CN109829479B - 一种用于传感器的分类器模型信息自动更新系统及传感器更换方法 - Google Patents
一种用于传感器的分类器模型信息自动更新系统及传感器更换方法 Download PDFInfo
- Publication number
- CN109829479B CN109829479B CN201910002191.8A CN201910002191A CN109829479B CN 109829479 B CN109829479 B CN 109829479B CN 201910002191 A CN201910002191 A CN 201910002191A CN 109829479 B CN109829479 B CN 109829479B
- Authority
- CN
- China
- Prior art keywords
- sensor
- signal
- signal processing
- processing module
- sensors
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000001360 synchronised effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种可自动更新传感器信息的系统,所述系统包括信号处理模块、两路相同的信号采集电路、显示模块和电源模块;所述信号处理模块负责常规检测识别和更换传感器进程中的信号处理,所述两路相同的信号采集电路均包括A/D转换模块、信号预处理模块和传感器插座阵列,其中两个A/D转换模块间有同步信号控制同步,所述传感器插座阵列可插拔多个传感器,传感器插入插座后,其引脚即可与信号采集电路输入端相连。本发明进一步的公开一种采用上述系统的传感器的更换方法。通过采用上述系统和方法可以省略测试新传感器和训练分类器模型的过程,使得非专业人士即可进行更换,简化了操作过程,节约了人力成本。
Description
技术领域
本发明涉及智能仪器仪表领域,尤其涉及一种用于智能仪器仪表传感器更换时的分类器自动更新系统及方法。
背景技术
具有智能识别功能的仪器仪表离不开传感器的使用。大部分的传感器存在使用寿命,而且由于工艺和材料的缺陷,同一型号传感器的不同个体的输出信号特征存在或多或少的不一致性,因此即使传感器的型号相同,其使用的分类器模型也不相同。若仅更换传感器,会直接影响智能设备的识别准确率。这导致了具有智能识别功能的仪器仪表在使用的传感器到达使用寿命后,不能简单的直接更换传感器,还要更新分类器模型。
以基于气体传感器的气体识别设备为例。在传感器更换前,所使用的传感器阵列会被放置在不同种类不同浓度的标准气体条件下,收集其输出信号;利用这些信号,通过某种模式识别算法的训练过程,计算得到一个分类器模型。这个模型里的参数与阵列内各传感器的性能直接相关。设备在使用时,根据当时的传感器输出信号,以及分类器模型,利用所采用的模式识别算法的检测过程,可以计算出设备所在环境的气体成分或浓度。若此类设备所使用的传感器达到了使用寿命,更换传感器的普遍做法有两种:
1)根据新传感器的输出信号,重新计算分类器模型。具体过程是,将新传感器放置在各种标准环境下,收集其输出信号,然后利用这些信号,通过某种模式识别算法的训练过程,计算得到一个分类器模型。然后用新模型替换掉设备中的原有模型,再用新传感器替换掉原有传感器。此方法费时费力,而且不是所有使用者都有条件建立实验环境,用于测试新传感器。另外,计算和替换分类器模型也需要具有软硬件基础的专业人士进行操作,增加了设备的使用成本和维护时间。如专利CN201310419648.8。
2)将传感器和与其信号特征相关的软硬件集成为一个模块,每个模块在出厂前均进行过上述训练过程。在设备需要更换传感器时,将整个模块一起更换。这样做的优点是速度快,容易操作;缺点是更换模块的成本远远高出单独更换传感器。如专利CN201620065296.X。或者将传感器厂家提供的信息人工输入系统,如CN104483457A。但如果系统同时使用了多种型号或多个厂家的设备,此类方法将无法解决传感器更换后的分类器模型更新问题。
发明内容
为了解决上述技术问题,本发明提出了一种用于传感器的分类器模型信息自动更新系统及传感器更换方法。
本发明的技术方案是这样实现的:
一种可自动更新传感器信息的系统,所述系统包括信号处理模块、两路相同的信号采集电路、显示模块和电源模块;所述信号处理模块负责常规检测识别和更换传感器进程中的信号处理,所述两路相同的信号采集电路均包括A/D转换模块、信号预处理模块和传感器插座阵列,其中两个A/D转换模块间有同步信号控制同步,两路信号采集电路的输出端分别与信号处理模块的两个输入端相连,所述传感器插座阵列可插拔多个传感器,传感器插入插座后,其引脚即可与信号采集电路输入端相连。
一种传感器更换方法,所述更换方法采用了上述可自动更新传感器信息的系统,包括以下步骤:
S1,更换前状态确认,更换前只有一个插座阵列上插有传感器,传感器输出信号经由采集电路输入到信号处理模块,信号处理模块利用模式识别算法的决策函数及事先存储的分类器模型,对该传感器信号进行自动识别,此时,另一路采集电路的输出信号为零;
S2,将新传感器插入另一个传感器插座阵列,当信号处理模块检测到两路信号采集电路都有输出时,系统开启更换传感器进程;
S3,假设输入信号处理模块的旧传感器信号为So,So={so1、so2、…},输入信号处理模块的新传感器信号为Sn,Sn={sn1、sn2、…},其中,soi和sni是两路信号采集模块在同一时间段ti分别采集的旧传感器和新传感器的输出序列,其采样频率相同;
S4,将原有分类器模型Mo和旧传感器数据So输入决策函数F,计算得到一组识别结果Ro,Ro={ro1、ro2、…},其中roi为决策函数F的输入为soi时判断为各标签的概率集合;
S5,根据分类器的训练过程,利用Sn和Ro训练分类器得到新分类器模型Mn;
S6,将新分类模型Mn和新传感器数据Sn输入决策函数F,计算得到一组识别结果Rn,Rn={rn1、rn2、…};
S7,计算Ro和Rn的差异度,公式为:
S8,如果差异值H小于系统设定的阈值,执行步骤S9;否则,将两组传感器同时使用时间延长ΔT,重复步骤S3~S7步,当两组传感器同时使用时间达到系统设定的上限时间时,如果差异值H小于系统设定的阈值,执行步骤S9;否则,执行步骤S10;
S9,在显示模块上输出“更换完成”提示信息,并开始使用新传感器输入数据,利用决策函数F和新分类器模型Mn进行常规检测识别;
S10,在显示模块上输出“更换失败”提示信息,并继续使用旧传感器或另换一新的传感器,重复步骤S1-S10。
本发明的有益效果在于:检测仪器在更换传感器时,由于同型号传感器具有个体性能差异,导致直接更换传感器后,自动识别的准确率降低。因此,在使用新传感器之前,需要专业人士在特定环境测试传感器,重新训练分类器模型,增加了用户负担,而本发明可以省略测试新传感器和训练分类器模型的过程,使得非专业人士即可进行更换,简化了操作过程,节约了人力成本。
附图说明
图1为本发明所述系统的结构框图。
图2本发明所述传感器更换方法的流程图。
具体实施方式
下面结合附图详述本发明具体实施方式:
如图1所示,一种可自动更新传感器信息的系统,其特征在于:所述系统包括信号处理模块、两路相同的信号采集电路、显示模块和电源模块;所述信号处理模块负责常规检测识别和更换传感器进程中的信号处理,所述两路相同的信号采集电路均包括A/D转换模块、信号预处理模块和传感器插座阵列,其中两个A/D转换模块间有同步信号控制同步,两路信号采集电路的输出端分别与信号处理模块的两个输入端相连,所述传感器插座阵列可插拔多个传感器,传感器插入插座后,其引脚即可与信号采集电路输入端相连。
如图2所示,一种传感器更换方法,所述更换方法采用了上述可自动更新传感器信息的系统,包括以下步骤:
S1,更换前状态确认,更换前只有一个插座阵列上插有传感器,传感器输出信号经由采集电路输入到信号处理模块,信号处理模块利用模式识别算法的决策函数及事先存储的分类器模型,对该传感器信号进行自动识别,此时,另一路采集电路的输出信号为零;
S2,将新传感器插入另一个传感器插座阵列,当信号处理模块检测到两路信号采集电路都有输出时,系统开启更换传感器进程;
S3,假设输入信号处理模块的旧传感器信号为So,So={so1、so2、…},输入信号处理模块的新传感器信号为Sn,Sn={sn1、sn2、…},其中,soi和sni是两路信号采集模块在同一时间段ti分别采集的旧传感器和新传感器的输出序列,其采样频率相同;
S4,将原有分类器模型Mo和旧传感器数据So输入决策函数F,计算得到一组识别结果Ro,Ro={ro1、ro2、…},其中roi为决策函数F的输入为soi时判断为各标签的概率集合;
S5,根据分类器的训练过程,利用Sn和Ro训练分类器得到新分类器模型Mn;
S6,将新分类模型Mn和新传感器数据Sn输入决策函数F,计算得到一组识别结果Rn,Rn={rn1、rn2、…};
S7,计算Ro和Rn的差异度,公式为:
S8,如果差异值H小于系统设定的阈值,执行步骤S9;否则,将两组传感器同时使用时间延长ΔT,重复步骤S3~S7步,当两组传感器同时使用时间达到系统设定的上限时间时,如果差异值H小于系统设定的阈值,执行步骤S9;否则,执行步骤S10;
S9,在显示模块上输出“更换完成”提示信息,并开始使用新传感器输入数据,利用决策函数F和新分类器模型Mn进行常规检测识别;
S10,在显示模块上输出“更换失败”提示信息,并继续使用旧传感器或另换一新的传感器,重复步骤S1-S10。
上述传感器更换步骤可以电子鼻为例做进一步说明,电子鼻使用了多种型号的气体传感器,可以进行气体成分或者气味的识别。然而,这些气体传感器存在短期和长期信号漂移,且易受环境干扰,使用寿命一般在半年至几年,需要定期更换。由于同一型号的气体传感器存在微观的个体差异,因此同一型号的气体传感器的信号特征不完全一样。要使用新传感器进行识别,必须在实验室环境配置各种成分或浓度的标准气体,然后将新传感器放置其中,在得到新传感器输出信号后,用其训练分类器模型,得到模型后用其替换电子鼻中原有的模型,这样才完成了传感器的更换。
采用本发明所述更换方法后,可首先设定参数,如T为1小时,ΔT为0.5小时,上限为24小时,阈值为0.2,将新传感器插在另一路的传感器插座阵列上,上新、旧传感器同时工作一个时间段T,待设备提示传感器更换完毕后,拔除旧传感器即可,如果设备提示更换失败,则继续使用旧传感器或再换另一个新的传感器,继续上述更换过程。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种可自动更新传感器信息的系统,其特征在于:所述系统包括信号处理模块、两路相同的信号采集电路、显示模块和电源模块;所述信号处理模块负责常规检测识别和更换传感器进程中的信号处理,所述两路相同的信号采集电路均包括A/D转换模块、信号预处理模块和传感器插座阵列,其中两个A/D转换模块间有同步信号控制同步,两路信号采集电路的输出端分别与信号处理模块的两个输入端相连,所述传感器插座阵列可插拔多个传感器,传感器插入插座后,其引脚即可与信号采集电路输入端相连;信号处理模块用于根据分类器模型的识别结果进行传感器更新的具体过程,包括以下步骤:
S1,更换前状态确认,更换前只有一个插座阵列上插有传感器,传感器输出信号经由采集电路输入到信号处理模块,信号处理模块利用模式识别算法的决策函数及事先存储的分类器模型,对该传感器信号进行自动识别,此时,另一路采集电路的输出信号为零;
S2,将新传感器插入另一个传感器插座阵列,当信号处理模块检测到两路信号采集电路都有输出时,系统开启更换传感器进程;
S3,假设输入信号处理模块的旧传感器信号为So,So={so1、so2、…},输入信号处理模块的新传感器信号为Sn,Sn={sn1、sn2、…},其中,soi和sni是两路信号采集模块在同一时间段ti分别采集的旧传感器和新传感器的输出序列,其采样频率相同;
S4,将原有分类器模型Mo和旧传感器数据So输入决策函数F,计算得到一组识别结果Ro,Ro={ro1、ro2、…},其中roi为决策函数F的输入为soi时判断为各标签的概率集合;
S5,根据分类器的训练过程,利用Sn和Ro训练分类器得到新分类器模型Mn;
S6,将新分类模型Mn和新传感器数据Sn输入决策函数F,计算得到一组识别结果Rn,Rn={rn1、rn2、…};
S7,计算Ro和Rn的差异度,公式为:
S8,如果差异值H小于系统设定的阈值,执行步骤S9;否则,将两组传感器同时使用时间延长ΔT,重复步骤S3~S7步,当两组传感器同时使用时间达到系统设定的上限时间时,如果差异值H小于系统设定的阈值,执行步骤S9;否则,执行步骤S10;
S9,在显示模块上输出“更换完成”提示信息,并开始使用新传感器输入数据,利用决策函数F和新分类器模型Mn进行常规检测识别;
S10,在显示模块上输出“更换失败”提示信息,并继续使用旧传感器或另换一新的传感器,重复步骤S1-S10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910002191.8A CN109829479B (zh) | 2019-01-02 | 2019-01-02 | 一种用于传感器的分类器模型信息自动更新系统及传感器更换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910002191.8A CN109829479B (zh) | 2019-01-02 | 2019-01-02 | 一种用于传感器的分类器模型信息自动更新系统及传感器更换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829479A CN109829479A (zh) | 2019-05-31 |
CN109829479B true CN109829479B (zh) | 2022-06-21 |
Family
ID=66861540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910002191.8A Active CN109829479B (zh) | 2019-01-02 | 2019-01-02 | 一种用于传感器的分类器模型信息自动更新系统及传感器更换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829479B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539474B (zh) * | 2020-04-23 | 2022-05-10 | 大连理工大学 | 一种分类器模型迁移学习方法 |
JP6935837B1 (ja) * | 2020-08-20 | 2021-09-15 | トヨタ自動車株式会社 | 機械学習装置及び機械学習システム |
JP7010343B1 (ja) * | 2020-08-20 | 2022-01-26 | トヨタ自動車株式会社 | 機械学習装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017117234A1 (en) * | 2016-01-03 | 2017-07-06 | Gracenote, Inc. | Responding to remote media classification queries using classifier models and context parameters |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3644821A1 (de) * | 1986-12-31 | 1988-11-17 | Gyulai Maria Dobosne | Anordnung und verfahren fuer den einbau und den austausch von sensoren in geraeten aller art |
US20080202586A1 (en) * | 2007-02-21 | 2008-08-28 | Togare Radhakrishna Shesha Iye | Automatic wireless liquid/water level controller |
CN103630575A (zh) * | 2013-12-05 | 2014-03-12 | 大连理工大学 | 一种多电极组合式集成气体传感器 |
CN205374363U (zh) * | 2016-01-21 | 2016-07-06 | 深圳万讯自控股份有限公司 | 一种智能有毒气体传感器模块 |
CN106053551A (zh) * | 2016-07-31 | 2016-10-26 | 河北工业大学 | 一种多通道多型号传感器性能测试系统 |
-
2019
- 2019-01-02 CN CN201910002191.8A patent/CN109829479B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017117234A1 (en) * | 2016-01-03 | 2017-07-06 | Gracenote, Inc. | Responding to remote media classification queries using classifier models and context parameters |
Also Published As
Publication number | Publication date |
---|---|
CN109829479A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829479B (zh) | 一种用于传感器的分类器模型信息自动更新系统及传感器更换方法 | |
US12020415B2 (en) | Method for monitoring manufacture of assembly units | |
CN109085469A (zh) | 一种用于识别电缆局部放电信号的信号类型的方法及系统 | |
CN109241997B (zh) | 一种生成训练集的方法及装置 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN112037222B (zh) | 一种神经网络模型的自动更新方法及系统 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN116610092A (zh) | 用于车辆分析的方法和系统 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
CN110059126B (zh) | 基于lkj异常值数据的复杂关联网络分析方法及系统 | |
CN114861522A (zh) | 一种基于人工智能元学习技术的精密制造质量监测方法和装置 | |
JP2021111279A (ja) | ラベルノイズ検出プログラム、ラベルノイズ検出方法及びラベルノイズ検出装置 | |
TW202213191A (zh) | 錯誤因素之推定裝置及推定方法 | |
CN117033209A (zh) | Ai模型训练方法、bios测试方法、装置、设备及存储介质 | |
US20230169401A1 (en) | Learning data generation system, learning data generation method, and non-transitory computer readable medium | |
CN111539474B (zh) | 一种分类器模型迁移学习方法 | |
CN116089812A (zh) | 基于半监督对抗域泛化智能模型的故障诊断方法 | |
CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
CN115525535A (zh) | 一种基于多协议辨识和自测试的电能表功能检测方法 | |
CN111400644B (zh) | 一种用于实验室分析样品的计算处理方法 | |
CN110146120B (zh) | 一种传感器故障诊断方法及系统 | |
CN113447877A (zh) | 一种电流测量分流器上位机校准系统及方法 | |
CN111191638A (zh) | 一种因果模型的人脸信息与体温信息检测方法及系统 | |
CN112632468A (zh) | 一种基于集成算法和企业用电数据的gdp预测方法 |
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 |