CN108541363A - 用于管理传感器异常的技术 - Google Patents
用于管理传感器异常的技术 Download PDFInfo
- Publication number
- CN108541363A CN108541363A CN201680075881.0A CN201680075881A CN108541363A CN 108541363 A CN108541363 A CN 108541363A CN 201680075881 A CN201680075881 A CN 201680075881A CN 108541363 A CN108541363 A CN 108541363A
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- sensor data
- computing device
- computing system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
用于管理计算系统中传感器异常的技术包括基于来自另一传感器的传感器数据以及相关性规则来确定从第一传感器接收的传感器数据是否是异常的。相关性规则定义第一传感器数据与第二传感器数据之间的预期相关性。如果第一传感器数据与第二传感器数据之间的相关性未被观察到,则第一传感器数据可被认为是异常的。如果是这样,则可使用另一传感器或其他相关性来验证第一传感器数据。如果第一传感器被确定为发生故障,则计算系统可通过在其位置使用另一传感器来减轻第一传感器的损失。
Description
相关申请的交叉引用
本申请要求于2015年12月26日提交的标题为“TECHNOLOGIES FOR MANAGINGSENSOR ANOMALIES(用于管理传感器异常的技术)”的美国实用型专利申请序列号第14/998,231号的优先权。
背景技术
传感器和感测电路被结合到日益增多的电子设备和计算系统中。例如,在物联网(IoT)应用中,具有数百或数千个传感器的计算系统是可能的。此类系统中的显著挑战是确定系统的特定传感器是否正确地操作。例如,在典型操作条件下,可能难以辨别非预期传感器数据是错误的还是仅仅是异常的。许多典型计算系统以二元方式处理异常传感器数据。例如,典型计算系统会简单地忽略落在预期范围之外的传感器数据。替代地,一些计算系统可依赖于对异常传感器数据的人类操作者验证。然而,获得对传感器数据的操作者验证上的延迟会导致计算系统中不期望的性能和/或在典型工作条件下完全无法实行。
附图说明
在所附的附图中,以示例方式而不是以限制方式图示出本文中所描述的概念。为了说明的简单和清楚起见,附图中所图示出的元件不一定是按比例绘制的。在认为合适的情况下,已在多个附图之间重复了附图标记以指示对应的或类似的元件。
图1是用于管理传感器异常的系统的至少一个实施例的简化框图;
图2是可由图1系统的计算设备建立的环境的至少一个实施例的简化框图;
图3是可由图1和2的系统的计算设备执行的用于初始化传感器的方法的至少一个实施例的简化流程图;
图4是可由权利要求3的方法生成的相关性规则的各实施例的简化流程图;
图5是可由图1和2的系统的计算设备执行的用于管理传感器异常的方法的至少一个实施例的简化流程图;
图6是图1的系统的传感器阵列的至少一个实施例的简化框图;
图7是以用于在图5的方法的执行期间验证传感器异常的另一配置来布置的图6传感器阵列的简化框图;以及
图8是以用于在图5的方法的执行期间减轻传感器故障的另一配置来布置的图6传感器阵列的简化框图。
具体实施方式
尽管本公开的概念易于具有各种修改和替代形式,但是,在附图中已通过图中的示例的形式示出了本公开的特定实施例,并将在本文中详细描述本公开的特定实施例。然而,应当理解,没有将本公开的概念限制于所公开的特定形式的意图,相反,意图旨在涵盖符合本公开和所附权利要求书的所有修改、等效方案和替代方案。
说明书中对“一个实施例”、“实施例”、“示例性实施例”等的引用指示所描述的实施例可包括特定特征、结构或特性,但是,每一个实施例可包括或可不一定包括该特定特征、结构或特性。此外,此类短语不一定是指同一个实施例。此外,当结合实施例描述特定特征、结构或特性时,认为结合无论是否明确描述的其他实施例来实施此类特征、结构或特性在本领域技术人员的知识范围之内。另外,应当领会,被包括在“A、B和C中的至少一者“的形式的列表中的项可意指:(A);(B);(C);(A和B);(B和C);(A和C);或(A、B和C)。类似地,以“A、B或C中的至少一者”的形式列出的项可以意指(A);(B);(C);(A和B);(A和C);(B和C);或(A、B和C)。
在一些情况下,所公开的各实施例可在硬件、固件、软件或其任何组合中实现。所公开的多个实施例也可以实现为可由一个或多个处理器读取并执行的瞬态或非瞬态机器可读(例如,计算机可读)存储介质承载或可存储于其上的指令。机器可读存储介质可被具体化为用于以可由机器读取的形式存储或传送信息的任何存储设备、机制或其他物理结构(例如,易失性或非易失性存储器、介质盘或其他介质设备)。
在图中,一些结构或方法特征可按特定布置和/或排序示出。然而,应当理解,此类特定布置和/或排序可以不是必需的。相反,在一些实施例中,此类特征可以以与在说明性附图中示出的不同的方式和/或次序来安排。另外,在特定附图中包括结构或方法特征不旨在暗示在所有实施例中都需要此类特征,并且在一些实施例中,可不包括此类特征,或此类特征可与其他特征相结合。
现参看图1,在示例性实施例中,用于管理传感器异常的计算系统100包括计算设备102,并且在一些实施例中,包括分布式传感器阵列104。在使用中,如以下更详细讨论的,计算设备102被配置成监视由计算设备102的本地传感器120和/或分布式传感器阵列104的远程传感器130产生的传感器数据,并确定任何特定传感器数据是否是异常的(例如,与预期值或趋势不同)。为此,计算设备102可使用相关性规则将所讨论传感器数据与由计算系统100的另一传感器产生的其他传感器数据进行比较。相关性规则定义所讨论传感器数据与来自相关传感器的传感器数据之间的预期关系。例如,相关性规则可基于所讨论传感器数据中的观察到的变化来定义来自相关传感器120、130的传感器数据的预期改变。如果所讨论传感器数据指示非预期测量值或测量值中的非预期改变,则相关性规则可指示来自相关传感器120、130的传感器数据应显示类似测量或改变(虽然也许具有较小的量值或差异)。取决于相关传感器,相关性规则可定义两个或更多个传感器数据之间范围从弱相关性至强相关性的关系。例如,在一些实施例中,相关性规则可定义大体关系(例如,如果来自一个传感器的传感器数据增长,则来自相关传感器的传感器数据应该也增加,但增加的量可以是未知的),而在其他实施例中,相关性规则可定义传感器数据之间的特定数学关系。
基于观察到的传感器数据以及相关联的相关性规则,计算设备102可更好地确定所讨论传感器数据是准确的读数还是异常的。然而,即使所讨论传感器数据被确定为是异常的(即,观察到的传感器数据不遵守一个或多个相关联的相关性规则),此传感器数据仍旧可能是准确的。例如,传感器数据可指示检测到的非预期信号,诸如仅由那一个特定传感器感测到的非预期温度梯度。如此,计算设备102被进一步配置成验证所讨论传感器数据。为此,计算设备102可利用计算设备102的同一传感器120、130和/或其他传感器120、130。例如,计算设备102能以不同方式(例如,增加测量频率、增加感测分辨率等)获得和/或分析传感器数据,分析传感器数据趋势(例如,测量中有的突然改变吗或者是可观察的渐进趋势),重新定位或重新安置所讨论传感器120、130,将另一传感器120、130移动至所讨论传感器的区域或位置,和/或执行其他动作以验证所讨论传感器数据是否是可验证的。如果计算设备102确定传感器数据已被验证,则计算设备102可照常利用传感器数据。然而如果计算设备102确定传感器数据未被验证,则计算设备102被配置成试图通过例如依赖于如以下更详细讨论的其他传感器120、130来减轻对应传感器120、130的损失。
计算设备102可被具体化为被配置成在操作期间利用多个传感器并执行本文所描述功能的任何类型的计算设备102。例如,计算设备102可被具体化为或者以其他方式包括但不限于:计算机、服务器、服务器系统、分析计算设备、联网设备、多处理器系统、基于处理器的系统、消费者电子设备、智能电话、平板计算机、笔记本计算机、膝上型计算机、台式计算机、可穿戴计算机、诸如智能手表或智能眼镜之类的智能配件、消息接发设备和/或能够利用各种传感器的任何其他计算设备。如图1所示,示例性计算设备102包括处理器110、I/O子系统112、存储器114以及本地传感器120。当然,在其他实施例中,计算设备102可包括其他或附加的组件,诸如那些通常在计算设备(例如,各种输入/输出设备)中找到的组件。另外,在一些实施例中,示例性组件中的一者或多者可被结合到另一组件中,或以其他方式形成另一组件的部分。例如,在一些实施例中,存储器114或其部分可以被结合到处理器110中。
