CN109978055B - 多传感器系统的信息融合方法及系统、计算机设备及介质 - Google Patents

多传感器系统的信息融合方法及系统、计算机设备及介质 Download PDF

Info

Publication number
CN109978055B
CN109978055B CN201910231864.7A CN201910231864A CN109978055B CN 109978055 B CN109978055 B CN 109978055B CN 201910231864 A CN201910231864 A CN 201910231864A CN 109978055 B CN109978055 B CN 109978055B
Authority
CN
China
Prior art keywords
time window
target sensor
current time
window
information fusion
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
Application number
CN201910231864.7A
Other languages
English (en)
Other versions
CN109978055A (zh
Inventor
张亚男
高晓娟
石巍
郭宝磊
王耀东
吴昊
张晓萍
谢晓波
孙兴盼
郑仰利
印思琪
姜永强
周震国
楊党
李亦哲
吴瀚
毛先峰
许梦兴
樊斌
孙宏轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Beijing BOE Optoelectronics Technology Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Beijing BOE Optoelectronics Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd, Beijing BOE Optoelectronics Technology Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201910231864.7A priority Critical patent/CN109978055B/zh
Publication of CN109978055A publication Critical patent/CN109978055A/zh
Application granted granted Critical
Publication of CN109978055B publication Critical patent/CN109978055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Human Computer Interaction (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Emergency Alarm Devices (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开一种多传感器系统的信息融合方法及系统、计算机设备及介质。该方法的一具体实施方式包括：将信号时间长度划分为多个时间窗口，获取当前时间窗口的目标传感器；将当前时间窗口划分为至少两个子窗口，并根据目标传感器在当前时间窗口内各时刻的观测残差统计特性值的和值与窗口预设卡方分布阈值判断目标传感器在当前时间窗口内是否发生故障：若是，则依据子窗口的时序依次根据子窗口内和值与对应子窗口预设卡方分布阈值故障所在的子窗口，并根据该子窗口内各时刻的特性值与时间预设卡方分布阈值逐时刻判断发生故障的时刻；根据目标传感器在当前时间窗口内的故障情况获取目标传感器在当前时间窗口结束时刻的信息融合结果。

Description

多传感器系统的信息融合方法及系统、计算机设备及介质
技术领域
本发明涉及传感器信息处理领域。更具体地，涉及一种多传感器系统的信息融合方法及系统、计算机设备及介质。
背景技术
AR/VR(Augmented Reality/Virtual Reality，增强现实/虚拟现实)系统、医疗健康传感器智慧系统、目标追踪系统、图像视频检索系统等复杂系统都属于多传感器系统，而各类多传感器系统在将各个传感器采集到的信息进行融合处理时需要采用信息融合技术完成。目前，多传感器系统的信息融合技术成为研究的热点，非线性状态估计的方法与多传感器系统的信息融合技术结合度越来越高。多传感器系统的信息融合可充分利用多个传感器的有效资源，将多源信息按照某种规则进行分析、重组和综合，从而达成一致性决策效果。
在多传感器系统的的信息融合实现过程中，信息传递的可靠性对系统的正常运转尤为重要。现有的信息多传感器系统的信息融合方法通常基于逐点检测驱动或单层检测驱动，状态估计精度较低，漏检率和虚警率较高，无法适应多传感器系统的复杂化、大型化的发展趋势。
因此，需要提供一种新的多传感器系统的信息融合方法及系统、计算机设备及介质。
发明内容
本发明的目的在于提供一种多传感器系统的信息融合方法及系统、计算机设备及介质，以解决现有技术存在的问题中的至少一个。
为达到上述目的，本发明采用下述技术方案：
本发明第一方面提供了一种多传感器系统的信息融合方法，包括：
将信号时间长度划分为多个时间窗口，并获取多传感器系统中在当前时间窗口待进行信息融合的目标传感器；
将当前时间窗口划分为至少两个子窗口，并根据所述目标传感器在当前时间窗口内各时刻的观测残差统计特性值的和值与窗口预设卡方分布阈值的大小关系判断所述目标传感器在当前时间窗口内是否发生故障或虚警：
若是，则依据子窗口的时序依次根据子窗口内各时刻的观测残差统计特性值的和值与对应子窗口预设卡方分布阈值的大小关系判断所述目标传感器发生的故障或虚警所在的子窗口，并根据该子窗口内各时刻的观测残差统计特性值与时间预设卡方分布阈值的大小关系逐时刻判断发生故障的时刻及是否仅存在虚警，得到所述目标传感器在当前时间窗口内的故障情况；
根据所述目标传感器在当前时间窗口内的故障情况，获取所述目标传感器在当前时间窗口结束时刻的信息融合结果。
本发明第一方面提供的多传感器系统的信息融合方法，在判断故障情况时通过划分时间窗口并进一步划分子窗口进行多层检测事件驱动，具有状态估计精度高、漏检率及虚警率低等优点，可避免系统网络通讯率下降对信息融合时系统状态估计精度的影响。可满足多传感器系统在复杂化、大型化的发展趋势下对于精度及效率的要求，具有较高的有效性及可行性，可广泛应用于AR/VR系统、医疗健康传感器智慧系统、目标追踪系统、图像视频检索系统等多传感器系统。
