CN114450696A - 数据同化框架中的物理传感器的集成 - Google Patents
数据同化框架中的物理传感器的集成 Download PDFInfo
- Publication number
- CN114450696A CN114450696A CN202080067937.4A CN202080067937A CN114450696A CN 114450696 A CN114450696 A CN 114450696A CN 202080067937 A CN202080067937 A CN 202080067937A CN 114450696 A CN114450696 A CN 114450696A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- physical system
- sensors
- model prediction
- 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
- 230000010354 integration Effects 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 238000011002 quantification Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 41
- 238000001914 filtration Methods 0.000 claims description 40
- 238000003860 storage Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 56
- 238000010586 diagram Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 239000012530 fluid Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
- H04B17/11—Monitoring; Testing of transmitters for calibration
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- G01V20/00—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Abstract
一种用于使用物理系统的校准模型来输出物理系统的状态的方法和系统,其中校准模型用于生成模型预测。该系统包括连接到路由节点的多个传感器,用于监视物理系统的测量数据。多个传感器中的第一传感器包括逻辑模块,其被配置成确定不确定性量化,并且将不确定性量化与模型预测组合以输出物理系统的状态。
Description
技术领域
本发明涉及计算机建模,更具体地,涉及对复杂物理系统的状态建模。
背景技术
数据同化是一种将观测数据与数值模型的输出结合以估计系统状态的技术。数据同化网络可以包括观测物理系统的各方面(例如海流)的传感器。传感器可以被并入物理系统的数值模型的模型状态中。传感器可以执行测量、基本数据处理和通信。模型状态是试图完全描述系统的实际物理状态的变量的表示。使用该模型是因为可用的观测的数量可以是小于指定物理系统的状态所需的值的数量的数量级。当前技术的物理传感器具有通常包括以下各项的能力:测量、基本数据处理和通信。然而,在将噪声和冗余传感器观测与用于监测和管理复杂物理系统(例如,流体系统,诸如湖泊)的预测系统集成时需要大量的努力。
因此,在本领域中需要解决上述问题。
发明内容
从另一方面来看,本发明提供了一种评估物理系统的状态的方法,该方法包括:使用物理系统的校准模型来生成模型预测;以及使用连接到路由节点的多个传感器来监测物理系统的测量数据,其中多个传感器中的第一传感器包括逻辑模块,该逻辑模块被配置成确定不确定性量化,并且将不确定性量化与模型预测组合以输出物理系统的状态。
从另一方面来看,本发明提供了一种系统,包括:物理系统的校准模型,其被配置为生成模型预测;以及多个传感器,其监测所述物理系统的测量数据并且连接到路由节点,其中所述多个传感器中的第一传感器包括逻辑模块,所述逻辑模块被配置成确定不确定性量化,并且将所述不确定性量化与所述模型预测组合以输出所述物理系统的状态。
从另一方面来看,本发明提供了一种用于评估物理系统的状态的计算机程序产品,所述计算机程序产品包括计算机可读存储介质,所述计算机可读存储介质可由处理电路读取并且存储由所述处理电路执行以便执行用于执行本发明的步骤的方法的指令。
从另一方面来看,本发明提供了一种存储在计算机可读介质上并且可加载到数字计算机的内部存储器中的计算机程序,包括软件代码部分,当所述程序在计算机上运行时,用于执行本发明的步骤。
一种用于评估物理系统的状态的计算机程序产品,所述计算机程序产品包括:一种计算机可读存储介质,具有随其体现的计算机可读程序代码,所述计算机可读程序代码可由一个或多个计算机处理器执行以:使用物理系统的校准模型来生成模型预测;以及使用连接到路由节点的多个传感器来监测物理系统的测量数据,其中多个传感器中的第一传感器包括逻辑模块,该逻辑模块被配置成确定不确定性量化,并且将不确定性量化与模型预测组合以输出物理系统的状态。
根据本发明的一个实施例,一种评估物理系统的状态的方法,该方法包括使用物理系统的校准模型生成模型预测,以及使用连接到路由节点的多个传感器监测物理系统的测量数据,其中多个传感器中的第一传感器包括逻辑模块,该逻辑模块被配置成确定关于测量数据的不确定性量化,并且将不确定性量化与模型预测组合以输出物理系统的状态。
根据另一个实施例,一种系统包括配置成生成模型预测的物理系统的校准模型,以及监测物理系统的测量数据并且连接到路由节点的多个传感器,其中多个传感器中的第一传感器包括逻辑模块,其配置成确定不确定性量化并且将不确定性量化与模型预测组合以输出物理系统的状态。
根据另一实施例,一种用于评估物理系统的状态的计算机程序产品,所述计算机程序产品包括计算机可读存储介质,所述计算机可读存储介质具有随其体现的计算机可读程序代码,所述计算机可读程序代码可由一个或多个计算机处理器执行以使用物理系统的校准模型来生成模型预测,并且使用连接到路由节点的多个传感器来监测所述物理系统的测量数据,其中所述多个传感器中的第一传感器包括逻辑模块,所述逻辑模块被配置成确定不确定性量化,并且将所述不确定性量化与所述模型预测组合以输出所述物理系统的状态。
附图说明
现在将参照优选实施例仅通过示例的方式描述本发明,如以下附图所示:
图1是被配置成监视、建模和帮助确定物理系统的状态的计算系统的另一实施例的框图;
图2是被配置成监视和便于确定物理系统在传感器级的状态的计算系统的另一实施例的框图;
图3是执行数据同化的各方面以使用传感器网络过程对复杂物理系统的状态进行建模的方法的实施例的流程图;
图4是执行数据同化的各方面以使用本地数据同化分析对复杂物理系统的状态进行建模的方法的实施例的流程图;
图5是执行数据同化的各方面以使用核心数据同化分析来对复杂物理系统的状态进行建模的方法的实施例的流程图;
图6示出了根据实施例的计算系统的框图;以及
图7进一步示出了根据一个实施例的服务器,例如图6的服务器。
具体实施方式
系统的实施例可以使用数据同化来将可用的观测与数值模型最佳地组合,以便执行系统的预测分析。该系统可以通过使传感器具有先进的能力来将传感器集成在预测数据同化框架内。该系统的实施例可以自动地将噪声和冗余传感器观测与用于监测和管理复杂物理系统(例如湖泊中的流体系统)的预测系统集成。
相关方法可以使用物理系统的校准模型输出物理系统的状态。校准的模型可以用于生成模型预测。该系统包括连接到路由节点的多个传感器,用于监视物理系统的测量数据。多个传感器中的第一传感器包括逻辑模块,其被配置成确定不确定性量化,并且将不确定性量化与模型预测组合以输出物理系统的状态。
与传统的数据同化不同,该系统可以包括组合局部和边缘(传感器上)分析以生成更好的数据同化方法。边缘分析可用于估计传感器不确定性和相对于模型估计附到测量值的权重。
系统的特定实施例可以桥接传感器的纯数据收集与在线预测建模之间的间隙。预测建模可以面向复杂物理系统的管理中的决策支持。该系统可以包括在数据同化框架内的集成传感器和预测模型。
系统的实施例可以使用原始传感器数据的知识和数据过滤过程来实时地以高精度估计测量数据的不确定性。该系统可以基于校正的模型预测的准确性来识别可以在原始数据过滤过程中修改的传感器和参数。系统的自动校准机制可以在核心分析级使用来自数据同化框架的反馈,以便在传感器级优化数据过滤过程的类型和参数。
系统的实施例可以对复杂物理系统(例如,飓风、湖泊系统或森林区域)的状态进行建模。该系统可以使用物理系统的校准的耦合模型(例如,天气、流体动力学和/或径流模型)。该系统可以包括传感器网络、本地数据同化分析和核心数据同化分析。
实施例的传感器网络可以包括通过一个或多个路由节点连接到系统的多个传感器。传感器可以被配置为执行数据采集、流数据过滤以及数据到云或中央数据仓库的传输。值得注意的是,传感器可以另外被配置成执行不确定性量化并且可以实时报告。传感器可以执行从本地和核心数据同化分析的反馈的获取。传感器还可以使用系统反馈来执行过滤机构的自动类型选择和参数设置。传感器可以使用宽范围的流数据过滤器类型。
本地数据同化分析可以包括边缘架构的组件,诸如网关、消息收发接口和传感器数据存储。值得注意的是,数据同化分析可以负责优化和以其他方式调整传感器级的过滤过程。
核心数据同化分析可以包括可以被同化的传感器观测。例如,传感器观测结果可以使用关于传感器级的不确定性的信息与模型预测组合。可以根据模型性能的结果或在数据同化分析之后动态地使用不确定性估计。
传感器级的参数可以与流数据过滤过程相关。在核心数据分析级的参数可以与同化可用测量中使用的协方差计算相关。试探过程可用于在两个级别上调整参数。
该系统可以包括与物理系统相关的校准的耦合模型(例如,流体动力学、径流、天气),以及通过路由节点连接到物理系统的多个传感器。多个传感器中的第一传感器可以被配置成确定不确定性量化。不确定性量化可以实时报告。该系统可以使用关于传感器级别的不确定性的信息将传感器观测与模型预测组合。
该系统的实施例可以在传感器级别实现先进的分析能力,以便智能地集成物理感测、建模和数据同化。系统可以在与数据同化框架处的数据处理同步的传感器侧上执行观测处理。数据处理可以包括超出对传感器测量的简单过滤的过程。例如,传感器处的数据处理可以包括同步过滤和数据同化。该系统可以使得能够在由数据同化框架引导的传感器侧进行质量控制。一个或多个传感器可以被配置成执行信号质量的诊断。传感器的实施例可以根据来自数据同化框架的反馈执行测量噪声表征以及自适应传感器轮询。传感器还可以提供面向改进传感器网状网络的诊断。
数据过滤可以包括以降低噪声为目的在传感器级处理数据。数据过滤的说明性实施例可以包括使用低通过滤器。
数据同化可以包括其中来自物理系统的传感器的观测被用于校正感兴趣的物理系统的数值模型的预测的过程。本地传感器数据同化分析可以包括位于传感器(例如,边缘或网关)级的分析,以通过使用来自核心数据同化分析级的预测准确度的反馈来调整参数,从而优化原始数据流过滤过程。
边缘网关可以包括不仅能够操纵传感器数据流量,而且能够存储数据并对数据进行动作的组件。实施例的动作可以通过本地数据同化分析来执行。核心数据同化分析可以将传感器数据和元数据与模型预测组合以改进模型结果。核心数据同化分析还可以使用实时过滤传感器数据加上关于不确定性实时过滤传感器数据的信息来改进数据同化过程。
在一个特定的实现中,数据同化系统可以包括遍布湖泊部署的传感器探测器网络。传感器探测器可以与本地和核心分析集成。该实施例的每个探测器频繁地并且以恒定速率获取关于几个环境参数的数据。可以在探测器级对所产生的数据流进行过滤以降低噪声。探测器传感器可以实时提供关于探测器传感器数据的不确定性的精确测量和信息。数据同化系统可以调整过滤过程以在传感器级获得最佳可能信息,以便将数据和数据不确定性同化到改进模型预测。
继续以上示例,对于给定变量(例如,温度),传感器可以以高采样频率(例如,4Hz)收集原始数据流。由于局部环境条件,原始数据测量可能相对有噪声。传感器可以配备有过滤器库以预处理原始数据。
经过滤的数据点(例如,移动平均过滤器的输出)可以包括相关联的时间和时间间隔。过滤器可以具有包括滚动窗口的长度的参数。可以在过滤过程期间估计所报告的测量的不确定性。任何其它类型的过滤器(例如,自适应过滤器)和过滤器参数可以产生不同的预处理对。
这个特征与传统传感器形成对比,传统传感器既不报告这种不确定性也不接收反馈来选择不同的过滤器(及其参数)。不确定性可能受到过滤器参数的显著影响并且随时间而改变。可以使用来自核心数据同化分析的反馈来连续地调谐参数。
可以将现场测量映射到具有预定义的时空分辨率的湖泊的物理模型。在该示例中的数据同化可以包括使用最佳插值方案:
计算和更新可以包括用于测量和模型的测量协方差矩阵。计算过程可以使用实时不确定性估计。同化过程可以包括最优地组合数据和数据不确定性、模型预测、建模不确定性和协方差估计。可以在改进模型准确度方面评估数据同化分析的输出。
系统的实施例的优化过程可以通过调整状态误差协方差计算的参数(例如,测量不确定性)来在核心数据同化级上调整参数。另一或相同实施例可以通过提供反馈以调整数据过滤参数来在本地数据同化级改变参数。建模系统可以使用数据同化来将可用的观测与数值模型最佳地组合,以便执行物理系统的预测分析。相关联的方法可以使用物理系统的校准模型来输出物理系统的状态,其中校准模型用于生成模型预测。该系统包括连接到路由节点的多个传感器,用于监视物理系统的测量数据。该系统可以通过使传感器具有先进的能力来将传感器集成在预测数据同化框架内。传感器中的至少一个包括逻辑模块,该逻辑模块被配置成确定关于测量数据的不确定性量化,并且将不确定性量化与模型预测组合以输出物理系统的状态。系统的实施例可以自动地将噪声和冗余传感器观测与用于监测和管理复杂物理系统的预测系统集成。
图1是被配置成对复杂物理系统的状态进行建模的系统100的实施例的框图。该系统可以包括传感器网络102,其包括多个传感器108、本地数据同化分析104和核心数据同化分析106(由虚线边界线表示)。物理系统可以包括自然力,诸如存在于物理系统中的,诸如:地理区域、水系统、重力系统、热系统和风系统等。
实施例的传感器网络102可以包括通过一个或多个路由节点112连接到系统100的多个传感器108。传感器108可以被配置为执行数据获取、流数据过滤以及将数据传输到云或中央数据仓库。传感器102可以另外被配置成执行不确定性量化并且可以实时报告结果。传感器108可以执行从本地和核心数据同化分析的反馈的获取。传感器108还可以使用系统反馈来执行过滤机构的自动类型选择和参数设置。传感器108可以使用各种流数据过滤器类型。
在操作中,传感器网络102可以执行包括物理传感器108-111以恒定速率获取环境数据的过程。在传感器108处(或在与传感器108通信的处理器处)执行的过滤算法可以处理数据流以产生存储在历史数据库118中的数据。过滤算法的类型和过滤的参数可以在核心和本地数据同化分析级104、106处自动优化,并且可以在传感器级102处相应地设置。传感器108可以基于过滤过程期间的自动分析来监测和提供关于测量不确定性(例如,测量的准确度)的反馈。
本地数据同化分析104可以包括边缘架构的组件,诸如网关、消息收发接口和传感器数据存储设备。数据同化分析104可以负责在传感器级优化和以其他方式调整过滤过程。如图1所示,本地数据同化分析104可以包括边缘网关模块114、传感器消息收发接口116、传感器数据存储设备118和数据同化分析模块120。
经过滤的传感器数据可以在边缘网关模块114处被接收,并且与相关元数据组合以提供经过滤的测量、不确定性特性和关于过滤过程的信息。数据可经由传感器消息收发接口116路由到数据同化分析模块120。数据同化分析模块120处的本地或边缘分析可以通过使用来自核心数据同化分析级处的预测准确度的反馈来调整参数而优化过滤过程。
核心数据同化分析106可以包括可以被同化的传感器观测。例如,传感器观测结果可以使用关于传感器级的不确定性的信息与模型预测组合。可以根据模型性能的结果或在数据同化分析之后动态地使用不确定性估计。
传感器级的参数可以与流数据过滤过程相关。在核心数据分析级的参数可以与同化可用测量中使用的协方差计算相关。试探过程可用于在两个级别上调整参数。
如图1的实施例中所示,核心数据同化分析106可以包括观测处理模块122、数据同化模块124、物理模型模块126、强制和边界条件模块128、改进的模型结果模块130和数据同化优化模块132。
物理模型模块126可以对复杂物理系统(例如,湖泊系统)的状态进行建模。该系统可以使用物理系统的校准的耦合模型(例如,流体动力学、径流和/或天气模型)。
数据同化模块124可以从本地数据同化分析104的传感器数据模块118接收历史和实时传感器数据。传感器数据可以被过滤并且包括其不确定性的指示。数据同化模块124可以另外包括模型预测。模型预测可以由物理模型模块126以及强制和边界条件模块128提供。
观测处理模块122可以向数据同化模块124提供过滤后的观测和关于观测误差的信息。数据同化模块124可以向观测处理模块122提供数据同化反馈。
数据同化模块124可以向物理模型模块126提供最优组合的观测和模型结果。物理模型模块126可以将模型结果和信息建模误差提供回到数据同化模块124。
数据同化模块124可以将传感器数据和元数据与模型预测组合以改进模型结果。数据同化模块124可以通过调整数据同化参数并且通过提供用于调整过滤/不确定性估计过程的反馈(例如,在传感器级提供)来优化结果。
图2是被配置成监视并便于确定物理系统的状态的计算系统200的另一实施例的框图。图2中所示的所有或一些模块可以在包括传感器202的传感器级存在和执行。这样,系统200的传感器202可以耦合到附加传感器204、核心数据同化分析级206和本地数据同化分析级208,或者以其他方式与它们通信。例如,传感器模块202可以直接连接或经由多个节点210连接。
传感器模块202或传感器可以包括处理器212、接口214和存储器216。如图2的系统200的实施例所示,存储器216可以包括存储的和实时的环境数据218、过滤算法模块220和用于分析的参数222。存储器216可以另外包括数据流数据224、历史数据226、不确定性测量模块228、分析模块230、实时反馈模块232和监测模块234。系统200可以执行包括物理传感器202、204以恒定速率获取环境数据218的过程。在传感器202、204处执行的过滤算法218可以处理数据流以产生存储在历史数据库226中的数据。过滤算法218的类型和过滤的参数222可以在核心和本地数据同化分析级206、208处自动优化,并且可以在传感器级处相应地设置。传感器202、204可以基于过滤过程期间的自动分析来监视测量不确定性并提供关于测量不确定性的反馈。图3-图5是示出了以与系统的实施例一致的方式执行数据同化的各方面的方法300、400、500的实施例的流程图。所述方法可以由诸如图1的说明性系统100的系统执行,以使用传感器网络过程、本地数据同化分析和核心数据同化分析来对复杂物理系统的状态进行建模。
更具体地转向图3的流程图的传感器网络过程,在302,传感器网络102可以执行包括物理传感器108-111以恒定速率获取环境数据的过程。在304,在传感器108-111(或与传感器108-111通信的处理器)处执行的过滤算法可以处理数据流,以产生存储在历史数据库118中的数据。
在306处,可以在核心和本地数据同化分析级104、106处自动优化过滤算法的类型和过滤的参数,并且可以在传感器级102处相应地设置过滤算法的类型和过滤的参数。在308处,传感器108-111可以基于在过滤过程期间的自动分析来监测和提供关于测量不确定性(例如,测量的准确度)的反馈。
更具体地转向图4中所示的方法400的实施例的传感器网络过程,在402处,可以在边缘网关模块处接收经过滤的传感器数据,并且在404处,将其与相关元数据组合,以提供经过滤的测量、不确定性特性和关于过滤过程的信息。
在406处,可以经由传感器消息收发接口116将数据路由至数据同化分析模块120。数据同化分析模块120处的本地或边缘分析可以通过使用来自核心数据同化分析级的预测精度的反馈在408处调整参数来优化过滤过程。
更具体地转向图5的核心数据同化分析过程,数据同化模块124可以在502处从本地数据同化分析104的传感器数据模块118接收历史和实时传感器数据。在504,传感器数据可以被过滤并且包括其不确定性的指示。数据同化模块124可以在506处另外接收模型预测。模型预测可以由物理模型模块126以及强制和边界条件模块128提供。
在508,数据同化模块124可以将传感器数据和元数据组合以改进模型结果。数据同化模块124可以通过在510处调整数据同化参数并且通过在512处提供反馈以调整过滤/不确定性估计过程(例如,在传感器级提供)来优化结果。
图6示出了根据一个实施例的另一示例计算系统,诸如可以使用联网环境来实现。如图所示,计算环境600包括客户端计算机605、web服务器610、服务器615、应用616和应用服务器620。客户端计算机605可以是物理系统(例如,台式计算机、膝上型计算机、移动设备等)或在云中执行的虚拟计算实例。客户端计算机605包括web浏览器607。用户可以通过网络625(例如,因特网)上的web浏览器607访问数据服务。
例如,用户可以访问在web服务器610上执行的web服务612。在一个实施例中,web服务612为应用服务器620(例如,执行应用服务622)提供web接口。更具体地,应用服务622提供数据库624。数据库624可以包括在web浏览器607上呈现给用户的数据。
图7进一步示出了根据一个实施例的服务器715,例如图6的服务器615。服务器715通常包括经由总线连接到存储器706的处理器704、网络接口设备718、存储设备708、输入设备721和输出设备724。服务器715通常在操作系统的控制下。操作系统的示例包括UNIX操作系统、Microsoft Windows操作系统的版本、以及Linux操作系统的发布(UNIX是开放组在美国和其他国家的注册商标,Microsoft和Windows是微软公司在美国、其他国家或二者的商标。Linux是Linux Torvalds在美国、其他国家或二者的注册商标)。更一般地,可以使用支持在此公开的功能的任何操作系统。所包括的处理器704表示单个CPU、多个CPU、具有多个处理核的单个CPU等。类似地,存储器706可以是随机存取存储器。虽然存储器706被示为单个身份,但是应当理解,存储器706可以包括多个模块,并且存储器706可以存在于从高速寄存器和高速缓存到较低速但较大的DRAM芯片的多个级别。网络接口设备718可以是允许导航服务器710经由网络525与其它计算机通信的任何类型的网络通信设备。
存储设备708可以是持久存储设备。尽管存储设备708被示为单个单元,但是存储设备708可以是固定和/或可移动存储设备的组合,例如固定盘驱动器、固态驱动器、可移动存储卡、光存储器和网络存储系统。
如图所示,存储器706包含应用717,它可以是通常被执行以采取这里描述的动作的应用。存储设备708包含算法714、经过滤的测量717和不确定性特征719。
输入设备721可以提供键盘和/或鼠标等。输出设备724可以是任何常规的显示屏。尽管与输入设备721分开示出,但是输出设备724和输入设备721可以组合。例如,可以使用具有集成触摸屏的显示屏。
已经出于说明的目的给出了本发明的各种实施例的描述,但是其不旨在是穷尽的或限于所公开的实施例。在不背离所描述的实施例的范围的情况下,许多修改和变化对于本领域的普通技术人员来说是显而易见的。选择本文所使用的术语以最好地解释实施例的原理、实际应用或对市场上存在的技术改进,或使本领域的其他普通技术人员能够理解本文所公开的实施例。
下面,参考本公开中呈现的实施例。然而,本公开的范围不限于具体描述的实施例。相反,无论是否涉及不同的实施例,以下特征和元件的任何组合都被预期用于实现和实践预期的实施例。此外,尽管本文公开的实施例可以实现优于其他可能的解决方案或现有技术的优点,但是给定实施例是否实现特定优点不限制本公开的范围。因此,以下方面、特征、实施例和优点仅是说明性的,并且不被认为是所附权利要求的元素或限制,除非在权利要求中明确地陈述。同样,对“本发明”的引用不应被解释为对本文所公开的任何发明主题的概括,并且不应被认为是所附权利要求的元素或限制,除非在权利要求中明确记载。
本发明的各方面可以采取完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等)或组合软件和硬件方面的实施例的形式,它们在本文中可以统称为“电路”、“模块”或“系统”。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有计算机可读程序指令的计算机可读存储介质(或多个介质),所述计算机可读程序指令用于使处理器执行本发明的各方面。
计算机可读存储介质可以是能够保留和存储由指令执行设备使用的指令的有形设备。
计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括以下:便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、诸如上面记录有指令的打孔卡或凹槽中的凸起结构的机械编码装置,以及上述的任何适当组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身,诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如,通过光纤线缆的光脉冲)、或通过导线传输的电信号。
本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备,或者经由网络,例如因特网、局域网、广域网和/或无线网络,下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或网络接口从网络接收计算机可读程序指令,并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器相关指令、微代码、固件指令、状态设置数据,或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言(例如Smalltalk、C++等)以及常规的过程式编程语言(例如”C“编程语言或类似的编程语言)。计算机可读程序指令可以完全在用户的计算机上执行,部分在用户的计算机上执行,作为独立的软件包执行,部分在用户的计算机上并且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。在后一种情况下,远程计算机可以通过任何类型的网络连接到用户的计算机,包括局域网(LAN)或广域网(WAN),或者可以连接到外部计算机(例如,使用因特网服务提供商通过因特网)。在一些实施例中,为了执行本发明的各方面,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以使电子电路个性化。
在此参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明的各方面。可以理解,流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。
这些计算机可读程序指令还可以存储在计算机可读存储介质中,其可以引导计算机、可编程数据处理装置和/或其他设备以特定方式工作,使得其中存储有指令的计算机可读存储介质包括制品,该制品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上,以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上,流程图或框图中的每个框可以表示指令的模块、段或部分,其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些替代实施方案中,框中所提及的功能可不按图中所提及的次序发生。例如,连续示出的两个框实际上可以基本上同时执行,或者这些框有时可以以相反的顺序执行,这取决于所涉及的功能。还可以注意到,框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的专用的基于硬件的系统来实现。
本发明的实施例可以通过云计算基础设施提供给终端用户。云计算通常是指通过网络提供可缩放的计算资源作为服务。更正式地,云计算可以被定义为提供计算资源与其底层技术架构(例如,服务器、存储设备、网络)之间的抽象的计算能力,从而实现对可配置计算资源的共享池的方便的按需网络访问,所述可配置计算资源可以以最小的管理努力或服务提供商交互被快速供应和释放。因此,云计算允许用户访问“云”中的虚拟计算资源(例如,存储、数据、应用,甚至完整的虚拟化计算系统),而不考虑用于提供计算资源的底层物理系统(或那些系统的位置)。
通常,云计算资源在按使用付费的基础上被提供给用户,其中用户仅针对实际使用的计算资源(例如,用户消耗的存储空间量或用户实例化的虚拟化系统的数量)被收费。用户可以在任何时间以及从因特网上的任何地方访问驻留在云中的任何资源。在本发明的上下文中,用户可以访问云中可用的应用(例如,阈值调整算法)或相关数据。例如,图1的模块可以在云中的计算系统上执行。在这种情况下,阈值调整算法可以调整响应阈值并且将新值存储在云中的存储位置处。这样做允许用户从附接到与云连接的网络(例如,因特网)的任何计算系统访问该信息。
虽然前述内容涉及本发明的实施例,但是在不偏离本发明的基本范围的情况下,可以设计本发明的其他和进一步的实施例。虽然某些实施例可应用于口语系统,但是权利要求不限于或者甚至特别可应用于口语接口。在一个示例中,方法的实施例可以不涉及语音模态。因此,其范围由所附权利要求确定。
Claims (20)
1.一种评估物理系统的状态的方法,所述方法包括:
使用物理系统的校准模型来生成模型预测;以及
使用连接到路由节点的多个传感器来监测所述物理系统的测量数据,其中所述多个传感器中的第一传感器包括逻辑模块,所述逻辑模块被配置成确定不确定性量化,
并且将所述不确定性量化与所述模型预测组合以输出所述物理系统的状态。
2.根据权利要求1所述的方法,还包括:由所述多个传感器实时报告所述测量数据和所述不确定性量化。
3.根据权利要求1所述的方法,还包括:在所述第一传感器处使用原始传感器数据和数据过滤过程来实时确定所述不确定性量化。
4.根据权利要求1所述的方法,其中输出所述物理系统的所述状态还包括:输出经校正的模型预测。
5.根据权利要求4所述的方法,还包括:基于所述经校正的模型预测的准确度来修改在所述第一传感器处的执行。
6.如权利要求4所述的方法,还包括:基于所述经校正的模型预测的准确度来修改参数,其中所述参数是用于同化所述测量数据的协方差计算。
7.根据权利要求6所述的方法,还包括:使用自动校准模块来修改所述参数。
8.根据权利要求1所述的方法,其中所述物理系统包括以下中的至少一个的自然力:地理区域、水系统、重力系统、热系统和风系统。
9.如权利要求1所述的方法,还包括:使用系统反馈来执行过滤机制的类型选择和参数设置。
10.一种系统,包括:
物理系统的校准模型,被配置为生成模型预测;以及
多个传感器,监测所述物理系统的测量数据并且连接到路由节点,其中所述多个传感器中的第一传感器包括逻辑模块,所述逻辑模块被配置成确定不确定性量化,并且将所述不确定性量化与所述模型预测组合以输出所述物理系统的状态。
11.根据权利要求10所述的系统,其中所述多个传感器被配置成实时报告。
12.根据权利要求10所述的系统,其中,所述不确定性量化使用原始传感器数据和数据过滤过程来实时地确定。
13.根据权利要求10所述的系统,其中,所述物理系统的输出状态是经校正的模型预测。
14.根据权利要求13所述的系统,其中,基于所述经校正的模型预测的准确度来修改在所述第一传感器处的执行。
15.如权利要求13所述的系统,其中基于所述经校正的模型预测的准确度来修改参数,其中所述参数是同化所述测量数据时使用的协方差计算。
16.根据权利要求15所述的系统,还包括:被配置为修改所述参数的自动校准模块。
17.根据权利要求10所述的系统,其中所述物理系统包括以下中的至少一个的自然力:地理区域、水系统、重力系统、热系统和风系统。
18.如权利要求10所述的系统,进一步包括数据同化模块,用于通过调整数据同化参数来修改所述输出状态。
19.一种用于评估物理系统的状态的计算机程序产品,所述计算机程序产品包括:计算机可读存储介质,其可由处理电路读取并且存储用于由所述处理电路执行以用于执行根据权利要求1至9中任一项所述的方法的指令。
20.一种存储在计算机可读介质上并且可加载到数字计算机的内部存储器中的计算机程序,包括软件代码部分,当所述程序在计算机上运行时,用于执行根据权利要求1至9中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/728,442 US11614560B2 (en) | 2019-12-27 | 2019-12-27 | Integration of physical sensors in a data assimilation framework |
US16/728,442 | 2019-12-27 | ||
PCT/IB2020/062196 WO2021130634A1 (en) | 2019-12-27 | 2020-12-18 | Integration of physical sensors in data assimilation framework |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114450696A true CN114450696A (zh) | 2022-05-06 |
Family
ID=76545714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080067937.4A Pending CN114450696A (zh) | 2019-12-27 | 2020-12-18 | 数据同化框架中的物理传感器的集成 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11614560B2 (zh) |
JP (1) | JP2023508075A (zh) |
CN (1) | CN114450696A (zh) |
DE (1) | DE112020005292T5 (zh) |
GB (1) | GB2607234A (zh) |
WO (1) | WO2021130634A1 (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9208704D0 (en) * | 1992-04-22 | 1992-06-10 | Foxboro Ltd | Improvements in and relating to sensor units |
US7624080B1 (en) | 2005-02-25 | 2009-11-24 | The United States Of America As Represented By The Secretary Of The Navy | Smart sensor continuously adapting to a data stream in real time using both permanent and temporary knowledge bases to recognize sensor measurements |
US8311789B2 (en) * | 2006-02-24 | 2012-11-13 | Saudi Arabian Oil Company | Monte Carlo simulation of well logging data |
CN102175269B (zh) | 2011-01-24 | 2013-02-13 | 华东师范大学 | 一种可改变采样频率的传感器设备及其控制方法 |
CN102968529B (zh) * | 2012-11-14 | 2015-06-03 | 上海城市水资源开发利用国家工程中心有限公司 | 一种供水管网模型计算结果不确定性区间的量化方法 |
EP3016352B1 (en) * | 2014-11-03 | 2019-02-06 | Fujitsu Limited | Method of managing sensor network |
US10280722B2 (en) | 2015-06-02 | 2019-05-07 | Baker Hughes, A Ge Company, Llc | System and method for real-time monitoring and estimation of intelligent well system production performance |
US10209063B2 (en) * | 2015-10-03 | 2019-02-19 | X Development Llc | Using sensor-based observations of agents in an environment to estimate the pose of an object in the environment and to estimate an uncertainty measure for the pose |
US20190005397A1 (en) * | 2015-12-16 | 2019-01-03 | The Regents Of The University Of California | Energy-efficient, modularized uncertainty quantification and outcome prediction in mobile devices |
US20180307997A1 (en) * | 2017-04-20 | 2018-10-25 | General Electric Company | Systems and methods for improved quantification of uncertainty in turbomachinery |
CN109194761B (zh) * | 2018-09-18 | 2021-03-30 | 北京工业大学 | 一种基于边缘计算与区块链的lora物联网环境数据采集与上链实现方法 |
-
2019
- 2019-12-27 US US16/728,442 patent/US11614560B2/en active Active
-
2020
- 2020-12-18 JP JP2022538946A patent/JP2023508075A/ja active Pending
- 2020-12-18 GB GB2210883.1A patent/GB2607234A/en active Pending
- 2020-12-18 WO PCT/IB2020/062196 patent/WO2021130634A1/en active Application Filing
- 2020-12-18 CN CN202080067937.4A patent/CN114450696A/zh active Pending
- 2020-12-18 DE DE112020005292.3T patent/DE112020005292T5/de active Pending
Also Published As
Publication number | Publication date |
---|---|
GB2607234A (en) | 2022-11-30 |
US20210199842A1 (en) | 2021-07-01 |
DE112020005292T5 (de) | 2022-09-01 |
JP2023508075A (ja) | 2023-02-28 |
WO2021130634A1 (en) | 2021-07-01 |
GB202210883D0 (en) | 2022-09-07 |
US11614560B2 (en) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190392252A1 (en) | Systems and methods for selecting a forecast model for analyzing time series data | |
US11410063B2 (en) | Self-intelligent improvement in predictive data models | |
JP2006024017A (ja) | コンピュータ資源のキャパシティを予測するためのシステム、方法およびプログラム | |
JP6718500B2 (ja) | 生産システムにおける出力効率の最適化 | |
US20160202228A1 (en) | Water quality monitoring and early event detection | |
JP2020052740A (ja) | 異常検知装置、異常検知方法及びプログラム | |
US10108522B1 (en) | Sampling technique to adjust application sampling rate | |
WO2018008708A1 (ja) | 震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体 | |
KR20210055560A (ko) | 인공지능 서비스에 대한 성능 관리 장치 및 방법 | |
JP2021099860A (ja) | タスク計算量決定方法、装置、電子機器及びコンピュータプログラム製品 | |
KR20190078850A (ko) | 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템 | |
US20230203753A1 (en) | Method and apparatus for anomaly detection on a doctor blade of a papermaking machine, and computing device | |
CN115643193A (zh) | 一种网络流量异常检测方法、装置、设备及介质 | |
CN115085196A (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
CN113409284A (zh) | 电路板故障检测方法、装置、设备以及存储介质 | |
CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
CN112486784A (zh) | 诊断和优化数据分析系统的方法、设备和介质 | |
CN110490132B (zh) | 数据处理方法和装置 | |
US7512519B2 (en) | Run-time characterization of on-demand analytical model accuracy | |
US11614560B2 (en) | Integration of physical sensors in a data assimilation framework | |
US20210064981A1 (en) | Controlling performance of deployed deep learning models on resource constrained edge device via predictive models | |
JP2011154487A (ja) | コンテンツ有用性管理システム、方法、及びプログラム | |
US11410077B2 (en) | Implementing a computer system task involving nonstationary streaming time-series data by removing biased gradients from memory | |
CN114450645A (zh) | 智能过程异常检测和趋势预估系统 | |
CN114764539A (zh) | 燃气轮机的排烟含氧量确定方法、装置、设备和介质 |
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 |