处理器110可被具体化为能够执行本文中所描述功能的任何类型的处理器。例如,处理器110可以被具体化为(诸)单核或多核处理器、数字信号处理器、微控制器或者其他处理器或处理/控制电路。类似地,存储器114可被具体化为能够执行本文中所描述功能的任何类型的易失性或非易失性存储器或数据存储。在操作中,存储器114可存储在计算设备102的操作过程中使用的各种数据和软件,诸如操作系统、应用、程序、库以及驱动程序。存储器114可经由I/O子系统112通信地耦合至处理器110,该I/O子系统112可被具体化为用于促进与处理器110、存储器114以及计算设备102的其他组件之间的输入/输出操作的电路和/或组件。例如,I/O子系统112可被具体化为或以其他方式包括存储器控制器中枢、输入/输出控制中枢、固件设备、通信链路(即,点对点链路、总线链路、线路、电缆、光导、印刷电路板迹线等)和/或用于促进输入/输出操作的其他组件和子系统。在某些实施例中,I/O子系统112可形成片上系统(SoC)的部分,并可与计算设备102的处理器110、存储器114及其他组件一起被结合在单个集成电路芯片上。
本地传感器120可被具体化为或以其他方式包括能够测量或以其他方式捕捉指示所感测刺激的任何类型的传感器、感测电路或传感器设备。例如,传感器120可包括但不限于:环境传感器(诸如,温度或气压传感器)、运动传感器(诸如,加速度计)、生物测定传感器(诸如,心率传感器或皮肤电反应传感器)、认证传感器(诸如,指纹扫描传感器)、人工感测传感器(诸如,相机或麦克风)、测量传感器(诸如,压力或光传感器)和/或能够产生指示所感测刺激的传感器数据的任何其他类型的传感器。示例性地,本地传感器120被结合到计算设备102中。例如,在其中计算设备102形成片上系统(SoC)的实施例中,本地传感器120可与其他组件一起被包括在同一管芯上。
在一些实施例中,计算设备102还可包括一个或多个传感器控制122。(诸)传感器控制122可被具体化为能够控制本地传感器120和/或分布式传感器阵列104的远程传感器130的一方面的任何类型的致动器或其他机构。例如,在一些实施例中,传感器控制122可被具体化为能够移动传感器120、130(例如,改变传感器120、130的定位、定向和/或位置)的马达或致动器。如以下更详细讨论的,(诸)传感器控制122可被用于验证来自特定传感器120、130的异常数据,以及通过将另一传感器重现安置在失灵传感器120、130的位置来减轻传感器120、130的损失。
计算设备102在一些实施例中还可包括各种外围设备124。外围设备124可被具体化为或以其他方式包括任何类型的附加输入/输出设备、接口设备、和/或通常在计算系统中找到的其他组件和/或设备。例如,在一些实施例中,外围设备124可包括触摸屏、图形电路、键盘、鼠标、扬声器系统、网络接口和/或其他输入/输出设备、接口设备和/或外围设备。
如以上讨论的,分布式传感器阵列104包括通信地耦合至计算设备102但位于远程的一个或多个远程传感器130。远程传感器130可与本地传感器120类似,并且可被具体化为或以其他方式包括能够测量或以其他方式捕捉指示所感测刺激的任何类型的传感器、感测电路或传感器设备,诸如以上关于本地传感器120所讨论的那些传感器。在一些实施例中,远程传感器130可相对于计算设备102移动。然而,在其他实施例中,远程传感器130可以是固定的或静止的。
现参看图2,在示例性实施例中,计算设备102在操作期间建立环境200。示例性环境200包括传感器初始化模块202、传感器相关性确定模块204、以及传感器管理模块206。环境200的各模块可被具体化为硬件、固件、软件或其组合。如此,在一些实施例中,环境200的模块中的一个或多个可被具体化为电气设备的电路或集合(例如,传感器初始化电路202、传感器相关性确定电路204以及传感器管理电路206等)。应该理解,在此类实施例中,传感器初始化电路202、传感器相关性确定电路204以及传感器管理电路206中的一个或多个可形成处理器110、I/O子系统112和/或计算设备102的其它组件中的一个或多个的一部分。另外,在一些实施例中,示例性模块中的一个或多个可形成另一模块的部分,和/或示例性模块中的一个或多个可彼此独立。在使用期间,环境200的各模块可生成和/或利用各种数据,包括但不限于如以下所讨论的初始化规则220、相关性规则222、验证规则224以及减轻规则226。
传感器初始化模块202被配置成初始化系统100的传感器120、130以验证每个传感器120、130正确地操作。为此,传感器初始化模块202可利用初始化规则220,该初始化规则220可定义每个传感器120、130的各种操作特性。例如,初始化规则220可定义可接受或预期的传感器数据范围、预期的传感器数据类型、用于传感器的电功率水平和/或其他操作特性。如此,传感器初始化模块202可利用任何合适方法、算法和/或测试来验证每个传感器120、130的操作。在一些实施例中,传感器初始化模块202可如以下所讨论的那样被配置成请求操作者对传感器120、130的操作状态的确认。
传感器相关性确定模块204被配置成在正常操作期间监视由传感器120、130产生的各种传感器数据,并基于观察到的传感器数据确定或生成相关性规则222。如以上所讨论的,每个相关性规则222定义两个或更多个传感器数据之间的预期关系。预期关系可以是简单的(例如,当一个传感器数据增加时,相关传感器数据应该也增加)或非常复杂的(例如,多个传感器数据之间的特定数学关系)。为了生成相关性规则222,传感器相关性确定模块204可利用任何合适的方法或算法。例如,在示例性实施例中,传感器相关性确定模块204被配置成利用机器学习算法。如此,在一些实施例中,传感器相关性确定模块204被配置成在训练时段期间(例如,在系统100的初始化阶段期间)的某一时间监视和分析由传感器120、130产生的传感器数据。当然,如以下所讨论的,传感器相关性确定模块204还可在系统100的正常操作期间监视传感器数据并且基于观察到的相关性随时间更新相关性规则222。此外,在一些实施例中,相关性规则222中的一个或多个可以是“硬编码的”或以其他方式由系统100的操作者或制造商来供应,而并非由传感器相关性确定模块204基于观察到的传感器数据来推断或确定。
传感器相关性确定模块206被配置成在系统100的正常操作期间监视由传感器120、130产生的传感器数据,并确定任何传感器数据是否是异常的。为此,传感器管理模块206被配置成基于相关性规则222将各种传感器数据彼此进行比较。即,传感器管理模块206基于来自一个或多个其他传感器120、130的相关传感器数据来确定任何传感器数据是否是非预期的(例如,非预期的值或趋势)。如以上所讨论的,相关性规则222定义相关传感器数据之间的预期关系。例如,与特定传感器120、130相关联的相关性规则222可指示特定传感器120、130的传感器数据的改变应该导致在相关传感器数据中将观察到类似改变(虽然相关传感器数据的改变可具有不同量值、方向、时间偏移、类型等)。如果传感器管理模块206确定相关传感器数据未显示与所讨论传感器数据的预期相关关系,则传感器管理模块206可确定所讨论传感器数据是异常的。
然而,即使传感器管理模块206可确定特定传感器数据是异常的,此特定传感器数据仍旧可能是有效的(例如,读数可以是有效读取,尽管是非预期的或以其他方式落在标准范围之外)。如此,传感器管理模块206还包括传感器验证模块210,该传感器验证模块210被配置成验证从所讨论传感器120、130获得的传感器数据。例如,如果特定传感器120、130产生未在相关传感器数据中观察到(例如,即使处于预期较小量值)的非预期读数,则传感器管理模块206被配置成验证传感器数据是否是准确的而并非如在典型计算系统中那样简单地丢弃该传感器数据。为此,传感器验证模块210可利用验证规则224中的一个或多个。验证规则224可定义能由计算设备102使用的规则、方法和/或其他数据以验证传感器120、130是否发生故障。例如,验证规则224可定义用于对传感器数据执行的不同类型的分析(例如,增加测量频率、增加感测分辨率、分析不同频谱中的视觉数据、应用不同类型的滤波器等)。附加地或替代地,验证规则224可指定传感器数据的历史趋势应该被分析以确定例如所讨论传感器数据的非预期改变随时间是突然的还是渐进的。此外,在一些实施例中,验证规则224可定义系统100中可被用于验证异常传感器数据的其他传感器120、130。例如,如果其他传感器120、130目前未被激活,则可使其他传感器120、130在线或以其他方式激活其他传感器120、130以如异常传感器120、130一样感测同一刺激。此外,在计算设备102包括传感器控制122的实施例中,其他传感器120、130可被移动至如异常传感器120、130的同一区域或位置以确定同一刺激是否被其他传感器120、130感测到。附加地或替代地,传感器控制122可被用于控制异常传感器120、130以重新安置、旋转或以其他方式重新定位异常传感器120、130以尽力使异常传感器数据有效(例如,通过确定是否不论对应传感器120、130的位置如何都会产生异常传感器数据)。验证规则224可被硬编码至计算设备102中,或者通过使用例如机器学习算法随时间被学习。
