CN112970018A - 传感器下降曲线标识 - Google Patents
传感器下降曲线标识 Download PDFInfo
- Publication number
- CN112970018A CN112970018A CN201980074053.9A CN201980074053A CN112970018A CN 112970018 A CN112970018 A CN 112970018A CN 201980074053 A CN201980074053 A CN 201980074053A CN 112970018 A CN112970018 A CN 112970018A
- Authority
- CN
- China
- Prior art keywords
- sensor
- curve
- droop
- data
- polynomial
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims description 57
- 230000004044 response Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 239000002689 soil Substances 0.000 description 41
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 23
- 238000004458 analytical method Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000003071 parasitic effect Effects 0.000 description 10
- 230000001960 triggered effect Effects 0.000 description 10
- 230000007423 decrease Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003278 mimic effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 235000013599 spices Nutrition 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- MPTQRFCYZCXJFQ-UHFFFAOYSA-L copper(II) chloride dihydrate Chemical compound O.O.[Cl-].[Cl-].[Cu+2] MPTQRFCYZCXJFQ-UHFFFAOYSA-L 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/44—Program or device authentication
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
- G01R31/2829—Testing of circuits in sensor or actuator systems
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
- G06F21/577—Assessing vulnerabilities and evaluating computer system security
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
- G01N27/223—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Electromagnetism (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种计算机实现的方法,包括:关闭传感器;从传感器接收下降曲线数据;以及比较所接收的下降曲线数据与一组下降曲线签名,以标识传感器或传感器故障。
Description
背景技术
物联网(IoT)***从各种传感器收集数据。所收集的数据被处理以提供来自IoT部署的独特见解。这些传感器通常由电池供电,依靠低成本的组件,并且可能被部署在恶劣的环境中。考虑到传感器故障的可能性,IoT***设计中的关键挑战是确保由传感器报告的数据的完整性、准确性和保真度。
为了标识传感器故障,现有方案通常使用以数据为中心、基于规则的方法。这些方案检测所报告的传感器数据中的异常以供故障检测。但是,这种方法具有固有的限制。首先,故障传感器数据可以模仿非故障的数据。例如,在传感器的“开路”ADC/地连接时获得的传感器数据模仿非故障传感器数据。
其次,异常的传感器读数通常不足以标识传感器故障的根本原因。例如,错误的读数可能由于坏的传感器、低电池电量或微处理器错误等因素引起。在现场人员可能具有有限技术背景,并且具有深厚技术的人员到达远程地区(例如油气、农业、采矿、林业和其他垂直行业)的成本可能较高的情况下,隔离故障组件的能力对于IoT部署尤其重要。
发明内容
一种计算机实现的方法,包括:关闭传感器;从传感器接收下降曲线数据;以及比较所接收的下降曲线数据与一组下降曲线签名,以标识传感器或传感器故障。
附图说明
图1是图示根据示例实施例的包括下降曲线电压的传感器电压的图。
图2A、图2B、图2C和图2D是图示根据示例实施例的、基于下降曲线来标识设备和/或设备故障的计算机实现的方法的流程图。
图3A、图3B和图3C图示了根据示例实施例的跨各种传感器的下降曲线特性。
图4A是根据示例实施例的土壤湿度传感器的示意图。
图4B是示出根据示例实施例的下降曲线比较的曲线图。
图5A、图5B、图5C和图5D是图示根据示例实施例的传感器端口不匹配和标识的曲线图。
图6A和图6B图示了根据示例实施例的损坏的传感器和相关联的下降曲线。
图7图示了根据示例实施例的手动注入的加速度计故障和相关联的下降曲线。
图8是根据示例实施例的被修改以用于下降曲线测量的数字传感器的框图。
图9A和图9B图示了根据示例实施例的针对温度传感器的传感器数据和下降曲线数据。
图10是根据示例实施例的下降曲线处理管线的框图。
图11A、图11B和图11C是根据示例实施例的指示下降曲线宽度、多项式次数和聚类的曲线图。
图12A、图12B、图12C和图12D图示了根据示例实施例的传感器节点内部组件和所部署的传感器。
图13A、图13B、图13C和图13D是图示根据示例实施例的短路故障和对应下降曲线的曲线图。
图14A、图14B、图14C和图14D是图示根据示例实施例的尖峰故障和对应下降曲线的曲线图。
图15A和图15B是图示根据示例实施例的固定型故障和对应下降曲线的曲线图。
图16A和图16B是图示根据示例实施例的噪声故障和对应下降曲线的曲线图。
图17A和图17B是图示根据示例实施例的传感器端口不匹配和对应下降曲线的曲线图。
图18是用于实施一个或多个示例实施例的计算机***的示意框图。
具体实施方式
在下面的描述中,参考形成其一部分的附图,并且在附图中通过图示的方式示出了可以被实践的特定实施例。这些实施例足够详细地被描述,以使本领域技术人员能够实施本发明,并且应当理解,在不脱离本发明的范围的情况下,可以利用其他实施例并且可以进行改变。因此,示例实施例的以下描述不应当以限制性含义来理解,并且本发明的范围由所附权利要求限定。
