CN113758503B - 一种过程参数估计方法、装置、电子设备及存储介质 - Google Patents

一种过程参数估计方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113758503B
CN113758503B CN202110924502.3A CN202110924502A CN113758503B CN 113758503 B CN113758503 B CN 113758503B CN 202110924502 A CN202110924502 A CN 202110924502A CN 113758503 B CN113758503 B CN 113758503B
Authority
CN
China
Prior art keywords
variable
parameter
determining
magnitude
noise signal
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.)
Active
Application number
CN202110924502.3A
Other languages
English (en)
Other versions
CN113758503A (zh
Inventor
王雪
陈军锋
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110924502.3A priority Critical patent/CN113758503B/zh
Publication of CN113758503A publication Critical patent/CN113758503A/zh
Application granted granted Critical
Publication of CN113758503B publication Critical patent/CN113758503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/02—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请实施例提供了一种过程参数估计方法、装置、电子设备及存储介质。该方法包括按照预设采样间隔时间，采集第一变量的测量值；根据测量值，获取第一变量的第一参数和第二参数，其中，第一参数用于表示噪声信号对第一变量在预设采样间隔时间内的增量的影响程度，第二参数用于表示测量值随时间变化的程度；根据第一参数和第二参数，确定噪声信号的量级；基于噪声信号的量级，确定第二变量的后验估计值；其中，第一变量与第二变量存在函数关系。因此，本申请的方案，可以提高过程参数的估计精度，从而缩短达到相同精度的响应时间。

Description

一种过程参数估计方法、装置、电子设备及存储介质
技术领域
本发明涉及数据处理技术领域，特别是涉及一种过程参数估计方法、装置、电子设备及存储介质。
背景技术
在状态监测***中，过程参数反映了整个***的工作状态，是***正常工作的基础和关键。因此，快速准确的状态监测过程参数估计对于安全生产具有重大意义。
在现有的状态监测过程参数估计技术中，估计精度和响应时间对初始阶段信号的准确测量具有较高的要求。然而在一些状态监测***中，初始阶段信号幅值较小，受到噪声影响很大，从而使得过程参数估计受到极大的干扰。即采用依赖初始阶段信号的计算方法估计过程参数，会在初始阶段信号幅值较小时出现计算结果稳定性差的问题，在初始阶段信号幅值较大时出现测量响应时间长、实时性差的问题。
由上述可知，现有技术中的过程参数估计方法，受***噪声干扰影响较大，从而使得估计结果精度较差，则达到较高精度所需的响应时间较长。
发明内容
本申请实施例提供了一种过程参数估计方法、装置、电子设备及存储介质，以提高过程参数的估计精度，从而缩短达到相同精度的响应时间。
为了解决上述技术问题，本申请是这样实现的：
第一方面，本申请实施例提供了一种过程参数估计方法，所述方法包括：
按照预设采样间隔时间，采集第一变量的测量值；
根据所述测量值，获取所述第一变量的第一参数和第二参数，其中，所述第一参数用于表示噪声信号对所述第一变量在所述预设采样间隔时间内的增量的影响程度，所述第二参数用于表示所述测量值随时间变化的程度；
根据所述第一参数和所述第二参数，确定所述噪声信号的量级；
基于所述噪声信号的量级，确定第二变量的后验估计值；
其中，所述第一变量与所述第二变量存在函数关系。
第二方面，本申请实施例提供了一种过程参数估计装置，所述装置包括：
采集模块，用于按照预设采样间隔时间，采集第一变量的测量值；
参数获取模块，用于根据所述测量值，获取所述第一变量的第一参数和第二参数，其中，所述第一参数用于表示噪声信号对所述第一变量在所述预设采样间隔时间内的增量的影响程度，所述第二参数用于表示所述测量值随时间变化的程度；
噪声量级确定模块，用于根据所述第一参数和所述第二参数，确定所述噪声信号的量级；
第一估计模块，用于基于所述噪声信号的量级，确定第二变量的后验估计值；
其中，所述第一变量与所述第二变量存在函数关系。
第三方面，本申请实施例另外提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如前第一方面所述的过程参数估计方法的步骤。
第四方面，本申请实施例另外提供以了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前第一方面所述的过程参数估计方法的步骤。
本申请实施例中，按照预设采样间隔，采集第一变量的测量值，从而根据测量值，获取第一变量的第一参数和第二参数，其中，第一参数用于表示噪声信号对第一变量在所述预设采样间隔时间内的增量的影响程度，第二参数用于表示测量值随时间线性变化的程度；进而根据第一参数和第二参数，确定噪声信号的量级，并基于该噪声信号的量级，确定与第一变量存在函数关系的第二变量的后验估计值。
由此可知，本申请的实施例，根据第一变量的测量值预估噪声信号的量级，从而根据噪声信号的量级，确定与第一变量存在函数关系的第二变量的后验估计。这样，即使在初始阶段***不稳定，也可以对***噪声的量级进行准确的预估，进而可以基于预估的噪声量级，更加准确估计过程参数（即更加准确的确定第二变量的后验估计值）。因此，本申请的实施例，可以缓解***噪声对过程参数估计的影响，从而在达到更高的估计精度，进而可以缩短达到相同精度的响应时间。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种过程参数估计方法的步骤流程图；
图2是本申请实施例中
Figure 520306DEST_PATH_IMAGE001
的测量值与
Figure 968605DEST_PATH_IMAGE002
的测量值的对比示意图；
图3是本申请实施例中计算的偏差均值比Para与相关系数
Figure 21444DEST_PATH_IMAGE003
的示意图；
图4是本申请实施例中采用不同算法确定T的后验估计值的效果对比示意图；
图5是本申请实施例提供的一种过程参数估计装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例的边缘计算的负荷识别方法可以运行于终端设备或者是服务器。其中，终端设备可以为本地终端设备。当该方法运行于为服务器时，可以为云展示。
在一可选的实施方式中，云展示是指以云计算为基础的信息展示方式。在云展示的运行模式下，信息处理程序的运行主体和信息画面呈现主体是分离的，显示切换方法的储存与运行是在云展示服务器上完成的，云展示客户端的作用为数据的接收、发送以及信息画面的呈现，举例而言，云展示客户端可以是靠近用户侧的具有数据传输功能的显示设备，如移动终端、电视机、计算机、掌上电脑等；但是进行信息数据处理的终端设备为云端的云展示服务器。在进行浏览时，用户操作云展示客户端向云展示服务器发送操作指令，云展示服务器根据操作指令展示信息，将数据进行编码压缩，通过网络返回云展示客户端，最后，通过云展示客户端进行解码并输出展示内容。