如果传感器管理模块206能够验证异常传感器数据是准确的,则此传感器数据可被计算设备102照常使用。此外,在一些实施例中,传感器相关性确定模块204可基于观察到的异常但经验证的传感器数据来更新相关性规则。替代地,如果传感器管理模块206不能验证异常传感器数据,则传感器管理模块206确定对应传感器120、130极可能是故障的。作为响应,传感器管理模块206被配置成试图减轻对应传感器120、130的损失。为此,传感器管理模块206包括故障减轻模块212。故障减轻模块212被配置成根据减轻规则226通过使用系统100的另一传感器120、130来减轻传感器120、130的损失。减轻模块226指示系统中哪些其他传感器120、130可被用于替换特定故障传感器120、130。例如,减轻规则226可指示系统100的另一压力传感器可被用作对失灵压力传感器的替换。为此,减轻规则226可提供替代性传感器数据分析算法、设置、滤波器和/或其他传感器数据处理,它们将被应用于从系统100的操作传感器120、130接收的传感器数据以减轻失灵传感器120、130的损失。例如,如果麦克风阵列的麦克风失灵,则减轻规则226可指定计算设备102应该增加其他麦克风的灵敏度。在其中计算设备102包括传感器控制122的实施例中,故障减轻模块212可被配置成重新定位系统100的其他传感器以减轻失灵传感器120、130的损失。在失灵麦克风的示例性示例中,故障减轻模块212可被配置成基于减轻规则226移动或重新安置阵列的其他麦克风以适应失灵麦克风的损失。
现参看图3,在使用中,计算设备102可执行用于初始化系统100的传感器120、130的方法300。方法300始于框302,其中计算设备102确定是否初始化传感器120、130。例如,传感器120、130可在计算设备102的每次上电之际被初始化或者仅在如以下讨论的训练时段期间被初始化。如果传感器120、130将被初始化,则方法300前进至框304,其中计算设备102验证系统100的每个传感器120、130的操作。为此,如在框306中所示,计算设备102可将观察到的传感器数据与初始化规则220进行比较。如以上所讨论的,初始化规则220可定义可接受或预期的传感器数据范围、预期的传感器数据类型、用于传感器的电功率水平和/或其他操作特性。如此,计算设备102被配置成监视此类操作特性以确保每个传感器120、130是正确操作的。在一些实施例中,计算设备102还可依赖于框304中操作者对传感器120、130的验证。
在框308中,计算设备102确定系统100的每个传感器120、130是否都被成功验证。如果未被成功验证,则方法300前进至框310,其中调整或校正未经验证或因其他原因不可操作的(诸)传感器120、130。例如,在框310中可重新校准或者另外用适当运作的传感器120、130替换故障传感器120、130。方法300随后返回至框304,其中计算设备102继续验证系统100的所有传感器120、130的适当操作。
回头参看框308,如果计算设备102确定系统100的每个传感器120、130是正确操作的(即,计算设备102已成功验证每个传感器120、130),则方法300前进至框312。在框312中,计算设备102在操作期间监视由经验证传感器120、130产生的传感器数据以确定各传感器数据之间的相关性。计算设备102可取决于例如传感器120、130的数量以及特定实现来监视来自传感器120、130的传感器数据达用于标识传感器数据相关性所需的任何合适的时间量。例如,在一些实施例中,计算设备102在机器学习算法的训练时段期间监视传感器数据相关性。
计算设备102可利用任何合适的方法来确定两个或更多个传感器数据之间的相关性。例如,在示例性实施例中,计算设备102被配置成在计算设备102能够标识观察到的传感器数据之间一些类型的关系的情况下确定存在于两个或更多个传感器数据之间的相关性。所标识关系在本质上可以是松散的或大体的。例如,如果来自一个传感器120、130的传感器数据增加而此时当来自相关传感器120、130的传感器数据减小(或同样增加),则计算设备可标识两个传感器120、130之间的关系。附加地或替代地,所标识关系在本质上可以是严格或精确的。例如,计算设备102可确定来自两个或更多个传感器120、130的传感器数据之间的数学关系。在此情形中,计算设备102能够基于所标识数学关系确定来自一个传感器120、130的传感器数据响应于来自相关传感器120、130的传感器数据的改变的预期改变。当然,计算设备102可在其他实施例中使用其他类型的观察、计算、算法和/或方法来标识传感器数据之间的相关性。
在框314中,计算设备102确定是否已标识任何相关性。如果尚未标识,则方法300返回至框312,其中计算设备102继续监视由传感器120、130产生的用于相关性的传感器数据。然而,如果计算设备102已标识观察到的传感器数据中的一个或多个相关性,则方法300前进至框316。在框316中,计算设备102基于所标识的相关性来生成一个或多个相关性规则222。如以上所讨论的,相关性规则222定义来自系统100的两个或更多个传感器120、130的传感器数据之间的预期关系。例如,特性相关性规则222可定义相关传感器数据响应于所讨论传感器数据中的观察到的改变、趋势或测量值的预期改变、趋势或测量值。此外,如以上所讨论的,每个相关性规则222可定义宽松或严格(例如,数学)的关系。
计算设备102可利用任何合适的方法、算法或计算来生成相关性规则222。例如,在框318中,计算设备102可从两个或更多个传感器120、130的传感器数据之间观察到的相关性推断相关性规则222。此类所推断相关性规则222可定义例如松散或大体关系(例如,当来自所监视传感器120、130的传感器数据改变时,来自相关传感器120、130的传感器数据也应该改变)。附加地或替代地,计算设备102可基于两个或更多个传感器120、130的传感器数据之间的观察到的相关性来计算相关性规则222。此类经计算相关性规则222可定义例如两个或更多个传感器120、130的传感器数据之间的特定数学关系。此外,在一些实施例中,计算设备102可生成定义两个或更多个传感器120、130的传感器数据之间的特定关系的硬编码相关性规则222。此类硬编码相关性规则222可由计算设备102的操作者或制造商提供。
如此,计算设备102被配置成在框316中生成或以其他方式确定定义系统100的传感器120、130的传感器数据之间的不同类型关系的相关性规则222。图4中示出了若干示例相关性规则222。在一个示例中,相关性规则222中的相关性规则400定义由传感器120、130中的两个相机A和B产生的传感器数据之间的预期关系。相关性规则400可指定例如在相机A中检测带的任何运动也应该在相机B中被表示(例如,当两个相机A、B在监视同一区域或位置时)。在另一示例中,相关性规则222的相关性规则402定义传感器120、130中的3D相机与麦克风之间的预期关系。相关性规则402可指定例如当由3D相机产生的3D图像中描绘的实体逼近计算设备102时,由麦克风产生的声音数据应该在音量上增加。作为进一步的示例,相关性规则222的相关性规则404定义传感器120、130中的加速度计与麦克风之间的预期关系。相关性规则404可指定例如当加速度计检测到移动时,在由麦克风产生的声音数据中,风噪声应该可是可辨别出的。作为又一示例,相关性规则222的相关性规则406定义传感器120、130中的三个温度传感器A、B、C之间的预期关系。相关性规则406可指定例如当温度传感器B检测到温度增加时,温度传感器A和C也应该检测到温度的增加。相关性规则406可进一步指定由相关温度传感器120、130感测到的温度的增加相对于由温度传感器B产生的传感器数据具有较小的量值和/或在时间上被延迟。当然,相关性规则400、402、404、406是能被计算设备102使用的相关性规则2222的简单示例。在其他实施例中,可如本文详细描述的使用其他类型的相关性规则222。