在一个实施例中,本文描述的功能或算法可以以软件或软件与人实现的步骤的组合来被实现。软件可以包括存储在计算机可读介质上的计算机可执行指令,计算机可读介质诸如是本地或联网的存储器或其他类型的基于硬件的存储设备。此外,这种功能对应于模块,模块是软件、硬件、固件或其任何组合。可以根据需要在一个或多个模块中执行多种功能,并且所描述的实施例仅是示例。软件可以在数字信号处理器、ASIC、微处理器或在计算机***(诸如个人计算机、服务器或其他计算机***)上运行的其他类型的处理器上被执行。除非明确地限于一个,否则冠词“一”或“一个”意指“一个或多个”。
当传感器被断电时,它在短时间段继续输出模拟信号,这主要是由于传感器板的寄生电容。这些值以特性“下降曲线”衰减。传感器的下降曲线构成独特的签名,并且对于所监测的现象而言是不可知的(agnostic)。基于下降曲线的技术被用于标识被连接到IoT设备的传感器,并且确定传感器是否正确操作。
在通常的操作中,通过下降曲线电路装置定期地采样下降曲线,或者响应于异常数据按需采样下降曲线。如果报告的读数中有疑似错误,则使用下降曲线来标识可能的错误原因。对下降曲线的使用(包括用于匹配由下降曲线电路装置实现的下降曲线的算法)消耗极低的功率,并且可以在IoT设备本身上本地运行,伴随着小于0.3%的能源开销。该方法可以在包括各种模拟和数字传感器的***中被使用。
下降曲线提供一种方式来通过关闭给传感器的功率来标识故障,因此它与感测环境无关。因此,即使在报告的读数与实际数据相似时,下降曲线也可以被用于标识故障传感器。最后,基于下降曲线的技术能够隔离故障原因,而无需附加的硬件或跨多个物理传感器的时空相关性。它还跨一系列传感器和IOT环境适用。
下降曲线可以被用于表征传感器。下降曲线可以在多种传感器之上标识故障传感器,包括模拟传感器和数字传感器两者。
在各个实施例中,刚刚被关闭的传感器的下降曲线被测量并且被分析,以确定传感器中的故障模式是否已经对下降曲线从正常传感器的下降曲线进行了改变。针对不同类型故障的下降曲线可能不同,这允许对已经发生的故障的标识。详细说明故障类型和标识传感器的报告可以由传感器发送。
下降曲线也可以被用于自动检测已知传感器的签名。来自一个制造商的已知类型的传感器中的多个传感器可能非常相似,如果不是相同的下降曲线。来自不同制造商的相同类型的传感器可能具有不同的下降曲线。不同类型的传感器可能具有不同的下降曲线。通过将传感器的已知下降曲线与所测量的下降曲线相关联,可以检测传感器的类型,并且可能可以检测传感器的制造商。
下降曲线电路装置可以调整算法和采样,来适应具有不同电池功率和处理功率可用性的不同传感器。调整以及标识传感器类型的能力允许在无需改变代码的情况下换出传感器。
示例IoT设备可以包括多个组件,诸如(i)微控制器,(ii)传感器,(iii)模数转换器(ADC),(iv)连接模块和(v)电池。通常的传感器数据故障包括短路、尖峰、固定型、噪声和校准。短路可能是由电池波动、瞬态传感器故障、接线松动和其他原因引起的。尖峰是比预期的大得多的改变速率,并且可能是由于低电池电量、模数转换故障、短路、接线连接松动、控制单元故障等引起。固定型故障可以表现为:在比预期长的时间段,数据点的序列具有很少的变化(如果有的话)。固定型故障可能是由于ADC故障、触发故障、控制单元故障、短路、开路连接、削波、传感器故障等引起。噪声可能是由于电池波动、开路连接、触发故障、传感器故障等引起。校准故障可能是由于传感器漂移、ADC漂移、电池偏移、控制单元故障、传感器故障等引起。
尽管上述原因确实出现,但是传感器故障通常是IoT部署中传感器数据故障的最常见原因。由于传感器硬件电路装置的故障、对传感器的物理毁坏、暴露于恶劣环境等,传感器故障可能是暂时的或永久的。使用以数据为中心的方法来检测传感器数据故障具有挑战性。考虑在农耕农场中的传感器部署,以在没有任何先前数据的情况下,监测不同土壤深度处的土壤湿度值。在该情况下,鉴于田地的异构性质,传感器数据的空间相关性无效。此外,时间相关性需要灌溉计时信息和降雨检测,由于湿度感测深度、土壤质地和组成的多样性,灌溉计时信息和降雨检测跨田地松散地相关。因此,在没有显著域和上下文信息的情况下,无法对传感器数据进行建模。
在实际部署中,故障传感器数据可能模仿非故障传感器数据。在一个示例故障中,开路ADC充当天线,该天线从印制电路板迹线拾取信号,并且生成模拟实际传感器数据的值。在开路接地连接的情况下,也可以观测到类似的故障。因此,准确监测传感器的状况至关重要。
在另一个示例中,部署在房间中的光传感器展示出光值显著高的多个时段。这些区域对应于房间照明的突然变化。尽管传统的以数据为中心的模型可能会引发错误警报,但数据实际上是有效的。因此,故障检测技术需要稳健,以从故障的数据隔离准确的数据。
图1是图示设备(诸如传感器)的操作的曲线图100。传感器输出在y轴上被指示,时间在x轴上被指示。在时间段110期间,传感器关闭。在时间段115期间,传感器开启,并且数据118正在从传感器被获取。在时间120处,传感器被关闭。对传感器的供电被断开。传感器输出以所谓的下降曲线125衰减。
在IoT***中,通常的做法是仅在数据收集的时段对传感器通电,以便节省能源。通常,当传感器被关闭时,输出信号在下降到零之前需要花费一定的时间量,这被称为下降时间(输出在其期间下降到零或接近零的时间),这被示出为下降曲线125。该下降时间主要是由于传感器电路中的寄生电容,寄生电容存在于电子组件或印制电路板(PCB)迹线的部分之间,因为它们彼此临近。
在传感器的通电状态(时间段115)期间,这些寄生电容器充电,并且当电源在120处被关闭时,寄生电容器开始在传感器的电路之上放电。因此,当功率被关闭,传感器的电压响应遵循一个曲线下降到零,该曲线被定义为“下降曲线”125。下降曲线125的特性还取决于传感器的电子组件和电路装置。在关闭传感器后,可以经由模数转换器(ADC)在短时间段对下降曲线125采样。
图2A是图示使用下降曲线来标识设备(诸如传感器)或标识设备中的故障的计算机实现的方法200的流程图。在操作205处,传感器被关闭。在关闭传感器后,传感器的输出被采样,以生成下降曲线数据。在210处,来自传感器的下降曲线数据被接收。在操作215处,比较下降曲线数据与一组已知的下降曲线签名,以标识传感器或标识传感器故障。在一些实施例中,两者都可以被标识。
下降曲线数据对应于响应于关闭传感器而从传感器输出的模拟信号,并且包括对模拟信号的时间序列采样。在关闭传感器之前,模拟信号可以被定期地或者响应于从传感器接收到的异常数据而被采样。一组下降曲线签名可以包括:来自恰当地操作的传感器的、对于不同类型的传感器而不同的下降曲线签名;以及来自故障传感器的、对于不同类型的故障而不同的下降曲线签名。
一组下降曲线签名可以包括来自具有如下故障中的一个或多个故障的传感器的下降曲线签名,所述故障包括短路故障、尖峰故障、固定型故障。在测量下降曲线之前,故障可能在传感器中被诱发。
在一个实施例中,经由基于云的计算资源,由基于网络边缘的资源、由包括数字传感器的传感器、或上述组合,在操作215处比较所接收的下降曲线数据与一组下降曲线签名以在操作处标识传感器或传感器故障被执行。
图2B是图示比较所接收的下降曲线数据的计算机实现的方法220的流程图。曲线数据包括响应于关闭传感器而来自传感器的经时间序列采样的模拟输出。方法220包括在操作225处生成针对经时间序列采样的模拟输出的特征矢量。在操作230处,将特征矢量与对应于一组下降曲线签名的特征矢量比较,以将所生成的特征矢量与一组下降曲线签名的特征矢量中的一个特征矢量相匹配。
图2C是图示生成特征矢量的计算机实现的方法240的流程图。在操作245处,多项式曲线被拟合到传感器的经时间序列采样的模拟输出。在操作250处,多项式曲线的多项式系数被用作特征矢量。在操作255处,与多项式系数最近的邻居被找出。在操作260处,响应于最近的邻居在特定阈值内,传感器和/或传感器故障被标识。在一个实施例中,
