CN114902057A - 用于传感器测量值处理的方法和设备 - Google Patents
用于传感器测量值处理的方法和设备 Download PDFInfo
- Publication number
- CN114902057A CN114902057A CN201980102288.4A CN201980102288A CN114902057A CN 114902057 A CN114902057 A CN 114902057A CN 201980102288 A CN201980102288 A CN 201980102288A CN 114902057 A CN114902057 A CN 114902057A
- Authority
- CN
- China
- Prior art keywords
- sensors
- sensor
- physical process
- true state
- reliability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 264
- 238000005259 measurement Methods 0.000 title claims abstract description 139
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 204
- 230000004927 fusion Effects 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011480 coordinate descent method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
提出一种用于传感器测量值处理的方法、设备和计算机可读存储媒体。一种用于传感器测量值处理的方法100包含以下步骤：通过一组传感器获得(S101)测量值；估计(S102)所述物理过程的初始真实状态；重复以下步骤直到会聚：计算(S103)所述一组传感器的可靠性得分，使得更可靠的传感器应更有可能提供更接近于通过所述传感器监测的所述物理过程的真实状态的测量值；基于所述所计算可靠性得分来估计(S104)所述物理过程的真实状态，使得物理过程的所述真实状态应更接近于更可靠的传感器的测量值。
Description
技术领域
本发明涉及工业技术领域，且更具体地说，涉及一种用于传感器测量值处理的方法、设备和计算机可读存储媒体。
背景技术
随着物联网的趋势，传感器变得无处不在。来自传感器的测量值已经成为人类或机器的决策的重要知识来源。
有时，由于如设备噪声、故障、老化、极端周围环境状况等许多原因，来自传感器的测量值可能容易出错。
为提高准确度，可进行传感器测量值融合以组合来自多个传感器的测量值。典型的融合方法使用加权求取平均值组合来自多个传感器的测量值。例如，基于卡尔曼滤波(Kalman filtering)的方法(C.K.Chui,G.Chen等人，Kalman filtering.Springer,2017)基于传感器的噪声共变异数将不同加权分配到传感器。然而，基于卡尔曼滤波的方法需要底层物理过程的动态模型是已知的，这大大限制了它们在许多实际场景中的适用性。
发明内容
提出一种用于传感器测量值处理的方法、设备和计算机可读存储媒体。基于传感器测量值，可计算传感器的可靠性得分。通过对不可靠传感器赋予更少权重，可提高对所监测物理过程的真实状态的估计的准确度；且与基于卡尔曼滤波的方法相比较，进行测量值融合不必已知底层物理过程的动态模型，这使得我们的解决方案在实际场景中更适用。
根据本公开的第一方面，呈现一种用于传感器测量值处理的方法，以计算传感器的可靠性得分。所述方法包含以下步骤：
-通过一组传感器获得测量值，其中不同传感器监测不同物理过程；
-基于测量值来估计物理过程的初始真实状态；
-重复以下步骤直到会聚：
-基于物理过程的所估计真实状态来计算所述一组传感器的可靠性得分，其中得分越高，传感器越可靠，使得更可靠的传感器应更有可能提供更接近于通过传感器监测的物理过程的真实状态的测量值；
-基于所计算可靠性得分来估计物理过程的真实状态，使得一个物理过程的真实状态应更接近于更可靠的传感器的测量值。
根据本公开的第二方面，呈现一种用于传感器测量值处理的设备，以获取对物理过程的真实状态更精确的评估。所述设备包括：
-测量模块，其配置成通过一组传感器获得测量值，其中不同传感器监测不同物理过程；
-估计模块，其配置成基于测量值来估计通过所述一组传感器监测的物理过程的初始真实状态；
-计算模块，其配置成重复以下步骤直到会聚：
-基于物理过程的所估计真实状态来计算所述一组传感器的可靠性得分，其中得分越高，传感器越可靠，使得更可靠的传感器应更有可能提供更接近于通过传感器监测的物理过程的真实状态的测量值；
-基于所计算可靠性得分来估计物理过程的真实状态，使得物理过程的真实状态应更接近于更可靠的传感器的测量值。
根据本公开的第三方面，呈现一种设备，其包含：
-至少一个存储器，其配置成存储指令；
-至少一个处理器，其耦合到至少一个存储器，且在执行可执行指令时配置成执行根据本公开的第一方面的方法。
根据本公开的第四方面，呈现一种计算机可读媒体，其存储可执行指令，所述可执行指令在由处理器执行可执行指令时，使处理器能够执行根据本公开的第一方面的方法。
在由以上方面中的任一项提供的解决方案下，通过传感器可靠性评估和传感器测量值融合的组合，将传感器的可靠性得分和传感器融合的计算作为优化问题处理，这未必需要任何基于卡尔曼滤波的算法。因此，我们的解决方案是更可泛化的，这是因为所述解决方案不假设底层物理过程的动态模型是已知，这使得我们的解决方案在实际场景中更适用。且传感器的可靠性得分可为不同传感器供应商之间的基准测试提供重要度量。通过监测传感器可靠性，可通过及时识别和替换不可靠的传感器进行传感器系统的预测性维护。
在以上方面中的任一项的实施例中，在重复直到会聚之前，针对物理过程中的每一个，可通过基于除所述一组传感器中的监测物理过程的传感器以外的至少一个传感器的测量值来计算软传感器的测量值而构建至少一个软传感器，以扩大所述一组传感器。在构建软传感器的情况下，可通过利用多个物理过程的状态之间的相关性来得到用于评估物理过程的真实状态的丰富信息，以增强对传感器可靠性得分的推理和对物理过程的真值状态的估计。
在以上方面中的任一项的实施例中，可计算所述一组传感器的可靠性得分，使得传感器越可靠，如果传感器的测量值远离相应物理过程的所估计真实状态，则损失越高。
在以上方面中的任一项的实施例中，可计算出所述一组传感器的可靠性得分，所述可靠性得分使得在预定义至少一个时间步长中物理过程的所估计真实状态与监测物理过程的传感器的测量值之间以及物理过程之间和所述一组传感器之间的传感器可靠性加权距离的总和最小。
在以上方面中的任一项的实施例中，可计算出物理过程的真实状态，所述真实状态使得在预定义至少一个时间步长中物理过程的所估计真实状态与监测物理过程的传感器的测量值之间以及物理过程之间和所述一组传感器之间的传感器可靠性加权距离的总和最小。
在以上方面中的任一项的实施例中，可计算物理过程的真实状态，使得在两个连续离散时间步长中通过所述一组传感器监测的物理过程的所估计真实状态为平稳的。在平稳处理的情况下，可避免物理过程的真实状态的非预期波动。
根据本公开的第五方面，呈现一种用于传感器测量值处理的方法，其包含：
-通过一组传感器获得测量值，其中不同传感器监测不同物理过程；
-获取所述一组传感器的可靠性得分；
-基于所获取的可靠性得分来进行传感器融合，以估计通过所述一组传感器监测的物理过程的真实状态，使得：
-物理过程的真实状态应更接近于具有更高可靠性得分的传感器的测量值。
根据本公开的第六方面，呈现一种用于传感器测量值处理的设备，所述设备包含：
-测量模块，其配置成通过一组传感器获得测量值，其中不同传感器监测不同物理过程；
-获取模块，其配置成获取所述一组传感器的可靠性得分；
-融合模块，其配置成基于所获取的可靠性得分来估计通过所述一组传感器监测的物理过程的真实状态，使得：
-物理过程的真实状态应更接近于具有更高可靠性得分的传感器的测量值。
根据本公开的第七方面，呈现一种用于传感器测量值处理的设备，其包含：
-至少一个存储器，其配置成存储指令；
-至少一处理器，耦合到至少一个存储器，且在执行可执行指令时配置成执行根据本公开的第五方面的方法。
根据本公开的第八方面，一种计算机可读媒体，其存储可执行指令，所述可执行指令在由处理器执行时，使处理器能够执行根据本公开的第五方面的方法。
在由以上第五到第八方面中的任一项提供的解决方案的情况下，提供一种用于实时传感器融合和可靠性得分计算的有效方法，可通过所述方法进行实时传感器融合和可靠性监测。
在以上第五到第六方面中的任一项的实施例中，可进行传感器融合，使得在两个连续离散时间步长中通过所述一组传感器监测的物理过程的所估计真实状态为平稳的。在平稳处理的情况下，可避免物理过程的真实状态的非预期波动。
在以上第五到第六方面中的任一项的实施例中，可在时间步长t处获得所述一组传感器的测量值，接着可通过基于以下来计算所述一组传感器的可靠性得分而得到所述一组传感器的可靠性得分：
-从t-L到t的每一时间步长处得到的所述一组传感器的测量值，和
-从t-L到t的每一时间步长处的物理过程的所估计真实状态。在具有长度L的滑动窗口中，可基于在滑动窗口期间观测到的传感器测量值和融合的结果来计算和动态更新传感器的可靠性得分，以确保准确度。
在以上第五到第六方面中的任一项的实施例中，在估计通过所述一组传感器监测的物理过程的真实状态之前，针对每一物理过程，可通过基于除所述一组传感器中的监测物理过程的传感器以外的至少一个传感器的测量值来计算软传感器的测量值而构建至少一个软传感器，以扩大所述一组传感器。在构建软传感器的情况下，可通过利用多个物理过程的状态之间的相关性来得到用于评估物理过程的真实状态的丰富信息，以增强对物理过程的真值状态估计的推理。
附图说明
通过参考以下结合附图进行的对本发明技术的实施例的描述，本发明技术的上文所提到的属性和其它特征及优点以及其实现方式将变得更显而易见，且本发明技术自身将得到更好理解，在附图中：
图1展示本公开的用于传感器测量值处理的方法的流程图。
图2展示本公开的用于传感器测量值处理的另一方法的流程图。
图3和图4描绘本公开的用于传感器测量值处理的设备的框图。
图5和图6描绘本公开的用于传感器测量值处理的设备的框图。
图7和图8描绘本公开的实验结果。
附图标记：
100、200：用于传感器测量值处理的方法
300、400：用于传感器测量值处理的设备
S101～S104、S201～S203：用于传感器测量值处理的方法的步骤
301～304：用于传感器测量值处理的设备300的模块
401～404：用于传感器测量值处理的设备400的模块
305、405：至少一个存储器
306、406：至少一个处理器
307、407：I/O界面
具体实施方式
在下文中，详细描述本发明技术的上文所提到的特征和其它特征。参考图式描述各种实施例，其中相同的附图标记贯穿全文用于指代相同的元件。在以下描述中，出于解释的目的，阐述许多具体细节以便提供对一个或多个实施例的透彻理解。可注意到，所说明的实施例旨在解释而非限制本发明。显而易见的是，可以在没有这些具体细节的情况下实践此类实施例。
在介绍本公开的各种实施例的元件时，冠词“一(a/an)”和“所述(the/said)”意指存在这些元件中的一个或多个。术语“包括(comprising)”、“包含(including)”和“具有”旨在为包含性的并且意味着可以存在除所列元件之外的额外元件。
为了解决上文所提到的传感器的测量值不准确的问题，计算传感器的可靠性得分以指示传感器的可靠性，传感器的可靠性得分越高，其提供的测量值越接近于其所监测的物理过程的真实状态。通过对不可靠传感器赋予更少权重，可提高对所监测物理过程的真实状态的估计的准确度。通过传感器可靠性评估和传感器测量值融合的组合，将传感器的可靠性得分和传感器融合的计算作为优化问题处理，这未必需要任何基于卡尔曼滤波的算法。因此，我们的解决方案是更可泛化的，这是因为所述解决方案不假设底层物理过程的动态模型是已知，这使得我们的解决方案在实际场景中更适用。
此外，传感器的可靠性得分可为不同传感器供应商之间的基准测试提供重要度量。且通过监测传感器可靠性，可通过及时识别和替换不可靠的传感器进行传感器系统的预测性维护。
此处介绍两个过程，它们也就是预热期和实时评估期。在预热期中，通过解决共同优化问题(参考本公开的图1和方法100)来初始化对一组传感器的可靠性得分和通过所述一组传感器监测的物理过程的真实状态的计算。在实时评估期中，可更新所述一组传感器的可靠性得分并通过使用简单的闭合形式表达式(参考图2和方法200)来进行传感器测量值融合。
此处，考虑在系统中存在监测多个物理过程的一组传感器的一般情况。系统可为工业系统，如工厂或生产线，或农业系统，如农场等。在系统中部署传感器，包含但不限于温度、压力、湿度、流量、位置传感器。所述传感器部署成监测系统的物理过程的状态。通过由传感器提供的测量值，可估计一个或多个物理过程的真实状态。
假设P为物理过程的集，S为系统中的传感器的集，Sp表示监测物理过程p的传感器的集，其中p∈P，|Sp|≥1且∑p∈P|Sp|＝|S|。也就是说，通过一个或多个传感器监测每一物理过程，且每一传感器仅可监测一个物理过程。
假设
为给定离散时间t处来自传感器(即传感器的测量值)的所监测信号，其中时间戳t＝1:T为全序集。我们的目标是推断
及
其分别为时间t处传感器的量化可靠性得分和底层物理过程的真实状态。此处，我们假设物理过程的底层动态模型对用户来说是未知的。
现在，参考图1至图8描述实施的细节。
程序
预热期
现在，参考图1介绍传感器测量值处理的方法100。所述方法是在可进行对传感器可靠性及信息融合的实时评估之前，因此我们称其为“预热期”。假设预热期持续T个时间步长。此处，假设每一传感器的可靠性得分在预热期期间是固定的，则c＝[c1,c2,…,c|S|]用于表示处于预热期的传感器的可靠性得分。
S101：测量值收集。
在步骤S101中，获得上文所提到的一组传感器的测量值。
S102：初始化。
在步骤S102中，基于步骤S101中得到的测量值来估计系统的物理过程的初始真实状态。
假设
这意味着我们将在预热期处对真实过程状态的估计初始化为来自所有传感器的测量值的平均值。注意，将在后续步骤中更新估计。
S102'：软传感器构建。
步骤S102'为任选的。在步骤S103中，针对物理过程中的每一个，可通过基于除所述一组传感器(此处，我们称它们“解释性传感器”)中的监测物理过程的传感器以外的至少一个传感器的测量值来计算软传感器的测量值而构建至少一个软传感器，以扩大所述一组传感器。以工厂为例，通过许多传感器监测一些物理过程，这可提供用于评估物理过程的真实状态的测量值的丰富信息。但对于通过较少传感器监测的物理过程，有时，测量值可能不足以评估真实状态，尤其当监测传感器不可靠时。因此，此处对于每一物理过程，通过利用多个物理过程的状态之间的相关性来构建软传感器，以增强对传感器可靠性得分的推理和对物理过程的真值状态的估计。对于每一物理过程，除物理传感器以外，我们进一步构建M软传感器，用于在每一时间步长监测其状态。值得一提的是，对于不同物理过程，可构建不同数量个软传感器。任选地，可通过随机局部线性回归构建软传感器。局部线性回归模型为全局非线性的，可实现所要求的准确度且可在过程特性改变时即时调整。
任选地，当构建软传感器时，我们针对解释变量选择传感器的随机子集以设置局部线性回归模型。我们选择这样做的原因是：一组“弱学习者”可一起出现以形成“强学习者”；且如果来自子模型的预测不相关或充其量弱相关，则将来自多个模型的预测在集合中组合效果会更好。
具体地，假设p为目标物理过程，t为当前时间步长，为针对p建立软传感器，我们首先从传感器集S\Sp中随机选择顶部(r*|S\Sp|)解释性传感器，其中r∈[0,1]为可调比。假设
为所选择的传感器，用于在时间t处为过程p制作软传感器m，
为由来自所选择的传感器的传感器信号组成的向量，我们为点
定义邻集
考虑到测量点的集，使用欧几里德(Euclidean)距离通过K最近邻导出相邻集。
接着通过下式得出软传感器的信号：
其中
S103：计算所述一组传感器的可靠性得分。
在步骤S103中，基于物理过程的所估计真实状态来计算所述一组传感器的可靠性得分，使得更可靠的传感器应更有可能提供更接近于通过传感器监测的物理过程的真实状态的测量值。
由于我们假设处于预热期的传感器的可靠性得分是固定的，因此考虑到过程状态的所估计值，我们可获得处于预热期的所述组传感器的可靠性得分。任选地，我们可计算出所述一组传感器的可靠性得分，所述可靠性得分使得在预定义至少一个时间步长中物理过程的所估计真实状态与监测所述物理过程的所述传感器的测量值之间以及物理过程之间和所述一组传感器之间的传感器可靠性加权距离的总和最小。
任选地，可通过解决以下约束优化问题来计算所述一组传感器的可靠性得分：
其中在时间t处拟合用于过程p的第m个软传感器时，
为归一化训练误差；
充当时间t处用于过程p的第m个软传感器的可靠性得分，其指示软传感器的可靠性得分为解释性传感器的可靠性得分的加权总和，当拟合软传感器时由归一化训练误差按比例调整可靠性得分(训练误差越大，可靠性得分越小)。
此处，在方程(1)中，考虑软传感器。如果不是，则约束优化问题可转化成：
任选地，可计算所述一组传感器的可靠性得分，使得传感器越可靠，如果传感器的测量值远离相应物理过程的所估计真实状态，则损失越高。因此，此处，我们可将正可靠性得分分配到传感器，使得如果传感器的测量值远离过程状态的所估计基准真值，则更可靠的传感器将接收更高损失。因此，测量值更接近于所估计基准真值的传感器将接收更高可靠性得分。
为了解决约束优化问题，我们可引入拉格朗日(Lagrange)乘数以将其转化成无约束优化问题：
此处，在方程(2)中，考虑软传感器。如果不是，则具有引入拉格朗日乘数的约束优化问题可为转化成：
使相对于cs的偏导数为0，我们得到：
其中I(*)为指示函数时，当满足条件时等于1，不满足时等于0。由于∑s∈S exp(-cs)＝1，因此我们得到：
通过将λ替换回到方程(3)，我们最终获得：
S104：估计物理过程的真实状态。
在步骤S104中，可基于所计算可靠性得分来估计物理过程的真实状态，使得物理过程的真实状态应更接近于更可靠的传感器的测量值。
此处，我们可假设传感器的可靠性得分为已知的，因此我们可利用传感器的可靠性得分获得对过程状态的更好估计。任选地，可估计物理过程的真实状态，使得在两个连续离散时间步长中通过所述一组传感器监测的物理过程的所估计真实状态为平稳的。任选地，可计算出物理过程的真实状态，使得所述真实状态使得在预定义至少一个时间步长中物理过程的所估计真实状态与监测物理过程的传感器的测量值之间以及物理过程之间和所述一组传感器之间的传感器可靠性加权距离的总和最小。任选地，考虑到传感器的可靠性得分，我们可通过解决以下优化问题来估计过程状态的基准真值：
其中，以上目标项
尝试具有更接近于来自更可靠的传感器的测量值的所估计过程状态；另一目标项
为加强所估计过程状态的平滑度的平滑因子，且γp为用户定义的超参数，其控制对过程p的加强的强化。注意，此处我们使用简单平滑因子作为说明，其使两个连续过程状态不彼此远离。原则上，其他更多复杂的平滑因子，比如高阶平滑因子也可在我们的情形中应用。
由于方程(6)中的优化问题为凸出的，使得相对于
的导数为0，则
取以下线性方程组的解：
接着重复以上步骤S103和S105直到会聚。此处我们可应用坐标下降法(Wright,Stephen J.“Coordinate descent algorithms”.“Mathematical Programming”151.1(2015):3-34)以迭代地更新传感器的可靠性得分和物理过程的所估计真值状态直到会聚。会聚标准基于两个连续迭代中物理过程的所估计真值状态之间的欧几里德距离，因此被定义为如下：
其中
表示N次迭代之后物理过程的所估计真值状态，∈为用户定义的阈值。
实时评估期
预热期中的传感器可靠性得分计算和真实过程状态估计需要迭代地求解方程(7)中的线性方程组直到会聚。此处参考图2，将介绍用于传感器测量值处理的另一方法，从而提供用于实时传感器融合和可靠性得分计算的有效方法。
具体地，我们展示如何通过求解如下两个简单闭合形式表达式来进行实时传感器融合和可靠性监测：
S201：测量值收集。
在步骤S201中，收集所述一组传感器的测量值。
S202：可靠性得分获取。
在步骤S202中，获取所述一组传感器的可靠性得分。任选地，可靠性得分可通过工程师预先设置，可从其它系统接收，或可经过以上预热期获取。在预热期之后，我们认为所导出的传感器的可靠性得分对于接下来的测量值是最优的。因此，当时从传感器接收到新的测量值，我们可首先使用可靠性得分进行传感器融合，接着在我们认为反映最新传感器可靠性得分的期间通过保持滑动窗口来动态更新传感器的可靠性得分。
任选地，在步骤S201中，在时间步长t处收集一组传感器的测量值，且基于以下计算所述一组传感器的可靠性得分：从t-L到t的每一时间步长处得到的所述一组传感器的测量值，和从t-L到t的每一时间步长处的物理过程的所估计真实状态。
S202'：软传感器构建。
这个步骤为任选的，在步骤S202'中，针对每一物理过程，可通过基于除所述一组传感器(此处，我们称它们“解释性传感器”)中的监测物理过程的传感器以外的至少一个传感器的测量值来计算软传感器的测量值而构建至少一个软传感器，以扩大所述一组传感器。类似于以上步骤S102'，通过利用多个物理过程的状态之间的相关性，来增强对传感器可靠性得分的推理和对物理过程的真值状态的估计。
值得一提的是，步骤S202'可在步骤S202之前执行、与步骤S202同时执行或在步骤S202之后执行。然而，对于基于物理传感器的测量值来计算软传感器测量值，其应在步骤S201之后，且对于可基于在步骤S203中得到的软传感器测量值来估计物理过程的真实状态，其应在步骤S203之前。
假设在步骤S201中，在时间步长t处收集所述一组传感器的测量值。在时间步长t处，我们可根据在步骤S201中得到的测量值和时间步长[1,t-1]中物理过程的所估计真实状态使用随机局部线性回归来构建软传感器。
S203：传感器融合。
在步骤S203中，我们进行传感器融合以估计物理过程的真实状态。可进行传感器融合，使得物理过程的真实状态应更接近于具有更高可靠性得分的传感器的测量值；且在两个连续离散时间步长中通过所述一组传感器监测的物理过程的所估计真实状态为平稳的。
任选地，可通过求解下式在时间t处进行传感器融合：
其中
和
作为已经在先前时间步长中计算的常量来处理。以上方程隐含的直觉为在具体时间步长处，真值过程状态应更接近于来自具有更高可靠性得分的传感器的测量值，并且还不远离先前真值状态。由于
和
为已知的，取相对于
的导数为0，因此我们得到闭合形式解：
S204：更新可靠性得分。
在步骤S204中，可更新传感器的可靠性得分以实施实时可靠性监测。
举例来说，在时间步长t处，假设L为滑动窗口，基于其计算传感器的可靠性得分，我们可通过下式在滑动窗口期间基于观测到的传感器测量值和融合结果来动态地更新每一传感器的可靠性得分：
设备
图3和图4描绘本公开的用于传感器测量值处理的设备的框图。
参考图3，可执行以上方法100的设备300包含：
-测量模块301，其配置成通过一组传感器获得测量值，其中不同传感器监测不同物理过程；
-估计模块302，其配置成基于测量值来估计通过所述一组传感器监测的物理过程的初始真实状态；
-计算模块303，其配置成重复以下步骤直到会聚：
-基于物理过程的所估计真实状态来计算所述一组传感器的可靠性得分，其中得分越高，传感器越可靠，使得更可靠的传感器应更有可能提供更接近于通过传感器监测的物理过程的真实状态的测量值；
-基于所计算可靠性得分来估计物理过程的真实状态，使得物理过程的真实状态应更接近于更可靠的传感器的测量值。
任选地，设备300可进一步包含构建模块304，所述构建模块配置成在计算模块303重复直到会聚之前，针对物理过程中的每一个，通过基于除所述一组传感器中的监测物理过程的传感器以外的至少一个传感器的测量值来计算软传感器的测量值而构建至少一个软传感器，以扩大所述一组传感器。
任选地，计算模块303可进一步配置成计算所述一组传感器的可靠性得分，使得传感器越可靠，如果传感器的测量值远离相应物理过程的所估计真实状态，则损失越高。
任选地，计算模块303可进一步配置成：
-计算出所述一组传感器的可靠性得分，所述可靠性得分使得在预定义至少一个时间步长中物理过程的所估计真实状态与监测物理过程的传感器的测量值之间以及物理过程之间和所述一组传感器之间的差异的总和最小。
任选地，计算模块303进一步配置成：
-计算出物理过程的真实状态，所述真实状态使得在预定义至少一个时间步长中物理过程的所估计真实状态与监测物理过程的传感器的测量值之间以及物理过程之间和所述一组传感器之间的差异的总和最小。
任选地，计算模块303可进一步配置成：
-估计物理过程的真实状态，使得在两个连续离散时间步长中通过所述一组传感器监测的物理过程的所估计真实状态为平稳的。
设备300的其他实施例可为称为以上方法100
参考图4，描绘了设备300的另一实施例。其可包含：
-至少一个存储器305，其配置成存储指令；
-至少一个处理器306，其耦合到至少一个存储器305，且在执行可执行指令时配置成执行方法100。
任选地，设备300还可包含I/O界面307，其配置成与外部装置介接。至少一个处理器306、至少一个存储器305和I/O界面可经由总线连接或彼此直接连接。
值得一提的是，上文所提到的模块301到304可为包含指令的软件模块，所述指令存储在至少一个存储器305中，在由至少一个处理器306执行时执行方法100。
图5和图6描绘本公开的用于传感器测量值处理的设备的框图。
参考图5，可执行以上方法200的设备400包含：
-测量模块401，其配置成通过一组传感器获得测量值，其中不同传感器监测不同物理过程；
-获取模块402，其配置成获取所述组传感器的可靠性得分；
-融合模块403，其配置成基于所获取的可靠性得分来估计通过所述组传感器监测的物理过程的真实状态，使得：
-物理过程的真实状态应更接近于具有更高可靠性得分的传感器的测量值。
任选地，融合模块403可进一步配置成进行传感器融合，使得在两个连续离散时间步长中通过所述一组传感器监测的物理过程的所估计真实状态为平稳的。
任选地，测量模块401可进一步配置成通过一组传感器在时间步长t处获得测量值；获取模块402可进一步配置成基于以下计算所述一组传感器的可靠性得分：从t-L到t的每一时间步长处得到的所述一组传感器的测量值，和从t-L到t的每一时间步长处的物理的所估计真实状态。
任选地，设备400可进一步包含构建模块404，其配置成：在获取模块402获取所述一组传感器的可靠性得分之前，针对每一物理过程，通过基于除所述一组传感器中的监测物理过程的传感器以外的至少一个传感器的测量值来计算软传感器的测量值而构建至少一个软传感器，以扩大所述一组传感器。
参考图6，描绘了设备400的另一实施例。其可包含：
-至少一个存储器405，其配置成存储指令；
-至少一个处理器406，其耦合到至少一个存储器405，且在执行可执行指令时配置成执行方法200。
任选地，设备400还可包含I/O界面407，其配置成与外部装置介接。至少一个处理器406、至少一个存储器405和I/O界面可经由总线连接或彼此直接连接。
值得一提的是，上文所提到的模块401到404可为包含指令的软件模块，所述指令存储在至少一个存储器405中，在由至少一个处理器406执行时执行方法200。
在本公开中还提供计算机可读媒体，其存储可执行指令，所述可执行指令在由计算机执行时，使计算机能够执行本公开中呈现的方法100或200。
计算机程序正由至少一个处理器执行且执行本公开中呈现的方法100或200。
实验
我们使用我们的方法监测部署用于城市空气污染监测的传感器的可靠性及用于更可靠的污染报告的融合传感器测量值。实验展示我们的方法可及时检测具有低可靠性得分的有故障的传感器并提供更准确的测量值。以图7和图8为例，PM10_0、PM10_1和PM10_2为用于PM10(颗粒物质10)测量的三个传感器。在图7中，我们可看到在大约40至60个时间间隔期间传感器PM10_0报告异常PM10测量值，这由系统操作者确认的传感器的物理故障引起。从图7中我们可观测到我们提出的融合方法报告比取三个冗余传感器之间的平均值可靠得多的PM10测量值。在图8中，我们可看到我们的方法还及时识别了在大约40到60个时间间隔期间传感器PM10_0具有比其他两个传感器低得多的可靠性得分。
提出一种用于传感器测量值处理的方法、设备和计算机可读存储媒体。基于传感器测量值，可计算传感器的可靠性得分。通过对不可靠传感器赋予更少权重，可提高对所监测物理过程的真实状态的估计的准确度；且与基于卡尔曼滤波的方法相比较，进行测量值融合不必已知底层物理过程的动态模型，这使得我们的解决方案在实际场景中更适用。
首先，我们的方法为纯粹数据驱动的且其并不需要底层物理过程的动态模型是已知的。我们基于更多可靠性传感器应更有可能提供更接近于物理过程的真实状态的传感器测量值的原理将对传感器可靠性得分和传感器融合的评估作为优化问题来处理。使用我们提出的优化框架，我们的方法不必需要任何基于卡尔曼滤波的算法。因此，我们的方法不仅提供对真值过程状态的准确估计，且还变得更可泛化和可适用的。
并且，为了利用多个物理过程的状态之间的相关性以增强对传感器可靠性得分的推理和对物理过程的真值状态的估计，针对每一物理过程，除物理传感器以外，我们进一步构建软传感器，用于通过随机局部回归在每一时间步长处监测其状态。
其次，我们提出了动态方法以实时监测传感器可靠性。我们使用滑动窗口，基于所述滑动窗口高效更新传感器可靠性得分。因此，我们的方法可捕获不断发展的传感器可靠性得分。
此外，使用我们的方法的融合测量值比如我们实验中所说明的普遍使用的求取平均值方法更准确。
虽然已参考某些实施例详细地描述了本发明技术，但应了解，本发明技术不限于那些精确的实施例。实际上，鉴于描述用于实践本发明的示例性模式的本公开内容，在不脱离本发明的范围和精神的情况下，所属领域的技术人员能进行许多修改和变化。因此，本发明的范围由所附权利要求书指示，而非由前文描述指示。落入权利要求书的等效含义和范围内的所有改变、修改和变化将被认为在权利要求书的范围内。
Claims (23)
1.一种用于传感器测量值处理的方法(100)，其包括：
-通过一组传感器获得(S101)测量值，其中不同传感器监测不同物理过程；
-基于所述测量值来估计(S102)所述物理过程的初始真实状态；
-重复以下步骤直到会聚：
-基于所述物理过程的所述所估计真实状态来计算(S103)所述一组传感器的可靠性得分，其中所述得分越高，传感器越可靠，使得更可靠的传感器应更有可能提供更接近于通过所述传感器监测的所述物理过程的真实状态的测量值；
-基于所述所计算可靠性得分来估计(S104)所述物理过程的真实状态，使得物理过程的所述真实状态应更接近于更可靠的传感器的测量值。
2.根据权利要求1所述的方法(100)，在重复直到会聚之前，其进一步包括：
-通过基于除所述一组传感器中的监测所述物理过程的所述传感器以外的至少一个传感器的测量值来计算软传感器的测量值而针对所述物理过程中的每一个构建(S102')至少一个软传感器，以扩大所述一组传感器。
3.根据权利要求2所述的方法(100)，其中计算(S103)所述一组传感器的可靠性得分包括：
-计算所述一组传感器的可靠性得分，使得传感器越可靠，如果所述传感器的所述测量值远离所述相应物理过程的所述所估计真实状态，则损失越高。
4.根据权利要求1到3中任一权利要求所述的方法(100)，其中计算(S103)所述一组传感器的可靠性得分包括：
-计算出所述一组传感器的可靠性得分，所述可靠性得分使得在预定义至少一个时间步长中物理过程的所估计真实状态与监测所述物理过程的所述传感器的测量值之间以及所述物理过程之间和所述一组传感器之间的传感器可靠性加权距离的总和最小。
5.根据权利要求1到4中任一权利要求所述的方法(100)，其中估计(S104)通过所述一组传感器监测的物理过程的真实状态包括：
-计算出所述物理过程的真实状态，所述真实状态使得在预定义至少一个时间步长中物理过程的所估计真实状态与监测所述物理过程的所述传感器的测量值之间以及所述物理过程之间和所述一组传感器之间的传感器可靠性加权距离的总和最小。
6.根据权利要求1到5中任一权利要求所述的方法(100)，其中估计(S104)所述物理过程的真实状态包括：
-估计所述物理过程的真实状态，使得在两个连续离散时间步长中通过所述一组传感器监测的所述物理过程的所估计真实状态为平稳的。
7.一种用于传感器测量值处理的方法(200)，其包括：
-通过一组传感器获得(S201)测量值，其中不同传感器监测不同物理过程；
-获取(S202)所述一组传感器的可靠性得分；
-基于所述所获取的可靠性得分来进行传感器融合(S203)，以估计通过所述一组传感器监测的所述物理过程的真实状态，使得：
-物理过程的真实状态应更接近于具有更高可靠性得分的传感器的所述测量值。
8.根据权利要求7所述的方法，其中基于所述所获取的可靠性得分来进行传感器融合(S203)以估计通过所述一组传感器监测的所述物理过程的真实状态包括：
-进行传感器融合(S203)，使得在两个连续离散时间步长中通过所述一组传感器监测的所述物理过程的所估计真实状态为平稳的。
9.根据权利要求7或8所述的方法，其中
-通过一组传感器获得(S201)测量值包括：通过所述一组传感器在时间步长t处获得测量值；
-获取(S202)所述一组传感器的可靠性得分包括：基于以下来计算所述一组传感器的可靠性得分：
-从t-L到t的每一时间步长处得到的所述一组传感器的测量值，和
-从t-L到t的每一时间步长处的所述物理过程的所估计真实状态。
10.根据权利要求7到9中任一权利要求所述的方法，在基于所述所获取的可靠性得分来估计(S203)通过所述一组传感器监测的所述物理过程的真实状态之前，其进一步包括：
-通过基于除所述一组传感器中的监测所述物理过程的所述传感器以外的至少一个传感器的测量值来计算软传感器的测量值而针对每一物理过程构建(S202')至少一个软传感器，以扩大所述一组传感器。
11.一种用于传感器测量值处理的设备(300)，其包括：
-测量模块(301)，其配置成通过一组传感器获得测量值，其中不同传感器监测不同物理过程；
-估计模块(302)，其配置成基于所述测量值来估计通过所述一组传感器监测的所述物理过程的初始真实状态；
-计算模块(303)，其配置成重复以下步骤直到会聚：
-基于所述物理过程的所述所估计真实状态来计算所述一组传感器的可靠性得分，其中所述得分越高，传感器越可靠，使得更可靠的传感器应更有可能提供更接近于通过所述传感器监测的所述物理过程的真实状态的测量值；
-基于所述所计算可靠性得分来估计所述物理过程的真实状态，使得物理过程的所述真实状态应更接近于更可靠的传感器的测量值。
12.根据权利要求11所述的设备(300)，其进一步包括构建模块(304)，所述构建模块配置成在所述计算模块(303)重复直到会聚之前，通过基于除所述一组传感器中的监测所述物理过程的所述传感器以外的至少一个传感器的测量值来计算软传感器的测量值而针对所述物理过程中的每一个构建至少一个软传感器，以扩大所述一组传感器。
13.根据权利要求12所述的设备(300)，其中所述计算模块(303)进一步配置成计算所述一组传感器的可靠性得分，使得传感器越可靠，如果所述传感器的所述测量值远离所述相应物理过程的所述所估计真实状态，则损失越高。
14.根据权利要求11到13中任一权利要求所述的设备(300)，其中所述计算模块(303)进一步配置成：
-计算出所述一组传感器的可靠性得分，所述可靠性得分使得在预定义至少一个时间步长中物理过程的所估计真实状态与监测所述物理过程的所述传感器的测量值之间以及所述物理过程之间和所述一组传感器之间的差异的总和最小。
15.根据权利要求11到14中任一权利要求所述的设备(300)，其中所述计算模块(303)进一步配置成：
-计算出所述物理过程的真实状态，所述真实状态使得在预定义至少一个时间步长中物理过程的所估计真实状态与监测所述物理过程的所述传感器的测量值之间以及所述物理过程之间和所述一组传感器之间的差异的总和最小。
16.根据权利要求11到15中任一权利要求所述的设备(300)，其中所述计算模块(303)进一步配置成：
-估计所述物理过程的真实状态，使得在两个连续离散时间步长中通过所述一组传感器监测的所述物理过程的所估计真实状态为平稳的。
17.一种用于传感器测量值处理的设备(300)，其包括：
-至少一个存储器(305)，其配置成存储指令；
-至少一个处理器(306)，其耦合到所述至少一个存储器(305)，且在执行所述可执行指令时配置成执行根据权利要求1到6中任一权利要求所述的方法。
18.一种用于传感器测量值处理的设备(400)，其包括：
-测量模块(401)，其配置成通过一组传感器获得测量值，其中不同传感器监测不同物理过程；
-获取模块(402)，其配置成获取所述一组传感器的可靠性得分；
-融合模块(403)，其配置成基于所述所获取的可靠性得分来估计通过所述一组传感器监测的所述物理过程的真实状态，使得：
-物理过程的真实状态应更接近于具有更高可靠性得分的传感器的所述测量值。
19.根据权利要求18所述的设备(400)，其中所述融合模块(403)进一步配置成进行所述传感器融合，使得在两个连续离散时间步长中通过所述一组传感器监测的所述物理过程的所估计真实状态为平稳的。
20.根据权利要求18或19所述的设备(400)，其中
-所述测量模块(401)进一步配置成通过一组传感器在时间步长t处获得测量值；
-所述获取模块(402)进一步配置成基于以下来计算所述一组传感器的可靠性得分：
-从t-L到t的每一时间步长处得到的所述一组传感器的测量值，和
-从t-L到t的每一时间步长处的所述物理的所估计真实状态。
21.根据权利要求18到20中任一权利要求所述的设备，其进一步包括构建模块(404)，所述构建模块配置成：在所述获取模块(402)获取所述一组传感器的可靠性得分之前，通过基于除所述一组传感器中的监测所述物理过程的所述传感器以外的至少一个传感器的测量值来计算软传感器的测量值而针对每一物理过程构建至少一个软传感器，以扩大所述一组传感器。
22.一种用于传感器测量值处理的设备(400)，其包括：
-至少一个存储器(405)，其配置成存储指令；
-至少一个处理器(406)，其耦合到所述至少一个存储器(305)，且在执行所述可执行指令时配置成执行根据权利要求7到10中任一权利要求所述的方法。
23.一种存储可执行指令的计算机可读媒体，所述可执行指令在由处理器执行时使所述处理器能够执行根据权利要求1至10中任一权利要求所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2019/122465 WO2021108960A1 (en) | 2019-12-02 | 2019-12-02 | Method and apparatus for sensor measurements processing |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114902057A true CN114902057A (zh) | 2022-08-12 |
Family
ID=76221280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980102288.4A Pending CN114902057A (zh) | 2019-12-02 | 2019-12-02 | 用于传感器测量值处理的方法和设备 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230003785A1 (zh) |
| EP (1) | EP4052051A4 (zh) |
| CN (1) | CN114902057A (zh) |
| WO (1) | WO2021108960A1 (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012100153A (ja) * | 2010-11-04 | 2012-05-24 | Nec Corp | 電波伝搬特性推定システム、電波伝搬特性推定方法、およびコンピュータプログラム |
| CN102761888A (zh) * | 2012-07-20 | 2012-10-31 | 无锡儒安科技有限公司 | 一种基于特征选择的传感网络异常检测方法和装置 |
| FR2991056A1 (fr) * | 2012-05-24 | 2013-11-29 | Commissariat Energie Atomique | Systeme electronique a capteurs integres, procede d'estimation de valeur de grandeur physique de fonctionnement et programme d'ordinateur correspondant |
| CN103592575A (zh) * | 2013-11-25 | 2014-02-19 | 国家电网公司 | 一种基于多传感器系统的自适应加权数据融合故障测距方法 |
| JP2016050866A (ja) * | 2014-09-01 | 2016-04-11 | 株式会社島津製作所 | 質量分析装置 |
| FR3030373A1 (fr) * | 2014-12-17 | 2016-06-24 | Continental Automotive France | Procede d'estimation de la fiabilite de mesures de capteurs de roue d'un vehicule et systeme de mise en oeuvre |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140012791A1 (en) * | 2012-07-05 | 2014-01-09 | Caterpillar Inc. | Systems and methods for sensor error detection and compensation |
| WO2016088362A1 (ja) * | 2014-12-05 | 2016-06-09 | 日本電気株式会社 | システム分析装置、システム分析方法および記憶媒体 |
| US10151608B2 (en) * | 2015-12-22 | 2018-12-11 | Microchip Technology Incorporated | System and method for reducing noise in a sensor system |
-
2019
- 2019-12-02 WO PCT/CN2019/122465 patent/WO2021108960A1/en unknown
- 2019-12-02 US US17/781,508 patent/US20230003785A1/en not_active Abandoned
- 2019-12-02 EP EP19954741.5A patent/EP4052051A4/en active Pending
- 2019-12-02 CN CN201980102288.4A patent/CN114902057A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012100153A (ja) * | 2010-11-04 | 2012-05-24 | Nec Corp | 電波伝搬特性推定システム、電波伝搬特性推定方法、およびコンピュータプログラム |
| FR2991056A1 (fr) * | 2012-05-24 | 2013-11-29 | Commissariat Energie Atomique | Systeme electronique a capteurs integres, procede d'estimation de valeur de grandeur physique de fonctionnement et programme d'ordinateur correspondant |
| CN102761888A (zh) * | 2012-07-20 | 2012-10-31 | 无锡儒安科技有限公司 | 一种基于特征选择的传感网络异常检测方法和装置 |
| CN103592575A (zh) * | 2013-11-25 | 2014-02-19 | 国家电网公司 | 一种基于多传感器系统的自适应加权数据融合故障测距方法 |
| JP2016050866A (ja) * | 2014-09-01 | 2016-04-11 | 株式会社島津製作所 | 質量分析装置 |
| FR3030373A1 (fr) * | 2014-12-17 | 2016-06-24 | Continental Automotive France | Procede d'estimation de la fiabilite de mesures de capteurs de roue d'un vehicule et systeme de mise en oeuvre |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021108960A1 (en) | 2021-06-10 |
| EP4052051A4 (en) | 2023-11-22 |
| EP4052051A1 (en) | 2022-09-07 |
| US20230003785A1 (en) | 2023-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
| Borgi et al. | Data analytics for predictive maintenance of industrial robots | |
| JP6609050B2 (ja) | 時間的因果グラフにおける異常フュージョン | |
| US10317853B2 (en) | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
| US9852019B2 (en) | System and method for abnormality detection | |
| Loukopoulos et al. | Abrupt fault remaining useful life estimation using measurements from a reciprocating compressor valve failure | |
| JP2022524244A (ja) | 将来の動作の予測分類 | |
| Yu | Machine health prognostics using the Bayesian-inference-based probabilistic indication and high-order particle filtering framework | |
| CN112416643A (zh) | 无监督异常检测方法与装置 | |
| Tang et al. | Methodologies for uncertainty management in prognostics | |
| CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN102257448B (zh) | 使用切换模型对信号进行滤波的方法和设备 | |
| JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
| Loukopoulos et al. | Reciprocating compressor prognostics of an instantaneous failure mode utilising temperature only measurements | |
| JP2020198092A (ja) | 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| JP7296548B2 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
| Goebel et al. | Correcting sensor drift and intermittency faults with data fusion and automated learning | |
| Liao et al. | Nonparametric and semi-parametric sensor recovery in multichannel condition monitoring systems | |
| CN117149857A (zh) | 一种基于深度学习的电气设备故障预警与自动化维护系统 | |
| Takruri et al. | Online drift correction in wireless sensor networks using spatio-temporal modeling | |
| Takruri et al. | Data fusion techniques for auto calibration in wireless sensor networks | |
| Li et al. | Index similarity assisted particle filter for early failure time prediction with applications to turbofan engines and compressors | |
| KR20220132824A (ko) | 배전설비 상태 이상 개소 감시 시스템 및 방법 | |
| Pang et al. | RUL prediction for bivariate degradation process considering individual differences |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240322 |