回头参看图3,在计算设备于框316中生成或确定相关性规则222之后,方法300前进至框324。在框324中,计算设备102确定或以其他方式生成验证规则224。如以上所讨论的,验证规则224定义能被计算设备102用来验证特定传感器120、130在正确地操作的规则或方法。验证规则可定义例如:可对异常传感器数据采用以验证传感器数据的不同分析方法、可分析历史传感器数据是否可被分析来验证异常数据、和/或可被计算设备102用来验证传感器120、130的操作的其他准则或活动。例如,在框326的一些实施例中,计算设备可生成或确定定义哪些其他传感器120、130可被用来验证所讨论传感器120、130以及那些其他传感器120、130可如何被用于此的验证规则224。例如,计算设备102可标识系统100中可被用来替换或“事实检查”所讨论特定传感器120、130的其他传感器120、130。附加地或替代地,在框328中,计算设备102可生成或确定能被计算设备102用来验证传感器120、130的操作的硬编码验证规则224。此类硬编码验证规则224可由计算设备102的操作者或制造商提供。无论如何,在计算设备102于框324中确定或生成验证规则224之后,方法300前进至框330,其中计算设备102存储相关性规则222和验证规则224。例如,计算设备102可将规则222、224存储在计算设备102的存储器114或数据存储中。
现参看图5,在使用中,计算设备102可执行用于管理传感器异常的方法500。方法500以框502开始,其中计算设备102获得和监视由系统100的各传感器120、130产生的传感器数据。更具体地,计算设备102监视由传感器120、130产生的异常传感器数据(即,非预期传感器数据)。为此,计算设备102使用相关性规则222来将来自传感器120、130的传感器数据彼此进行比较。计算设备102被配置成如果传感器数据不遵守或以其他方式违反使特定传感器数据与由系统100的其他传感器120、130产生的传感器数据相关的一个或多个相关性规则,则将传感器数据标识为异常。如以上所讨论的,每个相关性规则222定义相关传感器数据之间的预期关系。如此,如果计算设备102观察到没有展现出与其他相关传感器数据的预期关系的传感器数据,则计算设备102可确定观察到的传感器数据是异常的。例如,如果如相关联的相关性规则222指定的那样,特定传感器数据展现出测量值的减小而相关传感器在其传感器数据中未展现出类似的减小,则计算设备102可确定该特定传感器数据是异常的。附加地或替代地,如果特定传感器数据不匹配相关联的相关性规则222所定义的与其他相关传感器数据的数学关系,则计算设备102可确定该特定传感器数据是异常的。
在框506中,计算设备102确定是否已检测到任何异常传感器数据。如果尚未检测到,则方法500返回至框502,其中计算设备102继续监视由传感器120、130产生的传感器数据。然而,如果计算设备102检测到异常传感器数据,则方法500前进至框508。在框508中,计算设备102确定异常传感器数据是否满足参考阈值。即,在框508中,计算设备102确定传感器数据是否是不可靠的、无效的或者另外是错误的。在示例性实施例中,可被具体化为初始化规则220和/或验证规则224一部分的参考阈值可定义测量值的特定范围界限或者针对传感器数据甚至将潜在有效而所必须存在的最小传感器数据特性。例如,参考阈值可定义温度传感器可读取的最大温度、麦克风检测某一级别的噪声的需求、视频传感器数据具有包括在其中的某一类型的图像的需求、压力传感器可读取的最小压力等等。如此,在框508中,计算设备102确定异常传感器数据是否落在参考阈值之外或以其他方式违反参考阈值。如果不是,则方法500前进至框510。
在框510中,计算设备102使用验证规则224验证异常传感器数据。如以上所讨论的,验证规则224定义能被计算设备102用来验证特定传感器120、130在正确地操作的规则、方法和/或方法。例如,在框512中,计算设备102可利用验证规则224来标识系统100中可被用于验证由所讨论传感器120、130产生的异常传感器数据的其他传感器120、130。为此,在框514中,计算设备102可使用与产生异常传感器数据的传感器120、130相同传感器类型的其他传感器120、130。例如,如果计算设备102检测到来自传感器120、130的麦克风的异常数据,则计算设备102可检查由传感器120、130的另一麦克风产生的传感器数据以确定异常数据是准确的还是无效的(例如,不可靠的或甚至是错误的)传感器数据。替代地,在框516中,计算设备102可使用与产生异常传感器数据的传感器120、130不同传感器类型的其他传感器120、130。例如,如果计算设备102检测到来自传感器120、130的压力传感器的异常数据,则计算设备102可检查由传感器120、130的相机产生的图像数据以确定异常数据是准确的还是无效的传感器数据(例如,通过标识图像中使压力传感器产生异常数据的来源或原因)。
在其中计算设备102包括(诸)传感器控制122的实施例中,计算设备102可被配置成在框518中替换产生异常数据的传感器120、130和/或在框520中基于验证规则224控制产生异常数据的传感器120、130。例如,如图6所示,示出分布式传感器阵列104的实施例,该分布式传感器阵列104包括三个远程传感器130:传感器130(A)、传感器130(B)以及传感器(C)。传感器(A)130被定位在第一层级L1处。传感器(B)130被定位在比第一层级L1低的第二层级L2处。传感器(C)130被定位在比第二层级L3低的第三层级L3处。在系统100的操作期间的某一时间点处,传感器(B)130产生异常传感器数据。例如,传感器130可被具体化为温度传感器,且传感器(B)130可在第二层级L2处测得显著高的温度,该显著高的温度未在温度传感器(A)130和温度传感器(B)130的传感器数据中被表示(即使以较低量值)。如此,为了验证由传感器(B)130产生的传感器数据,计算设备102可使用如图7中所示的(诸)传感器控制122来将传感器(A)130从第一层级L1移动至第二层级L2。一旦传感器(A)130被定位在与传感器(B)130的同一层级,计算设备102就可确定传感器(B)130是否也测量到异常的高温度。如果测量到,则计算设备102可确定由传感器(B)130产生的传感器数据虽然异常但仍是准确的,并且传感器(B)130并未发生故障。以类似方式,计算设备102可简单地重新安置传感器(B)130(例如,至不同层级)以确定传感器(B)130是否在不同层级处测得不同温度。如果是这样,由传感器(B)130产生的传感器数据可以是有效的。
回头参看图5,在计算设备于框510中已验证异常传感器数据之后,方法500前进至框522。在框522中,计算设备102基于框510的验证来确定异常传感器数据是否是有效的。如果是这样,则方法500前进至框524,其中计算设备102将异常传感器数据照常用于系统100的标准功能。此外,在一些实施例中,计算设备102可基于框510中对异常传感器数据的验证来更新相关性规则222。方法500随后返回至框502,其中计算设备102继续监视由传感器120、130产生的传感器数据。
然而,如果异常传感器数据大于或以其他方式满足框508中的参考误差阈值,或者如果在框522中异常传感器数据被确定为不是有效的,则方法500前进至框528。在框528中,计算设备102试图基于减轻规则226来减轻产生异常传感器数据的传感器120、130的损失。例如,在框530中,计算设备102可基于包括在减轻规则226中的一个或多个预定义规则来减轻故障传感器120、130的损失。附加地或替代地,计算设备102可基于减轻规则226的启发式规则来减轻故障传感器120、130的损失,该启发式规则可如以上讨论的由计算设备102随时间习得。此外,在一些实施例中,计算设备102可被配置成基于减轻规则226用系统100的另外的传感器120、130来替换故障传感器120、130,该减轻规则226可标识系统100中哪些其他传感器可被用于替换故障传感器120、130。例如,回头参看图6的示例,计算设备102可如图8中所示的被配置成通过将传感器(A)130移动至第一层级L1与第二层级L2之间的位置,以及将传感器(C)130移动至第二层级L2与第三层级L3之间的位置来减轻传感器(B)130的损失。在那些位置中,传感器(A)130和传感器(C)130可能能够继续充分地感测全部三个层级处的温度,即使具有传感器(B)130的损失。