包括下降曲线宽度和多项式次数的超参数被调整,以基于资源和功率约束来折中准确性。尽管关于计算机实现的方法所引用的传感器被描述为IoT传感器,但是该传感器也可以是任何其他类型的设备,无论是无线的还是硬连线的,其具有下降曲线,该下降曲线可以被用于将其与其他设备区分开或指示设备故障。
图2D是图示生成与一组下降曲线签名相对应的特征矢量的计算机实现的方法265的流程图。在操作270处,通过在关闭传感器时对传感器的输出进行采样,来记录针对多个传感器的多个下降曲线签名和针对多个传感器中的每个传感器的ID。在操作275处,多项式曲线被拟合到所记录的签名。在操作280处,将多项式曲线的多项式系数用作特征矢量。在操作285处,对针对每个传感器的特征矢量执行聚类,以标识针对每个传感器的较少的一组独特特征。这样的较少的一组可以被用于减少标识传感器和/或对应的传感器故障的处理时间。处理时间的减少可以节省包括执行该方法的控制器的无线传感器的电池能量。
在一个实施例中,方法265包括在操作290处优化一组超参数。超参数可以包括以下一项或多项:下降曲线宽度、多项式的次数和簇的数目。操作290被执行以减少用于将所接收的下降曲线数据与一组下降曲线签名比较的功率和资源。
为了研究跨不同传感器的下降曲线的特性,利用多于20个不同传感器类型进行了若干试验台实验。这些传感器通常被用在多种IoT应用中,诸如农耕、机器人学、空气质量监测、智能家居等。一组传感器包括土壤湿度(来自不同制造商)、土壤温度、环境温度、加速度计、电流传感器、环境光传感器(LDR)、不同的气体传感器(MQ系列)、障碍物检测器、心率传感器、声音传感器、振动传感器、霍尔效应传感器、线路***传感器等。在这里,为了累积通过ADC的下降曲线,我们使用两个不同的基于微控制器的开发板:基于ATmega328P的Arduino Uno和基于ARM Cortex M4的Tiva TM4C123G。图3A、图3B和图3C示出了实验结果,并且描述了针对各种传感器的下降曲线的特性。
图3A在300处示出了针对七个非故障传感器的下降曲线。对应的曲线包括加速度计310、电流传感器315、霍尔传感器320、LDR传感器325、线路***330、土壤湿度器335和声音传感器340。x轴指示以微秒为单位的时间,y轴示出了从12位ADC获得的传感器值。由于传感器中寄生电容和电路装置的变化,每个传感器具有其独特的下降曲线。因此,每个传感器具有独特的下降曲线签名,其可以被利用来标识被附接到微控制器的传感器。
图3B以曲线图342中示出了仅在传感器被关闭之后被累积而与传感器被放置在其中的环境无关的下降曲线。所收集的下降曲线数据应当对于所监测的现象而言是不可知的。传感器在不同传感器值处的下降曲线被评估。例如,土壤湿度传感器的累积下降曲线在土壤湿度传感器测量在80%、65%和55%的湿度含量时被累积,如分别由曲线343、曲线344和曲线345所示。图3B示出了土壤湿度传感器的针对不同土壤湿度值的下降曲线。相同土壤湿度传感器的下降曲线具有相似的特性,即使在每次迭代(Itr)中所测量的湿度含量不同。图3B还示出了在346、347和348处具有不同测量电流值的电流传感器的下降曲线。
与传感器类型相关联的电路装置从一个制造商到另一个制造商变化。该变化是由于使用了不同的电阻器/电容器值、不相似的组件模型(零件编号)、电路装置制造变化等。因此,导致传感器电路的寄生电容变化。因此,来自不同制造商的相同传感器的下降曲线是可区分的。为了对此进行评估,进行了涉及来两个不同制造商中的每个制造商的两个土壤湿度传感器的实验。图3C在350处示出了针对各种土壤湿度传感器的下降曲线355、下降曲线360、下降曲线365和下降曲线370,其中相应传感器SM1、SM2来自制造商1(M1),并且SM3、SM4来自制造商2(M2)。可以看出,与来自M2的SM3/SM4365、370相比,来自M1的SM1/SM2的下降曲线355、360具有可区分的特性。因此,来自不同制造商的相同传感器具有有区别的下降曲线。此外,来自相同制造商的两个传感器具有相似的下降曲线(如图3C中所见,其中SM1的下降曲线355和SM2的下降曲线360彼此相似)。
仿真器可以被用于表征传感器行为。传感器电路装置使用传感器的数据表(来自制造商)而被导出,以确定寄生组件。该电路装置被馈送到SPICE仿真器中,以研究下降曲线特性。
在一个示例中,传感器是电阻式土壤湿度传感器,即SEN13322。图4A是由晶体管(2N3904)415、两个电阻器(R1 420,R2 425)和两个电阻式探测器组成的传感器的电路图(来自其数据表),两个电阻式探测器被表示为跨其输出的单个电阻(Rprobes 410)。给定传感器电路装置中不存在电容,预期下降曲线立即下降至零。这可以通过导出针对传感器的输出电压的等式来被表示。晶体管的基极电流(IB)和发射极电流(IE)是
使用这两个等式,针对输出电压的等式为:
土壤湿度传感器可以经历各种变化,例如,Rprobe 410的电阻由于土壤的湿度含量而改变。因此,为了广泛地分析该电路,使用了SPICE仿真器。为了确保准确的仿真,使用与物理电路上相同的组件值,其中R1=100Ω,R2=10kΩ,并且使用2N3904双极NPN晶体管。为了设置Rprobes,在潮湿条件下测量跨电阻式探测器的电阻,结果约为1500kΩ。电压供应435被设置为5V的方波。
如所预期的,仿真中的下降曲线立即下降至零。但是,利用开关440移除供应电压435的实验结果表明,下降曲线中存在延迟,这意味着在传感器的输出端子处存在少量的电容430。为了证明下降曲线的实验结果合理,电路的寄生电容可以被分析。对于该传感器,在输出端子445处来自铜迹线的寄生电容约为30pF。使用SPICE仿真器,输出端子处的寄生电容430被包括,并且下降曲线被重新评估。当寄生电容430被考虑时,如在图4B中的曲线图450处所见,仿真455和实验460中的土壤湿度传感器的下降曲线特性非常好地对齐。结果也可以通过将等式1乘以e-t/Cp而被表示。因此,任何传感器的下降曲线都可以通过分析从数据表获得的传感器电路装置来被建模。
通常的IoT设备包括多个端口,各种传感器被连接到这些端口。然后,在每个端口处的所测量的原始传感器数据在本地被处理或被传送到云,以供人类可解释性。针对该原始传感器数据的处理公式取决于传感器类型和制造商。例如,来自不同制造商的两个温度传感器可以具有不同的处理公式。因此,如果错误地将传感器连接到错误的端口(在传感器附接或更换期间),IoT设备仍继续从传感器获取原始数据,但是,由于对错误处理公式的应用,原始数据被错误地处理。这需要知道<传感器,端口>信息,即特定传感器所连接到的端口,以供正确处理原始传感器数据。
还可以通过分析下降曲线数据来检测传感器的错误连接。特别是通过利用传感器的下降曲线。下降曲线对于每个不同类型的传感器可以是独特的,并且对于来自两个不同制造商的相同类型的传感器也可以是独特的。这些性质确保每个传感器类型具有独特的下降曲线,该独特的下降曲线可以被用于标识被附接到端口的传感器。为了示出传感器标识的有效性,使用IoT设备执行一个实验,该IoT设备每15分钟监测建筑物中的环境光和温度。
