CN116147677A - 确定被测变量的测量值的特定于应用的总似然性的方法 - Google Patents

Abstract

本发明涉及确定被测变量的测量值的特定于应用的总似然性的方法。一种确定在特定应用中由测量设备测量的被测变量的测量值的特定于应用的似然性的方法，包括以下步骤：记录数据，该数据包括测量设备的诊断信息的各项和包括每个被测变量的指定变量的变量值；针对每个被测变量，基于似然性值而确定被测变量的当前测量值的总似然性，所述似然性值是基于包括诊断标准和特定于应用的阈值标准的似然性标准并且基于指示被测变量的当前测量值的统计可靠性的可靠性值而确定的；以及提供总似然性和/或基于所述总似然性而确定的总似然性指数。

Description

确定被测变量的测量值的特定于应用的总似然性的方法

技术领域

本发明涉及一种确定由特定应用中安装的测量系统测量的至少一个被测变量的测量值的特定于应用的总似然性的方法，其中，该测量系统包括至少一个测量设备，并且每个测量设备测量至少一个被测变量中的至少一个。

背景技术

包括测量特定应用中感兴趣的被测变量的测量设备的测量系统被用于包括工业应用以及实验室应用在内的各种各样的不同应用中。

由特定应用中安装的测量系统测量的被测变量的测量值通常用于监测、调节和/或控制被测变量、工厂或设施(例如生产设施)的操作和/或在应用处执行的过程(例如，生产过程)的至少一个步骤。例如，在化学生产过程中，能够监测生产过程中使用的反应物的浓度和/或由该过程产生的前产物、中间产物和/或离析物中包含的分析物的浓度，并且能够基于被测变量的测量值而调度、调节和/或控制生产过程的一系列过程步骤。测量诸如pH值、游离氯浓度和/或介质浊度等被测变量的其他液体分析测量系统例如用于游泳池以及饮用水供应网络和水净化厂，以监测、调节和/或控制水质。

根据具体应用，生产过程的效率和/或生产率、所生产产品的产品质量、设施、工厂和/或实验室的操作安全性和/或饮用水的质量可能取决于测量设备的测量准确度，以及在具体应用处执行的过程的正确执行和/或工厂或设施的无故障操作。因此，在大多数应用中，测量设备的测量准确度以及被测变量对应用特定要求的符合性非常重要。

由于技术过程越来越复杂以及在特定应用中用于测量感兴趣的被测变量的测量设备的数量越来越多，评估由测量系统提供的测量值是否可信或者是否指示存在问题变得越来越困难。即使当所有测量值都出现在针对应用指定的值范围内时，也会存在风险，即测量值可能由于与测量设备中的一个相关的问题(例如由于测量误差)而受损，和/或被测变量可能已经受到与应用相关联的问题(例如由在应用处执行的过程的故障或受损)的影响。此外，在测量设备的清洁或校准期间，以及在测量设备临时从测量部位移开以进行目视检查的时间段期间，测量值可能会暂时受损。因此，受这些问题中的一个影响的测量值的进一步使用，例如将这些测量值用于监测、调节和/或控制目的，可能构成安全危害，可能导致在该应用处生产的产品的产品质量降低，和/或可能导致在该应用处执行的过程的过程效率降低。

通过预先措施，诸如定期维修测量设备和/或重复验证、校准和/或调整测量设备，能够显著地降低与测量设备相关联的问题发生的概率。作为另一种手段，能够基于诊断参数而监测测量设备或其个别部件的状况，和/或能够采用能够执行自诊断的测量设备。作为示例，能够安装由恩德雷斯+豪泽集团提供的包括心跳功能的测量设备，从而使得测量设备能够监测其性能和/或提供指示测量设备状况的状态指标。

此外，EP 2 226 630 B1公开了一种基于水分析装置的技术参数而确定该装置的状况指标的方法。技术参数由传感器测量，例如由测量设备外壳内部湿度的湿度传感器和测量贮存器中包含的试剂水平的传感器测量。对于每个技术参数，确定测量的参数值与对应的参考值之间的偏差。随后，基于相应技术参数的参数特定的偏差相关性函数，而为每个偏差确定偏差相关性值。最后，借助于指标函数，基于偏差相关性值而计算指示水分析装置状况的状况指标。该方法提供的优点在于，考虑了每个偏差相对于整个装置的整体状况的相关性。这种方法的缺点中的一个在于，除了执行水分析所需的分析测量设备之外，该设备还必须配备用于测量技术参数的装置，并且与指示该装置的技术状况的技术参数无关的分析测量设备的损害以及由该装置确定的水分析测量结果的损害可能会被忽略。

即使所有的测量设备都正常工作，在特定的应用处也可能出现问题，例如由于应用中执行的过程的错误性能和/或工厂或设施的错误操作。作为示例，饮用水中正确测量的高浓度游离氯可能是已经添加了过量氯的指标。

在该背景下，DE 10 2008 042 969 A1描述了一种在交替的生产过程中检测过程状态的方法，所述生产过程利用测量代表过程状态的传感器值的传感器来执行，其中传感器值和/或过程变量被同时评估，并且过程状态和/或传感器状态的诊断是基于对于在个别过程状态期间测量的传感器值预先确定的阈值范围而执行的。该方法提供的优点在于，当前过程状态可基于同时评估而进行确定，并且将基于测量值与针对个别过程状态预定义的阈值范围的偏差而检测由有缺陷的传感器和/或在应用处执行的过程的错误性能引起的问题。然而，这种方法的使用限于出现足够不同的预定义过程状态的应用。因此，它不适用于被测变量以未知和/或连续的方式变化以至于不能识别足够不同的过程状态的应用。

发明内容

本发明的目标是提供一种确定由测量系统测量的被测变量的测量值的特定于应用的似然性的方法，该方法能够应用于更广泛的应用中并且提供真实地说明由于与测量设备相关联的问题以及由于与应用相关联的问题而可能发生的潜在损害的似然性结果。

该目标通过一种确定由特定应用中安装的测量系统测量的至少一个被测变量的测量值的特定于应用的似然性的方法来达成；其中，测量系统包括至少一个测量设备，并且每个测量设备测量至少一个被测变量中的至少一个，该方法包括以下步骤：

针对每个被测变量，识别指示测量相应被测变量的测量设备的状况的诊断信息中的至少一项，

指定在应用处测量或确定的至少一个变量的数量，使得指定的变量由至少一个被测变量中的每个被测变量给出或包括至少一个被测变量中的每个被测变量；

针对每个被测变量，确定用于确定似然性值的似然性标准，包括：

至少一个诊断标准，用于基于指示测量相应被测变量的测量设备的状况的诊断信息的各项中的至少一个的至少一个项值而确定指示相应被测变量的测量值的似然性的似然性值，以及

至少一个阈值标准，用于基于相应被测变量的测量值相对于适用于相应被测变量的测量值的至少一个特定于应用的阈值范围的大小而确定指示该相应被测变量的测量值的似然性的似然性值，

记录数据，所述数据包括诊断信息的每个项的至少一个项值和每个指定变量的变量值的时间序列以及它们的确定或测量时间；以及

基于所记录的数据至少一次或重复地执行以下步骤：

针对每个被测变量：基于针对相应被测变量已经确定的似然性标准而确定似然性值；鉴于在当前时间间隔之前已经测量的并且由相应被测变量的测量值给出或包括相应被测变量的测量值的至少一个或所有指定变量的测量值，确定指示在有限当前时间间隔期间测量的相应被测变量的一个或多个当前测量值的可靠性的至少一个似然性度量；并且基于针对相应被测变量已经确定的似然性度量和似然性值而确定相应被测变量的当前测量值的总似然性；以及

提供似然性结果，该结果包括以下中的至少一个：总似然性和基于总似然性而确定的总似然性指数。

该方法提供的优点在于，鉴于测量被测变量的测量设备的状况以及鉴于由似然性值和(多个)似然性度量所说明的特定于应用的要求，每个总似然性指示相应被测变量的测量值的似然性。其他优点在于，该方法能够仅基于在特定应用中可用的数据而执行，并且也能够在不能获得足够不同的过程状态的应用中执行。

在某些实施例中，针对至少一个或每个被测变量，似然性度量包括以下中的至少一个：第一似然性度量，其对应于相应被测变量的当前测量值或当前测量值的分布与在当前时间间隔之前测量的相应被测变量的测量值所呈现的分布或多种分布中的一种分布的符合程度；以及第二似然性度量，其对应于相应被测变量的当前测量值与通过对在当前时间间隔之前确定的至少两个分析变量的变量值的多变量分析确定的分析结果的符合程度；其中，分析变量由相应的被测变量和包括在所选定变量中的至少一个变量或每个其他变量给出。

在某些实施例中，按照以下方法确定至少一个或每个总似然性：根据、作为或基于针对相应被测变量而确定的似然性度量和似然性值的总和、加权总和、乘积或加权乘积，或者根据、作为或基于由针对相应被测变量而确定的似然性值中最小的一个给出的最小似然性和针对相应被测变量而确定的似然性度量的总和、加权总和、乘积或加权乘积，或者通过以下方式确定：将似然性值细分成包括基于诊断标准而确定的似然性值的操作似然性值和包括基于阈值标准而确定的似然性值的特定于应用的似然性值；以及根据或作为或基于针对相应被测变量而确定的似然性度量和特定于应用的似然性值中的每一个以及由针对相应被测变量而确定的操作似然性值中的最小一个给出的最小似然性的总和、加权总和、乘积或加权乘积，来确定相应被测变量的总似然性。

在另一实施例中，该方法包括以下步骤中的至少一个：a)在呈仪表板形式的显示器上显示似然性结果，该仪表板包括可视化总似然性指数的图标和/或给定数量的图标，每个图标可视化总似然性值中的一个；其中，对应于可视化的总似然性指数或可视化的总似然性值的大小的每个图标的图标区域的一部分被填充，并且该图标或其被填充的一部分以根据该大小选择的颜色显示；b)以电子邮件或消息的形式提供似然性结果，该电子邮件或消息被分派给预定的接收者和/或预定的设备、计算机、移动设备、手机、平板电脑和维修工具中的至少一个；以及c)将似然性结果提供给上级单元，该上级单元被配置成调节和/或控制在应用处执行的过程，并且被配置成当似然性结果满足针对相应动作指定的条件时，执行停止或修改在应用处执行的过程的至少一个过程步骤的动作和/或至少一个其他预定动作。

在另一实施例中，指定变量包括以下中的至少一个：由测量系统的测量设备中的一个测量的至少一个过程参数；由在特定应用处安装的测量仪器测量的至少一个过程参数；以及由测量设备中的一个确定的或针对测量设备中的一个确定的至少一个诊断参数。