回头参看图5,在计算设备102已减轻故障传感器120、130的损失之后,方法500返回至框502,其中计算设备102继续监视由系统100的传感器120、130产生的传感器数据。以此方法,计算设备102被配置成监视异常传感器数据,确定异常传感器数据是否是有效的,以及在计算设备102确定异常传感器数据不有效的情况下试图减轻故障传感器120、130的损失。如此,不像其中异常传感器数据可被简单忽略的典型感测系统,计算设备102被配置成进一步分析此类数据以确定异常传感器数据是否有效。
示例
下文提供了本文中所公开的技术的说明性示例。
这些技术的实施例可包括下文所描述的示例中的任何一项或多项以及其任何组合。
示例1包括一种计算系统,用于管理计算系统的传感器异常。计算系统包括第一传感器,该第一传感器用于生成第一传感器数据;第二传感器,该第二传感器用于生成第二传感器数据;数据存储,该数据存储用于存储相关性规则,其中相关性规则定义第一传感器与第二传感器之间的预期相关性;以及传感器管理模块,该传感器管理模块用于基于第二传感器数据以及相关性规则来确定第一传感器数据是否是异常的。
示例2包括示例1的主题,并且其中第一传感器是第一传感器类型的,而第二传感器是与第一传感器类型不同的第二传感器类型的。
示例3包括示例1和2的主题,并且其中相关性规则定义第一传感器数据与第二传感器数据之间的关系。
示例4包括示例1-3的主题,并且其中相关性规则定义第一传感器数据与第二传感器数据之间的数学关系。
示例5包括示例1-4的主题,并且其中相关性规则基于第一传感器数据的改变定义第二传感器数据的预期改变。
示例6包括示例1-5的主题,并且其中第一传感器数据指示测量值,并且相关性规则基于第一传感器数据的测量值定义第二传感器数据的预期测量值。
示例7包括示例1-6的主题,并且其中传感器管理模块进一步用于基于第一传感器数据与参考阈值的比较来确定第一传感器是否发生故障。
示例8包括示例1-7的主题,并且其中传感器管理模块进一步用于响应于第一传感器未发生故障的确定,基于验证规则来验证第一传感器数据,其中验证规则标识能用于验证第一传感器数据的另一传感器。
示例9包括示例1-8的主题,并且其中进一步包括用于生成第三传感器数据的第三传感器,并且其中用于验证第一传感器数据包括用于基于第三传感器数据来验证第一传感器数据。
示例10包括示例1-9的主题,并且其中第三传感器是与第一传感器的传感器类型相同的传感器类型的。
示例11包括示例1-10的主题,并且其中第三传感器是与第一传感器的传感器类型不同的传感器类型的。
示例12包括示例1-11的主题,并且其中用于基于第三传感器数据来验证第一传感器数据包括用于将第三传感器移动至由第一传感器占据的区域。
示例13包括示例1-12的主题,并且其中用于基于第三传感器数据来验证第一传感器数据包括用于将第三传感器移动至先前由第一传感器占据的位置。
示例14包括示例1-13的主题,并且其中传感器管理模块进一步用于响应于基于验证规则对第一传感器数据的成功验证来利用第一传感器数据。
示例15包括示例1-14的主题,并且其中第一传感器被配置成感测第一特性,并且进一步包括第三传感器,其中传感器管理模块进一步用于响应于第一传感器发生故障的确定,利用第三传感器代替第一传感器来感测第一特性。
示例16包括示例1-15的主题,并且其中传感器管理模块进一步用于基于指示第三传感器可被用于替换第一传感器的预定义减轻规则来选择第三传感器。
示例17包括示例1-16的主题,并且其中传感器管理模块进一步用于基于指示第三传感器可被用于替换第一传感器的启发式减轻规则来选择第三传感器。
示例18包括示例1-17的主题,并且其中传感器管理模块进一步用于监视第一传感器数据和第二传感器数据达第一时间段;在第一时间段期间标识第一传感器数据与第二传感器数据之间的相关性;以及基于所标识的第一传感器数据与第二传感器数据之间的相关性来确定相关性规则。
示例19包括示例1-18的主题,并且其中相关性规则定义第一传感器数据与第二传感器数据之间的数学关系。
示例20包括一种用于管理计算系统中传感器异常的方法。方法包括由计算系统的计算设备从计算系统的第一传感器获得第一传感器数据,以及从计算系统的第二传感器获得第二传感器数据;以及由计算设备基于第二传感器数据和相关性规则确定第一传感器数据是否是异常的,其中相关性规则定义第一传感器数据与第二传感器数据之间的预期相关性。
示例21包括示例20的主题,并且其中获得第一传感器数据和第二传感器数据包括从第一传感器类型的第一传感器获得第一传感器数据,以及从与第一传感器类型不同的第二传感器类型的第二传感器获得第二传感器数据。
示例22包括示例20和21的主题,并且其中相关性规则定义第一传感器数据与第二传感器数据之间的关系。
示例23包括示例20-22的主题,并且其中相关性规则定义第一传感器数据与第二传感器数据之间的数学关系。
示例24包括示例20-23的主题,并且其中相关性规则基于第一传感器数据的改变定义第二传感器数据的预期改变。
示例25包括示例20-24的主题,并且其中第一传感器数据指示测量值,并且相关性规则基于第一传感器数据的测量值定义第二传感器数据的预期测量值。
示例26包括示例20-25的主题,并且其中进一步包括由计算设备通过将第一传感器数据与参考阈值进行比较来确定第一传感器是否发生故障。
示例27包括示例20-26的主题,并且其中进一步包括由计算设备响应于第一传感器未发生故障的确定,基于验证规则来验证第一传感器数据,其中验证规则标识能用于验证第一传感器数据的另一传感器。
示例28包括示例20-27的主题,并且其中验证第一传感器数据包括基于从第三传感器获得的第三传感器数据来验证第一传感器数据。
示例29包括示例20-28的主题,并且其中验证第一传感器数据包括基于从传感器类型与第一传感器的传感器类型相同的第三传感器获得的第三传感器数据来验证第一传感器数据。
示例30包括示例20-29的主题,并且其中验证第一传感器数据包括基于从传感器类型与第一传感器的不同的传感器类型的第三传感器获得的第三传感器数据来验证第一传感器数据。
示例31包括示例20-30的主题,并且其中基于第三传感器数据来验证第一传感器数据包括将第三传感器移动至由第一传感器占据的区域。
示例32包括示例20-31的主题,并且其中基于第三传感器数据来验证第一传感器数据包括将第三传感器移动至先前由第一传感器占据的位置。
示例33包括示例20-32的主题,并且进一步包括由计算设备响应于基于验证规则成功验证第一传感器数据来利用第一传感器数据。
示例34包括示例20-33的主题,并且其中第一传感器被配置成感测第一特性,并且进一步包括由计算设备响应于第一传感器发生故障的确定,利用第三传感器代替第一传感器来感测第一特性。
示例35包括示例20-34的主题,并且进一步包括由计算设备基于指示第三传感器可被用于替换第一传感器的预定义减轻规则来选择第三传感器。
示例36包括示例20-35的主题,并且进一步包括由计算设备基于指示第三传感器可被用于替换第一传感器的启发式减轻规则来选择第三传感器。
示例37包括示例20-36的主题,并且进一步包括由计算设备监视第一传感器数据和第二传感器数据达第一时间段;由计算设备在第一时间段期间标识第一传感器数据与第二传感器数据之间的相关性;以及由计算设备基于所标识的第一传感器数据与第二传感器数据之间的相关性来确定相关性规则。
示例38包括示例20-37的主题,并且其中相关性规则定义第一传感器数据与第二传感器数据之间的数学关系。
示例39包括一种或多种计算机可读介质,包括多条指令,这些指令在被执行时使计算设备执行示例20-38中任何一项的方法。
示例40包括一种计算系统,用于管理计算系统的传感器异常。计算系统包括用于从计算系统的第一传感器获得第一传感器数据以及从计算系统的第二传感器获得第二传感器数据的装置;以及用于基于第二传感器数据和相关性规则确定第一传感器数据是否是异常的装置,其中相关性规则定义第一传感器数据与第二传感器数据之间的预期相关性。
示例41包括示例40的主题,并且其中用于获得第一传感器数据和第二传感器数据的装置包括用于从第一传感器类型的第一传感器获得第一传感器数据,以及从与第一传感器类型不同的第二传感器类型的第二传感器获得第二传感器数据的装置。
示例42包括示例40或41的主题,并且其中相关性规则定义第一传感器数据与第二传感器数据之间的关系。
示例43包括示例40-42的主题,并且其中相关性规则定义第一传感器数据与第二传感器数据之间的数学关系。
示例44包括示例40-43的主题,并且其中相关性规则基于第一传感器数据的改变定义第二传感器数据的预期改变。
示例45包括示例40-44的主题,并且其中第一传感器数据指示测量值,并且相关性规则基于第一传感器数据的测量值定义第二传感器数据的预期测量值。
示例46包括示例40-45的主题,并且其中进一步包括用于通过将第一传感器数据与参考阈值进行比较来确定第一传感器是否发生故障的装置。
