[发明专利]一种实时多传感温度数据融合的高精度检测方法

说明书

技术领域

本发明属于高精度温度检测技术领域，特别涉及一种对传感器之间的支持度进行客观评价，对传感器特征参数进行实时估计，无需任何先验知识的温度数据融合的高精度检测方法，该检测方法既可提高温度检测精度和信度，又便于相关系统实时处理，且具有稳定性好、计算简单、容易实现等优点。

背景技术

在诸多自动控制、检测和科学实验中，需要对温度进行高精度和高可靠性检测，例如，疫苗冷链温度检测能否满足其特殊要求不仅影响到疫苗安全的存储，而且影响到系统报警的可信度，进而严重干扰监管部门对疫苗突发事件的判断和处置。为了增加疫苗温度检测结果的置信度，需要精度和可靠度更高的疫苗温度检测方法，实现这一目标的途径主要有：(1)采用高精度和高可靠性温度传感器；(2)采用多传感方案对采集的温度进行融合处理，以提高检测的精度和可靠性。但，高精度和高可靠性传感器的采用往往受制于硬件条件的限制；又由于温度补偿电路、现场突发干扰、传感器本身性能失效等方面的原因，假使采用高精度和高可靠性的温度传感器，要稳定地达到疫苗检测温度的苛刻要求依然是有困难的。

本发明技术方案从上述的多传感方案着手，提出一种以提高检测精度和置信度为目的的温度融合方法。目前，有关多传感温度检测融合方法主要有：经典推理法、贝叶斯估计法、D-S证据推理法、聚类分析法、估计理论法、参数模板法、专家系统法、神经网络法、粗集理论法、Fuzzy理论法、小波分析理论法等。以上方法都在温度数据融合方面取得了不同程度的成功，但都存在如下问题：(1)某些参数的选取过于依赖经验，温度数据融合结果受主观因素的影响大，如阈值的选取等；(2)某些函数的建立和概率关系的确定尚无通用的方法，依赖于许多先验知识，存在较大的不确定性，如模糊逻辑法中隶属函数的建立和贝叶斯估计法中先验概率的确定等；(3)受系统实时性限制，对某些参数只能基于有限的样本进行估计，如温度数据方差的估计等。本发明克服了上述现有温度融合方法存在的问题。

为了提高温度数据融合的效果，方法之一是增加传感器数量，但此举会引起硬件(空间)成本的增加，方法之二是在估计有关参数时增加采用数据样本，以时间换空间，这样虽然可以降低空间成本，但会影响系统的实时性。为此，本发明同时在空间和时间上寻找到一种平衡，为实时温度融合检测提供一种现实的技术方案。

发明内容

为了克服现有温度融合方法的局限和不足，本发明提出一种实时多传感温度数据融合的高精度检测方法，多传感器的使用极大地提高了温度检测的可靠性和稳定性。关于稀疏误差剔除，该方法利用模糊理论中的相关性函数对传感器支持度进行定量排序，进而对传感器支持度作出客观判断，克服了基于阈值判断等方法经验化和绝对化，尽可能地消除主观因素的影响。关于传感器方差的估计，该方法每增加一个观测值即对方差进行修正，其本质是利用了所有观测值数据，使得传感器方差估计值更加逼近实际，克服了现有方法仅利用有限数据建立起来的温度融合模型的不足。关于温度数据的融合，采用正交基函数神经网络多传感温度数据加权融合方法，以多传感器动态测量值和动态算术平均值为神经网络训练样本，进而对温度加权因子进行实时更新。

本发明高精度和高置信度的实时温度检测方法克服了现有方法存在的技术局限，即参数选取的主观性，先验知识的依赖性，所使用样本的有限性。

为达到上述目的，本发明对传感器之间的支持度进行客观排序后进行稀疏误差的剔除，对传感器特征参数进行动态实时估计，使传感器特征参数更加逼近实际值，进而利用一种无需任何先验知识的温度数据融合检测方法，具体步骤如下所述：

步骤一基于相关性函数排序的疏失误差剔除

(1)采集温度数据；

(2)判断累计采集次数是否大于等于设定值CI，若否，则继续采集温度数据；若是，则判断累计采集次数是否大于设定值CI，若否，则计算传感器方差和均值初值，若是，则递推计算传感器方差和均值；

(3)计算传感器相融度；

(4)计算传感器支持度；

(5)对各传感器支持度依次进行从大到小的排序，选择排序靠前的为支持度较高的传感器，即为有效传感器；选择有效传感器，删除从无效传感器中得到的温度数据；

步骤二基于正交神经网络的多传感温度信息融合

(1)神经网络训练和权向量递推；

(2)神经网络输出的计算；

(3)多传感温度融合值的计算；

步骤三无效传感器方差和均值修正。