JP2010530179A - 仮想センサ・システムおよび方法 - Google Patents

仮想センサ・システムおよび方法 Download PDF

Info

Publication number
JP2010530179A
JP2010530179A JP2010512202A JP2010512202A JP2010530179A JP 2010530179 A JP2010530179 A JP 2010530179A JP 2010512202 A JP2010512202 A JP 2010512202A JP 2010512202 A JP2010512202 A JP 2010512202A JP 2010530179 A JP2010530179 A JP 2010530179A
Authority
JP
Japan
Prior art keywords
sensor
sensors
physical
virtual
virtual sensor
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
Application number
JP2010512202A
Other languages
English (en)
Inventor
ジャヤチャンドラン アミット
エル．ケッセ メアリー
ジェイ．グリクニック アンソニー
セスキン マイケル
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.)
Caterpillar Inc
Original Assignee
Caterpillar Inc
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 Caterpillar Inc filed Critical Caterpillar Inc
Publication of JP2010530179A publication Critical patent/JP2010530179A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—Input/output
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37537—Virtual sensor

Abstract

機械（１００）用のセンサ（１３０）を提供するための方法が提供される。この方法は、機械用の複数のセンサ（１４０、１４２）からのデータを含むデータ記録を取得するステップと、複数のセンサの１つに対応する仮想センサを決定するステップとを含み得る。また、この方法は、データ記録に基づいて、少なくとも１つの検出パラメータ（４０２）と複数の測定パラメータ（４０６）との間の相互関係を示す仮想センサの仮想センサ・プロセス・モデル（４０４）を確立するステップと、複数の測定パラメータに対応する１組の値を取得するステップとを含み得る。さらに、この方法は、複数の測定パラメータに対応する１組の値と仮想センサ・プロセス・モデルとに基づいて、実質的に同時に、少なくとも１つの検出パラメータの値を計算するステップと、少なくとも１つの検出パラメータの値を制御システム（１２０）に提供するステップとを含み得る。

Description

本開示は、一般に、コンピュータベースのプロセス・モデリング技法に関し、より詳細には、プロセス・モデルを使用する仮想センサ・システムおよび方法に関する。
物理的センサは、自動車からの温度、速度、および排気など、物理現象を測定および監視するために、現代の機械など多くの製品において広く使用されている。しばしば、物理的センサは、物理現象の直接的な測定を行い、これらの測定結果を、制御システムがさらに処理することができる測定データに変換する。物理的センサは、物理現象の直接的な測定を行うが、物理的センサおよび関連のハードウェアは、しばしばコストが高く、時として信頼性に乏しい。さらに、制御システムが、適切に動作するために物理的センサに依拠するとき、物理的センサの故障が、そのような制御システムを動作不能にすることがある。例えば、エンジン内の速度またはタイミング・センサの故障は、エンジン自体が依然として動作可能である場合でさえ、エンジン全体の停止をもたらし得る。
直接的な測定ではなく、他の様々な物理的に測定された値を処理して、物理的センサによって既に直接測定されている値を生成するために、仮想センサが開発される。例えば、１９９５年１月３１日にＫｅｅｌｅｒらに付与された（特許文献１）が、センサ確認を伴う仮想連続排気監視システムを開示する。（特許文献１）は、逆伝播活性化モデル（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ−ｔｏ−ａｃｔｉｖａｔｉｏｎ ｍｏｄｅｌ）およびモンテカルロ探索技法を使用して、仮想検出システムに関して使用される計算モデルを確立して最適化して、他の測定パラメータから検出パラメータを導出する。しかし、そのような従来の技法は、しばしば、特に計算モデルの発生および／または最適化の時点で、個々の測定パラメータ間の相互相関に対処できず、または他の測定パラメータを検出パラメータに相関させることができない。
さらに、現代の機械は、適切に機能するために複数のセンサを必要とすることがある。どのセンサ機能を物理的センサによって提供すべきか、どのセンサ機能を仮想センサによって提供すべきか、またはどのセンサ機能を物理的センサと仮想センサとの組合せによって提供すべきかを決定するのは難しいことがある。さらに、特定の物理的センサの所要の精度および／または信頼性を決定するのが難しいことがある。高い精度または高い信頼性、すなわち高い品質を有する物理的センサは、通常の物理的センサよりも高価であることがある。高品質センサを全てのセンサ機能に関して使用することは、製造コストを大幅に増加させ得る。
他の状況では、現代の機械は、既存の機械に新たな機能を提供するように後付けされ得る。新たな機能は、既存の機械に新たなセンサが設置されることを必要とすることがあり、これは、実用上不可能であることがあり、または新たなハードウェアおよびソフトウェアを後付けするのにかなりのコストがかかることがある。
米国特許第５，３８６，３７３号明細書
開示されるシステムのいくつかの特徴に当てはまる方法およびシステムは、上述した問題の１つまたは複数を解決することを対象とする。
本開示の一態様は、機械用のセンサを提供する方法を含む。この方法は、機械用の複数のセンサからのデータを含むデータ記録を取得するステップと、複数のセンサの１つに対応する仮想センサを決定するステップとを含み得る。また、この方法は、データ記録に基づいて、少なくとも１つの検出パラメータと複数の測定パラメータとの間の相互関係を示す仮想センサの仮想センサ・プロセス・モデルを確立するステップと、複数の測定パラメータに対応する１組の値を取得するステップとを含み得る。さらに、この方法は、複数の測定パラメータに対応する１組の値と仮想センサ・プロセス・モデルとに基づいて、実質的に同時に、少なくとも１つの検出パラメータの値を計算するステップと、少なくとも１つの検出パラメータの値を制御システムに提供するステップとを含み得る。
本開示の別の態様は、サポート物理的センサを有さない第１の機械に、サポート物理的センサを有する第２の機械に基づいて作成された仮想センサを後付けするための方法を含む。この方法は、第１の機械と第２の機械との両方で利用可能な複数のセンサと、第２の機械でのサポート物理的センサとからのデータを含むデータ記録を取得するステップと、データ記録に基づいて、サポート物理的センサと複数のセンサそれぞれとの間の相関値を計算するステップとを含み得る。また、この方法は、相関値に基づいて、複数のセンサから相関センサを選択するステップと、相関センサに基づいて、サポート物理的センサの仮想センサを作成するステップと、第２の機械のサポート物理的センサによって提供される機能を提供するために、第１の機械で仮想センサを使用するステップとを含み得る。
本開示の別の態様は、コンピュータ・システムを含む。このコンピュータ・システムは、データベースと、プロセッサとを含み得る。データベースは、仮想センサ・プロセス・モデルに関連する情報を記憶するように構成され得る。プロセッサは、機械用の複数のセンサからのデータを含むデータ記録を取得するように、かつ複数のセンサの１つに対応する仮想センサを決定するように構成され得る。また、プロセッサは、データ記録に基づいて、少なくとも１つの検出パラメータと複数の測定パラメータとの間の相互関係を示す仮想センサの仮想センサ・プロセス・モデルを確立するように、かつ複数の測定パラメータに対応する１組の値を取得するように構成され得る。さらに、プロセッサは、複数の測定パラメータに対応する１組の値と仮想センサ・プロセス・モデルとに基づいて、実質的に同時に、少なくとも１つの検出パラメータの値を計算するように、かつ少なくとも１つの検出パラメータの値を制御システムに提供するように構成され得る。
本開示の別の態様は、対応する物理的センサの機能を提供するために、サポート物理的センサが機械に設置されることなく、後付けされた仮想センサを有する機械を含む。機械は、動力源、制御システム、および仮想センサ・システムを含み得る。動力源は、機械に動力を提供するように構成され得る。制御システムは、動力源を制御するように構成され得る。仮想センサ・システムは、サポート物理的センサに対応することがあり、複数のセンサによって提供される少なくとも１つの検出パラメータとサポート物理的センサの複数の測定パラメータとの間の相互関係を示す仮想センサ・プロセス・モデルを含み得る。さらに、仮想センサ・システムは、複数の測定パラメータに対応する１組の値を取得するように、かつ複数の測定パラメータに対応する１組の値と仮想センサ・プロセス・モデルとに基づいて、実質的に同時に、少なくとも１つの検出パラメータの値を計算するように構成され得る。また、仮想センサ・システムは、サポート物理的センサに対応する機能を提供するために、少なくとも１つの検出パラメータの値を制御システムに提供するように構成され得る。仮想センサは、あるプロセスによって作成され得る。このプロセスは、複数のセンサとサポート物理的センサとからのデータを含むデータ記録を取得するステップと、データ記録に基づいて、サポート物理的センサと複数のセンサとの間の相関値を計算するステップとを含み得る。また、プロセスは、相関値に基づいて、複数のセンサから相関センサを選択するステップと、相関センサに基づいて、サポート物理的センサの仮想センサを作成するステップとを含み得る。
いくつかの開示される実施形態に当てはまる特徴および原理が組み込まれ得る例示的な機械を示す図である。 いくつかの開示される実施形態に当てはまる例示的な仮想センサ・システムのブロック図である。 いくつかの開示される実施形態に当てはまる例示的なセンサ選択プロセスの流れ図である。 いくつかの開示される実施形態に当てはまる例示的なコンピュータ・システムの論理ブロック図である。 いくつかの開示される実施形態に当てはまる例示的な仮想センサ・モデル発生および最適化プロセスの流れ図である。 いくつかの開示される実施形態に当てはまる例示的な制御プロセスの流れ図である。 いくつかの開示される実施形態に当てはまる例示的な後付けプロセスの流れ図である。 いくつかの開示される実施形態に当てはまる別の例示的な制御プロセスの流れ図である。
次に、添付図面に図示される例示的実施形態を詳細に参照する。可能な限り、図面を通じて、同一または同様の部分を表すために同一の参照番号を使用する。
図１は、いくつかの開示される実施形態に当てはまる特徴および原理が組み込まれ得る例示的な機械１００を示す。機械１００とは、採鉱、建設、耕作、輸送など特定の産業に関連したある種の操作を行い、（例えば、建設現場、採鉱地、動力装置および発電機、高速道路上での用途など）作業環境間または作業環境内で動作する任意のタイプの固定または移動機械、例えば、トラック、クレーン、土工機械、採鉱車両、バックホー、資材運搬機器、耕作機器、船舶、航空機、および作業環境内で動作する任意のタイプの可動機械などを指し得る。また、機械１００は、車、バン、および他の車両など任意のタイプの商用車を含むこともある。また、他のタイプの機械が含まれることもある。
図１に示されるように、機械１００は、エンジン１１０と、エンジン制御モジュール（ＥＣＭ）１２０と、仮想センサ・システム１３０と、物理的センサ１４０および１４２と、データ・リンク１５０とを含み得る。エンジン１１０は、内燃機関または燃料電池発電機など、機械１００用の動力を発生する任意の適切なタイプのエンジンまたは動力源を含み得る。ＥＣＭ１２０は、エンジン１１０が適切に動作することができるようにエンジン制御機能を行うように構成された任意の適切なタイプのエンジン制御システムを含み得る。ＥＣＭ１２０は、そのような制御機能を行うために、マイクロプロセッサまたはマイクロコントローラ、メモリ・モジュール、通信デバイス、入出力デバイス、記憶デバイスなど、任意の数のデバイスを含み得る。さらに、ＥＣＭ１２０は、伝送システムおよび／または水理システムなど、機械１００の他のシステムを制御することもある。コンピュータ・ソフトウェア命令が、ＥＣＭ１２０に記憶される、またはＥＣＭ１２０にロードされ得る。ＥＣＭ１２０は、様々な制御機能およびプロセスを行うために、それらのコンピュータ・ソフトウェア命令を実行し得る。
ＥＣＭ１２０は、データ・リンク１５０に結合されることがあり、エンジン１１０、物理的センサ１４０および１４２、仮想センサ・システム１３０、および／または機械１００の任意の他の構成要素（図示せず）など、他の構成要素からデータを受信し、かつそれらの構成要素にデータを送信する。データ・リンク１５０は、ケーブル、ワイヤ、無線ラジオ、および／またはレーザなど、任意の適切なタイプのデータ通信媒体を含み得る。物理的センサ１４０は、機械動作環境の何らかのパラメータを測定するために提供される１つまたは複数のセンサを含み得る。例えば、物理的センサ１４０は、窒素酸化物（ＮＯx）、二酸化硫黄（ＳＯ2）、一酸化炭素（ＣＯ）、全還元性硫黄（ＴＲＳ）など、機械１００の排気を測定するための物理的排気センサを含み得る。特に、ＮＯx排気検出および減少が、エンジン１１０の正常な動作に重要であり得る。他方、物理的センサ１４２は、温度、速度、加速率など、エンジン１１０または他の構成要素に関する様々な測定パラメータを提供するためにエンジン１１０または他の機械構成要素（図示せず）と共に使用される任意の適切なセンサを含み得る。
仮想センサ・システム１３０は、計算モデルと複数の測定パラメータとに基づいて検出パラメータの値を生成する任意の適切なタイプの制御システムを含み得る。検出パラメータとは、特定の物理的センサによって直接測定される測定パラメータを指し得る。例えば、物理的ＮＯx排気センサは、機械１００のＮＯx排気レベルを測定して、ＮＯx排気レベルの値（検出パラメータ）を、ＥＣＭ１２０など他の構成要素に提供し得る。しかし、検出パラメータは、物理的センサによって間接的に測定される、かつ／または物理的センサの読取値に基づいて計算され得る任意の出力パラメータを含むこともある。他方、測定パラメータとは、検出パラメータに関連する、かつエンジン１１０など機械１００の１つまたは複数の構成要素の状態を示す任意のパラメータを指し得る。例えば、検出パラメータＮＯx排気レベルに関して、測定パラメータは、圧縮比、ターボチャージャ効率、アフタークーラ特性、温度値、圧力値、周囲条件、燃料比、およびエンジン速度などの環境パラメータを含み得る。
さらに、仮想センサ・システム１３０は、単独の制御システムとして構成されることがあり、あるいはＥＣＭ１２０など他の制御システムと合併することもある。また、仮想センサ・システム１３０は、ＥＣＭ１２０と直列または並列に動作することもある。仮想センサ・システム１３０および／またはＥＣＭ１２０は、任意の適切なコンピュータ・システムによって実装され得る。図２は、仮想センサ・システム１３０および／またはＥＣＭ１２０を実装するように構成されたコンピュータ・システム２００の例示的な機能ブロック図を示す。また、コンピュータ・システム２００は、仮想センサ１３０、および機械１１０の他の構成要素を設計、訓練、および確認するように構成された任意の適切なコンピュータ・システムを含むこともある。
図２に示されるように、コンピュータ・システム２００（例えば、仮想センサ・システム１３０など）は、プロセッサ２０２と、メモリ・モジュール２０４と、データベース２０６と、Ｉ／Ｏインターフェース２０８と、ネットワーク・インターフェース２１０と、記憶装置２１２とを含み得る。しかし、他の構成要素がコンピュータ・システム２００内に含まれることもある。
プロセッサ２０２は、任意の適切なタイプの汎用マイクロプロセッサ、デジタル信号プロセッサ、またはマイクロコントローラを含み得る。プロセッサ２０２は、エンジン１１０を制御するのに専用の単独のプロセッサ・モジュールとして構成され得る。あるいは、プロセッサ２０２は、仮想センサと関係のない他の機能も行うための共有プロセッサ・モジュールとして構成されることもある。
メモリ・モジュール２０４は、ＲＯＭ、フラッシュ・メモリ、ダイナミックＲＡＭ、およびスタティックＲＡＭを含む、しかしそれらに限定されない１つまたは複数のメモリ・デバイスを含み得る。メモリ・モジュール２０４は、プロセッサ２０２によって使用される情報を記憶するように構成され得る。データベース２０６は、測定パラメータ、検出パラメータ、数学モデルの特徴に関する情報、および／または任意の他の制御情報を含む任意のタイプの適切なデータベースを含み得る。
さらに、Ｉ／Ｏインターフェース２０８がデータ・リンク１５０に接続されることもあり、様々なセンサまたは構成要素（例えば、物理的センサ１４０および１４２）からデータを取得し、かつ／またはこれらの構成要素およびＥＣＭ１２０にデータを伝送する。ネットワーク・インターフェース２１０は、１つまたは複数の有線または無線通信プロトコルに基づいて他のコンピュータ・システムと通信することができる任意の適切なタイプのネットワーク・デバイスを含み得る。記憶装置２１２は、プロセッサ２０２の動作に必要となりうる任意のタイプの情報を記憶するために提供される任意の適切なタイプの大容量記憶装置を含み得る。例えば、記憶装置２１２は、記憶空間を提供するために、１つまたは複数のハード・ディスク・デバイス、光ディスク・デバイス、または他の記憶デバイスを含み得る。コンピュータ・システム２００の任意または全ての構成要素が、特定用途向け集積回路（ＡＳＩＣ）またはフィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）デバイスに実装または統合され得る。
機械１００は、複数の測定パラメータおよび／または検出パラメータを必要とし得る。測定パラメータおよび／または検出パラメータは、複数のセンサによって提供され得る。センサは、物理的センサ１４０および１４２などの物理的センサ、仮想センサ・システム１３０などの仮想センサ、および／または物理的センサと仮想センサとの組合せを含み得る。さらに、物理的センサは、様々な品質（例えば、精度、誤差、不確実性、再現性、ヒステリシス、信頼性など）を有する物理的センサを含み得る。コンピュータ・システム２００は、センサのタイプおよび／または物理的センサの品質を決定するために、センサ選択プロセスを行うことがある。
図３に示されるように、コンピュータ・システム２００、またはプロセッサ２０２は、複数のセンサからのデータ記録または読取値を含むデータ記録を取得し得る（ステップ３０２）。データ記録は、複数のセンサＳ1、Ｓ2、Ｓ3、．．．、およびＳn（ここで、ｎは、センサの総数を表す整数）を有するテスト機械または現行機械１００から提供され得る。
データ記録を取得した（ステップ３０２）後、プロセッサ２０２は、任意の２つのセンサ間の関係を測定し得る（ステップ３０４）。この関係は、統計的関係または他の数学的関係など、任意の適切な関係を含み得る。この関係は、任意の適切な物理用語または数学用語で測定され得る。
例えば、プロセッサ２０２は、任意の２つのセンサ間の相関を計算し得る。本明細書で用いるとき、相関とは、２つ以上の変数（事象、発生、センサ読取値など）の間の関係の統計的測定を指し得る。２つの変数の間の相関は、２つの変数の間の何らかの因果関係を示唆し、より大きな相関値が、より大きな相関を示し得る。プロセッサ２０２は、相関を計算するための任意の適切なアルゴリズムによって、データ記録に基づいて相関を計算し得る。
さらに、プロセッサ２０２は、センサＳ1、Ｓ2、Ｓ3、・・・、およびＳnに関する関係行列を作成し得る（ステップ３０６）。関係行列とは、任意の２つのセンサ間の測定された関係を反映する行列を指し得る。上の例では、プロセッサ２０２は、２つのセンサ間の関係を反映させるために２つのセンサ間の相関を使用することがあり、関係行列として相関行列を作成し得る。例えば、プロセッサ２０２は、以下のような相関行列を作成し得る。
Figure 2010530179
相関行列は、総数ｎ2個の要素を含むことがあり、各要素が、２つのセンサ間の相関値を表す。あるセンサとそれ自体との間の相関値は１であるので、任意の対角要素の値は１である。２つのセンサ間の相関値は、２つのセンサ間の関係性を表し得る。相関値が所定のしきい値以上である場合、プロセッサ２０２は、２つのセンサが相関されていると見なし得る。第２のセンサに相関されるセンサは、ある程度は、第２のセンサによって表現され得る。
プロセッサ２０２は、各センサに関するスコアを決定し得る（ステップ３０８）。プロセッサ２０２は、関係行列に基づいて、各センサに関するスコアを決定し得る。例えば、プロセッサ２０２は、自己相関値を除いた所定のしきい値以上の相関値の総数として、各センサに関するスコアを決定し得る。プロセッサ２０２は、任意の適切な手法によってしきい値を決定することができる。いくつかの実施形態では、プロセッサ２０２は、スコアを計算するためのしきい値として、０．６を使用し得る。
上の例示的な相関行列では、プロセッサ２０２は、Ｓ1に関してスコア３、Ｓ2に関してスコア１、Ｓ3に関してスコア０、かつＳnに関してスコア２を決定し得る。これらのスコアは、明示的に列挙されていない他のセンサが含まれる場合には変わることがあり、例示にすぎない。他の関係測定が使用されることもある。
各センサに関するスコアを決定した（ステップ３０８）後、プロセッサ２０２は、スコアに基づいて、センサをいくつかのセンサ・グループに類別し得る（ステップ３１０）。例えば、プロセッサ２０２は、Ｓ1、Ｓ2、Ｓ3、およびＳnを３つのセンサ・グループに類別することがあり、より具体的には、Ｓ3を第１のセンサ・グループに類別し、Ｓ2およびＳnを第２のセンサ・グループに類別し、Ｓ1を第３のセンサ・グループに類別し得る。他の数のセンサ・グループが使用されることもある。
各センサのスコアは、他のセンサとの相関を反映することができるので、第１のセンサ・グループは、他のセンサ・グループに比べて、相関が全くないか、かなり小さい、すなわち関係が全くないか、かなり小さいセンサしか有さないセンサ（例えば、スコア０を有するＳ3など）を含み得る。第２のセンサ・グループは、ある範囲の相関がある、すなわちある程度の関係があるセンサを有するセンサ（例えば、スコア１および２を有するＳ2およびＳnなど）を含み得る。第３のグループは、相関が所定のしきい値を超える、すなわちかなり大きい関係があるセンサの総数を有するセンサを含み得る（例えば、スコア３を有するＳ1など）。また、センサを類別するために、他のスコアまたはスコア範囲が使用されることもある。
さらに、プロセッサ２０２は、センサ・グループに基づいて、センサに関するセンサ・タイプおよび構成を決定し得る（ステップ３１２）。例えば、第１のセンサ・グループに関して、かなり小さい関係により、センサＳ3によって提供される情報を任意の他のセンサから取得することができないことがあるので、センサＳ3の動作を保証するために、プロセッサ２０２は、センサＳ3として、高い品質および／または高価な物理的センサを選択することがあり、またはセンサＳ3として、冗長センサ（物理的または仮想）を有する高品質センサを選択し得る。
第２のセンサ・グループに関して、センサＳ2またはセンサＳnによって提供されるいくらかの情報を、１つまたは複数の相関センサ（例えば、Ｓ2に関してはＳn、またはＳnに関してはＳ1およびＳ2など）から取得することができるので、プロセッサ２０２は、センサＳ2またはセンサＳnとして、仮想センサ・バックアップを有する標準の品質の物理的センサを選択し得る。第２のセンサ・グループのセンサに関して、測定パラメータを直接提供する物理的センサを有することが望ましいことがある。しかし、ある程度の関係が存在するので、物理的センサが故障した場合、物理的センサを交換する必要なく、他のセンサまたはバックアップ仮想センサが、機械１００の動作を継続するのに十分な情報を提供することができる。
さらに、第３のセンサ・グループに関して、かなりの程度の関係により、センサＳ1によって提供される情報のほとんどまたは全てを他の相関センサ（例えばＳ2、Ｓ3、およびＳnなど）から取得することができるので、プロセッサ２０２は、センサＳ1として仮想センサを選択し得る。
プロセッサ２０２は、様々なセンサ・グループに関して仮想センサ（例えば、仮想センサ・システム１３０など）を使用し得る。プロセッサ２０２は、バックアップ・センサまたは代替センサとして仮想センサ・システム１３０を使用し得る。仮想センサ・システム１３０は、何らかの検出パラメータの値をＥＣＭ１２０に提供するために、プロセス・モデルを含み得る。図４は、例示的な仮想センサ・システム１３０の論理ブロック図を示す。
図４に示されるように、仮想センサ・プロセス・モデル４０４は、入力パラメータ４０２（例えば、測定パラメータ）と出力パラメータ４０６（例えば、検出パラメータ）との相互関係を構築するために確立され得る。仮想センサ・プロセス・モデル４０４が確立された後、入力パラメータ４０２の値が仮想センサ・プロセス・モデル４０４に提供されることがあり、入力パラメータ４０２の所与の値と、仮想センサ・プロセス・モデル４０４によって確立される入力パラメータ４０２と出力パラメータ４０６との間の相互関係とに基づいて、出力パラメータ４０６の値を生成する。
いくつかの実施形態では、仮想センサ・システム１３０は、機械１００の排気システム（図示せず）から排気されるＮＯxのレベルを提供するためにＮＯx仮想センサを含み得る。入力パラメータ４０２は、ＮＯx排気レベルに関連した任意の適切なタイプのデータを含み得る。例えば、入力パラメータ４０２は、エンジン１１０の様々な応答特性の機能を制御するパラメータ、および／またはエンジン１１０の動作に対応する条件に関連したパラメータを含み得る。
例えば、入力パラメータ４０２は、燃料噴射タイミング、圧縮比、ターボチャージャ効率、アフタークーラ特性、温度値（例えば、吸気マニホールド温度）、圧力値（例えば、吸気マニホールド圧力）、周囲条件（例えば、周囲湿度）、燃料比、及びエンジン速度などを含み得る。しかし、他のパラメータが含まれることもある。例えば、選択されたトランスミッション・ギア、減速比、車両の仰角および／または傾斜角など、他の車両システムから発せられるパラメータが含まれることもある。さらに、入力パラメータ４０２は、物理的センサ１４２など何らかの物理的センサによって測定されることがあり、またはＥＣＭ１２０など他の制御システムによって作成され得る。仮想センサ・システム１３０は、データ・リンク１５０に結合された入力４１０を介して入力パラメータ４０２の値を取得し得る。
他方、出力パラメータ４０６は、検出パラメータに対応し得る。例えば、ＮＯx仮想センサの出力パラメータ４０６は、ＮＯx仮想検出用途で使用されるＮＯx排気レベルおよび／または任意の他のタイプの出力パラメータを含み得る。出力パラメータ４０６（例えば、ＮＯx排気レベル）は、データ・リンク１５０に結合された出力４２０を介してＥＣＭ１２０に送信され得る。
仮想センサ・プロセス・モデル４０４は、入力パラメータ４０２と出力パラメータ４０６との間の相互関係を示す任意の適切なタイプの数学または物理モデルを含み得る。例えば、仮想センサ・プロセス・モデル４０４は、入力パラメータ４０２と出力パラメータ４０６との間の相互関係を捕捉するように訓練されたニューラル・ネットワーク・ベースの数学モデルであってよい。また、ファジー論理モデル、線形システム・モデル、および／または非線形システム・モデルなど、他のタイプの数学モデルが使用されることもある。仮想センサ・プロセス・モデル４０４は、仮想センサ・プロセス・モデル４０４が確立される対象の特定のエンジン用途から収集されるデータ記録を使用して、訓練および確認され得る。すなわち、仮想センサ・プロセス・モデル４０４は、データ記録を使用して、特定のタイプのモデルに対応する特定の規則に従って確立されることがあり、仮想センサ・プロセス・モデル４０４の相互関係は、データ記録の一部を使用することによって検証され得る。
仮想センサ・プロセス・モデル４０４は、訓練および確認された後、入力パラメータ４０２の所望の入力空間、および／または出力パラメータ４０６の所望の分布を定義するために最適化され得る。確認および最適化された仮想センサ・プロセス・モデル４０４を使用して、１組の入力パラメータ１０２の値を提供されたときに、出力パラメータ４０６の対応する値を生成することができる。上の例では、仮想センサ・プロセス・モデル４０４を使用して、周囲湿度、吸気マニホールド圧力、吸気マニホールド温度、燃料比、およびエンジン速度などの測定パラメータに基づいて、ＮＯx排気レベルを生成することができる。
図２に戻ると、仮想センサ・プロセス・モデル４０４の確立および動作は、仮想センサ・システム１３０に記憶された、または仮想センサ・システム１３０にロードされたコンピュータ・プログラムに基づいて、プロセッサ２０２によって実施され得る。あるいは、仮想センサ・プロセス・モデル４０４の確立は、ＥＣＭ１２０、またはプロセス・モデルを作成するように構成された別個の汎用コンピュータなど、他のコンピュータ・システムによって実現され得る。次いで、作成されたプロセス・モデルが、仮想センサ・システム１３０にロードされて、機能し得る。
プロセッサ２０２は、仮想センサ・プロセス・モデル４０４を発生して最適化するために、仮想センサ・プロセス・モデル発生および最適化プロセスを行い得る。図５は、プロセッサ２０２によって行われる例示的なモデル発生および最適化プロセスを示す。
図５に示されるように、モデル発生および最適化プロセスの最初に、プロセッサ２０２は、入力パラメータ４０２と出力パラメータ４０６とに関連したデータ記録を取得し得る（ステップ５０２）。データ記録は、エンジン動作と、ＮＯx排気レベルを含む排気レベルとを特徴付ける情報を含み得る。物理的ＮＯx排気センサなどの物理的センサ１４０が、出力パラメータ４０６（例えば、ＮＯxレベルなどの検出パラメータ）に関するデータ記録を生成するために提供され得る。ＥＣＭ１２０および／または物理的センサ１４２が、入力パラメータ４０２（例えば、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比、およびエンジン速度などの測定パラメータ）に関するデータ記録を提供し得る。さらに、データ記録は、入力パラメータと出力パラメータとの両方を含むことがあり、様々な所定の動作条件下で、様々なエンジンに基づいて、または単一のテスト・エンジンに基づいて収集され得る。
また、データ記録は、そのようなデータを収集するように設計された実験から収集されることもある。あるいは、データ記録は、他の排気モデリング、シミュレーション、または分析プロセスなど、他の関連プロセスによって人工的に発生されることもある。また、データ記録は、仮想センサ・プロセス・モデル４０４を構築するために使用される訓練データと、仮想センサ・プロセス・モデル４０４を確認するために使用される試験データとを含むこともある。さらに、データ記録は、仮想センサ・プロセス・モデル４０４を観察して最適化するために使用されるシミュレーション・データを含むこともある。
データ記録は、統計的分布、正常範囲、および／または精度許容範囲など、入力パラメータ１０２および出力パラメータ１０６の特性を反映し得る。データ記録が取得される（ステップ５０２）と、プロセッサ２０２は、データ記録を前処理することがあり、データ記録から明確なエラーを取り除き、冗長をなくす（ステップ５０４）。プロセッサ２０２は、ほぼ同一のデータ記録を除去し、かつ／または妥当範囲外にあるデータ記録を除去して、モデル発生および最適化に意味のあるものにする。データ記録が前処理された後、プロセッサ２０２は、データ記録を分析することによって、適切な入力パラメータを選択し得る（ステップ５０６）。
データ記録は、燃料噴射タイミング、圧縮比、ターボチャージャ効率、アフタークーラ特性、様々な温度パラメータ、様々な圧力パラメータ、様々な周囲条件、燃料比、およびエンジン速度に対応する変数など、多くの入力変数に関連付けられ得る。入力変数の数は、仮想センサ・プロセス・モデル４０４に関して使用される特定の組の入力パラメータ１０２の数よりも多いことがある。すなわち、入力パラメータ１０２は、入力変数のサブセットであってよい。例えば、入力パラメータ４０２は、入力変数のうち、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比、およびエンジン速度などを含み得る。
入力変数が多いと、数学モデルの発生および動作中の計算時間が大幅に増加し得る。実用的な計算時間制限内で数学モデルを作成するために、入力変数の数を減少させる必要があることがある。さらに、いくつかの状況では、データ記録での入力変数の数がデータ記録の数を超えることがあり、疎データ・シナリオをもたらし得る。いくつかの数学モデルでは、変数の数の減少に基づいて実用的な数学モデルを作成することができるように、余剰の入力変数のいくつかを省かれなければならないことがある。
プロセッサ２０２は、所定の基準に従って、入力変数から入力パラメータ４０２を選択し得る。例えば、プロセッサ２０２は、実験および／またはエキスパート・オピニオンによって、入力パラメータ４０２を選択し得る。あるいは、いくつかの実施形態では、プロセッサ２０２は、データ記録の正常データ・セットと異常データ・セットとの間のマハラノビス距離に基づいて、入力パラメータを選択し得る。正常データ・セットと異常データ・セットとは、任意の適切な方法を使用してプロセッサ２０２によって定義され得る。例えば、正常データ・セットは、所望の出力パラメータを生成する入力パラメータ４０２に関連した特性データを含み得る。他方、異常データ・セットは、許容範囲外にあることがある、または回避する必要があることがある特性データを含み得る。正常データ・セットと異常データ・セットとは、プロセッサ２０２によって事前定義され得る。
マハラノビス距離とは、データ・セット内のパラメータ間の相関に基づいてデータ・プロファイルを測定するために使用され得る数学的表現を指し得る。マハラノビス距離は、データ・セットの相関を考慮するという点で、ユークリッド距離とは異なる。データ・セットＸ（例えば、多変数ベクトル）のマハラノビス距離は、
ＭＤi＝（Ｘi−μx）Σ-1（Ｘi−μx）’ （１）
と表現されることがあり、ここで、μxは、Ｘの平均であり、Σ-1は、Ｘの逆分散共分散行列である。ＭＤiは、同じ多変数正常密度輪郭での観察が同じ距離を有するように、平均μxからのデータ・ポイントＸiの距離に重み付けする。そのような観察は、異なる分散を有する別個のデータ・グループからの相関パラメータを識別および選択するために使用され得る。
プロセッサ２０２は、正常データ・セットと異常データ・セットとの間のマハラノビス距離が最大化または最適化されるような入力変数の所望のサブセットとして、入力パラメータ４０２を選択し得る。マハラノビス距離を最大化するように所望のサブセットのための入力変数を探索するために、遺伝的アルゴリズムがプロセッサ２０２によって使用され得る。プロセッサ２０２は、所定の基準に基づいて入力変数の候補サブセットを選択し、正常データ・セットのマハラノビス距離ＭＤnormalと異常データ・セットのマハラノビス距離ＭＤabnormalとを計算し得る。また、プロセッサ２０２は、正常データ・セットと異常データとの間のマハラノビス距離（すなわち、マハラノビス距離の偏差ＭＤx＝ＭＤnormal−ＭＤabnormal）を計算し得る。しかし、他のタイプの偏差が使用されることもある。
プロセッサ２０２は、遺伝的アルゴリズムが収束する（すなわち、遺伝的アルゴリズムが、候補サブセットに対応する正常データ・セットと異常データ・セットとの間で、最大化または最適化されたマハラノビス距離を見出す）場合に、入力変数の候補サブセットを選択し得る。遺伝的アルゴリズムが収束しない場合、さらなる探索のために、入力変数の異なる候補サブセットが作成され得る。この探索プロセスは、遺伝的アルゴリズムが収束し、入力変数の所望のサブセット（例えば、入力パラメータ４０２）が選択されるまで続くことがある。
また、上述したように、所望のマハラノビス距離を実現するデータ記録の一部分を選択することによって、データ記録の数を減少するためにマハラノビス距離を適宜使用することもできる。
入力パラメータ４０２（例えば、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比、およびエンジン速度など）を選択した後、プロセッサ２０２は、入力パラメータ４０２と出力パラメータ４０６との間の相互関係を構築するために、仮想センサ・プロセス・モデル４０４を発生し得る（ステップ５０８）。いくつかの実施形態では、仮想センサ・プロセス・モデル４０４は、例えば、任意の適切なタイプのニューラル・ネットワークで構築された計算モデルなどの計算モデルに対応し得る。使用され得るニューラル・ネットワーク計算モデルのタイプは、バックプロパゲーション、フィードフォワード・モデル、カスケード・ニューラル・ネットワーク、および／またはハイブリッド・ニューラル・ネットワークなどを含み得る。使用されるニューラル・ネットワークの特定のタイプまたは構造は、特定の用途に依存し得る。また、線形システムまたは非線形システム・モデルなど、他のタイプの計算モデルが使用されることもある。
ニューラル・ネットワーク計算モデル（すなわち、仮想センサ・プロセス・モデル４０４）は、選択されたデータ記録を使用することによって訓練され得る。例えば、ニューラル・ネットワーク計算モデルは、出力パラメータ４０６（例えば、ＮＯx排気レベルなど）と入力パラメータ４０２（例えば、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比、およびエンジン速度など）との間の関係を含み得る。ニューラル・ネットワーク計算モデルは、訓練が完了されたかどうかを判定するために、所定の基準によって評価され得る。基準は、所望の範囲の精度、時間、および／または訓練反復の回数などを含み得る。
ニューラル・ネットワークが訓練された（すなわち、初めに、計算モデルが所定の基準に基づいて確立された）後、プロセッサ２０２は、計算モデルを統計的に確認し得る（ステップ５１０）。統計的な確認とは、計算モデルの精度を決定するために、ニューラル・ネットワーク計算モデルの出力を実際の出力または期待される出力と比較するための分析プロセスを指し得る。データ記録の一部が、確認プロセスで使用するために確保され得る。
あるいは、プロセッサ２０２は、確認プロセスで使用するためのシミュレーションまたは確認データを発生することもある。これは、確認サンプルとは無関係に、またはサンプルに関連付けて行われ得る。入力の統計的分布は、モデリングのために使用されるデータ記録から決定され得る。仮説入力データ記録を発生するために、ラテンハイパーキューブ・シミュレーションなどの統計的シミュレーションが使用され得る。これらの入力データ記録は、計算モデルによって処理され、出力特性の１つまたは複数の分布を生じる。計算モデルからの出力特性の分布は、母集団で観察される出力特性の分布と比較され得る。モデル完全性を保証するために、計算モデルの出力分布と観察される出力分布とに対して統計的な品質テストが行われ得る。
訓練および確認された後、仮想センサ・プロセス・モデル４０４を使用して、入力パラメータ４０２の値を提供されたときに、出力パラメータ４０６の値を予測することができる。さらに、プロセッサ２０２は、入力パラメータ４０２と出力パラメータ４０６の所望の分布との間の関係に基づいて、入力パラメータ４０２の所望の分布を決定することによって、仮想センサ・プロセス・モデル４０４を最適化し得る（ステップ５１２）。
プロセッサ２０２は、特定の用途に基づいて、入力パラメータ４０２の所望の分布と出力パラメータ４０６の所望の分布との関係を分析し得る。例えば、プロセッサ２０２は、出力パラメータ４０６（例えば、望まれる、またはある所定の範囲内にあるＮＯx排気レベル）に関する所望の範囲を選択し得る。次いで、プロセッサ２０２は、個々の入力パラメータ（例えば、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比、およびエンジン速度などの１つ）に関する所望の統計的分布を見出すために、計算モデルのシミュレーションを実行し得る。すなわち、プロセッサ２０２は、出力パラメータ４０６の正常範囲に対応する個々の入力パラメータの分布（例えば平均、標準偏差など）を個別に決定し得る。全ての個々の入力パラメータに関する当該の分布を決定した後、プロセッサ２０２は、全ての個々の入力パラメータに関する所望の分布を組み合わせて、入力パラメータ４０２全体に関する所望の分布および特性を決定し得る。
あるいは、プロセッサ２０２は、所望の結果を得ることができる可能性を最大にするために、入力パラメータ４０２の所望の分布を同時に識別することもある。いくつかの実施形態では、プロセッサ２０２は、ゼータ統計に基づいて、入力パラメータ４０２の所望の分布を同時に決定し得る。ゼータ統計は、入力パラメータ間の関係、それらの値範囲、および所望の結果を示し得る。ゼータ統計は、
Figure 2010530179
と表現されることがあり、ここで、
Figure 2010530179
は、第ｉの入力の平均または期待値を表し、
Figure 2010530179
は、第ｊの結果の平均または期待値を表し、σiは、第ｉの入力の標準偏差を表し、σjは、第ｊの結果の標準偏差を表し、｜Ｓij｜は、第ｉの入力に対する第ｊの結果の偏微分または感度を表す。
いくつかの状況下では、
Figure 2010530179
は、ゼロ以下であることがある。そのような不適な状態を修正するために、
Figure 2010530179
に値３σiが加算され得る。しかし、値３σiを加算した後でさえ
Figure 2010530179
が依然としてゼロに等しい場合、プロセッサ２０２は、σiもゼロであることがあり、最適化によるこのプロセス・モデルが望ましくないことがあると判断し得る。いくつかの実施形態では、プロセッサ２０２は、プロセス・モデルの信頼性を保証するために、σiに関する最小しきい値を設定し得る。いくつかの他の状況下では、σjがゼロに等しいことがある。このとき、プロセッサ２０２は、最適化によるこのモデルが、ある範囲の不確実性の範囲内で出力パラメータを反映するには不十分であることがあると判断し得る。プロセッサ２０２は、ζに不定の大きな数を割り当てることがある。
プロセッサ２０２は、ニューラル・ネットワーク計算モデル（すなわち、仮想センサ・プロセス・モデル４０４）のゼータ統計が最大化または最適化されるように、入力パラメータ４０２の所望の分布を識別し得る。ゼータ統計を最大化するように入力パラメータ４０２の所望の分布を探索するために、適切なタイプの遺伝的アルゴリズムがプロセッサ２０２によって使用され得る。プロセッサ２０２は、所定の探索範囲で入力パラメータ４０２の候補セット値を選択し、仮想センサ・プロセス・モデル４０４のシミュレーションを実行することがあり、入力パラメータ４０２と、出力パラメータ４０６と、ニューラル・ネットワーク計算モデルとに基づいてゼータ統計パラメータを計算する。プロセッサ２０２は、入力パラメータ４０２の候補セット値を分析することによって
Figure 2010530179
およびσiを得て、シミュレーションの結果を分析することによって
Figure 2010530179
およびσjを得ることができる。さらに、プロセッサ２０２は、第ｊの結果に対する第ｉの入力の影響を表すものとして、訓練されたニューラル・ネットワークから｜Ｓij｜を得ることができる。
プロセッサ２０２は、遺伝的アルゴリズムが収束する（すなわち、遺伝的アルゴリズムが、入力パラメータ４０２の候補セットに対応する仮想センサ・プロセス・モデル４０４の最大化または最適化されたゼータ統計を見いだす）場合に、入力パラメータ４０２の候補セットを選択し得る。遺伝的アルゴリズムが収束しない場合、さらなる探索のために、入力パラメータ４０２の異なる候補セット値が遺伝的アルゴリズムによって作成され得る。この探索プロセスは、遺伝的アルゴリズムが収束し、入力パラメータ４０２の所望のセットが識別されるまで続くことがある。さらに、プロセッサ２０２は、所望の入力パラメータ・セットに基づいて、入力パラメータ４０２の所望の分布（例えば、平均および標準偏差）を決定し得る。所望の分布が決定されると、プロセッサ２０２は、所望の分布範囲内の任意の入力パラメータを含むことができる有効入力空間を定義し得る（ステップ５１４）。
一実施形態では、いくつかの入力パラメータの統計的分布の制御が不可能である、または実用的でないことがある。例えば、入力パラメータは、エンジン部品の寸法属性など、デバイスの物理的属性に関連付けられることがあり、または入力パラメータは、仮想センサ・プロセッサ・モデル４０４自体の内部で定数変数に関連付けられ得る。これらの入力パラメータは、定数値に対応する他の入力パラメータに関する所望の分布、および／またはこれらの入力パラメータの統計的分布を探索または識別するために、ゼータ統計計算で使用され得る。
さらに、適宜、２つ以上の仮想センサ・プロセス・モデルが確立され得る。複数の確立された仮想センサ・プロセス・モデルは、統計的シミュレーションなど、任意の適切なタイプのシミュレーション方法を使用することによってシミュレートされ得る。これら複数の仮想センサ・プロセス・モデルのシミュレーションに基づく出力パラメータ４０６は、対応する物理的センサからの出力との最小の分散など、所定の基準に基づいて、最適な仮想センサ・プロセス・モデルを選択するために比較され得る。選択される最適な仮想センサ・プロセス・モデル４０４は、仮想センサ用途で開発され得る。
図１に戻ると、仮想センサ・プロセス・モデル４０４が訓練、確認、最適化、および／または選択された後、ＥＣＭ１２０と仮想センサ・システム１３０とが、機械１００の当該の構成要素に対する制御機能を提供し得る。例えば、ＥＣＭ１２０は、仮想センサ・システム１３０によって、特に仮想センサ・プロセス・モデル４０４によって提供されるＮＯx排気レベルに従ってエンジン１１０を制御し得る。
いくつかの実施形態では、仮想センサ・システム１３０は、対応する物理的センサの代替となるように使用され得る。例えば、仮想センサ・システム１３０は、ＥＣＭ１２０によって使用される１つまたは複数のＮＯx排気センサの代替となることがある。ＥＣＭ１２０は、仮想センサ・システム１３０に基づいて制御プロセスを行うことがある。図６は、ＥＣＭ１２０によって行われる例示的な制御プロセスを示す。
図６に示されるように、ＥＣＭ１２０は、物理的センサ１４０および／または１４２とエンジン１１０とを制御することがあり、かつ／または吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比、およびエンジン速度など、当該のパラメータを測定するように促し得る（ステップ６０２）。吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比、およびエンジン速度が、例えば対応する相関された物理的センサ１４２によって測定された後、ＥＣＭ１２０は、これらの測定パラメータを仮想センサ・システム１３０に提供し得る（ステップ６０４）。ＥＣＭ１２０は、仮想センサ・システム１３０がデータ・リンク１５０から測定パラメータを取得することができるように、測定パラメータをデータ・リンク１５０に提供し得る。あるいは、仮想センサ・システム１３０は、データ・リンク１５０、または他の物理的センサもしくはデバイスから、これらの測定パラメータを直接読み取ることもある。
上述したように、仮想センサ・システム１３０は、仮想センサ・プロセス・モデル４０４を含む。仮想センサ・システム１３０は、仮想センサ・プロセス・モデル４０４に、入力パラメータ４０２として測定パラメータ（例えば、吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比、およびエンジン速度など）を提供し得る。次いで、仮想センサ・プロセス・モデル４０４が、ＮＯx排気レベルなどの出力パラメータ４０６を提供し得る。
ＥＣＭ１２０は、データ・リンク１５０を介して、仮想センサ・システム１３０から出力パラメータ４０６（例えば、ＮＯx排気レベル）を取得し得る（ステップ６０６）。いくつかの状況では、ＥＣＭ１２０は、出力パラメータ４０６の発生源を知らないことがある。すなわち、ＥＣＭ１２０は、出力パラメータ４０６が仮想センサ・システム１３０からのものであるか物理的センサからのものであるかを知らないことがある。例えば、ＥＣＭ１２０は、そのようなデータの発生源を識別することなく、データ・リンク１５０からＮＯx排気レベルを取得し得る。ＥＣＭ１２０が、仮想センサ・システム１３０からＮＯx排気レベルを取得した（ステップ６０６）後、ＥＣＭ１２０は、ＮＯx排気レベルに基づいて、エンジン１１０および／または機械１００の他の構成要素を制御し得る（ステップ６０８）。例えば、ＥＣＭ１２０は、何らかの排気向上または最小化プロセスを行うことがある。
いくつかの実施形態では、機械１００は、別の機械１００に後付けするために使用され得る。用語「後付け」とは、本明細書で用いるとき、新たな機能または新たな特徴をサポートするために必要とされる物理的センサなどのハードウェア・デバイスを用いずに、既に構成されている機械１００に新たな機能または新たな特徴を提供するために、既に構成されている機械１００に仮想センサ・システム１３０を装備することを指す。例えば、既に構成されている機械１００は、物理的アンチロック・センサに基づくアンチブロック機能を提供するために、物理的アンチロック・センサを有さないことがある。コンピュータ・システム２００が、仮想センサ・システム１３０に基づいて機械１００に新たな機能を提供するように後付けプロセスを行うことがある。図７は、コンピュータ・システム２００、より特定的にはプロセッサ２０２によって行われる例示的な後付けプロセスを示す。
プロセッサ２０２は、物理的センサのデータ記録を取得し得る（ステップ７０２）。例えば、プロセッサ２０２は、所要の物理的アンチブロック・センサを含む物理的センサを有する現行機械１００からデータ記録を取得し得る。さらに、プロセッサ２０２は、物理的アンチロック・センサと機械１００の任意の他の物理的センサとの相関を計算し得る（ステップ７０４）。
さらに、プロセッサ２０２は、相関値に基づいて、物理的アンチロック・センサに相関される物理的センサを選択し得る（ステップ７０６）。例えば、プロセッサ２０２は、相関物理的センサとして、所定のしきい値（例えば、０．６など）を超える相関値を有する任意の物理的センサを選択し得る。他の選択方法が使用されることもある。
相関物理的センサを選択した（ステップ７０６）後、プロセッサ２０２は、相関物理的センサに基づいて仮想センサを作成し得る（ステップ７０８）。例えば、プロセッサ２０２は、図５を参照して上述したプロセスに従って、１つまたは複数のアンチロック・センサ出力パラメータを提供するために、相関物理的センサのデータ記録に基づいて、仮想センサ・システム１３０を仮想アンチロック・センサとして作成し得る。いくつかの実施形態では、プロセッサ２０２は、仮想センサ・システム１３０を作成するときに、仮想センサ・プロセス・モデル４０４への入力パラメータとして、相関物理的センサからの出力または読取値を含むことがあり、仮想センサ・プロセス・モデル４０４の出力パラメータとして、物理的アンチロック・センサからの出力または読取値を含み得る。物理的アンチロック・センサによって提供される情報は、相関物理的センサによって提供することができるので、相関物理的センサに基づいて作成される仮想センサ・システム１３０によって所望の精度を得ることができる。
プロセッサ２０２は、機械１００に仮想センサ・システム１３０を後付けし得る（ステップ７１０）。プロセッサ２０２、またはＥＣＭ１２０は、仮想センサ・システム１３０を実装するコンピュータ・プログラムを実行することがあり、図６を参照して上述した例示的プロセスに従って、物理的アンチロック・センサを装備することなく、既に構成されている機械１００にアンチブロック検出機能を提供する。
いくつかの他の実施形態では、仮想センサ・システム１３０は、物理的センサと組み合わせて、または物理的センサのバックアップとして使用され得る。例えば、仮想センサ・システム１３０は、１つまたは複数の物理的ＮＯx排気センサが故障したときに使用され得る。ＥＣＭ１２０は、仮想センサ・システム１３０と、対応する物理的センサとに基づいて、制御プロセスを行うことがある。図８は、ＥＣＭ１２０によって行われる別の例示的な制御プロセスを示す。
図８に示されるように、ＥＣＭ１２０は、物理的センサ１４０および／または１４２とエンジン１１０とを制御することがあり、かつ／または吸気マニホールド温度、吸気マニホールド圧力、周囲湿度、燃料比、およびエンジン速度など、当該のパラメータを測定するように促し得る（ステップ８０２）。また、ＥＣＭ１２０は、これらの測定パラメータを仮想センサ・システム１３０に提供することもある（ステップ８０４）。次いで、仮想センサ・システム１３０、特に仮想センサ・プロセス・モデル４０４が、ＮＯx排気レベルなどの出力パラメータ４０６を提供し得る。
さらに、ＥＣＭ１２０は、データ・リンク１５０を介して、仮想センサ・システム１３０から出力パラメータ（例えば、ＮＯx排気レベル）を取得し得る（ステップ８０６）。それに加えて、かつ／または並行して、ＥＣＭ１２０は、物理的センサ１４２など１つまたは複数の物理的センサからＮＯx排気レベルを取得することもある（ステップ８０８）。ＥＣＭ１２０は、物理的センサに関する動作状態を検査し得る（ステップ８１０）。ＥＣＭ１２０は、物理的センサが故障しているかどうか判定するために何らかの論理デバイスを含み得る。物理的センサが故障している場合（ステップ８１０；はい）、ＥＣＭ１２０は、仮想センサ・システム１３０からＮＯx排気レベルを取得して、仮想センサ・システム１３０からのＮＯx排気レベルに基づいてエンジン１１０および／または機械１００の他の構成要素を制御し得る（ステップ８１２）。
他方、物理的センサが故障していない場合（ステップ８１０；いいえ）、ＥＣＭ１２０は、物理的センサからのＮＯx排気レベルを使用して、エンジン１１０および／または機械１００の他の構成要素を制御し得る（ステップ８１４）。あるいは、ＥＣＭ１２０は、仮想センサ・システム１３０と物理的センサとからＮＯx排気レベルを取得して、ＮＯx排気レベル間の任意の偏差が存在するかどうか判定し得る。偏差が所定のしきい値を超える場合、ＥＣＭ１２０は、故障を宣言し、仮想センサ・システム１３０に切り替わる、または仮想センサ・システム１３０からでも物理的センサからでもない事前設定値を使用する。
さらに、ＥＣＭ１２０は、物理的センサ１４０および１４２で入手可能でないことがある測定パラメータを取得することもある。例えば、仮想センサ・システム１３０は、ある地理的領域（例えば、コロラド州など）での酸素密度と宇宙ベース衛星および天気データとの相互関係を示すプロセス・モデルを含み得る。すなわち、仮想センサ・システム１３０は、通常であれば物理的センサで入手可能でないことがある酸素密度などの測定パラメータをＥＣＭ１２０に提供することができる。
開示されたシステムおよび方法は、他の仮想検出技法よりも実質的に短時間で、効率的で正確な仮想センサ・プロセス・モデルを提供することができる。そのような技術は、エンジン、構造、環境、および材料などに関するセンサなど、広範囲の仮想センサで使用することができる。特に、開示されたシステムおよび方法は、計算複雑性および限界により他の技法を使用してプロセス・モデルを構築するのが困難であるときに、実用的な解決策を提供する。入力パラメータが、出力パラメータを導出するために実質的に同時に最適化されるとき、計算を最小限にすることができる。開示されたシステムおよび方法は、速度、実用性、および／または柔軟性を実質的に高めるために他のプロセス・モデリング技法と組み合わせて使用されることもある。
開示されたシステムおよび方法は、製品におけるセンサのタイプおよび品質を決定するために効率的な方法を提供することができる。適切なタイプのセンサおよび適切な品質のセンサを選択することによって、製造コストを削減することができ、製品品質を高めることができる。さらに、製品品質および信頼性をさらに改善するために、物理的センサと仮想センサとの組合せが確立されることもある。
開示されたシステムおよび方法は、柔軟な解決策も提供することができる。開示された仮想センサ・システムは、対応する物理的センサと交換可能に使用され得る。仮想センサと物理的センサとの両方に関して共通のデータ・リンクを使用することによって、仮想センサ・システムが代替となる同じ物理的センサによって、仮想センサ・システムの仮想センサ・モデルを訓練することができる。制御システムは、仮想センサ・システムまたは物理的センサに基づいて、どちらがデータ源であるかを区別することなく動作することができる。
開示された仮想センサ・システムは、物理的センサの代替となるように使用されることがあり、物理的センサとは別個に無関係に動作することができる。開示された仮想センサ・システムは、物理的センサをバックアップするために使用されることもある。さらに、仮想センサ・システムは、検出環境の外部からのデータなど、単一の物理的センサから入手可能でないパラメータを提供することができる。
さらに、開示された仮想センサ・システムを使用して、新たなハードウェア・デバイスを設置または変更することなく、機械に新たな機能を後付けすることができ、通常、そのような新たな機能は、物理的センサなど新たなハードウェア・デバイスを設置することを必要とする。
また、開示されたシステムおよび方法は、コストが高い、または故障しやすい物理的センサの代替となることによって、コストを削減し、信頼性を高めるために、機械製造業者によって使用され得る。また、開示された仮想センサ・システムによってバックアップ検出リソースを追加することによって、信頼性および柔軟性を改善することができる。開示された仮想センサ技法は、排気、エンジン、トランスミッション、ナビゲーション、および／または制御など、構成要素における広範囲のパラメータを提供するために使用され得る。さらに、開示された方法の開示されたシステムまたはステップの一部は、他のプロセス・モデルを促進または統合するためにコンピュータ・システム提供者に使用されることもある。
開示された例示的システムの他の実施形態、特徴、態様、および原理は、当業者に明らかになり、様々な環境およびシステムで実施することができる。

Claims (10)

  1. 機械（１００）用のセンサ（１３０）を提供する方法であって、
    機械用の複数のセンサ（１４０、１４２）からのデータを含むデータ記録を取得するステップと、
    複数のセンサの１つに対応する仮想センサを決定するステップと、
    データ記録に基づいて、少なくとも１つの検出パラメータ（４０２）と複数の測定パラメータ（４０６）との間の相互関係を示す仮想センサの仮想センサ・プロセス・モデル（４０４）を確立するステップと、
    複数の測定パラメータに対応する１組の値を取得するステップと、
    複数の測定パラメータに対応する１組の値と仮想センサ・プロセス・モデルとに基づいて、実質的に同時に、少なくとも１つの検出パラメータの値を計算するステップと、
    少なくとも１つの検出パラメータの値を制御システム（１２０）に提供するステップと
    を含む方法。
  2. 決定するステップが、
    複数のセンサのうちの任意の２つのセンサ間での相関値を計算するステップと、
    相関値に基づいて、複数のセンサを複数のセンサ・グループに類別するステップと、
    所望のセンサ・グループから、複数のセンサの１つに対応する仮想センサを決定するステップと
    を含む請求項１に記載の方法。
  3. 類別するステップが、
    当該の複数のセンサを表す行と、当該の複数のセンサを表す列と、それぞれ行および列からの対応する２つのセンサ間の相関値を表す各要素とを有する相関行列を作成するステップと、
    相関行列に基づいて、複数のセンサそれぞれに関するスコアを決定するステップと、
    複数のセンサそれぞれのスコアに基づいて、複数のセンサを複数のセンサ・グループに類別するステップと
    を含む請求項２に記載の方法。
  4. 複数のセンサ・グループが、
    所望の物理的センサを含む第１のセンサ・グループと、
    物理的センサと仮想センサとの組合せを有するセンサを含む第２のセンサ・グループと、
    仮想センサを含む第３のセンサ・グループと
    を含む請求項３に記載の方法。
  5. 確立するステップが、
    １つまたは複数の入力変数と少なくとも１つの検出パラメータとに関連付けられたデータ記録を取得するステップと、
    １つまたは複数の入力変数から複数の測定パラメータを選択するステップと、
    複数の測定パラメータと少なくとも１つの検出パラメータとの間の相互関係を示す計算モデルを発生するステップと、
    計算モデルの複数の測定パラメータの所望の統計的分布を決定するステップと、
    所望の入力空間を定義するために、所望の統計的分布に基づいて、複数の測定パラメータを再較正するステップと
    を含む請求項１に記載の方法。
  6. 選択するステップが、
    データ記録を前処理するステップと、
    データ記録の正常データ・セットと異常データ・セットとの間のマハラノビス距離に基づいて１つまたは複数の入力変数から複数の測定パラメータを選択するために、遺伝的アルゴリズムを使用するステップと
    をさらに含む請求項５に記載の方法。
  7. 発生するステップが、
    ニューラル・ネットワーク計算モデルを作成するステップと、
    データ記録を使用して、ニューラル・ネットワーク計算モデルを訓練するステップと、
    データ記録を使用して、ニューラル・ネットワーク計算モデルを確認するステップと
    をさらに含む請求項５に記載の方法。
  8. 決定するステップが、
    遺伝的アルゴリズムを使用して、最大ゼータ統計を有する測定パラメータの候補セットを決定するステップと、
    候補セットに基づいて、測定パラメータの所望の分布を決定するステップと
    をさらに含み、
    ゼータ統計ζが、
    Figure 2010530179
     によって表現され、ここで、
    Figure 2010530179
     が、第ｉの入力の平均であり、
    Figure 2010530179
     が、第ｊの出力の平均であり、σiが、第ｉの入力の標準偏差を表し、σjが、第ｊの出力の標準偏差を表し、｜Ｓij｜が、計算モデルの第ｉの入力に対する第ｊの出力の感度を表す
    請求項５に記載の方法。
  9. 提供するステップが、
    少なくとも１つの検出パラメータの値を、物理的センサ（１４２）から別個に取得するステップと、
    物理的センサが故障していることを決定するステップと、
    仮想センサ・プロセス・モデルからの少なくとも１つの検出パラメータの値を制御システムに提供するステップと
    を含む請求項１に記載の方法。
  10. 対応する物理的センサの機能を提供するために、サポート物理的センサが機械に設置されることなく、後付けされた仮想センサ・システムを有する機械（１００）であって、
    機械に動力を提供するように構成された動力源（１１０）と、
    動力源を制御するように構成された制御システム（１２０）と、
    複数のセンサによって提供される少なくとも１つの検出パラメータ（４０２）とサポート物理的センサの複数の測定パラメータ（４０６）との間の相互関係を示す仮想センサ・プロセス・モデル（４０４）を含む、サポート物理的センサに対応する仮想センサ・システム（１３０）とを備え、仮想センサ・システムが、
    複数の測定パラメータに対応する１組の値を取得するように、
    複数の測定パラメータに対応する１組の値と仮想センサ・プロセス・モデルとに基づいて、実質的に同時に、少なくとも１つの検出パラメータの値を計算するように、かつ
    サポート物理的センサに対応する機能を提供するために、少なくとも１つの検出パラメータの値を制御システムに提供するように
    構成され、
    仮想センサ・システムが、
    複数のセンサとサポート物理的センサとからのデータを含むデータ記録を取得し、
    データ記録に基づいて、サポート物理的センサと複数のセンサとの間の相関値を計算し、
    相関値に基づいて、複数のセンサから相関センサを選択し、
    相関センサに基づいて、サポート物理的センサの仮想センサ・システムを作成する
    ことによって作成される
    機械（１００）。
JP2010512202A 2007-06-15 2008-06-13 仮想センサ・システムおよび方法 Pending JP2010530179A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/812,164 US7787969B2 (en) 2007-06-15 2007-06-15 Virtual sensor system and method
PCT/US2008/007413 WO2008156678A1 (en) 2007-06-15 2008-06-13 Virtual sensor system and method

Publications (1)

Publication Number Publication Date
JP2010530179A true JP2010530179A (ja) 2010-09-02

Family

ID=39745117

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010512202A Pending JP2010530179A (ja) 2007-06-15 2008-06-13 仮想センサ・システムおよび方法

Country Status (5)

Country Link
US (1) US7787969B2 (ja)
JP (1) JP2010530179A (ja)
CN (1) CN101681155A (ja)
DE (1) DE112008001654T5 (ja)
WO (1) WO2008156678A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013144975A (ja) * 2011-12-20 2013-07-25 Honeywell Internatl Inc 推論検知のモデルベース較正
JP2018011122A (ja) * 2016-07-11 2018-01-18 三菱電機株式会社 通信装置
KR101947842B1 (ko) * 2011-03-03 2019-02-13 이턴 코포레이션 건설 장치에서 사용된 전기유압식 시스템을 제어하기 위한 결함 검출, 차폐 및 재구성 시스템 및 방법
US11132616B2 (en) 2016-09-20 2021-09-28 Kabushiki Kaisha Toshiba Characteristic value estimation device and characteristic value estimation method

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8209156B2 (en) * 2005-04-08 2012-06-26 Caterpillar Inc. Asymmetric random scatter process for probabilistic modeling system for product design
US8812261B2 (en) * 2007-08-23 2014-08-19 Applied Materials, Inc. Method and apparatus to automatically create virtual sensors with templates
US8224468B2 (en) * 2007-11-02 2012-07-17 Caterpillar Inc. Calibration certificate for virtual sensor network (VSN)
US8036764B2 (en) * 2007-11-02 2011-10-11 Caterpillar Inc. Virtual sensor network (VSN) system and method
US8099993B2 (en) * 2007-12-20 2012-01-24 General Electric Company Method and apparatus for verifying the operation of an accelerometer
US8751098B2 (en) * 2008-01-25 2014-06-10 Omnitracs, Llc Method of monitoring CANbus information
US8086640B2 (en) 2008-05-30 2011-12-27 Caterpillar Inc. System and method for improving data coverage in modeling systems
US7917333B2 (en) 2008-08-20 2011-03-29 Caterpillar Inc. Virtual sensor network (VSN) based control system and method
DE102008050612A1 (de) * 2008-10-09 2010-04-15 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren zum Testen des Verhaltens einer Prozessanlage
KR101302134B1 (ko) * 2009-12-18 2013-08-30 한국전자통신연구원 복합 센서정보 제공 장치 및 방법
US20110153035A1 (en) * 2009-12-22 2011-06-23 Caterpillar Inc. Sensor Failure Detection System And Method
US8793004B2 (en) 2011-06-15 2014-07-29 Caterpillar Inc. Virtual sensor system and method for generating output parameters
US8977373B2 (en) * 2011-12-28 2015-03-10 Caterpillar Inc. Systems and methods for extending physical sensor range using virtual sensors
US9256222B2 (en) 2012-07-18 2016-02-09 International Business Machines Corporation Sensor virtualization through cloud storage and retrieval mechanisms
US20170060810A1 (en) * 2012-12-13 2017-03-02 Eagle Harbor Holdings, LLC. System and method for the operation of an automotive vehicle system with modeled sensors
EP2938889A1 (en) 2012-12-26 2015-11-04 Eaton Corporation Fault isolation&restoring procedures for electrohydraulic valves
CN103324530A (zh) * 2013-06-08 2013-09-25 广东欧珀移动通信有限公司 手持移动设备的方位传感器调用方法及装置
CN103410592B (zh) * 2013-07-18 2015-07-01 武汉理工大学 基于曲轴角速度传感器的柴油机NOx原始排放量预测方法
US10584986B2 (en) * 2013-09-06 2020-03-10 International Business Machines Corporation Detecting device, detecting method, and program
JP2015176340A (ja) * 2014-03-14 2015-10-05 オムロン株式会社 プログラマブルコントローラおよびプログラマブルコントローラによるデバイス制御方法
EP3177499B1 (en) * 2014-08-04 2021-10-20 Modelway S.r.l. A method for estimating variables affecting the vehicle dynamics and corresponding virtual sensor
US9720855B2 (en) * 2014-08-19 2017-08-01 Samsung Electronics Co., Ltd. Virtual device based systems with access to parts other than data storage elements through the virtual device
CN104408601A (zh) * 2014-11-28 2015-03-11 柳州市天誉德冷藏运输有限公司 冷藏车辆北斗导航定位温度监控系统
GB201501534D0 (en) 2015-01-30 2015-03-18 Rolls Royce Plc Methods and systems for detecting, classifying and/or mitigating sensor error
US10378994B2 (en) * 2015-03-05 2019-08-13 Ai Alpine Us Bidco Inc. Wireless vibration monitoring of movable engine parts
US11147509B2 (en) * 2015-03-12 2021-10-19 Essilor International Method for customizing a mounted sensing device
US10235629B2 (en) 2015-06-05 2019-03-19 Southwest Research Institute Sensor data confidence estimation based on statistical analysis
EP3125393B8 (en) * 2015-07-31 2020-08-19 MARICI Holdings The Netherlands B.V. A method for automatically associating a module to a corresponding inverter, and related module and power generation system
US10051060B2 (en) 2015-12-04 2018-08-14 International Business Machines Corporation Sensor data segmentation and virtualization
US10072951B2 (en) 2015-12-04 2018-09-11 International Business Machines Corporation Sensor data segmentation and virtualization
CN105629951A (zh) * 2015-12-30 2016-06-01 南京航空航天大学 发动机实验环境下传感器信号的重构方法
US10043100B2 (en) 2016-04-05 2018-08-07 Omni Ai, Inc. Logical sensor generation in a behavioral recognition system
US10401847B2 (en) * 2016-12-12 2019-09-03 General Electric Company System and method for issue detection of industrial processes
EP3399475A1 (en) * 2017-05-03 2018-11-07 ABB Schweiz AG Method and system for automatic selection of physical quantity measurements
DE102017211737B4 (de) * 2017-07-10 2019-03-28 Siemens Aktiengesellschaft Überwachungsvorrichtung und Verfahren zur Überwachung eines Systems
AU2018319552A1 (en) 2017-08-21 2019-12-12 Landmark Graphics Corporation Integrated surveillance and control
US11281169B2 (en) * 2017-11-15 2022-03-22 Johnson Controls Tyco IP Holdings LLP Building management system with point virtualization for online meters
JP6848842B2 (ja) * 2017-12-01 2021-03-24 オムロン株式会社 データ生成装置、データ生成方法、データ生成プログラムおよびセンサ装置
JP6489250B1 (ja) * 2018-02-13 2019-03-27 オムロン株式会社 候補抽出装置、候補抽出方法及びプログラム
US11436484B2 (en) * 2018-03-27 2022-09-06 Nvidia Corporation Training, testing, and verifying autonomous machines using simulated environments
JP6501018B1 (ja) * 2018-04-20 2019-04-17 トヨタ自動車株式会社 未燃燃料量の機械学習装置
DE102018113900A1 (de) 2018-06-11 2019-12-12 Rolls-Royce Deutschland Ltd & Co Kg Verfahren zur Bestimmung einer Messgröße und Sensorsystem
EP3696636A1 (en) 2019-02-12 2020-08-19 Siemens Aktiengesellschaft Virtual sensor for an industrial control system
CN109668588A (zh) * 2019-02-27 2019-04-23 天津大学 基于虚拟传感器的风冷式制冷机组传感器故障诊断方法
EP3715982A1 (de) * 2019-03-27 2020-09-30 Siemens Aktiengesellschaft Virtueller sensor auf einer übergeordneten maschinenplattform
DE102019121589A1 (de) * 2019-08-09 2021-02-11 Compredict Gmbh Verfahren zur Bestimmung einer Sensorkonfiguration
CN113874866A (zh) * 2019-09-10 2021-12-31 西门子股份公司 传感器模型的生成方法和系统、传感器测量方法和系统
CN113587920B (zh) * 2020-04-30 2024-02-20 阿里巴巴集团控股有限公司 运动测量方法、装置、电子设备及计算机可读存储介质
US20220028564A1 (en) * 2020-07-24 2022-01-27 L'oreal Device for measuring environmental factors and recommending personalized mitigating regimen
JP2022029243A (ja) * 2020-08-04 2022-02-17 横河電機株式会社 データ管理システム、データ管理方法、および、データ管理プログラム
JP2024512398A (ja) * 2021-03-07 2024-03-19 リキッド ワイヤ エルエルシー ユーザの動作をフレキシブル回路によってモニタリングするとともに特徴づける装置、システム、および方法
EP4242760A1 (de) * 2022-03-11 2023-09-13 Schneider Electric Industries SAS Verfahren zur generierung kontextabhängiger informationen
CN114460466B (zh) * 2022-04-12 2022-08-05 杭州杰牌传动科技有限公司 一种用于传动监测的虚拟传感器设备及其监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04210046A (ja) * 1990-09-24 1992-07-31 Biomagnetic Technol Inc 生体シグナルの解析法
JPH09501782A (ja) * 1993-08-05 1997-02-18 パヴィリオン・テクノロジーズ・インコーポレイテッド センサ評価を持つ仮想連続的排気ガス監視装置
JP2003084802A (ja) * 2001-09-14 2003-03-19 National Institute Of Advanced Industrial & Technology 多自由度、多センサを持つシステムの統一的制御装置
JP2003328732A (ja) * 2002-05-15 2003-11-19 Caterpillar Inc 仮想センサを使用するＮＯｘ排出制御システム
JP2007004632A (ja) * 2005-06-24 2007-01-11 Nokia Corp 仮想センサ
WO2007008718A2 (en) * 2005-07-08 2007-01-18 Ener1 Group, Inc. Measuring characteristics of continuous media and/or localized targets using a multi-frequency sensor
WO2007058695A1 (en) * 2005-11-18 2007-05-24 Caterpillar Inc. Process model based virtual sensor system and method

Family Cites Families (164)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3316395A (en) * 1963-05-23 1967-04-25 Credit Corp Comp Credit risk computer
US4136329A (en) * 1977-05-12 1979-01-23 Transportation Logic Corporation Engine condition-responsive shutdown and warning apparatus
DE3104196C2 (de) 1981-02-06 1988-07-28 Bayerische Motoren Werke AG, 8000 München Anzeigevorrichtung für Kraftfahrzeuge
US5014220A (en) * 1988-09-06 1991-05-07 The Boeing Company Reliability model generator
US5262941A (en) 1990-03-30 1993-11-16 Itt Corporation Expert credit recommendation method and system
US5341315A (en) 1991-03-14 1994-08-23 Matsushita Electric Industrial Co., Ltd. Test pattern generation device
US5163412A (en) 1991-11-08 1992-11-17 Neutronics Enterprises, Inc. Pollution control system for older vehicles
US5598076A (en) * 1991-12-09 1997-01-28 Siemens Aktiengesellschaft Process for optimizing control parameters for a system having an actual behavior depending on the control parameters
US5594637A (en) * 1993-05-26 1997-01-14 Base Ten Systems, Inc. System and method for assessing medical risk
US5434796A (en) * 1993-06-30 1995-07-18 Daylight Chemical Information Systems, Inc. Method and apparatus for designing molecules with desired properties by evolving successive populations
US5386373A (en) 1993-08-05 1995-01-31 Pavilion Technologies, Inc. Virtual continuous emission monitoring system with sensor validation
US5604895A (en) * 1994-02-22 1997-02-18 Motorola Inc. Method and apparatus for inserting computer code into a high level language (HLL) software model of an electrical circuit to monitor test coverage of the software model when exposed to test inputs
US6513018B1 (en) * 1994-05-05 2003-01-28 Fair, Isaac And Company, Inc. Method and apparatus for scoring the likelihood of a desired performance result
US5666297A (en) 1994-05-13 1997-09-09 Aspen Technology, Inc. Plant simulation and optimization software apparatus and method using dual execution models
US5561610A (en) 1994-06-30 1996-10-01 Caterpillar Inc. Method and apparatus for indicating a fault condition
US5566091A (en) 1994-06-30 1996-10-15 Caterpillar Inc. Method and apparatus for machine health inference by comparing two like loaded components
US5835902A (en) 1994-11-02 1998-11-10 Jannarone; Robert J. Concurrent learning and performance information processing system
US5608865A (en) * 1995-03-14 1997-03-04 Network Integrity, Inc. Stand-in Computer file server providing fast recovery from computer file server failures
US5604306A (en) * 1995-07-28 1997-02-18 Caterpillar Inc. Apparatus and method for detecting a plugged air filter on an engine
US5585553A (en) 1995-07-28 1996-12-17 Caterpillar Inc. Apparatus and method for diagnosing an engine using a boost pressure model
US5970426A (en) * 1995-09-22 1999-10-19 Rosemount Analytical Inc. Emission monitoring system
US5864773A (en) * 1995-11-03 1999-01-26 Texas Instruments Incorporated Virtual sensor based monitoring and fault detection/classification system and method for semiconductor processing equipment
US5719796A (en) 1995-12-04 1998-02-17 Advanced Micro Devices, Inc. System for monitoring and analyzing manufacturing processes using statistical simulation with single step feedback
JPH09158775A (ja) 1995-12-06 1997-06-17 Toyota Motor Corp 内燃機関の吸気圧センサ異常検出装置
US5752007A (en) * 1996-03-11 1998-05-12 Fisher-Rosemount Systems, Inc. System and method using separators for developing training records for use in creating an empirical model of a process
US6438430B1 (en) 1996-05-06 2002-08-20 Pavilion Technologies, Inc. Kiln thermal and combustion control
US5727128A (en) 1996-05-08 1998-03-10 Fisher-Rosemount Systems, Inc. System and method for automatically determining a set of variables for use in creating a process model
US6199007B1 (en) * 1996-07-09 2001-03-06 Caterpillar Inc. Method and system for determining an absolute power loss condition in an internal combustion engine
JP3703117B2 (ja) * 1996-07-10 2005-10-05 ヤマハ発動機株式会社 モデルベース制御方法および装置
US5750887A (en) * 1996-11-18 1998-05-12 Caterpillar Inc. Method for determining a remaining life of engine oil
US6208982B1 (en) * 1996-11-18 2001-03-27 Lockheed Martin Energy Research Corporation Method and apparatus for solving complex and computationally intensive inverse problems in real-time
US5842202A (en) 1996-11-27 1998-11-24 Massachusetts Institute Of Technology Systems and methods for data quality management
US6236908B1 (en) * 1997-05-07 2001-05-22 Ford Global Technologies, Inc. Virtual vehicle sensors based on neural networks trained using data generated by simulation models
US5950147A (en) 1997-06-05 1999-09-07 Caterpillar Inc. Method and apparatus for predicting a fault condition
US6370544B1 (en) * 1997-06-18 2002-04-09 Itt Manufacturing Enterprises, Inc. System and method for integrating enterprise management application with network management operations
US6086617A (en) * 1997-07-18 2000-07-11 Engineous Software, Inc. User directed heuristic design optimization search
US6405122B1 (en) * 1997-10-14 2002-06-11 Yamaha Hatsudoki Kabushiki Kaisha Method and apparatus for estimating data for engine control
US5914890A (en) * 1997-10-30 1999-06-22 Caterpillar Inc. Method for determining the condition of engine oil based on soot modeling
US6145066A (en) 1997-11-14 2000-11-07 Amdahl Corporation Computer system with transparent data migration between storage volumes
US6477660B1 (en) 1998-03-03 2002-11-05 Sap Aktiengesellschaft Data model for supply chain planning
US5987976A (en) 1998-03-12 1999-11-23 Caterpillar Inc. Method for determining the condition of engine oil based on TBN modeling
US6119074A (en) 1998-05-20 2000-09-12 Caterpillar Inc. Method and apparatus of predicting a fault condition
US6269351B1 (en) * 1999-03-31 2001-07-31 Dryken Technologies, Inc. Method and system for training an artificial neural network
US6266668B1 (en) * 1998-08-04 2001-07-24 Dryken Technologies, Inc. System and method for dynamic data-mining and on-line communication of customized information
US20060117274A1 (en) 1998-08-31 2006-06-01 Tseng Ping-Sheng Behavior processor system and method
US6725208B1 (en) * 1998-10-06 2004-04-20 Pavilion Technologies, Inc. Bayesian neural networks for optimization and control
US6240343B1 (en) * 1998-12-28 2001-05-29 Caterpillar Inc. Apparatus and method for diagnosing an engine using computer based models in combination with a neural network
US6092016A (en) * 1999-01-25 2000-07-18 Caterpillar, Inc. Apparatus and method for diagnosing an engine using an exhaust temperature model
JP2000276206A (ja) * 1999-03-24 2000-10-06 Yamaha Motor Co Ltd 総合特性最適化方法及び装置
US6941287B1 (en) 1999-04-30 2005-09-06 E. I. Du Pont De Nemours And Company Distributed hierarchical evolutionary modeling and visualization of empirical data
US6223133B1 (en) * 1999-05-14 2001-04-24 Exxon Research And Engineering Company Method for optimizing multivariate calibrations
US6195648B1 (en) * 1999-08-10 2001-02-27 Frank Simon Loan repay enforcement system
US6442511B1 (en) 1999-09-03 2002-08-27 Caterpillar Inc. Method and apparatus for determining the severity of a trend toward an impending machine failure and responding to the same
US6976062B1 (en) 1999-09-22 2005-12-13 Intermec Ip Corp. Automated software upgrade utility
US6546379B1 (en) * 1999-10-26 2003-04-08 International Business Machines Corporation Cascade boosting of predictive models
US7020595B1 (en) 1999-11-26 2006-03-28 General Electric Company Methods and apparatus for model based diagnostics
JP2001159903A (ja) * 1999-12-01 2001-06-12 Yamaha Motor Co Ltd 組合せ完成品用単位装置の最適化装置
US6775647B1 (en) 2000-03-02 2004-08-10 American Technology & Services, Inc. Method and system for estimating manufacturing costs
US6298718B1 (en) 2000-03-08 2001-10-09 Cummins Engine Company, Inc. Turbocharger compressor diagnostic system
US6865509B1 (en) * 2000-03-10 2005-03-08 Smiths Detection - Pasadena, Inc. System for providing control to an industrial process using one or more multidimensional variables
US6594989B1 (en) * 2000-03-17 2003-07-22 Ford Global Technologies, Llc Method and apparatus for enhancing fuel economy of a lean burn internal combustion engine
US6952662B2 (en) 2000-03-30 2005-10-04 Smartsignal Corporation Signal differentiation system using improved non-linear operator
US6760716B1 (en) * 2000-06-08 2004-07-06 Fisher-Rosemount Systems, Inc. Adaptive predictive model in a process control system
US20040135677A1 (en) * 2000-06-26 2004-07-15 Robert Asam Use of the data stored by a racing car positioning system for supporting computer-based simulation games
JP4723057B2 (ja) * 2000-06-29 2011-07-13 横浜ゴム株式会社 製品形状設計方法およびこれを用いて設計される空気入りタイヤ
FR2812389B1 (fr) * 2000-07-27 2002-09-13 Inst Francais Du Petrole Methode et systeme pour estimer en temps reel le mode d'ecoulement d'une veine fluide polyphasique, en tous points d'une conduite
US20020042784A1 (en) * 2000-10-06 2002-04-11 Kerven David S. System and method for automatically searching and analyzing intellectual property-related materials
US6584768B1 (en) * 2000-11-16 2003-07-01 The Majestic Companies, Ltd. Vehicle exhaust filtration system and method
US6859770B2 (en) * 2000-11-30 2005-02-22 Hewlett-Packard Development Company, L.P. Method and apparatus for generating transaction-based stimulus for simulation of VLSI circuits using event coverage analysis
MXPA01012613A (es) * 2000-12-07 2003-08-20 Visteon Global Tech Inc Metodo para calibrar un modelo matematico.
US6859785B2 (en) * 2001-01-11 2005-02-22 Case Strategy Llp Diagnostic method and apparatus for business growth strategy
US20020103996A1 (en) 2001-01-31 2002-08-01 Levasseur Joshua T. Method and system for installing an operating system
US7113932B2 (en) * 2001-02-07 2006-09-26 Mci, Llc Artificial intelligence trending system
JP4446366B2 (ja) 2001-03-22 2010-04-07 東京瓦斯株式会社 希薄燃焼ガスエンジンの排気浄化方法及び装置
US7500436B2 (en) * 2003-05-22 2009-03-10 General Electric Company System and method for managing emissions from mobile vehicles
US6975962B2 (en) * 2001-06-11 2005-12-13 Smartsignal Corporation Residual signal alert generation for condition monitoring using approximated SPRT distribution
US20020198821A1 (en) 2001-06-21 2002-12-26 Rodrigo Munoz Method and apparatus for matching risk to return
US20030018503A1 (en) * 2001-07-19 2003-01-23 Shulman Ronald F. Computer-based system and method for monitoring the profitability of a manufacturing plant
US6763708B2 (en) 2001-07-31 2004-07-20 General Motors Corporation Passive model-based EGR diagnostic
US7050950B2 (en) * 2001-11-08 2006-05-23 General Electric Company System, method and computer product for incremental improvement of algorithm performance during algorithm development
US7644863B2 (en) * 2001-11-14 2010-01-12 Sap Aktiengesellschaft Agent using detailed predictive model
US20030126053A1 (en) * 2001-12-28 2003-07-03 Jonathan Boswell System and method for pricing of a financial product or service using a waterfall tool
US7143046B2 (en) * 2001-12-28 2006-11-28 Lucent Technologies Inc. System and method for compressing a data table using models
WO2003067350A2 (en) 2002-02-05 2003-08-14 Cleaire Advanced Emission Controls Apparatus and method for simultaneous monitoring, logging, and controlling of an industrial process
US7237238B2 (en) 2002-03-01 2007-06-26 Dell Products L.P. Method and apparatus for automated operating systems upgrade
US6698203B2 (en) * 2002-03-19 2004-03-02 Cummins, Inc. System for estimating absolute boost pressure in a turbocharged internal combustion engine
US6687597B2 (en) 2002-03-28 2004-02-03 Saskatchewan Research Council Neural control system and method for alternatively fueled engines
US7561971B2 (en) 2002-03-28 2009-07-14 Exagen Diagnostics, Inc. Methods and devices relating to estimating classifier performance
US20030200296A1 (en) 2002-04-22 2003-10-23 Orillion Corporation Apparatus and method for modeling, and storing within a database, services on a telecommunications network
US7035834B2 (en) * 2002-05-15 2006-04-25 Caterpillar Inc. Engine control system using a cascaded neural network
US6785604B2 (en) 2002-05-15 2004-08-31 Caterpillar Inc Diagnostic systems for turbocharged engines
US6935313B2 (en) 2002-05-15 2005-08-30 Caterpillar Inc System and method for diagnosing and calibrating internal combustion engines
US7000229B2 (en) * 2002-07-24 2006-02-14 Sun Microsystems, Inc. Method and system for live operating environment upgrades
US6950712B2 (en) * 2002-07-30 2005-09-27 Yamaha Hatsudoki Kabushiki Kaisha System and method for nonlinear dynamic control based on soft computing with discrete constraints
US20040030667A1 (en) 2002-08-02 2004-02-12 Capital One Financial Corporation Automated systems and methods for generating statistical models
US20040230404A1 (en) 2002-08-19 2004-11-18 Messmer Richard Paul System and method for optimizing simulation of a discrete event process using business system data
US7533008B2 (en) * 2002-08-19 2009-05-12 General Electric Capital Corporation System and method for simulating a discrete event process using business system data
US7225113B2 (en) * 2002-09-11 2007-05-29 Datarevelation, Inc Systems and methods for statistical modeling of complex data sets
US20040153227A1 (en) 2002-09-13 2004-08-05 Takahide Hagiwara Fuzzy controller with a reduced number of sensors
US6711676B1 (en) * 2002-10-15 2004-03-23 Zomaya Group, Inc. System and method for providing computer upgrade information
US20040138995A1 (en) * 2002-10-16 2004-07-15 Fidelity National Financial, Inc. Preparation of an advanced report for use in assessing credit worthiness of borrower
JP2004135829A (ja) * 2002-10-17 2004-05-13 Fuji Xerox Co Ltd 脳波診断装置および方法
DE10248991B4 (de) * 2002-10-21 2004-12-23 Siemens Ag Vorrichtung zur Simulation des Steuerungs- und Maschinenverhaltens von Werkzeug- oder Produktionsmaschinen
US6909960B2 (en) 2002-10-31 2005-06-21 United Technologies Corporation Method for performing gas turbine performance diagnostics
US6823675B2 (en) 2002-11-13 2004-11-30 General Electric Company Adaptive model-based control systems and methods for controlling a gas turbine
US7356393B1 (en) * 2002-11-18 2008-04-08 Turfcentric, Inc. Integrated system for routine maintenance of mechanized equipment
US6865883B2 (en) * 2002-12-12 2005-03-15 Detroit Diesel Corporation System and method for regenerating exhaust system filtering and catalyst components
US20040122702A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Medical data processing system and method
US20040122703A1 (en) * 2002-12-19 2004-06-24 Walker Matthew J. Medical data operating model development system and method
US7213007B2 (en) * 2002-12-24 2007-05-01 Caterpillar Inc Method for forecasting using a genetic algorithm
US7027953B2 (en) * 2002-12-30 2006-04-11 Rsl Electronics Ltd. Method and system for diagnostics and prognostics of a mechanical system
US6965826B2 (en) * 2002-12-30 2005-11-15 Caterpillar Inc Engine control strategies
US7152778B2 (en) 2003-06-23 2006-12-26 Bitstock Collecting and valuating used items for sale
US7467119B2 (en) 2003-07-21 2008-12-16 Aureon Laboratories, Inc. Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition
US7191161B1 (en) * 2003-07-31 2007-03-13 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Method for constructing composite response surfaces by combining neural networks with polynominal interpolation or estimation techniques
JP4464966B2 (ja) * 2003-08-07 2010-05-19 シコルスキー エアクラフト コーポレイション 仮想負荷監視システムおよび方法
US7251540B2 (en) * 2003-08-20 2007-07-31 Caterpillar Inc Method of analyzing a product
US7379598B2 (en) * 2003-08-29 2008-05-27 The Johns Hopkins University Distance sorting algorithm for matching patterns
US7194392B2 (en) * 2003-10-23 2007-03-20 Taner Tuken System for estimating model parameters
US20050091093A1 (en) * 2003-10-24 2005-04-28 Inernational Business Machines Corporation End-to-end business process solution creation
US7899725B2 (en) 2004-03-02 2011-03-01 Accenture Global Services Limited Enhanced business reporting methodology
US7451003B2 (en) 2004-03-04 2008-11-11 Falconeer Technologies Llc Method and system of monitoring, sensor validation and predictive fault analysis
US7693801B2 (en) 2004-04-22 2010-04-06 Hewlett-Packard Development Company, L.P. Method and system for forecasting commodity prices using capacity utilization data
US8209250B2 (en) * 2004-05-10 2012-06-26 Morgan Stanley Systems and methods for conducting an interactive financial simulation
US7280879B2 (en) 2004-05-20 2007-10-09 Sap Ag Interfaces from external systems to time dependent process parameters in integrated process and product engineering
US20050278227A1 (en) 2004-05-28 2005-12-15 Niel Esary Systems and methods of managing price modeling data through closed-loop analytics
US7805721B2 (en) 2004-06-14 2010-09-28 Likewise Software, Inc. System and method for automated migration from Windows to Linux
US7747641B2 (en) * 2004-07-09 2010-06-29 Microsoft Corporation Modeling sequence and time series data in predictive analytics
US7885978B2 (en) * 2004-07-09 2011-02-08 Microsoft Corporation Systems and methods to facilitate utilization of database modeling
US20060026587A1 (en) * 2004-07-28 2006-02-02 Lemarroy Luis A Systems and methods for operating system migration
US7089099B2 (en) * 2004-07-30 2006-08-08 Automotive Technologies International, Inc. Sensor assemblies
US7536486B2 (en) * 2004-07-30 2009-05-19 Microsoft Corporation Automatic protocol determination for portable devices supporting multiple protocols
JP4369825B2 (ja) * 2004-08-11 2009-11-25 株式会社日立製作所 車両故障診断装置および車載端末
US7127892B2 (en) 2004-08-13 2006-10-31 Cummins, Inc. Techniques for determining turbocharger speed
US7124047B2 (en) 2004-09-03 2006-10-17 Eaton Corporation Mathematical model useful for determining and calibrating output of a linear sensor
US7284043B2 (en) * 2004-09-23 2007-10-16 Centeris Corporation System and method for automated migration from Linux to Windows
US7167791B2 (en) * 2004-09-27 2007-01-23 Ford Global Technologies, Llc Oxygen depletion sensing for a remote starting vehicle
US8924499B2 (en) * 2004-12-14 2014-12-30 International Business Machines Corporation Operating system migration with minimal storage area network reconfiguration
US7178328B2 (en) * 2004-12-20 2007-02-20 General Motors Corporation System for controlling the urea supply to SCR catalysts
EP2275946A1 (en) * 2005-03-04 2011-01-19 STMicroelectronics S.r.l. Probabilistic neural network and relative training method
US20060229854A1 (en) 2005-04-08 2006-10-12 Caterpillar Inc. Computer system architecture for probabilistic modeling
US20060230097A1 (en) 2005-04-08 2006-10-12 Caterpillar Inc. Process model monitoring method and system
US20060229852A1 (en) 2005-04-08 2006-10-12 Caterpillar Inc. Zeta statistic process method and system
US20060230018A1 (en) 2005-04-08 2006-10-12 Caterpillar Inc. Mahalanobis distance genetic algorithm (MDGA) method and system
US20060229753A1 (en) 2005-04-08 2006-10-12 Caterpillar Inc. Probabilistic modeling system for product design
US7565333B2 (en) 2005-04-08 2009-07-21 Caterpillar Inc. Control system and method
US7499777B2 (en) 2005-04-08 2009-03-03 Caterpillar Inc. Diagnostic and prognostic method and system
US20060247798A1 (en) 2005-04-28 2006-11-02 Subbu Rajesh V Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset
US20070061144A1 (en) * 2005-08-30 2007-03-15 Caterpillar Inc. Batch statistics process model method and system
US7487134B2 (en) 2005-10-25 2009-02-03 Caterpillar Inc. Medical risk stratifying method and system
US7505844B2 (en) * 2005-11-18 2009-03-17 General Electric Company Model-based iterative estimation of gas turbine engine component qualities
US20070124237A1 (en) * 2005-11-30 2007-05-31 General Electric Company System and method for optimizing cross-sell decisions for financial products
US7739099B2 (en) 2005-12-22 2010-06-15 International Business Machines Corporation Method and system for on-line performance modeling using inference for real production IT systems
US20070150332A1 (en) * 2005-12-22 2007-06-28 Caterpillar Inc. Heuristic supply chain modeling method and system
US7505949B2 (en) * 2006-01-31 2009-03-17 Caterpillar Inc. Process model error correction method and system
US7302363B2 (en) * 2006-03-31 2007-11-27 Tokyo Electron Limited Monitoring a system during low-pressure processes
US7693608B2 (en) * 2006-04-12 2010-04-06 Edsa Micro Corporation Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment
US8478506B2 (en) 2006-09-29 2013-07-02 Caterpillar Inc. Virtual sensor based engine control system and method
US7698074B1 (en) * 2006-11-16 2010-04-13 Michael Cybulski Emission monitoring methods and systems
US20080154811A1 (en) * 2006-12-21 2008-06-26 Caterpillar Inc. Method and system for verifying virtual sensors
US7991488B2 (en) * 2007-03-29 2011-08-02 Colorado State University Research Foundation Apparatus and method for use in computational fluid dynamics
US7813869B2 (en) 2007-03-30 2010-10-12 Caterpillar Inc Prediction based engine control system and method
US7751910B2 (en) * 2007-04-16 2010-07-06 Oracle America, Inc. High-accuracy virtual sensors for computer systems
US7542879B2 (en) * 2007-08-31 2009-06-02 Caterpillar Inc. Virtual sensor based control system and method

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04210046A (ja) * 1990-09-24 1992-07-31 Biomagnetic Technol Inc 生体シグナルの解析法
JPH09501782A (ja) * 1993-08-05 1997-02-18 パヴィリオン・テクノロジーズ・インコーポレイテッド センサ評価を持つ仮想連続的排気ガス監視装置
JP2003084802A (ja) * 2001-09-14 2003-03-19 National Institute Of Advanced Industrial & Technology 多自由度、多センサを持つシステムの統一的制御装置
JP2003328732A (ja) * 2002-05-15 2003-11-19 Caterpillar Inc 仮想センサを使用するＮＯｘ排出制御システム
JP2007004632A (ja) * 2005-06-24 2007-01-11 Nokia Corp 仮想センサ
WO2007008718A2 (en) * 2005-07-08 2007-01-18 Ener1 Group, Inc. Measuring characteristics of continuous media and/or localized targets using a multi-frequency sensor
JP2009500630A (ja) * 2005-07-08 2009-01-08 エナラブ、インク 少なくとも一つの複数周波数センサを用いた連続媒体および／または局在ターゲットの特性を測定するシステムおよび方法
WO2007058695A1 (en) * 2005-11-18 2007-05-24 Caterpillar Inc. Process model based virtual sensor system and method
JP2009520948A (ja) * 2005-11-18 2009-05-28 キャタピラー インコーポレイテッド プロセスモデルベースの仮想センサシステムおよび方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101947842B1 (ko) * 2011-03-03 2019-02-13 이턴 코포레이션 건설 장치에서 사용된 전기유압식 시스템을 제어하기 위한 결함 검출, 차폐 및 재구성 시스템 및 방법
JP2013144975A (ja) * 2011-12-20 2013-07-25 Honeywell Internatl Inc 推論検知のモデルベース較正
JP2018011122A (ja) * 2016-07-11 2018-01-18 三菱電機株式会社 通信装置
US11132616B2 (en) 2016-09-20 2021-09-28 Kabushiki Kaisha Toshiba Characteristic value estimation device and characteristic value estimation method

Also Published As

Publication number Publication date
DE112008001654T5 (de) 2010-05-12
US20080312756A1 (en) 2008-12-18
CN101681155A (zh) 2010-03-24
WO2008156678A1 (en) 2008-12-24
US7787969B2 (en) 2010-08-31

Similar Documents

Publication Publication Date Title
JP2010530179A (ja) 仮想センサ・システムおよび方法
JP5026433B2 (ja) プロセスモデルベースの仮想センサシステムおよび方法
US7542879B2 (en) Virtual sensor based control system and method
US7505949B2 (en) Process model error correction method and system
US8793004B2 (en) Virtual sensor system and method for generating output parameters
US7917333B2 (en) Virtual sensor network (VSN) based control system and method
US20080154811A1 (en) Method and system for verifying virtual sensors
US8036764B2 (en) Virtual sensor network (VSN) system and method
US7499777B2 (en) Diagnostic and prognostic method and system
KR102153924B1 (ko) 모델 파라미터값 추정 장치 및 추정 방법, 프로그램, 프로그램을 기록한 기록 매체, 모델 파라미터값 추정 시스템
JP2008536221A (ja) 制御システムおよび方法
US8977373B2 (en) Systems and methods for extending physical sensor range using virtual sensors
US8478506B2 (en) Virtual sensor based engine control system and method
US8224468B2 (en) Calibration certificate for virtual sensor network (VSN)
US7593804B2 (en) Fixed-point virtual sensor control system and method
US20080154459A1 (en) Method and system for intelligent maintenance
US20090300422A1 (en) Analysis method and system using virtual sensors
CN112052496B (zh) 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法
US11182515B2 (en) Apparatus for diagnosing analysis and method therefor
Diesch et al. Application of virtual sensors for stress-related design and operation-specific lifetime prognosis
CN116432021A (zh) 用于提供基于数据的系统模型并且用于检查系统模型的训练状态的方法和装置
Yuan et al. Bayesian sensor estimation for machine condition monitoring

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20110606

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20121207

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20130510