图5A是以曲线505图示被附接到端口1上的IoT设备的光传感器的模拟传感器值的曲线图500。x轴指示数据序列,其中每个点指示15分钟的时间间隔。图5B是曲线图515,其示出了在应用特定于传感器的处理公式(从数据表获得)之后,在照度(lx)520下的对应的人类可解释的传感器数据。在某个时间段之后,光传感器被替换为温度传感器,具体地在数据序列24处,如图5A和图5B中的510和525处所示。由于数据很好地在光传感器的允许范围内,因此无法确定传感器数据中是否存在故障。在这样的情况下,所提议的基于下降曲线的技术可以标识被附接到端口的传感器,因为在传感器改变之前和之后获得的下降曲线应当显著不同。因此,通过定期地关闭对传感器的供电并且测量下降曲线,可以将所测量的下降曲线与先前的下降曲线测量进行比较,以确定错误配置。图5C的曲线图530在535处示出了传感器改变之前(LDR光传感器)的独特下降曲线,并且在540处示出了传感器改变之后(温度传感器)的独特下降曲线。所示的下降曲线的差异表明,可以可靠地检测传感器端口改变。警报可以被发出,或者可以自动检测连接到端口的新传感器并且适配适当的处理公式。图5D在曲线图550处示出了响应于检测到传感器变化而自动应用正确的处理公式之前(在555处)和之后(在560处)的人类可解释的传感器数据。
存在两种主要类型的传感器:模拟传感器和数字传感器。模拟传感器生成连续的输出信号,该输出信号通常与被测量值成比例。它们通过ADC与微控制器进行接口。数字传感器产生离散的数字输出信号,并且使用数字通信协议(例如I2C、RS485、SPI等)与微控制器进行接口。下降曲线可以被用于准确检测模拟传感器和数字传感器中的故障。
除了检测错误配置以外,还可以利用下降曲线来检测故障传感器。为了评估针对故障设备(诸如传感器)的下降曲线,可以通过物理毁坏传感器或暴露于热或以高压通过电流等来将故障手动注入到传感器中,这在IoT部署中常常出现。
图6A在600处示出了损坏(故障)并且工作的土壤湿度传感器,其具有与损坏的叉头615间隔开的单个完整的叉头610。在620处示出的未损坏的传感器,其具有两个完整的间隔开的叉头625和叉头630。图6B在曲线图640处示出了对应的下降曲线645和下降曲线650。针对损坏的传感器600的下降曲线650与工作的传感器下降曲线645显著不同,这可以被用于确定故障传感器。
图7是曲线图700,其分别在710、720和730处示出了针对工作的加速度计传感器、故障加速度计传感器和开路端口的三个不同的下降曲线。故障是通过施加超出加速度计传感器耐受限制的高压而产生的。注意,在土壤湿度传感器和加速度计传感器的两种场景下,毁坏/故障传感器生成在有效数据范围内的一些传感器数据。
当端口开路时,由于端口充当天线并且从PCB迹线拾取一些信号,因此传感器设备仍会读出一些数据。当ADC端口开路时,下降曲线730示出独特的下降曲线,并且当端口连接到工作的传感器时,下降曲线710。因此,下降曲线可以标识模拟传感器中的故障,而无需任何附加的硬件或关于IoT传感器部署的上下文信息。
图8是具有数字传感器810的基于数字的传感器***800的框图,数字传感器810具有两个主要组件:数字块815和模拟块820。数字块815可以包括数字数据处理电路装置、通信单元、存储器和内部ADC。模拟块820包含一个或多个模拟感测模块,也在820处指示。感测现象的测量作为由模拟感测模块820中的一个或多个模拟感测模块产生的模拟信号825开始,然后模拟信号825通过数字块815中的ADC被转换成数字信号830,并且被传送到外部微控制器835。外部微控制器具有传感器数据累积和处理块836,其被耦合到数字端口837用于接收数字信号830。微控制器835还包括下降曲线累积和处理块838,用于从模拟块820接收模拟数据。
在故障的数字传感器中,块810和块815中的任一个或两个可能故障。如果传感器的数字块815故障,则它可以在传感器停止响应或传送默认的服务中断值时被容易地检测到。然而,如果模拟块810故障,则数字块815继续处理并且传送来自(多个)模拟感测模块的故障信号。尽管可以对模拟传感器进行基于下降曲线的故障检测,但是外部微控制器835无法访问数字传感器810的模拟块825。连接840(诸如模拟感测模块820和外部微控制器835的ADC端口845之间的单线连接840)被用于提供下降曲线模拟数据。
注意,该单线连接对现成的数字传感器数据通信没有任何影响。在一个实施例中,仅在传感器被关闭时利用单线连接来累积下降曲线数据。因此,故障可以在数字传感器中在以下两者处被检测:(i)数字块815:检查来自数字块的响应以及(ii)模拟块:通过累积下降曲线。
图9A是示出故障905和非故障910DHT传感器的实例的输出的曲线图900,其中x轴示出了以小时为单位的时间,y轴示出了以摄氏度为单位的温度值。在DHT传感器中的一个DHT传感器上,模拟温度模块(热敏电阻)被故障的热敏电阻代替。虽然来自两个传感器的温度读数看起来正常(在有效范围内),但是在分析图9B中的曲线图920中以工作曲线925和故障曲线930示出的下降曲线时,DHT传感器中的一个DHT传感器可以被检测为故障。除非具有更多共同定位的传感器,否则无法使用任何其他技术来检测该故障。
在一个实施例中,可以在微控制器上实时运行的边缘机器学习算法可以被用于(i)确定传感器有故障或无故障,以及(ii)标识传感器。如前所述,当传感器被关闭时,下降曲线被收集较短的时间段。在图10中示出了具有两个阶段的边缘算法流水线1000。预部署阶段1010收集和分析针对每个传感器的下降曲线以提取关键特征。部署阶段1020将来自新的下降曲线的特征与先前提取的特征相匹配,以检测和隔离故障。
阶段1010在1012处收集针对IoT部署中所使用的所有非故障传感器的下降曲线。然后在1014处找出可以被用于表示下降曲线的最佳特征矢量。这些特征矢量在1016处进一步被优化,以导出针对所有传感器的特征字典,特征字典可以被加载到微控制器中用于传感器标识和故障检测。
当首次安装传感器时,在1012处获得非故障传感器的下降曲线及其对应的传感器标签。
多项式曲线被拟合到每个下降曲线时间序列,并且被用于找出对应的多项式系数作为特征矢量。在1014处针对每个传感器对这些多项式特征执行聚类以标识独特特征。这显著减少搜索空间,并且生成较小多项式特征字典。
考虑IoT设备的资源和功率约束,在1016处导出一组超参数,即,下降曲线宽度、多项式的次数和簇的数目。
然后,在1022处,将所得的特征字典以及所选择的超参数一起加载到IoT设备上,以在阶段1020中进行实时下降曲线分析。
注意,在于现场部署之前,仅利用非故障传感器来执行上述预部署步骤。
在部署阶段1020中,在1024处新下降曲线的多项式特征被提取,并且在1026处其最近的邻居从在预部署阶段期间获得的特征字典被找出。如果最近的邻居距离在特定阈值内,则在1030处下降曲线被分类为工作的或无故障(NF),并且分配对应的传感器标签。否则,在1035处,传感器被分类为有故障,并且下降曲线可以被发送到网关/云以供进一步处理。使用诸如ProtoNN的高效算法,在IoT设备上本地执行最近的邻居搜索。
在一个实施例中,边缘算法使IoT或其他设备设计者能够基于设备上的资源和功率约束来折中准确性。存在三个超参数可以基于故障检测准确性而被微调,以允许折中:下降曲线宽度、多项式次数和簇的数目。
(i)下降曲线宽度:每个下降曲线具有不同的下降时间以达到零。直观地,下降曲线宽度越大,处理下降曲线样本所需的时间和能量就越高。图11A是下降曲线宽度相对于准确性的曲线图1100,其示出了针对变化的下降曲线宽度,检测传感器的准确性的折中。准确性在仅10个样本的下降曲线宽度后饱和,这表明多项式曲线拟合能够利用仅若干样本来捕获下降曲线的关键特征。
(ii)多项式次数:通常,随着多项式次数增加,准确性也增加到一定程度。然而,多项式次数越高,资源需求就越高。图11B是多项式次数相对于准确性的曲线图1110,其示出了跨不同多项式次数的检测准确性。高达8的多项式次数时,准确性接近98%,此后准确性下降。该准确性下降表明,较高的多项式次数无法捕获下降曲线中的任何新信息。