在另一实施例中，针对测量设备中的至少一个，指示相应测量设备的状况的诊断信息中的至少一项包括以下中的至少一个：测量设备的寿命、测量设备的工作时间、维修测量设备时的维修时间、验证测量设备的测量准确度时的验证时间、通过测量设备的测量准确度的验证获得的验证结果、校准测量设备时的校准时间、通过测量设备的校准获得的校准结果、由测量设备确定的至少一个诊断参数、基于由测量设备执行的自诊断而确定的状态指标、以及对应于测量设备暴露于不利测量条件的暴露指数。

在另一实施例中，该方法是方法，其中：

a)针对至少一个被测变量，针对相应被测变量而确定的似然性标准包括以下中的至少一个：用于基于相应被测变量的当前测量值是否出现在该被测变量不会超过的特定于应用的阈值范围内而确定似然性值的阈值标准；用于基于该被测变量的测量值在特定于应用的阈值范围内的特定于应用的出现概率而确定指示相应被测变量的至少一个当前测量值的似然性的似然性值的阈值标准；以及用于基于至少一个或两个其他变量的至少一个当前变量值而确定指示相应被测变量的至少一个当前测量值的似然性的似然性值的标准，其中，每个其他变量由其他被测变量中的一个或由包括在指定变量中的参数给出，和/或其中：

b)针对被测变量中的至少一个，似然性度量包括以下中的至少一个：基于检测包括在相应被测变量的测量值中的异常值的方法而确定的似然性度量；基于在相应被测变量的至少一个当前测量值的测量时间之前测量的相应被测变量的测量值而确定的似然性度量；基于在特定应用处相应被测变量的至少一个当前测量值的大小的测量值的出现概率和它们根据经验分布的出现概率的组合而确定的似然性度量，该经验分布基于在当前测量值的测量时间之前的有限时间间隔期间测量的相应被测变量的测量值而确定；以及基于相应被测变量的至少一个当前测量值与基于在当前测量值的测量时间之前测量的相应被测变量的测量值而预测的对应预测值之间的偏差而确定的似然性度量，其中，该预测值基于拟合到先前确定的测量值的时间序列的自回归积分移动平均模型而确定，或者基于已经通过基于数据的机器学习方法来确定的相应被测变量的测量值的模型而确定，或者通过另一种时间序列预测方法来确定。

在某些实施例中，针对每个似然性标准，基于与相应似然性标准相关联的查找表或似然性函数而确定相对应的似然性值，该相应似然性标准基于或根据至少一个属性将似然性值指派给相应被测变量的当前测量值，该至少一个属性由诊断信息的项的项值中的至少一个和/或数据中包括的指定变量中的至少一个的变量值中的至少一个给出或可基于其而确定。

在另一实施例中，针对被测变量中的至少一个，所确定的似然性度量包括由以下步骤确定的似然性度量：根据在前一时间间隔期间测量的相应被测变量的测量值沿着线的大小对所述测量值进行排序；将该线细分为四个四分位，每个四分位包括测量值的四分之一；以及基于似然性函数而确定似然性度量，该似然性函数根据所述相应被测变量的当前测量值在其中出现的四分位，将所述相应被测变量的当前测量值的似然性度量指派给出现在该线的预定第一范围内的位置处的所有当前测量值，和/或根据当前测量值的大小的测量值的出现概率，将所述相应被测变量的当前测量值的似然性度量指派给出现在该线的预定第二范围内的位置处的所有当前测量值；其中包括在第二范围中的大小的测量值的出现概率是基于包括在数据中的训练数据或者基于在前一时间间隔期间测量的测量值而确定的。

在某些实施例中，该方法是一种方法，其中：针对被测变量中的至少一个，所确定的似然性度量包括基于似然性函数而确定的似然性度量，该似然性函数根据或作为或基于以第一似然性函数为基础而确定的第一似然性和以第二似然性函数为基础而确定的第二似然性的总和、加权总和、乘积或加权乘积将似然性度量指派给相应被测变量的至少一个当前测量值；其中：第一似然性函数根据在特定应用处当前测量值的大小的测量值的出现概率，将第一似然性指派给当前测量值；其中，所述第一似然性函数基于在特定应用处给定大小的测量值出现的可能性的估计而确定，或者基于不同大小的测量值的出现频率而确定，所述不同大小的测量值是基于在训练时间间隔期间已经测量的测量值而确定的，所述训练时间间隔覆盖足够长的持续时间的时间跨度以覆盖所有操作模式和/或在特定应用处执行的过程中的每个过程；其中，所述第二似然性函数基于至少一个当前测量值根据经验分布的出现概率而将所述第二似然性指派给所述至少一个当前测量值，所述经验分布是基于在所述当前测量值的测量时间之前的有限时间间隔期间测量的测量值而确定的；并且第二似然性函数被确定为或基于不同大小的测量值的出现频率或者基于核密度估计被确定为概率函数，所述不同大小的测量值是基于在有限时间间隔期间已经测量的测量值而确定的，所述概率函数表示相应被测变量的测量值根据其大小的出现概率。

在某些实施例中，针对被测变量中的至少一个，该方法还包括以下步骤：识别相应被测变量的测量值的似然性的至少一个淘汰标准；以及执行相应被测变量的测量值的总似然性的确定，使得当相应淘汰标准被满足时，总似然性被设置为零或者被降低到考虑了满足相应淘汰标准对相应被测变量的测量值的似然性的影响的程度；其中，针对相应被测变量识别的淘汰标准包括以下中的至少一个：与针对测量该被测变量的测量设备所识别的诊断信息的各项中的一项相关的淘汰标准；要求针对测量该被测变量的测量设备确定的状态指标以指示该测量设备有缺陷的淘汰标准；要求针对该被测变量的测量值和/或包括在指定变量中的至少一个其他变量的变量值超过最大可容许范围或超过给定阈值或下降到低于给定阈值的淘汰标准；以及与包括在指定变量中的至少一个参数相关的淘汰标准，该至少一个参数由测量设备中的一个或由在特定应用处安装的测量仪器测量或确定。

在某些实施例中，该方法是一种方法，其中测量系统是分析系统，其中测量设备测量流过流动室的介质的被测变量，其中指定变量包括流过流动室的介质的流量，并且其中：似然性标准包括用于基于所测量的流量而确定被测变量中的一个的测量值的似然性值的至少一个标准，和/或当通过流动池的流量下降到测量相应被测变量所需的绝对最小流率以下时，将至少一个被测变量中的至少一个或每个的测量值的总似然性设置为零。

在某些实施例中，该方法还包括以下方法步骤：通过基于由评估和分类先前确定的总似然性的专家操作者获得的经标记的训练数据执行机器学习的方法而执行优化该方法的迭代过程，该机器学习的方法被配置成优化总似然性的确定和/或优化以下中的至少一个：特定于应用的阈值、特定于应用的阈值范围、被采用来确定似然性值和被采用来确定总似然性的似然性度量的查找表和函数。

在某些实施例中，该方法是计算机实现的方法，其中：每个似然性结果由计算装置确定和提供，该计算装置被配置成基于所记录的数据并且基于在计算装置上实现的计算机程序而确定和提供似然性结果，并且使计算装置执行该确定；并且计算装置包括在测量系统中，包括在连接到测量设备的发射器中或连接到发射器，包括在位于测量系统附近并且连接到测量设备或与测量设备通信的设备、边缘设备或上级单元中，或者体现在云中。

该目标还通过包括指令的计算机程序以及包括该计算机程序和至少一个计算机可读介质的计算机程序产品来达成，当计算机执行该程序时，该指令使计算机基于提供给计算机的数据而实施本文描述的方法，其中至少该计算机程序存储在计算机可读介质上。

附图说明

以下基于附图中示出的示例更详细地解释本发明和更多的优点，其中：

图1示出了在特定应用中安装在容器上的测量系统，

图2示出了在特定应用中安装在管道上的分析测量系统，

图3示出了安装在测量部位处的分析测量系统，

图4示出了本文公开的方法的方法步骤，

图5示出了离散似然性函数，

图6示出了连续的似然性函数，

图7示出了被测变量的测量值的时间序列，

图8示出了由根据测量值的大小和似然性函数进行分类的测量值跨越的线，以及

图9示出了第一似然性函数和第二似然性函数。

具体实施方式

本发明涉及一种确定由特定应用中安装的测量系统测量的至少一个被测变量m_i的测量值mv_i的特定于应用的似然性的方法。

该方法能够应用于本领域中已知的任何测量系统，该测量系统在特定应用中安装并且被配置成测量至少一个被测变量m_i。就此而言，测量系统包括至少一个测量设备Mi，并且每个测量设备Mi测量至少一个被测变量m_i。相对于本领域中已知的并且被配置成测量特定应用中感兴趣的至少一个被测变量m_i的测量设备Mi，能够采用例如与在测量部位处执行的过程和/或在测量部位处产生、处理和/或监测的介质的属性相关的过程参数。被测变量m_i的示例包括液位、压力、温度、密度、电导率、流量、pH值、浊度、介质的光谱吸收、介质中包括的分析物的浓度和/或至少一个其他被测变量m_i。作为示例，可以测量氧含量、铵含量和/或磷含量。不管由测量设备Mi测量的被测变量m_i如何，每个测量设备Mi或者被体现为简单的设备，例如体现为仅测量单个被测变量m_i的传感器或探针，或者被体现为测量至少两个被测变量m_i和/或至少一个被测变量m_i和至少一个参数(例如诊断参数和/或过程参数)的较复杂的设备。应用的示例包括工业应用，例如生产厂、化工厂、水净化厂以及实验室应用。更多的示例包括在自然环境中执行测量的测量系统，以及在医学诊断中应用的测量系统，例如执行原位、体外或体内测量的系统。不管应用如何，由测量系统提供的测量值mv_i例如用于监测、调节和/或控制在应用处执行的过程，例如在工厂或设施上或由工厂或设施执行的过程，以用于监测、调节和/或控制介质(例如，由在应用处处理和/或生产的半成品、中间产品或最终产品给出的介质)的至少一个属性或质量，和/或用于监测、调节和/或控制在应用处执行的过程的效率。

图1示出了在特定应用中安装在容器1上的测量系统100的示例，该应用例如基于由测量系统100提供的测量值mv_i而监测、调节和/或控制过程(例如，在容器1中执行的生产过程)的应用。示出的示例性测量设备Mi包括测量包含在容器1中的介质3的液位L的液位测量设备M1、测量介质3的电导率ρ的电导率传感器M2和两个流量计M3、M4，每个流量计测量流入容器1的添加剂的流量F1、F2。

图2示出了另一示例，其中测量系统200是分析系统，例如液体分析系统，包括测量介质5的被测变量m_i的测量设备Mi。为了给出特定应用的示例，图2中示出的测量系统例如被采用作为安装在沿着水管或输送水的旁路的测量部位处的水质测量系统，所述水例如是供应给游泳池的淡水或从游泳池抽取的水。在示出的示例中，测量设备Mi包括测量介质5的pH值pH的pH传感器M5和测量介质5中包含的游离氯Cl2的浓度的氯传感器M6。

图3示出了另一示例，其中测量系统300例如被体现为水质测量系统，用于在特定应用中监测饮用水的质量，例如在安装了测量系统300的饮用水供应网络中的测量部位处进行监测。在这种情况下，测量设备Mi例如包括测量浊度TB的浊度传感器M7、测量pH值pH的pH传感器M8、测量氧化还原电位ORP的氧化还原电位传感器M9、测量电导率ρ的电导率传感器M10、测量光谱吸收SAK的光谱吸收传感器M11、和/或测量介质5的温度T的温度传感器M12。

能够应用本领域已知的安装测量系统100、200、300和/或个别测量设备Mi的各种方式。在图1中，每个测量设备M1、M2、M3、M4分别安装在不同的位置处，例如在连接到容器1的入口的入口管道7、9上，在容器1的上方或在容器1的容器壁上。在图2中，测量设备M5、M6被体现为浸没式探针，所述探针安装在流动室11上，使得它们被浸没在流过流动室11的介质5中，该介质经由入口管13被供应到流动室11并且经由出口管15离开流动室11。在图3中，每个测量设备M7、M8、M9、M10、M11、M12被单独地安装在沿着器皿17的不同位置处，该器皿例如是包含介质5的明渠、管道或容器。

如图4中所示，确定测量值mv_i的特定于应用的似然性的方法包括方法步骤a)：针对每个被测变量m_i，识别指示测量相应被测变量m_i的测量设备Mi的状况的诊断信息Iij中的至少一项。

针对相应的测量设备Mi可用的、测量的或确定的诊断信息Iij的各项例如包括：测量设备Mi的寿命、测量设备Mi的工作时间、维修测量设备Mi时的维修时间、验证测量设备Mi的测量准确度时的验证时间(例如基于参考测量值)、通过测量设备Mi的测量准确度的验证获得的验证结果、校准测量设备Mi时的校准时间和/或通过测量设备Mi的校准获得的校准结果。

相对于被配置成确定指示相应测量设备Mi的状况的至少一个诊断参数的测量设备Mi，诊断信息Iij的各项例如包括由测量设备Mi确定和提供的诊断参数。作为示例，pH传感器M5、M8中的至少一个可以被配置成确定并且提供由它的离子选择性玻璃膜的电阻抗给出的诊断参数，该电阻抗指示膜的状况。

相对于被配置成执行自诊断的测量设备Mi，诊断信息Iij的各项例如包括表示测量设备Mi的状况的状态指标，该状态指标由测量设备Mi基于测量设备Mi执行的自诊断而进行确定和提供。

作为另一示例，诊断信息Iij的各项可以包括对应于测量设备Mi暴露于不利测量条件的暴露指数。暴露指数是例如基于暴露时间和/或基于被测变量m_i超出测量设备Mi的测量范围的暴露时间而确定的，在所述暴露时间期间，测量设备Mi暴露于不利条件，例如暴露于超出针对测量设备Mi指定的温度范围的温度和/或暴露于超出针对测量设备Mi指定的压力范围的压力。

该方法还包括方法步骤b)：指定在应用处测量或针对应用确定的至少一个变量v_n的数量，使得指定变量v_n由测量系统100、200、300测量的被测变量m_i中的每个给出或包括每个被测变量m_i。在第一种情况下，指定变量v_n的数量等于被测变量m_i的数量。在后一种情况下，指定变量v_n包括每个被测变量m_i和在应用处测量或针对应用确定的至少一个参数。取决于应用，包括在指定变量v_n中的参数例如包括由测量系统100、200、300的测量设备Mi中的一个测量的至少一个过程参数和/或由在特定应用处安装的除了测量系统100、200、300之外的另一测量仪器Sm测量的至少一个过程参数。过程参数的示例在图2中示出，其中，pH传感器M5和氯传感器M6各自被配置成测量过程参数，例如由包括在pH传感器M5中的温度传感器45测量的温度Tph和由包括在氯传感器M6中的温度传感器45测量的温度Tcl2。

作为替代选项，由(多个)测量设备Mi测量的过程参数中的至少一个或每个例如包括在指定变量v_n中，作为由测量系统100、200、300测量的被测变量m_i中的一个。

在许多应用中，除了测量系统100、200、300之外，还安装了用于测量过程参数，例如介质5的属性和/或与在应用处执行的过程相关的过程参数，的至少一个测量仪器Sm。图2中示出了示例性的测量仪器Sm，其包括测量流经流动室11的介质5的流量F的流量计S1、测量供应管13内的压力p的压力传感器S2和测量环境温度Ta的温度传感器S3。

在图2中示出的示例中，指定变量v_n包括由介质5的pH值pH和氯含量Cl给出的被测变量m_i，并且可以包括可用的参数中的至少一个或所有，例如温度Tph、温度Tcl2、流量F、供应管13内部的压力p和/或环境温度Ta。

另外，或者作为由测量设备Mi和/或测量仪器Sm测量的过程参数的替代，包括在指定变量v_n中的参数可以包括由测量设备Mi中的一个测量或针对其确定的至少一个诊断参数。

该方法还包括方法步骤c)：针对每个被测变量m_i来确定似然性标准Cik，该似然性标准Cik用于确定指示相应被测变量m_i的测量值mv_i的似然性的对应似然性值PCik。

针对每个被测变量m_i，似然性标准Cik包括至少一个诊断标准C(Iij)，其用于基于指示测量相应被测变量m_i的测量设备Mi的状况的诊断信息Iij的各项中的至少一个的至少一个项值而确定指示相应被测变量m_i的测量值mv_i的似然性的似然性值P(Iij)。

针对每个被测变量m_i，似然性标准Cik还包括至少一个阈值标准Cj(m_i)，其用于基于相应被测变量mv_i的测量值mv_i相对于适用于相应被测变量mv_i的测量值mv_i的至少一个特定于应用的阈值范围的大小而确定指示相应被测变量m_i的测量值mv_i的似然性的似然性值Pj(m_i)。作为示例，阈值标准Cj(m_i)例如包括至少一个标准C1(m_i)，用于基于在特定应用中不应被超过的相应被测变量m_i的特定于应用的阈值范围而确定似然性值P1(m_i)，该似然性值P1(m_i)指示被测变量m_i中的一个的至少一个当前测量值mv_i(tr)的似然性。作为示例，饮用水的pH值可能总是被要求大于或等于6且小于或等于8。另外，或者作为替代，阈值标准Cj(m_i)例如包括标准C2(m_i)，用于基于在特定于应用的阈值范围内相应被测变量m_i的测量值mv_i的特定于应用的出现概率而确定似然性值P2(m_i)，该似然性值P2(m_i)指示被测变量m_i中的一个的至少一个当前测量值mv_i(tr)的似然性。作为示例，在特定的应用中，介质5的测量的pH值pH在6至8的中心范围内出现的概率可能显著高于它们在4至6和8至10的侧范围内出现的概率，并且测量的pH值pH的低于4且高于10的特定于应用的出现概率可以忽略或为零。

该方法还包括：记录数据D的方法步骤d)，该数据D包括诊断信息Iij的每个项的至少一个项值和每个指定变量v_n的变量值mv_n的时间序列以及它们的确定或测量时间t；以及基于所记录的数据D而至少一次或重复地执行方法步骤e)的方法步骤，该方法步骤e)包括针对每个被测变量m_i确定相应被测变量m_i的当前测量值mv_i(tr)的总似然性Ptot(m_i)的方法步骤f)，以及提供对应的似然性结果PR的方法步骤g)。

本文公开的方法优选地作为计算机实现的方法来执行。在这种情况下，该方法的方法步骤，特别是似然性结果PR的每个确定，由计算装置19借助于计算机程序SW来执行。因此，本发明也以计算机程序SW的形式实现，该计算机程序SW包括指令，当该程序由计算机执行时，使计算机实施本文公开的方法。另外，本发明还包括计算机程序产品，该计算机程序产品包括上述计算机程序SW和至少一个计算机可读介质，其中至少计算机程序SW存储在计算机可读介质上。

当该方法作为计算机实现的方法执行时，数据D例如被传递到并且至少临时存储在与计算装置19相关联的存储器21中。计算装置19例如体现为包括硬件(例如计算机或计算系统)的单元，包括在测量系统300中或位于测量系统200附近，例如在边缘设备或上级单元中。作为替代选项，能够应用云计算。云计算命名了一种方法，其中经由网络(例如，经由互联网)来提供IT基础设施，如硬件、计算能力、存储器、网络容量和/或软件。在这种情况下，计算装置19在云中体现。在任一种情况下，测量值mv_i被直接或间接地提供给计算装置19或与计算装置19相关联的存储器21。就此而言，能够应用本领域已知的硬连线或无线连接和/或通信协议，例如LAN、W-LAN、Fieldbus、Profibus、Hart、蓝牙、近场通信、TCP/IP等。作为选项，可以采用符合本领域中称为表述性状态转移(REST)的架构风格的应用编程接口(REST-API)。

当计算装置19被体现在云中时，例如如图1中所示，包括算法的软件、所记录的数据D和管理(administration)例如被托管在基于web的数据库中。这提供的优点在于，测量系统100、上级单元23和/或可以连接到测量设备Mi和/或与测量设备Mi通信的边缘设备25都不需要访问记录的数据D。在图1中，每个测量设备Mi例如如由箭头A所示直接地连接到计算装置19和/或与所述计算装置19通信，如由箭头B1和B2所示经由上级单元23(例如，可编程逻辑控制器)，和/或如由箭头C1、C2所示经由位于测量设备Mi附近的边缘设备25。作为示例，测量设备Mi、边缘设备25和/或上级单元23中的至少一个或每个可以经由互联网，例如经由通信网络(例如TCP/IP)，直接或间接地连接到计算装置19。

在图2中，计算装置19包括在位于测量系统200附近的设备27中。在此，设备27例如由边缘设备或上级单元或直接或间接地连接到每个测量设备Mi和/或与每个测量设备Mi通信的另一设备给出。在该实施例中，包括算法以及所记录的数据D的软件被托管在设备27中，并且管理(administration)以及总似然性Ptot(m_i)被托管在设备27中或者基于web的数据库中。该实施例提供的优点在于，它可以以相对较低的成本实现，因为它比基于云的实施方式需要更少的数据流量，并且最小化云中的数据使用。在测量系统200附近实现计算装置19特别适合于到基于web的数据库的连接性中断可能发生的应用。

不管计算装置19是在云中实体现还是在测量系统100、200附近体现，测量设备Mi例如被配置成提供测量值mv_i和它们的测量时间t，例如如图1中所示。作为图2中所示的替代，测量设备Mi例如连接到发射器29，该发射器29被配置成基于由个别测量设备Mi提供的测量信号而确定和提供测量值mvi以及其测量时间t。在这种情况下，发射器29例如如图2中所示直接或者经由上级单元和/或经由位于发射器29附近的边缘设备连接到计算装置19和/或与所述计算装置通信。

在图3中，计算装置19和存储器21包括在测量系统300的部件31中。在这种情况下，部件31可以例如连接到提供测量值mv_i和它们的测量时间t的测量设备Mi或与所述测量设备通信。作为替代，如图3中所示，部件31例如包括在或连接到发射器33，所述发射器33连接到测量设备Mi并且被配置成基于由个别测量设备Mi提供的测量信号而确定和提供测量值mv_i以及它们的测量时间t。当计算装置19在测量系统300中实现时，软件、数据D和管理(administration)在测量系统300中实现。这要求测量系统300配备有先进的数据分析功能和足够的计算能力。因此，在测量系统300中实现计算装置19特别适合于高度关键的应用或远程应用，其中没有到互联网的连接性可用。

不管计算装置19在何处实现，诊断信息Iij的各项的项值可以例如由一个或多个源提供给计算装置19和/或存储器21。作为示例，诊断信息Iij的各项中的至少一个的至少一个项值或项值的时间序列例如由测量设备Mi中的一个、发射器29、33、边缘设备25或直接或间接连接到计算装置19或与所述计算装置通信的上级单元23来确定和提供。另外，或者作为替代，诊断信息Iij的各项中的至少一个的至少一个项值或项值的时间序列例如经由接口35提供给计算装置19，该接口例如包括使得操作者能够提供如由箭头OP指示的项值的用户接口和/或连接到提供项值的外部数据源37(例如数据库)或与之通信的接口。

由测量设备Mi确定的参数给出的指定变量v_n的测量值mv_n例如以与由相应测量设备Mi测量的被测变量m_i的测量值mvi相同的方式提供给计算装置19。由测量仪器Sm测量的参数给出的指定变量v_n的测量值mv_n例如通过直接连接到计算装置19和/或与所述计算装置通信的相应测量仪器Sm、经由上级单元23和/或经由位于相应测量仪器Sm附近的边缘设备25提供给计算装置19。

如上面所提及的，似然性结果PR的每次确定包括针对每个被测变量m_i确定总似然性Ptot(m_i)的步骤f)。这些总似然性Ptot(m_i)中的每个都是通过基于已经针对相应的被测变量m_i确定的似然性标准Cik而确定似然性值Pcik，并且通过执行方法步骤f1)来确定的，方法步骤f1)鉴于在当前时间间隔之前已经测量的并且由相应被测变量m_i的测量值mv_i给出或包括该相应被测变量m_i的测量值mv_i的至少一个或所有指定变量v_n的测量值mv_n，确定指示在有限的当前时间间隔期间已经测量的相应被测变量m_i的一个或多个当前测量值mv_i(tr)的可靠性的至少一个似然性度量Rin。作为选项，每个似然性度量Rin例如被确定为一个值，优选地被确定为大于或等于0且小于或等于1的归一化值，或者被确定为大于或等于0％且小于或等于100％的对应百分比的形式。

针对每个被测变量m_i，似然性度量Rin优选地包括第一似然性度量Ri1和/或第二似然性度量Ri2。通过对相应被测变量m_i的测量值mvi执行分析并且通过确定第一似然性度量Ri1来确定每个第一似然性度量Ri1，该第一似然性度量Ri1对应于在有限的当前时间间隔期间已经测量的相应被测变量m_i的当前测量值mv_i(tr)或当前测量值mv_i(tr)的分布与在当前时间间隔之前已经测量的相应被测变量m_i的测量值mv_i所呈现的分布或分布中的一种分布的符合程度。作为示例，第一似然性度量Ri1例如由所确定的当前测量值mv_i(tr)的统计概率给出，以构成由在当前时间间隔之前已经测量的测量值mv_i所呈现的分布或分布中的一种分布的样本。

通过执行预定分析变量的多变量分析来确定每个第二似然性度量Ri2。这些分析变量或者由所有指定变量v_n给出，或者通过包括相应被测变量m_i的指定变量v_n的选择给出。基于多变量分析，第二似然性度量Ri2然后被确定为似然性度量Ri2，该似然性度量Ri2对应于在有限的当前时间间隔期间已经测量的相应被测变量m_i的(多个)当前测量值mv_i(tr)与由基于在当前时间间隔之前已经测量的分析变量的变量值的多变量分析所确定的分析结果的符合程度。

关于多变量分析，能够采用基于多变量统计原理的分析数据集的MVA已知的数学方法，诸如给定数量的分析变量的时间序列。这些方法支持确定数据集之间的相互关系，例如分析变量之间的结构关系、相关性和/或相互依赖性，和/或分析变量值所呈现的图案和/或分布之间的结构关系、相关性和/或相互依赖性。在本文公开的方法的情境下，例如采用多变量数据分析来确定经分析变量之间的特定于应用的相互关系，并且根据相应被测变量m_i的当前测量值mv_i(tr)与相互关系的符合程度来确定每个第二似然性度量Ri2，该相互关系是基于包括在数据D中的分析变量的变量值而确定的，并且是在当前测量值mv_i(tr)的测量时间tr之前确定的。

分析变量包括相应的被测变量m_i，并且优选地还包括由测量系统100、200、300测量的所有其他被测变量m_i≠i。在大多数应用中，参数中的至少一个，例如由图2中示出的pH传感器M5和/或氯传感器M6测量的环境温度Ta、压力p、流量F和/或温度Tcl、TpH，对被测变量m_i中的至少一个和/或相应被测变量m_i的测量值mv_i有影响。因此，通过附加地包括指定变量v_n中包括的参数中的至少一个的分析变量，进一步提高了多变量分析的能力，以区分在特定应用处执行的过程的正确执行期间利用正确操作的测量设备Mi确定的被测变量m_i的当前测量值mv_i(tr)和受到与测量设备Mi和应用中的至少一个相关联的问题影响的当前测量值mv_i(tr)。

总似然性Ptot(m_i)的确定还包括方法步骤f2)，该方法步骤f2)针对每个被测变量m_i，基于针对相应被测变量m_i已经确定的似然性度量Rin和似然性值PCik而确定相应被测变量m_i的当前测量值mv_i(tr)的总似然性Ptot(m_i)。

针对每个似然性标准Cik，相对应的似然性值PCik是例如基于与相应似然性标准Cik相关联的查找表或似然性函数f(Cik)而确定的，该相应似然性标准Cik基于或根据至少一个属性的函数而将似然性值PCik指派给相应被测变量m_i的当前测量值mv_i(tr)，该属性由诊断信息Iij的项的项值中的至少一个和/或数据D中包括的指定变量v_n中的至少一个的变量值mv_n给出或可基于其而确定。就像似然性度量Rin一样，似然性值PCik例如被确定为大于或等于0且小于或等于1的归一化似然性值，或者被确定为大于或等于0％且小于或等于100％的对应百分比的形式。

作为示例，针对至少一个或每个诊断标准C(Iij)，对应的似然性值PIij例如分别基于查找表或似然性函数f(Iij)而确定，该似然性函数f(Iij)根据由基于诊断信息Iij的相应项的项值给出或可确定的至少一个属性来表示测量值mv_i的似然性。作为示例，关于测量设备Mi中的一个的寿命，可以采用包括不同寿命组的预定个别似然性值的查找表，例如当测量设备Mi是新的时可应用的高值，当测量设备Mi处于中间寿命时可应用的中间值，以及当测量设备Mi达到其使用期限终点时可应用的低值。另外，或者作为替代，可以采用由可靠性函数给出的似然性函数，该可靠性函数表示由相应测量设备Mi的类型的测量设备根据它们的寿命确定的测量值的可靠性。在这种情况下，似然性值由可靠性函数针对相应测量设备Mi的寿命的测量设备提供的可靠性值给出。关于由校准时间给出的诊断信息Iij的各项，相对应的似然性值例如是基于自从测量设备Mi上一次被校准以来经过的时间的连续似然性函数而确定的。该似然性函数例如被定义为使得由该函数提供的似然性值随着自从测量设备Mi的上一次校准以来经过的时间的增加而减小。

关于基于相应被测变量m_i在特定应用中不应超过的特定于应用的阈值范围而定义的阈值标准C1(m_i)，相对应的似然性值P1(m_i)例如是基于查找表而确定的，当相应的被测变量m_i的当前测量值mv_i(tr)超过特定于应用的阈值范围时，该查找表提供0％的似然性值，并且当当前测量值mv_i(tr)出现在该阈值范围内时，该查找表提供100％的似然性值。

关于基于相应被测变量m_i的测量值mv_i在不同阈值范围内出现的特定于应用的概率而定义的阈值标准C2(m_i)，相对应的似然性值P2(m_i)是例如基于查找表或似然性函数而确定的。图5示出了查找表的示例，该查找表根据在左栏中列出的阈值范围中的一个将似然性值f1(pH)指派给测量的pH值pH，似然性值f1(pH)出现在该阈值范围中，并且图6示出了似然性函数f2的示例，该似然性函数f2表示根据测量的pH值pH的大小的似然性值f2(pH)。

针对每个被测变量m_i，总似然性Ptot(m_i)是基于针对相应被测变量m_i已经确定的似然性度量Rin和似然性值PCik而确定的。根据第一实施例，每个总似然性Ptot(m_i)是基于针对相应被测变量m_i而确定的所有似然性度量Rin和所有似然性值PCik而确定的。作为示例，总可能性Ptot(m_i)中的至少一个或每个是根据或作为或基于似然性度量Ril和似然性值PCik的总和或加权总和而确定的；例如作为：

或者是作为或基于似然性度量Rin和似然性值PCik的乘积或加权乘积而确定的，例如作为

在采用了加权总和或加权乘积的情况下，似然性度量Rin和似然性值PCik中的每个都乘以加权因子w_i,k；w_i,n，从而说明相应值对于相应被测变量m_i的测量值mv_i的总似然性Ptot(m_i)的影响。采用正确的加权因子w_i,n、w_i,k提供了总似然性Ptot(m_i)的非常高的准确度的优点。就此而言，每个似然性度量Rin的加权因子w_i,n例如被确定为对应于相应的似然性度量Rin的准确度。这些准确度例如是通过执行一种数学方法而确定的，该数学方法基于用于确定相应似然性度量Rin的方法和用于确定相应似然性度量Rin的数据D的统计属性而确定相应似然性度量Rin的可靠性。尽管似然性度量Rin的加权因子w_i,n的确定可以完全由数据驱动来执行，但是似然性值PCik的加权因子w_i,k的确定通常需要关于测量设备Mi和应用的专业知识。因此，确定似然性值PCik的加权因子w_i,k可能是一个冗长耗时的过程，并且这些加权因子w_i,k的准确度仅与可用的专家知识一样好。作为替代，相同的加权因子w_i,k能够用于每个似然性值PCik中。在这种情况下，不再考虑个别似然性值PCik相对于相应被测变量m_i的测量值mv_i的总似然性Ptot(m_i)的相关性的差异。

根据第二实施例，至少一个或每个总似然性Ptot(m_i)是基于针对相应被测变量m_i确定的每个似然性度量Rin和由针对相应被测变量m_i确定的似然性值PCik中的最小的一个给出的最小似然性Pmin1而确定的。在这种情况下，相应的总似然性Ptot(m_i):＝Ptot(PCik；Rin):＝Ptot(Pmin1；Rin)例如被确定根据最小似然性Pmin1和针对相应被测变量m_i确定的每个似然性度量Rin。这构成了更保守的方法，该方法通过消除以下风险来增加安全性，即似然性值PCik中的一个的潜在临界值不会导致相对应较低的总似然性Ptot(m_i)，因为其影响被错误地低估了。就像在第一实施例中一样，相应的总似然性Ptot(m_i)例如是根据或作为或基于最小似然性Pmin1和似然性度量Rin的总和、加权总和、乘积或加权乘积确定的。作为替代，可以应用甚至更保守的方法，例如通过将相应的总似然性Ptot(m_i)确定为或基于最小似然性Pmin1和项Rtot1的乘积，例如通过Ptot(m_i):＝Pmin1*Rtot1，其中项Rtot1是根据或作为或基于针对相应被测变量m_i已经确定的所有似然性度量Rin的总和、加权总和、乘积或加权乘积确定的。

根据第三实施例，似然性值PCik可以被细分成包括基于诊断标准C(Iij)而确定的似然性值P(Iij)的操作似然性值以及包括基于阈值标准Cj(m_i)而确定的似然性值Pj(m_i)的特定于应用的似然性值。在这种情况下，针对被测变量m_i中的一个确定的至少一个或每个总似然性Ptot(m_i)是例如基于根据或作为或基于针对相应被测变量m_i确定的每一个似然性度量Rin、针对相应被测变量m_i确定的每一个特定于应用的似然性值与由针对相应被测变量m_i确定的操作似然性值中的最小一个给出的最小似然性Pmin2的总和、加权总和、乘积或加权乘积而确定的。作为示例，相应的总似然性Ptot(m_i)例如被确定为或基于最小似然性Pmin2和项Rtot2的乘积，例如通过Ptot(m_i):＝Pmin2*Rtot2，其中项Rtot2是根据或作为或基于针对相应被测变量m_i已经确定的所有特定于应用的似然性值和所有似然性度量Rin的总和、加权总和、乘积或加权乘积而确定的。

在方法步骤g)中确定针对每个被测变量m_i的测量值mv_i的总似然性Ptot(m_i)之后，提供相对应的似然性结果PR，其包括总似然性Ptot(m_i)和/或基于所有被测变量m_i的测量值mv_i的总似然性Ptot(m_i)而确定的总似然性指数TPI。

在某些实施例中，提供似然性结果PR是通过在显示器39上显示似然性结果PR来执行的，该显示器对于特定应用的操作者是可访问的。一种方法是利用如仪表板的可视化工具以直观可读的图形形式提供信息。作为示例，能够应用指示总似然性Ptot(m_i)的大小和/或总似然性指数TPI的图形、图表或几何形式。作为附加的选项，显示的信息可以是彩色编码的。就此而言，可以采用直观可理解的配色方案，诸如使用红色来使低似然性可视化，并且使用绿色来使高似然性可视化。这提供的优点在于，它支持快速辨识和直观理解所有显示的信息。图2中示出了示例，其中针对图2中示出的测量系统200确定的似然性结果PR呈仪表板的形式显示在显示器39上，该仪表板示出了显示总似然性指数TPI的图标41和若干图标43，每个图标43显示针对每个被测变量m_i而确定的总似然性Ptot(m_i)。每个图标41、43具有给定的形状，例如圆形或环形。此外，每个图标41、43的图标区域的一部分被填充，该部分对应于由相应图标41、43可视化的总似然性指数TPI或总似然性Ptot(m_i)的大小，并且每个图标41、43或其填充部分优选地以根据由相应图标41、43显示的总似然性指数TPI或总似然性Ptot(m_i)的大小选择的颜色进行显示。作为示例，当总似然性指数TPI为100％时，显示总似然性指数TPI的整个环形图标41可以例如被填充，并且图标41或其填充部分可以被涂上绿色，而当总似然性指数TPI仅为50％时，环的仅一半可以被填充并且图标41或其填充部分可以被显示为红色。

另外，或者作为替代，例如呈电子邮件或消息的形式提供似然性结果PR，该电子邮件或消息由计算装置19自动生成并且被分派给预定的接收者和/或预定的设备，例如计算机或移动设备，例如蜂窝电话、平板电脑或维修工具。

另外，或者作为替代，似然性结果PR例如被提供给上级单元，例如图1所示的上级单元23，该上级单元23被配置成以说明似然性结果PR的方式来调节和/或控制在应用处执行的过程。作为示例，上级单元23可以被配置成当似然性结果PR满足针对相应动作指定的条件时，执行至少一个预定义动作。预定义动作可以包括改变或停止在应用处执行的过程的至少一个过程步骤。作为示例，当针对条件中指定的被测变量m_i或每个被测变量m_i确定的总似然性指数TPI和/或总似然性Ptot(m_i)下降到相对应的预定阈值以下时，上级单元23可以停止整个过程。此外，当针对条件中指定的被测变量m_i或每个被测变量m_i确定的总似然性指数TPI和/或总似然性Ptot(m_i)下降到相对应的预定阈值以下时，可以修改至少一个过程步骤的执行。

本发明提供了上面提及的优点。在不脱离本发明的范围的情况下，能够以不同的方式实现该方法的个别步骤。下面更详细地描述几个可选实施例。

在某些实施例中，似然性标准Cik包括至少一个似然性标准C3(m_i)，其用于根据至少一个其他变量v_j而确定指示相应被测变量m_i的测量值mv_i的似然性的相对应似然性值P3(m_i)，其中，每个其他变量v_j由其他被测变量m_j≠i中的一个或包括在指定变量v_n中的参数中的一个给出。在这种情况下，如上所述，基于在相应标准C3(m_i)中指定的每个其他变量v_j的至少一个当前测量值mv_j(tr)而确定相对应的似然性值P3(m_i)，并且随后以与前述似然性值PCik相同的方式采用相对应的似然性值P3(m_i)来确定针对相应被测变量m_i的总似然性Ptot(m_i)。当根据第三实施例来确定总似然性Ptot(m_i)时，操作似然性值附加地包括每个似然性值P3(m_i)，该似然性值P3(m_i)指示根据针对相应被测变量m_i已经确定的至少一个其他变量v_j的相应被测变量m_i的测量值mv_i的似然性。

作为示例，与由pH传感器M5测量的温度TpH相关的阈值标准例如是基于针对该pH传感器M5指定的温度范围而为图2中示出的pH传感器M5测量的pH值pH而确定的。在这种情况下，相对应的似然性值例如是基于查找表或似然性函数而确定的，当测量的温度Tph出现在指定温度范围内时，该查找表或似然性函数指示高似然性，而当测量的温度Tph超过该温度范围时，该查找表或似然性函数指示低似然性。

作为另一示例，例如基于与由pH传感器M5测量的温度TpH与由氯传感器M6测量的温度Tcl之间的温度差相关的阈值标准，而针对图2中示出的由pH传感器M5测量的pH值和/或由氯传感器M6测量的氯浓度Cl2来确定似然性值。这些似然性值中的每个是例如基于查找表或似然性函数而确定的，当温度差出现在针对温度差预定的特定应用阈值范围内时，该查找表或似然性函数提供相应被测变量m_i的测量值mv_i的高似然性值，而当温度差超过特定于应用的阈值范围时，该查找表或似然性函数指示低似然性。

此外，例如基于与流过流动室11的介质5的流量F相关的阈值标准，而针对图2中示出的由pH传感器M5测量的pH值和/或由氯传感器M6测量的氯浓度Cl2来确定附加的似然值。这些似然性值中的每个是例如基于查找表或似然性函数而确定的，当流量F超过特定于应用的流率时，该查找表或似然性函数提供高似然性值，而当流量F下降到特定于应用的流率以下时，该查找表或似然性函数提供低似然性值。在此，特定于应用的流率例如是确保由测量系统200执行的测量总是在路由通过流动池11的介质5的新鲜样本上执行所需的最小流率，并且因此基于对路由通过流动池11的样本执行的测量而指示待监测的介质5的当前状况，例如游泳池中的当前水质。

另外，或者作为替代，在某些实施例中，该方法包括针对被测变量m_i中的至少一个，基于在当前时间间隔之前已经测量的该被测变量m_i的测量值mv_i，而确定指示在当前时间间隔期间已经测量的相应被测变量m_i的至少一个当前测量值mv_i(tr)的可靠性的至少一个另外的似然性度量Rin。作为示例，这些似然性度量Rin例如包括基于异常值检测方法而确定的似然性度量、基于针对相应被测变量m_i的测量值mv_i的至少一个时间序列预测而确定的似然性度量和/或基于相应被测变量m_i的测量值mv_i描述的出现概率、分布或图案而确定的似然性度量。

这在图7中示出，示出了由测量设备Mi中的一个测量的被测变量m_i中的一个的测量值mv_i的时间序列，以及由测量设备Mi的测量范围给出的特定于设备的阈值RMi和在该应用中被测变量m_i不会超过的特定于应用的阈值Rapp。如图所示，没有一个测量值mv_i超过特定于设备的阈值RMi，并且只有在时间t1测量的测量值mv_i(t1)看起来不可靠，因为它超过了特定于应用的阈值Rapp。即使在时间t2测量的测量值mv_i(T2)出现在特定于应用的阈值Rapp内，它仍然可能是不可靠的，例如因为它被识别为由基于先前确定的测量值mv_i而执行的异常值检测方法检测到的异常值，和/或因为它明显偏离对应的预测值。

作为示例，能够采用基于对在前一时间间隔期间测量的测量值mv_i的分析而评估(多个)当前测量值mv_i(tr)的异常值检测方法来确定相对应的似然性度量Ri3。在这种情况下，优选地预定前一时间间隔的长度，使得在前一时间间隔期间测量的测量值mv_i代表在特定应用中预期的测量值mv_i的统计分布。作为示例，如图8中所示，分析可以包括根据在前一时间间隔期间测量的测量值mv_i沿着图8中的双向箭头示出的线的大小对所述测量值mv_i进行排序。如此确定的线然后被细分成四个四分位Q1:＝[q0；q1]、Q2:＝[q1；q2]、Q3:＝[q2；q3]、Q4:＝[q3；q4]，每个包括四分之一的测量值mv_i。因此，第一个四分位Q1的四分位值范围[q0；q1]的下限q0对应于最小的测量值mv_i的大小，第四个四分位Q4的四分位值范围[q3；q4]的上限q4对应于最大测量值mv_i的大小，而分隔两个中间四分位Q2和Q3的限位q2对应于在前一时间间隔期间测量的测量值mv_i的中值。

基于这种异常值检测方法，相对应的似然性度量例如是根据至少一个当前测量值mv_i(tr)沿着基于似然性函数f(q)的线的位置q确定的，该似然性函数f(q)根据当前测量值mv_i(tr)沿着该线的位置q将似然性度量指派给(多个)当前测量值mv_i(tr)。作为示例，似然性函数例如根据当前测量值mv_i(tr)在其中出现的四分位Q1、Q2、Q3、Q4，将所述当前测量值mv_i(tr)的似然性度量指派给出现在该线的预定第一范围内的所有当前测量值mv_i(tr)，和/或根据当前测量值mv_i(tr)的大小的测量值mv_i的出现概率，指派给出现在该线的预定第二范围内的所有当前测量值mv_i(tr)。包括在第二范围内的大小的测量值mv_i的出现概率例如是基于包括在数据D中的训练数据或者基于在前一时间间隔期间测量的测量值mv_i而确定的。

作为示例，似然性函数可以例如将相同的似然性度量指派给出现在四分位Q1、Q2、Q3、Q4的同一个中的所有当前测量值mvi(tr)。在这种情况下，第一范围包括所有四个四分位Q1、Q2、Q3、Q4的四分位范围[q0；q1]、[q1；q2]、[q2；q3]、[q3；q4]。作为替代，似然性函数可以例如根据当前测量值mv_i(tr)的大小的测量值mv_i的出现概率，将似然性度量指派给沿着该线出现的所有当前测量值mv_i(tr)。在这种情况下，第二范围包括所有四个四分位Q1、Q2、Q3、Q4的四分位范围[q0；q1]、[q1；q2]、[q2；q3]、[q3；q4]。

作为另一示例，可以应用第一范围和第二范围的组合。在图8中的测量值mv_i的线上方示出了相对应的似然性函数Ri3(q)的示例。该似然性函数Ri3(q)将100％的似然性度量指派给出现在两个中间四分位Q2和Q3内的当前测量值mv_i(tr)，并且将对应于当前测量值mv_i(tr)的大小的测量值mv_i的出现概率的似然性度量指派给在第一中间范围R1:＝[q3；q3+Δq]中出现的所有当前测量值mv_i(tr)，第一中间范围R1:＝[q3；q3+Δq]中的位置q超过第三个四分位Q3的上限q3小于预定加数+Δq，并且将对应于当前测量值mv_i(tr)的大小的测量值mv_i的出现概率的似然性度量指派给第二中间范围R2:＝[q1-Δq；q1]中出现的所有当前测量值mv_i(tr)，第二中间范围R2:＝[q1-Δq；q1]中的位置q下降到第二个四分位Q2的下限q1小于预定减数-Δq。图8中示出的似然性函数Ri3(q)还将0％的似然性度量指派给超过第一中间范围R1的上限q3+Δq的所有当前测量值mv_i(tr)以及指派给低于第二中间范围R2的下限q1-Δq的位置q处出现的所有当前测量值mv_i(tr)。因此，在该示例中，第一范围包括两个中间四分位Q2和Q3的四分位范围[q1；q2]、[q2；q3]，该范围超过第一中间范围R1的上限q3+Δq并且该范围不超过第二中间范围R2的下限q1-Δq，并且第二范围包括两个中间范围R1、R2。

在应用中，其中至少一个被测变量m_i的测量值mv_i是正态分布的，能够确定相应m_i的测量值mv_i的平均值和标准偏差。在这种情况下，似然性度量Rin例如包括至少一个似然性度量Ri4，该至少一个似然性度量Ri4是基于相应被测变量m_i的至少一个当前测量值mv_i(tr)与平均值之间的偏差而确定的。这些似然性度量Ri4例如是基于似然性函数而确定的，该似然性函数根据当前测量值mvi(tr)在正态分布中的位置将似然性度量指派给(多个)当前测量值mvi(tr)。类似于前一示例，在这种情况下，100％的似然性度量Ri4例如被指派给在平均值的一个标准偏差内出现的(多个)当前测量值mv_i(tr)，并且对应于根据正态分布的当前测量值mv_i(tr)的大小的测量值mv_i的出现概率的似然性度量Ri4例如被指派给偏离平均值超过一个标准偏差的(多个)当前测量值mv_i(tr)。

作为另一示例，似然性度量Rin的确定例如包括针对被测变量m_i中的至少一个，基于(多个)当前测量值mvi(tr)的大小以及(多个)当前测量值mv_i(tr)的大小的测量值mv_i的特定于应用的出现概率和它们根据基于测量值mv_i而确定的经验分布的出现概率的组合来确定似然性度量Ri5，该测量值mv_i是在(多个)当前测量值mv_i(tr)的测量时间tr之前的有限时间间隔期间测量的。在此，有限时间间隔例如以呈给定宽度的滑动窗口的形式实现，该滑动窗口延伸到(多个)当前测量值mv_i(tr)的测量时间tr。在这种情况下，对应的似然性度量Ri5例如是基于似然性函数而确定的，该似然性函数根据或作为或基于第一似然性fa(mv_i(tr))和第二似然性fb(mv_i(tr))的总和、加权总和、乘积或加权乘积将似然性度量指派给(多个)当前测量值mv_i(tr)，该第一似然性是基于第一似然性函数fa而确定的，而该第二似然性是基于第二似然性函数fb而确定的。

第一似然性函数fa根据在特定应用处(多个)当前测量值mv_i(tr)的大小的测量值mv_i的出现概率，将第一似然性fa(mv_i(tr))指派给(多个)当前测量值mv_i(tr)。一种快速和简单的方法是基于在特定应用处给定大小的测量值mv_i出现的可能性的估计而确定第一似然性函数fa。作为替代，第一似然性函数fa是例如基于不同大小的测量值mv_i的出现频率而确定的，所述不同大小的测量值mv_i是基于在训练时间间隔期间已经测量的测量值mv_i而确定的，所述训练时间间隔覆盖足够长的持续时间的时间跨度以覆盖所有操作模式和/或在特定应用处执行的过程中的每个过程。

第二似然性函数fb根据当前测量值mv_i(tr)的根据经验分布的出现概率将第二似然性fb(mv_i(tr))指派给(多个)当前测量值mv_i(tr)。第二似然性函数fb例如被确定为或基于不同大小的测量值mv_i的出现频率，该不同大小的测量值mv_i是基于在有限时间间隔期间已经测量的测量值mv_i而确定的。

作为替代，通过执行核密度估计KDE以显著更精确的方式来确定第二似然性函数fb。就此而言，可以采用统计学中开发的核密度估计方法以基于统计总体的样本而确定随机变量的概率分布。在这种情况下，基于核密度估计KDE而确定概率函数，该概率函数表示测量值mv_i根据其大小的出现概率，并且第二似然性函数fb被确定为或基于该概率函数。

图9中示出了第一似然性函数fa和第二似然性函数fb的示例。就像图6中示出的似然性函数f2(pH)一样，第一似然性函数fa表示当前测量值mv_i(tr)的根据其大小的似然性，该似然性是根据它们在特定于应用的阈值范围内的出现概率，并且第二似然性函数fb根据它们的根据经验分布的出现概率将第二似然性fb(mv_i(tr))指派给(多个)当前测量值mv_i(tr)。如图9中示出的点da、db所指示，针对当前的测量值mv_i(tr)，例如为8的pH值，第一似然性函数fa可以仅渲染50％的第一似然性，而第二似然性函数fb渲染100％的第二似然性。因此，通过基于第一似然性fa(mv_i(tr))和第二似然性fb(mv_i(tr))这两者而确定似然性度量Ri5，说明了当前测量值mv_i(tr)中的较高置信水平，该较高置信水平由与经验分布的符合程度来证明。

作为另一示例，在某些实施例中，似然性度量Rin的确定包括基于相应被测变量m_i的当前测量值mv_i(tr)与基于在(多个)当前测量值mv_i(tr)的测量时间tr之前已经测量的测量值mv_i而预测的对应预测值之间的偏差而确定至少一个似然性度量Ri6。该预测值例如是基于时间序列预测的方法而确定的。在这种情况下，相对应的似然性度量Ri6例如是基于似然性函数而确定的，该似然性函数根据偏差的大小将似然性度量指派给(多个)当前测量值mv_i(tr)。作为示例，时间序列预测例如是基于自回归积分移动平均模型(ARIMA模型)而执行的，该自回归积分移动平均模型拟合到先前确定的测量值mv_i的时间序列，并且然后被采用来预测时间序列的未来点。另外，或者作为替代，可以采用卡尔曼滤波器或机器学习方法来基于记录的数据D而确定相应被测变量m_i的测量值mv_i的模型。在这种情况下，基于如此确定的模型而确定该预测值。

作为可选的特征，该方法包括针对被测变量m_i中的至少一个，识别用于相应被测变量m_i的测量值mv_i的似然性的至少一个淘汰标准KO。在这种情况下，确定相应被测变量m_i的测量值mv_i的总似然性Ptot(m_i)，使得当相应淘汰标准KO被满足时，该总似然性Ptot(m_i)或者被设置为零，或者被降低到考虑了满足相应淘汰标准KO对相应被测变量m_i的测量值mv_i的似然性的影响的程度。

在某些实施例中，淘汰标准KO例如包括与针对测量相应被测变量m_i的测量设备Mi所识别的诊断信息Iij的各项中的至少一个相关的淘汰标准、与被测变量m_i的测量值mv_i相关的淘汰标准、和/或与包括在指定变量v_n中的至少一个变量v_j的变量值mv_j相关的淘汰标准KO。作为示例，当满足要求由测量该被测变量m_i的测量设备Mi提供的状态指标以指示测量设备Mi有缺陷的淘汰标准时，被测变量m_i中的一个的测量值mv_i的总似然性Ptot(m_i)例如被确定为零。此外，当满足要求被测变量m_i的测量值mv_i超过最大可容许范围的淘汰标准时，被测变量m_i中的一个的测量值mv_i的总似然性Ptot(m_i)例如被确定为零。关于最大可容许范围，能够采用特定于应用的最大可容许范围以及特定于设备的最大可容许范围。作为示例，当测量的氯浓度Cl2超过游泳者能够安全暴露的特定于应用的最大可容许范围时和/或当测量的氯浓度Cl2超过氯传感器M6的测量范围时，由图2中示出的测量游泳池水的氯浓度Cl2的氯传感器M6测量的氯浓度Cl2的总似然性Ptot(Cl2)例如被设置为零。作为另一示例，图2中示出的pH传感器M5可以例如被指定为在特定于设备的压力范围内操作，例如因为超过该范围的压力可能损害其离子选择性膜的渗透性。在这种情况下，当满足要求由压力传感器S2测量的压力p超过特定于设备的压力范围的淘汰标准时，由pH传感器M5测量的(多个)pH值pH的总似然性Ptot(pH)例如被确定为零。此外，如果满足要求由流量计S1测量的通过流动池11的流量F下降到执行pH值pH的测量和/或氯浓度Cl2的测量所需的绝对最小流率以下的淘汰标准的情况，由图2中示出的氯传感器M6测量的氯浓度Cl2的总似然性Ptot(Cl2)和/或由pH传感器M5测量的(多个)pH值pH的总似然性Ptot(pH)例如被确定为零。

