阅读说明：本技术 传感器校准 (Sensor calibration ) 是由 S·塔尔科玛 T·佩塔加 M·库尔马拉 J·库詹苏 于 2019-03-22 设计创作，主要内容包括：公开了一种用于通过校准过程在变化的操作环境中校准第一传感器的方法和装置。从第一传感器接收传感器数据,并且从已知校准传感器接收传感器值。维持用于第一传感器的传感器特定模型。在考虑到与已知校准传感器的传感器值的差值以及进一步考虑到第一传感器的传感器简档的情况下,通过估计漂移和误差来检测校准需求。使用上述差值来估计传感器数据的校正因子或校正模型,并且使用校正因子或校正模型来校正传感器。校正因子或校正模型是从传感器特定模型中导出的。(A method and apparatus for calibrating a first sensor in a varying operating environment through a calibration process is disclosed. Sensor data is received from a first sensor and sensor values are received from known calibration sensors. A sensor-specific model for the first sensor is maintained. The calibration requirement is detected by estimating drift and error taking into account the difference from the sensor value of the known calibration sensor and further taking into account the sensor profile of the first sensor. A correction factor or correction model of the sensor data is estimated using the above difference values, and the sensor is corrected using the correction factor or correction model. The correction factor or correction model is derived from the sensor-specific model.)

传感器校准

技术领域

本发明总体上涉及传感器校准。

背景技术

本部分说明了有用的背景信息，而没有承认本文中描述的表示现有技术的任何技术。

传感器通常根据某物的被测量的属性、并且根据给定行为来产生给定输出。作为简化示例，温度传感器可以在给定温度范围内线性地改变电阻。热敏电阻的行为通常可以用斜率和偏移来建模，即，使用线方程。

诸如一氧化碳传感器或放射性剂量传感器的一些传感器可以被配置为计算聚合的量度或随着时间的推移的、对被测量属性的浓度进行积分。有时，被测量的属性与输出具有非线性关系。此外，一些传感器的增益与普通热敏电阻相比也不稳定。一些传感器执行内部滤波(诸如带通或高通滤波)，以消除干扰，在这种情况下，一些初始原始测量数据不可避免地在传感器中丢失。

通常通过以标准化方式暴露于不同条件、并且通过调节传感器操作，以实现期望的传感器行为来对传感器进行校准。如果传感器包括数字电路装置，则校准可以简单地通过形成期望的传递函数、以根据被测量的属性来设置期望输出来数字地执行。可以预想，这种数字校准也可以通过例如由传感器下游的处理元件，在除传感器之外的其他元件上对传感器值进行数字修改来分配。

在模拟传感器的情况下，例如，校准可以通过增加或减少与传感器串联耦合的电阻、或通过调节放大器晶体管的偏置来放大输出放大器来进行。但是，这样的标准化校准需要将传感器收集到校准站或将标准化校准站移动到传感器。

本发明的目的是简化传感器的校准。本发明的另一目的是能够比现有技术更频繁地校准传感器。本发明的又一目的是提供现有技术的备选技术方案。

发明内容

根据第一示例方面，提供了一种方法，该方法包括在校准过程中校准第一传感器，该方法包括：

从第一传感器接收传感器数据；

执行以下各项中的至少一项：从已知校准传感器接收传感器值；或者维持用于第一传感器的传感器特定模型；

在考虑到与已知校准传感器或传感器特定模型的传感器值的差值，并且进一步考虑到传感器的操作环境、传感器简档、传感器特定漂移曲线和传感器特定误差曲线中的任何一个或多个的情况下，通过估计漂移和误差，来检测校准需求；以及

通过使用所述差值估计传感器数据的校正因子或校正模型，来校准传感器；

其中校正因子或校正模型是从传感器特定模型中导出的。

该方法还可以包括：不同的传感器被分级排名，并且分级模型被用来利用在分级模型中排名较高的校准传感器，来执行对第一传感器的校准。

该方法还可以包括：

第一传感器被配置用于测量的、系统的一个或多个属性的空间模型被维持；

使用在第一传感器之外的、并且在受到不同条件下执行的测量，空间模型被分层地用来执行第一传感器的导出校准。

该方法还可以包括：空间模型整合了多个空气质量参数。空间模型可以连接到区域空气质量模型，以用于附加的数据源或数据同化。

该方法还可以包括：多个传感器形成彼此通信的传感器组。多层(例如，两层)校准可以在节点内部以及在节点之间执行，以改善准确感测能力。传感器网络可以包括移动传感器，被配置为将校准从一个或多个参考观察位置转移到固定传感器网络。

校准传感器可以是移动传感器。

校准传感器可以由遥控器控制。遥控器可以包括服务器计算机。备选地，遥控器可以包括分布式功能。分布式功能可以通过云计算来实现。遥控器可以包括位于计算机网络的边缘的边缘服务器。

遥控器可以执行多个传感器的运行时校准。

校准传感器可以是基于由已校准传感器提供的传感器数据的模型的虚拟传感器。使用从传感器网络接收的所确定的时空数据，基于长期传感器可观察量，可以开发虚拟传感器数据。

该方法还可以包括：从综合观察中被合并，并且经由传感器网络被扩展的代理变量。

例如，SO₂、太阳辐射和颗粒物可以提供有关气相硫酸浓度的数据。可以经由人工智能和/或其他数据挖掘技术来开发新的代理。

该方法还可以包括：已校准传感器被扩展为增强型虚拟传感器，被配置为检测超出所使用的至少一个第一传感器的硬件规格的环境属性。

已校准传感器到增强型虚拟传感器的扩展可以使用校准模型。增强型虚拟传感器还可以使用环境模型。环境模型可以由遥控器产生。

根据第二示例方面，提供了一种在蜂窝网络中实现分布式服务的系统，该系统包括：

遥控器；以及

多个传感器，通信地连接到遥控器；

其中遥控器和多个传感器被配置为执行第一示例方面的方法。

根据第三示例方面，提供了一种包括计算机可执行程序代码的计算机程序，该计算机可执行程序代码被配置为在被执行时使得装置至少执行第一示例方面的方法。

该计算机程序可以存储在存储介质上。存储介质可以是非暂态存储介质。

根据第四示例方面，提供了一种用于校准第一传感器的装置，该装置包括：

用于从第一传感器接收传感器数据的器件；

用于执行以下各项的至少一项的器件：从已知校准传感器接收传感器值；或者维持用于第一传感器的传感器特定模型；

用于在考虑到与已知校准传感器或传感器特定模型的传感器值的差值，并且进一步考虑到传感器的操作环境、传感器简档、传感器特定漂移曲线和传感器特定误差曲线中的任何一项或多项的情况下，通过估计漂移和误差，来检测校准需求的器件；以及

用于通过使用所述差值，估计传感器数据的校正因子或校正模型，来校准传感器的器件；

其中校正因子或校正模型是从传感器特定模型中导出的。

任何前述存储介质可以包括数字数据存储，诸如数据盘、光学存储、磁存储或光磁存储。存储介质可以被形成为除存储存储器之外没有其他基本功能的设备，或者可以被形成为具有其他功能的设备的一部分，包括但不限于计算机的存储器、芯片组和电子设备的子组件。

前面已经说明了本发明的不同的非约束性示例方面和实施例。前述的实施例仅用于解释可以在本发明的实现中利用的所选择的方面或步骤。可以仅参考本发明的某些示例方面来提出一些实施例。应当理解，对应实施例也可以应用于其他示例方面。

附图说明

将参考附图描述本发明的一些示例实施例，在附图中：

图1示出了根据本发明的实施例的系统的示意图；

图2示出了根据示例实施例的过程的流程图；

图3示出了图1的端子的框图；

图4示出了根据本发明的实施例的主信令；以及

图5示出了根据本发明另一实施例的主信令。

具体实施方式

在下面的描述中，相同的附图标记表示相同的元件或步骤。

图1示出了根据本发明的实施例的系统100的示意图。系统100包括在变化的操作环境中的第一传感器110。第一传感器110具有由给定校准参数定义、并且与相应传感器简档身份相关联的传感器简档。

系统100还包括要么是虚拟传感器、要么是物理传感器的校准传感器120。校准传感器120具有由给定校准参数定义、并且与相应传感器简档身份相关联的传感器简档。

系统100的传感器可以能够彼此通信或形成传感器网络，如在第一传感器110与校准传感器120之间的箭头所示出的。例如从高于给定阈值的测量差值超过邻近其他传感器(在此称为校准传感器120)的测量值，这种通信可以由第一传感器110用来检测校准条件。

在一些实施例中，校准传感器120和第一传感器110可以各自充当第一传感器或校准传感器，然而在一些其他实施例中，校准传感器被分层地位于第一传感器上方。例如，校准传感器120可以具有比第一传感器更好的准确性，或者校准传感器120可以比第一传感器110更新近地和/或更频繁地校准。

第一传感器110和校准传感器120在图1中被绘制为与诸如边缘模块130的处理元件通信连接。在一些实施例中，边缘模块130与蜂窝网络或公共陆地移动网络的基站共同定位，或位于蜂窝网络或公共陆地移动网络的基站中。边缘模块可以***作，以使用从第一传感器110接收的感测数据遥测和从校准传感器120接收的测量数据或(更一般地是关于校准的数据)，来控制第一传感器的校准。也就是说，使用直接从第一传感器110接收的数据，基于在校准传感器120中或在校准传感器120处进行的观察，校准传感器120可以容易地产生一些校准相关数据。

边缘模块130通信地连接到后端140，该后端140可以使用例如云校准模块或一个或多个服务器计算机来实现。边缘模块130向后端提供聚合的感测数据和遥测，该感测数据和遥测包括第一传感器110的测量和校准传感器120的测量。

在实施例中，后端140基于所有接收的传感器测量和传感器简档(例如，在本地或分布式数据库中)来计算或更新并且维持传感器数据图。在实施例中，传感器图还包括系统100的不同传感器的位置或相对位置。传感器简档身份可以用于将特定传感器简档与相应传感器相关联。

在已经计算或更新传感器图之后，后端140为边缘模块130提供第一传感器110的局部模型/图和传感器简档。边缘模块130然后可以相应地计算或更新第一传感器110的部分传感器数据模型或物理模型图，并且作为校准过程的另一部分，向第一传感器110发布(新的或已更新的)校准数据。

在实施例中，针对第一传感器，在考虑到操作环境、传感器简档、漂移曲线和/或误差曲线的情况下，接收310来自第一传感器110的数据和遥测，并且将数据和遥测与来自校准传感器120的校准参考数据进行比较320。如果比较引起发现无效数据，则该过程进行到步骤380，并且在步骤390中分析无效数据。除非进行了无效数据发现，否则该过程前进到基于用于改善第一传感器的准确性的模型来增强330第一传感器数据。再次，在这种情况下，该过程可以继续进行到步骤380，这可以是无效数据的发现。备选地，在可以形成新的校准配置的情况下，该过程可以进行到步骤360，或者该过程可以继续进行到步骤340。

在步骤360中，分析新的校准配置是否改善了第一传感器准确性。如果是，则建立370校准配置，并且形成包括第一传感器的物理位置的校正参数。如果否，则该过程继续进行到步骤340，其中分析参数值以优化第一传感器准确性，并且搜索预期能够改善第一传感器准确性的校准配置。如果找到，则该过程继续进行到步骤370，否则在步骤350中，认为没有可能的改善。

用于第一传感器110的新配置的形成和/或校正模型的实现可以在执行数据收集的边缘模块120处执行。

术语“虚拟传感器”是指一种计算传感器，它基于由不同传感器产生的数据、并且基于环境/操作环境的知识、传感器的建模行为以及可能还基于从类似的其他系统和在相同系统100内的较早历史中获知的人工智能，来模拟或仿真真实传感器。例如，以室外温度测量为示例，两个相对接近的传感器通常会产生相当相似的值，除非当一个传感器受到特定冷却或加热效果，诸如局部淋雨或以其他方式吸收浓云中的缝隙的阳光照射。但是，通常，可以简单地内插在两个传感器之间的温度。利用其他参数(诸如风速和风向)的知识以及周围其他传感器的温度发展与温度随时间的正常发展的知识，推断温度将如何分布将是相对简单的。人工智能可以用于确定在不同属性之间的关联和潜在的因果关系，从而形成新的交叉参数模型。这可以用于形成增强型传感器数据，以指示超出传感器的实际能力的属性。将参考图4进一步描述增强型传感器。