(iii)簇的数目:针对相同传感器的下降曲线可能具有一些变化,这导致不同的多项式系数/特征。为了消除该变化,可以跨针对特定传感器获得的所有多项式特征执行聚类。聚类产生针对每个传感器的一组最佳多项式特征。较少数目的簇减少匹配多项式特征所需的时间。图11C是簇的数目相对于跨变化数目的簇的准确性的曲线图1120。在一个实施例中,在簇的数目大于10之后,准确性饱和。
在一个实施例中,下降曲线宽度为10个样本、多项式次数为4以及10个簇提供准确性和计算资源之间的良好折中。这些数字在其他实施例中可以变化。
用于基于下降曲线的故障分析的不同方法可以被使用,以允许设计者对准确性、故障分析的粒度和功率消耗进行折中,以确定其特定设备所需的数据的质量。
采样间隔触发的故障分析。由IoT设备获取的传感器读数的数目由采样间隔控制。通常,采样间隔基于应用场景和功率需求被设置。可以基于利用速率参数(r)而被控制的采样间隔,来触发基于下降曲线的故障分析,速率参数(r)确定用于故障分析的粒度。如果r=1,则故障分析针对每个传感器读数被触发,这对于要求最高数据保真度的IoT应用是有利的,例如,当被监测的现象持续变化时。类似地,r=100意味着对每100个传感器读数执行故障分析。低速率参数与功率消耗有关,但是支持更高的准确性。高速率参数伴随着故障数据点被漏掉而不被探测的可能性,如果所需的数据保真度不高,则这可能是可接受的。响应于故障的检测,该方法将速率参数适配为较低的值,以便主动探测故障,否则,它将维持预定义的速率参数。
事件触发的故障分析。在该方法中,传感器数据被分析以标识离群值事件。响应于检测离群值事件,基于下降曲线的故障分析被触发,为了明确的答案。离群值检测可以是对复杂的隐马尔可夫模型(HMM)或人工神经网络的基于简单规则的检测。注意,该故障分析方法仅基于对传感器数据的调查而被触发。如前所述,存在故障传感器数据可以模仿非故障传感器数据的场景。尽管该方法在传感器数据具有离群值时在检测故障方面有效,但在上述场景中,它可能漏检测故障数据点。
混合故障分析。该方法将采样间隔触发的故障分析方法和事件触发的故障分析方法两者相结合。基于下降曲线的故障分析在由速率参数定义的特定间隔上被触发,或者在传感器数据中检测到离群值事件之后被触发。因此,与上述两种方法相比,该方法减少故障数据点被漏掉而不被探测的几率,并且因此增加了准确性。附加地,与具有低值速率参数的采样间隔触发的故障分析相比,该方法是节省功率的。响应于故障的检测,该方法还可以将速率参数适配为较低的值,以便主动地探测故障。
在另外的实施例中,机器学习***(诸如神经网络模型)可以被使用,以利用训练数据来标识传感器和传感器故障,该训练数据包括来自下降曲线的经时间序列采样的数据。这样的模型的使用可能利用比IoT设备传感器中可用的更多的计算资源和功率,因此经时间序列采样的数据可以被传送到基于网络/云的资源以供处理。
在设备部署期间可能遇到许多不同的故障。以下段落描述了可以如何使用基于下降曲线的技术来检测和隔离这些故障。
6.2.1短路故障。图12A和图12C是曲线图1200和曲线图1210,其图示了分别示出土壤湿度传感器(重力)和土壤温度传感器中的短路故障实例的数据序列。x轴表示数据序列,其中每个点表示2小时的时间间隔。可以看出,图12A中的土壤湿度数据通常是稳定的,因为它们是雨养的农场,偶尔出现短路故障。类似地,在图12C中,土壤温度数据的白天模式是可观察的。图12B和图12D是曲线图1215和曲线图1220,其示出了恰好在短路故障实例之前、期间和之后从传感器累积的对应下降曲线。图12B中的下降曲线是在故障之前1225、在故障期间1226以及在故障之后1227。图12D中的下降曲线在故障之前1235、在故障期间1236以及在故障之后1237。在这些实例中,尽管所有***组件工作正常,但两个传感器都具有瞬态故障。可以看出,在短路故障期间,对应的下降曲线是不同的,并且***能够检测到这些瞬态传感器故障。瞬态传感器故障可能是由于环境因素等。
尖峰故障。图13A和图13C是曲线图1300和曲线图1310,其图示了分别示出土壤湿度传感器(重力)和土壤温度传感器中的尖峰故障实例的数据序列。x轴表示数据序列,其中每个点表示2小时的时间间隔。图13A中的虚线圈出区域1312示出了高土壤湿度数据超过2天(24个数据序列)。在该场景中,在没有上下文信息的情况下,以数据为中心的技术无法确定传感器数据是否故障。通过分析下降曲线,***标识出故障是由于传感器的瞬态故障。图13B和图13D是曲线图1315和曲线图1320,其示出了恰好在短路故障实例之前、期间和之后从传感器累积的对应下降曲线。图13B中的下降曲线是在故障之前1325、在故障期间1326以及在故障之后1327。图13D中的下降曲线是在故障之前1335、在故障期间1336以及在故障之后1337。传感器上的泥浆可能是尖峰故障的原因。在除去泥浆之后,故障消失。
固定型故障。图14A是图示土壤湿度传感器中的固定型故障的实例的曲线图1400。为了确定是否是传感器故障,可以研究图14B的曲线图1403中所示的在固定型故障之前1405、之后1410和期间1415的下降曲线。图14B示出了指示传感器故障的两个显著不同的下降曲线1405和1410。为了理解传感器故障的原因,可以审阅设备的板载SD卡中存储的日志。固定型故障可能是由于电池电压尖峰。这在土壤湿度传感器中引起永久性故障。图14B示出了非故障(在电池尖峰之前)和故障(在电池尖峰之后)土壤湿度传感器的对应下降曲线。
图14C是图示固定型故障的另一实例的曲线图1420,其中土壤温度传感器永久变坏。调查表明,传感器接线的一些部分有明显的毁坏,这可能是由于老鼠嚼碎了接线。在更换传感器后,土壤温度值返回到正常状态。图14D是曲线图1430,其示出了初始工作的传感器(在故障之前1433)和替换的传感器(在故障之后1435)的下降曲线类似,而初始传感器的故障状态下的下降曲线1434完全不同。
噪声。图15A是图示两个传感器节点1505和1510的土壤温度数据的曲线图1500。来自节点9的数据1505展示出噪声故障。图15B中的曲线图1520在1525和1530处分别示出了来自节点9的故障传感器的下降曲线和来自节点10的非故障传感器的下降曲线以供比较。可以看出,对于这两个传感器,下降曲线完全不同。来自节点9的土壤温度传感器的接地针脚上的松散连接导致有噪声的传感器数据。
传感器端口不匹配。在一个示例中,土壤湿度传感器由于固定型故障而永久变坏。但是,在更换期间,现场人员错误地将土壤温度传感器添加到土壤湿度传感器的端口上。图16A中的曲线图1600示出了传感器数据,其中序列号319之前的数据来自土壤湿度传感器,在353之后的数据来自土壤温度传感器。如图16B中的曲线图1610中所示,基于下降曲线的技术通过分析下降曲线自动标识了该不匹配。可以清楚地看到,数据序列319之前和353之后的下降曲线具有两个不同签名。此外,***能够通过应用正确的处理公式而不是应用错误的处理公式,来将该下降曲线与土壤温度传感器相匹配,并且将来自该端口的数据标记为土壤温度。
传感器数据故障之外。下降曲线方法的一个特征是检测这样的故障:其先前无法被诊断,诸如模仿非故障传感器数据的故障传感器数据,以及对未见过的非故障数据(新数据)的检测。以数据为中心的方法无法检测到这样的故障。图17A的曲线图1700图示了对基于下降曲线的技术的使用可以如何检测这样的故障。针对节点10和节点15的下降曲线1705和下降曲线1710看起来相同,而节点19具有可区分的下降曲线1715,这指示故障。在手动检查时,可以发现节点19具有开路的ADC接线连接。图17B中的曲线图1720呈现了分别针对常规数据点和尖峰的下降曲线1725和下降曲线1730。两个下降曲线示出相似的模式。因此,***利用下降曲线将尖峰隔离作为新数据。因此,借助于下降曲线,***可以检测和隔离IoT部署中的故障。