可选地，所述将当前时间窗口划分为至少两个子窗口进一步包括：将当前时间窗口划分为两个等长度的子窗口。
可选地，所述根据所述目标传感器在当前时间窗口内的故障情况，获取所述目标传感器在当前时间窗口结束时刻的信息融合结果进一步包括：
根据所述目标传感器在当前时间窗口内各时刻是否发生故障获取所述目标传感器在当前时间窗口内各时刻的卡尔曼增益值；
根据所述目标传感器在当前时间窗口内各时刻的卡尔曼增益值计算所述目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差，得到所述目标传感器在当前时间窗口结束时刻的信息融合结果。
可选地，所述根据所述目标传感器在当前时间窗口内各时刻是否发生故障获取所述目标传感器在当前时间窗口内各时刻的卡尔曼增益值进一步包括：
将所述目标传感器在当前时间窗口内发生故障的时刻的卡尔曼增益值设置为零。
可选地，所述根据所述目标传感器在当前时间窗口内各时刻的卡尔曼增益值计算所述目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差进一步包括：
以目标传感器的采样速率由大到小的顺序，依次根据目标传感器在当前时间窗口内各时刻的卡尔曼增益值计算所述目标传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差，得到所述目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差，其中，以当前计算得到的目标传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差作为下一次计算目标传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差时的初值。
可选地，该方法还包括：获取下一时间窗口待进行信息融合的目标传感器，获取所述目标传感器在下一时间窗口结束时刻的信息融合结果，直至获取最后一个时间窗口的待进行信息融合的目标传感器在该时间窗口结束时刻的信息融合结果。
可选地，所述获取下一时间窗口待进行信息融合的目标传感器，获取所述目标传感器在下一时间窗口结束时刻的信息融合结果进一步包括：
以所述目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差作为计算下一时间窗口的目标传感器在下一时间窗口结束时刻的状态估计均值和估计误差协方差时的初值。
本发明第二方面提供了一种执行本发明第一方面提供的方法的多传感器系统的信息融合系统，其特征在于，包括：
时间窗口划分模块，用于将信号时间长度划分为多个时间窗口；
目标传感器获取模块，用于获取多传感器系统中在当前时间窗口待进行信息融合的目标传感器；
子窗口划分模块，用于将当前时间窗口划分为至少两个子窗口；
故障情况判断模块，用于根据所述目标传感器在当前时间窗口内各时刻的观测残差统计特性值的和值与窗口预设卡方分布阈值的大小关系判断所述目标传感器在当前时间窗口内是否发生故障或虚警：若是，则依据子窗口的时序依次根据子窗口内各时刻的观测残差统计特性值的和值与对应子窗口预设卡方分布阈值的大小关系判断所述目标传感器发生的故障或虚警所在的子窗口，并根据该子窗口内各时刻的观测残差统计特性值与时间预设卡方分布阈值的大小关系逐时刻判断发生故障的时刻及是否仅存在虚警，得到所述目标传感器在当前时间窗口内的故障情况；和
信息融合模块，用于根据所述目标传感器在当前时间窗口内的故障情况，获取所述目标传感器在当前时间窗口结束时刻的信息融合结果。
本发明第三方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明第一方面提供的方法。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面提供的方法。
本发明的有益效果如下：
本发明所述技术方案相比于现有的基于逐点检测驱动或单层检测驱动的多传感器系统的信息融合方法，具有状态估计精度高、漏检率及虚警率低等优点，可满足多传感器系统在复杂化、大型化的发展趋势下对于精度及效率的要求，可广泛应用于AR/VR系统、医疗健康传感器智慧系统、目标追踪系统、图像视频检索系统等多传感器系统。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出本发明实施例提供的多传感器系统的信息融合方法的流程图。
图2示出多传感器系统采样示意图。
图3示出在通讯率设置为99％的情况下，蒙特卡罗仿真实验中六种信息融合方法对于第一维状态(浓度)的估计效果对比图。
图4示出在通讯率设置为99％的情况下，蒙特卡罗仿真实验中六种信息融合方法对于第二维状态(温度)的估计效果对比图。
图5示出在通讯率设置为99％的情况下，蒙特卡罗仿真实验中四种信息融合方法检测出来的故障数与真实故障数的对比图。
图6示出在通讯率设置为95％的情况下，蒙特卡罗仿真实验中六种信息融合方法对于第一维状态(浓度)的估计效果对比图。
图7示出在通讯率设置为95％的情况下，蒙特卡罗仿真实验中六种信息融合方法对于第二维状态(温度)的估计效果对比图。
图8示出在通讯率设置为95％的情况下，蒙特卡罗仿真实验中四种信息融合方法检测出来的故障数与真实故障数的对比图。
图9示出在通讯率设置为90％的情况下，蒙特卡罗仿真实验中六种信息融合方法对于第一维状态(浓度)的估计效果对比图。
图10示出在通讯率设置为90％的情况下，蒙特卡罗仿真实验中六种信息融合方法对于第二维状态(温度)的估计效果对比图。
图11示出在通讯率设置为90％的情况下，蒙特卡罗仿真实验中四种信息融合方法检测出来的故障数与真实故障数的对比图。
图12示出在通讯率设置为95％的情况下，蒙特卡罗仿真实验中本发明实施例提供的多传感器系统的信息融合方法对于第一维状态(浓度)在设置不同阈值的情况下的估计效果对比图。
图13示出在通讯率设置为95％的情况下，蒙特卡罗仿真实验中本发明实施例提供的多传感器系统的信息融合方法对于第二维状态(温度)在设置不同阈值的情况下的估计效果对比图。
图14示出在通讯率设置为95％的情况下，蒙特卡罗仿真实验中本发明实施例提供的多传感器系统的信息融合方法在设置不同阈值的情况下检测出来的故障数与真实故障数的对比图。
图15示出本发明实施例提供的多传感器系统的信息融合系统的示意图。
图16示出本发明实施例提供的计算机系统的结构示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明的一个实施例提供了一种多传感器系统的信息融合方法，包括：
将信号时间长度划分为多个时间窗口，并获取多传感器系统中在当前时间窗口待进行信息融合的目标传感器；在一个具体示例中，将信号时间长度等分为多个时间窗口；