在某些实施例中，可以通过执行优化总似然性Ptot(m_i)的确定的迭代过程来进一步改进本文公开的方法的能力，做法是基于由专家操作者评估和分类先前确定的总似然性Ptot(m_i)获得的经标记训练数据而执行机器学习方法，该机器学习方法被配置成优化总似然性Ptot(m_i)的确定和/以下中的至少一个：特定于应用的阈值和特定于应用的阈值范围，被采用来确定似然性值PCik的查找表和函数，以及被采用来确定总似然性Ptot(m_i)的确定中采用的似然性度量Rin的查找表和函数。

就此而言，先前确定的总似然性Ptot(m_i)例如由专家操作者评估，并且当该方法错误地确定低似然性时被分类为“假阴性”，当该方法错误地确定高似然性时被分类为“假阳性”，当该方法正确地确定低似然性时被分类为“真阴性”，并且当该方法正确地确定高似然性时被分类为“真阳性”。然后，基于这些分类而确定的经标记的训练数据被馈送到机器学习算法中，该机器学习算法被配置成优化总似然性Ptot(m_i)的确定，例如通过调整特定于应用的阈值和阈值范围中的至少一个，和/或用其更详细的校正和/或更精确的版本替换被采用来确定似然性值PCik和似然性度量Rin的查找表和函数中的至少一个。

本文公开的方法可以基于针对指定变量v_n的特定于应用的阈值范围的粗略估计而开始。作为示例，由图3中示出的温度传感器M12测量的介质5的温度T的特定于应用的温度范围最初可能已经由10℃至15℃的估计范围给出。然而，结果可能是测量的温度T通常低于10℃。这将导致由温度传感器M12测量的温度T的总似然性Ptot(T)相应地降低，并且还可能影响其他被测变量m_i的总似然性Ptot(m_i)。如果评估总似然性Ptot(m_i)的操作者确定既不存在与测量设备Mi相关联的问题，也不存在与应用相关联的问题，那么他将把它们分类为“假阴性”。基于这些分类而随后确定的经标记的训练数据被采用来优化该方法，例如通过执行机器学习方法，该机器学习方法被配置成确定总似然性Ptot(m_i)的假阳性确定和/或假阴性确定的至少一个根本原因，并且相应地修正总似然性Ptot(m_i)的确定。在此处给出的示例中，这将导致温度范围的调整以使得覆盖低于10℃的温度。

附图标记列表

1容器 25边缘设备

3介质 27设备

5介质 29发射器

7入口管 31部件

9入口管 33发射器

11流动室 35接口

13入口管 37数据源

15出口管 39显示器

17器皿 41图标

19计算单元 43图标

21存储器 45温度传感器

23上级单元

Claims (16)

1.一种确定由特定应用中安装的测量系统(100、200、300)测量的至少一个被测变量(m_i)的测量值(mv_i)的特定于应用的似然性的方法；其中，所述测量系统(100、200、300)包括至少一个测量设备(Mi)，并且每个测量设备(Mi)测量所述至少一个被测变量(m_i)中的至少一个，所述方法包括以下步骤：

针对每个被测变量(m_i)，识别指示测量相应被测变量(m_i)的所述测量设备(Mi)的状况的诊断信息(Iij)中的至少一项；

指定在所述应用处测量或针对所述应用确定的至少一个变量(v_n)的数量，使得所指定的变量(v_n)由所述至少一个被测变量(m_i)中的每个被测变量给出或包括所述至少一个被测变量(m_i)中的每个被测变量；

针对每个被测变量(m_i)，确定用于确定似然性值(PCik)的似然性标准(Cik)，包括：

至少一个诊断标准(CIij)，用于基于指示测量所述相应被测变量(m_i)的所述测量设备(Mi)的所述状况的诊断信息(Iij)的各项中的至少一个的至少一个项值而确定指示所述相应被测变量(m_i)的测量值(mv_i)的所述似然性的似然性值(P(Iij))，以及

至少一个阈值标准Cj(m_i)，用于基于所述相应被测变量(m_i)的所述测量值(mv_i)相对于适用于所述相应被测变量(m_i)的所述测量值(mv_i)的至少一个特定于应用的阈值范围的大小而确定指示所述相应被测变量(m_i)的所述测量值(mv_i)的所述似然性的似然性值(Pj(m_i))，

记录数据(D)，所述数据(D)包括诊断信息(Iij)的每个项的至少一个项值和每个指定变量(v_n)的变量值(mv_n)的时间序列以及它们的确定或测量时间(t)；以及

基于所记录的数据(D)至少一次或重复地执行以下步骤：

针对每个被测变量(m_i)：

基于针对所述相应被测变量(m_i)已经确定的所述似然性标准(Cik)而确定所述似然性值(PCik)；

鉴于在当前时间间隔之前已经测量的并且由所述相应被测变量(m_i)的所述测量值(mv_i)给出或包括所述相应被测变量(m_i)的所述测量值(mv_i)的至少一个或所有指定变量(v_n)的测量值(mv_n)，确定指示在有限当前时间间隔期间测量的所述相应被测变量(m_i)的一个或多个当前测量值(mv_i(tr))的可靠性的至少一个似然性度量(Rin)；

以及

基于针对所述相应被测变量(m_i)已经确定的所述似然性度量(Rin)和所述似然性值(PCik)而确定所述相应被测变量(m_i)的所述当前测量值(m_i(tr))的总似然性(Ptot(m_i))，以及

提供似然性结果(PR)，所述似然性结果(PR)包括以下中的至少一个：所述总似然性(Ptot(m_i))和基于所述总似然性(Ptot(m_i))而确定的总似然性指数(TPI)。

2.根据权利要求1所述的方法，其中，针对至少一个或每个被测变量(m_i)，所述似然性度量(Rin)包括以下中的至少一个：

第一似然性度量(Ri1)，所述第一似然性度量(Ri1)对应于所述相应被测变量(m_i)的所述当前测量值(mv_i(tr))或所述当前测量值(mv_i(tr))的分布与在所述当前时间间隔之前测量的所述相应被测变量(m_i)的测量值(mv_i)所呈现的分布或多种分布中的一种分布的符合程度；以及

第二似然性度量(Ri2)，所述第二似然性度量(Ri2)对应于所述相应被测变量(m_i)的所述当前测量值(mv_i(tr))与通过对在所述当前时间间隔之前确定的至少两个分析变量的变量值的多变量分析确定的分析结果的符合程度；其中，所述分析变量由所述相应的被测变量(m_i)和包括在所选定变量(v_n)中的至少一个其他变量或每个其他变量给出。

3.根据权利要求1至2所述的方法，其中，按照以下方法确定至少一个或每个总似然性(Ptot(m_i))：

根据、作为或基于针对所述相应被测变量(m_i)而确定的所述似然性度量(Rin)和所述似然性值(PCik)的总和、加权总和、乘积或加权乘积，或者

根据、作为或基于由针对所述相应被测变量(m_i)确定的所述似然性值(PCik)中最小的一个给出的最小似然性(Pmin1)和针对所述相应被测变量(m_i)确定的所述似然性度量(Rin)的总和、加权总和、乘积或加权乘积，或者

通过以下方式确定：

将所述似然性值(PCik)细分成包括基于所述诊断标准C(Iij)而确定的所述似然性值P(Iij)的操作似然性值和包括基于所述阈值标准Cj(m_i)而确定的所述似然性值Pj(m_i)的特定于应用的似然性值，以及

根据或作为或基于针对所述相应被测变量(m_i)而确定的所述似然性度量(Rin)和所述特定于应用的似然性值中的每一个与由针对所述相应被测变量(m_i)确定的所述操作似然性值中的最小一个值给出的最小似然性(Pmin2)的总和、加权总和、乘积或加权乘积，来确定针对所述相应被测变量(m_i)的所述总似然性(Ptot(m_i))。

4.根据权利要求1至3所述的方法，包括以下步骤中的至少一个：

a)在呈仪表板形式的显示器(39)上显示所述似然性结果(PR)，所述仪表板包括可视化所述总似然性指数(TPI)的图标(41)和/或给定数量的图标(43)，每个图标可视化所述总似然性值(Ptot(m_i))中的一个；其中，对应于被可视化的总似然性指数(TPI)或被可视化的总似然性值(Ptot(m_i))的大小的每个图标(41、43)的图标区域的一部分被填充，并且所述图标(41、43)或其被填充的一部分以根据所述大小选定的颜色进行显示；

b)以电子邮件或消息的形式提供所述似然性结果(PR)，所述电子邮件或消息被分派给预定的接收者和/或预定的设备、计算机、移动设备、手机、平板电脑和维修工具中的至少一个；以及

c)将所述似然性结果(PR)提供给上级单元(23)，所述上级单元(23)被配置成调节和/或控制在所述应用处执行的过程，并且被配置成当所述似然性结果(PR)满足针对相应动作指定的条件时，执行停止或修改在所述应用处执行的过程的至少一个过程步骤的动作和/或至少一个其他预定动作。

5.根据权利要求1至4所述的方法，其中，所指定的变量(v_n)包括以下中的至少一个：由所述测量系统(100、200、300)的所述测量设备(Mi)中的一个测量的至少一个过程参数；由所述特定应用处安装的测量仪器(Sm)测量的至少一个过程参数；以及由所述测量设备(Mi)中的一个确定的或针对所述测量设备中的一个确定的至少一个诊断参数。

6.根据权利要求1至5所述的方法，其中：针对所述测量设备(Mi)中的至少一个，指示所述相应测量设备(Mi)的所述状况的诊断信息(Iij)中的所述至少一项包括以下中的至少一个：所述测量设备(Mi)的寿命、所述测量设备(Mi)的工作时间、维修所述测量设备(Mi)时的维修时间、验证所述测量设备(Mi)的测量准确度时的验证时间、通过所述测量设备(Mi)的所述测量准确度的验证获得的验证结果、校准所述测量设备(Mi)时的校准时间、通过所述测量设备(Mi)的校准获得的校准结果、由所述测量设备(Mi)确定的至少一个诊断参数、基于由所述测量设备(Mi)执行的自诊断而确定的状态指标、以及对应于所述测量设备(Mi)暴露于不利测量条件的暴露指数。

7.根据权利要求1至6所述的方法，其中：

a)针对至少一个被测变量(m_i)，针对所述相应被测变量(m_i)而确定的所述似然性标准(Cik)包括以下中的至少一个：

用于基于所述相应被测变量(m_i)的所述当前测量值(mv_i(tr))是否出现在该被测变量(m_i)不会超过的特定于应用的阈值范围内而确定似然性值(PC1(m_i))的阈值标准(C1(m_i))，

用于基于该被测变量(m_i)的测量值(mv_i)在特定于应用的阈值范围内的特定于应用的出现概率而确定指示所述相应被测变量(m_i)的至少一个当前测量值(mv_i(tr))的所述似然性的似然性值(PC2(m_i))的阈值标准(C2(m_i))，以及

用于基于至少一个或两个其他变量(v_j)的至少一个当前变量值(mv_n(tr))而确定指示所述相应被测变量(m_i)的至少一个当前测量值(mv_i(tr))的所述似然性的似然性值(P3(m_i))的标准(C3(m_i))，其中，每个其他变量(v_j)由其他被测变量(m_j≠i)中的一个或由包括在所指定的变量(v_n)中的参数给出，和/或其中：

b)针对所述被测变量(m_i)中的至少一个，所述似然性度量(Rin)包括以下中的至少一个：

基于检测包括在所述相应被测变量(m_i)的所述测量值(mv_i)中的异常值的方法而确定的似然性度量(Ri3)；

基于在所述相应被测变量(m_i)的所述至少一个当前测量值(mv_i(tr))的所述测量时间(tr)之前测量的所述相应被测变量(m_i)的测量值(mv_i)而确定的似然性度量(Ri4)；

基于在所述特定应用处所述相应被测变量(m_i)的所述至少一个当前测量值(mv_i(tr))的所述大小的测量值(mv_i)的出现概率和它们根据经验分布的出现概率的组合而确定的似然性度量(Ri5)，所述经验分布基于在所述当前测量值(mv_i(tr))的所述测量时间(tr)之前的有限时间间隔期间测量的所述相应被测变量(m_i)的测量值(mv_i)而确定；以及

基于所述相应被测变量(m_i)的所述至少一个当前测量值(mv_i(tr))与基于在所述当前测量值(mvi(tr))的所述测量时间(tr)之前测量的所述相应被测变量(m_i)的测量值(mv_i)而预测的对应预测值之间的偏差而确定的似然性度量(Ri6)，其中，所述预测值基于拟合到先前确定的测量值(mv_i)的时间序列的自回归积分移动平均模型——ARIMA模型——而确定，或者基于已经通过基于所述数据(D)的机器学习方法来确定的所述相应被测变量(m_i)的所述测量值(mv_i)的模型而确定，或者通过另一种时间序列预测方法而确定。

8.根据权利要求1至7所述的方法，其中：针对每个似然性标准(Cik)，相对应的似然性值(PCik)基于与相应似然性标准(Cik)相关联的查找表或似然性函数f(Cik)而确定，所述相应似然性标准(Cik)基于或根据至少一个属性将所述似然性值(PCik)指派给所述相应被测变量(m_i)的所述当前测量值(mv_i(tr))，所述至少一个属性由所述诊断信息(Iij)的项的项值中的至少一个和/或所述数据(D)中包括的所指定的变量(v_n)中的至少一个的所述变量值(mv_n)中的至少一个给出或能够基于其而确定。

9.根据权利要求1至8所述的方法，其中，针对所述被测变量(m_i)中的至少一个，所确定的似然性度量(Rin)包括由以下步骤确定的似然性度量(Ri3)：

根据在前一时间间隔期间测量的所述相应被测变量(m_i)的测量值(mv_i)沿着线的大小对所述测量值(mv_i)进行排序，

将所述线细分为四个四分位(Q1、Q2、Q3、Q4)，每个四分位包括所述测量值(mv_i)的四分之一，以及

基于似然性函数(Ri3(q))而确定所述似然性度量(Ri3)，所述似然性函数(Ri3(q))根据所述相应被测变量(m_i)的当前测量值(mv_i(tr))在其中出现的所述四分位(Q1、Q2、Q3、Q4)，将所述相应被测变量(m_i)的当前测量值(mv_i(tr))的所述似然性度量(Ri3)指派给出现在所述线的预定第一范围内的位置(q)处的所有当前测量值(mv_i(tr))，和/或根据当前测量值(mv_i(tr))的所述大小的测量值(mv_i)的出现概率，将所述相应被测变量(m_i)的当前测量值(mv_i(tr))的所述似然性度量(Ri3)指派给出现在所述线的预定第二范围内的位置(q)处的所有当前测量值(mv_i(tr))；其中，包括在所述第二范围中的所述大小的测量值(mv_i)的所述出现概率是基于包括在所述数据(D)中的训练数据或者基于在所述前一时间间隔期间测量的所述测量值(mv_i)而确定的。

10.根据权利1至9所述的方法，其中，针对所述被测变量(m_i)中的至少一个，所确定的似然性度量(Rin)包括基于似然性函数而确定的似然性度量(Ri5)，所述似然性函数根据或作为或基于以第一似然性函数(fa)为基础确定的第一似然性(fa(mv_i(tr))和以第二似然性函数(fb)为基础确定的第二似然性(fb(mv_i(tr))的总和、加权总和、乘积或加权乘积将所述似然性度量(Ri5)指派给所述相应被测变量(m_i)的所述至少一个当前测量值(mv_i(tr))，其中：

所述第一似然性函数(fa)根据在所述特定应用处所述当前测量值(mv_i(tr))的所述大小的测量值(mv_i)的出现概率，将所述第一似然性(fa(mv_i(tr))指派给所述当前测量值(mv_i(tr))；

所述第一似然性函数(fa)是基于在所述特定应用处给定大小的测量值(mv_i)的出现可能性的估计而确定的，或者基于不同大小的测量值(mv_i)的出现频率而确定的，所述不同大小的测量值是基于在训练时间间隔期间已经测量的测量值(mv_i)而确定的，所述训练时间间隔覆盖足够长的持续时间的时间跨度以覆盖所有操作模式和/或在所述特定应用处执行的所述过程中的每个过程；

所述第二似然性函数(fb)基于至少一个当前测量值(mv_i(tr))根据经验分布的出现概率而将所述第二似然性(fb(mv_i(tr))指派给所述至少一个当前测量值(mv_i(tr))，所述经验分布是基于在所述当前测量值(mv_i(tr))的所述测量时间(tr)之前的有限时间间隔期间测量的测量值(mv_i)而确定的；以及

所述第二似然性函数(fb)被确定为或基于不同大小的测量值(mv_i)的出现频率或者被确定为基于核密度估计(KDE)确定的概率函数，所述不同大小的测量值是基于在所述有限时间间隔期间已经测量的所述测量值(mv_i)而确定的，所述概率函数表示所述相应被测变量(mv_i)的测量值(mv_i)根据其大小的所述出现概率。

11.根据权利要求1至10所述的方法，针对所述被测变量(m_i)中的至少一个，还包括以下步骤：

识别所述相应被测变量(m_i)的所述测量值(mv_i)的所述似然性的至少一个淘汰标准(KO)；以及

执行所述相应被测变量(m_i)的所述测量值(mv_i)的所述总似然性(Ptot(m_i))的所述确定，使得当相应淘汰标准(KO)被满足时，所述总似然性(Ptot(m_i))被设置为零或者被降低到考虑了满足所述相应淘汰标准(KO)对所述相应被测变量(m_i)的所述测量值(mv_i)的所述似然性的影响的程度；

其中，针对所述相应被测变量(m_i)识别的所述淘汰标准(KO)包括以下中的至少一个：

与针对测量该被测变量(m_i)的所述测量设备(Mi)所识别的所述诊断信息的各项中的一项相关的淘汰标准，

要求针对测量该被测变量(m_i)的所述测量设备(Mi)确定的状态指标以指示所述测量设备(Mi)有缺陷的淘汰标准，

要求针对该被测变量(m_i)的所述测量值(mv_i)和/或包括在所指定的变量(v_n)中的至少一个其他变量(v_j)的所述变量值(mv_j)超过最大可容许范围或超过给定阈值或下降到低于给定阈值的淘汰标准，以及

与包括在所指定的变量(v_n)中的至少一个参数相关的淘汰标准，所述至少一个参数由所述测量设备(Mi)中的一个或由在所述特定应用处安装的测量仪器(Sm)测量或确定。

12.根据权利要求1至11所述的方法，其中，所述测量系统(200)是分析系统，其中，所述测量设备(Mi)测量流过流动室(11)的介质(5)的被测变量(m_i)，其中，所指定的变量(v_n)包括流过所述流动室(11)的所述介质(5)的流量(F)，并且其中：

所述似然性标准(Cik)包括用于基于所测量的流量(F)确定所述被测变量(m_i)中的一个的测量值(mv_i)的所述似然性值(PCik)的至少一个标准，和/或

当通过所述流动池(11)的所述流量(F)下降到测量所述相应被测变量(m_i)所需的绝对最小流率以下时，将所述至少一个被测变量(m_i)中的至少一个或每个的所述测量值(mv_i)的所述总似然性(Ptot(m_i))设置为零。

13.根据权利要求1至12所述的方法，包括以下方法步骤：通过基于由评估和分类先前确定的总似然性(Ptot(m_i))的专家操作者获得的经标记的训练数据执行机器学习的方法而执行优化该方法的迭代过程，所述机器学习的方法被配置成优化所述总似然性(Ptot(m_i))的所述确定和/或优化以下中的至少一个：所述特定于应用的阈值、所述特定于应用的阈值范围、被采用来确定所述似然性值(PCik)以及被采用来确定所述总似然性(Ptot(m_i))的所述似然性度量(Rin)的所述查找表和函数。

14.根据权利要求1至13所述的方法，其中：

所述方法是计算机实现的方法，

每个似然性结果(PR)由计算装置(19)确定和提供，所述计算装置被配置成基于所记录的数据(D)并且基于在所述计算装置(19)上实现的计算机程序(SW)而确定和提供所述似然性结果(PR)，并且使所述计算装置(19)执行所述确定；以及

所述计算装置(19)包括在所述测量系统(300)中，包括在连接到所述测量设备(Mi)的发射器(33)中或连接到所述发射器(33)，包括在位于所述测量系统(200)附近并且连接到所述测量设备(Mi)或与所述测量设备通信的设备(27)、边缘设备或上级单元中，或者体现在云中。

15.一种包括指令的计算机程序(SW)，当计算机执行所述程序时，所述指令使所述计算机基于提供给所述计算机的数据(D)而实施根据权利要求1至14所述的方法。

16.一种包括根据权利要求15所述的计算机程序(SW)和至少一种计算机可读介质的计算机程序产品，其中，至少所述计算机程序(SW)存储在所述计算机可读介质上。

Images