一些工业级数字传感器(例如T6713 CO2传感器、PMS7003灰尘传感器等)具有内部微控制器,该微控制器通过板载ADC来累积来自传感器的模拟感测模块的数据。在由制造商进行细小固件修改的情况下,可以使用相同的ADC端口来累积模拟感测模块的下降曲线。此外,低成本数字传感器(例如ADXL345加速度计、Adafruit PIR传感器等)没有内部微控制器。在这样的情况下,可以利用硬件修改来完成累积下降曲线。
如果由传感器生成的原始值非常低,则关闭传感器后所得的下降时间是可忽略的。这导致非常小或没有下降曲线被累积。例如,由于感兴趣的对象非常接近,距离传感器生成较低的值。在这样的情况下,可以使用更高的采样率来累积下降曲线数据。
图18是根据示例实施例的计算机***1800的示意框图,以实现在传感器中使用的处理资源、基于云的资源和其他计算资源。在各种实施例中不需要使用所有组件。计算机1800形式的一个示例计算设备可以包括处理单元1802、存储器1803、可移动存储装置1810和不可移动存储装置1812。存储器1803可以包括易失性存储器1814和非易失性存储器1808。
计算机1800可以包括或可以访问包括各种计算机可读介质的计算环境,各种计算机可读介质诸如易失性存储器1814和非易失性存储器1808、可移动存储装置1810和不可移动存储装置1812。计算机存储装置包括随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM)和电可擦可编程只读存储器(EEPROM)、闪存或其他存储器技术、压缩碟只读存储器(CD ROM)、数字通用盘(DVD)或其他光盘存储装置、磁盒、磁带、磁盘存储装置或其他磁性存储设备、或能够存储计算机可读指令的任何其他介质。计算机1800可以包括或可以访问包括输入1806、输出1804和通信连接1816的计算环境。输出1804可以包括也可以被用作输入设备的显示设备,诸如触摸屏。诸如总线1820的通信机制可以允许所有元件在它们之间传输数据。
计算机可以在联网环境中使用通信连接来操作,以连接到一个或多个远程计算机,诸如数据库服务器。远程计算机可以包括个人计算机(PC)、服务器、路由器、网络PC、对等设备或其他公共网络节点等。通信连接可以包括局域网(LAN)、广域网(WAN)或其他网络。
存储在计算机可读介质上的计算机可读指令由计算机1800的处理单元1802可执行。硬盘驱动、CD-ROM、DRAM和RAM是包括非暂态计算机可读介质的设备的一些示例。术语计算机可读介质和存储设备不包括无线信号,诸如载波或其他通信或传输介质,由于信号、载波或其他介质被认为过于短暂。
例如,计算机程序1818可以被用于使处理单元1802执行本文描述的一种或多种方法或算法。计算机程序1818可以被存储在设备上,或者可以通过诸如互联网的网络从服务器被下载到设备。
示例:
1.一种计算机实现的方法,包括:关闭传感器;从所述传感器接收下降曲线数据;以及比较所接收的所述下降曲线数据与一组下降曲线签名,以标识所述传感器或传感器故障。
2.根据示例1所述的方法,其中所述下降曲线数据对应于响应于关闭所述传感器而从所述传感器输出的模拟信号。
3.根据示例2所述的方法,其中所述下降曲线数据包括对所述模拟信号的时间序列采样,在关闭所述传感器之前,所述模拟信号被定期地或者响应于从所述传感器接收到的异常数据而被采样。
4.根据示例3所述的方法,其中所述一组下降曲线签名包括:来自恰当地操作的传感器的、对于不同类型的传感器而不同的下降曲线签名;以及来自故障传感器的、对于不同类型的故障而不同的下降曲线签名。
5.根据示例1至4中任一项所述的方法,其中所述下降曲线数据包括响应于关闭所述传感器而来自所述传感器的经时间序列采样的模拟输出,并且其中比较所接收的所述下降曲线数据包括:生成针对所述经时间序列采样的模拟输出的特征矢量;以及比较所述特征矢量与对应于所述一组下降曲线签名的特征矢量,以将所生成的所述特征矢量与所述一组下降曲线签名的所述特征矢量中的一个特征矢量相匹配。
6.根据示例5所述的方法,其中所述特征矢量通过如下被生成:将多项式曲线拟合到所述经时间序列采样的模拟输出;使用所述多项式曲线的多项式系数作为所述特征矢量;找出与所述多项式系数最近的邻居;以及响应于所述最近的邻居在特定阈值内,标识所述传感器或传感器故障。
7.根据示例6所述的方法,其中包括下降曲线宽度和多项式次数的超参数被调整以基于资源和功率约束来折中准确性。
8.根据示例5至7中任一项所述的方法,其中对应于所述一组下降曲线签名的所述特征矢量通过如下被生成:记录针对多个传感器的多个下降曲线签名和针对所述多个传感器中的每个传感器的ID;将多项式曲线拟合到所记录的所述签名;使用所述多项式曲线的多项式系数作为所述特征矢量;以及对针对每个传感器的所述特征矢量执行聚类,以标识针对每个传感器的较少的一组独特特征。
9.根据示例8所述的方法,还包括优化一组超参数,所述一组超参数包括下降曲线宽度、多项式的次数、以及针对所述特征矢量的簇的数目。
10.根据示例1至9中任一项所述的方法,其中所述传感器包括无线传感器。
11.根据示例1至10中任一项所述的方法,其中所述一组下降曲线签名包括来自具有如下故障中的一个或多个故障的传感器的下降曲线签名,所述故障包括短路故障、尖峰故障、固定型故障。
12.根据示例1至11中任一项所述的方法,其中比较所接收的下降曲线数据与一组下降曲线签名以标识所述传感器或传感器故障是经由基于云的计算资源或基于网络边缘的资源而被执行的。
13.根据示例1至12中的任一项所述的方法,其中比较所接收的所述下降曲线数据与一组下降曲线签名以标识所述传感器或传感器故障由包括数字传感器的所述传感器执行。
14.一种机器可读存储设备,具有指令,所述指令用于由机器的处理器执行,以使所述处理器执行操作来执行管理通信账户的方法,所述操作包括:关闭传感器;从所述传感器接收下降曲线数据;以及比较所接收的所述下降曲线数据与一组下降曲线签名,以标识所述传感器或传感器故障。
15.根据示例14所述的设备,其中所述一组下降曲线签名包括:来自恰当地操作的传感器的、对于不同类型的传感器而不同的下降曲线签名;以及来自故障传感器的、对于不同类型的故障而不同的下降曲线签名。
16.根据示例14至15中任一项所述的设备,其中所述下降曲线数据包括响应于关闭所述传感器而来自所述传感器的经时间序列采样的模拟输出,并且其中比较所接收的所述下降曲线数据包括:生成针对所述经时间序列采样的模拟输出的特征矢量;以及比较所述特征矢量与对应于所述一组下降曲线签名的特征矢量,以将所生成的所述特征矢量与所述一组下降曲线签名的所述特征矢量中的一个特征矢量相匹配。
17.根据示例16所述的设备,其中所述特征矢量通过如下被生成:将多项式曲线拟合到所述经时间序列采样的模拟输出;使用所述多项式曲线的多项式系数作为所述特征矢量;找出与所述多项式系数最近的邻居;以及响应于所述最近的邻居在特定阈值内,标识所述传感器或传感器故障。
18.根据示例17所述的设备,其中对应于所述一组下降曲线签名的所述特征矢量通过如下被生成:记录针对多个传感器的多个下降曲线签名和针对所述多个传感器中的每个传感器的ID;将多项式曲线拟合到所记录的所述签名;使用所述多项式曲线的多项式系数作为所述特征矢量;以及对针对每个传感器的所述特征矢量执行聚类,以标识针对每个传感器的较少的一组独特特征。
19.一种设备,包括:处理器;模拟传感器,被耦合到所述处理器;以及存储器设备,被耦合到所述处理器,并且具有存储在其上的程序,所述程序用于由所述处理器执行以执行操作,所述操作包括:关闭传感器;从所述传感器接收下降曲线数据;以及比较所接收的所述下降曲线数据与一组下降曲线签名,以标识所述传感器或传感器故障。
