JP2010525306A - センサネットワークの較正 - Google Patents

Abstract

本発明は、センサネットワークにおける３つ以上のセンサの一群の較正損失の程度を示す較正値を決定するための方法であって、ある期間にわたってセンサの各々により捕捉された複数のデータ値を受信するステップと、処理ユニット（４０４）によって、各センサに関連する少なくとも１つの相関値を決定するステップであって、各相関値が、関連するセンサによって捕捉されたデータ値と少なくとも１つの他のセンサによって捕捉されたデータ値との相関に対応するステップと、ハイパスフィルタ（４１０）によって相関値のノイズ成分を抽出するステップと、ノイズ成分と基準ノイズ値との差に基づいて決定された較正値を出力するステップとを含む方法に関する。
【選択図】 図４

Description

本発明は、センサ群の較正を決定するための回路、特に、センサネットワークにおけるセンサの較正に関する。

複数のセンサを備えるセンサネットワークは、多くの場合、ある環境下での変数をモニタリングするために使用される。各センサは、検知機構と、検知されたデータをベースユニットに送信するための送信機とを備える。センサが無線である場合、データの送信は無線送信機によって行われる。

センサは、ある環境に配置されたときに、通常有限の寿命を有する。例えば、センサがそれらの電源としてバッテリを使用する場合、最終的にバッテリは放電状態となる。しかし、これよりも前に、センサが較正を損失する傾向にある。したがって、最初は、それが正確なものとして、センサにより検知されたデータに依拠することができるものの、ある時期には、データがもはや有用でない程度にまで較正が損失される。

「最高精度のデータの取得」（Ｇｅｔｔｉｎｇ ｔｈｅ Ｈｉｇｈｅｓｔ Ａｃｃｕｒａｃｙ Ｄａｔａ）、オーシャンティーチャ、シーバードチュートリアルのモジュール７ 「特徴空間のカーネルＰＣＡおよびデノイジング」（Ｋｅｒｎｅｌ ＰＣＡ ａｎｄ Ｄｅ−Ｎｏｉｓｉｎｇ ｉｎ Ｆｅａｔｕｒｅ Ｓｐａｃｅｓ）、セバスチャン・ミカ 「カーネルＰＣＡによるロバストなデノイジング」（Ｒｏｂｕｓｔ Ｄｅｎｏｉｓｉｎｇ ｂｙ Ｋｅｒｎｅｌ ＰＣＡ），ＩＣＡＮＮ２００２国際会議，２００２年８月２８日〜３０日、スペイン マドリッド

センサの読み取りが依然として正確であるときにセンサを交換することは、無駄であり、コストがかかる。他方、較正を損失しているセンサからの結果に依拠することにより、不正確なデータがもたらされ、当該不正確なデータにより、誤解が生じるか、最悪の場合、危険が生じることがある。したがって、センサがどのように較正されているかを認識しておく必要がある。

問題は、センサネットワークにおいてセンサの較正が損なわれる割合が、環境条件を含む種々の要因とセンサの電子回路とに応じて変化し得るものであり、その予測が極めて困難であり得ることである。このため、センサネットワークのセンサの較正損失の程度を決定する際に、技術的問題が生じる。

本発明の一態様によれば、センサネットワークにおける３つ以上のセンサの一群の較正損失の程度を示す較正値を決定するための方法であって、ネットワークが、好ましくは、群のセンサ間に少なくともある重複を含み、本方法が、ある期間にわたってセンサの各々により捕捉された複数のデータ値を受信するステップと、処理ユニットによって、各センサに関連する少なくとも１つの相関値を決定するステップであって、各相関値が、関連するセンサによって捕捉されたデータ値と少なくとも１つの他のセンサによって捕捉されたデータ値との相関に対応するステップと、ハイパスフィルタによって相関値のノイズ成分を抽出するステップと、ノイズ成分と基準ノイズ値との差に基づいて決定された較正値を出力するステップとを含む方法が提供される。

本発明の一実施形態によれば、基準ノイズ値は、最初の期間にわたってセンサの各々により捕捉された複数の最初のデータ値を受信するステップと、処理ユニットによって、各センサに関連する少なくとも１つの最初の相関値を決定するステップであって、各最初の相関値が、関連するセンサによって捕捉された最初のデータ値と、少なくとも１つの他のセンサによって捕捉された最初のデータ値との相関に対応するステップと、ハイパスフィルタによって、および最初の相関値の最初のノイズ成分を抽出するステップであって、最初のノイズ成分が基準ノイズ値を提供するステップとによって決定される。

本発明の一実施形態によれば、本方法は、さらに、センサの複数の群を決定するステップを含み、各群はセンサネットワークに少なくとも３つのセンサを備え、群は、ネットワークのセンサによって捕捉されたデータ値の相関に基づいて決定され、この場合、相関データ値を有するセンサは共に群をなしている。

本発明の一実施形態によれば、本方法は、さらに、センサ群の各々の較正値を決定するステップと、少なくとも１つの計算においてセンサ群によって捕捉されたデータ値を用いるステップとを含み、この場合、計算のために、より大きく較正されたセンサ群からのデータ値には、より小さく較正されたセンサ群からのデータ値よりも大きな重みが与えられるように、各センサ群からのデータ値が、群の関連する較正値に基づいて重み付けされる。

本発明の一実施形態によれば、群はｎ個のセンサを備え、相関値はｎ×ｎの行列を満たし、この場合、ノイズ成分は別のｎ×ｎの行列形式で抽出される。

本発明の一実施形態によれば、ノイズ成分と基準ノイズ値との差はノイズ成分のノルムに基づいて計算される。

本発明の一実施形態によれば、本方法は、さらに、較正値と閾値とを比較するステップと、較正値が閾値よりも大きいときに、センサ群が較正を損失していることの指示を出力するステップとを含む。

本発明の一実施形態によれば、本方法は、さらに、較正値が閾値よりも大きいときにセンサ群を交換するステップを含む。

本発明の一実施形態によれば、本方法は、さらに、較正値が閾値よりも大きいときにセンサ群を再較正するステップを含む。

本発明の一実施形態によれば、センサネットワークは、少なくとも１つのセンサからの少なくとも１つのデータ値が制御閾値よりも大きいときに作動される少なくとも１つの制御機能部を備え、本方法は、さらに、較正値に基づいて制御閾値を調整するステップを含む。

本発明の他の態様によれば、センサネットワークにおける３つ以上のセンサの一群の較正損失の程度を示す較正値を決定するための回路であって、ある期間にわたってセンサの各々により捕捉された複数のデータ値を受信するように、および各センサに関連する少なくとも１つの相関値を決定するように配置された相関計算ユニットであって、各相関値が、関連するセンサによって捕捉されたデータ値と少なくとも１つの他のセンサによって捕捉されたデータ値との相関に対応する相関計算ユニットと、相関値のノイズ成分を抽出するように配置されたハイパスフィルタと、ノイズ成分と基準ノイズ値との差に基づいて較正値を出力するように配置された出力ユニットとを備える回路が提供される。

本発明の一実施形態によれば、回路は、さらに、較正値と閾値とを比較するためのコンパレータを備える。

本発明の一実施形態によれば、回路は、さらに、較正値が閾値よりも大きいときにセンサ群を非作動にするための回路を備える。

本発明の別の態様によれば、複数のセンサ群と、１つ以上のセンサ群の較正値を決定するように配置された上記回路とを備えるセンサネットワークが提供される。

本発明の上記および他の目的、特徴、態様および利点は、添付図面に基づいて例示しているが、それらに限定されない実施形態の以下の詳細な説明から明らかになるであろう。

一実施形態によるセンサネットワークを示す概略図である。 センサネットワークの個々のセンサの一実施形態を示す概略図である。 本発明の一実施形態に従い、センサネットワークにおいてセンサ群の較正を決定する際の方法ステップを示す図である。 本発明の一実施形態に従い、センサ群の較正損失の程度を決定するための回路を示す概略図である。 本発明の一実施形態に従い、センサ群に分けられたセンサネットワークのセンサを示す図である。

図１は、検知機構１０３および通信回路１０４を各々が備える５つの無線センサ１０２を備えるセンサネットワーク１００を示している。センサは領域１０５にわたって配置される。ベースユニット１０６は、センサによって検知されたデータを受信する。ベースユニット１０６に最も近接したセンサ１０２はデータをベースユニットに直接無線送信し、このベースユニットはアンテナ１０８を介してデータを受信する。例えば、各センサの通信回路１０４は、制限された通信範囲を有しており、いくつかのセンサは、ベースユニット１０６への直接送信の範囲外にある場合がある。上記いくつかのセンサが範囲外ではないとしても、電力を浪費しないために、長距離にわたる送信を回避することを決定する場合がある。これらのセンサは、それらの捕捉データを、より近接した他のセンサに送信し、この他のセンサはデータをベースユニット１０６に中継する。いくつかの例では、複数の中間センサを介して、データをネットワークの最も遠いセンサからベースユニット１０６に中継して送信することができる。ネットワーク１００は５つのみのセンサを備えているが、実際には、このようなネットワークは、任意の数のセンサを含んでよく、多くの場合、数百個、数千個、さらには数百万個の個々のセンサを備えることができる。

ベースユニット１０６は、センサネットワークのセンサから受信したデータをデータ記憶部１１０に記憶し、例えば、このデータ記憶部１１０からの前記データをユーザディスプレイ（図示せず）に表示するか、あるいは別の処理または分析にかけることができる。いくつかの実施形態では、ベースユニット１０６は、データに関する１つ以上の条件が満たされたときを決定し、これに応じて制御機能部１１２を作動させる。この制御機能部は、例えば、警報システム、あるいはある形態の機械的または電気的応答システムに対応する。

センサネットワークの用途の例は、センサネットワークを用いて森林火災を検出することである。このような場合、温度レベルを検出するための温度センサを各々が備えるセンサが、森林に配置される。この場合、制御機能部１１２は、例えば、森林火災に対応する比較的高い温度値をセンサが示したときに作動される警報システムである。代替例は、例えば農場に配置されたｐＨセンサ、例えば航空機に配置された圧力センサ、例えば海に配置された導電率センサまたは溶存酸素センサ、例えば漏れを検出するためにオイルラインに配置された化学センサ、あるいは例えば橋に配置された振動センサを含む。

図２は、センサ１０２の機能ブロックの例をより詳細に概略的に示している。特に、センサは、上記のように、センサの周囲で１つ以上の変数、例えば、温度、湿度、圧力、振動、化学物質、酸素、導電率、ノイズレベル、煙、ガス等を検知するセンサ機構２０２を備える。このようなセンサ機構は、一般に、検知された変数のレベルに対応する電圧レベルまたは電流レベルの形式の出力を提供する。センサ機構が、現在検知されている値を出力する頻度は、特定の用途に依存し、例えば、毎秒数千回の読み取りから毎日または毎月ほんの数回の読み取りまでの範囲にあり得る。

また、センサ１０２は、センサ機構２０２からのデータ信号を受信するマイクロプロセッサ２０４を備える。さらに、センサ１０２は、センサ機構２０２によって捕捉されたデータが例えば送信される前に記憶される、マイクロプロセッサ２０４に接続されたメモリ２０６を備える。マイクロプロセッサ２０４は、データを他のセンサ１０２またはベースユニット１０６に送信するかまたはそこから受信する通信ブロック２０８に接続される。例えばＺｉｇｂｅｅ規格を用いて、データが送信される。基地局１０６に中継すべき、他のセンサから受信されたデータは、例えば、メモリ２０６に一時的に記憶される。

電源２１２は、電力を装置に、特に、センサ機構２０２、マイクロプロセッサ２０４、メモリ２０６、および通信ブロック２０８に供給する。図示していないが、センサの周囲から、例えば太陽エネルギーまたは振動から電力を生じさせる発電手段をセンサに設けることも可能である。これにより、センサの電源の寿命を延ばすことができる。

検知機構２０２の出力は時間の経過と共に較正を損失する可能性がある。このことは、センサが受ける衝撃、センサの腐食によるものであるか、またはより頻繁には、劣化、温度変化等の影響を受ける多数のトランジスタゲートを備えることができるセンサの電子回路によるものであり得る。各センサにおいて較正の損失が一般にランダムに発生するものであり、さらに、ドリフト方向が一般に各センサに固有であることが確認されている。例えば、種々の種類のセンサに影響を与えるセンサのドリフトは、オーシャンティーチャ（Ｏｃｅａｎ Ｔｅａｃｈｅｒ）による（非特許文献１）に詳細に記載されている。較正損失が各センサで異なるという事実は、較正損失によって生じるデータ変化間の、またはセンサの周囲における合理的な変化の区別を非常に困難にする。

次に、図３を参照して、センサネットワークのセンサＳ１〜Ｓｎ（ここで、ｎは少なくとも３つである）の群の較正損失を決定する方法について説明する。言い換えれば、少なくとも３つのセンサが群に存在する。

センサネットワークのセンサ群は、少なくともある重複が存在する程度に、言い換えれば、センサによって受信されたデータ値に少なくともある相関が存在する程度に十分に密集していることが前提とされる。例えば、センサは、１つのセンサに影響を与える環境変化が、ネットワークの少なくとも１つの他のセンサにも影響を与える可能性がある程度に十分に近接している。

図３に示したように、ステップ３００では、センサＳ_１〜Ｓ_ｎからのデータ値Ｓ１〜Ｓｎの相関が計算される。相関は、期間ｔにわたる複数のセンサ読み取りに関連する。このようにして、複数の連続データ値がセンサ群の各センサから受信される。データ値の数は、２つまたは３つの値から数百または数千の値までの任意のものであり得る。センサ対の相関が計算される。特に、群の各センサおよび群の少なくとも１つの他のセンサから受信されたデータ値に関する相関値が好ましくは計算される。このようにして、群の各センサからのデータを含む少なくとも１つの相関値が提供される。また、好ましい実施形態では、他の各センサに対する各センサからのデータ値の相関が計算される。このようにして、ｎ個のセンサを前提とすると、好ましくは、結果が以下のようにｎ×ｎの行列を満たし、ここで、Ｃ_ｉ，ｊ（ｔ）は、期間ｔにわたってセンサＳ_ｉとＳ_ｊから受信されたデータ値の相関であり、ここで、ｉとｊは１〜ｎの範囲にある。
Ｃ_１，１（ｔ） Ｃ_１，２（ｔ） Ｃ_１，３（ｔ）−−Ｃ_１，ｎ（ｔ）
Ｃ_２，１（ｔ） Ｃ_２，２（ｔ） Ｃ_２，３（ｔ）−−Ｃ_２，ｎ（ｔ）
Ｃ_３，１（ｔ） Ｃ_３，２（ｔ） Ｃ_３，３（ｔ）−−Ｃ_３，ｎ（ｔ）
｜ ｜ ｜ ｜
｜ ｜ ｜ ｜
Ｃ_ｎ，１（ｔ） Ｃ_ｎ，２（ｔ） Ｃ_ｎ，３（ｔ）−−Ｃ_ｎ，ｎ（ｔ）

Ｃ_１，２（ｔ）がＣ_２，１（ｔ）に等しい場合、実際には、この計算を、さらには、行列の他の対の値の計算を１回のみ行えば済む。さらに、上記のように、行列の値の全てを決定する必要はない。

２組のデータ値の相関を決定することは周知であり、例えば、次式に基づいて計算することができる。
Ｃ_ｉ，ｊ（ｔ）＝（Ｅ［（Ｓ_ｉ（ｔ）−μ_ｉ）（Ｓ_ｊ（ｔ）−μ_ｊ）］／（Ｅ［（Ｓ_ｉ（ｔ）−μ_ｉ）^２］Ｅ［（Ｓ_ｊ（ｔ）−μ_ｊ）^２）^１／２
ここで、Ｅ［ ］は期待値であり、μ_ｉはＳ_ｉの期待値であり、μ_ｊはＳ_ｊの期待値である。この式を適用することにより、−１〜１の相関値が得られ、ここで、−１は正確な逆相関を意味し、０は非相関を意味し、１は正確な相関を意味する。

ある時間における相関Ｃ（ｔ）を以下のような成分に分けることができる。
Ｃ（ｔ）＝Ｃ_０＋Ｅ（ｔ）＋Ｍ（ｔ）
ここで、Ｃ_０は、例えばセンサが正確に較正されたときのデータ値の相関に対応する、データ値の最初の相関値であり、Ｅ（ｔ）は、例えば、いくつかのセンサにのみ影響を与える環境の変化から生じる、構造化された相関変化であり、そしてＭ（ｔ）は、センサの較正損失から生じる、ランダムな相関成分である。この後者の相関成分をノイズ成分として考えることができる。

図３に示したように、本方法は、最初のセンサデータ読み取りＳ_０１〜Ｓ_０ｎの複数の連続値に基づいて、最初の相関値Ｃ_０が決定されるステップ３０２を含む。このことは、ステップ３００の計算と同じ方法で計算され、例えば、Ｃ_ｉ，ｊ（ｔ）の上記式を用いる。

本発明の方法によれば、ステップ３０４では、ステップ３００で計算された相関Ｃ（ｔ）からノイズ成分が抽出される。このことを行うために、例えば、ノイズ成分が、ホワイトノイズから生じることが前提とされる。このホワイトノイズは、ほとんどの場合較正損失の形態に最良に対応するが、代替実施形態では、他の形態のノイズモデルを用い得る。相関行列に適用されたハイパスフィルタを使用して、例えば主成分分析（ＰＣＡ）に従って、ノイズ成分が抽出される。主成分分析は、任意の行列の高周波成分および低周波成分を分離するために用いられる行列分解技術である。特に、ＰＣＡは、多次元データセットを低減して分析次元を下げることにより、データセットを簡略化することを可能にする。ＰＣＡは、第１の主成分と呼ばれるデータの任意の投影による最大の分散が第１の座標に存在するように、次に最大の分散が第２の座標に存在するように等々、データを新たな座標系に変換するために用いられる直交線形変換である。ＰＣＡは、より低次の主成分を保持し、より高次の主成分を無視することによって、データセットの分散に最も寄与するデータセットの特性を維持しつつ、データセットの次元を下げるために用いることができる。

ＰＣＡを用いてノイズ成分を決定するための手法が関連技術で知られている。しかし、公知の手法は、一般に、ノイズ成分を保持するのではなくノイズ成分を除去するために適用される。例えば、セバスチャン・ミカ（Ｓｅｂａｓｔｉａｎ Ｍｉｋａ）らの（非特許文献２）は、主成分分析を用いてノイズを決定して除去するための手法を記載している。（非特許文献２）は、法則に従って許容可能な範囲で参照により本明細書に組み込まれる。さらに、２００２年８月２８日〜３０日にスペインのマドリッドにおいて開催されたＩＣＡＮＮ２００２国際会議における（非特許文献３）も、このような手法を記載する。（非特許文献３）は、法則に従って許容可能な範囲で参照により本明細書に組み込まれる。

ステップ３０４は、上記技術を用いてノイズ成分を決定するステップと、この成分を信号から除去するのではなく、このノイズ成分を保持して、残りを除去するステップとを含む。本発明の一実施形態に従って、行列のノイズ成分を決定するためのＭａｔｌａｂコードの例を次のページに示す。

ＭＡＴＬＡＢコードの例
関数
［ＥＯＦｓ，ＰＣｓ，Ｖａｒ，Ｘｒｅｃｏｎ］＝ｐｒｉｎｃｉｐａｌ＿ｃｏｍｐｏｎｅｎｔ＿ａｎａｌｙｓｉｓ（Ｘ，ｎｅｏｆ）
％ ｆｕｎｃｔｉｏｎ［ＥＯＦｓ，ＰＣｓ，Ｖａｒ］＝ｐｒｉｎｃｉｐａｌ＿ｃｏｍｐｏｎｅｎｔ＿ａｎａｌｙｓｉｓ（Ｘ，ｎｅｏｆ）
％ データ行列Ｘの主成分分析を行うための関数
％ 入力：
％ Ｘ：（ｔ，ｘ）各行はサンプルに対応し、各列は変数である。（各列は変数の時系列である。）
％ ｎｅｏｆ：戻りに対するＥＯＦ／ＰＣの数
％ 出力：
％ ＥＯＦｓ：列のＥＯＦｓ（ローディング）を有する（ｘ，ｅ）行列
％ ＰＣｓ：列の主成分を有する（ｔ，ｅ）行列
％ Ｖａｒ：各主成分の分散
％ Ｘｒｅｃｏｎ：（ｔ，ｘ）再構成されたＸ（平均値を後で加えない）
％ 再構成するために：Ｘｒｅｃｏｎ＝ＰＣｓ^＊ＥＯＦｓ’
％ 注：（１）このルーチンは、ＰＣＡを実行する前に各変数（列）の平均値を減算する。
％ （２）ｓｕｍ（ｖａｒ（Ｘ））＝ｓｕｍ（Ｖａｒ）＝ｓｕｍ（ｄｉａｇ（Ｓ）＾２／（ｍ−１））
ｉｆ ｓｔｒｃｍｐ（ｃｌａｓｓ（Ｘ），’ｓｉｎｇｌｅ’）
ｄｉｓｐ（’警告：入力行列ＸをクラスＤＯＵＢＬＥに変換中’）
ｅｎｄ
％ 列の平均値を減算することによって、Ｘを集中
［ｍ，ｎ］＝ｓｉｚｅ（Ｘ）；
Ｘ＝Ｘ−ｒｅｐｍａｔ（ｍｅａｎ（Ｘ，１），ｍ，１）；
ｒ＝ｍｉｎ（ｍ−１，ｎ）； ％ 最大可能なＸの順位
％ ＳＶＤ
ｉｆ ｎａｒｇｉｎ＜２
［Ｕ，Ｓ，ＥＯＦｓ］＝ｓｖｄｓ（Ｘ，ｒ）；
ｅｌｓｅ
［Ｕ，Ｓ，ＥＯＦｓ］＝ｓｖｄｓ（Ｘ，ｍｉｎ（ｒ，ｎｅｏｆ））；
ｅｎｄ
％ ＥＯＦｓ：（ｘ，ｅ）
％ Ｕ：（ｔ，ｅ）
％ ＥＯＦ係数を決定
ＰＣｓ＝Ｕ^＊Ｓ； ％ ＰＣｓ＝Ｘ^＊ＥＯＦｓ（ｔ，ｅ）
％ 各ＰＣの分散を計算
Ｖａｒ＝ｄｉａｇ（Ｓ）．＾２／（ｍ−１）；
％ 注：Ｘ＝Ｕ^＊Ｓ^＊ＥＯＦｓ’
％ ＥＯＦｓはＸ’^＊Ｘ＝（ｍ−１）^＊ｃｏｖ（ｘ）の固有ベクトルである。
％ ｓｉｇ＾２（＝ｄｉａｇ（Ｓ）＾２）はＸ’^＊Ｘの固有値である。
％ したがって、ｔｒ（Ｘ’^＊Ｘ）＝ｓｕｍ（ｓｉｇ＿ｉ＾２）＝（ｍ−１）^＊（ｔｏｔａｌ ｖａｒｉａｎｃｅ ｏｆ Ｘ）
ｉｆ ｎａｒｇｏｕｔ＞３
Ｘｒｅｃｏｎ＝ＰＣｓ^＊ＥＯＦｓ’； ％ （ｔ，ｘ）
ｅｎｄ

ハイパスフィルタリングステップはカットオフ周波数に対応し、このカットオフ周波数以下において、信号が廃棄される。カットオフ周波数は環境の種々の要因に依存する。例えば、最適なカットオフ周波数を発見的に決定することができる。

このようにして、ステップ３０４により、相関行列から抽出されたノイズ成分を示す別の行列Ｍ（ｔ）が得られる。

ステップ３０６では、最初の相関値Ｃ_０において、同じノイズ抽出方法が実行される。このステップは、最初のノイズレベルを示す最初のノイズ成分Ｍ_０を提供する。

最初のノイズ成分行列Ｍ_０と現在のノイズ成分行列Ｍ（ｔ）との比較に基づいて、較正損失Ｉ（ｔ）の指標が決定される。特に、このことは、好ましくは、ステップ３０８において、ノイズ成分Ｍ（ｔ）と最初のノイズ成分Ｍ_０（ｔ）との間の距離として決定され、言い換えれば：
Ｉ（ｔ）＝ｄ（Ｍ０，Ｍ（ｔ））＝‖Ｍ（ｔ）−Ｍ_０‖
ここで、‖Ｍ（ｔ）−Ｍ_０‖は、Ｍ（ｔ）−Ｍ_０のノルムであり、較正値Ｉ（ｔ）としてスカラ値を提供する。このノルムは、例えばフロベニウスノルムであり、次式のように計算することできる。
Σ_ｉ，ｊ（Ｍ_ｉ，ｊ（０）−Ｍ_ｉ，ｊ（ｔ））^２

Ｉ（ｔ）をノイズ成分Ｍ（ｔ）と最初の成分Ｍ_０との差として規定することによって、より大きな較正値は、センサ群のより小さな較正を示し、これに対して、より小さな較正値は、センサ群のより大きな較正を示す。

図４は、センサネットワーク内のあるセンサ群の較正損失の程度を決定するための回路４００を概略的に示している。

バッファブロックまたはメモリブロック４０２は、ネットワークのセンサＳ_１〜Ｓ_ｎからのデータ値を受信する。バッファ４０２は、好ましくは、ある期間にわたってセンサネットワークにより記録された複数の連続データ値を記憶する程度に十分に大きい。一例として、上記バッファは、１日間にわたって各センサからの連続データ値を２０回受信して記憶する。このようなデータは、Ｍ_０を計算するために用いられる最初のデータ、または較正値Ｉ（ｔ）を決定するためのデータ値を意味し得る。

バッファブロック４０２は、並列接続部４０６または代わりに直列接続部によって相関計算ユニット４０４に接続される。上記のように、相関計算ユニット４０４は、センサ対からのデータ値に基づいて相関Ｃ_ｉ，ｊ（ｔ）を決定する。対応する相関Ｃ（ｔ）は、ハイパスフィルタ４１０に出力され、ハイパスフィルタ４１０は、例えば、予めプログラムされるかまたは入力４１２への制御信号によって指示されるカットオフ周波数に基づいて、ノイズ成分を抽出する。

抽出されたノイズ成分行列Ｍは、出力４１４においてスイッチ４１６に出力される。この行列が最初のノイズ成分値Ｍ_０に対応する場合、前記行列はスイッチ４１６によってメモリ４１８にルーティングされ、それ以降、このメモリにおいて前記行列にアクセス可能である。抽出されたノイズ成分行列が較正計算のために用いられる場合、前記行列はスイッチ４１６によって減算ブロック４２０に提供され、この減算ブロック４２０は、現在のノイズ成分Ｍ（ｔ）から最初のノイズ成分Ｍ_０を減算し、上記のようなノルムを決定して、較正損失の程度をスカラ値Ｉ（ｔ）として決定する。スイッチ４１６は、例えば、ノイズ値が、初期値であるか、または較正値を計算するために用いられる値であるかどうかを指示する入力４１７によって制御される。

図４の回路が、ハードウェアによって、ソフトウェアによって、または両方の組み合わせによって完全に実現できることが当業者には明らかであろう。

図５は、較正値を決定するために群をなしているセンサネットワークのセンサを示している。

特に、センサ群のセンサが互いに高い相関を示すときに、上記の方法および回路が最も有用である。したがって、いくつかのセンサ群が他のものよりもさらに相関するネットワークにおいて、群毎に個々に較正値を計算する前に、最初に、ネットワークのセンサをこのような群に分けることが好ましい。さらに、このことは、いくつかのセンサ群が他の群よりも速く較正を損失した場合、センサのいくつかを交換または再較正すれば済むようにできるという利点を有する。

図５に示したように、領域５００にわたって配置されたセンサは、３つの群５０２、５０４および５０６にそれぞれ分けられる。群５０２は６つのセンサＳ_１〜Ｓ_４、Ｓ_９およびＳ_１０を備え、群５０４は４つのセンサＳ_５およびＳ_１１〜Ｓ_１３を備え、そして群５０６は３つのセンサＳ_６〜Ｓ_８を備える。群は、例えば物理的要因、例えばルーム内で共に群をなしている全てのセンサ、または共に物理的に近接する群をなしているセンサによって規定される。代わりに、群は、一連の最初の読み取りを実行し、どのセンサが互いに最良の相関を示しているかを決定することによって規定される。有効な結果を得るために、群は少なくとも３つのセンサを備えるが、原則として、各群のセンサが増加すると、それだけ較正指標が向上し、より多数の結果により、相関値からノイズ成分のみを決定して抽出することがより容易になる。

センサ群に関し決定される較正値Ｉ（ｔ）を、さまざまな方法で用いることができる。いくつかの実施形態では、その較正値は、当該センサ群によって捕捉されたデータ値に重みを与えるために用いられる。このようにして、複数のセンサ群からデータが用いられる場合、より小さく較正されたセンサ群からのデータには、より小さな重みを与え、より大きく較正された群からのデータには、より大きな重みを与えることができ、したがって、データの精度が向上する。

代わりに、較正値Ｉ（ｔ）が較正値の閾値よりも大きい場合、上記センサからのデータが無視されるように、前記較正値の閾値を選択してもよい。それに加えてまたはその代わりに、これらのセンサを交換または再較正してもよい。

いくつかの例では、上記のように、センサネットワークによって記録された結果に基づいて、制御機能部（例えば図１の機能部１１２）を実行させることができる。このような制御機能部は、例えば、１つ以上のセンサからのデータが閾値に達した場合に実行させられる。例えば、センサが２００℃よりも大きい温度を読み取った場合、火災警報を作動させる。いくつかの実施形態によれば、較正値は上記閾値を調整するために用いられる。このようにして、センサがより小さく較正されたときに、例えば閾値が増加され、誤作動の可能性が低くなる。

上記の通り、センサネットワークのセンサ群の較正損失の程度を決定するための方法および回路について説明した。本方法は、群のセンサ対の相関を決定することを含む。このことは、群の各センサからの複数のデータ値と、群の少なくとも１つの他のセンサ、好ましくは、群の他のセンサの全てからのデータ値との相関を決定することによって実現される。次に、ハイパスフィルタを適用することによって、相関値からノイズ成分が抽出される。このノイズ成分値と最初のノイズ値との差は、最初のノイズ値が記録されてからの時間間隔におけるセンサの較正損失の程度を決定する。このようにして、最初のノイズ値は、好ましくは、センサが正確に較正されたときに計算される。

この方法および回路の利点は、群のセンサによって捕捉されたデータが信頼できるときの正確な決定を可能にすることである。データ値の相関値を用いることによって、較正損失を決定したときに、環境変化を有利に除去することができる。次に、較正値を用いて、センサを再較正または交換すべきときと、センサからのデータを用いることができるかまたは用いることができないときを決定することができる。

ネットワークのセンサは、好ましくは、較正値を決定するための群に分けられる。このことは、較正の損失により時間がかかるセンサをより長期間使用することができ、これに対して、直ぐに較正を損失するセンサ群を非作動にすることができ、言い換えれば、前記センサ群のデータがより早期に無視され、ネットワークからのデータの精度が向上するという利点を有する。

上記の通り、本発明の少なくとも１つの例示的実施形態について説明してきたが、種々の変更、修正および改良は当業者に容易に想起されるであろう。

例えば、センサネットワークおよびセンサの実施例が、図１および図２にそれぞれ示されているが、本出願は、無線であってもなくてもよい、非常に多様なセンサネットワークおよびセンサに適用することができる。

ＰＣＡに基づいて相関行列に適用されるハイパスフィルタリングステップの実施例が示されているが、任意の適切なアルゴリズムを用いて、ハイパスフィルタの機能を相関行列に提供することが可能である。

さらに、計算のために行列が用いられることについて上述してきたが、データを異なる形態で処理できることが当業者には明らかであろう。最初のノイズ成分を行列Ｍ_０の形態であるものとして説明してきたが、この値をスカラ値として提供し、ノイズ成分行列Ｍ（ｔ）の値から直接減算して、較正値Ｉ（ｔ）を生成することが可能である。

このような変更、修正および改良は本発明の範囲内に含まれることが意図される。したがって、上記説明は、一例に過ぎず、限定的なものを意図するものではない。本発明は、以下の特許請求の範囲およびそれらの均等物による規定によってのみ限定される。

Claims (14)

1. センサネットワーク（１００）における３つ以上のセンサ（１０２）の一群（５０２、５０４、５０６）の較正損失の程度を示す較正値を決定するための方法であって、
   ある期間にわたって前記センサの各々により捕捉された複数のデータ値を受信するステップと、
   処理ユニット（４０４）によって、各センサに関連する少なくとも１つの相関値を決定するステップであって、各相関値が、前記関連するセンサによって捕捉された前記データ値と、少なくとも１つの他のセンサによって捕捉された前記データ値との相関に対応するステップと、
   ハイパスフィルタ（４１０）によって、前記相関値のノイズ成分を抽出するステップと、
   前記ノイズ成分と基準ノイズ値との差に基づいて決定された前記較正値を出力するステップと、
   を含む方法。
2. 前記基準ノイズ値が、
   最初の期間にわたって前記センサの各々により捕捉された複数の最初のデータ値を受信するステップと、
   処理ユニット（４０４）によって、各センサに関連する少なくとも１つの最初の相関値を決定するステップであって、各最初の相関値が、前記関連するセンサによって捕捉された前記最初のデータ値と、少なくとも１つの他のセンサによって捕捉された前記最初のデータ値との相関に対応するステップと、
   ハイパスフィルタ（４１０）によって、前記最初の相関値の最初のノイズ成分を抽出するステップであって、前記最初のノイズ成分が前記基準ノイズ値を提供するステップと、
   を含むステップによって決定される、請求項１に記載の方法。
3. センサの複数の群（５０２、５０４、５０６）を決定するステップをさらに含み、各群が前記センサネットワークに少なくとも３つのセンサを備え、前記群が、前記ネットワークの前記センサによって捕捉されたデータ値の相関に基づいて決定され、相関データ値を有するセンサが共に群をなしている、請求項１または２に記載の方法。
4. 前記センサ群の各々の前記較正値を決定するステップと、少なくとも１つの計算において前記センサ群によって捕捉されたデータ値を用いるステップとをさらに含み、前記計算のために、より大きく較正されたセンサ群からの前記データ値には、より小さく較正されたセンサ群からのデータ値よりも大きな重みが与えられるように、各センサ群からのデータ値が、当該群に関連する前記較正値に基づいて重み付けされる、請求項３に記載の方法。
5. 前記群がｎ個のセンサを備え、前記相関値がｎ×ｎの行列を満たし、前記ノイズ成分が別のｎ×ｎの行列形式で抽出される、請求項１〜４のいずれか１項に記載の方法。
6. 前記ノイズ成分と前記基準ノイズ値との差として規定される較正値Ｉ（ｔ）が次式に基づいて計算され、
   Ｉ（ｔ）＝‖Ｍ（ｔ）−Ｍ_０‖
   ここで、Ｍ（ｔ）が行列形式の前記ノイズ成分であり、Ｍ_０が行列形式の最初のノイズ値であり、‖Ｍ（ｔ）−Ｍ_０‖がＭ（ｔ）−Ｍ_０のノルムである、請求項５に記載の方法。
7. 前記較正値と閾値とを比較するステップと、前記較正値が前記閾値よりも大きいときに、前記センサ群が較正を損失していることの指示を出力するステップとをさらに含む、請求項１〜６のいずれか１項に記載の方法。
8. 前記較正値が前記閾値よりも大きいときに前記センサ群を交換するステップをさらに含む、請求項７に記載の方法。
9. 前記較正値が前記閾値よりも大きいときに前記センサ群を再較正するステップをさらに含む、請求項７に記載の方法。
10. 前記センサネットワークは、少なくとも１つのセンサからの少なくとも１つのデータ値が制御閾値よりも大きくなったときに作動される少なくとも１つの制御機能部（１１２）を備え、前記方法が、前記較正値に基づいて前記制御閾値を調整するステップをさらに含む、請求項１〜９のいずれか１項に記載の方法。
11. センサネットワーク（１００）における３つ以上のセンサ（１０２）の一群（５０２、５０４、５０６）の較正損失の程度を示す較正値を決定するための回路であって、
    ある期間にわたって前記センサの各々により捕捉された複数のデータ値を受信するように、および各センサに関連する少なくとも１つの相関値を決定するように配置された相関計算ユニット（４０４）であって、各相関値が、前記関連するセンサによって捕捉された前記データ値と、少なくとも１つの他のセンサによって捕捉された前記データ値との相関に対応する相関計算ユニット（４０４）と、
    前記相関値のノイズ成分を抽出するように配置されたハイパスフィルタ（４１０）と、
    前記ノイズ成分と基準ノイズ値との差に基づいて、前記較正値を出力するように配置された出力ユニット（４２０）と、
    を備える回路。
12. 前記較正値と閾値とを比較するためのコンパレータをさらに備える、請求項１１に記載の回路。
13. 前記較正値が前記閾値よりも大きいときに前記センサ群を非作動にするための回路をさらに含む、請求項１２に記載の回路。
14. センサネットワークであって、複数のセンサ群と、１つ以上の該センサ群の較正値を決定するよう配置された請求項１１〜１３のいずれか１項に記載の回路とを備えるセンサネットワーク。

Images