示例47包括示例40-46的主题,并且其中进一步包括用于响应于第一传感器未发生故障的确定,基于验证规则来验证第一传感器数据的装置,其中验证规则标识能用于验证第一传感器数据的另一传感器。
示例48包括示例40-47的主题,并且其中用于验证第一传感器数据的装置包括用于基于从第三传感器获得的第三传感器数据来验证第一传感器数据的装置。
示例49包括示例40-48的主题,并且其中用于验证第一传感器数据的装置包括用于基于从传感器类型与第一传感器的相同的传感器类型的第三传感器获得的第三传感器数据来验证第一传感器数据的装置。
示例50包括示例40-49的主题,并且其中用于验证第一传感器数据的装置包括用于基于从传感器类型与第一传感器的不同的传感器类型的第三传感器获得的第三传感器数据来验证第一传感器数据的装置。
示例51包括示例40-50的主题,并且其中用于基于第三传感器数据来验证第一传感器数据的装置包括用于将第三传感器移动至由第一传感器占据的区域的装置。
示例52包括示例40-51的主题,并且其中用于基于第三传感器数据来验证第一传感器数据的装置包括用于将第三传感器移动至先前由第一传感器占据的位置的装置。
示例53包括示例40-52的主题,并且进一步包括用于响应于基于验证规则成功验证第一传感器数据来利用第一传感器数据的装置。
示例54包括示例40-53的主题,并且其中第一传感器被配置成感测第一特性,并且进一步包括用于响应于第一传感器发生故障的确定利用第三传感器代替第一传感器来感测第一特性的装置。
示例55包括示例40-54的主题,并且进一步包括用于基于指示第三传感器可被用于替换第一传感器的预定义减轻规则来选择第三传感器的装置。
示例56包括示例40-55的主题,并且进一步包括用于基于指示第三传感器可被用于替换第一传感器的启发式减轻规则来选择第三传感器的装置。
示例57包括示例40-56的主题,并且进一步包括用于监视第一传感器数据和第二传感器数据达第一时间段的装置;用于在第一时间段期间标识第一传感器数据与第二传感器数据之间的相关性的装置;以及用于基于所标识的第一传感器数据与第二传感器数据之间的相关性来确定相关性规则的装置。
示例58包括示例40-57的主题,并且其中相关性规则定义第一传感器数据与第二传感器数据之间的数学关系。
Claims (25)
1.一种用于管理计算系统的传感器异常的计算系统,所述计算系统包括:
第一传感器,所述第一传感器用于生成第一传感器数据;
第二传感器,所述第二传感器用于生成第二传感器数据;
数据存储,所述数据存储用于存储相关性规则,其中所述相关性规则定义所述第一传感器数据与所述第二传感器数据之间的预期相关性;以及
传感器管理模块,所述传感器管理模块用于基于所述第二传感器数据以及所述相关性规则来确定所述第一传感器数据是否是异常的。
2.如权利要求1所述的计算系统,其特征在于,所述第一传感器是第一传感器类型的,而所述第二传感器是与所述第一传感器类型不同的第二传感器类型的。
3.如权利要求1所述的计算系统,其特征在于,所述相关性规则定义所述第一传感器数据与所述第二传感器数据之间的关系。
4.如权利要求3所述的计算系统,其特征在于,所述相关性规则定义所述第一传感器数据与所述第二传感器数据之间的数学关系。
5.如权利要求1所述的计算系统,其特征在于,所述相关性规则基于所述第一传感器数据的改变定义所述第二传感器数据的预期改变。
6.如权利要求1所述的计算系统,其特征在于,所述第一传感器数据指示测量值,并且所述相关性规则基于所述第一传感器数据的测量值定义所述第二传感器数据的预期测量值。
7.如权利要求1所述的计算系统,其特征在于,所述传感器管理模块进一步用于基于所述第一传感器数据与参考阈值的比较来确定所述第一传感器是否发生故障。
8.如权利要求7所述的计算系统,其特征在于,所述传感器管理模块进一步用于响应于确定所述第一传感器未发生故障,基于验证规则来验证所述第一传感器数据,其中所述验证规则标识能用于验证所述第一传感器数据的另一传感器。
9.如权利要求8所述的计算系统,其特征在于,进一步包括用于生成第三传感器数据的第三传感器,并且其中验证所述第一传感器数据包括基于所述第三传感器数据来验证所述第一传感器数据。
10.如权利要求9所述的计算系统,其特征在于,基于所述第三传感器数据来验证所述第一传感器数据包括将所述第三传感器移动至由所述第一传感器占据的区域。
11.如权利要求9所述的计算系统,其特征在于,基于所述第三传感器数据来验证所述第一传感器数据包括将所述第三传感器移动至先前由所述第一传感器占据的位置。
12.如权利要求7所述的计算系统,其特征在于,所述第一传感器被配置成感测第一特性,并且进一步包括第三传感器,
其中,所述传感器管理模块进一步用于响应于确定所述第一传感器发生故障,利用所述第三传感器代替所述第一传感器来感测所述第一特性。
13.一种用于管理计算系统中的传感器异常的方法,所述方法包括:
由所述计算系统的计算设备从所述计算系统的第一传感器获得第一传感器数据,以及从所述计算系统的第二传感器获得第二传感器数据;以及
由所述计算设备基于所述第二传感器数据和相关性规则来确定所述第一传感器数据是否是异常的,其中所述相关性规则定义所述第一传感器数据与所述第二传感器数据之间的预期相关性。
14.如权利要求13所述的方法,其特征在于,获得第一传感器数据和第二传感器数据包括从第一传感器类型的第一传感器获得第一传感器数据,以及从与所述第一传感器类型不同的第二传感器类型的第二传感器获得第二传感器数据。
15.如权利要求13所述的方法,其特征在于,所述相关性规则定义所述第一传感器数据与所述第二传感器数据之间的关系。
16.如权利要求15所述的方法,其特征在于,所述相关性规则定义所述第一传感器数据与所述第二传感器数据之间的数学关系。
17.如权利要求13所述的方法,其特征在于,所述相关性规则基于所述第一传感器数据的改变定义所述第二传感器数据的预期改变。
18.如权利要求13所述的方法,其特征在于,所述第一传感器数据指示测量值,并且所述相关性规则基于所述第一传感器数据的测量值定义所述第二传感器数据的预期测量值。
19.如权利要求13所述的方法,其特征在于,进一步包括由所述计算设备通过将所述第一传感器数据与参考阈值进行比较来确定所述第一传感器是否发生故障。
20.如权利要求19所述的方法,其特征在于,进一步包括由所述计算设备响应于确定所述第一传感器未发生故障,基于验证规则来验证所述第一传感器数据,其中所述验证规则标识能用于验证所述第一传感器数据的另一传感器。
21.如权利要求20所述的方法,其特征在于,验证所述第一传感器数据包括基于从第三传感器获得的第三传感器数据来验证所述第一传感器数据。
22.如权利要求21所述的方法,其特征在于,基于所述第三传感器数据来验证所述第一传感器数据包括将所述第三传感器移动至由所述第一传感器占据的区域。
23.如权利要求19所述的方法,其特征在于,所述第一传感器被配置成感测第一特性,并且进一步包括由所述计算设备响应于所述第一传感器发生故障的确定,利用所述第三传感器代替所述第一传感器来感测所述第一特性。
24.一种或多种计算机可读存储介质,所述计算机可读存储介质包括多条指令,所述指令在被执行时使计算设备执行根据如权利要求13-23中任一项所述的方法。
25.一种用于管理计算系统的传感器异常的计算系统,所述计算系统包括用于执行如权利要求13-23中任一项所述方法的装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/998,231 US10690511B2 (en) | 2015-12-26 | 2015-12-26 | Technologies for managing sensor anomalies |
US14/998,231 | 2015-12-26 | ||
PCT/US2016/063609 WO2017112304A1 (en) | 2015-12-26 | 2016-11-23 | Technologies for managing sensor anomalies |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108541363A true CN108541363A (zh) | 2018-09-14 |
CN108541363B CN108541363B (zh) | 2022-05-24 |
Family
ID=59087877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680075881.0A Active CN108541363B (zh) | 2015-12-26 | 2016-11-23 | 用于管理传感器异常的方法及计算机系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10690511B2 (zh) |