20.根据示例19所述的设备,其中所述下降曲线数据包括响应于关闭所述传感器而来自所述传感器的经时间序列采样的模拟输出,并且其中比较所接收的所述下降曲线数据包括:生成针对所述经时间序列采样的模拟输出的特征矢量;以及比较所述特征矢量与对应于所述一组下降曲线签名的特征矢量,以将所生成的所述特征矢量与所述一组下降曲线签名的所述特征矢量中的一个特征矢量相匹配。
尽管上面已经详细描述了一些实施例,但是其他修改也是可能的。例如,图中描绘的逻辑流程不需要所示的特定顺序或顺序的次序来实现期望的结果。可以提供其他步骤,或者可以从所描述的流程中去除步骤,并且可以向所描述的***添加其他组件或从所描述的***中删除其他组件。其他实施例可以在所附权利要求的范围内。
Claims (15)
1.一种计算机实现的方法,包括:
关闭传感器;
从所述传感器接收下降曲线数据;以及
比较所接收的所述下降曲线数据与一组下降曲线签名,以标识所述传感器或传感器故障。
2.根据权利要求1所述的方法,其中所述传感器包括无线传感器。
3.根据权利要求1所述的方法,其中所述一组下降曲线签名包括来自具有如下故障中的一个或多个故障的传感器的下降曲线签名,所述故障包括短路故障、尖峰故障、固定型故障。
4.根据权利要求1所述的方法,其中比较所接收的所述下降曲线数据与一组下降曲线签名以标识所述传感器或传感器故障由包括数字传感器的所述传感器执行。
5.根据权利要求1所述的方法,其中所述下降曲线数据对应于响应于关闭所述传感器而从所述传感器输出的模拟信号。
6.根据权利要求5所述的方法,其中所述下降曲线数据包括对所述模拟信号的时间序列采样,在关闭所述传感器之前,所述模拟信号被定期地或者响应于从所述传感器接收到的异常数据而被采样。
7.根据权利要求6所述的方法,其中所述一组下降曲线签名包括:来自恰当地操作的传感器的、对于不同类型的传感器而不同的下降曲线签名;以及来自故障传感器的、对于不同类型的故障而不同的下降曲线签名。
8.根据权利要求1至7中任一项所述的方法,其中所述下降曲线数据包括响应于关闭所述传感器而来自所述传感器的经时间序列采样的模拟输出,并且其中比较所接收的所述下降曲线数据包括:
生成针对所述经时间序列采样的模拟输出的特征矢量;以及
比较所述特征矢量与对应于所述一组下降曲线签名的特征矢量,以将所生成的所述特征矢量与所述一组下降曲线签名的所述特征矢量中的一个特征矢量相匹配。
9.根据权利要求8所述的方法,其中所述特征矢量通过如下被生成:
将多项式曲线拟合到所述经时间序列采样的模拟输出;
使用所述多项式曲线的多项式系数作为所述特征矢量;
找出与所述多项式系数最近的邻居;以及
响应于所述最近的邻居在特定阈值内,标识所述传感器或传感器故障。
10.根据权利要求9所述的方法,其中包括下降曲线宽度和多项式次数的超参数被调整以基于资源和功率约束来折中准确性。
11.根据权利要求8所述的方法,其中对应于所述一组下降曲线签名的所述特征矢量通过如下被生成:
记录针对多个传感器的多个下降曲线签名和针对所述多个传感器中的每个传感器的ID;
将多项式曲线拟合到所记录的所述签名;
使用所述多项式曲线的多项式系数作为所述特征矢量;以及
对针对每个传感器的所述特征矢量执行聚类,以标识针对每个传感器的较少的一组独特特征。
12.根据权利要求11所述的方法,还包括优化一组超参数,所述一组超参数包括下降曲线宽度、多项式的次数、以及针对所述特征矢量的簇的数目。
13.一种机器可读存储设备,具有指令,所述指令用于由机器的处理器执行,以使所述处理器执行操作来执行管理通信账户的方法,所述操作包括:
关闭传感器;
从所述传感器接收下降曲线数据;以及
比较所接收的所述下降曲线数据与一组下降曲线签名,以标识所述传感器或传感器故障。
14.根据权利要求13所述的设备,其中所述下降曲线数据包括响应于关闭所述传感器而来自所述传感器的经时间序列采样的模拟输出,并且其中比较所接收的所述下降曲线数据包括:
生成针对所述经时间序列采样的模拟输出的特征矢量;
比较所述特征矢量与对应于所述一组下降曲线签名的特征矢量,以将所生成的所述特征矢量与所述一组下降曲线签名的所述特征矢量中的一个特征矢量相匹配;以及
其中所述特征矢量通过如下被生成:
将多项式曲线拟合到所述经时间序列采样的模拟输出;
使用所述多项式曲线的多项式系数作为所述特征矢量;
找出与所述多项式系数最近的邻居;以及
响应于所述最近的邻居在特定阈值内,标识所述传感器或传感器故障。
15.一种设备,包括:
处理器;
模拟传感器,被耦合到所述处理器;以及
存储器设备,被耦合到所述处理器,并且具有存储在其上的程序,所述程序用于由所述处理器执行以执行操作,所述操作包括:
关闭传感器;
从所述传感器接收下降曲线数据;以及
比较所接收的所述下降曲线数据与一组下降曲线签名,以标识所述传感器或传感器故障。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/189,736 | 2018-11-13 | ||
US16/189,736 US11327476B2 (en) | 2018-11-13 | 2018-11-13 | Sensor fall curve identification |
PCT/US2019/059940 WO2020101958A1 (en) | 2018-11-13 | 2019-11-05 | Sensor fall curve identification |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112970018A true CN112970018A (zh) | 2021-06-15 |
Family
ID=68699530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980074053.9A Pending CN112970018A (zh) | 2018-11-13 | 2019-11-05 | 传感器下降曲线标识 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11327476B2 (zh) |
EP (1) | EP3881209A1 (zh) |
CN (1) | CN112970018A (zh) |
WO (1) | WO2020101958A1 (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5754963A (en) * | 1996-07-30 | 1998-05-19 | Hitachi America, Ltd. | Method and apparatus for diagnosing and isolating faulty sensors in a redundant sensor system |
CN107111311A (zh) * | 2014-09-10 | 2017-08-29 | 西门子能源公司 | 利用稀疏编码方法的燃气涡轮机传感器故障检测 |
US20180131560A1 (en) * | 2016-11-04 | 2018-05-10 | Nec Laboratories America, Inc. | Content-aware anomaly detection and diagnosis |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6489798B1 (en) * | 2000-03-30 | 2002-12-03 | Symagery Microsystems Inc. | Method and apparatus for testing image sensing circuit arrays |
