CN113591314A - 传感器可信性评估方法、装置、计算机设备及介质 - Google Patents
传感器可信性评估方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN113591314A CN113591314A CN202110895663.4A CN202110895663A CN113591314A CN 113591314 A CN113591314 A CN 113591314A CN 202110895663 A CN202110895663 A CN 202110895663A CN 113591314 A CN113591314 A CN 113591314A
- Authority
- CN
- China
- Prior art keywords
- sensor
- initial input
- determining
- model
- random
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 108
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims description 52
- 238000005315 distribution function Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 16
- 238000013432 robust analysis Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000010206 sensitivity analysis Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010998 test method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001583 randomness test Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种传感器可信性评估方法、装置、计算机设备及介质,该方法包括:根据待评估传感器的型号参数确定蒙特卡洛随机模型的运行参数;获取待评估传感器的测量公差值和实时测量值;基于测量公差值和实时测量值确定蒙特卡洛随机模型的初始输入增益和初始输入偏置;根据初始输入增益及初始输入偏置确定正态分布的测量随机数;根据测量随机数运行蒙特卡洛随机模型;根据模型运行结果对传感器的测量值进行可信性评估。本发明提供的传感器可信性评估方法,通过传感器的公差值为蒙特卡洛仿真生成传感器的测量随机数,避免建立各种工况下的全数据实际模型,提高传感器可信性评估准确度和评估效率。
Description
技术领域
本发明涉及传感器检测技术领域,尤其涉及一种传感器可信性评估方法、装置、计算机设备及介质。
背景技术
随着国六排放法规的升级,对汽车污染物排放控制提出了更严格的要求。排放物浓度监测是排放控制的重要手段和工具,而传感器可信性成为影响发动机排放监测的重要因素。
传统的传感器可信性分析主要采用定性式判断方式,依赖有经验的操作人员定性分析数据是否可信,其存在的问题在于,无法从数据层面进行量化分析,主观性大,可信性判断准确度较低,且人工与时间成本较大,难以满足传感器应用场景的实际需求,传感器测量数据偏差容易导致安全隐患。
在现有技术中,部分厂商通过构建物理模型,抽象得到系统的鲁棒性评估指标,对传感器测量值进行鲁棒性分析,但是,由于发动机内部燃烧是一个十分复杂的化学反应过程,采用传感器采集各个点位处的工况数据的机理十分复杂,且很多传感器测量点的数据具有较大的时滞性,此外,大部分传感器长时间在高温高压的环境下工作,极易容易出现老化的现象,极易导致测量的结果不准确,因此,依靠运行机理无法构建兼容不同工况的物理模型,且难以抽象出具有可解释性的鲁棒性评估指标函数,导致物理模型无法准确且有说服力地表征传感器数据,可信性判断准确度较低,存在质量安全风险。
发明内容
本发明提供一种传感器可信性评估方法、装置、计算机设备及介质,以实现基于蒙特卡洛随机试验的方式对传感器可信性的进行评估,提高传感器可信性评估准确度。
第一方面,本发明实施例提供了一种传感器可信性评估方法,包括以下步骤:根据待评估传感器的型号参数确定蒙特卡洛随机模型的运行参数;获取待评估传感器的测量公差值和实时测量值;基于所述测量公差值和所述实时测量值确定所述蒙特卡洛随机模型的初始输入增益和初始输入偏置;根据所述初始输入增益及所述初始输入偏置确定正态分布的测量随机数;根据所述测量随机数运行所述蒙特卡洛随机模型;根据模型运行结果对所述传感器的测量值进行可信性评估。
可选地,所述根据所述初始输入增益及所述初始输入偏置确定正态分布的测量随机数,包括以下步骤:根据所述初始输入增益及所述初始输入偏置对标准正态分布函数进行修正,得到第一正态分布函数;根据所述第一正态分布函数确定正态分布的测量随机数。
可选地,所述根据所述初始输入增益及所述初始输入偏置确定正态分布的测量随机数,还包括以下步骤:对所述初始输入增益及所述初始输入偏置分别进行正态分布采样,得到扩展输入增益和扩展输入偏置;基于所述扩展输入增益和所述扩展输入偏置确定一组随机输入增益和随机输入偏置;根据所述随机输入增益和所述随机输入偏置对标准正态分布函数进行修正,得到第二正态分布函数;根据所述第二正态分布函数确定正态分布的测量随机数。
可选地,所述基于所述测量公差值和所述实时测量值确定所述蒙特卡洛随机模型的初始输入增益和初始输入偏置,包括以下步骤:获取所述待评估传感器的输入参量和输出参量;根据所述输入参量与所述输出参量之间的对应关系确定转换系数;根据所述转换系数及所述测量公差值确定所述初始输入增益;根据所述实时测量值确定所述初始输入偏置。
可选地,所述根据模型运行结果对所述传感器的测量值进行可信性评估,包括以下步骤:根据模型运行结果确定敏感性分析图和鲁棒性分析图;根据所述敏感性分析图中采样点的分布规律确定系统对测量随机数的敏感度;根据敏感度对选定的测量随机数进行调整;根据所述鲁棒性分析图中采样点的分布规律确定所述传感器的可信性。
可选地,所述蒙特卡洛随机模型的运行参数包括预设迭代次数和预设调度周期。
可选地,在根据所述测量随机数运行所述蒙特卡洛随机模型之后,还包括以下步骤:判断所述蒙特卡洛随机模型的迭代次数是否达到所述预设迭代次数;若迭代次数未达到所述预设迭代次数,则返回重新获取一组正态分布的测量随机数。
第二方面,本发明实施例还提供了一种传感器可信性评估装置,包括:模型配置单元,用于根据待评估传感器的型号参数确定蒙特卡洛随机模型的运行参数;数据采集单元,用于获取待评估传感器的测量公差值和实时测量值;随机数生成单元,用于基于所述测量公差值和所述实时测量值确定所述蒙特卡洛随机模型的初始输入增益和初始输入偏置,并根据所述初始输入增益及所述初始输入偏置确定正态分布的测量随机数;仿真驱动单元,用于根据所述测量随机数运行所述蒙特卡洛随机模型;评估单元,用于根据模型运行结果对所述传感器的测量值进行可信性评估。
第三方面,本发明实施例还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上述传感器可信性评估方法。
第四方面,本发明实施例还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上述传感器可信性评估方法。
本发明实施例提供的传感器可信性评估方法、装置、计算机设备及介质,通过待评估传感器的型号参数确定蒙特卡洛随机模型的运行参数,获取待评估传感器的测量公差值和实时测量值,基于测量公差值和实时测量值确定蒙特卡洛随机模型的初始输入增益和初始输入偏置,根据初始输入增益及初始输入偏置确定正态分布的测量随机数;根据测量随机数运行蒙特卡洛随机模型,以及根据模型运行结果对传感器的测量值进行可信性评估,解决了现有的传感器可信性分析准确度低、建模困难的问题,避免建立各种工况下的全数据实际模型,有利于提高可信性评估的准确度和评估效率,提升传感器数据监测能力,提高控制系统的鲁棒性。
附图说明
图1是本发明实施例一提供的一种传感器可信性评估方法的流程图;
图2是本发明实施例一提供的另一种传感器可信性评估方法的流程图;
图3是本发明实施例一提供的又一种传感器可信性评估方法的流程图;
图4是本发明实施例一提供的又一种传感器可信性评估方法的流程图;
图5是本发明实施例一提供的又一种传感器可信性评估方法的流程图;
图6是本发明实施例二提供的一种传感器可信性评估装置的结构示意图;
图7是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种传感器可信性评估方法的流程图,本实施例可适用于通过传感器数据可信性评估对发动机控制系统的鲁棒性进行把控的应用场景,该方法可以由配置特定功能模块的软件及硬件结构来执行。
可选地,该传感器可信性评估方法可基于蒙特卡洛仿真试验方法实现,其中,蒙特卡洛仿真试验方法是一种通过生成合适的随机数和观察部分服从特定性质或属性的数据来解决问题的方法,其通过统计抽样实验给各种各样的数学问题提供了近似解,这种方法对于机理复杂以至很难分析求解的问题得到数字解法是非常有效的,而且同时适应于毫无概率性的问题和内在固有概率结构的问题。
其中,该蒙特卡洛仿真试验方法以概率统计理论中的中心极限定理和大数定律为基础,中心极限定理可为棣莫佛-拉普拉斯定理,若定义随机变量ηn服从二项分布B(n,p)(0<p<1),则对任意的随机数x,满足: 该定理表明,如果某一个量的变化受到许多随机因素的影响,且这些因素中每一个所起的作用都很小,那么这个量服从或近似服从正态分布。
大数定律是判断随机数的算数平均值是否向常数收敛的定律,定义随机数序列{xn},设若limn→∞P{|x-E(x)|<ε}=1或者limn→∞P{|x-E(x)|≥ε}=0,即则称随机数序列{xn}服从大数定律,该定律表明,可以通过统计反复实验过程中某事件发生的频率来近似地获取随机事件的概率。
本实施例中,该蒙特卡洛仿真试验方法通过统计抽样将传感器的测量值(非随机问题)转换为随机的形式,根据中心极限定理和大数定律,从有限的随机样本数据中随机抽取服从特定分布规律的样本,用于仿真试验,根据仿真结果对测量值进行可信性评估。
如图1所示,该传感器可信性评估方法,具体包括如下步骤:
步骤S1:根据待评估传感器的型号参数确定蒙特卡洛随机模型的运行参数。
其中,待评估传感器可用于测量发动机运行工况特性,例如,测量发动机的温度、压力及排放气体浓度。
可选地,待评估传感器包括测量发动机温度的温度传感器,测量发动机压力的压力传感器和测量气体浓度的气体传感器,以满足发动机燃油、进排气、后处理及整车控制系统的闭环需求。
可选地,蒙特卡洛随机模型的运行参数包括预设迭代次数、预设调度周期及模型配置文件。
在本步骤中,操作人员可根据待评估传感器的型号参数设置预设迭代次数和预设调度周期的具体数值,对其具体数值不作限制。
示例性地,可设置预设迭代次数等于10000次,设置预设调度周期等于10ms。
步骤S2:获取待评估传感器的测量公差值和待评估传感器的实时测量值。
其中,该测量公差值是指待评估传感器的测量值中允许的最大极限测量值(上偏差)与最小极限测量值(下偏差)之差的绝对值,其是在零部件制造过程中产生的、不可避免的测量精度偏差,一般由国家标准限定其具体数值范围,在传感器出厂时,由传感器厂家进行标注。
示例性地,以待评估传感器为压力传感器为例,厂家提供的规格信息包括但不限于以下内容:测量范围:0-100kPa,测量精度(即测量公差):低于20kPa:±0.5%*Vcc;20-100kPa:±1%*Vcc,其中,Vcc表示压力传感器的供电电压。在建模之前,根据测量压力设置测量公差值,若测量压力低于20kPa,则对应的测量公差为±0.5%*Vcc;若测量压力大于或者等于20kPa,且测量压力小于100kPa,则选定的测量公差为±1%*Vcc。
步骤S3:基于测量公差值和实时测量值确定蒙特卡洛随机模型的初始输入增益和初始输入偏置,并根据初始输入增益及初始输入偏置确定正态分布的测量随机数。
在本实施例中,根据分布产生随机数并随机采样是蒙特卡洛仿真的关键步骤,本步骤基于正态分布对传感器的测量值进行采样,得到的测量随机数可作为仿真测试的输入参数,其中,正态分布服从“3σ”原则,即产生的99.7%的随机数据都散落在均值μ的3σ范围之内,产生的95.4%的随机数据都散落在均值μ的2σ范围之内,产生的68.3%的随机数据都散落在均值μ的σ范围之内,产生的数据散落在3σ范围之外的概率不到0.3%。
在实际仿真应用中,采用实时测量值和测量公差值确定正态分布的均值μ及标准差σ,得到对应的初始输入偏置和初始输入增益,其中,初始输入偏置表征的为正态分布的测量随机数的均值,初始输入增益表征的为正态分布的测量随机数的标准差。
步骤S4:根据测量随机数运行蒙特卡洛随机模型。
在本步骤中,采用随机性试验的方式对发动机控制系统模型的输入数据进行模拟近似,得到每个测量随机数对应的控制系统输出的运行结果,建立估计量。
步骤S5:根据模型运行结果对传感器的测量值进行可信性评估。
本步骤中,可根据模型运行结果判断传感器的测量值是否满足正态分布的“3σ”原则,从而直观获取可信性评估结果。
具体地,在根据传感器的测量值进行发动机闭环控制时,根据传感器的型号参数配置蒙特卡洛随机模型的运行参数,该蒙特卡洛随机模型基于正态分布的随机数进行仿真试验,根据待评估传感器的测量公差计算测量随机数的初始输入增益(即正态分布的标准差),将待评估传感器采集到的实时测量值作为测量随机数的初始输入偏置(即正态分布的均值),进而,基于初始输入增益及初始输入偏置对标准正态分布进行变换,按照正态分布进行多次采样,可得到正态分布的测量随机数数组,依次将一个随机数数组中的每个测量随机数作为蒙特卡洛随机模型的输入数据,通过多次模拟获取模型运行结果,对传感器测量值的可信性进行评估。
若当前待评估传感器的测量值生成的测量随机数满足正态分布的“3σ”原则,则判定当前待评估传感器的测量值的可信性高,可根据当前传感器的测量值进行闭环控制;若当前待评估传感器的测量值生成的测量随机数不满足正态分布的“3σ”原则,则判定当前待评估传感器的测量值的可信性低,清除当前传感器的测量值,重新获取待评估传感器的实时测量值,对其执行上述可信性评估方法。
由此,本发明实施例采用蒙特卡洛随机试验方法对传感器测量数据的可信性进行评估,避免了构建系统模型及鲁棒性指标函数,解决了现有的传感器可信性分析准确度低、建模困难的问题,避免建立各种工况下的全数据实际模型,有利于提高可信性评估的准确度和评估效率,提升传感器数据监测能力,提高控制系统的鲁棒性。
可选地,图2是本发明实施例一提供的另一种传感器可信性评估方法的流程图,在图1的基础上,示例性地说明了获取正态分布的测量随机数的具体过程,参考图2所示,该传感器可信性评估方法包括以下步骤:
步骤S301:根据初始输入增益及初始输入偏置对标准正态分布函数进行修正,得到第一正态分布函数。
在本步骤中,标准正态分布函数的均值μ为0,标准差σ为1,即根据标准正态分布产生的随机数的均值为0,标准差为1,无法直接用于分布生成随机数,根据初始输入增益及初始输入偏置对标准正态分布函数进行修正是指,根据初始输入增益设置正态分布的标准差,根据初始输入偏置设置正态分布的均值,以使得到的测量随机数可根据系统实际需要进行调整。
步骤S302:根据第一正态分布函数确定正态分布的测量随机数。
具体地,在蒙特卡洛随机模型的运行参数配置完成之后,按照正态分布对输入信号进行采样,在采样过程中,基于初始输入偏置(即待评估传感器的实时测量值)作为正态分布的均值,产生测量随机数,产生的测量随机数处于以初始输入偏置作为标准差的范围内。
示例性地,若定义初始输入增益为Gain,初始输入偏置Offset,标准正态分布函数为randn,则变换后的模型的第一正态分布函数NewRandn=Offset+Gain*randn,对第一正态分布函数NewRandn进行采样,得到测量随机数。
可选地,图3是本发明实施例一提供的又一种传感器可信性评估方法的流程图,在图2的基础上,采用正态分布采样的方式对初始输入增益及初始输入偏置进行扩充,以消除传感器单次采样数据覆盖度不足的问题。
参考图3所示,该传感器可信性评估方法还包括以下步骤:
步骤S303:对初始输入增益及初始输入偏置分别进行正态分布采样,得到扩展输入增益和扩展输入偏置。
在本步骤中,在对初始输入增益进行正态分布采样时,其正态分布的均值为初始输入增益,标准差为预设标准差值,例如,预设标准差值可为1;在对初始输入偏置进行正态分布采样时,其正态分布的均值为初始输入偏置值,标准差为预设标准差值,例如,预设标准差值可为1。
步骤S304:基于扩展输入增益和扩展输入偏置确定一组随机输入增益和随机输入偏置。
步骤S305:根据随机输入增益和随机输入偏置对标准正态分布函数进行修正,得到第二正态分布函数。
步骤S306:根据第二正态分布函数确定正态分布的测量随机数。
具体地,在每个蒙特卡洛随机仿真周期内,对扩展输入增益及扩展输入偏置进行随机采样,得到一个扩展输入增益样本值与一个扩展输入偏置样本值,根据取得的样本数作为对标准正态分布函数进行修正,在采样过程中,基于扩展输入增益样本值作为正态分布的均值,产生在以扩展输入偏置样本值作为标准差范围内的测量随机数。
示例性地,若定义随机采样得到的扩展输入增益样本值为Gain',扩展输入偏置样本值为Offset',标准正态分布函数为randn,则变换后的模型的第二正态分布函数NewRandn'=Offset'+Gain'*randn,对第二正态分布函数NewRandn'进行采样,得到测量随机数。
由此,本发明实施例通过正态分布分别对初始输入增益及初始输入偏置进行数据扩充,并采用扩充后的增益及偏置生成随机数,有利于减少标定参数,缩短标定工作量。
可选地,基于测量公差值和实时测量值确定蒙特卡洛随机模型的初始输入增益和初始输入偏置,包括以下步骤:获取待评估传感器的输入参量和输出参量;根据输入参量与输出参量之间的对应关系确定转换系数;根据转换系数及测量公差值确定初始输入增益;根据实时测量值确定初始输入偏置。
其中,输入参量与输出参量之间的对应关系是指,将输入参量的信号类型转换为输出参量的信号类型所需的原理公式。
具体地,可根据转换系数与测量公差值之间的乘积计算初始输入增益,并将待评估传感器的实时测量值作为初始输入偏置。
示例性地,继续以待评估传感器为压力传感器为例,对上述步骤进行如下说明:压差传感器的输入参数为压力参数,输出参数为电信号,压差传感器的原理公式如公式一所示:
Vout=[Δp×c1+c0]×Vcc(公式一)
其中,Vout是压差传感器的信号输出电压(V);Vcc是压力传感器的供电电压(V);Δp是压力传感器的前后压差(kPa);c1、c0是压差传感器的固有参数。
结合公式一,可以推算出压力传感器的前后压差Δp满足如下所示的公式二:
其中,tol表示压力传感器的测量公差值。
可选地,图4是本发明实施例一提供的又一种传感器可信性评估方法的流程图,在图1的基础上,示例性地给出了可信性评估的具体实现方式。参考图4所示,上述步骤S5,具体包括以下步骤:
步骤S501:根据模型运行结果确定敏感性分析图和鲁棒性分析图。
步骤S502:根据敏感性分析图中采样点的分布规律确定系统对测量随机数的敏感度。
步骤S503:根据敏感度对选定的测量随机数进行调整。
步骤S504:根据鲁棒性分析图中采样点的分布规律确定传感器的可信性。
其中,“鲁棒性”的基本含义为抗干扰性、坚实性、稳定性,一个系统如果在受到扰动的情况下仍然保持其功能,则称该系统就是鲁棒的。
本实施例中,鲁棒性分析旨在分析系统在受到不同测量随机数干扰的情况下保持其功能正常运作的能力。敏感性分析旨在从众多不确定性因素(测量随机数)中找出对系统有重要影响的敏感性因素。
具体地,通过模型运行结果建立鲁棒性分析图和敏感性分析图,基于模型运行结果构建的鲁棒性分析图,能够直观地看出当前待评估传感器的测量值对应的测量随机数是否满足正态分布的“3σ原则”,若测量随机数满足正态分布的“3σ原则”,则判定传感器测量值的可信性高;若测量随机数不满足正态分布的“3σ原则”,则判定传感器测量值的可信性低;若测量随机数大部分满足正态分布的“3σ原则”,小部分不满足正态分布的“3σ原则”,则判定传感器的测量值已经有部分出现偏差,提醒用户注意是否需要更换对应的传感器。
基于模型运行结果构建的敏感性分析图,能够直观地看出在不同测量随机数处,系统对输入数值是否具有敏感性,若系统对输入数值的敏感性较大,则说明传感器的数据对该输入数值具有较强的相关性,在后续仿真试验中,加强对该输入数值附近的随机数进行观测;否则,在后续仿真试验中,减少对这部分输入的观测。
由此,本发明实施例采用鲁棒性分析图和敏感性分析图对仿真试验结果进行分析,有利于更加简单直观地判断传感器的可信性,提高评估效率,降低人工成本。
可选地,图5是本发明实施例一提供的又一种传感器可信性评估方法的流程图,在图1的基础上,示例性地给出了通过多次采样得到多组正态分布的测量随机数数组的具体方法。参考图5所示,在根据测量随机数运行蒙特卡洛随机模型之后,该传感器可信性评估方法还包括以下步骤:
步骤S401:判断蒙特卡洛随机模型的迭代次数是否达到预设迭代次数;
本步骤中,对预设迭代次数的具体数值不作限制,例如,可设置预设迭代次数等于10000次。
若迭代次数未达到预设迭代次数,则执行步骤S402;若迭代次数达到预设迭代次数,则执行步骤S5。
步骤S402:重新获取一组正态分布的测量随机数,并继续执行步骤S4。
具体地,在迭代次数未达到预设迭代次数之前,采用同一组增益和偏置生成测量随机数,将生成的测量随机数作为输入数据,运行蒙特卡洛仿真;在迭代次数达到预设迭代次数之后,重新获取一组增益和偏置,根据新的增益值和偏置值生成测量随机数,运行蒙特卡洛仿真,通过配置不同的增益值和偏置值进行正态分布采样,有利于扩大蒙特卡洛试验数据广度,提高试验结果的可信性。
实施例二
基于上述实施例,图6是本发明实施例二提供的一种传感器可信性评估装置的结构示意图,本发明实施例所提供的传感器可信性评估装置可执行本发明任意实施例所提供的传感器可信性评估方法,具备执行方法相应的功能模块和有益效果。
如图6所示,该传感器可信性评估装置00包括:模型配置单元101、数据采集单元102、随机数生成单元103、仿真驱动单元104及评估单元105。
其中,模型配置单元101,用于根据待评估传感器的型号参数确定蒙特卡洛随机模型的运行参数;数据采集单元102,用于获取待评估传感器的测量公差值和实时测量值;随机数生成单元103,用于基于测量公差值和实时测量值确定蒙特卡洛随机模型的初始输入增益和初始输入偏置,并根据初始输入增益及初始输入偏置确定正态分布的测量随机数;仿真驱动单元104,用于根据测量随机数运行蒙特卡洛随机模型;评估单元105,用于根据模型运行结果对传感器的测量值进行可信性评估。
可选地,随机数生成单元103用于根据初始输入增益及初始输入偏置对标准正态分布函数进行修正,得到第一正态分布函数;根据第一正态分布函数确定正态分布的测量随机数。
可选地,随机数生成单元103还用于对初始输入增益及初始输入偏置分别进行正态分布采样,得到扩展输入增益和扩展输入偏置;基于扩展输入增益和扩展输入偏置确定一组随机输入增益和随机输入偏置;根据随机输入增益和随机输入偏置对标准正态分布函数进行修正,得到第二正态分布函数;根据第二正态分布函数确定正态分布的测量随机数。
可选地,随机数生成单元103还用于获取待评估传感器的输入参量和输出参量;根据输入参量与输出参量之间的对应关系确定转换系数;根据转换系数及测量公差值确定初始输入增益;根据实时测量值确定初始输入偏置。
可选地,评估单元105用于根据模型运行结果确定敏感性分析图和鲁棒性分析图;根据敏感性分析图中采样点的分布规律确定系统对测量随机数的敏感度;根据敏感度对选定的测量随机数进行调整;根据鲁棒性分析图中采样点的分布规律确定传感器的可信性。
可选地,蒙特卡洛随机模型的运行参数包括预设迭代次数和预设调度周期。
可选地,仿真驱动单元104还用于判断蒙特卡洛随机模型的迭代次数是否达到预设迭代次数;若迭代次数未达到预设迭代次数,则重新获取一组正态分布的测量随机数。
本发明实施例提供的传感器可信性评估方法、装置、计算机设备及介质,通过待评估传感器的型号参数确定蒙特卡洛随机模型的运行参数,获取待评估传感器的测量公差值和实时测量值,基于测量公差值和实时测量值确定蒙特卡洛随机模型的初始输入增益和初始输入偏置,根据初始输入增益及初始输入偏置确定正态分布的测量随机数;根据测量随机数运行蒙特卡洛随机模型,以及根据模型运行结果对传感器的测量值进行可信性评估,解决了现有的传感器可信性分析准确度低、建模困难的问题,有利于提高可信性评估的准确度和评估效率,提升传感器数据监测能力,提高控制系统的鲁棒性。
实施例三
图7是本发明实施例三提供的一种计算机设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图7显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器16,系统存储器28,连接不同系统组件(包括系统存储器28和处理器16)的总线18及存储在系统存储器28上并可在处理器16上运行的计算机程序,处理器16执行程序时实现上述传感器可信性评估方法。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
处理器16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的传感器可信性评估方法。
实施例四
本发明实施例四还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上述传感器可信性评估方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种传感器可信性评估方法,其特征在于,包括以下步骤:
根据待评估传感器的型号参数确定蒙特卡洛随机模型的运行参数;
获取待评估传感器的测量公差值和实时测量值;
基于所述测量公差值和所述实时测量值确定所述蒙特卡洛随机模型的初始输入增益和初始输入偏置;
根据所述初始输入增益及所述初始输入偏置确定正态分布的测量随机数;
根据所述测量随机数运行所述蒙特卡洛随机模型;
根据模型运行结果对所述传感器的测量值进行可信性评估。
2.根据权利要求1所述的传感器可信性评估方法,其特征在于,所述根据所述初始输入增益及所述初始输入偏置确定正态分布的测量随机数,包括以下步骤:
根据所述初始输入增益及所述初始输入偏置对标准正态分布函数进行修正,得到第一正态分布函数;
根据所述第一正态分布函数确定正态分布的测量随机数。
3.根据权利要求1所述的传感器可信性评估方法,其特征在于,所述根据所述初始输入增益及所述初始输入偏置确定正态分布的测量随机数,还包括以下步骤:
对所述初始输入增益及所述初始输入偏置分别进行正态分布采样,得到扩展输入增益和扩展输入偏置;
基于所述扩展输入增益和所述扩展输入偏置确定一组随机输入增益和随机输入偏置;
根据所述随机输入增益和所述随机输入偏置对标准正态分布函数进行修正,得到第二正态分布函数;
根据所述第二正态分布函数确定正态分布的测量随机数。
4.根据权利要求1所述的传感器可信性评估方法,其特征在于,所述基于所述测量公差值和所述实时测量值确定所述蒙特卡洛随机模型的初始输入增益和初始输入偏置,包括以下步骤:
获取所述待评估传感器的输入参量和输出参量;
根据所述输入参量与所述输出参量之间的对应关系确定转换系数;
根据所述转换系数及所述测量公差值确定所述初始输入增益;
根据所述实时测量值确定所述初始输入偏置。
5.根据权利要求1所述的传感器可信性评估方法,其特征在于,所述根据模型运行结果对所述传感器的测量值进行可信性评估,包括以下步骤:
根据模型运行结果确定敏感性分析图和鲁棒性分析图;
根据所述敏感性分析图中采样点的分布规律确定系统对测量随机数的敏感度;
根据敏感度对选定的测量随机数进行调整;
根据所述鲁棒性分析图中采样点的分布规律确定所述传感器的可信性。
6.根据权利要求1所述的传感器可信性评估方法,其特征在于,所述蒙特卡洛随机模型的运行参数包括预设迭代次数和预设调度周期。
7.根据权利要求6所述的传感器可信性评估方法,其特征在于,在根据所述测量随机数运行所述蒙特卡洛随机模型之后,还包括以下步骤:
判断所述蒙特卡洛随机模型的迭代次数是否达到所述预设迭代次数;
若迭代次数未达到所述预设迭代次数,则返回重新获取一组正态分布的测量随机数。
8.一种传感器可信性评估装置,其特征在于,包括:
模型配置单元,用于根据待评估传感器的型号参数确定蒙特卡洛随机模型的运行参数;
数据采集单元,用于获取待评估传感器的测量公差值和实时测量值;
随机数生成单元,用于基于所述测量公差值和所述实时测量值确定所述蒙特卡洛随机模型的初始输入增益和初始输入偏置,并根据所述初始输入增益及所述初始输入偏置确定正态分布的测量随机数;
仿真驱动单元,用于根据所述测量随机数运行所述蒙特卡洛随机模型;
评估单元,用于根据模型运行结果对所述传感器的测量值进行可信性评估。
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中任一所述的传感器可信性评估方法。
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中任一所述的传感器可信性评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110895663.4A CN113591314A (zh) | 2021-08-05 | 2021-08-05 | 传感器可信性评估方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110895663.4A CN113591314A (zh) | 2021-08-05 | 2021-08-05 | 传感器可信性评估方法、装置、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591314A true CN113591314A (zh) | 2021-11-02 |
Family
ID=78255371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110895663.4A Pending CN113591314A (zh) | 2021-08-05 | 2021-08-05 | 传感器可信性评估方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591314A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252090A (zh) * | 2021-12-15 | 2022-03-29 | 哈尔滨工业大学 | 一种多源导航传感器可信性评估方法 |
CN114329905A (zh) * | 2021-12-03 | 2022-04-12 | 国家电投集团科学技术研究院有限公司 | 全范围模拟机可信度评估方法、装置及计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130304439A1 (en) * | 2012-05-09 | 2013-11-14 | Dassault Systemes Simulia Corp. | Tolerances on simulated behavior |
CN107862130A (zh) * | 2017-11-04 | 2018-03-30 | 哈尔滨工业大学 | 一种导致继电器贮存退化的内部关键因素的分析方法 |
CN109918833A (zh) * | 2019-03-21 | 2019-06-21 | 中国空气动力研究与发展中心 | 一种数值模拟可信度的定量分析方法 |
CN110991044A (zh) * | 2019-12-03 | 2020-04-10 | 北京机电工程研究所 | 基于Agent建模的飞行器系统任务可靠性评估方法 |
CN111680410A (zh) * | 2020-05-29 | 2020-09-18 | 武汉天富海科技发展有限公司 | 基于混成式非序贯蒙特卡洛改进法的舰船ips风险评估方法 |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
-
2021
- 2021-08-05 CN CN202110895663.4A patent/CN113591314A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130304439A1 (en) * | 2012-05-09 | 2013-11-14 | Dassault Systemes Simulia Corp. | Tolerances on simulated behavior |
CN107862130A (zh) * | 2017-11-04 | 2018-03-30 | 哈尔滨工业大学 | 一种导致继电器贮存退化的内部关键因素的分析方法 |
CN109918833A (zh) * | 2019-03-21 | 2019-06-21 | 中国空气动力研究与发展中心 | 一种数值模拟可信度的定量分析方法 |
CN110991044A (zh) * | 2019-12-03 | 2020-04-10 | 北京机电工程研究所 | 基于Agent建模的飞行器系统任务可靠性评估方法 |
CN111680410A (zh) * | 2020-05-29 | 2020-09-18 | 武汉天富海科技发展有限公司 | 基于混成式非序贯蒙特卡洛改进法的舰船ips风险评估方法 |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
ZHAI GUOFU等: ""A method of multi-objective reliability tolerance design for electronic circuits"", 《CHINESE JOURNAL OF AERONAUTICS》, vol. 26, no. 1, pages 161 - 170 * |
张晋华 等: ""应用蒙特卡罗方法计算弹丸偏心距"", 《探测与控制学报》, vol. 38, no. 5, pages 42 - 48 * |
李国喜 等: ""基于不确定度的柔性装配测量方案规划技术"", 《航空制造技术》, no. 23, pages 49 - 55 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329905A (zh) * | 2021-12-03 | 2022-04-12 | 国家电投集团科学技术研究院有限公司 | 全范围模拟机可信度评估方法、装置及计算机设备 |
CN114252090A (zh) * | 2021-12-15 | 2022-03-29 | 哈尔滨工业大学 | 一种多源导航传感器可信性评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113591314A (zh) | 传感器可信性评估方法、装置、计算机设备及介质 | |
CN111123188A (zh) | 基于改进最小二乘法的电能表综合检定方法及系统 | |
JP6647834B2 (ja) | 乗物制御システムのための構成可能な推測センサ | |
Gong et al. | Automatic detection of infeasible paths in software testing | |
AU2006315933A1 (en) | Process model based virtual sensor system and method | |
Berk et al. | Significance tests for saturated orthogonal arrays | |
Wu et al. | Design of the sum-of-conforming-run-length control charts | |
CN110749373A (zh) | 一种汽车噪声源检测方法 | |
CN113158589B (zh) | 一种电池管理系统的仿真模型校准方法以及装置 | |
CN111858140B (zh) | 污染物监控数据的校验方法、装置、服务器和介质 | |
KR20100020865A (ko) | 자기교정과 추적관리 기능을 갖는 부분방전량 교정기 | |
AU2019100348A4 (en) | A specified gas sensor correction method based on locally weighted regression algorithm | |
US20190391121A1 (en) | System and method for determining a contamination level in an emissions measurement device or system | |
JP2014110047A (ja) | 電子回路シミュレーションのための方法及び装置 | |
CN113887044A (zh) | 数据质量监控方法、装置、设备及可读存储介质 | |
US10329987B2 (en) | Particulate matter sensor signal correction | |
CN110273738B (zh) | 一种重型发动机排放诊断测试系统 | |
CN111272457A (zh) | 基于温度数据的机械状态检测方法和电子设备 | |
CN113628689A (zh) | 一种煤粉燃烧特征参数智能预测方法、装置及存储介质 | |
Höfig | Failure-dependent timing analysis-a new methodology for probabilistic worst-case execution time analysis | |
CN117074046B (zh) | 高原环境下汽车实验室排放测试方法及装置 | |
CN115638900B (zh) | 一种排气管温度的确定方法、系统、存储介质及电子设备 | |
CN117552859A (zh) | 一种dpf故障的诊断方法、装置、设备及存储介质 | |
Nakonechnyi et al. | Car Engines Diagnostics based on the Evaluation of the Mutual Wavelet Dependency | |
CN113702601A (zh) | 废气监测数据弄虚作假的识别方法及装置 |
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 |