CN (1) | CN108541363B (zh) |
DE (1) | DE112016006063T5 (zh) |
WO (1) | WO2017112304A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475384A (zh) * | 2020-05-07 | 2020-07-31 | Oppo广东移动通信有限公司 | 壳体温度的计算方法、装置、存储介质及电子设备 |
CN115342848A (zh) * | 2022-08-01 | 2022-11-15 | 广州市齐明软件科技有限公司 | 一种关于传感器异常数据的检测方法及装置 |
CN117553840A (zh) * | 2024-01-11 | 2024-02-13 | 深圳汉光电子技术有限公司 | 一种基于智能化管理的仪表及其系统 |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10802477B1 (en) * | 2016-01-22 | 2020-10-13 | State Farm Mutual Automobile Insurance Company | Virtual testing of autonomous environment control system |
US10920675B2 (en) * | 2016-10-25 | 2021-02-16 | General Electric Company | Methods and systems for detection of control sensor override |
US11537242B2 (en) | 2018-03-29 | 2022-12-27 | Cirrus Logic, Inc. | Q-factor enhancement in resonant phase sensing of resistive-inductive-capacitive sensors |
DE102018118533A1 (de) * | 2018-07-31 | 2020-02-06 | Endress + Hauser Wetzer Gmbh + Co. Kg | Verfahren zum Ermitteln von Kalibrierzyklen für ein Feldgerät in einer Anlage der Prozessautomatisierung |
JP6997873B2 (ja) * | 2018-08-22 | 2022-01-18 | 株式会社Nttドコモ | 検知装置 |
US20200116772A1 (en) * | 2018-10-15 | 2020-04-16 | Sentient Energy, Inc. | Power line sensors with automatic phase identification |
US20200204884A1 (en) * | 2018-12-25 | 2020-06-25 | Arasens, Inc. | Correlation-Based Sensor Network and Control Method thereof |
US20200252420A1 (en) * | 2019-02-05 | 2020-08-06 | Carrier Corporation | Cyber defense and response system for buildings |
US11536758B2 (en) | 2019-02-26 | 2022-12-27 | Cirrus Logic, Inc. | Single-capacitor inductive sense systems |
US10948313B2 (en) | 2019-02-26 | 2021-03-16 | Cirrus Logic, Inc. | Spread spectrum sensor scanning using resistive-inductive-capacitive sensors |
EP4005184A1 (en) | 2019-07-31 | 2022-06-01 | Carrier Corporation | A system and method for validating data associated with parameter/s |
US11579030B2 (en) | 2020-06-18 | 2023-02-14 | Cirrus Logic, Inc. | Baseline estimation for sensor system |
US11868540B2 (en) | 2020-06-25 | 2024-01-09 | Cirrus Logic Inc. | Determination of resonant frequency and quality factor for a sensor system |
US11835410B2 (en) | 2020-06-25 | 2023-12-05 | Cirrus Logic Inc. | Determination of resonant frequency and quality factor for a sensor system |
US11619519B2 (en) * | 2021-02-08 | 2023-04-04 | Cirrus Logic, Inc. | Predictive sensor tracking optimization in multi-sensor sensing applications |
US11808669B2 (en) | 2021-03-29 | 2023-11-07 | Cirrus Logic Inc. | Gain and mismatch calibration for a phase detector used in an inductive sensor |
US11821761B2 (en) | 2021-03-29 | 2023-11-21 | Cirrus Logic Inc. | Maximizing dynamic range in resonant sensing |
US11507199B2 (en) | 2021-03-30 | 2022-11-22 | Cirrus Logic, Inc. | Pseudo-differential phase measurement and quality factor compensation |
US11979115B2 (en) | 2021-11-30 | 2024-05-07 | Cirrus Logic Inc. | Modulator feedforward compensation |
US11854738B2 (en) | 2021-12-02 | 2023-12-26 | Cirrus Logic Inc. | Slew control for variable load pulse-width modulation driver and load sensing |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010011359A1 (en) * | 2000-01-28 | 2001-08-02 | Eads Deutschland Gmbh | Reconfiguration procedure for an error-tolerant computer-supported system with at least one set of observers |
EP1460388A2 (de) * | 2003-03-18 | 2004-09-22 | Anton Rodi | Messsystem zur Absoluterfassung von Winkeln und Wegen |
US20060287806A1 (en) * | 2005-06-16 | 2006-12-21 | Hitachi, Ltd. | Fault diagnosis apparatus for sensors used in a system |
CN101689287A (zh) * | 2007-06-28 | 2010-03-31 | 微软公司 | 关于传感器的上下文敏感可靠性的学习和推理 |