US8576182B2 (en) | 2009-09-01 | 2013-11-05 | Atmel Corporation | Methods and apparatuses to test the functionality of capacitive sensors |
WO2016112209A1 (en) * | 2015-01-09 | 2016-07-14 | Ecorithm, Inc. | Machine learning-based fault detection system |
US10697811B2 (en) * | 2016-10-31 | 2020-06-30 | Nokia Technologies Oy | Method, apparatus and computer program product for providing sensor data collection and sensor configuration |
-
2018
- 2018-11-13 US US16/189,736 patent/US11327476B2/en active Active
-
2019
- 2019-11-05 WO PCT/US2019/059940 patent/WO2020101958A1/en unknown
- 2019-11-05 CN CN201980074053.9A patent/CN112970018A/zh active Pending
- 2019-11-05 EP EP19809967.3A patent/EP3881209A1/en not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5754963A (en) * | 1996-07-30 | 1998-05-19 | Hitachi America, Ltd. | Method and apparatus for diagnosing and isolating faulty sensors in a redundant sensor system |
CN107111311A (zh) * | 2014-09-10 | 2017-08-29 | 西门子能源公司 | 利用稀疏编码方法的燃气涡轮机传感器故障检测 |
US20180131560A1 (en) * | 2016-11-04 | 2018-05-10 | Nec Laboratories America, Inc. | Content-aware anomaly detection and diagnosis |
Also Published As
Publication number | Publication date |
---|---|
WO2020101958A1 (en) | 2020-05-22 |
US11327476B2 (en) | 2022-05-10 |
US20200150640A1 (en) | 2020-05-14 |
EP3881209A1 (en) | 2021-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chakraborty et al. | Fall-curve: A novel primitive for IoT Fault Detection and Isolation | |
US20190310979A1 (en) | Anomaly data priority assessment device and anomaly data priority assessment method | |
US9269206B2 (en) | System for monitoring a measurement chain of a turbojet engine | |
Chen et al. | Status self-validation of sensor arrays using gray forecasting model and bootstrap method | |
US20150322924A1 (en) | Method of monitoring the condition of a wind turbine | |
CN104330675B (zh) | 基于多元时间序列的变电设备在线监测分析***及其方法 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
Marathe et al. | CurrentSense: A novel approach for fault and drift detection in environmental IoT sensors | |
CN109416023A (zh) | 风力涡轮机监视装置、风力涡轮机监视方法、风力涡轮机监视程序以及存储介质 | |
WO2018085320A1 (en) | Content-aware anomaly detection and diagnosis | |
CN106597160B (zh) | 一种电子设备故障检测方法和装置 | |
CN117235653B (zh) | 一种电源连接器故障实时监测方法及*** | |
US20140058615A1 (en) | Fleet anomaly detection system and method | |
US20220317679A1 (en) | Methods and systems for predictive analysis and/or process control | |
Alippi et al. | An HMM-based change detection method for intelligent embedded sensors | |
CN116609651A (zh) | 一种光伏用多功能断路器的检测方法 | |
JP6465420B2 (ja) | センサ監視装置、センサ監視方法、及び、プログラム | |
US11327476B2 (en) | Sensor fall curve identification | |
US7188275B2 (en) | Method of verifying a monitoring and responsive infrastructure of a system | |
CN104062673B (zh) | 核分析仪自诊断*** | |
CN110058979A (zh) | 一种温度读取失败故障的监控方法、bmc及存储介质 | |
JP7044170B2 (ja) | 異常検知装置、方法、およびプログラム | |
CN116184060A (zh) | 一种适用于瓷质绝缘子带电作业的异动监测方法和*** | |
Uluyol et al. | Multi-turbine associative model for wind turbine performance monitoring | |
US10929776B2 (en) | Thermally-compensated prognostic-surveillance technique for critical assets in outdoor environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |