或多个输入装置818（例如，图2的车辆速度传感器210和温度传感器220、键盘和/或鼠标等）。系统总线802可以与处理单元804和系统存储器806通信。附加的存储器装置808和810（诸如硬盘驱动器、服务器、独立数据库或其他非易失性存储器）也可以与系统总线802通信。系统总线802将处理系统804、存储器装置806-810、通信接口812、显示器816和输入装置818相互连接。在一些示例中，系统总线802也相互连接额外的端口（未示出），诸如通用串行总线（USB）端口。处理单元804可以是连接到一个或多个输入装置818的计算装置，以执行这里描述的测量装置的功能，并且可以包括特殊用途集成电路（ASIC）。以虚线轮廓示出的处理单元804被配置为执行一组指令，来实施这里描述的示例的操作。处理单元804可以包括处理核心。

附加存储器装置806、808和810可以以文本或汇编形式存储数据、程序、指令、数据库查询，以及操作计算机所需的任何其他信息。存储器806、808和810可以被事实为非瞬态计算机可读介质（集成的或可移除的），诸如存储器卡、盘驱动器、紧凑型盘（CD）或可以通过网络访问的服务器。在特定示例中，存储器806、808和810可以存储文本、图像、视频和/或音频，连同适当的指令，以使得所存储的数据以人类可以理解的形式在相关联的显示器816处获得。此外，存储器装置808和810可以作为用于图1和图2中示出的系统的数据库或数据存储器。附加地或另外地，系统800可以通过通信接口812访问外部数据源，该通信接口可以与系统总线802和通信链路814通信。

在操作期间，系统800可以被用来实施控制系统，其用于管理任何传感器和相关联的应用之间的交互的系统。用于实施系统的计算机可执行逻辑位于根据特定实施例的一个或多个系统存储器806和存储器装置808、810上。处理单元804执行来自于系统存储器806和存储器装置808和810的一个或多个计算机可执行指令。这里使用的术语“计算机可读介质”指的是参与向处理单元804提供用于执行的指令的介质，并且可以包括经由适当的数据连接链接到处理器。

从本发明的以上描述，本领域技术人员将会想到改善、改变和调整。本领域内的这种改善、改变和调整旨在由本发明覆盖。

Claims (8)

1.一种用于测量外部空气温度的方法，包括以下步骤：

在传感器处随时间测量温度值；

实时确定所测量的温度值的一阶指数衰减，其中，所述确定所测量的温度值的一阶指数衰减包括：

将温度值绘制为温度-时间的坐标系上的数据点；

确定连接所述数据点中的给定数据点与所述数据点中的另一数据点的线与平行于独立变量轴的水平线之间形成的角，所述给定数据点与所述另一数据点以逝去时间隔开；以及

基于所述角、所估计的初始角和所述给定数据点与所述另一数据点之间的逝去时间的值来确定所述一阶指数衰减；

使用指数数据序列的数学模型预测一阶指数衰减序列的最终值；以及

辨别存在于温度值中的热噪声成分，以得到最终温度值。

2.根据权利要求1所述的方法，其中，所述确定所测量的温度值的一阶指数衰减的步骤还包括通过公式τ＝-t_(k)/In(θ_t(k)/θ₀)来计算一阶指数衰减，其中，τ是指数衰减的时间常数，t_(k)是从时间零以来的时间值；θ_t(k)是在t_(k)处计算的角，并且θ₀是所估计的初始角。

3.根据权利要求1所述的方法，其中，所述使用指数数据序列的数学模型预测一阶指数衰减序列的最终值的步骤还包括以下步骤：

通过计算指数衰减数据序列下的面积来确定给定面积；

通过计算所述另一数据点与测量的初始温度值之间的差乘以所述另一数据点与时间零之间的逝去时间的乘积来确定另一面积；

通过获得给定面积与所述另一面积之间的差的一半并将其增加到所述另一面积来确定数据分割；

基于所述数据分割、所述一阶指数衰减和初始数据值，根据以下公式来预测瞬态响应步长：

步长＝((data₀＊t_(k))-(2＊GDS_t(k)))/((τ＊exp(-t_(k)/τ)-τ+(t_(k)＊exp(-t_(k)/τ))，

其中，data₀为所测量的初始温度值，t_(k)为所述另一数据点与时间零之间的逝去时间，GDS_t(k)为所述数据分割，τ是指数衰减的时间常数；

基于所测量的初始温度值和步长来预测最终值。

4.根据权利要求1所述的方法，其中，所述使用指数数据序列的数学模型预测一阶指数衰减序列的最终值的步骤还包括通过计算多个数据估计组，以稳定数据的步骤。

5.根据权利要求1所述的方法，其中，所述确定所测量的温度值的一阶指数衰减的步骤还包括用所测量的温度值实时参照经验数据来确定一阶指数衰减的步骤。

6.一种用于测量外部空气温度的系统，包括：

用于随时间测量温度值的多个传感器；

与所述多个传感器通信的控制器，所述控制器被配置为：

分析所测量的温度值；

实时确定所测量的温度值的一阶指数衰减，其中，所述确定所测量的温度值的一阶指数衰减包括：

将温度值绘制为温度-时间的坐标系上的数据点；

确定连接所述数据点中的给定数据点与所述数据点中的另一数据点的线与平行于独立变量轴的水平线之间形成的角，所述给定数据点与所述另一数据点以逝去时间隔开；以及

基于所述角、所估计的初始角和所述给定数据点与所述另一数据点之间的逝去时间的值来确定所述一阶指数衰减；

通过基于所分析的温度值的应用最小二乘逼近来稳定指数时间衰减；

使用指数数据序列的数学模型预测指数衰减序列的最终值；以及

基于经稳定的指数时间衰减常数从预测的最终值过滤掉存在于温度值中的热噪声成分以得到最终温度值。

7.根据权利要求6所述的系统，其中，所述控制器通过丢弃所测量的温度值的上升值来产生良态的指数衰减波形，以进行所述分析。

8.根据权利要求6所述的系统，其中，所述控制器通过用所测量的温度值参照经验数据来实时确定所测量的温度值的一阶指数衰减。