CN101946238A (zh) * | 2008-02-22 | 2011-01-12 | 惠普开发有限公司 | 检测传感器联网环境中的异常 |
CN102695943A (zh) * | 2010-10-27 | 2012-09-26 | 帕威泰英有限公司 | 用于通用传感器的自诊断装置和方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8077051B2 (en) | 2008-01-18 | 2011-12-13 | Sensors Incorporated | Fault detection system with redundant product teach verification |
WO2012140601A1 (en) | 2011-04-13 | 2012-10-18 | Bar-Ilan University | Anomaly detection methods, devices and systems |
WO2013118253A1 (ja) | 2012-02-07 | 2013-08-15 | 日本車輌製造株式会社 | センサ状態判断システム |
-
2015
- 2015-12-26 US US14/998,231 patent/US10690511B2/en active Active
-
2016
- 2016-11-23 DE DE112016006063.7T patent/DE112016006063T5/de active Pending
- 2016-11-23 WO PCT/US2016/063609 patent/WO2017112304A1/en active Application Filing
- 2016-11-23 CN CN201680075881.0A patent/CN108541363B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010011359A1 (en) * | 2000-01-28 | 2001-08-02 | Eads Deutschland Gmbh | Reconfiguration procedure for an error-tolerant computer-supported system with at least one set of observers |
EP1460388A2 (de) * | 2003-03-18 | 2004-09-22 | Anton Rodi | Messsystem zur Absoluterfassung von Winkeln und Wegen |
US20060287806A1 (en) * | 2005-06-16 | 2006-12-21 | Hitachi, Ltd. | Fault diagnosis apparatus for sensors used in a system |
CN101689287A (zh) * | 2007-06-28 | 2010-03-31 | 微软公司 | 关于传感器的上下文敏感可靠性的学习和推理 |
CN101946238A (zh) * | 2008-02-22 | 2011-01-12 | 惠普开发有限公司 | 检测传感器联网环境中的异常 |
CN102695943A (zh) * | 2010-10-27 | 2012-09-26 | 帕威泰英有限公司 | 用于通用传感器的自诊断装置和方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475384A (zh) * | 2020-05-07 | 2020-07-31 | Oppo广东移动通信有限公司 | 壳体温度的计算方法、装置、存储介质及电子设备 |
CN115342848A (zh) * | 2022-08-01 | 2022-11-15 | 广州市齐明软件科技有限公司 | 一种关于传感器异常数据的检测方法及装置 |
CN117553840A (zh) * | 2024-01-11 | 2024-02-13 | 深圳汉光电子技术有限公司 | 一种基于智能化管理的仪表及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108541363B (zh) | 2022-05-24 |
US20170184416A1 (en) | 2017-06-29 |
US10690511B2 (en) | 2020-06-23 |
DE112016006063T5 (de) | 2018-09-06 |
WO2017112304A1 (en) | 2017-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108541363A (zh) | 用于管理传感器异常的技术 | |
US20190205514A1 (en) | Active authentication of users | |
US11087226B2 (en) | Identifying multiple causal anomalies in power plant systems by modeling local propagations | |
CN104350808B (zh) | 用于使用移动来将移动通信设备安全地配对的设备、方法和系统 | |
US11120127B2 (en) | Reconstruction-based anomaly detection | |
US11580002B2 (en) | User effort detection | |
US20160364558A1 (en) | User authentication via known text input cadence | |
US10878071B2 (en) | Biometric authentication anomaly detection | |
JP7368668B2 (ja) | マルウェアに感染した記憶装置の異常動作をaiコプロセッサーを使用する検知する方法とシステム | |
WO2012087402A1 (en) | Method and system for detecting abnormal interleavings in concurrent programs | |
CN109995751B (zh) | 上网设备标记方法、装置及存储介质、计算机设备 | |
CN108476234B (zh) | 用于管理传感器冲突的技术 | |
US20160350538A1 (en) | Embedded controller for safety booting and method thereof | |
CN111126268A (zh) | 关键点检测模型训练方法、装置、电子设备及存储介质 | |
JP2018073241A (ja) | 検知装置、検知方法および検知プログラム | |
US20150154082A1 (en) | Provisioning memory in a memory system for mirroring | |
CN115964701A (zh) | 应用安全检测方法、装置、存储介质及电子设备 | |
CN107315962A (zh) | 一种嵌入式平台的可信处理模块 | |
WO2017107173A1 (en) | Technologies for automated application testing coverage and results evaluation | |
CN108829417B (zh) | 一种cpld的升级装置、方法、设备及存储介质 | |
US20130275113A1 (en) | Availability model generation device | |
CN115617411B (zh) | 电子设备数据处理方法、装置、电子设备和存储介质 | |
WO2023105586A1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20230236927A1 (en) | Anomaly detection on dynamic sensor data | |
CN115022002B (zh) | 验证方式确定方法、装置、存储介质和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |