CN112924617A - 自调节事件检测 - Google Patents
自调节事件检测 Download PDFInfo
- Publication number
- CN112924617A CN112924617A CN202011411999.0A CN202011411999A CN112924617A CN 112924617 A CN112924617 A CN 112924617A CN 202011411999 A CN202011411999 A CN 202011411999A CN 112924617 A CN112924617 A CN 112924617A
- Authority
- CN
- China
- Prior art keywords
- raw data
- data values
- mean
- gated
- value
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title abstract description 3
- 239000006185 dispersion Substances 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000007613 environmental effect Effects 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims abstract description 6
- 230000006978 adaptation Effects 0.000 claims description 62
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 239000007789 gas Substances 0.000 description 15
- 239000012855 volatile organic compound Substances 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000001960 triggered effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 229910044991 metal oxide Inorganic materials 0.000 description 6
- 150000004706 metal oxides Chemical class 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000003570 air Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a threshold to release an alarm or displaying means
- G01N33/0065—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a threshold to release an alarm or displaying means using more than one threshold
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/0047—Specially adapted to detect a particular component for organic compounds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
Abstract
本公开涉及自调节事件检测。提供了一种用于处理环境传感器数据的方法,包括以下步骤。从环境传感器接收一个或多个原始数据值,在限定的时间段内仅根据在下限阈值和上限阈值之间的原始数据值确定平均值和离差度量,并且根据平均值和离差度量重新限定下限阈值和上限阈值。该方法可以用于环境传感器,例如MOX传感器或VOC传感器,并且可以被实现为计算机程序。
Description
技术领域
提供了一种用于处理环境传感器数据的方法以及对应的计算机程序和对应的环境传感器。
背景技术
传感器通常用于测量环境的物理量,例如气体或挥发性有机化合物(VOC)的浓度、湿度或温度。这样的传感器被表示为环境传感器,并且特别地可以是金属氧化物(MOX)传感器,例如用于测量气体浓度。环境传感器将测得的物理量变换成在连续的时间点测得的原始数据值,例如电压或嘀嗒(tick)数。
环境传感器数据可以用于执行“状态估计”,即根据原始数据值估计统计量(例如,均值、方差或标准差)。这样的状态估计通常用于VOC含量,特别是用于根据环境的VOC含量对环境进行分类或用于提供VOC水平分类。
在这种背景下,一个常见的问题是对“异常值”的处理,异常值被限定为与其它原始数据值显著不同的原始数据值。误差的来源是例如传感器内的误差。特别地,异常值可以被限定为与其它原始数据值的平均值相差一个或两个标准偏差。
已知的解决方案是“门控”,即,从状态估计中排除不太可能的数据。门控通常被执行为“简单门控”,其具有随时间恒定的“硬”下限阈值和上限阈值:如果原始数据值低于下限阈值或高于上限阈值,则原始数据值从状态估计中排除。这种上限/下限阈值的示例是均值加/减标准偏差。
但是,这种简单门控具有以下缺点:当环境的整体状态显著变化(例如,变化多于一个标准偏差)时,特别是当环境传感器被转移到不同地方(如在移动设备中的情况)时,会导致不正确的结果。
因此,本发明的目的是提供一种用于处理环境传感器数据的方法,该方法特别是在环境状态显著变化的情况下产生鲁棒且可靠的结果,并且优选地带来直观的用户体验。
发明内容
通过用于处理环境传感器数据的方法来解决该问题,该方法包括以下步骤:从环境传感器接收一个或多个原始数据值;仅根据在下限阈值和上限阈值之间的原始数据值来确定在限定的时间段内的平均值和离差度量(measure of dispersion);以及根据平均值和离差度量重新限定下限阈值和上限阈值。
可以迭代上述步骤以进行时间上连续的处理。在离散系统中,这些步骤可以在计算机程序的循环内实现。这样的方法可以被称为“自调节门控”,因为下限阈值和上限阈值可根据重新确定的平均值和重新确定的离差度量而随时间自适应。自调节门控的优点是,环境状态可逐渐变化,而处理方法仍会产生可靠的结果。
环境传感器被认为是用于测量环境的物理量(例如,环境中的气体或挥发性有机化合物(VOC)的浓度、环境的湿度或环境的温度)的传感器。在大多数情况下,环境是周围的空气。传感器的环境优选地被认为是传感器被包括在内的设备或壳体的环境,优选地被布置为使得传感器与该设备或壳体的环境充分耦合。任何这样的传感器被称为环境传感器,并且可以特别地是例如用于测量气体浓度的金属氧化物(MOX)传感器。环境传感器将测得的物理量变换成在连续的时间点测得的原始数据值,例如,电压或嘀嗒数。任何此类原始数据值都可以表示在测量时间点(也称为离散时间步)测得的物理量。可以根据原始数据值得出在测量时间步处的物理量。术语原始数据值不排除对实际上源自环境传感器的敏感元件的信号的预处理。这样的预处理可以包括线性化、对例如温度或其它因素的补偿、模数转换(如果适用)等中的一个或多个。在优选实施例中,环境传感器被实施为包括半导体的芯片,其中该芯片可以同时包括集成电路形式的预处理功能。
在一个实施例中,假设至少在传感器系统的稳定状态下,传感器在一个离散的时间点提供单个原始数据值,并且因此由优选地在操作期间执行方法步骤的处理实体接收。针对这样的原始数据值的值/幅度来对其进行评估。为了进行这种评估,提供了至少两个阈值,即下限阈值和上限阈值。例如,在假设环境传感器的原始数据值只能取正范围内的值的情况下,下限阈值和上限阈值也被限定在该正范围内。特别地,下限阈值超过原始数据值的范围的下界,该下界例如可以为零,而上限阈值小于可能的原始数据值的范围的上界。
优选地,在下限阈值和上限阈值之间的范围之外的原始数据值一方面被视为事件,但是另一方面被视为统计异常值。换言之,在阈值间范围之外的这种原始数据值指示环境中的在可以例如向操作员或环境传感器周围存在的人员发出通知和/或可以发出原始数据值本身或其派生物的意义上可以被注意到的情况。通知可以采取警告或警报的形式,例如,由例如包含环境传感器的设备发出或以其它方式传输到例如远程操作员或监视站的视觉和/或听觉和/或触觉警告。另一方面,优先考虑这种事件不影响统计,即平均值和离差度量的确定。
在环境传感器是用于检测高于临界浓度对人有害的一种或多种气体的气体传感器的情况下,阈值可以使得当超过上限阈值时,达到或超过所测量的气态成分的临界浓度。其它应用也可关注原始数据值下降到低于下限阈值。例如,房间中的(不良)空气例如受到打开窗户或让新鲜空气涌入的影响可能就是这种情况。
但是,随着时间的推移,采用恒定阈值形式的固定阈值可能被证明是有弱点的,因为超出阈值的孤立的“异常值”或者甚至永久性“异常值”可能很少发生,或者可能并不源于对应的高浓度,而是源于误差场景或者基准值的变化,其中将测得的浓度值设为相对于基准值进行比较。因此,异常值被限定为与其它原始数据值显著不同的原始数据值。
替代地,目前提出允许阈值随时间变化,以便自适应新的参考场景。在一个示例中,在气体感测的背景下,这种测量场景可以包括测量房间中特定气体成分的浓度,其中作为典型背景浓度,仅存在很少的该气体成分。在不同的房间中,该气体成分的不同背景浓度可能会占优势,并且可以被视为不同的测量场景。在环境传感器的寿命期间,它可能从第一房间被移动到第二房间。虽然在第一场景中,与背景浓度只有很小的偏差是可以容忍的,但是在第二房间中,无论出于何种原因,与实际背景浓度的较大偏差都是可以容忍的。
为了满足场景/测量环境中的此类变化和/或解决异常值的不同原因,阈值的实施取决于时间上较早的原始数据值,并因此取决于过去的原始数据值的统计信息。相应地,确定先前原始数据值的平均值以及离差度量。优选地,平均值和离差度量都是统计值/统计参数,其中离差度量指示(当前原始数据值的)分布在平均值附近被拉伸或压缩的程度。优选地,针对过去的相同的限定时间段(例如,针对最近十小时,或者例如针对过去24小时)确定平均值和离差度量。在实施例中,限定的时间段是至少一小时,优选地为至少一天,优选地在一天到三天之间。在特定场景中,限定的时间段对于建立移动的平均值和建立移动的离差度量可以不同。限定的时间段确定了在确定当前平均值和离差度量时应往前考虑多长时间的过去的原始数据值。在一个实施例中,可以对过去的原始值进行加权,例如,最近的原始值的权重比较早的原始值的权重更大。因此,相较于较近的原始数据值,较早的原始数据值对相应统计参数的贡献较小。
随着时间的推移以及新的原始数据值从环境传感器到达,平均值和离差度量被更新,优选地在新的原始数据值到达的每个离散的时间点被更新。在一个实施例中,假设每个离散时间步接收到一个原始数据值,这使得平均值和离差度量的后续确定取决于针对对应的时间步接收到的该原始数据值。响应于平均值和离差度量的确定,根据针对对应的时间步确定的平均值和离差度量,针对该时间步重新限定下限阈值和上限阈值。对于每个时间步重复这种计算,并且优选地由接收到的每个新的原始数据值触发这种计算。
在优选实施例中,递归地确定平均值和/或离差度量。优选地,这两个变量是递归确定的。特别地,平均值和/或离差度量各自由指数平滑函数确定。例如,对于平均值,平均值avt由下式确定:
avt=α*avt-1+(1-α)*rdvt
其中avt是离散时间步t处的平均值,avt-1是离散时间步t-1处的平均值,α是平滑因子,并且rdvt是在离散时间步t处接收到的原始数据值。
离差度量优选地由下式确定:
其中σt是离散时间步t处的标准偏差,σt-1是离散时间步t-1处的标准偏差,avt-1是离散时间步t-1处的平均值,α是平滑因子,并且rdvt是在离散时间步t处接收到的原始数据值。
平滑因子α确定将多少权重分配给过去的原始数据值,该权重可以在例如α=[0.8,1]的范围内,而每个新数据值被分配较小的权重,例如,1-α=[0.0,0.2]。这种方法易于在离散系统中实现,并且节省了计算能力。
但是,在不同的实施例中,非递归地确定平均值和离差度量中的一个或两者。
优选地,平均值对应于在限定的时间段内的原始数据值的算术均值,而离差度量优选地对应于在限定的时间段内的原始数据值的标准偏差,或者例如标准偏差的两倍。在这种情况下,基本假设是原始数据值遵循正态分布。
在不同的实施例中,平均值被取为原始数据值的中位数,这可以具有独立于原始数据值的假设分布的优点,并且特别地不容易由于异常值而失真。优选地,在这样的实施例中,离差度量是四分位距或在百分之十至百分之九十之间的范围。
但是,术语平均值还应包含用于确定什么可以被表达为典型值(即,原始数据值通常随时间而取的值)的其它方法。用于确定这样的平均值的其它方法应包括在术语平均值中。
进而,上限阈值和下限阈值优选地在每个离散时间步重新限定,平均值和离差度量也是如此,即,响应于接收到每个新的原始数据值而重新限定。特别地,根据刚刚计算出的移动的平均值和移动的离差度量的更新来重新限定下限阈值和上限阈值。
根据限定的一种选择,下限阈值是平均值减去离差度量,并且上限阈值是平均值加上离差度量。对于平均值为算术均值并且离差度量为一个或两个标准偏差的情况,这意味着在正态分布的假设下,原始数据的大约68.3%或95.4%分别用于确定新的平均值和新的离差度量——从而使下限阈值和上限阈值自适应——而分别忽略了31.7%或4.6%的原始数据值。这样折值可被证明产生合理的结果。特别地,这样的限定选择使得能够实现直观的用户体验。
因此,在实施例中,优选的步骤顺序是接收原始数据值,并且响应于接收到原始数据值,确定原始数据值是否在下限阈值和上限阈值之间。在传感器系统的稳定状态下,可以在接收上述原始数据值之前的先前步骤中计算下限阈值和上限阈值。在测量开始时,可以为阈值和/或平均值和离差度量设置初始值,如将在下面更详细描述的。
响应于确定在时间t0处接收的原始数据值是否在上限阈值和下限阈值之间,确定平均值和离差度量。在系统的稳定状态下,在先前步骤中在时间t-1针对假设的时间段(例如,t-1-x*Δt)也确定了平均值和离差度量,其中Δt是两个离散时间点之间的间隔,并且x是预限定的常数。在一个示例中,令x为100,通过利用在[t-101;t-1]之间(包括边界值)的原始数据值来确定先前的平均值。作为对照,在当前时间点t0,现在确定在间隔[t-100;t0](包括边界值)中所有原始数据值的平均值。但是,在当前的平均值确定中,丢弃不在下限阈值和上限阈值之间的范围内的原始数据值,即,当在该时间段内被接收到时,它们不会贡献于平均值的形成。在不同的表示中,新的原始数据值根据以下函数而贡献于移动平均值的形成:
如果在下限阈值和上限阈值之间的范围之内,那么为1;
如果在下限阈值和上限阈值之间的范围之外,那么为0。
注意,鉴于阈值的变化,包含或排除原始数据值始终取决于该时间点的下限阈值和上限阈值,即取决于在相应原始数据值到达的时间点处有效的下限阈值和上限阈值的值。在确定离差度量时也是如此。
因此,平均值和离差度量优选地在恒定的时间段上向前移动,该时段/窗口随着时间的推移而推移,并且新的原始数据值可用。但是,优选地,只有那些在此窗口内的原始数据值才贡献于平均值的计算,这些值在相对于当时有效的下限阈值和上限阈值的评估的时间点被发现处于当时有效的下限阈值和上限阈值之间的范围内。只要原始数据值属于滑动窗口,该范围之外的原始数据值既不会在接收的时间点处也不会在随后计算的平均值中进入平均值的计算。离差度量也是如此。
在平均值的上述递归计算的实施例的情况下,更新的平均值avt由下式确定:
avt=α*avt-1+(1-α)*rdvt
在新的原始数据值rdvt处于上限阈值和下限阈值之内的情况下。在新的原始数据值在上限阈值和下限阈值之外的情况下,更新的平均值avt被设置为先前的平均值:
avt=avt-1
在平均值的非递归计算中,在时间t处的更新的平均值avt由下式确定:
其中N是限定的时间段/窗口大小,并且如果对应的原始数据值rdvi在阈值之内,那么ψi是值为1的算子,并且如果对应的原始数据值rdvi在阈值之外,那么ψi是值为0的算子。
一旦响应于接收到的新的原始数据值而重新限定平均值和离差度量,根据这样的重新限定的平均值和这样的重新限定的离差度量来重新限定阈值。因此,响应于接收到新的原始数据值,首先更新随机度量,然后根据更新的随机度量来更新阈值。
有利的是,该方法包括以下步骤:根据平均值和/或离差度量,从原始数据值确定标准化数据值。这种方法可以附加地包括输出标准化数据值的步骤。标准化数据值的确定可以例如通过以下两个步骤来实现:从原始数据值中减去平均值,然后将所得差值除以离差度量。这种确定特别地导致无量纲数。一般而言,标准化的数据值表示相对值,这使得易于理解基础物理量的变化。特别地,这带来良好的用户体验,因为用户通常对随时间的变化感兴趣,而不对绝对值感兴趣,例如,在VOC或气体浓度的情况下。优选地,输出这样的标准化数据值,并且优选地输出所有标准化数据值,而不管是否高于上限阈值、低于下限阈值或者在下限阈值与上限阈值之间。优选地,在每个时间步,根据对应的接收的原始数据值以及针对同一时间步确定的平均值和离差度量来确定新的标准化数据值,即优选地基于更新的平均值和离差度量根据接收到的新的原始数据值来确定新的标准化数据值。
优选地,该方法包括以下步骤:如果原始数据值不在下限阈值和上限阈值之间,那么将限定为事件。换言之,如以上限定的异常值被视为事件。这是有用的,因为异常值一方面可能只是来自传感器内的误差或噪声,但另一方面它可能是由于实际事件,即测得的物理量的显著变化,因此与环境状态的变化相关联。特别地,在事件的情况下可以输出通知。在监视环境状态以及例如监测潜在地对人的健康有害的某些条件(例如VOC或气体浓度)的应用的情况下,这种通知可能是有用的。在实施例中,通知可以是传送到远程设备的信号、声音或警报。
应用于统计计算(即平均值和离差度量)的门控可能不适用于所有特定场景。因此,可以设想,门控至少是可以临时禁用(即关闭)的。如将从以下描述中变得清楚的,这导致“鲁棒的自调节门控”。
用于关闭这种门控的触发器被称为门控自适应事件,因为例如临时关闭门控允许门控自适应变化的环境条件。响应于这种门控自适应事件,接收到的任何原始数据值即使在下限阈值和上限阈值之外也被包括在统计参数平均值和离差度量的确定中并且贡献于该确定。因此,在门控自适应事件发生之后计算平均值和离差度量的步骤中,在任何情况下,当时接收到的原始数据值(无论值如何)都贡献于平均值和离差度量的计算。在门控自适应事件之前接收到的原始数据值应贡献于统计参数的确定的情况下——对于在间隔[tx;tx+T]内确定统计参数将始终为这种情况,其中tx是门控自适应事件的时间点,并且T是限定的时间段,即滑动窗口——仅接受在下限阈值和上限阈值内的原始数据值,而阈值范围之外的原始数据值仍然被忽略。因此,在优选的实施例中,在平均值和离差度量的确定中包括阈值之外的原始数据值仅响应于门控自适应事件而开始,而没有追溯效果。
这种方法完美地反映在对统计参数的递归确定中,其中在门控自适应事件之前的先前平均值/离差度量被加权,并且因此贡献于在门控自适应事件之后的第一平均值的确定,使得过去的超过阈值的异常值仍然被排除在外。但是,优选地,从门控自适应事件发生开始,任何新的原始数据值都贡献于统计参数的计算,无论其值如何。
换言之,在门控自适应事件与在该处禁止关闭门控的门控自适应脱离事件之间,优选地根据在门控自适应事件之后接收到的所有原始数据值(即使其不在下限阈值和上限阈值之间)来确定平均值和离差度量,只要限定的时间段超过门控自适应事件和门控自适应脱离事件之间的间隔。
因此,门控自适应触发之后,时间步的平均值和离差度量根据针对相应时间步接收到的原始数据值(即使其不在下限阈值和上限阈值之间)来确定。特别地,在门控自适应事件和门控自适应脱离事件之间,只要限定的时间段超过门控自适应事件和门控自适应脱离事件之间的间隔,平均值和离差度量根据在门控自适应事件时或之后接收到的所有原始数据值(即使其不在下限阈值和上限阈值之间)来确定,并且优选地根据在门控自适应事件之前确定的最后的平均值和最后的离差度量来确定。
借助于这种对门控的禁用,平均值和离差度量自适应例如表示化学浓度的不同平均值水平和不同离差度量水平的新场景。因此,在禁用门控之后不久,先前被认为是异常值的原始数据值随后被保留在门控阈值之内,因为下限阈值和上限阈值自适应了。在自适应的环境场景中,进一步假设异常值现在表示新的平均值水平。
在门控自适应事件的第一优选实施例(“最大门控比率”)中,该方法包括以下步骤:对于监视时段,确定不在下限阈值和上限阈值之间的原始数据值的数量与原始数据值总数之间的比率。该比率也可以被视为丢弃率。如果比率变大,这意味着很多(例如分别超过31.7%或4.6%)原始数据值被视为异常值或事件,并且在平均值、离差度量的确定以及因此在下限阈值和上限阈值的重新限定中未被加以考虑。
作为对策,该方法优选地还包括如上所述的平均值和离差度量确定的自适应。
优选地,在从门控自适应事件过去预限定时间之后设置门控自适应脱离事件。因此,优选地及时控制门控自适应脱离(即返回门控),例如,在一分钟、十分钟和一小时之间的范围内。
如果原始数据值可能由于例如环境状态的变化而发生突然的显著变化,这种方法被证明特别有用。虽然如前面所述的纯“自调节门控”方法在这样的情况下可能不能显示任何值,但具有最大门控比率的自调节门控将继续产生合理的结果。因此,该方法更加鲁棒,并且特别地可以改善用户体验。
作为“最大门控比率”的变型,该方法可以包括以下附加步骤:如果对于监视的时间段,没有原始数据值在下限阈值和上限阈值之间,那么现在限定门控自适应事件。由门控自适应脱离事件触发的方法与结合“最大门控比率”阐述的相同。
在优选的实施例(“软阈值”)中,该方法包括以下步骤:根据平均值和/或离差度量来确定原始数据值的加权函数的权重;以及当确定平均值和离差度量时,将权重应用于原始数据值。特别地,这意味着原始数据值的影响是不相同的,例如,取决于它们与平均值的差。如从以下描述中将变得清楚的,该实施例导致“鲁棒的自调节门控”,并且可以单独应用或者与门控的禁用相结合应用。
这样的实施例还可以详细描述如下:权重被限定为在平均值处或在平均值附近最大。特别地,对于在原始数据值范围的下边界与平均值之间的原始数据值,权重可以单调增加。同样,对于在平均值与原始数据值范围的上边界之间的原始数据值,权重可以单调减少。
一般而言,该实施例具有以下效果:可以通过利用加权函数施加这种软阈值来避免硬阈值。特别地,这避免了不希望的影响,即,在下限阈值或上限阈值的相对侧的两个相邻原始数据值,其中一个进入平均值和离差度量的确定,因而进入状态估计,而另一个则没有。这种不希望的情况例如具有以下效果:当在下限阈值或上限阈值附近运行时,两个相同类型的传感器可能会在一段时间后显示完全不同的值。具有软阈值的自调节门控避免了这种影响,带来可靠且鲁棒的传感器输出,特别是带来直观的用户体验。
如本节开头所述,该方法还可以包括迭代所描述的步骤中的一些或全部步骤。根据初始条件,可以存在以下两个实施例,它们可以被称为“初始值”和“初始训练阶段”:
在第一实施例中,该方法包括以下步骤:在开始时,接收下限阈值和上限阈值的初始值,然后迭代上述步骤。优选地,选择下限阈值和上限阈值的初始值,使得大部分(特别是超过50%、75%或90%)落在下限阈值和上限阈值之间。特别地,第一实施例的迭代步骤中的第一步骤包括接收多于一个原始数据值,从而确保可以确定合理的离差度量。
第二实施例可以被认为在迭代之前具有第一初始训练阶段。其包括以下步骤:在开始时,从环境传感器接收初始原始数据值,然后(例如,在接收到前50个原始数据值之后)才根据初始原始数据值确定平均值和离差度量,然后才根据平均值和离差度量来限定下限阈值和上限阈值。然后,迭代上述步骤。优选地,初始原始数据值对应于训练时间段,其可以例如在一分钟、十分钟、一小时和一天之间的范围内。
在本发明的第二方面,一种计算机程序包括指令,当该指令由处理器执行时,使处理器执行上述方法的步骤。
本发明的第三方面涉及一种环境传感器,该环境传感器包括传感器和适于执行上述方法的步骤的处理器。特别地,该传感器可以包括例如用于测量气体的存在或浓度的MOX传感器。该传感器可以特别地包括VOC传感器。
在从属权利要求以及下面的描述中列出了其它有利的实施例。
附图说明
通过下面的详细描述将更好地理解本发明,并且除了上述目的之外的目的将变得清楚。这样的描述参考了附图,其中:
图1示出了原始数据的时间序列以及分别通过常规方式和根据本发明的实施例的带有门控的方法来根据原始数据确定的不同阈值的时间序列;
图2示出了根据本发明的实施例的用于处理环境传感器数据的方法的流程图;
图3示出了原始数据的时间序列以及根据本发明的实施例的分别应用“正常门控”和“鲁棒门控”的不同阈值的时间序列;
图4示出了根据本发明的实施例的用于处理应用鲁棒门控的环境传感器数据的方法的流程图;
图5a和图5b示出了两个原始数据信号中的每一个的时间序列以及根据本发明的实施例的当应用具有“硬阈值”的门控时(图5a)和当应用“软阈值”时(图5b)对应的输出信号的时间序列;
图6示出了根据本发明的实施例的加权函数,该加权函数具有根据原始信号值的权重,用于在处理应用具有“软阈值”的门控的环境传感器数据的方法中使用。
具体实施方式
图1示出了由环境传感器测量并且可选地例如通过校准算法预处理的原始信号11(即,原始数据值)的示例时间序列。在示例时间序列中,原始信号11在某个恒定值(未示出)附近波动,而一些原始数据值相差很远,即显著高于或低于该恒定值。如此显著偏离的原始数据值(例如与原始信号的均值/平均值的偏差多于一个或多于两个标准偏差)被表示为异常值。
此外,图1示出了在没有任何门控的情况下确定的下限阈值和上限阈值12。在特定时间处的阈值12被计算为均值分别加上(对于上限阈值)和减去(对于下限阈值)在该特定时间之前的限定的时间段内的所有原始数据值的标准偏差。已知的问题是阈值12在很大程度上取决于异常值,即显著偏离的原始数据值严重影响阈值12,如图1所示。
本公开提出在确定阈值时应用门控算法,其结果在图1中显示为下限阈值和上限阈值13。门控意味着在确定特定时间处的下限阈值和上限阈值13时,仅考虑在较早确定的下限阈值和上限阈值之间的原始数据值。这意味着异常值被排除在均值和标准偏差的确定之外,因此被排除在新的上限阈值和下限阈值的确定之外。虽然阈值12和13都随时间自适应原始数据值,即它们在时间上不是恒定的,但具有“自调节”门控的阈值13对于异常值更加鲁棒。可以通过图2中描绘的方法来获得具有自调节门控的这种阈值13。
图2示出了根据本发明的实施例的用于处理环境传感器数据的方法的流程图。该方法包括步骤S1、S2和S3以及可选的步骤S4和S5。这些步骤可以迭代进行,例如,可以被实现为计算机程序中的循环。在步骤S1中,从环境传感器(诸如MOX气体传感器或VOC传感器)接收“新的”原始数据值rdv。利用条件C1,检查新的原始数据值rdv是否落在下限阈值lt和上限阈值ut之间的间隔内。条件C1假设例如根据较早的确定步骤或作为初始阈值给出了下限阈值和上限阈值。仅当新的原始数据值rdv满足标准lt<=rdv<=ut时,处理才进行到步骤S2;否则,其跳回到步骤S1。因此,条件C1可以被视为门控算法中的“门”。
在步骤S2中,确定满足条件C1的原始数据值的算术均值av和标准偏差σ。在图1的示例中,均值和标准偏差是在限定的时间段(例如,一小时或一天)内计算的。当图2的方法被迭代时,这相当于移动窗口,对于该移动窗口优选地以递归方式确定均值和标准偏差,其中更新的平均值av被确定为:
av=α*av-1+(1-α)*rdv
在原始数据值rdvt等于上限阈值ut及下限阈值lt或者在上限阈值ut和下限阈值lt之内的情况下,即“C1=是”。在原始数据值在上限阈值ut和下限阈值lt之外的情况下,即“C1=否”,更新的平均值avt被设置为先前的平均值:av=av-1
一般而言,均值可以用任何平均值替换,例如通常作为比算术均值更鲁棒的平均值度量的中位数,并且标准偏差可以用任何离差度量(例如四分位距)替换。在具体实施例中,可以例如通过如上所述的指数平滑函数递归地计算平均值和离差度量,这节省计算能力和存储空间。
在步骤S3中,根据在步骤S2中确定的平均值和离差度量,重新限定下限阈值lt和上限阈值ut。这可以通过关系lt=av-nσ和ut=av+nσ来完成,其中n是恒定因子,其通常在1到3之间的范围内,例如为2。替代地,下限阈值lt可以被选择为百分位数,例如,原始数据的第10或25百分位,并且上限阈值ut为更高的百分位数,例如,第90或75百分位。
在步骤S3中被重新限定的下限阈值lt和上限阈值ut替换其先前的值。由此,其将在图2所描绘的循环的下一次迭代中在门条件C1中被加以考虑。
在一种变型中,图2的方法还包括可选步骤S4和S5中的一个或两者。在步骤S4中,根据原始数据值rdv确定标准化数据值ndv。典型的标准化是减去平均值,如ndv=rdv-av。替代地,标准化的数据值可以附加地取决于离差度量,例如,ndv=(rdv-av)/σ。这样的标准化的数据值是有用的,因为它比原始数据值更好地显示了测得的量的相对变化。因此,标准化的数据值自然适合作为输出量,例如,用于由用户快速感知相关变化并获得良好的用户体验。
因此,在可选步骤S5中输出标准化的数据值ndv。输出可以被实现为数值,该数值经由接口被存储或传输到远程系统。或者可以借助于显示器输出标准化的数据值ndv,例如,作为显示随时间变化的标准化数据值的图像。
图3再次示出了原始信号31(即,多个原始数据值rdv)的时间序列。在这种情况下,原始信号31在点35处显示出突然增加,这是由于环境的变化,例如,因为环境传感器被转移到另一个地方,或者因为环境传感器处的气体浓度突然变化。为此目的,突然变化被限定为原始数据值的变化大于离散量度,例如,大于一个标准偏差。
此外,图3示出了如通过图2的上述方法获得的上限阈值和下限阈值33。在点35(此时环境发生变化)之后,所有原始数据值都落在下限阈值和上限阈值33之间的范围之外。这意味着后面的原始数据值均不通过门条件C1,并且上述方法从不到达步骤S2和S3。因此,平均值av和离差度量σ未被重新确定,并且下限阈值和上限阈值33也未重新限定,这使得后面的所有原始数据值都被视为异常值。
这种行为是非期望的,尤其是如果后面的原始数据值表示至少在一段时间内(例如,1分钟、10分钟或1小时)稳定的新的环境状态。在标准化的数据值以及根据步骤S4和S5的输出的情况下,这种情况导致无用的结果。要么如上所述的标准化工作不合适并且产生不合理的结果,要么甚至更糟的是,甚至根本不显示异常值。
作为这种情况的补救措施,提出了“鲁棒门控”,其导致图3中的下限阈值和上限阈值34。在鲁棒门控中,引入了门控自适应事件36的概念。在门控自适应事件36处,门控被暂停,即,从图2的方法中去除了条件C1,并且考虑所有原始数据值rdv来进行步骤S2中的平均值av和离差度量σ的确定。以这种方式,下限阈值和上限阈值34将自适应由于环境改变而导致的不同水平的原始数据值,但是仅在门控自适应事件36之后。因此,即使在突然变化的环境条件下,鲁棒的门控也能促进可靠的传感器读数和状态估计。
实现门控自适应事件36的一种方式是查看没有原始数据值rdv满足门控标准C1的时间段。如果此时间段超过监视时间段37(例如1分钟、10分钟或一小时),那么触发门控自适应事件36。
在图4的流程图中示出了应用鲁棒门控的用于处理环境传感器数据的方法的实施例。步骤S1和条件C1类似于图2的方法。标准C2表示检查是否启用门控自适应。如果启用了门控自适应,即发生了门控自适应事件,那么在步骤S1中接收到原始数据值rdv之后,其会直接进入步骤S2中的平均值av和离差度量σ的重新确定,无论它是否能够通过门控标准C1。
另一方面,如果未启用门控自适应,那么检查原始数据值rdv是否落在标准C1的下限阈值和上限阈值之间的间隔内。如果是,那么rdv被直接传递到步骤S2,并且贡献于av和σ的重新确定。如果否,那么用标准C3检查是否满足门控自适应事件的条件。如果在C3中满足门控自适应事件的条件,那么在步骤S6中触发门控自适应事件。这意味着在步骤S6中启用门控自适应。如果在C3中不满足门控自适应事件的条件,那么在重新确定av和σ时不考虑原始数据值rdv,并且该处理再次从步骤S1开始,即接收新的原始数据值。
如图3的实施例中所示,标准C3中存在门控自适应事件的条件可以被制定为:从最后的原始数据值满足标准C1起的时间段是否超过监视时间段?替代地,门控自适应标准C3可以包括确定在监视时间段期间不满足门控标准C1的原始数据值的数量与原始数据值的总数之间的比率。在这种情况下,如果该比率大于最大比率(例如,10%,25%或33%),那么触发门控自适应事件。
由于在步骤S6中触发一个门控自适应事件之后的无限时间内考虑所有原始数据值是不合理的,因此如图3中所示限定门控自适应脱离事件38是有用的。门控自适应脱离事件38使数据处理采用正常的“门控”路线,即在此类事件38之后,新接收到的原始数据值仅当其满足门控条件C1时才贡献于平均值、离差度量以及上限阈值和下限阈值的重新确定。在图3的实施例中,当从上次门控自适应事件36起已经过去预限定的时间段39(例如,在10分钟到一个小时的范围内)时,触发门控自适应脱离事件38。
根据图4所描绘的方法,门控自适应脱离事件38可以被表示为门控自适应脱离标准C4,例如,表示为检查从最后一次门控自适应事件36起的时间是否超过预限定时间段39。替代地,门控自适应脱离标准C4可以被制定为从最后一次门控自适应事件36起接收到的一定数量的原始数据值是否已经通过门控标准C1。
如果对标准C4的检查的结果为肯定,那么触发门控自适应脱离事件38,在步骤S7中禁用门控自适应,并且处理从步骤S1重新开始。如果标准C4的检查结果是否定的,那么在步骤S2中重新确定av和σ时以及在步骤S3中重新限定下限阈值和上限阈值时,考虑当前接收到的原始数据值。之前已经描述了步骤S2和S3的细节。
一般而言,图4的方法可以附加地包括如上所述的步骤S4和S5。步骤的不同顺序以及实现方式的变化也是可能的。
图5a、图5b和图6示出了应用“鲁棒门控”的方法的不同方面的实施例,其可以与先前描述的方面相结合。图5a描绘了在两个彼此略有不同的原始信号51a、51b的情况下关于输出信号52a、52b可能发生的非期望情况的时间序列。原始信号51a、51b可以由相同类型的两个不同的环境传感器测量。假定这两个传感器都具有相同的当前上限阈值53。但是,由传感器B测得的原始信号51b的原始数据值比由传感器A测得的原始信号51a的原始数据值略低例如1%或5%。
在原始信号51a的一个或多个原始数据值高于上限阈值53(即,其未通过门控标准C1)的情况下,其不会贡献于av、σ和阈值的重新确定。因此,传感器A的阈值53不进行自适应。但是,同时由传感器B测得的原始数据值可能会落在阈值53以下,从而通过门控标准C1。因此,传感器B的av、σ和阈值将基于这些原始数据值来自适应。在这种情况下,传感器A和传感器B的平均值av、离差度量σ以及阈值将开始不同,并且只要不执行重置,它们就还将继续不同。
由于输出信号52a、52b的确定可以取决于当前的平均值av和离差度量σ,因此参见以上标准化数据的背景,传感器A和B的输出信号52a、52b也将不同。这种情况会导致两个传感器的不直观的读数,并导致欠优的用户体验。
作为针对此问题的解决方案,提出了一种具有门控的用于处理环境传感器数据的方法,其中门控包括“软”阈值而不是“硬”阈值。图5b示出了与图5a相同的传感器A和B的原始信号51a、51b的时间序列。但是,替代于图5a的硬阈值53,在图5b中应用了软阈值54。这样的软阈值可以被实现为加权函数,例如,如图6所示。替代于以检验lt<rdv<ut的形式应用门控标准C1,对原始数据值rdv进行加权以确定平均值av和离差度量σ。优选地,靠近先前限定的平均值av的原始数据值具有比远离av的原始数据值更高的权重,参见例如图6。
如图6所示,有益的是,软阈值的加权函数是连续的函数,特别地是平滑的函数。优选地,对于远离平均值av的原始数据值,加权函数趋于零。加权函数可以例如采用在av周围的高斯函数的形式,并且离差度量σ作为标准偏差。为了比较,图6以虚线示出了与先前描述的标准C1的硬阈值对应的加权函数。
一般而言,具有加权函数的软阈值具有以下效果:相邻的原始数据值(即相差0至5%)获得相似的权重(即相差0至5%)。因此,在图5b中,分别作为对应的原始信号51a和51b的例如标准化版本的输出信号52a、52b仅略有不同。不管原始信号的值的范围如何,这种输出都是鲁棒且可靠的。此外,它产生期望的用户体验,特别是如果两个相同类型的传感器例如并排放置并且测量相同的环境条件。
Claims (20)
1.一种用于处理环境传感器数据的方法,包括以下步骤:
-从环境传感器接收一个或多个原始数据值(11),
-仅根据在下限阈值和上限阈值(13)之间的原始数据值来确定在限定的时间段内的平均值和离差度量,
-根据平均值和离差度量重新限定下限阈值和上限阈值(13),
-响应于门控自适应事件(36),即使针对对应的时间步接收到的原始数据值不在下限阈值和上限阈值之间,也根据该原始数据值来确定平均值和离差度量。
2.根据权利要求1所述的方法,
其中每个离散时间步接收原始数据值之一,其中每个时间步根据在对应的时间步接收到的原始数据值重新确定平均值和离差度量,其中每个时间步根据针对对应的时间步确定的平均值和离差度量来重新限定下限阈值和上限阈值(13)。
3.根据权利要求2所述的方法,
其中下限阈值是平均值减去离差度量,
其中上限阈值(13)是平均值加上离差度量,
其中离差度量对应于原始数据值的标准偏差的一倍或两倍,和/或其中平均值对应于原始数据值的算术均值,和/或
其中限定的时间段至少为一小时。
4.根据权利要求1所述的方法,附加地包括以下步骤:
-根据平均值和/或离差度量,从原始数据值确定标准化的数据值,以及
-输出标准化的数据值,
-每个时间步根据针对对应的时间步确定的平均值和/或离差度量,从对应的原始数据值重新确定标准化的数据值。
5.根据权利要求1所述的方法,
其中平均值和离差度量各自递归确定。
7.根据权利要求1所述的方法,
其中响应于门控自适应事件(36),在门控自适应事件和门控自适应脱离事件(38)之间,只要限定的时间段超过门控自适应事件(36)和门控自适应脱离事件(38)之间的间隔,就根据在门控自适应事件(36)时或之后接收到的所有原始数据值并且根据在门控自适应事件(36)之前确定的最后的平均值和最后的离差度量来确定平均值和离差度量,即使该原始数据值不在下限阈值和上限阈值之间。
8.根据权利要求1所述的方法,
-对于监视时间段(37),确定不在下限阈值和上限阈值之间的原始数据值的数量与原始数据值的总数之间的比率,以及
-如果所述比率大于最大比率,那么设置门控自适应事件(36)。
9.根据权利要求1所述的方法,
-如果对于监视时间段(37)没有原始数据值在下限阈值和上限阈值之间,那么设置门控自适应事件(36)。
10.根据权利要求7所述的方法,
-在从门控自适应事件(36)起的预限定时间段(39)之后设置门控自适应脱离事件(38),
-响应于门控自适应脱离事件(38),仅当针对对应的时间步接收到的原始数据值在下限阈值和上限阈值之间时,才根据该原始数据值确定平均值和离差度量。
11.根据权利要求10所述的方法,
在门控自适应脱离事件(38)之后,每时间步仅根据在门控自适应脱离事件(38)之后接收到的在下限阈值和上限阈值之间的原始数据值以及在门控自适应脱离事件(38)之前确定的最后的平均值和最后的离差度量来确定平均值和离差度量。
12.根据权利要求1所述的方法,附加地包括以下步骤:
-根据平均值和离差度量确定原始数据值的加权函数的权重,
-在确定平均值和离差度量时将权重应用于原始数据值。
13.根据权利要求12所述的方法,
其中权重在平均值处或平均值附近最大。
14.根据权利要求13所述的方法,
其中对于零和平均值之间的原始数据值,权重单调增加,和/或其中对于平均值和无穷大之间的原始数据值,权重单调减小。
15.根据权利要求1所述的方法,包括以下步骤:
-在开始时,接收下限阈值和上限阈值的初始值,
-迭代进行根据权利要求1的方法的步骤。
16.根据权利要求1所述的方法,包括以下步骤:
-在开始时,从环境传感器接收初始原始数据值,
-根据初始原始数据值确定平均值和离差度量,
-根据平均值和离差度量限定下限阈值和上限阈值,
-迭代进行根据权利要求1的方法的步骤。
17.根据权利要求1所述的方法,包括以下步骤:
响应于接收到原始数据值,确定接收到的原始数据值是否在下限阈值和上限阈值之间,
响应于确定接收到的原始数据值是否在下限阈值和上限阈值之间,仅根据在下限阈值和上限阈值之间的原始数据值来确定所限定的时间段内的平均值和离差度量,从而仅当接收到的原始数据值在下限阈值和上限阈值之间时才包括该接收到的原始数据值,从而当接收到的原始数据值不在下限阈值和上限阈值之间时在平均值和离差度量的确定中排除该接收到的原始数据值,
响应于确定平均值和离差度量,根据所确定的平均值和所确定的离差度量重新限定下限阈值和上限阈值。
18.一种包括指令的计算机程序产品,在所述程序由处理器执行时,所述指令使所述处理器执行根据权利要求1所述的方法的步骤。
19.一种环境传感器,包括传感器和适于执行根据权利要求1所述的方法的步骤的处理器。
20.根据权利要求19所述的环境传感器,
其中传感器包括MOX传感器,和/或其中传感器包括VOC传感器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19213789.1A EP3832303A1 (en) | 2019-12-05 | 2019-12-05 | Self-tuning processing of environmental sensor data |
EP19213789.1 | 2019-12-05 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112924617A true CN112924617A (zh) | 2021-06-08 |
Family
ID=68806646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011411999.0A Pending CN112924617A (zh) | 2019-12-05 | 2020-12-04 | 自调节事件检测 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210172921A1 (zh) |
EP (1) | EP3832303A1 (zh) |
CN (1) | CN112924617A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI760904B (zh) * | 2020-10-28 | 2022-04-11 | 恩波信息科技股份有限公司 | 基於聲音的機械監測系統及方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5832411A (en) * | 1997-02-06 | 1998-11-03 | Raytheon Company | Automated network of sensor units for real-time monitoring of compounds in a fluid over a distributed area |
US5909178A (en) * | 1997-11-28 | 1999-06-01 | Sensormatic Electronics Corporation | Signal detection in high noise environments |
US20030065409A1 (en) * | 2001-09-28 | 2003-04-03 | Raeth Peter G. | Adaptively detecting an event of interest |
US7003405B1 (en) * | 2001-10-25 | 2006-02-21 | Sandia Corporation | Methods for characterizing subsurface volatile contaminants using in-situ sensors |
US7499821B2 (en) * | 2006-01-20 | 2009-03-03 | Airadvice, Inc. | Sensor drift characteristic testing |
US8026904B2 (en) * | 2007-01-03 | 2011-09-27 | Apple Inc. | Periodic sensor panel baseline adjustment |
JP4353989B2 (ja) * | 2007-04-27 | 2009-10-28 | 三菱電機株式会社 | 侵入検知システム |
JP7042222B2 (ja) * | 2017-02-03 | 2022-03-25 | ネクセリス イノベーション ホールディングス,エルエルシー | ガス検体について監視するシステム及び方法 |
-
2019
- 2019-12-05 EP EP19213789.1A patent/EP3832303A1/en active Pending
-
2020
- 2020-12-01 US US17/108,816 patent/US20210172921A1/en not_active Abandoned
- 2020-12-04 CN CN202011411999.0A patent/CN112924617A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210172921A1 (en) | 2021-06-10 |
EP3832303A1 (en) | 2021-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180225166A1 (en) | Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium | |
CN108917797B (zh) | 具有非线性滤波器的接近度传感器和方法 | |
US9739762B2 (en) | Portable sensor device with a gas sensor and low-power mode | |
US10432194B2 (en) | Adaptive signal threshold for triggering kick detection | |
US20190383780A1 (en) | Systems and methods for predicting gas concentration values | |
CN107852771B (zh) | 基于自适应滤波的网络异常检测 | |
CN112188531B (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
CN113780466B (zh) | 模型迭代优化方法、装置、电子设备和可读存储介质 | |
US20200159197A1 (en) | Manufacturing condition specifying system and method | |
CN107861915A (zh) | 获取预警阈值的方法、装置以及存储介质 | |
CN106575511B (zh) | 用于估计背景噪声的方法和背景噪声估计器 | |
EP2377110A1 (en) | Method and apparatus for calibrating a fall detector | |
US10330494B2 (en) | Method to determine a pressure noise metric for fall detection systems | |
JPWO2008087968A1 (ja) | 変化点検出方法および装置 | |
CN112924617A (zh) | 自调节事件检测 | |
WO2010047937A1 (en) | Robust filtering and prediction using switching models for machine condition monitoring | |
KR101716481B1 (ko) | 이동평균 필터의 동작 제어 방법 | |
CN113587520B (zh) | 冰箱化霜系统异常检测方法及装置 | |
CN110989430A (zh) | 一种智能家居联动方法、系统和可读存储介质 | |
US20150168595A1 (en) | Living body detector and power-saving mode setting method | |
KR101896157B1 (ko) | 통계적 공정 관리에 기반한 센서 제어 방법 | |
JP2004127037A (ja) | 異常判定方法,復帰判定方法,および電子機器 | |
CN108804282B (zh) | 显示装置、显示方法和存储介质 | |
KR101615346B1 (ko) | 반도체 제조 공정에서의 이상 감지 방법, 장치 및 기록매체 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210608 |