在另一可选的实施方式中，终端设备可以为本地终端设备。本地终端设备存储有应用程序并用于呈现应用界面。本地终端设备用于通过图形用户界面与用户进行交互，即常规的通过电子设备下载安装应用程序并运行。该本地终端设备将图形用户界面提供给用户的方式可以包括多种，例如，可以渲染显示在终端的显示屏上，或者通过全息投影提供给用户。举例而言，本地终端设备可以包括显示屏和处理器，该显示屏用于呈现图形用户界面，该图形用户界面包括应用画面，该处理器用于运行该应用程序、生成图形用户界面以及控制图形用户界面在显示屏上的显示。
下面对本申请实施例提供的过程参数估计方法进行详细阐述。
参照图1，示出了本申请实施例中的一种过程参数估计方法的步骤流程图，所述方法包括以下步骤101至104。
步骤101：按照预设采样间隔时间，采集第一变量的测量值。
其中，所述第一变量的测量值是包含待监测***的***噪声（即噪声信号）的值。因此，本申请的实施例是根据第一变量的包含***噪声的测量值，预估与第一变量存在函数关系的第二变量的后验估计值。
步骤102：根据所述测量值，获取所述第一变量的第一参数和第二参数。
其中，所述第一参数用于表示噪声信号对所述第一变量在所述预设采样间隔时间内的增量的影响程度，所述第二参数用于表示所述测量值随时间变化的程度。
步骤103：根据所述第一参数和所述第二参数，确定所述噪声信号的量级。
在本申请的实施例中，通过计算上述第一变量的第一参数和第二参数，可以量化噪声信号的影响，从而为后续确定第二变量的后验估计值提供依据。
步骤104：基于所述噪声信号的量级，确定第二变量的后验估计值。
其中，所述第一变量与所述第二变量存在函数关系。
由上述步骤101至104可知，本申请的实施例，可以按照预设采样间隔，采集第一变量的测量值，从而根据测量值，获取第一变量的第一参数和第二参数，其中，第一参数用于表示噪声信号对第一变量在所述预设采样间隔时间内的增量的影响程度，第二参数用于表示测量值随时间线性变化的程度；进而根据第一参数和第二参数，确定噪声信号的量级，并基于该噪声信号的量级，确定与第一变量存在函数关系的第二变量的后验估计值。
由此可知，本申请的实施例，根据第一变量的测量值预估噪声信号的量级，从而根据噪声信号的量级，确定与第一变量存在函数关系的第二变量的后验估计。这样，即使在初始阶段***不稳定，也可以对***噪声的量级进行准确的预估，进而可以基于预估的噪声量级，更加准确估计过程参数（即更加准确的确定第二变量的后验估计值）。因此，本申请的实施例，可以缓解***噪声对过程参数估计的影响，从而在达到更高的估计精度，进而可以缩短达到相同精度的响应时间。
可选的，所述按照预设采样间隔时间，采集第一变量的测量值之前，所述方法还包括：
获取待监测***的监测量和待求量；
获取所述监测量和所述待求量之间的线性函数关系表达式，其中，所述线性函数关系表达式的因变量包括所述监测量，所述线性函数关系表达式的自变量的系数包括所述待求量；
将所述线性函数关系表达式的因变量确定为所述第一变量，并将所述线性函数关系表达式的自变量的系数确定为所述第二变量。
其中，在待监测***（例如状态监测***）中，源信号的准确获取（即监测量的测量值的采集）是过程参数估计的第一步，是至关重要的一环。通常，监测量会随着时间呈线性变化趋势，或者线性变化的变形形式，如指数型变化。并且，监测量随时间变化的表达式中包括待求量。其中，为了简化根据监测量的测量值确定待求量的后验估计值的过程（即简化过程参数的估计过程），本申请的实施例，需要将监测量与待求量之间的函数关系转换为线性形式，并且在该线性形式的函数关系式中，监测量作为自变量的一部分，待求量作为因变量的系数的一部分。
由此可知，在本申请的实施例中，待监测***的监测量和待求量之间存在函数关系，该函数关系可以为线性函数关系，也可以为非线性函数关系。其中，无论待监测***的监测量与待求量之间的函数关系属于线性函数关系，还是非线性函数关系，监测量与待求量之间的函数关系，均可以转换成“监测量作为因变量的一部分，待求量作为因变量的系数的一部分”这种形式。
这样，转换后的线性形式的函数关系表达式中，包括监测量的因变量即作为上述第一变量，包括待求量的系数即作为上述第二变量。即此种情况下，可以根据第一变量的测量值，确定第二变量的后验估计值，进而根据第二变量的后验估计值，可以得到待求量的后验估计值。
例如：
Figure 213391DEST_PATH_IMAGE004
，其中，V为监测量，M为待求量，t表示时间，L为已知量，则V即为上述第一变量，2M即为上述第二变量。
或者，例如：
Figure 762184DEST_PATH_IMAGE005
，其中，
Figure 381384DEST_PATH_IMAGE006
为监测量，T为待求量，t表示时间，
Figure 382838DEST_PATH_IMAGE007
、
Figure 378476DEST_PATH_IMAGE008
、
Figure 781775DEST_PATH_IMAGE009
为已知量，则
Figure 322609DEST_PATH_IMAGE005
可以转换为：
Figure 811359DEST_PATH_IMAGE010
，其中，
Figure 345109DEST_PATH_IMAGE011
为等效噪声，则
Figure 868494DEST_PATH_IMAGE012
为上述第一变量，
Figure 829497DEST_PATH_IMAGE013
为上述第二变量。
可选的，所述基于所述噪声信号的量级，确定第二变量的后验估计值之后，所述方法还包括：
根据所述第二变量的后验估计值，确定所述待求量的后验估计值。
其中，第二变量为监测量和待求量之间的函数关系转换的线性表达式中的自变量的系数，而自变量的系数包括待求量，因此，得到第二变量的后验估计值之后，可以进一步根据第二变量的后验估计值，得到待求量的后验估计值。例如前述举例中，第二变量为
Figure 805543DEST_PATH_IMAGE013
，待求量为T，则在确定出
Figure 80667DEST_PATH_IMAGE013
的后验估计值后，可以得到T的后验估计值。
可选的，所述根据所述测量值，获取所述第一变量的第一参数和第二参数，包括：
从所述第一变量的采样起始时刻开始，按照预设步长移动预先设置的滑动窗口，并在每移动一次所述滑动窗口之后，根据所述滑动窗口内的所述测量值，计算所述第一变量的所述第一参数和所述第二参数；
其中，所述预设步长包括预设数量的采样点。
由此可知，本申请的实施例中，按照预设步长移动预先设置的滑动窗口，并在每移动一次滑动窗口，计算一次第一变量的第一参数和第二参数，从而根据本次计算的第一参数和第二参数确定当前待监测***的噪声信号的量级。即本申请的实施例中，每移动一次滑动窗，进行一次噪声估计，实现了对待监测***的噪声信号的动态估计，从而可以动态根据噪声大小得到第二变量的后验估计值。这样，进一步提升了第二变量的后验估计值的精度。
可选的，根据所述滑动窗口内的所述测量值，计算所述第一变量的所述第一参数的过程，包括：
确定离散序列的差分信号，其中，所述离散序列包括所述滑动窗口内的所述测量值；
计算所述差分信号的平均值和标准差；
计算所述标准差与所述平均值之比，得到所述第一参数。
其中，信号差分可以进一步的揭示测量过程中的噪声信号对测量信号（即第一变量）的影响。对于线性信号来说，其数学基本形式为线性函数。因此，其差分信号的理论数学形式为恒定常数，反映了测量信号随时间增长速度。
假设滑动窗口内的第一变量的测量值组成的离散序列为x(k)，则差分信号的表达式如下：
Figure 520875DEST_PATH_IMAGE014
其中，如果采样间隔时间为Δt，则差分后的信号则为在Δt的时间内线性信号（即第一变量）的增量。一般初始测量阶段由于噪声的影响较大，差分信号波动也比较大，进而对信号参数的计算产生较大的影响。
另外，对离散序列进行差分处理后，得到的差分信号反映了噪声信号对第一变量的影响程度。通常情况下噪声信号的影响会随着测量时间的推移而逐渐弱化，通过计算第一变量的第一参数和第二参数，可以自适应量化噪声信号对第一变量的影响程度，为后续确定与第一变量存在函数关系的第二变量的后验估计值提供依据。
此外，第一变量的第一参数的计算过程如下所述：
例如滑动窗口包括n个采样点，则一个滑动窗口内的测量值组成的离散
序列x(k)的差分信号为：y(k)，其中，k为0至n-1的整数。则该差分信号的平均值为
Figure 590462DEST_PATH_IMAGE015
，标准差为
Figure 866854DEST_PATH_IMAGE016
。
其中，平均值
Figure 680089DEST_PATH_IMAGE017
反映了差分信号数值上的平均水平，而标准差
Figure 974804DEST_PATH_IMAGE018
则反映了差分信号在平均值附近的波动幅度，二者结合可以反映出噪声信号对所述第一变量在所述预设采样间隔时间内的增量的影响程度。因此，差分信号的平均值与标准差之比，可以作为上述第一参数。其中，差分信号的平均值与标准差之比也可以称为偏差均值比，记为Para。
总之，上述第一参数记为偏差均值比，
Figure 480872DEST_PATH_IMAGE019
。
可选的，根据所述滑动窗口内的所述测量值，计算所述第一变量的所述第二参数的过程，包括：
计算离散序列与所述测量值的采样时间的相关系数，并将所述相关系数确定为所述第二参数，其中，所述离散序列包括所述滑动窗口内的所述测量值。
其中，相关系数是研究变量之间线性相关程度的量。针对离散序列x(k)和离散测量时间点k，二者的相关系数反映了离散随时间线性变化的程度，相关系数绝对值越大（即接近1），离散序列与时间越呈线性相关关系。若令随机变量X代表离散序列，随机变量K代表离散时间序列，则二者相关系数的表达式为：
Figure 228248DEST_PATH_IMAGE020
。其中，Var(·)表示方差计算函数，Cov(·)表示协方差计算函数，其定义式为：
Figure 845174DEST_PATH_IMAGE021
。E(·)表示期望（即均值）计算函数。
因此，随机变量X和K的相关系数的计算过程整理如下所述：
Figure 994396DEST_PATH_IMAGE022
Figure 671365DEST_PATH_IMAGE023
由上述可知，通过计算偏差均值比Para和相关系数
Figure 656770DEST_PATH_IMAGE024
，可以针对离散序列进行增强型自适应预处理，减轻初始阶段噪声信号对过程参数估计的影响。
可选的，所述根据所述第一参数和所述第二参数，确定所述噪声信号的量级，包括：
根据第一预设公式
Figure 811807DEST_PATH_IMAGE025
，计算所述噪声信号的量级Q，其中，Para表示所述第一参数，
Figure 81115DEST_PATH_IMAGE026
表示所述第二参数。
可选的，所述基于所述噪声信号的量级，确定第二变量的后验估计值，包括：
将所述噪声信号的量级和预先确定的卡尔曼方程的初始参数，代入预先确定的卡尔曼滤波方程中，得到所述第二变量在不同采样时刻的后验估计值。
其中，当从所述第一变量的采样起始时刻开始，按照预设步长移动预先设置的滑动窗口，并在每移动一次所述滑动窗口之后，根据所述滑动窗口内的所述测量值，计算所述第一变量的所述第一参数和所述第二参数时，可以根据每一次得到的第一参数和第二参数得到不同采样时刻下噪声信号的量级（即
Figure 928985DEST_PATH_IMAGE027
），从而基于各个时刻的噪声信号的量级，以及预先确定的卡尔曼滤波方程的初始参数，代入预先确定的卡尔曼滤波方程中，得到第二变量在不同采样时刻的后验估计值。
另外，卡尔曼滤波方程包括如下五个方程：
状态预测方程：
Figure 650953DEST_PATH_IMAGE028
， A
Figure 609682DEST_PATH_IMAGE029
B=0，
Figure 671179DEST_PATH_IMAGE030
为上述预设采用间隔时间，其中，该状态预测方程用于采用上一时刻的状态估计当前状态；
均方误差预测方程：
Figure 752267DEST_PATH_IMAGE031
，
Figure 899215DEST_PATH_IMAGE032
表示第k个采样时刻的噪声信号的量级；其中，该均方误差预测方程用于利用上一时刻的误差估计当前状态误差;
滤波增益方程：
Figure 471754DEST_PATH_IMAGE033
，
Figure 387758DEST_PATH_IMAGE034
)表示第k个采样时刻的传感器测量噪声的协方差矩阵，且
Figure 374168DEST_PATH_IMAGE035
)为已知量；其中，该滤波增益方程用来衡量测量值的准确性;
滤波估计方程：
Figure 8412DEST_PATH_IMAGE036
，
Figure 371260DEST_PATH_IMAGE037
，
Figure 407349DEST_PATH_IMAGE038
,
Figure 564661DEST_PATH_IMAGE039
,
Figure 686201DEST_PATH_IMAGE040
表示第k个采样时刻的传感器测量噪声的量级，且
Figure 603472DEST_PATH_IMAGE041
为已知量；其中，该滤波估计方程用以获取当前时刻状态变量；
状态迭代方程：
Figure 494068DEST_PATH_IMAGE042
；其中，该状态迭代方程用于根据当前状态变量更新误差项。
其中，上述卡尔曼滤波方程中的状态变量x(k)=
Figure 25544DEST_PATH_IMAGE043
，V(k)表示上述所述的第一变量，
Figure 431117DEST_PATH_IMAGE044
表示上述所述的第二变量，上述
Figure 339030DEST_PATH_IMAGE045
表示第k个采样时刻状态变量的先验估计，
Figure 146449DEST_PATH_IMAGE046
表示第k个采样时刻状态变量的后验估计，
Figure 848826DEST_PATH_IMAGE047
表示第k个采样时刻的后验估计的协方差矩阵，
Figure 741696DEST_PATH_IMAGE048
表示第k个采样时刻的先验估计的协方差矩阵。
例如k=0时，即第0个采样时刻，令
Figure 187721DEST_PATH_IMAGE049
=
Figure 600378DEST_PATH_IMAGE050
，其中，
Figure 473657DEST_PATH_IMAGE051
即为第一变量在第0个采样时刻的测量值，
Figure 57085DEST_PATH_IMAGE052
取预先确定的值；并且，令
Figure 103538DEST_PATH_IMAGE053
、分别取预先确定的值，即预先确定卡尔曼滤波方程的初始参数：
Figure 823232DEST_PATH_IMAGE049
、
Figure 929729DEST_PATH_IMAGE053
。
基于上述内容，在k=1时，即第1个采样时刻，则可以根据状态预测方程
Figure 734874DEST_PATH_IMAGE054
；根据均方误差预测方程得到
Figure 585018DEST_PATH_IMAGE055
；根据滤波增益方程得到
Figure 159219DEST_PATH_IMAGE056
；根据滤波估计方程得到
Figure 187349DEST_PATH_IMAGE057
，其中，
Figure 214211DEST_PATH_IMAGE058
，
Figure 868046DEST_PATH_IMAGE059
；根据状态迭代方程得到
Figure 296753DEST_PATH_IMAGE060
。
在k=2时，即第2个采样时刻，则可以根据状态预测方程
Figure 948314DEST_PATH_IMAGE061
；根据均方误差预测方程得到
Figure 790368DEST_PATH_IMAGE062
；根据滤波增益方程得到
Figure 919998DEST_PATH_IMAGE063
；根据滤波估计方程得到
Figure 265529DEST_PATH_IMAGE064
，其中，
Figure 87992DEST_PATH_IMAGE065
，
Figure 905425DEST_PATH_IMAGE066
；根据状态迭代方程得到
Figure 838746DEST_PATH_IMAGE067
。
同理，在后续的每一个采样时刻，均按照上述方法，利用卡尔曼滤波方程进行迭代，从而可以得到
Figure 38783DEST_PATH_IMAGE046
，其中，
Figure 32147DEST_PATH_IMAGE046
=
Figure 583214DEST_PATH_IMAGE068
，
Figure 54646DEST_PATH_IMAGE069
表示上述第一变量的后验估计值，
Figure 578031DEST_PATH_IMAGE070
表示上述第二变量的后验估计值，因此，最终可以得到第二变量在不同采样时刻的后验估计值。
可选的，所述卡尔曼滤波方程的确定过程包括：
根据所述第一变量与所述第二变量之间的函数关系，确定随机状态空间方程；
基于所述随机状态空间方程，确定所述卡尔曼滤波方程。
第一方面，根据第一变量与第二变量之间的函数关系，确定随机状态空间方程的过程如下所述：
第一变量与第二变量之间的函数关系可以转换成线性形式。对于线性信号，其连续表达式为：第一表达式
Figure 804613DEST_PATH_IMAGE071
，待求变量（即第二变量）通常包含在反映增长速度的参数M和反映偏置情况的参数L中。
其中，将上述第一表达式进行离散化，可以得到第二表达式：
Figure 515081DEST_PATH_IMAGE072
。假设状态变量x(k)=
Figure 603253DEST_PATH_IMAGE073
，令
Figure 981145DEST_PATH_IMAGE074
，
Figure 113049DEST_PATH_IMAGE075
为远小于
Figure 576392DEST_PATH_IMAGE076
的增量。其中，对于线性信号，前一采样时刻和下一采样时刻的斜率变化在很短时内很小，因此
Figure 451944DEST_PATH_IMAGE075
是一个很小的量，即
Figure 684342DEST_PATH_IMAGE075
表在物理意义上表示测量信号随时间变化的增长（或下降）速度基本是恒定的。
令
Figure 987147DEST_PATH_IMAGE077
，则得到第三表达式
Figure 937786DEST_PATH_IMAGE078
以及第四表达式
Figure 820291DEST_PATH_IMAGE079
。其中，在测量过程中通常会引入测量噪声，而
Figure 720245DEST_PATH_IMAGE080
是不含噪声的真实值，则若设v
Figure 397214DEST_PATH_IMAGE081
表示测量噪声，y(k)表示真实值叠加噪声，即观测向量，则可以得到第五表达式y(k)=
Figure 631886DEST_PATH_IMAGE082
v
Figure 786924DEST_PATH_IMAGE083
。
其中，
Figure 56231DEST_PATH_IMAGE084
，因此，上述第三表达式可以转换为第六表达式：
Figure 638523DEST_PATH_IMAGE085
。这样，由第六表达式
Figure 360491DEST_PATH_IMAGE086
和第四表达式
Figure 584799DEST_PATH_IMAGE087
可以得到第七表达式：x
Figure 646296DEST_PATH_IMAGE088
，其中，
Figure 478117DEST_PATH_IMAGE089
，x
Figure 625064DEST_PATH_IMAGE090
，x
Figure 184222DEST_PATH_IMAGE091
。
另外，根据第五表达式y(k)=
Figure 100225DEST_PATH_IMAGE082
v
Figure 352215DEST_PATH_IMAGE083
，可以得到第八表达式：y(k)=
Figure 986458DEST_PATH_IMAGE092
v
Figure 552569DEST_PATH_IMAGE081
。
至此，则得到随机状态空间方程
Figure 385396DEST_PATH_IMAGE093
，其中，
Figure 745970DEST_PATH_IMAGE094
。
第二方面，根据随机状态空间方程，确定卡尔曼滤波方程的过程如下所述：
在建立随机状态空间方程之后，线性递归拟合需要定义先验估计和后验估计及其误差。其中，定义
Figure 677629DEST_PATH_IMAGE095
表示根据上一次迭代计算结果产生的估计值，称为先验估计，先验估计误差为e
Figure 516272DEST_PATH_IMAGE096
；定义
Figure 469185DEST_PATH_IMAGE097
表示根据当前计算结果产生的估计值，称为后验估计，后验估计误差为
Figure 660DEST_PATH_IMAGE098
。
定义先验估计误差的协方差矩阵为
Figure 406234DEST_PATH_IMAGE048
，则
Figure 579726DEST_PATH_IMAGE099
，定义后验估计误差的协方差矩阵为
Figure 324828DEST_PATH_IMAGE100
，则
Figure 89522DEST_PATH_IMAGE101
。
状态空间线性递归拟合模型的目标函数是，在***结构已知的情况下，给定k时刻的状态观测向量y(k)，求k时刻的***状态向量的最优估计
Figure 920075DEST_PATH_IMAGE046
，使得
Figure 913570DEST_PATH_IMAGE047
最小。
首先，需要根据
Figure 778758DEST_PATH_IMAGE102
计算出 k 时刻（即第k个采样时刻）的先验估计
Figure 917615DEST_PATH_IMAGE103
。其中，在计算k时刻的先验估计（即
Figure 297781DEST_PATH_IMAGE045
）时，应该使用经过修正的后验估计数值，即
Figure 281917DEST_PATH_IMAGE104
。又因为此处是进行线性递归拟合，所以可以得到
Figure 63928DEST_PATH_IMAGE028
。其中，前面得到的随机状态空间方程为：
Figure 108108DEST_PATH_IMAGE105
，因此，可以得到
Figure 975570DEST_PATH_IMAGE106
，进而可以确定
Figure 763397DEST_PATH_IMAGE107
，B=0（表示没有外部控制因素干预）。
但由于
Figure 150647DEST_PATH_IMAGE108
的存在，先验估计误差的协方差矩阵
Figure 631307DEST_PATH_IMAGE048
的递推公式中需要加入噪声干扰Q(k)，且Q(k)量级与
Figure 658169DEST_PATH_IMAGE109
)相同，其中
Figure 312004DEST_PATH_IMAGE110
为绝对值函数。即有：
Figure 740711DEST_PATH_IMAGE111
Figure 189010DEST_PATH_IMAGE112
Figure 968747DEST_PATH_IMAGE113
=A
Figure 160694DEST_PATH_IMAGE114
。
然后，可以根据先验估计
Figure 443908DEST_PATH_IMAGE115
计算出k时刻的观测向量的估计
Figure 531950DEST_PATH_IMAGE116
，即定义
Figure 346453DEST_PATH_IMAGE117
，其中，
Figure 14195DEST_PATH_IMAGE118
。
再次，可以计算实测值
Figure 479811DEST_PATH_IMAGE119
与估计值
Figure 473175DEST_PATH_IMAGE116
差值，以修正先验估计
Figure 758663DEST_PATH_IMAGE120
，得到后验估计
Figure 761254DEST_PATH_IMAGE046
，即
Figure 19060DEST_PATH_IMAGE121
。其中，
Figure 980063DEST_PATH_IMAGE122
，
Figure 956109DEST_PATH_IMAGE123
，则可以得到
Figure 58930DEST_PATH_IMAGE124
，进而可以得到
Figure 171243DEST_PATH_IMAGE125
=
Figure 568726DEST_PATH_IMAGE126
，进而得到
Figure 766489DEST_PATH_IMAGE127
(I-
Figure 907621DEST_PATH_IMAGE128
)
Figure 140019DEST_PATH_IMAGE129
-
Figure 646087DEST_PATH_IMAGE130
。其中，v(k)为传感器测量噪声，量级一般由传感器制造商给出，I为单位矩阵。
而前述已经得到
Figure 659042DEST_PATH_IMAGE131
，因此，可以得到
Figure 275968DEST_PATH_IMAGE132
=[
Figure 175922DEST_PATH_IMAGE133
H]
Figure 587312DEST_PATH_IMAGE134
+
Figure 821984DEST_PATH_IMAGE135
，其中，
Figure 242601DEST_PATH_IMAGE136
为v(k)的协方差。
再次，模型估计原则是使最优状态估计下的
Figure 246329DEST_PATH_IMAGE137
最小，则令
Figure 359779DEST_PATH_IMAGE138
，得到：
Figure 19430DEST_PATH_IMAGE139
，从而将
Figure 40476DEST_PATH_IMAGE033
代入
Figure 101973DEST_PATH_IMAGE140
，可以得到最优估计状态的
Figure 933794DEST_PATH_IMAGE141
为：
Figure 815162DEST_PATH_IMAGE142
。
至此，已推导出卡尔曼滤波方程所包括的上述五个方程。
此外，还需说明的是，上述卡尔曼滤波方程所包括的五个方程（也可称为增强型自适应递归拟合算法中包含5个核心方程），分为时间信息更新方程和测量参数更新方程。
具体的，时间信息参数更新方程包括上述所述的状态预测方程（即
Figure 639899DEST_PATH_IMAGE143
）和均方误差预测方程（即
Figure 821481DEST_PATH_IMAGE144
）。测量信息参数更新方程包括上述所述的滤波增益方程（
Figure 11154DEST_PATH_IMAGE145
）和滤波估计方程（即
Figure 707715DEST_PATH_IMAGE036
），以及状态迭代方程（即
Figure 8246DEST_PATH_IMAGE146
）。
综上所述，本申请实施例的过程参数估计方法的具体实施方式可如下所述：
例如在一个监测***中，启动源信号u随时间t的变化规律呈现指数形式（理想情况下），即
Figure 841073DEST_PATH_IMAGE147
，其中，T是测量信号（即启动源信号u）的e倍增周期，其数值大小反映了该***的运行状态。而在实际信号监测过程中，通常会引入测量噪声等干扰，而噪声分布一般服从高斯分布或者泊松分布，假设噪声为N，则测量信号的表达式为：
Figure 201647DEST_PATH_IMAGE148
,其中
Figure 870657DEST_PATH_IMAGE149
，
Figure 974879DEST_PATH_IMAGE150
为真值，
Figure 131054DEST_PATH_IMAGE151
，
Figure 724846DEST_PATH_IMAGE152
为测量值，
Figure 68103DEST_PATH_IMAGE153
，
Figure 772754DEST_PATH_IMAGE154
为噪声。化简测量信号的表达式则可得：
Figure 517856DEST_PATH_IMAGE155
，进而可以得到：
Figure 282550DEST_PATH_IMAGE156
，其中，
Figure 378681DEST_PATH_IMAGE011
为等效噪声。
由此可知，在上述监测***中，可以根据监测量
Figure 824706DEST_PATH_IMAGE006
，求待求量T的后验估计值。而由监测量与待求量之间的函数关系
Figure 500014DEST_PATH_IMAGE157
，可以得到
Figure 373292DEST_PATH_IMAGE012
为本申请实施例中的第一变量，
Figure 487878DEST_PATH_IMAGE013
为本申请实施例中的第二变量。
因此，确定待求量T的后验估计值的过程可包括如下所述的步骤L1至L5。
步骤L1：按照预设采样间隔时间，采集
Figure 737594DEST_PATH_IMAGE006
的测量值，进而计算
Figure 519605DEST_PATH_IMAGE158
的测量值，其中，采集的
Figure 563785DEST_PATH_IMAGE152
的测量值可如图2中的第一图201和第三图203所示，
Figure 368930DEST_PATH_IMAGE012
的测量值可如图2中的第二图202和第四图204所示；
步骤L2：计算
Figure 219074DEST_PATH_IMAGE159
的测量值组成的离散序列的差分信号；
步骤L3：从采样起始时刻开始，按照预设步长移动预先设置的滑动窗口，并在每移动一次所述滑动窗口之后，根据滑动窗口内的
Figure 793275DEST_PATH_IMAGE159
的测量值组得到的差分信号，计算第一参数（即偏差均值比Para）和第二参数（即相关系数
Figure 821405DEST_PATH_IMAGE024
），即得到偏差均值比Para和相关系数
Figure 113846DEST_PATH_IMAGE024
在不同采样时刻下的取值，如图3所示；进而可以得到在噪声信号在不同采样时刻的量级；
步骤L4：将噪声信号的量级和预先确定的卡尔曼方程的初始参数，代入预先确定的卡尔曼滤波方程中，得到
Figure 502102DEST_PATH_IMAGE160
在不同采样时刻的后验估计值；
步骤L5：根据
Figure 461968DEST_PATH_IMAGE013
在不同采样时刻的后验估计值，得到T在不同采样时刻的后验估计值，如图4中的第五图401所示。
此外，为了验证本申请实施例提供的过程参数估计方法的有效性，采用其他信号滤波或曲线拟合方法对确定前述反应堆监测***的T的后验估计值，这些方法主要包括直接估计法、随机抽样一致算法、最小乘方自适应滤波算法、最大似然算法以及卡尔曼滤波算法等。具体的，如图4所示的第六图402表示采用直接估计法确定的T的后验估计值，第七图403表示采用随机抽样一致算法确定的T的后验估计值，第八图404表示采用最小乘方自适应滤波算法确定的T的后验估计值，第九图405表示采用最大似然算法确定的T的后验估计值，第十图406表示采用卡尔曼滤波算法确定的T的后验估计值。
其中，在仿真实验中，采用计算精度（误差）、响应时间和算法运行时间作为评估计法性能表现的考核指标。其中计算精度以百分制误差的形式体现，是对算法的基础要求；而响应时间则是待求量输出趋于稳定时所需要的时间。指定计算精度为1.00%（百分制误差形式），上述六种对比算法的响应时间和运行时间结果见表1。其中最小乘方自适应滤波算法计算精度无法达到指定要求。
表1 各种信号处理算法计算精度和响应时间对比
Figure 644687DEST_PATH_IMAGE161
