CN114556248A - 用于确定传感器配置的方法 - Google Patents

用于确定传感器配置的方法 Download PDF

Info

Publication number
CN114556248A
CN114556248A CN202080070877.1A CN202080070877A CN114556248A CN 114556248 A CN114556248 A CN 114556248A CN 202080070877 A CN202080070877 A CN 202080070877A CN 114556248 A CN114556248 A CN 114556248A
Authority
CN
China
Prior art keywords
sensor
real
sensors
virtual
causal relationship
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
Application number
CN202080070877.1A
Other languages
English (en)
Inventor
R·菲策克
S·G·L·A·法拉德
O·埃斯贝尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kangpeidi Co ltd
Original Assignee
Kangpeidi Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kangpeidi Co ltd filed Critical Kangpeidi Co ltd
Publication of CN114556248A publication Critical patent/CN114556248A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21345—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis enforcing sparsity or involving a domain transformation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G06F18/21326—Rendering the within-class scatter matrix non-singular involving optimisations, e.g. using regularisation techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Neurology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种用于确定包括多个传感器的车辆中的传感器配置的方法，包括以下步骤：为车辆建立初步传感器配置，该传感器配置包括第一数量的真实传感器，每个真实传感器输出真实传感器信号；确定至少一个真实传感器是否可以用虚拟传感器替换；将所述初步传感器配置改变成最终传感器配置，所述最终传感器配置包括第二数量的真实传感器和至少一个虚拟传感器，其中所述第二数量小于所述第一数量。

Description

用于确定传感器配置的方法
本发明涉及一种用于确定包括多个传感器的车辆中的传感器配置的方法。
现代车辆包括用于检测多种状态变量的大量传感器，所述多种状态变量如例如是车轮、轴、齿轮等的转速、温度、力、扭矩、电压、电流、绕滚转轴、俯仰轴、偏航轴的加速度等。此外，车辆有时包括确定车辆位置或者车辆与其他车辆或障碍物的距离的传感器。其他传感器是检测视觉或非视觉图像的相机，例如后视相机、红外相机等。传感器基于多种不同的技术，例如像旋转编码器、温度探头、电压表、雷达发射器和接收器、CCD芯片等。
车辆中的大量传感器贡献了车辆的重量、复杂性和成本。
本发明旨在至少部分解决以上问题。
以上目的通过一种用于确定包括多个传感器的车辆中的传感器配置的方法来实现，该方法包括以下步骤：为车辆建立初步传感器配置，该传感器配置包括第一数量的真实传感器，每个真实传感器输出真实传感器信号；确定至少一个真实传感器是否可以用虚拟传感器替换；将所述初步传感器配置改变成最终传感器配置，所述最终传感器配置包括第二数量的真实传感器和至少一个虚拟传感器，其中所述第二数量小于所述第一数量。
真实传感器是测量某个状态变量的一件硬件，所述某个状态变量特别是如例如转速、力、扭矩、光等之类的物理实体。
虚拟传感器是软件模块，其接收来自真实传感器的至少一个测量信号和可选的其他参数和/或变量或信号，并从这些输入优选地实时计算物理目标值。
本发明的基本思想是要在车辆的真实和虚拟传感器二者中找到最优的传感器配置，即用虚拟传感器替换尽可能多的真实传感器，并且优选地在虚拟传感器可以实现的准确度和真实传感器产生的成本之间找到最优。
确定至少一个真实传感器是否可以用虚拟传感器替换的步骤优选地包括使用人工智能，特别是使用机器学习技术。
在许多情况下，真实传感器信号被记录并且然后被评估。真实传感器信号的记录可以在车辆的测试运行期间进行，其中记录的真实传感器信号的评估随后在固定的评估计算机上进行。
在替代实施例中，在车辆的测试运行期间进行真实传感器信号的记录，其中在测试运行期间在移动评估计算机上进行对记录的真实传感器信号的评估以及用虚拟传感器对至少一个真实传感器的替换。
此外，可能的是进行真实传感器信号的记录、记录的真实传感器信号的评估以及用模拟计算机上的虚拟传感器对至少一个真实传感器的替换中的至少一个。
使用移动评估计算机具有如下优点：可以立即体验到替换真实传感器对车辆行为的影响。另一方面，使用模拟计算机具有可以省去真实的测试驾驶的优点。
在一些评估示例中，确定至少一个真实传感器是否可以用虚拟传感器替换的步骤不是针对每个真实传感器进行的。相反，例如，由于安全性考虑，一些真实传感器可以被归类为“不可替换的”。其次，一些传感器非常便宜并且具有低重量。因此，仅在真实传感器具有显著的重量和/或具有显著的成本的情况下，人们才可能考虑进行对某个真实传感器是否可以用虚拟传感器替换的评估。此外，某些环境下的一些真实传感器可以定义为“必须替换”。这应用于例如开发环境，其中初步传感器配置不仅包括将在被生产的车辆中实现的传感器。相反，这样的开发环境可以包括仅为开发目的而设置和连接的传感器。这些“开发传感器”在批量生产的车辆中不再可用，并且因此被视为“必须替换”。
此外，虚拟传感器的准确度以及虚拟传感器与真实传感器相比可能具有的时间延迟可能是相关的考虑因素。时间延迟可能是由基于对虚拟传感器的输入的复杂计算引起的。另一方面，一些虚拟传感器可能不如用该虚拟传感器替换的真实传感器准确。准确度的损失和时间延迟可能具有对车辆行为的影响，在一些情况下，也要对车辆行为进行分析和评估以便确定真实传感器的替换是否可能。因此，真实传感器是否可以用虚拟传感器替换的问题通常不是一个明确的是或否的问题，而是考虑若干边界条件的问题，所述若干边界条件可能此外被加权以便达到优选的最终传感器配置。
此外，虽然出于成本原因可能替换真实传感器，但是也可以使用本发明以免替换真实传感器，而是为真实传感器创建次级虚拟传感器，以便改进传感器配置的冗余性和可能的安全性。
该目的被完全实现。
在优选实施例中，确定步骤包括记录第一数量的真实传感器的至少子集的真实传感器信号，评估所记录的真实传感器信号，以便确定是否至少第一个真实传感器可以用第一虚拟传感器替换，该第一虚拟传感器从第二真实传感器接收至少一个真实传感器信号并且输出对第一真实传感器的真实传感器信号进行仿真的虚拟传感器信号。
如上面讨论的，评估步骤可以在多个不同的步骤中进行。
在优选实施例中，评估步骤包括使用玻尔兹曼机器，该玻尔兹曼机器具有多个可见节点并且具有多个隐藏节点，每个可见节点表示真实传感器，所述隐藏节点通过利用节点的组合来被计算。
在评估步骤中使用玻尔兹曼机器是一种强力方法。玻尔兹曼机器是一种无向生成随机神经网络，其可以学习其输入集合的概率分布。它总是能够生成系统的不同状态。
给定无限的训练数据，玻尔兹曼机器能够表示具有许多状态的任何系统。在当前情况下，该系统首先表示初步的传感器配置。可见节点是对系统的特征/输入，其是车辆中的真实传感器。隐藏节点是将被训练的节点，其将标识和利用可见节点的组合。本质上，玻尔兹曼机器试图通过估计其边中的权重（边类似于条件概率分布）来学习节点如何彼此影响。
理论上，一旦模型被训练，玻尔兹曼机器就能够在仅给定一个传感器的情况下重构所有传感器。换言之，该理论方法将导致一种概念，其中仅必需一个单个的物理传感器以便构造车辆中的所有其他传感器。
虽然在理论上玻尔兹曼机器是伟大的模型并且可以解决许多问题，但它在实践中非常难以实现。这是由于计算能力，因为节点数量的增加导致边/连接的指数增加。如果初步的传感器配置在车辆中使用200个传感器，并且如果添加附加的400个隐藏节点，则边的数量将是
Figure 37029DEST_PATH_IMAGE001
个边。
因此，通常使用受限的玻尔兹曼机器（RBM），其中来自相同类型的节点不彼此连接。该概念用于在性能与运行计算的能力之间进行权衡。使用对比散度算法，以与玻尔兹曼机器相同的方式训练和预测RBM。
玻尔兹曼机器和受限的玻尔兹曼机器是可能不考虑时间序列中的时间依赖性的结构。因此，所使用的玻尔兹曼机器优选地是递归的时间受限玻尔兹曼机器。也就是说，当处理信号和时间序列时，可以使用该玻尔兹曼机器。递归的时间受限玻尔兹曼机器（RTRBM）使用递归神经元作为记忆路径的存储单元，并且在对比散度算法中使用通过时间的反向传播来训练模型。一种非常先进和强大的RTRMB类型是RNN-高斯动态玻尔兹曼机器，其优选地用于对传感器配置建模。
通常并且如上面解释的，确定至少一个真实传感器是否可以用虚拟传感器替换的步骤是虚拟传感器的准确度和/或车辆的驾驶行为和/或将被替换的真实传感器的成本的函数。
如果虚拟传感器的准确度和/或车辆的驾驶行为和/或将被替换的真实传感器的成本被加权并被计算为目标值，则在此是优选的。
确定至少一个真实传感器是否可以用虚拟传感器替换的以上概念或多或少基于强力方法。然而，也存在基于因果关系分析来进行该步骤的方式。
因此，如果确定步骤包括检测和记录预定数量的临时后续采样步骤的真实传感器的至少子集的输出，以及进行因果关系分析，该因果关系分析确定真实传感器的记录输出之间的因果关系，则是优选的。
术语因果关系或因果性应理解为原因和效果之间的关系。该方法中的基本问题是一个真实传感器是否以及在多大程度上引起另一个真实传感器。术语因果关系、因果性和相关性在本申请内以可互换的方式使用。对于那些术语中的每一个，将应用最宽的解释。
此外，在本申请中，如果一个传感器输出引起另一个传感器输出，则这基本上意味着其他传感器输出依赖于一个传感器输出。
优选地，初步传感器配置的所有传感器的输出被传递到算法，该算法将判定传感器是否可以被替换，并且该算法优选地能够构建替换真实传感器的传感器（虚拟传感器）的模型。
在优选实施例中，可以假设初步传感器配置形成传感器空间X。反映真实传感器之间的依赖性或真实传感器之间的因果关系的依赖图具有多个边，其可以通过以下陈述来构建：
Figure 839988DEST_PATH_IMAGE002
。
在该陈述中，C是二元因果关系函数，f是考虑到例如成本或安全性方面（像冗余性）的惩罚因子，并且Ex，y是边的系数。
据说测量因果关系的一些措施是格兰杰因果性、转移熵、转换交叉映射和互信息，而相关性可以通过皮尔逊自相关算法来估计。
对于每一个提及的措施，人们必须指定最大的滞后（移位）。滞后通常对应于一定数量的时间空间样本。在一个滞后中，不同传感器的样本数量可能不同，因为不同的传感器可能具有不同的采样频率。例如，如果一个信号具有10 ms的采样时间（对应于100 Hz的采样频率），并且如果另一个信号具有100 ms的采样时间，则10的滞后对于第一个信号来说将意味着正在考虑的100 ms的时间段，并且对于第二个信号来说将意味着1 s的时间段。对于任何因果关系计算来说，信号是否具有相同的时基并不重要。然而，这最终可能与随后的虚拟传感器的训练相关。
因果关系度量的结果是矩阵，其优选地包括传感器之间的关系。矩阵的关系或值或因果关系优选地被归一化或标准化，使得最大因果关系具有为1的值，并且最小因果关系具有为0的值。
在优选实施例中，为样本的至少子集确定真实传感器的记录输出之间的因果关系，其中对于样本子集确定的因果关系经受后处理，以便确定真实传感器的记录输出之间的最终因果关系集合或矩阵。
样本子集可以被定义为是形式为[滞后；现在]的单个向量，其中滞后<或=最大滞后。
此外，在优选实施例中，基于确定的因果关系建立有向循环图（DCG）。有向边中的权重解释了“传感器对其他传感器引起/关联有多少”。人们可以使用深度优先搜索（DFS）算法来检测图中的循环。
为了找出哪个真实传感器可以被最好地替换，如果DCG被转换成有向无环图（DAG）则是优选的，其中具有最高因果关系的真实传感器或者具有最低因果关系的真实传感器被取作DAG的根。
人们可以使用若干算法以便将DCG转换为DAG。另一个策略将是仅将最依赖的传感器取作根并从那里构建树。
有向无环图是树，它具有根和茎和最终的叶子。例如，可以通过移除树的节点处的叶子来替换传感器。叶子处的每个传感器将通过模型标识管道，其中目标值是将被重构的传感器信号，并且其中输入是树中对应的双亲。此外，人们可以移除更多的级别，但是应当牢记，去除越多的级别，重构就将越不准确。
作为另一个示例，可能的是通过在DCG上使用图排序算法来标识可替换的传感器，以便基于其传出和传入的因果关系边来标识最重要的传感器。一个这样的传感器是个性化PageRank算法。
对应地，如果在DAG中分别形成叶子或根的至少一个真实传感器被确定为可替换的，则是优选的。
当建立DCG时，替代的优选方法是根据DCG计算排序矩阵，其中至少一个真实传感器被确定为低排名，并且因此是可替换的。
可以基于排序算法来计算排序矩阵。这样的排序算法的一个示例是如在搜索引擎中使用的页面排序算法。
作为使用DCG的另一个优选示例，可能的是根据DCG生成随机概率过程，其中至少一个真实传感器的状态可以用另一个真实传感器的状态达到，并且因此可以被确定为是可替换的。
随机概率过程可以通过如例如马尔可夫链蒙特卡罗（MCMC）之类的概率算法来实现。
此外，如果基于统计或确定性方法（算法）来确定已经被确定为可替换的真实传感器的数学模型，则是优选的。
特别地，对于来自先前步骤的每个修剪的叶子，叶子被取作标签，并且因果关系分支（从根开始到叶子）被取作特征来训练模型。作为标识能够替换给定传感器的模型（即，将真实传感器变成虚拟传感器）的有利方式，可以学习信号表示的任何统计或确定性算法可以用于构建将用于重构传感器的模型。
例如，可以使用被称为时间延迟神经网络（TDNN）的神经网络架构。
这样的网络是一种可以应用于时间序列的前馈神经网络。通用架构将用于所有修剪的叶子。然而，应当使用优化算法来优化模型的超参数，以便帮助通用算法架构专用于诸如网格搜索、随机搜索或贝叶斯超参数优化之类的给定问题。
对于TDNN的示例，可以优化以下超参数：神经元数量、层数、退出率等。
一旦模型被训练并针对测试集进行评估，如果提取模型的权重和参数，并且如果通过前馈计算来计算模型的预测，则是优选的。
当使用因果关系分析的方法时，存在一个重要的方面，该重要的方面是因果关系可以依赖于当前的系统状态。例如，与汽车变速器相关的速度可能具有以下因果性：当起动离合器闭合时，发动机速度和车轮速度之间存在高度因果性。另一方面，当离合器打开时，因果性较低。存在若干方法来解决该问题，像例如：
1.人们将专业知识放入到计算例程中，例如通过增加预先定义的惩罚因子f，或者通过将发动机速度传感器定义为不可替换的。
2.人们可以利用事件识别来触发状态差异。例如，在像双离合器变速器一样的自动变速器中，存在给出关于离合器状态的信息的信号，使得人们可以在打滑和粘滞阶段之间进行区分。因此，人们将得到这些状态中的每一个的因果性值。依赖于这些值，人们然后可以判定传感器是否以其“整体”可替换（即，其意思在：通过再次将时间序列视为独特的信号，而不再是一连串的事件，并通过评估两个因果性值中的一个太低，使得人们可以说给定的传感器实际上是不可替换的）。
3.人们可以通过提出的因果关系计算，并且标识最佳滞后。一旦完成，人们就可以再次通过时间序列（通过保持计算的最佳滞后），并计算对于每个单个数据点的一种相对误差。在此基础上，人们可以画出所有点的相对误差分布。这样，人们可以看出误差是否总是集中在给定区域中，或者是否存在分散。在第二种情况下，人们可能拒绝替换传感器，并对其给予惩罚。
4.人们可以仅将因果关系计算保持为它的原样，并且不关心可能的状态依赖性，使得人们无论如何都将为虚拟传感器训练模型。在训练结束时，人们将评估生成的模型的准确性。如果这不够好，则人们可能此后判定传感器实际上是不可替换的（在任何情况下，传感器可替换性的最终判定是在模型被训练之后做出的）。如果模型足够好，则传感器可以被替换，并且事件依赖性可能不是至关重要的。
整个方法是高度可并行化的，其中构建图、为每个修剪的叶子构建模型和模型优化可以是多线程的。
此外，存在设置最大滞后的许多方式。Schwert（1989）提出了一种启发式方法作为经验法则。它被计算如下：
Figure 354146DEST_PATH_IMAGE003
其中T是信号中观察的数量，即信号的长度。如所提及的，Schwert经验法则是自组织（ad hoc）的方法，并且正确得到滞后值具有挑战性，因为太小的滞后值将使统计测试偏差。然而，太大的值将放大统计测试的能力。存在提出了如下的许多出版物：在包括太多滞后的一侧产生误差（类型2误差）是最好的。
在本发明的另一个优选方面，确定步骤包括检测和记录真实传感器的至少子集的输出，并且进行因果关系分析，该因果关系分析确定真实传感器的子集的记录输出之间的因果关系，其中因果关系分析包括构建逐组分的神经网络CWNN，其中真实传感器的子集的每个真实传感器对应于CWNN的组分之一，其中每个组分由虚拟传感器形成，该虚拟传感器被训练以便仿真相应的真实传感器。
虚拟传感器优选地是神经网络的子模型。在优选实施例中，训练步骤使用真实传感器子集的一些或每个其他真实传感器的输出。此外，将被仿真的真实传感器（所谓的目标）的过去输出也可以用于训练虚拟传感器。
神经网络的虚拟传感器（子模型）可以单独或全部一起训练。
优选地，训练步骤包括对至少一些虚拟传感器的相应第一隐藏层应用稀疏诱导惩罚。
优选地，稀疏诱导惩罚被应用于每个虚拟传感器的相应第一隐藏层。当应用稀疏诱导惩罚时，使用参数捆绑技术将相似的特征分组在一起，并且不格兰杰引起目标的特征被归零。
在一个实施例中，如果从组套索正则化族中选择稀疏诱导惩罚，则是优选的。
在另一个优选实施例中，从组顺序加权套索（GrOWL）规则族中选择稀疏诱导惩罚。
此外，如果使用稀疏诱导优化器来优化稀疏诱导惩罚以便生成稀疏模型，则是优选的。
这里，如果使用半随机近似梯度下降SPGD算法来优化稀疏模型，则是优选的。
在替代的优选实施例中，使用遵循正则化先导FtRL算法来优化稀疏模型。
在本发明的优选方面，如果为每个训练的虚拟传感器（子模型）计算因果关系向量，并且其中因果关系向量被联接以生成因果关系矩阵，则通常是优选的。
在这种情况下，如果计算相应子模型的因果关系向量包括以下各项，则是优选的：
-将虚拟传感器的第一层的权重矩阵转换成亲缘矩阵（affinity matrix），
-对亲缘矩阵聚类以将相似的特征分组在一起，
-按照重要性对聚类进行排序，
-按照重要性对每个聚类中的特征进行排序，
-通过考虑聚类的排名和特征的排名来计算特征的全局排序，
-使用全局排序作为因果关系向量。
这里，如果按照重要性对聚类进行排序通过置换测试方法来完成，则是有利的。
在替代的实施例中，按照重要性对聚类进行排序通过归零方法来完成。
将理解，在不脱离本发明的范围的情况下，上面提及的本发明的特征和下面将要解释的那些特征不仅可以用在所指示的相应组合中，而且还可以用在其他组合中或单独使用。
本发明的示例性实施例在以下描述中更详细地解释并在附图中表示，其中：
图1是具有传感器配置的机动车辆的示意图；
图2是图1的传感器配置的若干传感器在一定时间段内的输出；
图3是传感器配置过程的示意图；
图4是因果关系矩阵的示例；
图5是基于图4的因果关系矩阵的有向循环图的示例；
图6是基于图5的有向循环图的有向无环图的示例；
图7是因果关系矩阵的另一个示例；
图8是基于图7的因果关系矩阵的有向循环图的另一个示例；
图9是基于图8的有向循环图的有向无环图的另一个示例；
图10是玻尔兹曼机器的示意图；
图11是受限玻尔兹曼机器的示意图；
图12是用于车辆传动系的传感器的受限玻尔兹曼机器的另一示例；
图13是图12的RBM的传动系在三个滞后内的实际速度值；
图14是基于图12中的受限玻尔兹曼机器的受限玻尔兹曼机器，其中两个传感器被标识为是可替换的；
图15是图14的RBM的两个真实传感器的两个输出的另一个示例；
图16是根据本发明优选方面的用于确定传感器配置的方法的流程图；
图17是图16的方法的虚拟传感器（子模型）架构的实施例；
图18是图16的方法的虚拟传感器（子模型）架构的另一个实施例；和
图19是根据图16的方法的因果关系分析概念。
在图1中，示出了车辆10，其例如可以是像客车一样的机动车辆。车辆10具有车身12、前轮14L、14R和后轮16L、16R。
后轮16L、16R是由传动系18驱动的从动轮。
传动系18包括内燃机20和传动装置24。内燃机20和传动装置24优选地经由例如起动离合器的离合器装置22连接。
通常，传动装置24包括用于建立多个齿轮阶段的多个可换档的齿轮阶段25。
传动装置24的输出连接到差速器26，该差速器26适于将驱动力分配给从动后轮16L、16R。
车辆10包括多个传感器，例如用于检测内燃机20的转速Seng的发动机速度传感器30。
此外，传动装置24包括第一传动速度传感器32，该第一传动速度传感器32检测传动装置的输入轴的速度。此外，传动装置24包括第二传动速度传感器34，该第二传动速度传感器34检测第二传动速度，例如传动装置24的输出轴的转速ST、Strn。
此外，传动系18可以包括用于测量左从动后轮16L的转速SL、Swl的左从动轮传感器36，以及用于检测右从动轮16R的转速SR、Swr的右从动轮传感器38。
传感器30至38连接到控制器40，该控制器40可以是传动系控制器18。控制器40可以是多系统控制器，包括例如变速器控制器、内燃机控制器等。
此外，车辆10可以包括另外的传感器，例如用于检测由内燃机20提供的扭矩的发动机扭矩传感器42。另外的传感器可以包括用于检测离合器装置22的离合器位置的离合器位置传感器44，以及用于测量例如变速器24中的流体温度的一个或多个温度传感器46。
车辆10可以包括测量例如用于调整车辆座椅倾斜度的电动机转速的大量另外的传感器、用于测量车厢内温度的温度传感器、用于测量距离的雷达传感器（例如LIDAR）、用于检测车辆周围环境的相机传感器、用于检测滚转移动、俯仰移动和/或偏航移动的加速度传感器。此外，可以提供用于测量电压、电流等的多个电传感器。
至少一些传感器，优选每个传感器连接到车辆的控制器，该控制器可以包括上面提及的传动系控制器40。
此外，任何控制器（例如控制器40）可以经由无线通信48连接到车辆10外部的网络46，例如因特网、GPS网络、蜂窝电话网络、无线局域网（WLAN、Wifi）网络等。
图1还示出了评估计算机50。
评估计算机50连接到车辆的至少一个控制器（例如控制器40），并且适于进行用于确定包括多个传感器的车辆10中的传感器配置的方法，该方法包括：确定车辆的初步传感器配置的步骤，该初步传感器配置包括第一数量的真实传感器，每个真实传感器输出真实传感器信号；以及确定是否至少一个真实传感器可以用虚拟传感器替换的步骤，并且包括将初步传感器配置改变成最终传感器配置的步骤，该最终传感器配置包括第二数量的真实传感器和至少一个虚拟传感器，其中所述第二数量小于所述第一数量。
该方法可以根据多个不同的实施例来进行，其中一些实施例在下面解释。以下实施例主要涉及用于传动系18的传感器配置。然而，目前应用于传动系18的实施例也可以应用于车辆10的其他部分，例如应用于导航系统配置、温度控制配置等。
图2示出了图1的传感器配置的若干传感器在一定时间段内的输出的三个图解。特别地，第一图解示出了由传感器34测量的随时间变化的第二传动速度ST；第二图解示出了由传感器36测量的左从动轮速度SL；并且第三图解示出了由传感器38测量的右从动轮速度SR。
在图解中，人们假设当前时间是t。此外，假设每个传感器具有对应于相同的采样周期的相似的采样频率，尽管这不是必需的。
图2示出了对应于多个采样时间段的窗口54。在图2中，一个采样时间段被指示为单个滞后56。窗口54通常由多个单个滞后56组成。图2中所示的窗口54对应于最大滞后58。最大滞后58对应于单个滞后56的最大数量，其用于确定是否至少一个真实传感器可以用虚拟传感器替换的过程。
在许多情况下，将存在所谓的最佳滞后60，其通常对应于多个单个滞后56并且小于最大滞后58。最佳滞后60对应于窗口54’。目前，最佳滞后60对应于八个单个滞后，即对应于从t到t-8的时间段。
最佳滞后可以由以下各项中的一个或多个确定：
-使用统计和信息标准，诸如Akaike或贝叶斯信息标准（AIC、BIC）；
-时间序列与其自身的移位版本之间的互信息的第一最小值；和
-试错。
在图2的图解中，人们可以看到ST从开始到t-15几乎是常量。
在从t-25到t-20的时间段内，SL偏离ST并且大于ST。类似地，SR在t-25到t-20的时间段期间小于ST。
在t-15处，传动输出速度ST开始降低到零。在t-10实现为零的输出传动速度。
在该点处，车辆处于停止。对应地，SL和SR也为零。
如果驾驶员希望再次启动车辆，则他可能在
Figure 608410DEST_PATH_IMAGE004
分流道路上经历一种情形，在该情形中，例如右从动速度SR在几个样本内维持零，而其他从动轮速度SL增加。
从t-10到t-5，右从动轮速度SR维持在零，并且然后再次加速，例如由于防滑控制施予到右从动轮上的制动效果。
在t处，速度ST、SL和SR再次相等。
人们可以从图2中看出，从动轮速度SL、SR与输出传动速度ST具有一定的关系。在一些时间窗期间，它们是相同的。在其他时间，它们可能与输出传动速度ST相当剧烈地偏离。
然而，人们可以说至少对于某些情形并且优选地对于大多数时间，从动轮速度SL、SR正在引起输出传动速度ST。
问题出现：这三个传感器中的任何一个（在图1的示例中是真实传感器）是否可以用虚拟传感器替换，该虚拟传感器从真实传感器接收至少一个真实传感器信号，并输出对被替换的真实传感器的真实传感器信号进行仿真的虚拟传感器信号。
图3是传感器配置过程的示意图。
传感器配置过程包括使用所谓的因果阶段72，真实传感器信号和可选的其他参数被输入其中。因果阶段72包括基于真实传感器信号建立的因果关系矩阵74，针对某个滞后、理想地是最佳滞后来查看真实传感器信号。
因果关系矩阵74基于真实传感器的记录输出之间的因果关系，所述因果关系是针对样本的至少子集（例如，最佳滞后）确定的，并且其中针对样本子集确定的因果关系经受后处理，以便确定真实传感器的记录输出之间的最终因果关系集合或矩阵。
换言之，因果关系矩阵是确定真实传感器的记录输出之间的因果关系的因果关系分析结果的一个表示。
因果关系矩阵74用于建立有向循环图（DCG）。
在因果阶段72的框76中，进行转换过程，以便将DCG转换成有向无环图（DAG），其中将具有最高因果关系的真实传感器或具有最低因果关系的真实传感器取作有向无环图的根。
在有向无环图（DAG）中，分别形成图的叶子或根的至少一个真实传感器被确定为可替换的。
换言之，因果阶段72确定哪些真实传感器可以用虚拟传感器替换。
因果阶段72的输出被输入到建模阶段78，建模阶段78用于对将替换真实传感器的虚拟传感器进行建模。建模阶段78包括模型构建过程80，其中构建虚拟传感器的模型。此外，建模阶段78包括模型优化过程82，其中过程80的模型被优化。
最后，虚拟传感器被包括在最终的传感器配置中，这在84处示出，基于该最终的传感器配置，生成用于实现虚拟传感器的代码。
图4是因果关系矩阵74’的一个示例，其示出了六个传感器X1至X6之间的因果关系的示例。
在第一行中，示出了传感器X1以0.8的因子引起传感器X2（因果关系75a）并且以0.7的因子引起传感器X5，而X1根本不引起传感器X3、X4、X6中的任何一个。
因果关系通常是0和1之间的值，其中0意指传感器根本不引起另一个传感器。另一方面，“1”意指传感器完全引起另一个传感器，使得其他传感器是冗余的或者甚至是多余的。在任何情况下，其他传感器可以用第一传感器替换。
另一个示例是，例如传感器X4以0.4的值引起传感器X3（因果关系75b），而传感器X3以0.7的值引起X4。这两个传感器X3、X4不引起任何其他传感器。
在图4中，传感器配置X被示出为
Figure 642356DEST_PATH_IMAGE005
。
图5示出了基于因果关系矩阵74’中确定的因果关系建立的有向循环图。图5的有向循环图88示出了X1引起X2和X5。此外，示出的是仅X5引起X1，而X5也引起X2。图5还示出了X6不引起任何其他传感器，并且不是由任何其他传感器引起的，如可以从图4的因果关系矩阵74’的最后一行和最后一列中看出。
在有向循环图（DCG）中，有向边中的权重解释了“相应传感器对其他传感器引起/关联有多少”。人们可以使用深度优先搜索（DFS）算法来检测图中的循环。为了标识传感器的依赖顺序，必须将DCG变换成有向无环图（DAG）。
图5的有向循环图DCG 88可以被转换成如在图6中90所示的有向无环图（DAG）。存在可以将DCG转换为DAG的许多算法。
图6中的DAG 90示出了X1已经被取作DAG的根，该传感器X1引起X2和X5。
另一方面，X2引起X3，并且X3引起X4。图6示出了DAG具有四个级别，其中级别0对应于DAG的根，并且级别3对应于DAG的叶子。
图6中的图或树是四级树。将注意的是，X4是X3的儿子，并且不是X2的儿子，因为X3具有更高的因果关系。从DAG，人们可以通过移除在树的节点处的叶子来开始替换传感器。在叶子处的每个传感器将通过模型标识管道，其中目标值是人们希望重构的传感器信号，并且输入是树中对应的双亲。此外，人们可以移除更多的级别，但是应当牢记，移除越多的级别，重构就将越不准确。
在图6的DAG中，非常清楚的是X4可以用虚拟传感器替换。
以上示例说明了简单的传感器空间或配置，其中DAG树是基于配置中的所有传感器通常都是可替换的这一理解来构建的，并且然后移除最不依赖的传感器。然而，在像汽车一样的动态系统中，出于安全性原因，存在冗余的许多传感器，并且既不应当移除也不应当替换。因此，对于算法来说，区分配置/空间中这些重要的不可替换的传感器是重要的。因此，例如，人们可以将每个传感器与指示其是否可替换的标志变量相关联，或者利用高惩罚因子f来反映不可替换性。然后，将DCG转换为DAG的算法可以在构建树时将不可替换性纳入考虑。例如，在前一种方法（标志）中，算法将具有标志值“不可替代”并且是最依赖的传感器的传感器Xi指定为根，并且从那里构建树，或者可以从过程中排除。
在一些情况下，两个或更多个传感器的组合（任何时间信号操作，诸如一些求和、求差或动态缩放）可以引起另一个传感器。如果引起的传感器值得替换，则人们将该传感器合并成新的混合传感器，该新的混合传感器将被添加到传感器配置。当重构传动的输出速度时，可以看到简单的示例：由于差速器的原因，在转弯期间，单独的左轮或后轮的速度不引起传动输出速度。然而，两个车轮速度的均值或平均值直接引起并可以用于推断传动输出速度ST。当两个或更多个传感器组合时，然后组合中的所有涉及的传感器都应当被标记有“不可替换”。
图7示出了由例如传感器30测量的转速Seng、由例如传感器32测量的转速Stran、由例如传感器36测量的转速Swl、由例如传感器38测量的转速Swr以及对应于传感器36和传感器38之和的转速Swl、wr的因果关系矩阵74″的另一个示例。
从以上分析，人们知道两个车轮速度Swr、Swl的组合直接引起传动的速度ST（Swl，wr）。因此，人们可以创建新的线性组合传感器Swl、wr，将其添加到传感器空间，并切换Swl和Swr的可再现标志。这已经在图7的因果关系矩阵中完成。
当人们假设用50的最大滞后构建因果关系图时，因果关系矩阵中的值可能基于滞后值而不同（在上面的示例中，所述值是基于领域知识假设的，并且不是实际计算的）。
图7的因果关系矩阵74”可以例如使用具有83的最大滞后的格兰杰因果性来计算。最大滞后可以通过“Schwert”来计算，并且最佳滞后可以使用Akaike信息标准（AIC）、替代地基于贝叶斯信息标准（BIC）来选择。
图8示出了基于图7的因果关系矩阵74”建立的有向循环图88”的示例。
图8的DCG 88”示出了相应的传感器依赖于相应线的粗度和从根开始的路径长度而彼此引起的。
图9示出了从图8的DCG 88”转换的有向无环图90”。
可以看出，对应于输出传动速度ST的速度Swl、wr被取作根，该真实传感器信号引起Seng、Swl和Swr。
进一步，Seng在一定程度上引起Stran（对应ST）。
鉴于以上，可以看出Stran形成了有向无环图90”的叶子，并因此指示对应的真实传感器32可能用虚拟传感器替换。
图9示出了考虑因果关系值和如以上提及的标志可以从图8的DCG 88”生成的最合适的树。
在图9中，级别0中和级别1中的传感器不能被替换。因此，使用从动后轮速度和发动机速度的组合作为建模阶段78中使用的模型的特征，可以仅替换输出的传动速度传感器Stran。
在建模阶段78中，DAG的因果关系分支被取作训练模型的特征。作为标识能够替换给定传感器的模型（即，将真实传感器变成虚拟传感器）的有利方式，可以学习信号表示的任何统计或确定性算法可以用于构建将用于重构传感器的模型。例如，可以使用被称为时间延迟神经网络（TDNN）的神经网络架构。这是一种适合用于时间序列的前馈神经网络。该通用架构可以用于所有修剪的叶子。然而，应当使用优化算法（在82中）来优化模型的超参数，以帮助通用算法架构专用于给定问题，诸如网格搜索、随机搜索或贝叶斯超参数优化。对于TDNN的示例，可以优化以下超参数：神经元数量、层数、退出率等。
一旦模型被训练并针对测试集进行评估，过程70的最终传感器配置就将提取模型的权重和参数，并通过前馈计算来计算模型的预测。
在图10至图15中，示出了替换初步传感器配置的传感器的另一个方法。在图10至图15中所示的方法是通过使用玻尔兹曼机器（BM）的强力方法。该BM是无向生成随机神经网络，其可以学习其输入集合的概率分布。它总是能够生成系统的不同状态。
例如在图10中在100处示出的玻尔兹曼机器能够表示给定无限训练数据的具有许多状态的任何系统。在当前情况下，将表示以上传感器配置。
图10图示了BM的架构。可见节点102是对系统的特征/输入，这在我们的情况下是车辆中的所有传感器。另一方面，隐藏节点104是将被训练的节点，其将标识和利用可见节点的组合。本质上，BM试图通过估计它们的边中的权重（边类似于条件概率分布）来学习节点如何彼此影响。
玻尔兹曼机器及其变体使用对比散度算法来训练该模型。简而言之，训练工作如下：
1.随机初始化节点之间的权重；
2.将样本输入向量馈送给可见节点；
3：基于权重和全局偏差计算隐藏节点（前馈方法）；
4.从隐藏节点重构可见节点；
5.使用例如Kullback散度，将可见节点与重构的可见节点进行比较；
6.使用梯度下降基于例如Kullback散度损失函数更新权重；和
7.对于所有特征样本重复步骤2至6，直到收敛。
虽然在理论上，图10的玻尔兹曼机器是很好的模型，并且可以解决许多问题，但是由于需要必要的计算能力，实际上非常难以实现。
因此，人们可以使用被称为受限玻尔兹曼机器（RBM）的玻尔兹曼机器的变体，其中来自相同类型的节点不彼此连接，如图11中在100’处所示。
这里，可见节点100”通过边106’连接到隐藏节点104’，但是可见节点100”不彼此连接，隐藏节点104’也不彼此连接。
在上面的示例中，对于不同的速度，即发动机速度Seng、传动速度Stran、左从动轮的速度Swl和右从动轮的速度Swr，可以建立如图12中的100”所示的受限玻尔兹曼机器（RBM）。
这里，可见节点100”对应于以上提及的四个速度。此外，建立多个隐藏节点，其中隐藏节点的数量优选地大于隐藏节点的数量。
在训练期间，模型需要如图12中所示的所有传感器的大数据集，如之前讨论的。对于每个样本，该模型将使用具有通过时间反向传播的对比散度算法来更新权重。这里，在图12中，每个节点使用递归神经元。
图13示出了对应于图12的速度设置的示例。
在训练模型之后，人们可以提供人们不希望替换的物理传感器（真实传感器）的信息。这些传感器帮助标识系统的当前状态并且计算丢失传感器的值，如图14中所示。
这里，发动机速度和传动速度由真实传感器测量，并且速度FL（对应于Swl）和FR（对应于Swr）由RBM计算，如图15中所示。
该强力算法的优点在于，一旦模型被训练，人们就可以在任何时候移除或添加传感器，而不需要重新训练或重新配置模型。如果物理传感器发生故障，则这是非常有用的，因为然后模型将保持充分工作。
如以上提及的，理论上，BM可能将是表示系统的最佳概念，特别是它的递归版本。然而，由于缺乏计算能力，是难以实现的。然而，这在未来可能更容易。
存在玻尔兹曼机器的另外变型，诸如深度玻尔兹曼机器。但是直觉是相同的。仅有的差异是，它将需要更多的努力和资源来计算，以试图更好地概括给定的问题。
马尔可夫链蒙特卡罗（MCMC）算法启发了玻尔兹曼机器。更具体地，训练算法“对比散度”是基于Gibbs采样的，该Gibbs采样在MCMC中用于获得从指定的多变量概率分布近似的观察序列。
使用玻尔兹曼机器方法，车辆的训练模型仅适用于该车辆。不存在它适用于即使来自同一系列的其他车辆的保证。
即使BM听起来很诱人，但人们可能仍然偏好图4至图9的以上图网络方法，因为BM更理论化并且难以实现和计算。
在上面的描述中，已经使用了若干术语，其将被定义如下：
滞后指代时间信号的经过点。
最大滞后是人们可以查看的过去的最大点。
最佳滞后。这是过去的某个时间点，其发生在观察时间和最大滞后之间。这是最佳滞后，因为从观察时间直到该滞后时间的滑动窗口产生最佳的因果性值，这进而潜在地将是对所需观察值建模的最佳值。
滑动窗口。这是将时间序列重构成具有滞后大小的窗口的方式。然后窗口移位一个步长。例如，这是以下时间序列：
Figure 58294DEST_PATH_IMAGE006
当选择为3的滞后和为1的步长时，滑动窗口将是：
Figure 794169DEST_PATH_IMAGE007
术语“特征”是来自机器学习的术语。这些是对算法的输入，用于训练和拟合预测输出（标签或目标）。换言之，特征是在进行预测中使用的输入变量。
标签也是机器学习术语中使用的术语。它是算法的输出。此外，它是在给定特征（输入）的情况下拟合模型将产生的预测。
超参数也在机器学习中使用。这些是其值在学习过程开始之前设置的参数。例如，神经元网络中隐藏层中的神经元数量是超参数。另一个示例是随机森林中决策树的数量。
在图16至图19中，示出了用于确定传感器配置的另一实施例，其基于格兰杰神经因果性。
图16是用于确定传感器配置的方法120的流程图。
方法120包括在方法开始之后进行的第一步骤D2。在图16中的步骤D2或图19中的D2'步骤中，检测并记录车辆的多个真实传感器的至少子集的输出。优选地，检测并记录车辆的每个真实传感器的输出。
真实传感器的记录输出是真实传感器数据的采样时间序列。
真实传感器的记录输出（图19中的X0，X1，...XN）被输入到神经格兰杰因果性（以下简称为“神经GC”）D4（或图19中的D4’）。神经GC被实现为逐组分的神经网络，其中每个真实传感器对应于神经GC的组分之一，并且其中每个组分由虚拟传感器子模型（其本身是神经网络，如图19中在NN所示）形成，该虚拟传感器子模型被训练以便使用真实传感器子集的至少一些其他真实传感器的输出（优选地是每个其他真实传感器的输出）来仿真相应的真实传感器。此外，将被仿真的真实传感器（所谓的目标）的过去输出可以用于训练对应的虚拟传感器。
神经GC的子模型在图19中的C1，C2，...CN处示出。在这种情况下，每个子模型接收并使用每个其他真实传感器的输出。例如，C2接收记录的输出X0，X2，...XN。
神经GC被训练。特别地，训练神经GC的每个虚拟传感器（子模型）。虚拟传感器可以单独或一起训练，如后面所述。
神经GC是非顺序神经网络，它分支成若干内部神经网络（子模型）。给定所有其他传感器作为输入（除了将由该特定子模型预测的真实传感器之外的其他真实传感器的记录输出），那些子模型中的每一个都可以被单独训练以预测传感器（真实传感器）。在替代方法中，每个子模型通过合计它们的损失并且反向传播它们以优化子模型的权重而被一起训练。
换言之，神经GC是逐组分的模型，其中每个组分可以被视为独立的神经网络，其被标示为子模型或虚拟传感器（或组分）。
在D6示出了神经GC的训练，其中出现了神经GC是否合适的问题。如果否，则必须重新开始训练（图16中的单词“否”）。如果神经GC是合适的，并且被保持为包括仿真相应真实传感器的至少一个虚拟传感器，则图16的方法120进行到步骤D8，其中提取每个子模型的第一层的权重（第一隐藏层）。例如，在图19中，
Figure 727490DEST_PATH_IMAGE008
是虚拟传感器（子模型NN）的（预测）输出，并且Wi是相应提取的权重。
在图16中的后续步骤D10（或图19中的D10'），提取的权重Wi被解释以便提取相关的因果关系（类似于上面在较早的实施例中描述的因果关系）。在图19中，该因果阶段在72'''处示出。这里，例如，子模型CN的因果关系包括X2以0.4的值引起XN（在75a'''处示出）。因果关系可以用于生成因果关系矩阵，如例如在以上实施例的图4或图7中所示。这里，将计算每个子模型的因果关系向量。因果关系向量随后被联接，以生成因果关系矩阵。
如较早所述，因果关系矩阵然后可以被转换成有向循环图（DCG），如例如在图19中的88'''处所示。如在较早的实施例中，DCG然后可以被转换成有向无环图（DAG），如例如以上在图6或图9中所示。
随后，形成DAG的叶子或根的至少一个真实传感器可以被确定为可替换的，并且优选地在车辆的最终传感器配置中用虚拟传感器替换。
在图16中，这些最后的步骤优选地包括在步骤D12中，步骤D12是图16的方法120结束之前的最终步骤。
如上所述，步骤D6确定神经GC是否合适。如果神经GC的所有子模型（虚拟传感器）都拟合，则神经GC是拟合的。在下面提供“拟合”的定义。
如之前提及的，所有子模型优选地具有相同的架构，这基本上在图17的流程图中示出。图17还示出了如何训练相应的子模型。
在步骤T2中，子模型接收每个真实传感器的输出作为输入（在一个实施例中，除了对应于实际训练的子模型的真实传感器）。
在步骤T4和T6中，输入被拆分成连续时间序列（T4）和分类时间序列（T6）。分类时间序列是如下时间序列：其中在每个时间点的值是类别而不是测量，其中分类时间序列的采样值例如可以是整数值。例如，分类时间序列是点火开关钥匙传感器（点火开关打开或点火开关关闭）或齿轮数量传感器的输出。
在分类时间序列与连续时间序列T4联接并馈送到第一隐藏层之前，分类时间序列被变换到它们相应的嵌入层中（在T8示出）。子模型神经网络的层在T10-1至T10-N处示出。第一层T10-1是第一隐藏层。所有后续层优选地是1D卷积层。这样的1D卷积层对时间序列工作良好。然而，各层也可以是递归的或密集的层。
对于第一隐藏层T10-1，如果使用组套索或组顺序加权套索（GrOWL）正则化惩罚来使用参数捆绑技术将相似的特征分组在一起，并且在PGD（近似梯度下降）或另一稀疏诱导优化器的帮助下将不格兰杰引起目标的那些特征归零，则是优选的。
换言之，如在T24-1至T24-N所示，仅针对第一隐藏层T10-1的权重T24-1使用稀疏诱导惩罚来建立相应层的权重。
层T10-1至T10-N导致对将被仿真的真实传感器的输出的预测。这在T14处示出。
T18是将被预测/仿真的真实值的输入（真实传感器的输出）。
在T16中，计算损失函数。换言之，计算预测值和真实值之间的损失。损失在图17中的T20处示出。
损失T20用于基于使用稀疏诱导优化器来优化权重T24-1至T24-N，如在图17中的T22处所示。
稀疏诱导优化器可以是PGD、半随机PGD （SPGD）或FtRL（“跟随正则化先导”）。
稀疏诱导优化器中的近似运算符需要被优化，以利用正则化惩罚来工作。如果满足以下条件之一，则子模型是合适的：
-当K次迭代之后损失没有递减时，提前停止；
-达到第一隐藏层的权重中的目标稀疏百分比；期望的稀疏百分比是子模型神经网络的超参数。
同样，如图17中所示，每个子模型可以被单独训练。
另一方面，子模型可以被一起训练，如图18中所示。
在这种情况下，损失T20将被累积，如在T26中所示，其中累积的损失用于在T28使用稀疏诱导优化器来优化权重。稀疏诱导优化器（T28）的输出在这种情况下被反向传播到每个其他子模型和它们相应的权重，并且不仅仅是当前子模型的权重T24-1至T24-N。
如果神经GC的所有子模块都拟合，则神经GC是拟合的。
一旦拟合了神经GC，每个子模型的相应第一层的权重应当是稀疏的（其中分配有零的特征不格兰杰引起该子模型的目标（预测））。
为了生成如在图4和图7中所示的因果关系矩阵，如果每个子模型的因果关系向量被计算并且然后联接以生成因果关系矩阵，则是优选的。
变换如下进行：
1.第一层权重矩阵被转换成亲缘矩阵。
2.亲缘矩阵被聚类，以将相似的特征分组在一起。
3.对聚类按其重要性、优选地按降序方式排序。
4.对每个聚类中的特征按其重要性、优选地按降序方式排序。
5.考虑聚类的排名和特征的排名，计算特征的全局排序。
6.然后，全局排序被认为是归一化的，并被用作引起目标（子模型的预测）的因果性向量。
在第一步骤中，使用像余弦相似性的成对相似性度量将权重矩阵转换为亲缘矩阵（相似性矩阵）。随后，使用所生成的亲缘矩阵以及与亲缘矩阵一起工作的任何聚类算法（像亲缘传播算法）对特征进行聚类。在步骤3中，使用像置换测试或归零测试之类的特征重要性测量，按重要性对聚类进行排序。例如，在置换测试中，原始数据集（记录的其他真实传感器的输出数据）——即训练相应模型的数据集——被随机打乱并再次被馈送以进行预测。产生较高损失的聚类意味着它比其余聚类具有更高的重要性。类似地，每个特征被排序。
例如，在步骤5中，在聚类Pi中找到的特征j的绝对全局排序
Figure 756888DEST_PATH_IMAGE009
可以通过以下方程来计算（也可以使用其他方程）：
Figure 484673DEST_PATH_IMAGE010
其中：
-
Figure DEST_PATH_IMAGE011
：是置换聚类Pi之后的误差。
-
Figure 566898DEST_PATH_IMAGE012
：是置换聚类Pi而不置换特征j之后的误差。
-
Figure DEST_PATH_IMAGE013
：是置换特征j之后的误差。
-
Figure 772752DEST_PATH_IMAGE014
：是没有任何置换的原始误差。
最后，在步骤6中，排序被归一化，使得所有排序合计为1。
基于这些因果关系或因果性向量，因果关系矩阵可以通过联接它们来生成。基于因果关系矩阵，有向循环图（如图19中的DCG 88'''）可以被构建并且被转换成有向无环图（如例如在图7和图8中所示）。
参考标号列表：
10 车辆
12 身体
14L、14R 前轮
16L、16R 右轮
18 传动系
20 内燃机
22 离合器装置
24 传动装置
25 可换档齿轮阶段
26 差速器
30 发动机转速传感器（Seng）
32 第一传动速度传感器
34 第二传动速度传感器（ST，Stran）
36 左从动轮传感器（SL、Swl）
38 右从动轮传感器（SR、Swr）
40 控制器
42 发动机扭矩传感器
44 离合器位置传感器
46 温度传感器
46 网络单元
48 无线通信
50 评估计算机
54 窗口
56 滞后
58 最大滞后
60 最佳滞后
70 传感器配置过程
72 因果阶段
74 因果关系矩阵
76 转换过程
78 建模阶段
80 模型构建
82 模型优化
84 传感器配置
88 有向循环图
90 有向无环图
100 玻尔兹曼机器
102 可见节点
104 隐藏节点
106 边
108 缺失节点（传感器）
120 方法

Claims (27)

1.一种用于确定包括多个传感器的车辆中的传感器配置的方法，包括如下步骤：
-为车辆建立初步传感器配置，所述传感器配置包括第一数量的真实传感器，每个真实传感器输出真实传感器信号；
-确定至少一个真实传感器是否可以用虚拟传感器替换；
-将初步传感器配置改变成最终传感器配置，所述最终传感器配置包括第二数量的真实传感器和至少一个虚拟传感器，其中所述第二数量小于所述第一数量。
2. 根据权利要求1所述的方法，其中，所述确定步骤包括：
-记录第一数量的真实传感器的至少子集的真实传感器信号，以及
-评估所记录的真实传感器信号，以便确定是否至少第一个真实传感器可以用第一虚拟传感器替换，所述第一虚拟传感器从第二真实传感器接收至少一个真实传感器信号并且输出对第一真实传感器的真实传感器信号进行仿真的虚拟传感器信号。
3.根据权利要求2所述的方法，其中，所述评估步骤包括使用玻尔兹曼机器，所述玻尔兹曼机器具有多个可见节点并且具有多个隐藏节点，每个可见节点表示真实传感器，所述隐藏节点通过利用节点的组合来被计算。
4.根据权利要求3所述的方法，其中，所述玻尔兹曼机器是递归时间受限玻尔兹曼机器。
5.根据权利要求3或4所述的方法，其中，所述递归时间受限玻尔兹曼机器由RNN-高斯动态玻尔兹曼机器实现。
6.根据权利要求1至5中任一项所述的方法，其中，确定至少一个真实传感器是否可以用虚拟传感器替换的步骤是虚拟传感器的准确度和/或车辆的驾驶行为和/或将被替换的真实传感器的成本的函数。
7.根据权利要求6所述的方法，其中，虚拟传感器的准确度和/或车辆的驾驶行为和/或将被替换的真实传感器的成本被加权并被计算为目标值。
8. 根据权利要求1或2所述的方法，其中，所述确定步骤包括：
-检测和记录预定数量的临时后续采样步骤的真实传感器的至少子集的输出，以及
-进行因果关系分析，所述因果关系分析确定真实传感器的记录输出之间的因果关系。
9.根据权利要求8所述的方法，其中，为样本的至少子集确定真实传感器的记录输出之间的因果关系，并且其中对于样本子集确定的因果关系经受后处理，以便确定真实传感器的记录输出之间的最终因果关系集合或矩阵。
10.根据权利要求8或9所述的方法，其中，基于确定的因果关系建立有向循环图（DCG）。
11.根据权利要求10所述的方法，其中，DCG被转换成有向无环图（DAG），其中将具有最高因果关系的真实传感器或具有最低因果关系的真实传感器取作有向无环图的根。
12.根据权利要求11所述的方法，其中，分别形成DAG中的叶子或根的至少一个真实传感器被确定为可替换的。
13.根据权利要求10所述的方法，其中，根据DCG计算排序矩阵，其中至少一个真实传感器被确定为低排名和可替换的。
14.根据权利要求10所述的方法，其中，根据DCG生成随机概率过程，其中至少一个真实传感器的状态可以用另一个真实传感器状态的状态达到，并且可以被确定为是可替换的。
15.根据权利要求1至14中任一项所述的方法，其中，基于统计或确定性方法（算法）来确定已被确定为可替换的真实传感器的数学模型。
16.根据权利要求15所述的方法，其中，被确定为可替换的真实传感器的数学模型通过使用神经网络来确定。
17. 根据权利要求1、2或6至16中任一项所述的方法，其中，所述确定步骤包括：
-检测和记录真实传感器的至少子集的输出，以及
-进行因果关系分析，所述因果关系分析确定真实传感器的子集的记录输出之间的因果关系，
其中因果关系分析包括构建逐组分的神经网络CWNN，其中真实传感器的子集的每个真实传感器对应于CWNN的组分之一，其中每个组分由虚拟传感器形成，所述虚拟传感器被训练以便仿真相应的真实传感器。
18.根据权利要求17所述的方法，其中，所述训练步骤包括对至少一些虚拟传感器的相应第一隐藏层应用稀疏诱导惩罚。
19.根据权利要求18所述的方法，其中，从组套索正则化族中选择稀疏诱导惩罚。
20.根据权利要求18所述的方法，其中，从组顺序加权套索（GrOWL）规则族中选择稀疏诱导惩罚。
21.根据权利要求18至20中任一项所述的方法，其中，使用稀疏诱导优化器来优化稀疏诱导惩罚以便生成稀疏模型。
22.根据权利要求21所述的方法，其中，使用半随机近似梯度下降SPGD算法来优化稀疏模型。
23.根据权利要求21所述的方法，其中，使用遵循正则化先导FtRL算法来优化稀疏模型。
24.根据权利要求17至23中任一项所述的方法，其中，为每个训练的子模型计算因果关系向量，并且其中所述因果关系向量被联接以生成因果关系矩阵。
25.根据权利要求24所述的方法，其中，计算相应子模型的因果关系向量包括：
-将虚拟传感器的第一层的权重矩阵转换成亲缘矩阵，
-对亲缘矩阵聚类以将相似的特征分组在一起，
-按照重要性对聚类进行排序，
-按照重要性对每个聚类中的特征进行排序，
-通过考虑聚类的排名和特征的排名来计算特征的全局排序，
-使用全局排序作为因果关系向量。
26.根据权利要求25所述的方法，其中，按照重要性对聚类进行排序通过置换测试方法来完成。
27.根据权利要求25所述的方法，其中，按照重要性对聚类进行排序通过归零方法来完成。
CN202080070877.1A 2019-08-09 2020-08-06 用于确定传感器配置的方法 Pending CN114556248A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102019121589.7A DE102019121589A1 (de) 2019-08-09 2019-08-09 Verfahren zur Bestimmung einer Sensorkonfiguration
DE102019121589.7 2019-08-09
PCT/EP2020/072196 WO2021028322A1 (en) 2019-08-09 2020-08-06 A method for determining a sensor configuration

Publications (1)

Publication Number Publication Date
CN114556248A true CN114556248A (zh) 2022-05-27

Family

ID=71994519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080070877.1A Pending CN114556248A (zh) 2019-08-09 2020-08-06 用于确定传感器配置的方法

Country Status (5)

Country Link
US (1) US20220164660A1 (zh)
EP (1) EP4010769A1 (zh)
CN (1) CN114556248A (zh)
DE (1) DE102019121589A1 (zh)
WO (1) WO2021028322A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116610906A (zh) * 2023-04-11 2023-08-18 深圳润世华软件和信息技术服务有限公司 设备故障诊断方法、装置、计算机设备及其存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230325092A1 (en) * 2022-04-11 2023-10-12 Dell Products, L.P. Data Automation and Predictive Modeling for Planning and Procuring Solid State Drive Replacments
EP4270121A1 (en) * 2022-04-29 2023-11-01 Siemens Aktiengesellschaft Method and system for seamless transition of runtime system from controller device to digitalization platform
DE102022205670B3 (de) * 2022-06-02 2023-08-03 Zf Friedrichshafen Ag Verfahren zum Aufbereiten eines Getriebeparametersignals sowie Verfahren zum Anlernen und zur Verwendung eines neuronalen Netzes mittels des aufbereiteten Getriebeparametersignals
DE102022121211B4 (de) * 2022-08-23 2024-03-28 Schenck Process Europe Gmbh Verfahren zum Betreiben einer Sensor-Anordnung und Sensor-Anordnung sowie Einrichtung zur Datenverarbeitung und Vorrichtung
US20240094926A1 (en) * 2022-09-15 2024-03-21 Innogrit Technologies Co., Ltd. Systems and methods for power and thermal management in a solid state drive

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2392983A (en) * 2002-09-13 2004-03-17 Bombardier Transp Gmbh Remote system condition monitoring
US7787969B2 (en) * 2007-06-15 2010-08-31 Caterpillar Inc Virtual sensor system and method
IT201600098423A1 (it) * 2016-09-30 2018-03-30 Modelway S R L Procedimento di progettazione di un sensore virtuale, relativo sensore virtuale, sistema e prodotti informatici

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116610906A (zh) * 2023-04-11 2023-08-18 深圳润世华软件和信息技术服务有限公司 设备故障诊断方法、装置、计算机设备及其存储介质
CN116610906B (zh) * 2023-04-11 2024-05-14 深圳润世华软件和信息技术服务有限公司 设备故障诊断方法、装置、计算机设备及其存储介质

Also Published As

Publication number Publication date
WO2021028322A1 (en) 2021-02-18
EP4010769A1 (en) 2022-06-15
DE102019121589A1 (de) 2021-02-11
US20220164660A1 (en) 2022-05-26

Similar Documents

Publication Publication Date Title
CN114556248A (zh) 用于确定传感器配置的方法
US20220405682A1 (en) Inverse reinforcement learning-based delivery means detection apparatus and method
CN114815605A (zh) 自动驾驶测试用例生成方法、装置、电子设备及存储介质
CN114399032A (zh) 一种电能表计量误差预测方法及系统
JP2022089806A (ja) 車両の動作プロファイルのモデリング
CN111353644A (zh) 基于强化学习的智能网联云平台的预测模型生成方法
Xu et al. A study of vehicle driving condition recognition using supervised learning methods
CN113159115A (zh) 基于神经架构搜索的车辆细粒度识别方法、系统和装置
CN111967308A (zh) 一种在线路面不平度辨识方法及系统
Hamed et al. Fuel consumption prediction model using machine learning
CN116432810A (zh) 交通流预测模型确定方法、设备、装置及可读存储介质
CN111967567A (zh) 具有求解半定规划的层的神经网络
CN114566047A (zh) 一种基于短时路况预测算法的预警方法及系统
CN113806857A (zh) 一种基于变分图自编码器的高速列车节能制动方法
KR102462403B1 (ko) 차량 내 can-bus 센서에 대한 희소 학습 기능을 갖춘 경량 운전자 행동 식별 모델
CN113379654A (zh) 动态路由的块鉴别器
Lim et al. Temporal early exiting with confidence calibration for driver identification based on driving sensing data
CN114162132B (zh) 一种基于主客观评价的驾驶模式识别方法
Minges Neural Network-based road friction estimation using road weather information
EP3926553A1 (en) Post-processing output data of a classifier
Knappe et al. Pass-by noise prediction of motor vehicles using gradient boosted models and physical calculations of longitudinal driving dynamics
Toubeh et al. Risk-aware planning by confidence estimation using deep learning-based perception
Pak et al. CarNet: A dynamic autoencoder for learning latent dynamics in autonomous driving tasks
Kim et al. Electric Vehicle Battery State of Charge Prediction Based on Graph Convolutional Network
EP4280123A1 (en) Driving variable calculation method and system, input features combination selection method, number of states determination method, program, storage medium and system

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