将当前时间窗口划分为至少两个子窗口，并根据目标传感器在当前时间窗口内各时刻的观测残差统计特性值的和值与窗口预设卡方分布阈值的大小关系判断目标传感器在当前时间窗口内是否发生故障或虚警：
若是，则依据子窗口的时序依次根据子窗口内各时刻的观测残差统计特性值的和值与对应子窗口预设卡方分布阈值的大小关系判断目标传感器发生的故障或虚警所在的子窗口，并根据该子窗口内各时刻的观测残差统计特性值与时间预设卡方分布阈值的大小关系逐时刻判断发生故障的时刻及是否仅存在虚警，得到目标传感器在当前时间窗口内的故障情况；
根据目标传感器在当前时间窗口内的故障情况，获取目标传感器在当前时间窗口结束时刻的信息融合结果。
可理解的是，若根据目标传感器在当前时间窗口内各时刻的观测残差统计特性值的和值与窗口预设卡方分布阈值的大小关系判断目标传感器在当前时间窗口内是否发生故障或虚警的结果为否，即判断目标传感器在当前时间窗口内不存在故障或虚警的情况下，直接转入下一步“获取目标传感器在当前时间窗口结束时刻的信息融合结果”，或者说，根据目标传感器在当前时间窗口内不存在故障的情况获取目标传感器在当前时间窗口结束时刻的信息融合结果。
本实施例提供的多传感器系统的信息融合方法，在判断故障情况时通过划分时间窗口并进一步划分子窗口进行多层检测事件驱动，具有状态估计精度高、漏检率及虚警率低等优点，可避免系统网络通讯率下降(例如信息传输中出现丢包或者故障信息的传递)对信息融合时系统状态估计精度的影响。可满足多传感器系统在复杂化、大型化的发展趋势下对于精度及效率的要求，具有较高的有效性及可行性，可广泛应用于AR/VR系统、医疗健康传感器智慧系统、目标追踪系统、图像视频检索系统等多传感器系统。
在本实施例的一些可选的实现方式中，将当前时间窗口划分为至少两个子窗口进一步包括：将当前时间窗口划分为两个等长度的子窗口。
在本实施例的一些可选的实现方式中，根据目标传感器在当前时间窗口内的故障情况，获取目标传感器在当前时间窗口结束时刻的信息融合结果进一步包括：
根据目标传感器在当前时间窗口内各时刻是否发生故障获取目标传感器在当前时间窗口内各时刻的卡尔曼增益值；
根据目标传感器在当前时间窗口内各时刻的卡尔曼增益值计算目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差，得到目标传感器在当前时间窗口结束时刻的信息融合结果。
在本实施例的一些可选的实现方式中，根据目标传感器在当前时间窗口内各时刻是否发生故障获取目标传感器在当前时间窗口内各时刻的卡尔曼增益值进一步包括：
将目标传感器在当前时间窗口内发生故障的时刻的卡尔曼增益值设置为零。
在本实施例的一些可选的实现方式中，根据目标传感器在当前时间窗口内各时刻的卡尔曼增益值计算目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差进一步包括：
以目标传感器的采样速率由大到小的顺序，依次根据目标传感器在当前时间窗口内各时刻的卡尔曼增益值计算目标传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差，得到目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差，其中，以当前计算得到的目标传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差作为下一次计算目标传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差时的初值。
在本实施例的一些可选的实现方式中，该方法还包括：获取下一时间窗口待进行信息融合的目标传感器，获取目标传感器在下一时间窗口结束时刻的信息融合结果，直至获取最后一个时间窗口的待进行信息融合的目标传感器在该时间窗口结束时刻的信息融合结果。
在本实施例的一些可选的实现方式中，获取下一时间窗口待进行信息融合的目标传感器，获取目标传感器在下一时间窗口结束时刻的信息融合结果进一步包括：
以目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差作为计算下一时间窗口的目标传感器在下一时间窗口结束时刻的状态估计均值和估计误差协方差时的初值。
下面以一个具体示例对本实施例提供的多传感器系统的信息融合方法的流程作出具体说明。
多传感器系统的信息融合方法基于的数学模型如下：
状态方程：x(k+1)＝A(k)x(k)+w(k)；
观测方程：yi(ki)＝γi(k)[Ci(ki)xi(ki)]+vi(ki)，i＝1,2,…,N；
其中，N表示多传感器系统所包含的传感器个数，x(k)表示k时刻x的状态值，A(k)表示是系统状态转移矩阵，w(k)表示k时刻的系统噪声，yi(ki)表示第i个传感器在自身所属的k时刻的观测值，vi(ki)表示第i个传感器在自身所属的k时刻的观测噪声，系统噪声和观测噪声都是零均值高斯白噪声。γi(k)表示事件驱动模型变量，取值0或1，其满足伯努利分布，期望为
Figure BDA0002006975740000071
可通过此变量调节事件驱动的通讯率。
本示例中多传感器系统及信息融合方法的参数设置如下：设置信号时间长度L，信号时间长度等分为B个窗口，窗口长度为W＝L/B，时间变量为k，子窗口划分方式为将各时间窗口划分为两个等长度的子窗口，例如第b个窗口划分为第一个子窗口[(b-1)W+1,(b-0.5)W]和第二个子窗口[(b-0.5)W+1,bW]，b＝1,2,…,B，需要说明的是，本发明对子窗口的划分方式(包括子窗口个数及个子窗口长度是否一致等方面)不做具体的限定，以上划分为两个等长度的子窗口仅是示例性的。系统状态的维数为n，观测维数为m，，第i个传感器的采样率为Si，第i个传感器的采样比ni＝S1/Si，ni为正整数，初始状态为x0，初始状态误差方差为P0；在时刻k，假设有p+1个传感器满足取余函数
Figure BDA0002006975740000081
其中p＝0,1,…,N-1,即k时刻有p+1个传感器进行信息融合。本示例中多传感器系统包括两个传感器，分别为第一传感器和第二传感器，假定第一传感器的采样速率较快快，该传感器首先进行工作，其采样比设为W'。示例性的，如图2所示，传感器1的采样比即为1，传感器2的采样比即为10。
本示例中，基于多层检测事件驱动的多传感器系统的信息融合方法的具体流程如下：
步骤S1、计算第一传感器在当前时间窗口内各时刻的状态估计均值和估计误差协方差：
使用容积卡尔曼滤波(CKF)算法计算第一传感器在第b个窗口内各时刻的状态估计均值
Figure BDA0002006975740000082
以及估计误差协方差
Figure BDA0002006975740000083
其中，b＝1,2,…,B；计算公式如下：
①当p＝0时，即单传感器情况下，使用CKF算法计算第一传感器在第b个窗口内各时刻的状态估计均值
Figure BDA0002006975740000084
以及估计误差协方差
Figure BDA0002006975740000085
的公式如下：
Figure BDA0002006975740000086
Figure BDA0002006975740000087
Figure BDA0002006975740000088
其中，KN(k)为卡尔曼增益值，若在k时刻第一传感器出现观测故障，则设置该k时刻的卡尔曼增益KN(k)＝0，此时，状态估计均值以及估计误差协方差更新公式变为：
Figure BDA0002006975740000089
②当p＝0,1,…,N-1时，即多传感器信息融合情况下，使用CKF算法计算第一传感器在第b个窗口内各时刻的状态估计均值
Figure BDA00020069757400000810
以及估计误差协方差
Figure BDA00020069757400000811
的公式如下：
Figure BDA0002006975740000091
Figure BDA0002006975740000092
Figure BDA0002006975740000093
其中，
Figure BDA0002006975740000094
表示观测方差，
Figure BDA0002006975740000095
表示协方差，分别通过CKF算法计算得到。若在k时刻第一传感器出现观测故障，则设置该k时刻的卡尔曼增益
Figure BDA0002006975740000096
此时，状态估计均值以及估计误差协方差更新公式变为：
Figure BDA0002006975740000097
步骤S2、计算第一传感器在当前时间窗口内各时刻的观测残差统计特性值及第一传感器在当前时间窗口内各时刻的观测残差统计特性值的和值：
利用如下公式计算第一传感器在第b个时间窗口[(b-1)W+1,bW]内各时刻的观测残差统计特性值ρ(k),k∈[(b-1)W+1，bW]及第b个时间窗口[(b-1)W+1,bW]内各时刻的观测残差统计特性值的和值βb(bW)：
Figure BDA0002006975740000098
Figure BDA0002006975740000099
Figure BDA00020069757400000910
其中，利用上述公式还可计算得到第一个子窗口[(b-1)W+1,(b-0.5)W]内各时刻的观测残差统计特性值的和值βb((b-0.5)W)，(b-0.5)W时刻是第b个时间窗口的中间时刻。观测残差
Figure BDA00020069757400000911
满足高斯分布，并且具有0均值和协方差S(k)，
Figure BDA00020069757400000912
表示CKF算法中第一传感器在k时刻观测的一步预测值。在置信度设置为α时，统计特性值ρ(k)服从自由度为m的卡方分布(m为观测维数)，βb(k)服从自由度为mW的卡方分布；根据窗口长度W，可查找卡方分布表分别确定时间预设卡方分布阈值
Figure BDA00020069757400000913
及窗口预设卡方分布阈值
Figure BDA00020069757400000914
本示例中，使用βb(k)作为判断第一传感器在第b个时间窗口内是否发生故障或虚警的判断依据，在锁定了存在故障的时间窗口后，可依据存在故障的时间窗口内各时刻的观测残差统计特性值ρ(k)判定观测是否出现故障及锁定出现故障的具体时刻。另外，本示例中，可通过调整置信度的百分比，对各预设卡方分布阈值进行调节，进而通过对各预设卡方分布阈值的调节来改善基于多层检测事件驱动的多传感器系统的信息融合方法的虚警率、漏检率以及估计精度。
步骤S3、获取第一传感器在当前时间窗口内故障情况，计算第一传感器在当前时间窗口内各时刻的状态估计均值和估计误差协方差，得到第一传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差：
为便于说明，下面以条件判断的描述方式说明获取第一传感器在第b个时间窗口内故障情况，并计算第一传感器在第b个时间窗口结束时刻的状态估计均值和估计误差协方差的流程：
步骤S3.1、在第b个时间窗口[(b-1)W+1,bW]窗口内，首先判断
Figure BDA0002006975740000101
是否满足：若是，则设置flag1(b)＝1；若否，则设置flag1(b)＝0。flag1(b)＝1表示第一传感器在第b个时间窗口内存在故障或虚警，虚警表示某时刻实际并未发生故障，但被误判为故障；flag1(b)＝0表示第一传感器在第b个时间窗口内未检测到故障或虚警：
Figure BDA0002006975740000102
步骤S3.2、若flag1(b)＝1，则在第一个子窗口[(b-1)W+1,(b-0.5)W]内，再次判断
Figure BDA0002006975740000103
是否满足：若是，则设置flag2(b)＝1；若否，则设置flag2(b)＝0。其中，由于本示例中将第b个窗口以其中间时刻等分为第一个子窗口[(b-1)W+1,(b-0.5)W]和第二个子窗口[(b-0.5)W+1,bW]，因此对应第一个子窗口[(b-1)W+1,(b-0.5)W]的预设卡方分布阈值为
Figure BDA0002006975740000104
flag2(b)＝1表示第一传感器在第一个子窗口[(b-1)W+1,(b-0.5)W]内存在故障或虚警，此时设F＝(b-1)W+1；flag2(b)＝0表示第一传感器在第一个子窗口内未检测到故障或虚警，则第一传感器在第b个窗口内存在的故障或虚警必然在第二个子窗口[(b-0.5)W+1,bW]内，此时设F＝(b-0.5)W+1：
Figure BDA0002006975740000105
Figure BDA0002006975740000106
步骤S3.3、在[F，bW]的区间内，使用逐时刻(或者说逐点)检测事件驱动方法从检测起点F时刻开始逐时刻检测故障，若首次出现
Figure BDA0002006975740000107
结束逐时刻检测，记录首次出现
Figure BDA0002006975740000108
的时刻为J并设置flag3(b)＝1；若[F，bW]的区间内各时刻都满足
Figure BDA0002006975740000109
则说明第一传感器在第b个时间窗口内仅存在虚警，设置flag3(b)＝0：
Figure BDA0002006975740000111
步骤S3.4、根据第一传感器在当前时间窗口内故障情况，计算第一传感器在当前时间窗口内各时刻的状态估计均值和估计误差协方差，得到第一传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差：
若flag2(b)＝0或者经过步骤S3.3判定第一传感器在第b个时间窗口内仅存在虚警，则认为第一传感器在第b个时间窗口内未检测出故障，那么第一传感器在第b个时间窗口内各时刻的状态估计均值和估计误差协方差可以直接选取步骤S1计算得到的值。否则，当flag1(b)＝1且flag3(b)＝1成立时，第一传感器在第b个时间窗口内各时刻的状态估计均值和估计误差协方差按照如下方式计算：
(1)[(b-1)W+1,J]是首次出现的故障时刻之前的区间，第一传感器在[(b-1)W+1,J]区间内各时刻的状态估计均值和估计误差协方差可以直接选取步骤S1计算得到的值；
(2)k＝J，J是首次出现的故障时刻，设J时刻CKF算法中的卡尔曼增益为零，通过CKF算法计算得到第一传感器在J时刻的状态估计均值和估计误差协方差；
(3)[J,bW]是首次出现的故障时刻J之后的区间，重新使用类似步骤S3.3的逐时刻检测事件驱动方法进行该区间内的事件驱动检测，并参照上述(1)和(2)的方式进行状态估计均值和估计误差协方差的计算。
最终得到第一传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差。
步骤S4、获取目标传感器在当前时间窗口结束时刻的信息融合结果：
第一传感器在第b个时间窗口结束时刻bW的状态估计均值和估计误差协方差分别更新为
Figure BDA0002006975740000112
和
Figure BDA0002006975740000113
在第b个时间窗口结束时刻bW，进行第一传感器和第二传感器的信息融合，将第一传感器在第b个时间窗口结束时刻bW的状态估计均值和估计误差协方差作为计算在当前时间窗口结束时刻的状态估计均值和估计误差协方差时的初值，即：
Figure BDA0002006975740000114
Figure BDA0002006975740000115
运行CKF算法(A(k)＝0，即在该时刻不进行状态转移，只做观测更新)，采用“逐点检测事件驱动方法”进行故障的检测和状态估计，得到第一传感器和第二传感器进行信息融合之后的状态估计均值和估计误差协方差：
Figure BDA0002006975740000121
Figure BDA0002006975740000122
之后，将第一传感器和第二传感器融合之后的状态估计均值和估计误差协方差作为第b个时间窗口结束时刻bW的最终更新值，并作为第b+1个时间窗口的初始时刻bW+1的CKF算法的初值，即
Figure BDA0002006975740000123
进行第b+1个时间窗口的基于多层检测事件驱动的多传感器系统的信息融合。
重复上述步骤直到最后一个时间窗口的基于多层检测事件驱动的多传感器系统的信息融合执行完毕。
下面通过进行蒙特卡罗仿真实验将本实施例提供的基于多层检测事件驱动的多传感器系统的信息融合方法与现有的其他对照算法进行对比说明。
(1)关于其他对照算法的说明：
①未带检测事件驱动方法
保持原有观测信息，不做检测事件驱动处理，使用CKF算法进行状态估计均值和估计误差协方差的更新(由于观测信息可能存在错误，所以当通讯率下降时，该方法状态估计效果最差)。
②逐点检测事件驱动方法
不划分时间窗口，每一时刻都利用残差统计特性ρ(k)进行故障的排除，当出现检测故障时，将故障时刻的CKF算法中的卡尔曼增益设置为零，逐点进行状态估计均值以及估计误差协方差的更新。
③单层检测事件驱动方法
划分时间窗口，首先使用βb(bW)判定时间窗口是否出现观测故障，锁定故障窗口后，再使用逐点检测事件驱动方法进行具体故障时刻的锁定。
④多层检测事件驱动方法(本实施例所包含的未涉及信息融合部分的算法)
设置时间窗口，首先使用βb(bW)判定时间窗口是否出现观测故障，锁定故障窗口后，继续使用βb((b-0.5)W)缩小该时间窗口内故障范围，然后再使用逐点检测事件驱动方法进行具体故障时刻的锁定。
⑤理想检测事件驱动方法
假定出现的观测故障都可以识别，并且将故障时刻的CKF算法中的卡尔曼增益设置为零，进行状态估计均值以及估计误差协方差的更新。
(2)关于蒙特卡罗仿真实验的说明：
①该实验对一个化工过程(非等温连续搅拌反应釜反应器(CSTR))的二维状态(浓度和温度)进行状态跟踪，采用时间间隔Δt离散化该模型，模型如下：
状态方程：
Figure BDA0002006975740000131
Figure BDA0002006975740000132
观测方程：yk＝[CA,k Tk]T
其中，该模型是用于模拟基于时间函数的反应器内温度和浓度的反应，因此，状态变量xk＝yk＝[CA,k Tk]T，系统噪声和观测噪声认为是零均值的高斯白噪声，系统噪声和观测噪声为Q＝R＝diag{10-3,10-3}。初始状态和相应的估计误差方差分别为x0＝[1 260]T和P0＝diag{0.01 0.01}。w是系统噪声。为了获得连续搅拌反应釜反应过程的动态数据，系统的输入选择为进出反应器的流速，即uk＝Fk。控制信号uk是方波信号，它的幅值是0到1.2，周期为100。A和B代表两种化合物，CA和CB分别代表“A”和“B”的浓度，假定CB(t)＝2CA(t)。假定反应器的容积是常数，且反应器的特性保持不变。k0表示反应速率常数，E表示活化能，T表示反应器内的温度，F是进出反应器的流速，V是反应器的容量，CAi和CA是“A”进入和流出反器的浓度，CB是“B”流出反应器的浓度，Ti和T是进入和流出反应器的温度，Tj是冷却液的浓度，ΔH是反应热，U是总传热系数，ρ和cp是产品的浓度和热容。用于离散化模型的采样时间为1s，其他物理特性参数见表1。
表1 CSTR模型的参数取值
Figure BDA0002006975740000133
为了评估状态估计效果，引入均方根误差(RMSE)和平均时间的均方根误差(TARMSE)，它们是衡量该方法对状态估计效果的衡量指标，其值越小，说明估计效果越好，
Figure BDA0002006975740000141
其中，T表示蒙特卡罗仿真信号的长度，M表示蒙特卡罗仿真的次数，x(k)表示k时刻真实的状态值，
Figure BDA0002006975740000142
是第l*次蒙特卡罗仿真的k时刻得到的状态估计值。
②本此实验设置的两组对比试验：
两组实验分别进行100次蒙特卡罗仿真，仿真步长都为1000，窗口长度设置为10，两个传感器进行信息融合，采样比为10。
第一组实验：设置三种不同的通讯率(99％、95％、90％)，以不同的事件驱动方法驱动，观察状态估计精度、虚警率、漏检率。本实施例提供的基于多层检测事件驱动的多传感器系统的信息融合方法在图中表示为多层检测事件驱动信息融合算法，其他对照算法包括：未带检测事件驱动方法、逐点检测事件驱动方法、单层检测事件驱动方法、多层检测事件驱动方法和理想检测事件驱动方法。
第二组实验：第二组实验是在本实施例提供的基于多层检测事件驱动的多传感器系统的信息融合方法的基础上，调整故障判定阈值(及各卡方分布阈值)，分别设置为标准阈值的1％、5％和50％，可观察得到调节故障判定阈值对虚警率、漏检率和状态估计精度的影响。计算说明(以表5为例)：检测故障数：平均每次蒙特卡罗仿真检测出来的故障数；漏检数l1：平均每次蒙特卡罗仿真漏检的个数；虚警数l2：平均每次蒙特卡罗仿真虚警的个数；漏检率r1：平均漏检率；虚警率r2：平均虚警率。假定M次蒙特卡罗仿真总真实故障数是D，总漏检故障数为L1，总虚警数为L2，计算公式如下：l1＝L1/M，l2＝L2/M，r1＝L1/D，r2＝L2/D。图示说明(以图5为例)：图5分为四行，每行对应一种算法检出故障数(故障发生的时刻被标记为1，未被检测出标记为0)，实线为该算法检测出的真实故障点的时刻，虚线为该算法漏检的时刻或该算法发生虚警的时刻。其中，图5记录的是100次蒙特卡罗仿真其中一次的结果，可看出，多层检测事件驱动方法的漏检率低。
实验结果如下：
参照表2-7和图3-11，第一组实验结果如下：
①通讯率从99％、95％、90％逐渐下降时，本实施例提供的基于多层检测事件驱动的多传感器系统的信息融合方法的估计精度并未因此而大幅下降，且估计精度最接近理想检测事件驱动方法，估计精度最高，很好的解决了通讯率和估计精度之间的矛盾。(除理想检测事件驱动方法外，表2-4显示了本实施例提供的基于多层检测事件驱动的多传感器系统的信息融合方法的TARMSE值最小，图3、4、6、7、9和10显示了本实施例提供的基于多层检测事件驱动的多传感器系统的信息融合方法的RMSE曲线最低)。
②通讯率从99％、95％、90％逐渐下降时，本实施例提供的基于多层检测事件驱动的多传感器系统的信息融合方法的虚警率最低(虚警越低，状态估计精度越高)，漏检率低(对于该模型为0)。实验结果见表5-7，图5、8和11。
参照表8-9和图12-14，第二组实验结果如下：
通讯率固定在95％，调节本实施例提供的基于多层检测事件驱动的多传感器系统的信息融合方法的故障判定阈值，当阈值从标准阈值的50％—5％——1％逐渐降低时，本实施例提供的基于多层检测事件驱动的多传感器系统的信息融合方法的估计精度逐渐提高(实验结果见表8，图12和13)，虚警率逐渐降低，漏检率低(对于该模型为0，实验结果见表9，图14)。
综上，通过实验证明，本实施例提供的基于多层检测事件驱动的多传感器系统的信息融合方法估计精度高，漏检率和虚警率低，通过改变其中的故障判定阈值，可调节状态估计精度、漏检率和虚警率。
Figure BDA0002006975740000151
Figure BDA0002006975740000152
Figure BDA0002006975740000161
Figure BDA0002006975740000162
Figure BDA0002006975740000163
Figure BDA0002006975740000164
Figure BDA0002006975740000171
Figure BDA0002006975740000172
如图15所示，本发明的另一个实施例提供了一种多传感器系统的信息融合系统，包括：
时间窗口划分模块，用于将信号时间长度划分为多个时间窗口；
目标传感器获取模块，用于获取多传感器系统中在当前时间窗口待进行信息融合的目标传感器；
子窗口划分模块，用于将当前时间窗口划分为至少两个子窗口；
故障情况判断模块，用于根据目标传感器在当前时间窗口内各时刻的观测残差统计特性值的和值与窗口预设卡方分布阈值的大小关系判断目标传感器在当前时间窗口内是否发生故障或虚警：若是，则依据子窗口的时序依次根据子窗口内各时刻的观测残差统计特性值的和值与对应子窗口预设卡方分布阈值的大小关系判断目标传感器发生的故障或虚警所在的子窗口，并根据该子窗口内各时刻的观测残差统计特性值与时间预设卡方分布阈值的大小关系逐时刻判断发生故障的时刻及是否仅存在虚警，得到目标传感器在当前时间窗口内的故障情况；和
信息融合模块，用于根据目标传感器在当前时间窗口内的故障情况，获取目标传感器在当前时间窗口结束时刻的信息融合结果。
需要说明的是，本实施例提供的多传感器系统的信息融合系统的原理及工作流程与上述多传感器系统的信息融合方法相似，相关之处可以参照上述说明，在此不再赘述。
如图16所示，适于用来实现本实施例提供的多传感器系统的信息融合系统的计算机系统，包括中央处理模块(CPU)，其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有计算机系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地，根据本实施例，上文流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括有形地包含在计算机可读介质上的计算机程序，上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和示意图，图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器，包括时间窗口划分模块、目标传感器获取模块、子窗口划分模块、故障情况判断模块和信息融合模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。例如，故障情况判断模块还可以被描述为“多层检测事件驱动模块”。
作为另一方面，本实施例还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质，也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当上述一个或者多个程序被一个设备执行时，使得上述设备：
将信号时间长度划分为多个时间窗口，并获取多传感器系统中在当前时间窗口待进行信息融合的目标传感器；
将当前时间窗口划分为至少两个子窗口，并根据目标传感器在当前时间窗口内各时刻的观测残差统计特性值的和值与窗口预设卡方分布阈值的大小关系判断目标传感器在当前时间窗口内是否发生故障或虚警：
若是，则依据子窗口的时序依次根据子窗口内各时刻的观测残差统计特性值的和值与对应子窗口预设卡方分布阈值的大小关系判断目标传感器发生的故障或虚警所在的子窗口，并根据该子窗口内各时刻的观测残差统计特性值与时间预设卡方分布阈值的大小关系逐时刻判断发生故障的时刻及是否仅存在虚警，得到目标传感器在当前时间窗口内的故障情况；
根据目标传感器在当前时间窗口内的故障情况，获取目标传感器在当前时间窗口结束时刻的信息融合结果。
需要说明的是，在本发明的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.一种多传感器系统的信息融合方法，其特征在于，包括：
将信号时间长度划分为多个时间窗口，并获取多传感器系统中在当前时间窗口待进行信息融合的目标传感器；