由上述表1以及图4可知，本申请实施例提供的过程参数估计方法达到相同计算精度的响应时间最短，效果最佳。
参照图5，本申请实施例提供的一种过程参数估计装置的结构框图，该过程参数估计装置500可以包括以下模块：
采集模块501，用于按照预设采样间隔时间，采集第一变量的测量值；
参数获取模块502，用于根据所述测量值，获取所述第一变量的第一参数和第二参数，其中，所述第一参数用于表示噪声信号对所述第一变量在所述预设采样间隔时间内的增量的影响程度，所述第二参数用于表示所述测量值随时间变化的程度；
噪声量级确定模块503，用于根据所述第一参数和所述第二参数，确定所述噪声信号的量级；
第一估计模块504，用于基于所述噪声信号的量级，确定第二变量的后验估计值；
其中，所述第一变量与所述第二变量存在函数关系。
可选的，所述装置还包括：
变量获取模块，用于获取待监测***的监测量和待求量；
关系获取模块，用于获取所述监测量和所述待求量之间的线性函数关系表达式，其中，所述线性函数关系表达式的因变量包括所述监测量，所述线性函数关系表达式的自变量的系数包括所述待求量；
变量确定模块，用于将所述线性函数关系表达式的因变量确定为所述第一变量，并将所述线性函数关系表达式的自变量的系数确定为所述第二变量。
可选的，所述装置还包括：
第二估计模块，用于根据所述第二变量的后验估计值，确定所述待求量的后验估计值。
可选的，所述参数获取模块具体用于：
从所述第一变量的采样起始时刻开始，按照预设步长移动预先设置的滑动窗口，并在每移动一次所述滑动窗口之后，根据所述滑动窗口内的所述测量值，计算所述第一变量的所述第一参数和所述第二参数；
其中，所述预设步长包括预设数量的采样点。
可选的，所述参数获取模块在根据所述滑动窗口内的所述测量值，计算所述第一变量的所述第一参数时，具体用于：
确定离散序列的差分信号，其中，所述离散序列包括所述滑动窗口内的所述测量值；
计算所述差分信号的平均值和标准差；
计算所述标准差与所述平均值之比，得到所述第一参数。
可选的，所述参数获取模块在根据所述滑动窗口内的所述测量值，计算所述第一变量的所述第二参数时，具体用于：
计算离散序列与所述测量值的采样时间的相关系数，并将所述相关系数确定为所述第二参数，其中，所述离散序列包括所述滑动窗口内的所述测量值。
可选的，所述噪声量级确定模块具体用于：
根据第一预设公式
Figure 424424DEST_PATH_IMAGE025
，计算所述噪声信号的量级Q，其中，Para表示所述第一参数，
Figure 554054DEST_PATH_IMAGE026
表示所述第二参数。
可选的，所述第一估计模块具体用于：
将所述噪声信号的量级和预先确定的卡尔曼方程的初始参数，代入预先确定的卡尔曼滤波方程中，得到所述第二变量在不同采样时刻的后验估计值。
可选的，所述装置还包括：
状态空间方程确定模块，用于根据所述第一变量与所述第二变量之间的函数关系，确定随机状态空间方程；
卡尔曼滤波方程确定模块，用于基于所述随机状态空间方程，确定所述卡尔曼滤波方程。
由上述可知，本申请的实施例，根据第一变量的测量值预估噪声信号的量级，从而根据噪声信号的量级，确定与第一变量存在函数关系的第二变量的后验估计。这样，即使在初始阶段***不稳定，也可以对***噪声的量级进行准确的预估，进而可以基于预估的噪声量级，更加准确估计过程参数（即更加准确的确定第二变量的后验估计值）。因此，本申请的实施例，可以缓解***噪声对过程参数估计的影响，从而在达到更高的估计精度，进而可以缩短达到相同精度的响应时间。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例还提供了一种电子设备，包括：
一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述电子设备执行本申请实施例所述的方法。
本申请实施例还提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行本申请实施例所述的方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(***)、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种封面图片的显示方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种过程参数估计方法，其特征在于，所述方法包括：
按照预设采样间隔时间，采集第一变量的测量值；
根据所述测量值，获取所述第一变量的第一参数和第二参数，其中，所述第一参数用于表示噪声信号对所述第一变量在所述预设采样间隔时间内的增量的影响程度，所述第二参数用于表示所述测量值随时间变化的程度；
根据所述第一参数和所述第二参数，确定所述噪声信号的量级；
基于所述噪声信号的量级，确定第二变量的后验估计值；
其中，所述第一变量与所述第二变量存在函数关系；
所述根据所述第一参数和所述第二参数，确定所述噪声信号的量级，包括：
根据第一预设公式
Figure 450153DEST_PATH_IMAGE001
，计算所述噪声信号的量级Q，其中，Para表示所述第一参数，
Figure 69353DEST_PATH_IMAGE002
表示所述第二参数；
所述基于所述噪声信号的量级，确定第二变量的后验估计值，包括：
将所述噪声信号的量级和预先确定的卡尔曼方程的初始参数，代入预先确定的卡尔曼滤波方程中，得到所述第二变量在不同采样时刻的后验估计值。
2.根据权利要求1所述的过程参数估计方法，其特征在于，所述按照预设采样间隔时间，采集第一变量的测量值之前，所述方法还包括：
获取待监测***的监测量和待求量；
获取所述监测量和所述待求量之间的线性函数关系表达式，其中，所述线性函数关系表达式的因变量包括所述监测量，所述线性函数关系表达式的自变量的系数包括所述待求量；
将所述线性函数关系表达式的因变量确定为所述第一变量，并将所述线性函数关系表达式的自变量的系数确定为所述第二变量。
3.根据权利要求2所述的过程参数估计方法，其特征在于，所述基于所述噪声信号的量级，确定第二变量的后验估计值之后，所述方法还包括：
根据所述第二变量的后验估计值，确定所述待求量的后验估计值。
4.根据权利要求1所述的过程参数估计方法，其特征在于，所述根据所述测量值，获取所述第一变量的第一参数和第二参数，包括：
从所述第一变量的采样起始时刻开始，按照预设步长移动预先设置的滑动窗口，并在每移动一次所述滑动窗口之后，根据所述滑动窗口内的所述测量值，计算所述第一变量的所述第一参数和所述第二参数；
其中，所述预设步长包括预设数量的采样点。
5.根据权利要求4所述的过程参数估计方法，其特征在于，根据所述滑动窗口内的所述测量值，计算所述第一变量的所述第一参数的过程，包括：
确定离散序列的差分信号，其中，所述离散序列包括所述滑动窗口内的所述测量值；
计算所述差分信号的平均值和标准差；
计算所述标准差与所述平均值之比，得到所述第一参数。
6.根据权利要求4所述的过程参数估计方法，其特征在于，根据所述滑动窗口内的所述测量值，计算所述第一变量的所述第二参数的过程，包括：
计算离散序列与所述测量值的采样时间的相关系数，并将所述相关系数确定为所述第二参数，其中，所述离散序列包括所述滑动窗口内的所述测量值。
7.根据权利要求1所述的过程参数估计方法，其特征在于，所述卡尔曼滤波方程的确定过程包括：
根据所述第一变量与所述第二变量之间的函数关系，确定随机状态空间方程；
基于所述随机状态空间方程，确定所述卡尔曼滤波方程。
8.一种应用权利要求1至7任一项所述的过程参数估计方法的过程参数估计装置，其特征在于，所述装置包括：
采集模块，用于按照预设采样间隔时间，采集第一变量的测量值；
参数获取模块，用于根据所述测量值，获取所述第一变量的第一参数和第二参数，其中，所述第一参数用于表示噪声信号对所述第一变量在所述预设采样间隔时间内的增量的影响程度，所述第二参数用于表示所述测量值随时间变化的程度；
噪声量级确定模块，用于根据所述第一参数和所述第二参数，确定所述噪声信号的量级；
第一估计模块，用于基于所述噪声信号的量级，确定第二变量的后验估计值；
其中，所述第一变量与所述第二变量存在函数关系。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的过程参数估计方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的过程参数估计方法的步骤。
CN202110924502.3A 2021-08-12 2021-08-12 一种过程参数估计方法、装置、电子设备及存储介质 Active CN113758503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110924502.3A CN113758503B (zh) 2021-08-12 2021-08-12 一种过程参数估计方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110924502.3A CN113758503B (zh) 2021-08-12 2021-08-12 一种过程参数估计方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113758503A CN113758503A (zh) 2021-12-07
CN113758503B true CN113758503B (zh) 2022-03-18

Family

ID=78789129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110924502.3A Active CN113758503B (zh) 2021-08-12 2021-08-12 一种过程参数估计方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113758503B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5206601A (en) * 1992-04-29 1993-04-27 Elanix Inc. Order statistic signal processor for estimating values of signal parameters and demodulating amplitude-, phase-, and frequency-modulated signals
CN1458500A (zh) * 2003-06-17 2003-11-26 北京交通大学 动态测量时域补偿方法
WO2006050409A1 (en) * 2004-11-01 2006-05-11 University Of Florida Research Foundation, Inc. Methods for machining process parameter estimation and systems thereof
CN101542901A (zh) * 2007-01-23 2009-09-23 株式会社石田 噪声除去装置、重量测定装置、噪声除去方法、和数字滤波器的设计方法
CN103092078A (zh) * 2013-01-07 2013-05-08 北京中医药大学 多阶段间歇生产过程的全程优化方法
CN104253776A (zh) * 2013-06-26 2014-12-31 英特尔Ip公司 用于基于第一和第二协方差度量来处理信号的方法和设备
JP2015052491A (ja) * 2013-09-06 2015-03-19 沖電気工業株式会社 信号処理装置、信号処理方法及びコンピュータプログラム
CN105785324A (zh) * 2016-03-11 2016-07-20 西安电子科技大学 基于mgcstft的线性调频信号参数估计方法
JP2016143959A (ja) * 2015-01-30 2016-08-08 富士通株式会社 推定装置、及び、推定方法
CN106814608A (zh) * 2016-12-08 2017-06-09 浙江中控软件技术有限公司 基于后验概率分布的预测控制自适应滤波算法
CN107290688A (zh) * 2017-08-24 2017-10-24 合肥工业大学 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法
CN108696305A (zh) * 2018-04-17 2018-10-23 东南大学 适用于lte-a mimo信号分析***的高精度频偏测量方法
CN109061686A (zh) * 2018-07-09 2018-12-21 太原理工大学 基于递归广义最大互熵的自适应多径估计方法
CN109508510A (zh) * 2018-12-20 2019-03-22 国网河南省电力公司焦作供电公司 一种基于改进的卡尔曼滤波的铷原子钟参数估计算法
WO2019075014A1 (en) * 2017-10-12 2019-04-18 Diversey, Inc. FILTERED AND INTEGRATED SENSOR MEASUREMENT FOR DETERMINING PROCESS CONDITION AND METHOD THEREFOR
JP6581276B1 (ja) * 2018-10-18 2019-09-25 株式会社ショーワ 状態量推定装置、制御装置、および状態量推定方法
CN110532621A (zh) * 2019-07-30 2019-12-03 北京航空航天大学 一种飞行器气动参数在线辨识方法
CN110596593A (zh) * 2019-08-26 2019-12-20 浙江大学 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法
CN112487708A (zh) * 2020-11-24 2021-03-12 山西三友和智慧信息技术股份有限公司 一种基于集成学习的电阻点焊质量预测方法
CN112883787A (zh) * 2021-01-14 2021-06-01 中国人民解放军陆军勤务学院 一种基于频谱匹配的短样本低频正弦信号参数估计方法
CN112969967A (zh) * 2018-11-07 2021-06-15 Asml荷兰有限公司 确定对过程的校正

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7369697B2 (en) * 2004-06-17 2008-05-06 Intel Corporation Process variable of interest monitoring and control

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5206601A (en) * 1992-04-29 1993-04-27 Elanix Inc. Order statistic signal processor for estimating values of signal parameters and demodulating amplitude-, phase-, and frequency-modulated signals
CN1458500A (zh) * 2003-06-17 2003-11-26 北京交通大学 动态测量时域补偿方法
WO2006050409A1 (en) * 2004-11-01 2006-05-11 University Of Florida Research Foundation, Inc. Methods for machining process parameter estimation and systems thereof
CN101542901A (zh) * 2007-01-23 2009-09-23 株式会社石田 噪声除去装置、重量测定装置、噪声除去方法、和数字滤波器的设计方法
