CN116075710A - 由传感器组确定气体浓度的方法 - Google Patents
由传感器组确定气体浓度的方法 Download PDFInfo
- Publication number
- CN116075710A CN116075710A CN202180053330.5A CN202180053330A CN116075710A CN 116075710 A CN116075710 A CN 116075710A CN 202180053330 A CN202180053330 A CN 202180053330A CN 116075710 A CN116075710 A CN 116075710A
- Authority
- CN
- China
- Prior art keywords
- trust
- function
- gas
- ndir
- processing unit
- 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 42
- 230000006870 function Effects 0.000 claims abstract description 120
- 238000001745 non-dispersive infrared spectroscopy Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/59—Transmissivity
- G01N21/61—Non-dispersive gas analysers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0006—Calibrating gas analysers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/127—Calibration; base line adjustment; drift compensation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
描述了一种用于由至少两个非色散红外NDIR气体传感器(S1‑SN)的组确定气体浓度的测量值的方法。所述方法包括以下步骤：在处理单元(1)处，获得来自每个NDIR气体传感器(S1‑SN)的气体浓度的测量值作为信任函数Pi(x)，所述信任函数Pi(x)提供了概率作为在特定波长处检测的光强度的函数；在处理单元中，将信任函数Pi(x)合并为合并的信任函数P(x)。还描述了执行所述方法的计算机程序。
Description
技术领域
本发明涉及由至少两个非色散(non-dispersive，非分散)红外NDIR气体传感器的组确定气体浓度。
背景技术
气体传感器是用于测量区域中气体的存在或浓度的设备，并且在许多应用中发挥着重要作用。非色散红外传感器(NDIR传感器)是简单的光谱传感器，其中使用非色散元件将宽带光过滤成适合检测特定气体的窄光谱。然而，NDIR传感器已被认为对环境温度、大气压力、湿度和一些其他环境因素的变化很敏感。此外，传感器组件的老化也会导致传感器的不精确。因此，需要定期校准以确保传感器的长期精度。
如今，红外气体传感器自校准的最新技术是成熟的ABC技术(自动基线校正)，其中传感器被校准到假定为新鲜空气气体浓度的固定值。然而，这种方法在传感器永远不会暴露在新鲜空气中的特大城市中效果不佳。因此，设计更健全和智能的可广泛应用于不同环境的自校准算法变得越来越重要。
发明内容
本发明的一个目的是提供用于由至少两个非色散红外NDIR气体传感器的组确定气体浓度的方法，其提供了比根据现有技术的方法更可靠的结果。
本发明的另一个目的是提供用于由至少两个非色散红外NDIR气体传感器的组确定气体浓度的方法，其以比根据现有技术的方法更好的方式处理NDIR气体传感器的老化。
本发明的另一个目的是提供用于由至少两个非色散红外NDIR气体传感器的组确定气体浓度的计算机程序，其提供了比根据现有技术的方法更可靠的结果。
这些目的中的至少一个通过根据独立权利要求的方法和计算机程序来实现。
进一步的优点通过从属权利要求的特征实现。
根据本发明的第一方面，提供了用于由至少两个非色散红外NDIR气体传感器的组确定气体浓度的测量值(determining a measure of a gas concentration，确定气体浓度的量度)的方法，其中方法包括以下步骤：在处理单元处获得来自每个NDIR气体传感器的气体浓度的测量值作为信任函数(belief function，信度函数，置信函数)，它是概率作为在特定波长处的气体浓度的测量值的函数，以及在处理单元中合并信任函数Pi(x)为合并的信任函数P(x)。
气体浓度的测量值可以是穿透气体的光的强度值。气体传感器还可以被配置为将强度值转换为气体浓度。在这种情况下，气体浓度的测量值是气体浓度。如果执行该方法的处理单元已知从光强度到气体浓度的转换，则可以使用光强度。然而，如果处理单元不知道从光强度到气体浓度的转换，则信任函数优选地是概率作为气体浓度的函数。气体传感器测量光强度并在测量中包括对传感器不确定性的自我意识。然后可以发送来自气体传感器的测量结果用作概率作为光强度的函数。可替代地，可以将光强度转换为气体浓度，并且可以发送来自气体传感器的信任函数用作气体浓度作为气体浓度的函数。
通过使用提供气体浓度测量结果作为信任函数的NDIR传感器，所述信任函数提供了概率作为在特定波长处检测到的气体浓度的函数，即在特定波长处测量，可以降低实际气体浓度的不确定性，这会导致此时更好的气体测量结果。
提供信任函数的NDIR传感器可以以许多不同的方式被配置。这种NDIR传感器的一种替代是使用过采样，即传感器以比获得气体浓度的测量值的频率更低的频率输出传感器读数。测量值中的变化可被提供作为信任函数。
可替代地，提供信任函数的NDIR传感器可以被配置为获得气体浓度的测量值并输出测量值作为围绕所获得的气体浓度的测量值的高斯分布。
可替代地，NDIR传感器可以被配置为使用包括关于NDIR气体传感器的物理知识的模型。使用朗伯-比尔(Lambert-beer)定律作为模型的基础，我们可以使用有监督或无监督的机器学习算法来学习传感器的统计行为。特别地，这种模型可以补偿环境因素，如温度。
该方法还可以包括使用合并的信任函数P(x)校准每个NDIR气体传感器的步骤。通过使用合并的信任函数P(x)校准每个NDIR气体传感器，将提高每个NDIR传感器的自我意识，并且使用NDIR气体传感器的进一步测量将更加精确。
处理单元可以是与每个NDIR气体传感器通信的中央处理单元。通过具有中央处理单元，可以在不同的测量中使用不同的NDIR气体传感器来执行气体浓度测量值的测量，其中NDIR传感器的选择由中央处理单元完成。
可以使用Dempster-Shafer理论执行信任函数Pi(x)的合并。Dempster-Shafer理论本身是公知的，但尚未用于本目的。
信任函数Pi(x)的合并可以包括信任函数Pi(x)的加权平均值P(x)的计算，其中每个信任函数的权重取决于在每个信任函数Pi(x)和其他信任函数Pj,j≠i(x)之间的距离W(Pi(x),Pj(x))，使信任函数Pi(x)与其他信任函数Pj,j≠i(x)的增加距离W2(Pi(x),Pj(x))导致信任函数Pi(x)的权重降低。
信任函数Pi(x)的加权平均值P(x)的计算构成了Dempster-Shafer方法的扩展。当信任函数发生冲突时，平均值的加权可以解决问题。通过以这种方式加权平均值，与大多数彼此接近的信任函数差异很大的NDIR气体传感器的信任函数不会像大多数彼此接近的信任函数那样影响合并的信任函数。
在信任函数Pi(x)的加权中使用的两个信任函数Pi(x)、Pj(x)之间的距离被确定为Wasserstein距离Wp，其中对于在气体浓度范围上定义的两个概率测量值Pi和Pj的Wp(p≥1)由下式给出
其中Γ(Pi,Pj)表示在气体浓度范围上定义的联合概率测量值Pij的集合，边际为Pi和Pj，并且d表示气体浓度值与气体浓度范围的相应随机变量的距离。在计算中使用Wasserstein距离是有利的，因为这区分了不同于大多数很好地测量相似性的信任函数的信任函数。
给出的信任函数的支持度可以计算为
其中
并且其中
然后，归一化后获得的信任函数Pi的相应的权重因子，其中权重因子αi被表示为
所有N个信任函数的加权平均值可以被表示为
其用于计算每个传感器的最终信任函数。有使用加权平均值来计算合并信任度的替代方法，例如，可以使用Dempster-Shafer规则应用于自身N-1次的加权平均信任函数。
该方法还可以包括从多个NDIR气体传感器中选择所述组中的NDIR气体传感器的步骤，其中多个NDIR气体传感器中的每个NDIR气体传感器与当前位置相关，并且其中NDIR气体传感器基于他们当前的位置被选择。NDIR气体传感器优选地具有定位传感器如，例如GPS传感器以确定其位置。通过从多个NDIR气体传感器中选择所述组中的NDIR气体传感器，可以选择靠近待进行测量的位置的气体传感器。NDIR气体传感器可以例如被放置在四处移动的汽车中。
NDIR气体传感器也可以与历史位置相关，并且其中NDIR气体传感器也基于它们的历史位置被选择。通过具有也与历史位置相关的NDIR气体传感器，可以选择最近处于具有已知气体浓度的环境中或最近已校准的这种气体传感器。
与历史位置相关的NDIR气体传感器可以通过在处理单元中存储关于位置以及相应的时间点的信息来实施。
对于具有测量CO2浓度的气体传感器的汽车，在CO2的情况下，具有已知气体浓度的环境可以是在乡村。如果传感器在乡村进行了自我校准，则它们会更可靠。关于最近的校准，NDIR气体传感器可以存储关于它上次何时校准的信息。
也可以基于NDIR气体传感器的气体浓度测量结果来选择NDIR气体传感器。如果一个气体传感器提供与其余气体传感器相比非常不同的气体浓度，则可以在下一次测量之前取消选择提供非常不同气体浓度的气体传感器。以这种方式可以提高测量的质量。
NDIR气体传感器的选择可以随时间重复执行。如果测量的目的是测量特定位置的气体浓度，则每次测量选择的气体传感器是靠近该特定位置的气体传感器。
根据本发明的第二方面，提供了用于由至少两个非色散红外气体NDIR传感器的组确定气体浓度的计算机程序，该程序包括指令，当由处理单元中的处理器执行时，该指令导致处理器单元控制处理单元执行根据本发明的第一方面或上述的任何实施方式的方法。
根据本发明的第三方面，提供了被配置为由至少两个非色散红外气体NDIR传感器的组确定气体浓度的处理单元，其中处理单元被配置为
-获得来自每个NDIR气体传感器的气体浓度的测量值作为信任函数，它是概率作为在特定波长处的气体浓度的测量值的函数，即，在特定波长处测量，
-在处理单元中将信任函数Pi(x)合并为合并的信任函数P(x)。
附图说明
图1显示了具有与被配置为执行根据本发明的方法的处理单元通信的气体传感器的组的系统。
图2显示了由图1系统中的气体传感器提供的不同信任函数。
图3a和图3b分别显示了由使用用于合并的Dempster-Shafer规则和加权平均值来合并图4中的信任函数产生的合并的信任函数。
图4显示了由图1系统中的气体传感器提供的不同信任函数的另一个实例。
图5a和图5b分别显示了由使用用于合并的Dempster-Shafer规则和加权平均值来合并图4中的信任函数产生的合并的信任函数。
图6示意性地显示了根据本发明的实施方式的气体传感器。
图7显示了其中每辆都包含气体传感器的多辆汽车。
具体实施方式
在本发明的以下详细描述中，不同附图中的相似特征将用相同的附图标记表示。
图1显示了具有与被配置为执行根据本发明的方法的处理单元通信的N个气体传感器S1-SN的组的系统。所有气体传感器优选地与处理单元无线通信。根据替代的实施方式，处理单元1可以集成在至少一个气体传感器中。根据另一种替代，处理单元1可以集成在所有气体传感器S1-SN中。根据这个替代的实施方式，所有气体传感器彼此通信并且每个处理单元执行根据本发明实施方式的方法。
根据具有单独处理单元1的实施方式，处理单元获得来自每个NDIR气体传感器的气体浓度的测量值作为信任函数，它提供概率作为在特定波长处测量的检测光强度的函数，提供了从每个NDIR气体传感器到处理单元的信任函数，并在处理单元1中将信任函数Pi(x)合并为合并的信任函数P(x)。合并的信任函数P(x)提供了气体浓度的更可靠的测量值。为了进一步提高气体浓度的未来测量，处理单元1可以向每个气体传感器S1-SN提供合并的信任函数以用于气体传感器S1-SN的校准。
图2示意性地显示了根据本发明实施方式的气体传感器S1-SN。气体传感器S1-SN包括NDIR检测单元2、处理单元1和通信接口3。处理单元1获得来自NDIR检测单元2的气体浓度的测量值并控制气体浓度的测量值从气体传感器S1-SN到其他气体传感器S1-SN的发送。气体传感器S1-SN还包括定位传感器4，诸如，例如GPS传感器，它使得气体传感器S1-SN能够确定其位置。
图3显示了由图1系统中的气体传感器S1-SN提供的五个不同信任函数P1(x)-P5(x)。每个信任函数P1(x)-P5(x)显示了概率作为CO2浓度的函数。从图3中可以看出，信任函数P1(x)-P5(x)在较大的浓度范围内延伸。
图4a和图4b分别显示了由使用用于合并的Dempster-Shafer规则和加权平均值来合并图3中的信任函数产生的合并的信任函数。两种不同的合并技术导致相似的所得合并的信任函数P(x)。两种合并技术均导致在482ppm的CO2处的概率峰值。
图5显示了由图1系统中的气体传感器提供的不同信任函数P1(x)-P5(x)的另一个实例。每个信任函数P1(x)-P5(x)显示了概率作为CO2浓度的函数。从图3中可以看出，信任函数P1(x)-P5(x)在较大的浓度范围内延伸。从图5中可以看出，第五个信任函数P5(x)明显移动到比其他信任函数P1(x)-P4(x)更低的CO2浓度。
图6a和图6b分别显示了由使用用于合并的Dempster-Shafer规则和加权平均值来合并图5中的信任函数产生的合并的信任函数。从图6中可以看出，使用Dempster-Shafer规则合并信任函数P1(x)-P5(x)会导致合并的信任函数P(x)，在479ppm的CO2浓度处具有明显的概率峰值。使用加权平均值合并信任函数P1(x)-P5(x)导致合并的信任函数P(x)，在482ppm的CO2浓度处具有明显的概率峰值。因此，当使用加权平均值合并时，第五个信任函数P5(x)的效果会减小。第五个气体传感器可能已经漂移并提供了错误的结果。因此，减小第五气体传感器，即传感器5(Sensor5)的影响是有利的。
在下文中，将更详细地描述如何可以实现和计算合并的信任函数P(x)。
在信任函数Pi(x)的加权中使用的两个信任函数Pi(x)、Pj(x)之间的距离被确定为Wasserstein距离Wp，其中对于在气体浓度范围上定义的两个概率测量值Pi和Pj的Wp(p≥1)由下式给出
其中，Γ(Pi,Pj)表示在气体浓度范围上定义的联合概率测量值Pij的集合，边际为Pi和Pj，并且d表示气体浓度值与相应随机变量的距离。在计算中使用Wasserstein距离是有利的，因为这区分了不同于大多数很好地测量相似性的信任函数的信任函数。
给出的信任函数的支持度可以被计算为
其中
并且其中
然后，归一化后获得的信任函数Pi的相应的权重因子，其中权重因子αi被表示为
所有N个信任函数的加权平均值可以被表示为
用于计算每个传感器的最终信任函数。有使用加权平均值来计算合并信任度的替代方法，例如，可以使用Dempster-Shafer规则应用于自身N-1次的加权平均信任函数。
图7显示了在两条街道6、7之间的路口处的多个车辆5，每个车辆包括气体传感器S1-SN(图2)。在图7所示的实施方式中，包括处理器10的处理单元1被布置在可以远离路口的固定位置。处理单元1连接到与车辆5中的气体传感器S1-SN的通信接口通信的通信接口3。处理单元1选择位于虚线矩形8内的路口中间的车辆5。使用每个气体传感器S1-SN中的定位传感器4来确定位置。在已经接收来自每个气体传感器S1-SN的信任函数Pi(x)之后，处理单元1可以计算合并的信任函数P(x)，如上所述。
在不脱离仅由所附权利要求限制的本发明的范围的情况下，可以以多种方式修改上述实施方式。
Claims (13)
1.一种用于由至少两个非色散红外NDIR气体传感器(S1-SN)的组确定气体浓度的测量值的方法，其中，所述方法包括以下步骤：
-在处理单元(1)处，获得来自每个NDIR气体传感器(S1-SN)的气体浓度的测量值作为信任函数Pi(x)，所述信任函数Pi(x)是概率作为在特定波长处的所述气体浓度的测量值的函数，
-在所述处理单元中，将所述信任函数Pi(x)合并为合并的信任函数P(x)。
2.根据权利要求1所述的方法，还包括使用所述合并的信任函数P(x)校准每个NDIR气体传感器的步骤。
3.根据权利要求1或2所述的方法，其中，所述处理单元是与所述NDIR气体传感器(S1-SN)中的每一个通信的中央处理单元(1)。
4.根据前述权利要求中任一项所述的方法，其中，所述信任函数Pi(x)的合并使用用于合并的Dempster-Shafer规则执行。
5.根据前述权利要求中任一项所述的方法，其中，所述信任函数Pi(x)的合并包括所述信任函数Pi(x)的加权平均值P(x)的计算，其中，每个信任函数的权重取决于在每个信任函数Pi(x)与其它信任函数Pj,j≠i(x)之间的距离W(Pi(x),Pj(x))，使得信任函数Pi(x)与所述其它信任函数Pj,j≠i(x)的增加的距离W2(Pi(x),Pj(x))导致所述信任函数Pi(x)的权重降低。
6.根据权利要求5所述的方法，其中，在所述信任函数Pi(x)的加权中使用的两个信任函数Pi(x)、Pj(x)之间的距离被确定为Wasserstein距离Wp，其中，对于在气体浓度范围上定义的两个概率测量值Pi和Pj的Wp，p≥1，由以下给出
其中，Γ(Pi,Pj)表示在所述气体浓度范围上定义的联合概率测量值Pij的集合，边际为Pi和Pj，并且d表示气体浓度值与相应随机变量的距离。
7.根据权利要求6所述的方法，其中，给出的信任函数Pi(x)的支持度Supp(Pi(x))被计算为
其中
其中
其中，权重因子αi被表示为
并且其中，所述权重因子αi被用于所述信任函数Pi(x)的合并。
8.根据前述权利要求中任一项所述的方法，其中，所述方法还包括从多个NDIR气体传感器中选择所述组中的所述NDIR气体传感器(S1-SN)的步骤，其中，所述多个NDIR气体传感器的每个NDIR气体传感器(S1-SN)与当前位置相关，并且其中，所述NDIR气体传感器(S1-SN)基于它们的当前位置被选择。
9.根据权利要求8所述的方法，其中，所述NDIR气体传感器(S1-SN)还与历史位置相关，并且其中，所述NDIR气体传感器(S1-SN)还基于它们的历史位置被选择。
10.根据权利要求8或9所述的方法，其中，所述NDIR气体传感器还基于所述NDIR气体传感器(S1-SN)的气体浓度测量结果被选择。
11.根据8或9所述的方法，其中，随时间重复执行所述NDIR气体传感器(S1-SN)的选择。
12.一种用于由至少两个非色散红外NDIR气体传感器(S1-SN)的组确定气体浓度的计算机程序，所述计算机程序包括指令，当由处理单元(10)中的处理器(10)执行时，所述指令引起所述处理单元(1)控制所述处理单元(1)执行根据权利要求1至11中任一项所述的方法。
13.一种处理单元(1)，被配置为由至少两个非色散红外气体NDIR传感器(S1-SN)的组确定气体浓度，其中，所述处理单元(1)被配置为-获得来自每个NDIR气体传感器(S1-SN)的气体浓度的测量值作为信任函数，所述信任函数是概率作为在特定波长处的所述气体浓度的测量值的函数，
-在所述处理单元(1)中，将信任函数Pi(x)合并为合并的信任函数P(x)。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| SE2051034A SE544392C2 (en) | 2020-09-01 | 2020-09-01 | Method for determining a gas concentration from a group of sensors |
| SE2051034-3 | 2020-09-01 | ||
| PCT/SE2021/050841 WO2022050889A1 (en) | 2020-09-01 | 2021-08-30 | Method for determining a gas concentration from a group of sensors |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116075710A true CN116075710A (zh) | 2023-05-05 |
Family
ID=80491881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180053330.5A Pending CN116075710A (zh) | 2020-09-01 | 2021-08-30 | 由传感器组确定气体浓度的方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230236120A1 (zh) |
| EP (1) | EP4208711A1 (zh) |
| CN (1) | CN116075710A (zh) |
| SE (1) | SE544392C2 (zh) |
| WO (1) | WO2022050889A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE544494C2 (en) | 2020-10-21 | 2022-06-21 | Senseair Ab | Temperature controller for a temperature control mechanism |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5429805A (en) * | 1993-01-08 | 1995-07-04 | Fuji Electric Co., Ltd. | Non-dispersive infrared gas analyzer including gas-filled radiation source |
| US20030183765A1 (en) * | 2002-03-26 | 2003-10-02 | Lockheed Martin Corporation | Method and system for target detection using an infra-red sensor |
| US20110213749A1 (en) * | 2009-11-27 | 2011-09-01 | Thales | Method, device and system for the fusion of information originating from several sensors |
| CN103175803A (zh) * | 2011-12-26 | 2013-06-26 | 上海仪华仪器有限公司 | 采用非色散红外检测二氧化碳浓度具有自校正的方法 |
| CN103528990A (zh) * | 2013-10-31 | 2014-01-22 | 天津工业大学 | 一种近红外光谱的多模型建模方法 |
| CN105277502A (zh) * | 2014-07-19 | 2016-01-27 | 帕拉贡股份公司 | 用于测量目标气体浓度的气体感测结构 |
| CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2169384B1 (en) * | 2008-09-30 | 2013-04-10 | General Electric Company | IR gas sensor with simplified beam splitter. |
| US20120078532A1 (en) * | 2010-09-24 | 2012-03-29 | David Edward Forsyth | Non-dispersive infrared sensor measurement system and method |
| US9927356B2 (en) * | 2015-03-20 | 2018-03-27 | SMS Sensors Incorporated | Systems and methods for detecting gases, airborne compounds, and other particulates |
| WO2018103639A1 (zh) * | 2016-12-06 | 2018-06-14 | 曾宁 | 一种网络化的环境监测系统、方法和计算机可读存储介质 |
| KR101907393B1 (ko) * | 2017-06-29 | 2018-10-15 | 한국교통대학교산학협력단 | 소수성 박막을 증착한 비분산적외선 이산화탄소 가스센서 |
-
2020
- 2020-09-01 SE SE2051034A patent/SE544392C2/en unknown
-
2021
- 2021-08-30 WO PCT/SE2021/050841 patent/WO2022050889A1/en unknown
- 2021-08-30 CN CN202180053330.5A patent/CN116075710A/zh active Pending
- 2021-08-30 EP EP21864808.7A patent/EP4208711A1/en active Pending
- 2021-08-30 US US18/022,950 patent/US20230236120A1/en active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5429805A (en) * | 1993-01-08 | 1995-07-04 | Fuji Electric Co., Ltd. | Non-dispersive infrared gas analyzer including gas-filled radiation source |
| US20030183765A1 (en) * | 2002-03-26 | 2003-10-02 | Lockheed Martin Corporation | Method and system for target detection using an infra-red sensor |
| US20110213749A1 (en) * | 2009-11-27 | 2011-09-01 | Thales | Method, device and system for the fusion of information originating from several sensors |
| CN103175803A (zh) * | 2011-12-26 | 2013-06-26 | 上海仪华仪器有限公司 | 采用非色散红外检测二氧化碳浓度具有自校正的方法 |
| CN103528990A (zh) * | 2013-10-31 | 2014-01-22 | 天津工业大学 | 一种近红外光谱的多模型建模方法 |
| CN105277502A (zh) * | 2014-07-19 | 2016-01-27 | 帕拉贡股份公司 | 用于测量目标气体浓度的气体感测结构 |
| CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4208711A1 (en) | 2023-07-12 |
| SE544392C2 (en) | 2022-05-10 |
| SE2051034A1 (en) | 2022-03-02 |
| US20230236120A1 (en) | 2023-07-27 |
| WO2022050889A1 (en) | 2022-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10877007B2 (en) | Gas leak detection and event selection based on spatial concentration variability and other event properties | |
| EP2400268B1 (en) | Track information generating device, track information generating method, and computer-readable storage medium | |
| EP1832889B1 (en) | Magnetic data processing device | |
| KR101808095B1 (ko) | 사용자 단말의 위치 측정 방법 및 장치 | |
| CA2524424A1 (en) | Multipath height finding method | |
| CN111886482A (zh) | 传感器校准 | |
| KR101970098B1 (ko) | 정지궤도 인공위성의 자외선 및 가시광선 영역의 관측 자료를 이용한 지표면 반사도 및 방향성 반사도 함수 결정 방법 및 시스템 | |
| KR101576424B1 (ko) | 실내 측위를 위한 지자기 센서 자동 보정 방법 | |
| CN109813269B (zh) | 结构监测传感器在线校准数据序列匹配方法 | |
| CN116075710A (zh) | 由传感器组确定气体浓度的方法 | |
| CN111241991B (zh) | 一种基于遥感影像的水质分类方法 | |
| CN114639079A (zh) | 匹配车道线数据的方法、装置、设备和存储介质 | |
| CN112329334B (zh) | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 | |
| CN115457756A (zh) | 传感器校准的方法及装置 | |
| CN108226092B (zh) | 基于近红外光谱相似度的模型界外样本识别方法 | |
| CN116559369A (zh) | 基于天空地立体时空碳监测选点与融合碳核查的监测方法 | |
| CN113255820B (zh) | 落石检测模型训练方法、落石检测方法及相关装置 | |
| CN112034007B (zh) | 一种微波辐射计间接测量露点温度方法及系统 | |
| CN113096129B (zh) | 高光谱卫星影像中的云量检测方法和装置 | |
| CN110672058B (zh) | 结构监测用传感器的在线校准数据序列匹配方法和装置 | |
| CN115398442A (zh) | 用于评估传感器测量值的设备和自动化方法和该设备的应用 | |
| CN115128702B (zh) | 一种复合型微波传感器及检测方法 | |
| CN110261818B (zh) | 非直达超宽带信号识别与误差消除方法及装置、存储介质 | |
| Wang et al. | Data processing and experiment of barometric altimeter based on recursive least squares filtering | |
| CN114252090A (zh) | 一种多源导航传感器可信性评估方法 |
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 |