CN1454348A - 软传感器装置和用于评估该装置的装置 - Google Patents

软传感器装置和用于评估该装置的装置 Download PDF

Info

Publication number
CN1454348A
CN1454348A CN00819874A CN00819874A CN1454348A CN 1454348 A CN1454348 A CN 1454348A CN 00819874 A CN00819874 A CN 00819874A CN 00819874 A CN00819874 A CN 00819874A CN 1454348 A CN1454348 A CN 1454348A
Authority
CN
China
Prior art keywords
data
output
input
estimation
output data
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.)
Granted
Application number
CN00819874A
Other languages
English (en)
Other versions
CN1287275C (zh
Inventor
筒井宏明
坪井淳一
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.)
Azbil Corp
Original Assignee
Azbil Corp
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 Azbil Corp filed Critical Azbil Corp
Publication of CN1454348A publication Critical patent/CN1454348A/zh
Application granted granted Critical
Publication of CN1287275C publication Critical patent/CN1287275C/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Complex Calculations (AREA)

Abstract

实例库产生器根据要求的输出容许误差将历史数据输入空间分为单位输入空间，并从设置在单位输入空间中的历史数据产生典型实例，从而产生实例库11。软传感器1的实例检索部分12从实例库11中检索与新输入数据相对应的实例。输出估算部分13以检索到的实例上的输出数据为基础计算并输出与新输入数据相对应的估算输出数据Y。输出评估部分14以所述新输入数据与检索到的实例之间的拓扑距离为基础计算并输出估算输出数据Y中的估算误差d。功能评估部分16以估算误差d、估算输出数据Y和真值输出数据YOUT为基础对软传感器1运转进行评估。

Description

软传感器装置和用于评估该装置的装置
技术领域
本发明涉及一种基于实例推理的应用，其引入了拓扑的概念，本发明尤其涉及一种软传感器，其通过使用基于实例的推理对实际上从识别对象检测到的输出数据进行估算，以及一种用于评估所述软传感器的装置。
背景技术
通常，通过使用推理引擎对实际上从识别对象检测到的输出数据进行估算的推理系统被称作软传感器，因为其通过运算处理对物理量进行估算，而不是像硬传感器那样实际检测物理量。
作为这种软传感器的一种应用，例如，使用神经网络对燃烧装置的废气中含有的氧化氮和氧化硫等排放物的量进行监测的系统已经被披露(例如请参看JP9-504346)。这种系统通过使用神经网络对从燃烧装置排出的NOx和NOx等排放物的量进行估算，所述神经网络使用由硬传感器检测出的各种物理量作为输入变量，从而监测废气中含有的排放物的量，其不使用硬传感器直接地和从物理上检测这些排放物或者调节这些传感器。
但是，在这种传统的软传感器中，由于对象是通过使用神经网络进行识别的，因此当实际使用软传感器时会产生下述问题。首先，神经网络由于其模型结构的缘故而具有模型重构问题，因此需要相对较长的时间来学习。这样就不可能实时地跟踪对象中的变化。因此用软传感器代替硬传感器来检测表现出很大变化的对象(例如NOx)的愿望很难满足。
另外，在使用神经网络的情况下，虽然可以为估算输出数据给出统计计算值(平均误差)，但当实际上使用软传感器时，因为对新输入数据的处理，不能为估算输出数据给出合适的计算误差值。另外，当软传感器投入使用时，不能实时地对估算输出数据中的误差进行评估，因此不能评估软传感器运行是否正常。
当创建出对象模型时会产生下列问题。首先，在使用神经网络的情况下，在线性或非线性回归模型中，必须根据预定算法从历史数据在全部输入和输出空间上建立输入/输出关系。但是，大多数通过实际测量获得的历史数据都是识别对象特定状态的记录。因此，在许多情况下，全部输入和输出空间中的函数形状是未知的，因此无法评估在对象与从处理过的历史数据创建的模型之间的一致性。而且，当估算失败时，就不能确定失败的原因是在于缺乏用于创建模型的历史数据，还是在于诸如输入变量和层次结构的选择之类的模型设计中存在的缺陷。
发明内容
为了解决上述问题，根据本发明，提供了一种软传感器，其使用预定推理模型对为代表对象行为的多个输入变量获得的一组输入数据进行运算处理，以根据所述一组输入数据对从所述对象实际检测到的输出数据进行估算，并将所述数据作为估算输出数据进行输出，所述软传感器包括：通过接收多个历史数据产生的实例库，每个所述历史数据由从需要估算的多个输入变量获得的一组输入数据和通过使用所述输入数据作为输入条件从所述对象获得的实际输出数据组成，通过根据要求的输出容许误差将所述实例库的输入空间进行量化而形成多个单位输入空间，将各个历史数据设置在相应的单位输入空间中，并对于具有至少一个历史数据的每个单位输入空间产生代表所述单位输入空间中的历史数据的实例；实例检索部分，其通过检索所述实例库从至少一个单位输入空间中的每一个获取实例，所述单位输入空间具有实例并且其位置距离与新的一组输入数据相对应的单位输入空间最小拓扑距离；和输出估算部分，其估算与所述新的一组输入数据相对应的输出数据。所述输出估算部分根据所述实例检索部分检索出的所述实例的输出数据来计算与所述新的一组输入数据相对应的输出数据，并且将所述输出数据作为估算输出数据输出。所述软传感器还包括输出评估部分，其用于计算估算输出数据中含有的误差。所述输出评估部分以输出容许误差和与所述新的一组输入数据相对应的单位输入空间与由所述实例检索部分检索出的实例的单位输入空间之间的拓扑距离为基础，计算所述输出估算部分输出的所述估算输出数据中包含的误差，并将所述误差作为与所述估算输出数据相对应的估算误差输出。所述软传感器还包括功能评估部分，其通过使用来自所述输出评估部分的估算误差、来自所述输出估算部分的评估的估算输出数据和从所述对象获得的真值的输出数据，评估所述软传感器运行是否正常。
根据本发明，所述实例检索部分从一个或多个单位输入空间中的每一个获取实例，所述单位输入空间的位置距离与新的一组输入数据相对应的单位输入空间最小拓扑距离，并且具有实例，所述输出估算部分根据所述实例检索部分检索出的所述实例的输出数据来计算与所述新的一组输入数据相对应的输出数据，并且将所述输出数据作为估算输出数据输出。另外，所述输出评估部分计算估算误差并为每个估算输出数据输出所述估算误差。所述功能评估部分评估所述软传感器运行是否正常。
另外，根据本发明，提供了一种用于评估软传感器的软传感器评估装置，所述软传感器使用预定推理模型对为代表对象行为的多个输入变量获得的一组输入数据通过进行运算处理，以根据所述一组输入数据对从所述对象实际检测到的输出数据进行估算，并将所述数据作为估算输出数据进行输出，所述软传感器评估装置包括：评估实例库，当要为所述软传感器产生推理模型时使用所述的评估实例库，其通过接收多个历史数据而产生，每个所述历史数据由从需要估算的多个输入变量获得的一组输入数据和通过使用所述输入数据作为输入条件从所述对象获得的实际输出数据组成，通过根据要求的输出容许误差将所述实例库的输入空间进行量化而形成多个单位输入空间，将各个历史数据设置在相应的单位输入空间中，并对于具有至少一个历史数据的每个单位输入空间产生代表所述单位输入空间中的历史数据的实例；实例检索部分，其通过检索所述评估实例库从至少一个单位输入空间中的每一个获取实例，所述单位输入空间具有实例，并且其位置距离与输入所述软传感器的新的一组输入数据相对应的单位输入空间最小拓扑距离；输出估算部分，其根据所述实例检索部分检索出的所述实例的输出数据来计算与所述新的一组输入数据相对应的输出数据，并且将所述输出数据作为评估的估算输出数据输出；输出评估部分，其以输出容许误差和与所述新的一组输入数据相对应的单位输入空间与由所述实例检索部分检索出的实例的单位输入空间之间的拓扑距离为基础，计算由所述输出估算部分输出的所述估算输出数据中包含的误差，并将所述误差作为与所述估算输出数据相对应的评估估算误差同时输出；和用于对所述软传感器进行评估的功能评估部分。所述功能评估部分通过使用来自所述输出评估部分的评估估算误差、来自所述输出估算部分的评估的估算输出数据和从所述对象获得的真值的输出数据，评估所述软传感器运行是否正常。另外，所述软传感器评估装置包括功能评估部分，其将由与所述新的一组输入数据一致的所述输出估算部分获得的所述评估的估算输出数据与从所述对象获得的真值的输出数据之间的差异，与对应于所述评估的估算输出数据的评估估算误差进行比较，从而评估所述软传感器运行是否正常。
根据本发明，所述实例检索部分从一个或多个单位输入空间中的每一个获取实例，所述单位输入空间的位置距离与新的一组输入数据相对应的单位输入空间最小拓扑距离并且具有实例，所述输出估算部分根据所述实例检索部分检索出的所述实例的输出数据来计算与所述新的一组输入数据相对应的输出数据，并且将所述输出数据作为估算输出数据输出。所述输出评估部分然后计算估算误差并为每个估算输出数据同时输出所述估算误差。所述功能评估部分间接地评估所述软传感器运行是否正常。
根据本发明，提供了一种用于评估软传感器的另一种软传感器评估装置，所述软传感器使用预定推理模型对为代表对象行为的多个输入变量获得的一组输入数据进行运算处理，以根据所述一组输入数据对从所述对象实际检测到的输出数据进行估算，并将所述数据作为估算输出数据进行输出，所述软传感器评估装置包括：输入量化部分，其接收多个历史数据，并且通过根据要求输出容许误差将所述实例库的输入空间进行量化而形成多个单位输入空间，每个所述历史数据由为用于估算的多个输入变量获得的一组输入数据和通过使用所述输入数据作为输入条件从所述对象获得的实际输出数据组成，所述实际输出数据在所述推理模型产生时使用，其中所述输入量化部分包括：输出分配条件确定装置，其用于确定每一个形成的单位输入空间是否满足条件，即输出数据与在所述单位输入空间中设置的历史数据之间的变化是否位于要求输出容许误差之内，并计算和输出满足条件的单位输入空间充足率，作为输出分配条件充足率；和连续性条件确定装置，其用于确定每一个形成的单位输入空间是否满足条件，即代表设置在所述单位输入空间中历史数据的典型历史数据与至少一个单位输入空间的典型历史数据的输出数据平均值之间的差异是否位于与所述拓扑距离相对应的输出容许误差之内，所述至少一个单位输入空间位于距离所述单位输入空间的最小拓扑距离并且其中设置了历史数据，并计算和输出满足条件的单位输入空间充足率，作为连续条件充足率。所述输入量化部分以所述输出分配条件充足率和连续条件充足率为基础通过使用历史数据产生推理模型，通过所述推理模型评估对象的模型可行性。
根据本发明，所述输入量化部分接收历史数据，并且通过根据要求的输出容许误差将所述实例库的输入空间进行量化而形成多个单位输入空间，所述输出分配条件确定装置和连续性条件确定装置分别计算和输出分配条件充足率和连续条件充足率，作为评估指数。所述输入量化部分随后以这些评估指数为基础对使用所述历史数据产生的推理模型进行评估。
附图说明
图1是说明了根据本发明第一至第三实施方案的软传感器的功能框图；
图2是说明了实例库产生器的功能框图；
图3说明了在根据本发明的基于实例的推理模型中使用的拓扑的原理；
图4说明了用于输入空间的量化过程；
图5是说明了实例库产生过程的流程图；
图6是说明了输入量化等级确定过程的流程图；
图7说明了输出分配条件；
图8说明了连续性条件；
图9说明了评估指数中的变化；
图10说明了用于建模评估的评估标准；
图11说明了实例产生过程；
图12是说明了实例产生过程的流程图；
图13说明了相似性的定义；
图14是说明了相似实例检索过程的流程图；
图15说明了输出估算过程(存在相似实例)；
图16说明了输出估算过程(不存在相似实例)；
图17说明了自适应学习过程(存在对应实例)；
图18说明了自适应学习过程(不存在对应实例)；
图19说明了对软传感器进行评估所用的条件；
图20说明了每个条件与评估结果之间的关系；
图21是说明了根据本发明第四实施方案的软传感器评估装置的功能框图。
实际实施方式
下面将结合附图对本发明的优选实施方案进行详细说明。
【第一实施方案】
图1是说明了根据本发明第一实施方案的软传感器的功能框图。软传感器1包括实例库11、实例检索部分12、输出估算部分13、输出评估部分14、自适应学习部分15和功能评估部分16。实例库产生器2(后面将说明)根据实际从对象行为获得的历史数据产生实例库11，所述对象的输出数据由软传感器1估算。实例库11是通过引入拓扑的原理而产生的实例库，其中输入空间依照要求的输出容许误差(要求的精度)进行量化，并且为每个单位输入空间(下面称为网格)定义了输入/输出关系。
实例检索部分12通过查询实例库11选择与新输入数据A(31)相对应的网格，并检索出代表选择的网格或其周围网格中每个网格的实例。输入数据A由与用于实例库11产生的历史数据的输入数据X相似的n个输入变量x1至xn的值x01至x0n构成。输出估算部分13根据实例检索部分12检索的至少一个实例的输出数据来计算和输出与新输入数据A相对应的估算输出数据Y(32)。自适应学习部分15以实际从所述对象的行为获得的新历史数据34为基础自适应地学习实例库11。新历史数据34具有与用于实例库11产生的历史数据相同的结构，但是由不用作历史数据的数据构成。例如，使用在软传感器1开始使用之后通过实际测量从所述对象获得的数据。在这种情况下，作为新历史数据P’，k(k为正整数)准备了新历史数据P’1至P’k。
输出评估部分14以相似性和给定的要求输出容许误差(要求精度)为基础为每个估算输出数据Y评估和输出估算输出数据Y中含有的估算误差d(33)，所述相似性表示由实例检索部分12检索的至少一个实例是与对应于输入数据A的网格分开特定距离的网格的实例，所述要求输出容许误差是用于所述实例库产生的建模条件之一。功能评估部分16通过使用估算误差d、估算输出数据Y和通过实际测量从所述对象获得的真值的输出数据YOUT(35)对软传感器运行是否正常进行评估，并输出估算结果36。
实例库的产生：实例库产生器和实例库
下面将参照图2说明实例库产生器。图2是说明了实例库产生器的功能框图。软传感器1中使用的实例库11是预先由使用历史数据37的实例库产生器2产生的。实例库产生器2包括输入量化部分21和实例库产生部分22。历史数据37是通过用于估算的多个输入数据X和当输入数据X输入至所述对象时实际测量的输出数据Y的组合构成的。在这种情况下，作为输入数据X，n(n为等于或大于2的整数)选择了输入变量x1至xn。作为历史数据37，j(j为等于或大于2的整数)准备了历史数据P1至Pj。
输入量化部分21通过以历史数据37和要求建模条件38为基础量化实例库的输入空间而定义网格。输入量化部分21包括输出分配条件确定装置21A和连续性条件确定装置21B。以由这些确定装置21A和21B获得的确定结果为基础选择输入空间的量化水平。实例库产生部分22将历史数据37分配给各个网格，并计算代表每个网格的实例，从而产生实例库39。实例库39例如可以用作软传感器1的实例库11和评估装置5(将在下面说明)的评估实例库51(请参看图21)。尤其是当要产生评估实例库51时，由于评估实例库51是以用来为所述软传感器产生推理模型的历史数据63为基础产生的，实例库2也作为一种装置，用来确定所述对象是否能使用所述实例数据以要求精度进行建模，即用来评估所述软传感器的装置(将在下面说明)。
下面将说明本发明中使用的实例库和实例库产生器的运行。图3说明了在根据本发明的基于实例的推理模型中使用的拓扑的原理。图4说明了用于输入空间的量化过程。图5是说明了实例库产生过程的流程图。
(基于实例的推理模型)
根据本发明中使用的基于实例的推理模型，输入空间以数学拓扑中的连续映射为基础被量化为拓扑空间，从而一般地定义了与容许宽度ε(输出容许误差)相对应的实例库，容许宽度ε为要求精度和相似性。
根据拓扑学中的连续映射原理，使映射f：XY在空间X和Y中连续的充要条件是Y中的开集(输出邻点)O逆映射f-1(O)与X中的开集(输入邻点)相等。假定从输入空间至输出空间的映射f根据连续映射的概念是连续的，如图3所示，通过使用输出空间中的输出误差的容许宽度进行确定输出邻点。这样就能够将输出邻点与满足输出误差的容许宽度的输入邻点结合起来。通过该操作，所述输入空间能够被量化并被理解为拓扑空间。
(输入空间的量化)
在本发明中，所述输入空间量化过程按照如图4所示的方式进行。通过将输入数据和过去获得的输出数据的组合构成历史数据。在这种情况下，历史数据由输入x1和x2以及输出y构成。这些历史数据被分配在如图4右上部分所示的输入空间x1-x2中。当所述数据将使用具有预定宽度的网格在x1和x2方向上分别进行量化，并以相等间隔设置时，如图4右下部分所示，网格的尺寸(即输入量化等级)是考虑到输出误差的容许宽度ε确定的，如图4左下部分所示。输出误差的容许宽度ε是一个值，其表示通过推理获得的输出与新输入数据对应的未知真值之间的误差所允许的程度，并且预先设定为建模条件。通过使用容许宽度ε确定网格尺寸，因此可以定义与输出邻点尺寸相对应的输入邻点，即实例，并且从属于所述实例的所有输入数据推断的输出数据的误差满足输出误差的容许宽度ε。
实例库产生器2通过在这种输入空间中进行量化处理产生实例库39。请参看图5，历史数据37被载入(步骤100)，并且设定了诸如输出误差的容许宽度ε等建模条件(步骤101)。以所述容许宽度ε为基础计算每个类型的评估指数，并以所述评估指数为基础为每个输入变量选择输入量化等级(步骤102)。随后从分配至各个网格的历史数据37中产生构成实例库39的每个实例(步骤103)。
(输入量化等级的确定)
下面将参照图6至图9说明使用评估指数进行输入量化等级确定过程。图6是说明了输入量化等级确定过程的流程图。图7说明了是评估指数之一的输出分配条件。图8说明了是评估指数之一的连续性条件。图9说明了每个评估指数充足率和相应的输入量化等级之间的关系。
输出分配条件是这样一种条件，即，相对于通过以选择的输入量化等级对输入空间进行量化而获得的任意网格，属于所述网格的历史数据的输出y的输出分配宽度小于输出误差的容许宽度ε，如图7所示。使用这个条件可以校验一个网格(即输入邻点)是否满足在相应的输出邻点确定的条件，即输出误差的容许宽度ε。连续性条件是这样一种条件，即，相对于通过以选择的输入量化等级对输入空间进行量化获得的任意网格，由所述网格产生的输出值y与环绕存在于所述实例周围的实例的平均输出值y’之间的差异和相似性r小于输出误差的容许宽度ε，如图8所不。
使用这个条件可以校验输出值中各个实例之间的差异(即输入邻点)是否满足相应的输出邻点之间确定的条件，即输出误差的容许宽度ε。当连续性条件得到满足时，可以确定各个实例覆盖输入空间，从而能够连续性地满足要求精度。在校验连续性条件中，需要考虑校验对象网格的实例与周围实例的距离，即相似性r(将在下面说明)。需要这种考虑来在操作中适当地反映拓扑中的连续映射的概念。在这种情况下，由于网格中的输出误差容许宽度处于ε内，如果两个实例之间的相似性是r，所述输出误差容许宽度处于ε(r+1)内。因此上述连续性条件是，在任意网格中产生的实例的输出值与相对所述实例相似性为r的周围实例的平均输出值y’之间的差异小于输出误差容许宽度ε(r+1)。
在输入量化等级确定过程中，首先设定评估标准(阈值)作为评估指数有效性判断的标准(步骤110)，如图6所示。为每个输入量化等级计算评估指数(步骤111)。获得的评估指数与评估标准进行比较，以选择一个输入量化等级，其评估指数能够满足所述评估标准(步骤112)。作为评估标准，优选的选择输入量化等级，其90％或更多的实例满足所述输出分配条件和连续性条件。在这种系统中，90％或95％的区分数量得到显示。这些90％和95％的值在统计上被认为是特征值。
随后为各个输入变量确定输入量化等级。例如，如果输入变量是x1，x2，…，xn，随后从x1至xn确定输入量化等级。在这种情况下，当要计算评估指数时，必须为所有输入变量分配输入量化等级。因此在获取与x1相关的评估指数中，此时已经确定的输入量化等级用于x1至xi-1，并且对于xi之后的xi+1，…，xn，使用与x1的输入量化等级相同的输入量化等级。
对于上述条件中的每一个输出分配条件和连续性条件，能够满足条件的实例与所有实例的比率，即评估指数充足率，被用作评估指数。例如，与xi关的输入量化等级m使用估指数值是由通过将x1，x2，…，xn的输入范围宽度相对各个输入量化等级进行量化而产生的满足所述评估指数条件的实例与全部实例的比率(即输出分配条件充足率和连续性条件充足率)获得的。对于输入变量xi，输入量化等级之一被选择并确定为用于输入变量xi的输入量化等级，所述输入量化等级之一能够被全部评估指数值用来清除所述评估标准。
此时，用于输出分配条件充足率SD和连续性条件充足率SC的评估指数并不随着输入量化等级m的增加而单调增加，而是以某个垂直宽度抛物线地增加，如图9所示。因此，存在一种情况，其中这些评估指数相对指定的输入量化等级m缺少评估指数，并因而满足如m2所示的评估标准。在这种情况下，通过选择预置校验输入量化等级的最小量化等级m1直至最大值mmax，可以独立于最大值mmax选择出最优输入量化等级，使用它，分配条件充足率SD和连续性条件充足率SC的各个评估指数满足所述评估标准。另外，网格的数量可以最小化，因此实例库的大小可以减小。
(建模评估)
在以如图10所示之一的评估标准为基础通过确定指数即，输出分配条件充足率和连续性条件充足率来按照这种方式确定输入量化等级的过程中，可以评估是否能够利用历史数据以要求精度对目标进行建模。如果输出分配条件充足率和连续性条件充足率中至少一个评估指数不能满足评估标准，输入量化部分21确定通过利用从历史数据37产生的实例库不能以要求输出误差容许宽度进行估算，并且评估出不能以要求精度进行建模。
在这种情况下，如图10所示，可以选择实际评估结果。例如，如果输出分配条件充足率过分低于评估标准，则预期实例库中某些网格中的历史数据37中的变化大于输出误差容许宽度。因此可以确定，使用现有输入变量，用于产生所述实例库的某些历史数据在很大的可能性上将属于不同的群体，并且这些实例不能作为同一网格处理，而且可以评估出输入变量选择必须进行重新检查。如果输出分配条件充足率低于评估标准达到某种程度，则确定包括在同一网格中的实例的变化在很大的可能性上是由噪声造成的，则可以评估出对历史数据37的噪声抑止处理必须进行重新检查。
如果连续性条件充足率过分低于评估标准，则确定实例库中其中存在实例的网格是离散的，并且在很大的可能性上是历史数据37不充分。在这种情况下，可以评估出测量点必须进行重新检查，以修正历史数据37的偏差。如果连续性条件充足率低于评估标准达到某种程度，则确定修正历史数据37的偏差在很大的可能性上是由噪声造成的，可以评估出对历史数据37的噪声抑止处理必须进行重新检查。
按照这种方式，输入量化部分21确定输出分配条件充足率和连续性条件充足率，并且评估出使用历史数据是否能以要求精度对所述对象进行建模，从而输出评估结果40。因此，如果在产生实例库的时候还不能以要求精度进行建模，则能够以评估结果40为基础进行实际测量。
(实例的产生)
在实例产生器2中，按照上述方式选择输入量化等级，并且每个历史数据被分配至以所述输入量化等级量化的每个输入空间和每个实例中的网格，从而产生实例。图11说明了实例产生过程。图12是说明了实例产生过程的流程图。
首先，通过以选择的输入量化等级为基础对每个输入变量进行量化(除法)(步骤120)。请参看图11，输入变量x1被10除，输入变量x2被6除。各个历史数据被分配至各个网格(步骤121)。其中存在历史数据的网格被选作实例，并且对所述网格中的输入和输出的值进行计算(步骤122)。当三个历史数据被分配至单个网格，如图11的右上部分所示，则它们结合为一个实例，如图11右下部分所示。在这种情况下。所述三个历史数据的平均输出y被用作代表所示实例的输出值，并且网格中的中值被用作代表所述实例的输入值。
输出数据的估算：实例检索部分和输出估算部分
下面将说明根据本发明第一实施方案的软传感器的运行。图1中的软传感器1通过使用按照这种方式产生的实例库11由新输入数据A(31)对估算输出数据Y(32)进行估算。首先，实例检索部分12通过使用输入数据A及其类似物的各个值X01至X0n从实例库11检索相似实例。图13说明了相似性定义。图14是说明了实例检索部分12中相似实例检索过程的流程图。相似性是代表每个实例与设置在实例库11的输入空间中的网格中的一个网格之间相似程度的量度，其相应于新预测条件，即输入数据。
请参看图13，如果在与输入数据相对应的中心网格中存在实例，定义所述实例和所述输入数据具有“相似性r＝0”。紧靠中心网格的输入数据和实例具有“相似性r＝1”。随后，相似性随着与所述中心网格距离增加依次增加。因此在进行估算中，基于具有相似性r的实例的估算值具有(r+1)xε内的精度。在这种情况下，如果估算所使用的输入值两侧上的实例得到适当使用，可以得到精度高于(r+1)xε的输出值。如果只适当使用了估算所使用的值一侧上的实例，则输入和输出值的连续性可以得到类似于(r+1)xε的精度。
如图14所示，实例检索部分12检索输入数据(步骤130)，并从实例库11具有的输入空间中选择与所述输入数据相对应的网格(步骤131)。实例检索部分12还将用作实例检索范围的相似性初始化为0(步骤132)，并从相似性所示的实例检索范围中检索相似实例(步骤133)。如果实例存在于与所述输入数据相对应的网格中(步骤134：是)，则此实例被输出为相似实例(步骤136)。如果在步骤134中确定没有实例存在于与所述输入数据相对应的网格中(步骤134：否)，则相似性增加1，以增大实例检索范围(步骤135)。流程随后返回步骤133，以再次检索相似实例。
按照这种方式，实例检索部分12从实例库11中检索与新输入数据相对应的相似实例。输出估算部分13以这些相似实例为基础估算与新输入数据A相对应的输出数据Y。例如，如果实例存在于与输入数据A(22.1，58.4)相对应的网格150中，如图15所示，此实例的输出值y＝70.2被选择为估算输出值。
如果在与输入数据A(23.8，62.3)相对应的网格151中不存在实例，如图16所示，实例检索部分12扩大检索范围152并检索相似实例。输出估算部分13随后根据所述检索的实例来计算估算输出数据。如果检索到多个实例，实例的输出值的平均值被用作估算输出数据。按照这种方式，输出估算部分13估算并输出与输入数据A相对应的估算输出数据Y。
自适应学习：自适应学习部分
下面将参照图17和图18说明自适应学习部分的运行。
如图1所示，自适应学习部分15以通过实际测量从所述对象获得的历史数据34为基础更新实例库11。在这种情况下，历史数据34可以是自动获得的，例如可以使用日历功能、温度传感器等每小时获得一次数据。这样就有可能自动进行自适应学习。
首先，从实例库11具有的输入空间中检索与新数据对应的实例。如果存在与新数据对应的实例，只对所述实例进行修正。图17说明了当存在对应的实例时的自适应学习过程。在这种情况下，由于存在与新数据B(23.9，66.8，48.2)对应的实例160，由新数据B的输出值y＝48.2和实例160修正之前的输出值49.7计算出新输出值y＝49.0。作为输出修正算术表达式，准备了遗忘因数CForget，并且修正前的输出值Yold和新数据B的输出值Y在所述遗忘因数指示的比率相加，以获得所述实例修正后的输出值。
如果不存在与所述新数据相对应的实例，则以新数据为基础产生新实例。图18说明了当不存在相应的实例时的自适应学习过程。在这种情况下，由于在与新数据B(23.7，62.3，43.8)相对应的网格161中不存在实例，与新数据B相对应的网格的中值被设定为输入值，并且产生了以新数据B的输出值y作为典型输出值的实例162。所述实例被加入到实例库54中。
如上所述，通过将基于实例的推理应用在建模上，获得了根据该实施方案的软传感器1的推理模型，所述建模基于拓扑原理，并被称为能够适用于一般对象的建模技术，其中能够维持系统中输入/输入关系的连续性。
因此数据作为实例存储在识别输入空间中。当需要估算输出时，可以通过输入和预先存储的输入实例之间的拓扑距离(相似性)表示估算输出值的可靠性。根据本发明，由于使用这种模型来估算进一步的水分分配量，与传统推理模型(神经网络和回归模型)相比可以获得下列效果。
根据传统推理模型：
1)由于采用特定模型结构来定义全部的输入/输出关系，为系统寻找最优结构非常麻烦。
2)当需要学习历史数据时，为了识别模型结构具有的多个参数，必须进行收敛计算。这个过程需要很长的时间。
3)即使当模型需要以新数据为基础进行更新，参数必须得到识别。因此自适应学习尤其难于进行。
4)很难掌握模型输出值相对用于估算的输入值在多大程度上可以信任。
与之相反，根据本发明：
1)由于过去经历的实例(问题和答案)被存储为实例库，并且使用了结合了系统中输入/输出关系的输入/输出实例，因此不需要任何代表输入/输出关系的特别模型。
2)当需要产生实例库时，通过使用输入量化等级作为参数对输入空间进行量化，以定义实例库和相似性，并计算评估指数，从而确定量化等级。因此，不需要进行变换计算。另外，从此评估指数值可以评估出模型的完善程度，因此不需要像现有技术那样通过使用测试数据单独评估模型。
3)新输入问题的解决办法是通过检索相似实例获得的。由于对于所述问题检索的实例的相似性的程度因而可以确定，所以此相似性可以被用来评估输出值的可靠性。
4)由于实例库由各个实例构成，因此实例库能够以所述新数据为基础进行部分修正，不需要像现有技术那样识别参数。这使自适应学习更简便。
应当注意，传统模型中的学习和收敛计算问题与基于实例推理(CBR)的实例库结构和相似性定义问题相同。在传统基于实例推理中，对于对象没有充足的知识，所以无法进行这种定义，这就工程而言是很严重的问题。根据本发明的基于实例推理模型，通过以拓扑学中连续映射的原理为基础将输入空间量化为拓扑空间，获得了与输出容许误差(即要求精度)相对应的实例库和相似性的唯一定义。因此，对于对象没有充足的知识也可以设定输入/输出模型，即识别输入/输出结构。
【第二实施方案】
下面将参照图1说明对根据本发明第二实施方案的软传感器的输出的评估。在此实施方案中，在软传感器的运行中，通过软传感器1的输出评估部分14计算出相对估算输出数据Y的估算误差d，并与估算输出数据Y同时实时地输出。
对输出的评估：输出评估部分
如图13所示，由相似性定义估算输出数据Y的可靠性。输出评估部分14以通过实例检索部分12获得的计算结果为基础由设定为建模条件的相似性r和每个网格的输出误差容许宽度ε来计算估算误差d＝(r+1)ε，相似性r表示对应于输入数据A的网格与检索到的网格之间的距离。因此，如果在与输入数据A相对应的网格中存在实例，由于拓扑距离是0，即相似性r＝0，估算误差d＝ε。如果实例不存在于与输入数据A相对应的网格中，而是存在于另一个邻近的网格中，由于另一个网格的相似性r增加，因此估算输出数据Y中包含的估算误差增大。
由于每个估算输出数据Y中含有的固有估算误差d(评估误差值)是通过输出评估部分14计算出并与估算输出数据Y一致输出的，与现有技术中的统计评估值(平均误差)相比，可以适当地对每个估算输出数据Y的可靠性进行评估。另外，在软传感器1运行的同时输出估算误差，可以实时地评估估算输出数据中的误差。
【第三实施方案】
下面将参照图1说明根据本发明第三实施方案的软传感器的功能评估。在本实施方案中，在软传感器1的运行中，功能评估部分16对软传感器1的运行，即，根据由要求输出误差容许宽度和拓扑距离确定的软传感器的规格的功能，是否正常进行评估。
对软传感器运行的评估：运行评估部分
下面将参照图19和图20说明对软传感器的功能进行评估的方法。图19说明了对软传感器进行评估所用条件。图20说明了条件与评估结果之间的关系。软传感器的功能是以图19中所示的两个条件①和②为基础进行评估的。
对于条件①，相对新输入数据A从输出评估部分13以实例库11为基础获得的估算输出数据Y与外部输入真值的输出数据YOUT之间的差别(绝对值)，与用于对估算输出数据Y进行估算的相似性r+1和输出误差容许宽度ε的乘积(r+1)ε进行比较，即从误差估算部分14获得的相对估算输出数据Y的估算误差d，并确定是否满足|Y-YOUT|≤(r+1)ε。如果保持条件①，由于可以在要求精度范围内进行估算，输出评估结果36，指出软传感器运行正常。此时，如图20所示，可以输出实际评估结果36，促进学习所述实例库。
做为选择，能够以所述评估结果为基础控制自适应学习部分15，并且可以自动更新实例库11。自适应学习可以在下列时间进行。当通过实际测量从对象获得真值的输出数据时，可以通过使用由真值的输出数据和相应的输入数据构成的新历史数据进行学习，即可以部分修正实例库11。如果相似性r＞0，即，没有实例存在于与输入数据A相对应的网格中，则可以进行自适应学习。在自适应学习中，如果过去实例的输出数据与真值输出数据之间的差异很大，则可以废除过去的实例，并且真值的输出数据可以用作新实例。作为选择，不是当获得真值的输出数据时顺序进行学习，而是例如可以当需要学习的新历史数据在某种程度上已经产生时共同进行。
对于条件②，相对新输入数据A从输出评估部分13以实例库11为基础获得的估算输出数据Y与外部输入真值的输出数据YOUT之间的差别(绝对值)，与用于对估算输出数据Y进行估算的相似性r+1和输出误差容许宽度ε的乘积(r+1)ε进行比较，即从误差估算部分14获得的相对估算输出数据Y的估算误差d，并确定是否满足|Y-YOUT|≤(r+1)ε。如果保持条件②，由于没有在要求精度范围内进行估算，输出评估结果36，指出软传感器运行不正常。此时，如图20所示，如果出乎意料地保持了条件②，可以输出实际评估结果36，指出可能具有瞬时噪声。例如，如果经常具有条件②，可以输出实际评估结果36，指出需要修订输出误差容许宽度和输入变量选择。
按照这种方式，评估是通过将相对输入数据A的估算输出数据Y与真值的输出数据YOUT之间的差别与(r+1)ε(即输出误差d)进行比较而完成的。这样就有可能精确并适当地评估软传感器运行是否正常，即软传感器是否根据由要求输出误差容许宽度和拓扑距离确定的规范运行。
【第四实施方案】
第三实施方案说明了对通过使用实例库估算输出数据的软传感器的功能进行估算的情况。第四实施方案将说明对使用任意推理引擎的软传感器的功能进行外部和间接评估的情况。图21是一个功能框图，其说明了对用于使用神经网络(NN)估算输出数据的软传感器进行评估的评估装置。软传感器4包括：神经网络产生部分41，其用于以历史数据P1至Pj(63)为基础产生神经网络42；和输出估算部分43，其用于通过使用由神经网络产生部分41产生的神经网络42估算与输入数据A(61)相对应的输出数据，并将所述数据输出作为估算输出数据Y(62)。虽然下面将对使用神经网络作为推理引擎的软传感器进行说明，但是本发明也可以适用于使用另外模型(例如线性模型或非线性模型，或上述实例库)的软传感器中，因为推理引擎受到外部评估。
对软传感器功能的评估：评估装置
用于评估软传感器4的功能的评估装置5包括评估实例库51、实例检索部分52、输出估算部分53、输出评估部分54和功能评估部分55。这些元件中的每一个都与图1的软传感器1的每一个元件相对应，并且按照与之几乎相同的方式操作。尤其地，评估实例库51与实例库11相对应。需要指出，评估实例库51是预先产生的，例如通过使用与产生软传感器4的神经网络(NN)42时所用数据相同的历史数据63由图2所示实例库产生器2产生。另外，实例检索部分52、输出估算部分53、输出评估部分54和功能评估部分55分别对应于软传感器1的实例检索部分12、输出估算部分13、输出评估部分14和功能评估部分16。
下面将说明评估装置5的操作。评估装置5与软传感器4同时操作。输入软传感器4的输入数据A也输入至评估装置5的实例检索部分52。实例检索部分52通过使用评估实例库51检索至少一个与输入数据A相对应的实例。输出估算部分53以检索到实例的输出值为基础计算与输入数据A相对应的输出数据，并将其作为评估估算数据YH(64)输出。输出评估部分54以实例检索部分52在实例检索中使用的相似性为基础计算评估估算数据YH中的估算误差，并将计算误差作为评估估算误差dH(65)输出。如上所述方式，对于与输入数据A相对应的每一个评估估算数据YH，评估估算误差dH作为代表其估算误差的数据输出。
软传感器的运行评估：运行评估部分
功能评估部分55通过使用来自输出估算部分53的评估估算数据YH和来自输出评估部分54的评估估算误差dH利用神经网络42对软传感器4的功能进行评估，并输出例如由硬传感器从对象实际测量到的真值的输出数据YOUT(66)。这个评估操作与上述功能评估部分16的操作相同，其中评估是通过使用如图18所示的条件进行的，并且以图19所示的关系为基础输出评估结果67。假定在图18中的每个条件中，评估估算数据YH用来代替估算输出数据Y，并且评估估算误差dH与(r+1)ε相对应而不是估算误差d。此评估操作的详细说明省略。
按照这种方式，评估实例库预先从与产生软传感器推理模型所用数据相同的历史数据产生，并且与软传感器同时操作的评估装置计算出评估估算输出数据和相对于与输入所述软传感器相同的输入数据的评估估算误差。通过使用这些数据对软传感器的功能进行评估。因此，即使对于使用任何类型推理引擎的软传感器，都能够以由所述评估实例库所提供的估算精度为基础，评估其运行是否正常。
【第五实施方案】
第四实施方案说明了评估装置，其通过利用单独产生的评估实例库同时进行估算操作，在操作时使用任意推理模型评估软传感器的功能。第五实施方案说明了一种情况，其中当软传感器所用推理模型产生后，而不是当软传感器操作时，软传感器的功能受到评估。
图21所示评估装置中使用的评估实例库51是通过使用历史数据67由实例库产生器2产生的，所述历史数据67是当神经网络42(即此情况下的推理模型)用于软传感器4时的数据。此时，如在第一实施方案中所述，能够以由输入量化部分21的输出分配条件确定装置21A和连续性条件确定装置21B的判断为基础评估软传感器4中所用的神经网络42的对象的模型可行性，因此图2中的实例库产生器可以被认为是一种模型评估装置。在此评估中，由输出分配条件确定装置21A和连续性条件确定装置21B获得的指数，即输出分配充足率和连续性条件充足率，是按照上述方式通过查询图10中所述评估标准确定的。此操作的详细说明省略。
按照这种方式，在输入量化部分21，输出分配充足率和连续性条件充足率被确定，以评估是否能使用历史数据以要求精度对所述对象进行建模，并且输出评估结果40。因此，如果在评估实例库产生时不能基于要求精度建模，可以确定，使用相通历史数据产生的用于软传感器的任意推理模型也会出现相同问题。这样就能够以评估结果40为基础进行实际测量，即适当测量，例如检查输入变量选择，检查测量点，并且检查历史数据的噪声抑止处理。虽然本实施方案说明了使用神经网络的软传感器，但本发明并不局限于此。在使用任何类型的推理引擎的软传感器中，都可以适当评估对象的模型可行性。
工业适用性
从上述说明已经非常清楚，根据本发明的软传感器包括：通过接收多个历史数据产生的实例库，每个所述历史数据由从用于估算的多个输入变量获得的一组输入数据和通过使用所述输入数据作为输入条件从所述对象获得的实际输出数据组成，通过根据要求的输出容许误差将所述实例库的输入空间进行量化而形成多个单位输入空间，将各个历史数据设置在相应的单位输入空间中，并对于具有至少一个历史数据的每个单位输入空间产生代表所述单位输入空间中的历史数据的实例；实例检索部分，其通过检索所述实例库从至少一个单位输入空间中的每一个获取实例，所述单位输入空间具有实例并且其位置距离与新的一组输入数据相对应的单位输入空间最小拓扑距离；和输出估算部分，其估算与所述新的一组输入数据相对应的输出数据。所述输出估算部分根据所述实例检索部分检索出的所述实例的输出数据来计算与所述新的一组输入数据相对应的输出数据，并且将所述输出数据作为估算输出数据输出。在短时间内就能够将从识别对象实际检测的所述输出数据估算为每个都具有精确评估值的估算输出数据。
另外，根据本发明的另一种软传感器还包括输出评估部分，其用于计算估算输出数据中包含的误差。所述输出评估部分以输出容许误差和与所述新的一组输入数据相对应的单位输入空间与由所述实例检索部分检索出的实例的单位输入空间之间的拓扑距离为基础，由所述输出估算部分计算所述估算输出数据中包含的误差，并将所述误差作为与所述估算输出数据相对应的估算误差输出。这样就有可能清楚地提供每个估算输出数据中包含的估算误差。
在根据本发明的另一种软传感器中，由于功能评估部分通过使用来自所述输出评估部分的估算误差、来自所述输出估算部分的估算输出数据和从所述对象获得的真值的输出数据进行评估，因此能够评估所述软传感器运行是否正常。
根据本发明的软传感器评估装置包括：评估实例库，当要为所述软传感器产生推理模型时使用所述的评估实例库，其通过接收多个历史数据而产生，每个所述历史数据由从用于估算的多个输入变量获得的一组输入数据和通过使用所述输入数据作为输入条件从所述对象获得的实际输出数据组成，通过根据要求的输出容许误差将所述实例库的输入空间进行量化而形成多个单位输入空间，将各个历史数据设置在相应的单位输入空间中，并对于具有至少一个历史数据的每个单位输入空间产生代表所述单位输入空间中的历史数据的实例；实例检索部分，其通过检索所述评估实例库从至少一个单位输入空间中的每一个获取实例，所述单位输入空间具有实例并且其位置距离与输入所述软传感器的新的一组输入数据相对应的单位输入空间最小拓扑距离；输出估算部分，其通过所述实例检索部分检索出的所述实例的输出数据来计算与所述新的一组输入数据相对应的输出数据，并且将所述输出数据作为评估的估算输出数据输出；输出评估部分，其以输出容许误差和与所述新的一组输入数据相对应的单位输入空间与由所述实例检索部分检索出的实例的单位输入空间之间的拓扑距离为基础，由所述输出估算部分计算所述估算输出数据中包含的误差，并将所述误差作为与所述估算输出数据相对应的评估估算误差同时输出；和对软传感器进行评估的功能评估部分。所述功能评估部分通过使用来自所述输出评估部分的评估估算误差、来自所述输出估算部分的评估的估算输出数据和从所述对象获得的真值的输出数据进行评估。因此，对于使用任何类型推理模型的软传感器，它也能够间接评估软传感器运行是否正常。
根据本发明的另一种软传感器评估装置包括功能评估部分，其将由与所述新的一组输入数据一致的所述输出估算部分获得的所述评估的估算输出数据与从所述对象获得的真值输出数据之间的差异，与对应于所述评估的估算输出数据的评估估算误差进行比较，从而评估所述软传感器运行是否正常。因此，以评估实例库所能提供的估算误差为基础，能够间接地评估软传感器运行是否正常。
根据本发明的另一种软传感器评估装置包括输入量化部分，其接收多个历史数据，并且通过根据要求的输出容许误差将所述实例库的输入空间进行量化而形成多个单位输入空间，每个所述历史数据由为用于估算的多个输入变量获得的一组输入数据和通过使用所述输入数据作为输入条件从所述对象获得的实际输出数据组成，所述实际输出数据在所述推理模型产生时使用，其中所述输入量化部分包括：输出分配条件确定装置，其用于确定每一个形成的单位输入空间是否满足条件，即输出数据与在所述单位输入空间中设置的历史数据之间的变化是否位于要求输出容许误差之内，并计算和输出满足条件的单位输入空间充足率，作为输出分配条件充足率；和连续性条件确定装置，其用于确定每一个形成的单位输入空间是否满足条件，即代表设置在所述单位输入空间中历史数据的典型历史数据与至少一个单位输入空间的典型历史数据的输出数据平均值之间的差异是否位于与所述拓扑距离相对应的输出容许误差之内，所述至少一个单位输入空间位于距离所述单位输入空间的最小拓扑距离，并且其中设置了历史数据，并计算和输出满足条件的单位输入空间充足率，作为连续条件充足率。所述输入量化部分对以所述输出分配条件充足率和连续条件充足率为基础产生的推理模型进行评估。对于使用任何类型推理模型的软传感器，当软传感器的推理模型产生时可以适当地评估对象的模型可行性。

Claims (6)

1.一种软传感器，其使用预定推理模型对为代表对象行为的多个输入变量而获得的一组输入数据进行运算处理，以根据所述一组输入数据对从所述对象实际检测到的输出数据进行估算，并将所述数据作为估算输出数据进行输出，其特征在于，所述软传感器包括：
通过接收多个历史数据产生的实例库，每个所述历史数据由从用于估算的多个输入变量获得的一组输入数据和通过使用所述输入数据作为输入条件从所述对象获得的实际输出数据组成，通过根据要求的输出容许误差将所述实例库的输入空间进行量化而形成多个单位输入空间，将各个历史数据设置在相应的单位输入空间中，并对于具有至少一个历史数据的每个单位输入空间产生代表所述单位输入空间中的历史数据的实例；
实例检索部分，其通过检索所述实例库从至少一个单位输入空间中的每一个获取实例，所述单位输入空间具有实例，并且其位置距离与新的一组输入数据相对应的单位输入空间最小拓扑距离；和
输出估算部分，其根据所述实例检索部分检索出的所述实例的输出数据来计算与所述新的一组输入数据相对应的输出数据，并且将所述输出数据作为估算输出数据输出。
2.根据权利要求1所述的软传感器，其特征在于，还包括输出评估部分，其以输出容许误差和与所述新的一组输入数据相对应的单位输入空间与由所述实例检索部分检索出的实例的单位输入空间之间的拓扑距离为基础，计算所述输出估算部分输出的输出数据中包含的误差，并将所述误差作为与所述估算输出数据相对应的估算误差输出。
3.根据权利要求2所述的软传感器，其特征在于，还包括功能评估部分，当所述新的一组输入数据与不具有实例的单位输入空间相对应时，所述功能评估部分将由与所述新的一组输入数据一致的所述输出估算部分获得的所述估算输出数据与从所述对象获得的真值的输出数据之间的误差，与对应于所述估算输出数据的估算误差进行比较，从而评估所述软传感器运行是否正常。
4.一种用于评估软传感器的软传感器评估装置，所述软传感器使用预定推理模型对为代表对象行为的多个输入变量获得的一组输入数据进行运算处理，以根据所述一组输入数据对从所述对象实际检测到的输出数据进行估算，并将所述数据作为估算输出数据进行输出，其特征在于，所述软传感器评估装置包括：
评估实例库，当要为所述软传感器产生推理模型时使用所述评估实例库，其通过接收多个历史数据而产生，每个所述历史数据由从用于估算的多个输入变量获得的一组输入数据和通过使用所述输入数据作为输入条件从所述对象获得的实际输出数据组成，通过根据要求的输出容许误差将所述实例库的输入空间进行量化而形成多个单位输入空间，将各个历史数据设置在相应的单位输入空间中，并对于具有至少一个历史数据的每个单位输入空间产生代表所述单位输入空间中的历史数据的实例；
实例检索部分，其通过检索所述评估实例库从至少一个单位输入空间中的每一个获取实例，所述单位输入空间具有实例，并且其位置距离与输入所述软传感器的新的一组输入数据相对应的单位输入空间最小拓扑距离；
输出估算部分，其根据所述实例检索部分检索出的所述实例的输出数据来计算与所述新的一组输入数据相对应的输出数据，并且将所述输出数据作为评估的估算输出数据输出；
输出评估部分，其以输出容许误差和与所述新的一组输入数据相对应的单位输入空间与由所述实例检索部分检索出的实例的单位输入空间之间的拓扑距离为基础，计算所述输出估算部分输出的输出数据中包含的误差，并将所述误差作为与所述估算输出数据相对应的评估估算误差输出；
功能评估部分，其通过使用来自所述输出评估部分的评估估算误差、来自所述输出估算部分的评估的估算输出数据和从所述对象获得的真值的输出数据，评估所述软传感器运行是否正常。
5.根据权利要求4所述的软传感器评估装置，其特征在于，所述功能评估部分将由与所述新的一组输入数据一致的所述输出估算部分获得的所述评估的估算输出数据与从所述对象获得的真值的输出数据之间的差异，与对应于所述评估的估算输出数据的评估估算误差进行比较，从而评估所述软传感器运行是否正常。
6.一种用于评估软传感器的软传感器评估装置，所述软传感器使用预定推理模型对为代表对象行为的多个输入变量获得的一组输入数据进行运算处理，以根据所述一组输入数据对从所述对象实际检测到的输出数据进行估算，并将所述数据作为估算输出数据进行输出，其特征在于，所述软传感器评估装置包括：
输入量化部分，其接收多个历史数据，并且通过根据要求的输出容许误差将所述实例库的输入空间进行量化而形成多个单位输入空间，每个所述历史数据由为用于估算的多个输入变量获得的一组输入数据和通过使用所述输入数据作为输入条件从所述对象获得的实际输出数据组成，所述实际输出数据在所述推理模型产生时使用，
其中所述输入量化部分包括：
输出分配条件确定装置，其用于确定每一个形成的单位输入空间是否满足条件，即输出数据与在所述单位输入空间中设置的历史数据之间的变化是否位于要求输出容许误差之内，并计算和输出满足条件的单位输入空间充足率，作为输出分配条件充足率，和
连续性条件确定装置，其用于确定每一个形成的单位输入空间是否满足条件，即代表设置在所述单位输入空间中历史数据的典型历史数据与至少一个单位输入空间的典型历史数据的输出数据平均值之间的差异是否位于与所述拓扑距离相对应的输出容许误差之内，所述至少一个单位输入空间位于距离所述单位输入空间的最小拓扑距离，并且其中设置了历史数据，并计算和输出满足条件的单位输入空间充足率，作为连续条件充足率，和
所述输入量化部分以所述输出分配条件充足率和连续条件充足率为基础通过使用历史数据产生推理模型，通过所述推理模型评估对象的模型可行性。
CNB008198748A 2000-07-06 2000-07-06 软传感器装置和用于评估该装置的装置 Expired - Fee Related CN1287275C (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2000/004497 WO2002006953A1 (fr) 2000-07-06 2000-07-06 Capteur logiciel et dispositif d'evaluation correspondant

Publications (2)

Publication Number Publication Date
CN1454348A true CN1454348A (zh) 2003-11-05
CN1287275C CN1287275C (zh) 2006-11-29

Family

ID=11736234

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB008198748A Expired - Fee Related CN1287275C (zh) 2000-07-06 2000-07-06 软传感器装置和用于评估该装置的装置

Country Status (5)

Country Link
US (1) US7359842B1 (zh)
CN (1) CN1287275C (zh)
AU (1) AU2000258488A1 (zh)
DE (1) DE10085478T1 (zh)
WO (1) WO2002006953A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598838A (zh) * 2018-06-13 2019-12-20 国际商业机器公司 统计感知权重量化

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7532952B2 (en) * 2006-03-16 2009-05-12 Applied Materials, Inc. Methods and apparatus for pressure control in electronic device manufacturing systems
US8301356B2 (en) * 2008-10-06 2012-10-30 GM Global Technology Operations LLC Engine out NOx virtual sensor using cylinder pressure sensor
JP5643587B2 (ja) * 2010-09-27 2014-12-17 タカノ株式会社 入力物理量推定方法、推定装置並びに推定プログラム
EP3188040B1 (en) * 2015-12-31 2021-05-05 Dassault Systèmes Retrieval of outcomes of precomputed models
EP3188038B1 (en) 2015-12-31 2020-11-04 Dassault Systèmes Evaluation of a training set
EP3188041B1 (en) 2015-12-31 2021-05-05 Dassault Systèmes Update of a machine learning system
EP3188039A1 (en) 2015-12-31 2017-07-05 Dassault Systèmes Recommendations based on predictive model
DE102016201745A1 (de) * 2016-02-05 2017-08-10 Vaillant Gmbh Softsensor zur Identifikation und Regelung oder Steuerung eines Lüftungssystems
CN115385445B (zh) * 2022-09-21 2023-04-04 南京晓庄学院 一种基于大数据的污水生化处理用软测量管理系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5918200A (en) * 1992-08-31 1999-06-29 Yamatake-Honeywell Co., Ltd. State estimating apparatus
US6243696B1 (en) * 1992-11-24 2001-06-05 Pavilion Technologies, Inc. Automated method for building a model
JPH07160662A (ja) * 1993-12-02 1995-06-23 Hitachi Ltd ニューラルネットワークの予測結果における信頼度算出方法
US5831851A (en) * 1995-03-21 1998-11-03 Seagate Technology, Inc. Apparatus and method for controlling high throughput sputtering
US6879971B1 (en) * 1995-12-22 2005-04-12 Pavilion Technologies, Inc. Automated method for building a model
SG84531A1 (en) * 1999-05-20 2001-11-20 Univ Singapore Disturbance attenuation in a precision servomechanism by a frequency-separated acceleration soft sensor
US6639402B2 (en) * 2001-01-31 2003-10-28 University Of Kentucky Research Foundation Temperature, stress, and corrosive sensing apparatus utilizing harmonic response of magnetically soft sensor element (s)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598838A (zh) * 2018-06-13 2019-12-20 国际商业机器公司 统计感知权重量化
CN110598838B (zh) * 2018-06-13 2024-01-19 国际商业机器公司 统计感知权重量化

Also Published As

Publication number Publication date
DE10085478T1 (de) 2003-10-16
WO2002006953A1 (fr) 2002-01-24
US7359842B1 (en) 2008-04-15
AU2000258488A1 (en) 2002-01-30
CN1287275C (zh) 2006-11-29

Similar Documents

Publication Publication Date Title
US20180165592A1 (en) System and method for predicting remaining lifetime of a component of equipment
US20220155733A1 (en) Method of performing a process and optimizing control signals used in the process
CN1287275C (zh) 软传感器装置和用于评估该装置的装置
CN117274259B (zh) 一种基于物联网的键盘生产设备管理方法及系统
CN113539382B (zh) 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统
CN108334652B (zh) 机台的预诊断方法及预诊断装置
JP6968282B2 (ja) パワートレイン管理の因果分析
US20070135938A1 (en) Methods and systems for predictive modeling using a committee of models
CN117008479A (zh) 基于生物质气化炉的负碳排放优化控制方法及系统
Parnianifard et al. Robust simulation-optimization of dynamic-stochastic production/inventory control system under uncertainty using computational intelligence
CN1616204A (zh) 橡胶密炼生产过程的故障监测与专家系统及其使用方法
CN117203593A (zh) 用于测量部件的方法和系统、以及程序
JP2022011858A (ja) 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム
CN1873565A (zh) 用于调整设施的数据处理系统和方法
CN117519028B (zh) 智能玻璃加工输送线系统及能耗优化方法
CN117973431B (zh) 一种最优二分共识控制方法、装置、设备及存储介质
CN117555892B (zh) 大气污染物多模式融合核算模型后处理方法
CN117666448B (zh) 基于物联网能耗预测的节能方法、装置、设备及介质
CN115563549B (zh) 一种焊接缺陷成因诊断方法、系统及电子设备
US20220299984A1 (en) Method and system for controlling a production plant to manufacture a product
CN117795519A (zh) 用于控制生产系统的方法和系统
CN114841467A (zh) 基于时间序列的石油炼化行业co2排放预测方法
CN118260607A (zh) 一种应用于羊肚菌仿生态栽培的多参数智能调控方法与系统
CN118428037A (zh) 一种具有增强特征提取的随机增量软测量建模方法
CN118333457A (zh) 大数据驱动的能源效率综合评价系统及方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20061129

Termination date: 20180706