如果物理传感器靠近或已经靠近(在某个物理距离处)已校准传感器，则可以将来自物理传感器的数据值与可用于该区域的当前时空数据以及传感器设备简档一起使用。

根据由图3例示的一个实施例，如果在已校准传感器与校准物理传感器之间的特定物理距离内没有可用数据，则系统100在第一传感器110的位置处创建虚拟校准传感器。基于高质量的时空图以及过去在该区域中的任何物理传感器的数据，来推断校准传感器120的值。

图4示出了能够通过软件扩展传感器的硬件感测能力的过程。时空模型和传感器模型用于检测超出传感器设备的硬件规格的属性，诸如污染物和环境属性。该过程基于时空模型来分析430传感器，以便检测超出传感器硬件能力的属性或额外参数。如果分析发现这种扩展是不可能的，则该过程继续进行到步骤480，并且此后继续分析390无效数据。

如果自从先前的校准运行以来，已经建立了新的增强型传感器配置，则在步骤460中，分析新的校准是否改善了第一传感器110的准确性，并且针对增强型第一传感器估计了地面真值。如果否，则该过程继续进行到步骤440，否则继续进行到步骤470，以基于新的增强型传感器配置来建立校准配置和校正参数。在步骤440中，增强第一传感器，以基于第一传感器数据来检测诸如新污染物的新属性，并且估计了环境模型和地面真值以及针对增强型传感器的校准。如果在步骤440中发现针对第一传感器配置存在可能的改善，则该过程继续进行到步骤470以供使用，否则进行到步骤450，没有可能的改善。

在实施例中，地面真值是基于来自更准确的校准传感器120的数据，该数据用于标识用于检测超出硬件规格的属性的相关性。传感器增强模型可以在实验室环境中被设计；然而，替代地或另外地，系统100可以基于来自物理校准传感器120的地面真值数据，在运行时处生成这样的模型。然后可以在物理传感器处实现并且建立增强型传感器配置。该过程可以基于可用的地面真值数据来估计新的增强型传感器配置的行为。

回到更高的水平，让我们转到图2，图2示出了根据用于校准第一传感器的示例实施例的校准过程的流程图。该过程可以由远程控制器(即，诸如边缘模块130或云校准模块140的一个或多个实体)执行。

该过程包括从第一传感器接收210传感器数据；

执行以下各项的至少一项：从已知校准传感器接收传感器值；或者维持用于第一传感器的传感器特定模型；

在考虑到与已知校准传感器或传感器特定模型的传感器值的差值、并且进一步考虑到传感器的操作环境、传感器简档、传感器特定漂移曲线和传感器特定误差曲线中的任何一项或多项的情况下，通过估计漂移和误差来检测220校准需求；以及

通过使用所述差值来估计传感器数据的校正因子或校正模型来校准230传感器；

其中校正因子或校正模型是从传感器特定模型导出的。

在实施例中，不同的传感器被分级排名，并且分级模型被用来利用在分级模型中排名较高的校准传感器，来执行对第一传感器的校准。

在实施例中，该方法还包括：

第一传感器被配置用于测量的、系统的一个或多个属性的空间模型被维持；以及

使用在第一传感器之外的、并且在受到不同条件下执行的测量，空间模型被分层地用来执行第一传感器的导出校准。

在实施例中，空间模型整合了多个空气质量参数。空间模型可以连接到区域空气质量模型，以用于附加的数据源或数据同化。

在实施例中，多个传感器形成彼此通信的传感器组。多层校准可以在节点内部以及在节点之间执行，以提供改善准确感测能力。传感器网络可以包括被配置为将校准从一个或多个参考观察位置转移到固定传感器网络的移动传感器。

