CN113155178A - 传感器系统和方法 - Google Patents
传感器系统和方法 Download PDFInfo
- Publication number
- CN113155178A CN113155178A CN202110073420.2A CN202110073420A CN113155178A CN 113155178 A CN113155178 A CN 113155178A CN 202110073420 A CN202110073420 A CN 202110073420A CN 113155178 A CN113155178 A CN 113155178A
- Authority
- CN
- China
- Prior art keywords
- sensor
- additional information
- measurement
- evaluation algorithm
- sensor signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005259 measurement Methods 0.000 claims abstract description 117
- 238000011156 evaluation Methods 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 38
- 239000000796 flavoring agent Substances 0.000 claims description 9
- 235000019634 flavors Nutrition 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 235000013361 beverage Nutrition 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000001139 pH measurement Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003599 detergent Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000010327 methods by industry Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G01D21/00—Measuring or testing not otherwise provided for
-
- 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
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- 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
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8411—Application to online plant, process monitoring
- G01N2021/8416—Application to online plant, process monitoring and process controlling, not otherwise provided for
Abstract
本申请涉及传感器系统和方法。本发明涉及一种传感器系统，其具有至少一个测量点，该传感器系统具有至少一个第一传感器和一个测量变送器；其中第一传感器被配置为输出第一传感器信号，第一传感器信号是在测量点处存在的测量介质的第一被测变量的函数；并且其中测量变送器被连接到第一传感器，以便接收第一传感器信号，并且包括评估应用，该评估应用被配置为至少基于第一传感器信号借助于评估算法确定与第一被测变量不同的一条附加信息；并且其中传感器系统还包括较高级数据处理结构，尤其是服务器或云；并且其中较高级数据处理结构和测量变送器都被配置为执行训练应用，该训练应用被配置为训练评估算法。本发明还涉及一种用于确定附加信息的方法。
Description
技术领域
本发明涉及一种传感器系统，其具有至少一个测量点，该传感器系统具有至少一个第一传感器和一个测量变送器。本发明还涉及一种方法，该方法用于至少基于为第一被测变量的函数的第一传感器的第一传感器信号来确定不同于能够借助于第一传感器确定的测量介质的被测变量的附加信息。
背景技术
用于测量和监视各种被测变量的传感器经常用于过程和/或自动化技术以及实验室中。此类传感器的示例为填充水平传感器、流量传感器、压力传感器、温度传感器和分析传感器，诸如pH传感器、电导率传感器、浊度传感器、用于确定离子浓度的离子选择电极、用于确定溶解气体的安培传感器、光化学传感器，例如用于氧气或pH测量的光化学传感器或光谱传感器。相应的基础测量原理从现有技术中是已知的，并且此处未单独列出。
在本申请意义上的测量点包括一个或多个用于检测表示被测变量的传感器信号的传感器，以及可以接收并进一步处理附接到该测量变送器或与其连接以进行通信的传感器的传感器信号的测量变送器。进一步的处理可以包括确定要由各个传感器检测的被测变量的测量值，对测量值的进一步评估和/或附加信息的确定。
附加信息可以是例如有关传感器状态或有关测量点监视的介质或过程的信息。这样的附加信息可以借助于KI算法来确定，尤其是使用传感器数据，该传感器数据可以由测量点的传感器以传感器信号的形式提供。例如，可以通过机器分类确定来自传感器信号的附加信息。例如，DE 10 2012 112784A1公开了一种方法，其中借助分类器从各种诊断参数确定传感器状态。从DE 10 2012 112782已知，借助于分类器来识别过程，其中分类器将当前在该过程中检测到的测量值概述或该测量值概述的至少一个或多个特征分配给预定的过程类别并确定当前测量值概述表示过程类别的过程的概率。
例如，基于传感器数据借助于机器分类，适合于基于KI的附加信息确定的算法的创建需要高的存储和计算能力，并且需要处理多个训练数据以训练该算法。传感器的制造商具有各种各样的训练数据，其适合于创建评估算法，以从所述制造商提供的传感器的传感器信号中获得附加信息。因此，它已经可以基于这些训练数据供给训练后的评估算法。另一方面，在过程工业或实验室中的许多应用中，可能是用户，即过程操作员想要与他的特定过程有关的特殊附加信息，或者希望密切监视仅其已知的和只有对他才具有有意义的训练数据的特殊过程。用户也可能想要基于不同制造商的传感器提供的传感器数据来确定附加信息。但是，由于技术、组织或法律原因，通常不可能或很难合并来自制造商以及传感器或测量点的各种用户的训练数据。
发明内容
因此，本发明的目的是提出一种传感器系统和方法，其使得能够用于使用来自传感器系统的传感器的传感器数据获得附加信息的评估算法以灵活地适应于单独测量点、单独测量任务或单独过程的要求。
根据本发明，该目的通过根据权利要求1的传感器系统和根据权利要求8的方法来实现。在从属权利要求中列出了有利的实施例。
根据本发明的传感器系统包括至少一个测量点，其具有至少一个第一传感器和一个测量变送器，
其中第一传感器被配置为输出第一传感器信号，第一传感器信号是在测量点处存在的测量介质的第一被测变量的函数，
其中测量变送器被连接到第一传感器，以便接收第一传感器信号，并且包括评估应用，该评估应用被配置为至少基于第一传感器信号，借助于评估算法来确定与第一被测变量不同的至少一条附加信息，
并且其中传感器系统还包括较高级数据处理结构，尤其是服务器或云，
并且其中较高级数据处理结构和测量变送器都被配置为执行训练应用，该训练应用被配置为训练评估算法。
由于较高级数据处理结构和测量变送器都被配置为执行训练应用，因此可以基于由较高级数据处理结构提供的并且可以源自传感器制造商或其他用户的训练数据集，借助于具有高计算能力的较高级数据处理结构，或(替代或附加地)基于可以包括特定的过程、特定的传感器组合或用户的敏感数据的测量点的用户的特定训练数据集，借助于本地安装的测量变送器，选择性地对评估算法进行训练。这允许在训练评估算法时具有高度的灵活性，以便因此使得评估算法能够针对单独测量点或其单独测量任务和/或由测量点监视的工业或实验室过程进行单独适配。
训练可以基于第一传感器信号的训练数据集进行。训练数据集的第一传感器信号可以是由第一传感器或相同类型的一个或多个传感器检测到的测试数据，或者是由第一传感器或相同类型的传感器在特定测量点处检测到的历史传感器信号。另外，训练可以包括在用训练数据集训练之后获得的用测试数据集对评估算法的检查，该测试数据集与训练数据集不同。如果下面参考评估算法的训练，则包括有分开的测试数据集的可选检查。
第一被测变量可以是例如标量被测变量，诸如pH值、测量介质中化学物质的浓度、填充水平、流速、温度或压力。第一被测变量也可以是向量，例如具有限定分辨率的波长范围上的光谱。
有利地，测量点可以包括多个传感器，尤其是不同类型的传感器，其中借助于评估算法在确定附加信息中包括多个传感器中的所有或一些的传感器信号。测量点的传感器可以源自不同的制造商。在该实施例中，测量变送器可以被实施为多通道测量变送器，其可以同时和/或并行地处理多个不同传感器的测量信号。测量变送器可以被配置为根据传感器信号确定第一被测变量。测量变送器可以显示根据传感器信号确定的被测变量和附加信息。
例如，测量点可以包括至少一个第二传感器和可选的另外的传感器，其中第二传感器和可选地存在的另外的传感器被配置为输出第二和可选的另外的传感器信号，这些信号是不同于第一被测变量和附加信息的第二被测变量以及可选的测量介质的其他被测变量的函数，
并且其中测量变送器被连接到第二传感器和可选地存在的另外的传感器，以便接收第二传感器信号和可选地另外的传感器信号，以及
其中评估应用被配置为基于第一和第二传感器信号借助于评估算法确定附加信息。
与第一被测变量一样，第二被测变量也可以例如是标量被测变量，诸如pH值、测量介质中化学物质的浓度、填充水平、流速、温度或压力。第二被测变量也可以是向量，例如具有限定分辨率的波长范围内上光谱。
训练应用可以相应地被配置为基于训练数据集来训练评估算法，该训练数据集至少包括第一传感器信号或可选地还包括第二或另外的传感器信号或相同类型的传感器信号。
在所有这些实施例中，训练数据集可以由训练传感器信号和待确定的附加信息的值组成，所述值与训练传感器信号相关联。从多个训练数据集中，评估算法可以学习将附加信息的值分配给特定传感器信号或特定传感器信号的组合。
由评估算法包括在确定附加信息中的传感器信号是其函数的被测变量，通常与要确定的附加信息相关。
附加信息可以是测量介质的进一步被测变量，例如不能直接由传感器确定的被测变量或测量介质的属性特征或有关测量点的信息。作为属性特征，附加信息可以表示例如测量介质的风味或风味成分，气味或气味成分。如果测量点是过程测量点，则附加信息可以表示过程的状态。
评估算法可以包括映射规则，尤其是分类器，例如神经网络或多项式分类器、或多元方法、支持向量机，其中训练应用被配置为训练映射规则的系数，尤其是分类器的权重或多元方法的参数化。如上，训练应用可以进一步被配置为借助于测试数据集检查评估算法。
训练应用可以被配置为执行机器学习过程，尤其是监督学习过程或无监督学习过程的机器学习过程。
用于确定附加参数的传感器信号可以包括被测变量的测量值或原始测量值、例如吸收或消光的光度或光谱测量值或代表光谱的数据。
测量变送器可以是过程工业的常规测量变送器、紧凑型测量变送器或常规计算机，例如平板计算机或智能电话，它们执行软件应用，该软件应用提供测量变送器功能以接收和处理传感器的传感器信号，并且可选地用于转发传感器信号或从传感器信号导出的数据。
本发明还涉及一种方法，该方法用于至少基于为第一被测变量的函数的第一传感器的第一传感器信号来确定不同于能够借助于第一传感器确定的测量介质的被测变量的附加信息，其中该方法包括以下步骤：
-检测第一传感器的第一传感器信号，
-借助于评估应用确定附加信息，该评估应用由连接到第一传感器以进行通信的测量变送器执行，其中评估应用至少基于第一传感器信号借助于评估算法来确定附加信息，
并且其中，评估算法是借助于训练应用进行训练的，该训练应用在较高级数据处理结构中，尤其是服务器或云中，和/或在测量变送器中选择性地被执行。
该方法可以有利地借助于上述设备被执行。
训练可以基于第一传感器信号的训练数据集进行。训练数据集的第一传感器信号可以是由第一传感器或相同类型的一个或多个传感器检测到的测试数据，或者是由第一传感器或相同类型的传感器在特定测量点处检测到的历史传感器信号。如上所述，训练可以另外包括在用训练数据集训练之后获得的用测试数据集对评估算法的检查，该测试数据集与训练数据集不同。
借助于评估算法，在确定附加信息时可以有利地包括多个传感器，尤其是不同类型的传感器，的传感器信号。测量点的传感器可以源自不同的制造商。然后，以这样的方式相应地编译训练数据集，使得以合适的方式表示不同传感器的行为的训练数据被包括在训练数据集中。
在多个传感器的情况下，该方法例如还可以包括以下步骤：
-检测为了通信被连接到的测量变送器的至少一个第二传感器或者可选地，另外的传感器的至少第二或另外的传感器信号，其中第二或另外的传感器信号是不同于第一被测变量的测量介质和附加信息的第二被测变量或测量介质的另外的被测变量的函数，
-借助于评估应用确定附加信息，其中评估应用至少基于第一传感器信号和第二传感器信号以及可选地基于另外的传感器信号借助于评估算法确定附加信息。
可以借助于训练应用基于第一和第二传感器信号的训练数据集来训练评估算法，该训练应用在较高级数据处理结构中，尤其是服务器或云中，和/或在测量变送器中选择性地被执行。训练应用可以基于训练数据集来训练评估算法，该训练数据集至少包括第一传感器信号或可选地还包括第二传感器信号或另外的传感器信号或相同类型的传感器信号。
如已经结合上述传感器装置的那样，由评估算法包括在确定附加信息中的被检测传感器信号是其函数的被测变量，通常与要确定的附加信息相关。
附加信息可以是测量介质的进一步被测变量，例如不能直接由传感器确定的被测变量，也可以是测量介质的属性特征或有关测量点的信息。作为属性特征，附加信息可以表示例如测量介质的风味或风味成分，气味或气味成分。如果测量点是过程测量点，则附加信息可以表示过程的状态。
评估算法可以包括映射规则，尤其是分类器，例如神经网络或多项式分类器、或多元方法，其中训练应用被配置为训练映射规则的系数，尤其是分类器的权重、或多元方法的参数化。如上，训练应用可以进一步被配置为借助于测试数据集检查评估算法。
训练应用可以执行机器学习过程，尤其是监督学习过程或无监督学习过程。
可以离线和/或在线地训练评估算法，例如分类器。离线训练应被理解为指在执行过程或使用测量点的监视任务之前进行的训练。因此，原则上，这涉及在实验室条件下进行训练。相反，在线训练是在使用测量点的过程中或监视任务期间进行的。
可以借助于由较高级数据处理结构执行的训练应用，基于第一训练数据集来训练评估算法，以便生成评估算法的第一版本，其中随后，将评估算法的第一版本传输到测量变送器，以便由测量变送器执行以确定附加信息。
可以基于与第一训练数据集不同的第二训练数据集，借助于测量变送器执行的训练应用来训练评估算法的第一版本，以生成第二版本的评估算法。随后，附加信息可以由测量变送器基于评估算法的第二版本来确定。
测量变送器可以基于评估算法的第一版本确定附加信息的第一值，并且基于评估算法的第二版本确定附加信息的第二值，并将其显示给用户。基于该显示，用户可以确定附加信息的第一或第二值是否更合适，并因此选择使用评估算法的第一或第二版本来继续借助于测量点的过程或介质的监视。
测量变送器也可以将通过评估算法的第一版本获得的第一值与通过评估算法的第二版本获得的第二值之间的比较结果转发给较高级数据处理结构，使得较高级数据处理结构可以将比较结果包括在评估算法的进一步训练中。
评估算法可以借助于训练应用由较高级数据处理结构进行训练，其中用于该目的的训练数据集包括相同类型的传感器的传感器信号，该信号在不同的测量点被检测以便确定相同的附加信息。例如可以体现为云或服务器的较高级数据处理结构可以连接到各个测量点，以便接收测量点的数据，并可以从数据特定的训练数据集中进行编译，用于训练用于确定特定的附加信息的评估算法。
附图说明
图1示出了根据本申请的示例性实施例的传感器装置。
具体实施方式
下面基于图1所示的示例性实施例进一步详细说明本发明。
图1示出了具有测量点2的传感器装置1，其由三个传感器3、4、5和测量变送器7形成。传感器3、4、5被安装在过程6中，例如安装在承载过程介质的管道或容器中。传感器3、4和5被配置为生成数字传感器信号M1、M2、M3，其分别是过程介质，以下也称为测量介质的被测变量的函数，并将其输出到测量变送器7进行进一步处理。测量变送器7具有处理器和数据存储器，其包括操作和评估程序并且被配置为执行所述计算机程序。测量变送器7可以被连接到较高级数据处理结构8以进行通信。此连接可以但不必须是永久的。较高级数据处理结构8可以是云或单个服务器。
测量变送器7以常规方式被配置为借助于传感器3、4、5确定并显示从传感器信号M1、M2、M3确定的第一被测变量。这种被测变量可以是例如标量被测变量，诸如pH值、测量介质中化学物质的浓度、填充水平、流速、温度或压力、或特定波长的测量辐射的吸收或消光。被测变量也可以是向量，例如具有限定分辨率的波长范围内上光谱。该第一被测变量是在每种情况下分别由单个传感器提供的被测变量。
测量变送器7包括用于执行评估算法的计算机程序。评估算法被配置为从一个或多个或所有传感器信号M1、M2和M3确定附加信息。所述附加信息可以是测量介质的另一被测变量，例如不能直接由传感器确定的被测变量，或测量介质的属性特征或关于测量点的信息。如果测量点是过程测量点，则附加信息可以表示过程的状态。
测量变送器7和较高级数据处理结构8都包括被设计为软件的训练应用，该训练应用被配置为训练用于确定附加信息的评估算法。因此，传感器装置1供给了基于通常由所述较高级数据处理结构提供的大的训练数据集而在较高级数据处理结构8中用高计算能力训练评估算法的可能性。同时，传感器装置1供给了通过测量点2的(本地)测量变送器7训练评估算法的可能性。本地测量变送器7可能不具有与数据处理结构8一样多的训练数据。本地测量变送器7的计算能力通常也低于较高级数据处理结构8的计算能力。另一方面，特定测量点数据和/或用户数据可用于本地测量变送器7，该数据允许针对单独测量任务或单独测量点7的情况或过程6的特定行为对评估算法进行更精确的训练。
具体地，因此评估算法可以借助于训练应用，例如，在以下变形中进行训练：
1)仅由较高级数据处理结构8进行训练，
2)仅由测量变送器7进行训练，
3)由较高级数据处理结构8进行训练，随后由测量变送器7进行进一步训练，
4)由测量变送器7进行训练，随后由较高级数据处理结构8进行进一步训练。
当然，测量变送器7和数据处理结构8也可以相互交换训练数据。
此外，在训练或进一步训练(变形2、3或4)的情况下，测量变送器可以从数据处理结构8下载数据处理结构8提供的测试数据集，以便检查基于训练数据集获得的评估算法。该测试数据集可以源自实验室测量，源自测量点2的历史数据或源自与数据处理结构8通信的其他可比较测量点的历史数据。
附加信息可以代表例如不能直接由传感器确定的测量介质的被测变量或特性。传感器3可以例如是光谱仪，传感器4可以是压力传感器，并且传感器5可以是温度传感器。附加信息可以借助于评估算法从由光谱仪供应的传感器信号M1中得出，该传感器信号M1表示测量介质在特定波长范围内(例如，UV/Vis)的光谱。有利地，评估算法可以附加地考虑压力和温度传感器的传感器信号M2和M3。基于数据，评估算法可以作为附加信息，定性或定量地确定特定的分析物，该分析物不能被测量介质中的传感器直接检测。
替代地，评估算法还可以从传感器信号M1、M2、M3作为附加信息确定测量介质的属性特征，例如，气味、风味或气味或风味成分。这样的风味成分可以例如是“甜”、“苦”、“酸”、“咸”等。附加地或替代地，评估算法也可以被训练为从传感器信号M1、M2和M3导出某些错误状态作为附加信息。这种错误状态例如可以是在测量介质中存在不希望的异物或光散射颗粒。
训练数据集可以由训练传感器信号和待确定的附加信息的值组成，所述值与训练传感器信号相关联。从多个训练数据集中，评估算法可以学习将附加信息的值分配给特定传感器信号或特定传感器信号的组合。在下文中，通过说明的方式给出了来自过程工业中各个应用领域的一些示例。
在水/废水领域，评估算法可用于从测量点的传感器数据中识别错误状态，例如爆裂的管道，例如沙子、藻类或细菌的固体颗粒的进入，作为附加信息。
在食品加工工程领域，评估算法可用于从测量点2的传感器数据中识别过程介质的质量参数，作为附加信息。例如，对于生产各种饮料的加工厂中的测量点2，评估算法可以将当前存在于测量点的测量介质识别为附加信息，例如“清洁剂”、“饮料1”、“饮料2”等。错误状态的检测也是可能的。
在化学或制药过程工程领域，评估算法可用于从测量点的传感器数据中识别错误状态，例如是否存在不良异物，泄漏等，作为附加信息。
在生命科学领域，评估算法可用于从测量站点的传感器数据中查明不能由传感器直接测量的参数，例如活细胞的数量或密度，过程产物或由细胞产生的代谢产物的浓度，作为附加信息。
训练应用还可被设计为识别测量点的冗余传感器并输出信息。例如，可以向用户指示不需要传感器3、4或5之一来确定附加信息。然后，用户可以决定从测量点移除冗余传感器。
尽管图1示出了具有三个传感器的测量点，但是本发明不限于该配置。也可以仅提供单个或任何其他数量的传感器。在根据本发明的传感器系统中使用的传感器的示例是以下提到的传感器的单独或任意组合：填充水平传感器、流量传感器、压力传感器、温度传感器和分析传感器，诸如pH传感器、电导率传感器、浊度传感器、用于确定离子浓度的离子选择电极、用于确定溶解气体的安培传感器、例如用于氧气或pH测量的光化学传感器、光度传感器或光谱传感器。
Claims (14)
1.一种传感器系统，所述传感器系统具有至少一个测量点，所述传感器系统具有至少一个第一传感器和一个测量变送器，
其中，所述第一传感器被配置为输出第一传感器信号，所述第一传感器信号是在所述测量点处存在的测量介质的第一被测变量的函数，
并且其中，所述测量变送器被连接到所述第一传感器，以便接收所述第一传感器信号，并且包括评估应用，所述评估应用被配置为至少基于所述第一传感器信号，借助于评估算法来确定与所述第一被测变量不同的至少一条附加信息，
并且其中，所述传感器系统还包括较高级数据处理结构，尤其是服务器或云，
其中，所述较高级数据处理结构和所述测量变送器都被配置为执行被配置为训练所述评估算法的训练应用。
2.根据权利要求1所述的传感器系统，
其中，所述附加信息是所述测量介质的另一被测变量，或者是所述测量介质的属性特征，或者是关于所述第一测量点的信息。
3.根据权利要求1或2所述的传感器系统，
其中，所述附加信息表示所述测量介质的风味或风味成分，气味或气味成分。
4.根据权利要求1所述的传感器系统，
其中，所述第一测量点是过程测量点，并且其中所述附加信息表示过程的状态。
5.根据权利要求1至4中的任一项所述的传感器系统，
其中，所述评估算法包括映射规则，尤其是分类器或多元方法，并且其中所述训练应用被配置为训练所述映射规则的系数，尤其是所述分类器的权重或所述多元方法的参数化。
6.根据前述权利要求中的任一项所述的传感器系统，
其中，所述测量点包括至少一个第二传感器，所述至少一个第二传感器被配置为输出第二传感器信号，所述第二传感器信号为所述测量介质的不同于所述第一被测变量和所述附加信息的第二被测变量的函数，
并且其中，所述测量变送器被连接到所述第二传感器以便接收所述第二传感器信号，并且
其中，所述评估应用被配置为基于所述第一传感器信号和所述第二传感器信号借助于所述评估算法确定所述附加信息。
7.根据权利要求6所述的传感器系统，
其中，所述训练应用被配置为基于训练数据集来训练所述评估算法，所述训练数据集至少包括第一传感器信号并且可选地还包括第二传感器信号。
8.一种用于至少基于为第一被测变量的函数的第一传感器的第一传感器信号来确定不同于能够借助于所述第一传感器确定的测量介质的第一被测变量的附加信息的方法，其中所述方法包括以下步骤：
-检测所述第一传感器的所述第一传感器信号，
-借助于评估应用确定所述附加信息，所述评估应用由连接到所述第一传感器以进行通信的测量变送器执行，其中所述评估应用至少基于所述第一传感器信号借助于评估算法来确定所述附加信息，
并且其中，所述评估算法是借助于训练应用进行训练的，所述训练应用在较高级数据处理结构中，尤其是服务器或云中，和/或在所述测量变送器中选择性地被执行。
9.根据权利要求8所述的方法，
还包括：
-检测连接至所述测量变送器以进行通信的至少一个第二传感器的第二传感器信号，其中所述第二传感器信号是所述测量介质的不同于所述第一被测变量和所述附加信息的第二被测变量的函数，
-借助于所述评估应用确定所述附加信息，其中所述评估应用至少基于所述第一传感器信号和所述第二传感器信号借助于所述评估算法确定所述附加信息。
10.根据权利要求8或9所述的方法，
其中，基于第一训练数据集，借助于由所述较高级数据处理结构执行的所述训练应用来训练所述评估算法，以便生成所述评估算法的第一版本，并且其中所述评估算法的第一版本随后被传输到所述测量变送器，以便由所述测量变送器执行以确定所述附加信息。
11.根据权利要求10所述的方法，
其中，基于与所述第一训练数据集不同的第二训练数据集，借助于由所述测量变送器执行的所述训练应用来训练所述评估算法的所述第一版本，以便生成所述评估算法的第二版本。
12.根据权利要求11所述的方法，
其中，所述附加信息随后由所述测量变送器基于所述评估算法的所述第二版本来确定。
13.根据权利要求11或12所述的方法，
其中，所述测量变送器基于所述评估算法的所述第一版本确定所述附加信息的第一值，并且基于所述评估算法的所述第二版本确定所述附加信息的第二值，并将它们显示给用户。
14.根据权利要求8至13中的任一项所述的方法，
其中，所述评估算法由所述较高级数据处理结构通过所述训练应用进行训练，其中为此目的使用的训练数据集包括相同类型传感器的传感器信号，所述传感器信号在不同测量点处被检测到以便确定相同的附加信息。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102020101490.2 | 2020-01-22 | ||
| DE102020101490.2A DE102020101490A1 (de) | 2020-01-22 | 2020-01-22 | Sensorsystem und Verfahren |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113155178A true CN113155178A (zh) | 2021-07-23 |
| CN113155178B CN113155178B (zh) | 2023-10-31 |
Family
ID=76650489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110073420.2A Active CN113155178B (zh) | 2020-01-22 | 2021-01-20 | 传感器系统和方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11774348B2 (zh) |
| CN (1) | CN113155178B (zh) |
| DE (1) | DE102020101490A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015150A (zh) * | 2022-05-25 | 2022-09-06 | 中国船舶重工集团公司第七0三研究所 | 一种多通道冗余型高精度可燃气体浓度传感器 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113874895A (zh) | 2019-05-09 | 2021-12-31 | 杜尔系统股份公司 | 分析方法及用于该分析方法的装置 |
| JP2022532089A (ja) * | 2019-05-09 | 2022-07-13 | デュール システムズ アーゲー | 工作物を管理する方法、管理設備及び処理設備 |
| DE102021126826A1 (de) | 2021-10-15 | 2023-04-20 | Vega Grieshaber Kg | Computerimplementiertes Verfahren zur Klassierung eines Mediums, Datenverarbeitungseinrichtung und Messgerät |
| DE102021133787A1 (de) | 2021-12-20 | 2023-06-22 | Endress+Hauser SE+Co. KG | Detektion von Fremdkörpern in fließenden Messmedien |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130332398A1 (en) * | 2012-06-12 | 2013-12-12 | Connotate, Inc. | Monitoring and replaying user behaviors on the web |
| DE102012112784A1 (de) * | 2012-12-20 | 2014-06-26 | Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG | Verfahren zur Bestimmung eines Zustands eines Sensors |
| EP2763065A1 (en) * | 2013-01-31 | 2014-08-06 | Sensirion AG | Method and system for identifying a fluid sample |
| CN104280518A (zh) * | 2013-07-03 | 2015-01-14 | 恩德莱斯和豪瑟尔测量及调节技术分析仪表两合公司 | 测量装置 |
| CN104931538A (zh) * | 2015-06-10 | 2015-09-23 | 中冶南方工程技术有限公司 | 一种学习型的盐酸浓度铁离子浓度在线检测系统和方法 |
| CN107085117A (zh) * | 2015-10-09 | 2017-08-22 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 测量装置 |
| CN107203204A (zh) * | 2017-05-23 | 2017-09-26 | 浙江大学 | 基于随机森林和二维码识别的农业移动机器人 |
| CN107766888A (zh) * | 2017-10-24 | 2018-03-06 | 众安信息技术服务有限公司 | 数据处理方法和装置 |
| CN107810508A (zh) * | 2015-06-26 | 2018-03-16 | 圣蒂安斯公众有限公司 | 根据传感器数据推导运动行为 |
| CN108665072A (zh) * | 2018-05-23 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种基于云架构的机器学习算法全过程训练方法及系统 |
| CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
| US20190034803A1 (en) * | 2017-07-25 | 2019-01-31 | Fanuc Corporation | Information processing apparatus |
| CN109781171A (zh) * | 2017-11-13 | 2019-05-21 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 用于分析测量介质的测量设备 |
| US20190234973A1 (en) * | 2018-01-29 | 2019-08-01 | Stratuscent Inc. | Chemical sensing system |
| CN110388952A (zh) * | 2018-04-23 | 2019-10-29 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 用于在线测量仪器的验证、校准和/或调整的设备和方法 |
| CN110494047A (zh) * | 2016-11-23 | 2019-11-22 | 云模式公司 | 集成分布的分类、预测和反应系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102012112782A1 (de) | 2012-12-20 | 2014-06-26 | Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG | Verfahren und Vorrichtung zur Bestimmung eines Zustands eines in einem Prozessbehälter integrierten Messaufnehmers |
| US10489992B2 (en) | 2017-05-08 | 2019-11-26 | Lear Corporation | Vehicle communication network |
| US10710429B2 (en) | 2017-08-24 | 2020-07-14 | Ford Global Technologies, Llc | Vehicle cabin odor detection and amelioration |
| CN111567022B (zh) | 2017-11-27 | 2022-05-13 | 西门子股份公司 | 使用移动设备和云计算机的机器诊断 |
| US11651244B2 (en) | 2018-10-04 | 2023-05-16 | Here Global B.V. | Method and apparatus for predicting sensor error |
| US11560279B2 (en) * | 2019-07-02 | 2023-01-24 | Kyocera Document Solutions Inc. | Systems and methods for classifying sheets of a printing device |
-
2020
- 2020-01-22 DE DE102020101490.2A patent/DE102020101490A1/de active Pending
-
2021
- 2021-01-20 US US17/153,048 patent/US11774348B2/en active Active
- 2021-01-20 CN CN202110073420.2A patent/CN113155178B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130332398A1 (en) * | 2012-06-12 | 2013-12-12 | Connotate, Inc. | Monitoring and replaying user behaviors on the web |
| DE102012112784A1 (de) * | 2012-12-20 | 2014-06-26 | Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG | Verfahren zur Bestimmung eines Zustands eines Sensors |
| EP2763065A1 (en) * | 2013-01-31 | 2014-08-06 | Sensirion AG | Method and system for identifying a fluid sample |
| CN104280518A (zh) * | 2013-07-03 | 2015-01-14 | 恩德莱斯和豪瑟尔测量及调节技术分析仪表两合公司 | 测量装置 |
| CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
| CN104931538A (zh) * | 2015-06-10 | 2015-09-23 | 中冶南方工程技术有限公司 | 一种学习型的盐酸浓度铁离子浓度在线检测系统和方法 |
| CN107810508A (zh) * | 2015-06-26 | 2018-03-16 | 圣蒂安斯公众有限公司 | 根据传感器数据推导运动行为 |
| CN107085117A (zh) * | 2015-10-09 | 2017-08-22 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 测量装置 |
| CN110494047A (zh) * | 2016-11-23 | 2019-11-22 | 云模式公司 | 集成分布的分类、预测和反应系统 |
| CN107203204A (zh) * | 2017-05-23 | 2017-09-26 | 浙江大学 | 基于随机森林和二维码识别的农业移动机器人 |
| US20190034803A1 (en) * | 2017-07-25 | 2019-01-31 | Fanuc Corporation | Information processing apparatus |
| CN107766888A (zh) * | 2017-10-24 | 2018-03-06 | 众安信息技术服务有限公司 | 数据处理方法和装置 |
| CN109781171A (zh) * | 2017-11-13 | 2019-05-21 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 用于分析测量介质的测量设备 |
| US20190234973A1 (en) * | 2018-01-29 | 2019-08-01 | Stratuscent Inc. | Chemical sensing system |
| CN110388952A (zh) * | 2018-04-23 | 2019-10-29 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 用于在线测量仪器的验证、校准和/或调整的设备和方法 |
| CN108665072A (zh) * | 2018-05-23 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种基于云架构的机器学习算法全过程训练方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 原泉等: "基于小波神经网络的多传感器自适应融合算法", 《北京航空航天大学学报》 * |
| 原泉等: "基于小波神经网络的多传感器自适应融合算法", 《北京航空航天大学学报》, no. 11, 15 November 2008 (2008-11-15) * |
| 周末;金敏;: "多算法多模型与在线第二次学习结合的短期电力负荷预测方法", 计算机应用, no. 11 * |
| 王勇: "基于深度卷积神经网络的网络流量分类方法", 通信学报 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015150A (zh) * | 2022-05-25 | 2022-09-06 | 中国船舶重工集团公司第七0三研究所 | 一种多通道冗余型高精度可燃气体浓度传感器 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210223167A1 (en) | 2021-07-22 |
| US11774348B2 (en) | 2023-10-03 |
| DE102020101490A1 (de) | 2021-07-22 |
| CN113155178B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113155178B (zh) | 传感器系统和方法 | |
| US8005629B2 (en) | Method for monitoring sensor function | |
| US5764509A (en) | Industrial process surveillance system | |
| Del Valle | Sensor arrays and electronic tongue systems | |
| CN104870991A (zh) | 用于确定集成在过程容器中的测量变换器的状态的方法和设备 | |
| Chou et al. | Economic design of variable sampling intervals T2 control charts using genetic algorithms | |
| Samuelsson et al. | Gaussian process regression for monitoring and fault detection of wastewater treatment processes | |
| Tran et al. | On the performance of coefficient of variation charts in the presence of measurement errors | |
| Ait-Izem et al. | Sensor fault detection based on principal component analysis for interval-valued data | |
| KR20170127430A (ko) | 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템 | |
| CA2843157A1 (en) | Extrapolation of interpolated sensor data to increase sample throughput | |
| Lee et al. | An enhanced prediction model for the on-line monitoring of the sensors using the Gaussian process regression | |
| Skålvik et al. | Challenges, limitations, and measurement strategies to ensure data quality in deep-sea sensors | |
| Clarke et al. | Model-based validation of a DOx sensor | |
| CN109891235B (zh) | 基于统计方法，自动在线检测流体的实际状态与流体的参考状态的偏差的方法，特别是用于监测饮用水供应 | |
| Schmetz et al. | Decision Support by Interpretable Machine Learning in Acoustic Emission Based Cutting Tool Wear Prediction | |
| WO2004053476A1 (en) | Simplified signal processing method for voltammetry | |
| CN112798783B (zh) | 血糖检测系统和方法 | |
| US20230161679A1 (en) | Method of determining application-specific total plausibilities of measured values of at least one measurand measured by a measurement system in a specific application | |
| WO2016010446A1 (en) | Method for validation of an investigated sensor and corresponding machine | |
| ITRM20080362A1 (it) | Sistema per il controllo della salubrità in filiera alimentare e nell'ambiente mediante indici di tossicità e relativo metodo per la rilevazione ed analisi dei dati. | |
| CN117752269B (zh) | 一种洗碗机的工作状态自动控制方法及装置 | |
| Dix et al. | Measuring the Robustness of ML Models Against Data Quality Issues in Industrial Time Series Data | |
| Karthikeyan et al. | Design and development of low-cost blood serum analyser using adaptive neuro fuzzy inference system | |
| Deschepper et al. | Tests and diagnostic plots for detecting lack-of-fit for circular-linear regression models |
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 |