CN103092078A (zh) * 2013-01-07 2013-05-08 北京中医药大学 多阶段间歇生产过程的全程优化方法
CN104253776A (zh) * 2013-06-26 2014-12-31 英特尔Ip公司 用于基于第一和第二协方差度量来处理信号的方法和设备
JP2015052491A (ja) * 2013-09-06 2015-03-19 沖電気工業株式会社 信号処理装置、信号処理方法及びコンピュータプログラム
JP2016143959A (ja) * 2015-01-30 2016-08-08 富士通株式会社 推定装置、及び、推定方法
CN105785324A (zh) * 2016-03-11 2016-07-20 西安电子科技大学 基于mgcstft的线性调频信号参数估计方法
CN106814608A (zh) * 2016-12-08 2017-06-09 浙江中控软件技术有限公司 基于后验概率分布的预测控制自适应滤波算法
CN107290688A (zh) * 2017-08-24 2017-10-24 合肥工业大学 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法
WO2019075014A1 (en) * 2017-10-12 2019-04-18 Diversey, Inc. FILTERED AND INTEGRATED SENSOR MEASUREMENT FOR DETERMINING PROCESS CONDITION AND METHOD THEREFOR
CN108696305A (zh) * 2018-04-17 2018-10-23 东南大学 适用于lte-a mimo信号分析***的高精度频偏测量方法
CN109061686A (zh) * 2018-07-09 2018-12-21 太原理工大学 基于递归广义最大互熵的自适应多径估计方法
JP6581276B1 (ja) * 2018-10-18 2019-09-25 株式会社ショーワ 状態量推定装置、制御装置、および状態量推定方法
CN112969967A (zh) * 2018-11-07 2021-06-15 Asml荷兰有限公司 确定对过程的校正
CN109508510A (zh) * 2018-12-20 2019-03-22 国网河南省电力公司焦作供电公司 一种基于改进的卡尔曼滤波的铷原子钟参数估计算法
CN110532621A (zh) * 2019-07-30 2019-12-03 北京航空航天大学 一种飞行器气动参数在线辨识方法
CN110596593A (zh) * 2019-08-26 2019-12-20 浙江大学 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法
CN112487708A (zh) * 2020-11-24 2021-03-12 山西三友和智慧信息技术股份有限公司 一种基于集成学习的电阻点焊质量预测方法
CN112883787A (zh) * 2021-01-14 2021-06-01 中国人民解放军陆军勤务学院 一种基于频谱匹配的短样本低频正弦信号参数估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Estimation of the parameters of autoregressive signals from colored noise-corrupted measurements;W.-X. Zheng;《IEEE Signal Processing Letters》;20000731;第7卷(第7期);第201-204页 *
Properties of one-step prediction observers (identifiers) for system parameter identification;R.N.K. Loh et.al;《6th International Conference on Signal Processing》;20021231;第96-101页 *
自适应Kalman滤波的运动物体跟踪算法研究;张秀杰等;《燕山大学学报》;20120930;第36卷(第5期);第428-432页 *
非侵入式负荷识别边缘计算颜色编码研究;陈军锋等;《仪器仪表学报》;20200930;第41卷(第9期);第12-19页 *

Also Published As

Publication number Publication date
CN113758503A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
Eichstädt et al. Deconvolution filters for the analysis of dynamic measurement processes: a tutorial
CN107085140B (zh) 基于改进的SmartDFT算法的非平衡***频率估计方法
CN103927436A (zh) 一种自适应高阶容积卡尔曼滤波方法
CN109508510B (zh) 一种基于改进的卡尔曼滤波的铷原子钟参数估计算法
CN114235072B (zh) 一种基于过零检测的科氏流量计相位差计算方法
CN114124033A (zh) 卡尔曼滤波器的实现方法、装置、存储介质和设备
CN114460527A (zh) 关联度延拓Hibert移相电子式互感器校验仪溯源方法和***
WO2003016926A1 (en) Method and apparatus nbh reducing skew in a real-time centroid calculation
KR101944429B1 (ko) 주파수 분석 방법 및 이를 지원하는 장치
CN113758503B (zh) 一种过程参数估计方法、装置、电子设备及存储介质
WO2004090782A1 (en) Accurate linear parameter estimation with noisy inputs
WO2018014631A1 (zh) 一种峰值功率、峰均值功率比的确定方法及装置
CN104407366A (zh) 一种对伪距进行平滑处理的方法
CN114614797B (zh) 基于广义最大非对称相关熵准则的自适应滤波方法和***
KR100817692B1 (ko) 이산 푸리에 변환에 의한 시계열 데이터 위상 추정 방법
CN116176531A (zh) 开度调节的性能指标的确定方法、装置和存储介质
RU2610831C1 (ru) Способ оценки параметров траектории объекта
US8326907B2 (en) Method for establishing a simulating signal suitable for estimating a complex exponential signal
CN110442827B (zh) 一种频率估计方法、装置、***及计算机可读存储介质
CN112929214A (zh) 模型构建方法、装置、设备及存储介质
CN107506779B (zh) 一种植物茎干含水量的估算方法及***
CN113299284A (zh) 一种基于自适应滤波的语音识别装置、方法、设备及介质
Harvey The local quadratic trend model
CN110858309A (zh) 一种多基准时钟加权合成方法
Cardona-Morales et al. Instantaneous frequency estimation and order tracking based on Kalman filters

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
GR01 Patent grant
GR01 Patent grant