在实施例中，校准传感器是移动传感器，诸如便携式传感器、车载传感器、或被配置为由无人机运输的传感器。

在实施例中，第一传感器是移动传感器，诸如便携式传感器、车载传感器、或被配置为由无人机运输的传感器。

在实施例中，校准传感器由遥控器控制。遥控器可以包括服务器计算机。附加地或额外地，遥控器可以包括分布式功能。分布式功能可以通过云计算来实现。遥控器可以包括位于计算机网络的边缘的边缘服务器。

遥控器可以执行多个传感器的运行时校准。

在实施例中，校准传感器是基于由已校准传感器提供的传感器数据的模型的虚拟传感器。使用从传感器网络接收的、所确定的时空数据，基于长期传感器可观察量，可以开发虚拟传感器数据。

虚拟传感器可以例如使用人工智能自动地形成，从而可以使用用于校准第一传感器的虚拟传感器来形成或改善校准传感器。备选地，基于要使用的真实传感器的选择和/或要与真实传感器一起应用的参数化，可以至少部分地手动形成虚拟传感器。

在实施例中，代理变量从综合观察中被合并，并且经由传感器网络被扩展。

例如，SO₂、太阳辐射和颗粒物可以提供有关气相硫酸浓度的数据。可以经由人工智能和/或其他数据挖掘技术来开发新的代理。

在实施例中，已校准传感器被扩展为增强型虚拟传感器，被配置为检测超出所使用的至少一个第一传感器的硬件规格的环境属性。已校准传感器到增强型虚拟传感器的扩展可以使用校准模型。增强型虚拟传感器还可以使用环境模型。环境模型可以由遥控器产生。

图5还例示了对被测量属性之间的(可能弱的)相关性的分析。给出有足够的数据可用，则该方法可以被一般化到任何数目的属性。最先进的机器学习技术可以用于预测超出原始硬件规格的属性。510，一个传感器测量属性A。520，基于可用数据来分析在测量A与B(由另一传感器感测)之间的相关性，并且开发用于在给定其他属性的情况下预测属性的存在的模型。如果找到相关性，则在步骤530中，生成用于在给定其他属性的情况下预测属性的模型；否则该过程结束。作为例外，可以找到相关性，但是相关性在统计上不显著(550)，因此该过程终止。如果生成了模型，则在步骤530中进一步尝试验证模型。如果基于可用数据验证模型，则该过程继续进行到步骤540，并且采用模型，否则，模型没有通过验证、并且将不被采用560。

根据实施例，一个自然系统的模型被参数化以适于另一自然系统。例如，一个城市或国家的污染物气体模型可以用于另一城市或国家。

系统中的处理可以例如是分布式的，使得一个或多个远程实体(诸如遥控器)能够处理较大的数据集，并且仅传感器读数和必要的本地处理在传感器处执行。替代地，处理可以每个实现以其他方式分布。例如，虚拟网络实体可以执行处理。

在实施例中，动态调节第一传感器的校准。可以例如通过改变基本传感器的参数、位置或取向来实现适配。另外地或替代地，适配可以通过适配用于导出校正因子或校正模型的模型来实现。

已经提出了各种实施例。应当理解，在本文件中，词语“包括(comprise)”、“包括了(include)”和“包含(contain)”均用作开放式表达，而非意图是排他性的。

前述描述已经通过本发明的特定实现和实施例的非限制性示例的方式提供了发明人目前构想的用于执行本发明的最佳模式的全面和有益的描述。然而，对于本领域技术人员而言清楚的是，本发明不限于以上呈现的实施例的细节，而是在不偏离本发明的特性的情况下，可以在其他实施例中使用等效手段或以实施例的不同组合来实现本发明。

此外，可以在不相应使用其他特征的情况下有利地使用本发明的前述实施例的一些特征。这样，前面的描述应当被认为仅是本发明的原理的说明，而不是对其的限制。因此，本发明的范围仅由所附专利权利要求书限制。