将当前时间窗口划分为至少两个子窗口，并根据所述目标传感器在当前时间窗口内各时刻的观测残差统计特性值的和值与窗口预设卡方分布阈值的大小关系判断所述目标传感器在当前时间窗口内是否发生故障或虚警：
若是，则依据子窗口的时序依次根据子窗口内各时刻的观测残差统计特性值的和值与对应子窗口预设卡方分布阈值的大小关系判断所述目标传感器发生的故障或虚警所在的子窗口，并根据该子窗口内各时刻的观测残差统计特性值与时间预设卡方分布阈值的大小关系逐时刻判断发生故障的时刻及是否仅存在虚警，得到所述目标传感器在当前时间窗口内的故障情况，其中，窗口预设卡方分布阈值和时间预设卡方分布阈值为根据窗口长度查找卡方分布表得到 ；
根据所述目标传感器在当前时间窗口内的故障情况，获取所述目标传感器在当前时间窗口结束时刻的信息融合结果。
2.根据权利要求1所述的方法，其特征在于，所述将当前时间窗口划分为至少两个子窗口进一步包括：将当前时间窗口划分为两个等长度的子窗口。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标传感器在当前时间窗口内的故障情况，获取所述目标传感器在当前时间窗口结束时刻的信息融合结果进一步包括：
根据所述目标传感器在当前时间窗口内各时刻是否发生故障获取所述目标传感器在当前时间窗口内各时刻的卡尔曼增益值；
根据所述目标传感器在当前时间窗口内各时刻的卡尔曼增益值计算所述目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差，得到所述目标传感器在当前时间窗口结束时刻的信息融合结果。
4.根据权利要求3所述的方法，其特征在于，所述根据所述目标传感器在当前时间窗口内各时刻是否发生故障获取所述目标传感器在当前时间窗口内各时刻的卡尔曼增益值进一步包括：
将所述目标传感器在当前时间窗口内发生故障的时刻的卡尔曼增益值设置为零。
5.根据权利要求3所述的方法，其特征在于，所述根据所述目标传感器在当前时间窗口内各时刻的卡尔曼增益值计算所述目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差进一步包括：
以目标传感器的采样速率由大到小的顺序，依次根据目标传感器在当前时间窗口内各时刻的卡尔曼增益值计算所述目标传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差，得到所述目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差，其中，以当前计算得到的目标传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差作为下一次计算目标传感器在当前时间窗口结束时刻的状态估计均值和估计误差协方差时的初值。
6.根据权利要求3所述的方法，其特征在于，该方法还包括：获取下一时间窗口待进行信息融合的目标传感器，获取所述目标传感器在下一时间窗口结束时刻的信息融合结果，直至获取最后一个时间窗口的待进行信息融合的目标传感器在该时间窗口结束时刻的信息融合结果。
7.根据权利要求6所述的方法，其特征在于，所述获取下一时间窗口待进行信息融合的目标传感器，获取所述目标传感器在下一时间窗口结束时刻的信息融合结果进一步包括：
以所述目标传感器在当前时间窗口结束时刻的进行信息融合后的状态估计均值和估计误差协方差作为计算下一时间窗口的目标传感器在下一时间窗口结束时刻的状态估计均值和估计误差协方差时的初值。
8.一种执行如权利要求1-7中任一项所述方法的多传感器系统的信息融合系统，其特征在于，包括：
时间窗口划分模块，用于将信号时间长度划分为多个时间窗口；
目标传感器获取模块，用于获取多传感器系统中在当前时间窗口待进行信息融合的目标传感器；
子窗口划分模块，用于将当前时间窗口划分为至少两个子窗口；
故障情况判断模块，用于根据所述目标传感器在当前时间窗口内各时刻的观测残差统计特性值的和值与窗口预设卡方分布阈值的大小关系判断所述目标传感器在当前时间窗口内是否发生故障或虚警：若是，则依据子窗口的时序依次根据子窗口内各时刻的观测残差统计特性值的和值与对应子窗口预设卡方分布阈值的大小关系判断所述目标传感器发生的故障或虚警所在的子窗口，并根据该子窗口内各时刻的观测残差统计特性值与时间预设卡方分布阈值的大小关系逐时刻判断发生故障的时刻及是否仅存在虚警，得到所述目标传感器在当前时间窗口内的故障情况，其中，窗口预设卡方分布阈值和时间预设卡方分布阈值为根据窗口长度查找卡方分布表得到 ；和
信息融合模块，用于根据所述目标传感器在当前时间窗口内的故障情况，获取所述目标传感器在当前时间窗口结束时刻的信息融合结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
CN201910231864.7A 2019-03-26 2019-03-26 多传感器系统的信息融合方法及系统、计算机设备及介质 Active CN109978055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910231864.7A CN109978055B (zh) 2019-03-26 2019-03-26 多传感器系统的信息融合方法及系统、计算机设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910231864.7A CN109978055B (zh) 2019-03-26 2019-03-26 多传感器系统的信息融合方法及系统、计算机设备及介质

Publications (2)

Publication Number Publication Date
CN109978055A CN109978055A (zh) 2019-07-05
CN109978055B true CN109978055B (zh) 2021-04-23

Family

ID=67080604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910231864.7A Active CN109978055B (zh) 2019-03-26 2019-03-26 多传感器系统的信息融合方法及系统、计算机设备及介质

Country Status (1)

Country Link
CN (1) CN109978055B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110850817B (zh) * 2019-10-18 2020-10-23 杭州电子科技大学 一种网络化工业控制系统的安全估计方法
CN111504676B (zh) * 2020-04-23 2021-03-30 中国石油大学(北京) 基于多源监控数据融合的设备故障诊断方法、装置及系统
CN112434064B (zh) * 2020-11-19 2023-09-29 脸萌有限公司 数据处理方法、装置、介质及电子设备
CN112801171A (zh) * 2021-01-25 2021-05-14 中国商用飞机有限责任公司北京民用飞机技术研究中心 传感器虚警识别方法、装置、计算机设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1849524A (zh) * 2003-09-12 2006-10-18 莱卡地球系统公开股份有限公司 用于确定到待勘测目标的方向的方法
CN102520942A (zh) * 2011-12-06 2012-06-27 中国海洋大学 基于传感器的分布式海洋观测软件系统开发平台及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5128904A (en) * 1991-10-11 1992-07-07 Western Atlas International, Inc. Method for estimating the location of a sensor relative to a seismic energy source
GB2264562B (en) * 1992-02-22 1995-03-22 Anadrill Int Sa Determination of drill bit rate of penetration from surface measurements
CN103455675B (zh) * 2013-09-04 2016-08-24 哈尔滨工程大学 一种基于ckf的非线性异步多传感器信息融合方法
CN104166787B (zh) * 2014-07-17 2017-06-13 南京航空航天大学 一种基于多阶段信息融合的航空发动机剩余寿命预测方法
CN108734218B (zh) * 2018-05-22 2021-01-15 京东方科技集团股份有限公司 一种多传感器系统的信息融合方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1849524A (zh) * 2003-09-12 2006-10-18 莱卡地球系统公开股份有限公司 用于确定到待勘测目标的方向的方法
CN102520942A (zh) * 2011-12-06 2012-06-27 中国海洋大学 基于传感器的分布式海洋观测软件系统开发平台及方法

Also Published As

Publication number Publication date
CN109978055A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109978055B (zh) 多传感器系统的信息融合方法及系统、计算机设备及介质
CN110909822B (zh) 一种基于改进的高斯过程回归模型的卫星异常检测方法
US10373065B2 (en) Generating database cluster health alerts using machine learning
Giancristofaro et al. Model performance analysis and model validation in logistic regression
CN110309136B (zh) 一种数据库异常事件缺失数据填充方法及系统
Pachauri et al. Modeling optimal release policy under fuzzy paradigm in imperfect debugging environment
US20130041625A1 (en) Advanced Statistical Detection of Emerging Trends
Bahadorinejad et al. Adaptive particle filtering for fault detection in partially-observed Boolean dynamical systems
Li et al. A diagnostic procedure for high-dimensional data streams via missed discovery rate control
CN110531732B (zh) 一种非线性网络化控制系统的随机故障检测方法
CN115221017A (zh) 服务器温度传感器自检的方法、系统、设备及存储介质
Zhang et al. Using the expected detection delay to assess the performance of different multivariate statistical process monitoring methods for multiplicative and drift faults
Shukla et al. A smart component methodology for reliability analysis of dynamic systems
CN114091600B (zh) 一种数据驱动的卫星关联故障传播路径辨识方法及系统
CN112380073B (zh) 一种故障位置的检测方法、装置及可读存储介质
CN114048811A (zh) 一种基于深度学习的无线传感器节点故障诊断方法和装置
Zou et al. Reliability analysis of Digital Instrumentation and Control software system
CN110347538B (zh) 一种存储设备故障预测方法和系统
CN114500075B (zh) 用户异常行为检测方法、装置、电子设备及存储介质
CN116226770A (zh) 一种时间序列数据异常检测方法及装置
CN111555932B (zh) 一种大规模不规则kpi时间序列异常检测方法
Tykierko Using invariants to change detection in dynamical system with chaos
CN117349770B (zh) 一种结构健康监测多应变传感器数据异常检测与修复方法
CN115342817B (zh) 无人履带车辆轨迹跟踪状态监测方法、系统、设备、介质
CN111027680A (zh) 基于变分自编码器的监控量不确定性预测方法及系统

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