專利名稱：利用多模型狀態(tài)估計(jì)器的容錯(cuò)液體測(cè)量系統(tǒng)的制作方法
背景技術(shù)：
本發(fā)明總體涉及容錯(cuò)液量測(cè)量系統(tǒng)，更具體而言，涉及使用多模型狀態(tài)估計(jì)器的液量測(cè)量系統(tǒng)。
液量測(cè)量系統(tǒng)，例如像飛行器燃油測(cè)量系統(tǒng)，可以在物理上劃分為相互遠(yuǎn)離的多個(gè)箱，每個(gè)箱又可以有著稱為槽的分區(qū)或分段。系統(tǒng)中的這些箱和槽可能遇到明顯不同的環(huán)境和操作條件，如溫度，振動(dòng)，通風(fēng)，姿態(tài)等。為了在這些條件下提供準(zhǔn)確的液量測(cè)量，每只箱，甚至每只箱的每個(gè)槽都裝備各自的一組傳感器以測(cè)量受這些條件影響的液體參數(shù)。因此，每只箱和/或每個(gè)槽的液量可以利用各自相應(yīng)的傳感器組獨(dú)立加以計(jì)算，而液體總量可以用單個(gè)量之和加以計(jì)算。對(duì)于用在整個(gè)液量系統(tǒng)中總的傳感器數(shù)量而言，最為重要的是在該系統(tǒng)中包括一種容錯(cuò)水平以維持對(duì)苛刻的飛行操作的可靠性。盡管現(xiàn)在的系統(tǒng)被認(rèn)為是可靠的，但總是有改進(jìn)的余地。
現(xiàn)行的系統(tǒng)提供某種程度的容錯(cuò)，其辦法是在接口模塊內(nèi)包括內(nèi)置式測(cè)試(BIT)電路用以對(duì)箱和/或箱的槽接收各種傳感器信號(hào)并指示其狀況。此外，這些傳感器，例如，可以被過多地分割用于對(duì)分開的接口模塊進(jìn)行輸入以增大一種接口模塊中的容錯(cuò)。現(xiàn)在所建議的系統(tǒng)提供傳感器融合技術(shù)用于計(jì)算液量。有些傳感器融合技術(shù)被認(rèn)為提供內(nèi)置式容錯(cuò)而不需明確的故障探測(cè)。例如，競(jìng)爭(zhēng)傳感器融合技術(shù)用物理傳感器冗余度操作，因此若干同類的傳感器測(cè)量相同的物理量，因而可以使用如平均，勻稱平均(trimmed averaging)，箱選擇過濾或其他的表決方案以提供容錯(cuò)而無需明確的故障探測(cè)。為了使這些系統(tǒng)工作，必須有一半以上的傳感器功能正常使之它們能形成主體。例如，為了通過競(jìng)爭(zhēng)融合技術(shù)探測(cè)加速表傳感器故障，必須使用至少三只分開的加速表。
其他的傳感器融合技術(shù)使用分析型的冗余度而不是物理冗余度，因此傳感器測(cè)量通過一組方程式相互關(guān)聯(lián)的參數(shù)。因而，每只傳感器的輸出可以從其他傳感器的輸出加以預(yù)測(cè)。在這類型式的系統(tǒng)中，容錯(cuò)是經(jīng)由合適的傳感器組分區(qū)實(shí)現(xiàn)的。例如，假定飛行器的燃油質(zhì)量是通過使用不同傳感器子組的一組算法計(jì)算的，這就會(huì)產(chǎn)生一組燃油質(zhì)量的估計(jì)值。因而，勻稱平均，介質(zhì)過濾或其他表決方案可以被用于排除或低估由一種傳感器故障所引發(fā)的反常。但是，這種技術(shù)要求對(duì)于任何單只傳感器故障有一半以上的競(jìng)爭(zhēng)算法保持不受影響。
因此，上面所說明的這種傳感器融合技術(shù)不能單獨(dú)提供系統(tǒng)的單一容錯(cuò)，而是仍然需要單獨(dú)的故障探測(cè)模塊。本發(fā)明致力于一種容錯(cuò)系統(tǒng)，該系統(tǒng)克服了前面提到的系統(tǒng)缺點(diǎn)，提供一種同傳感器融合處理本身一起實(shí)行的明確的傳感器診斷技術(shù)。
要具體而言，該容錯(cuò)液量測(cè)量系統(tǒng)包括用于測(cè)量液體參數(shù)的M只傳感器；用于將M只傳感器分成M+1子組的裝置，1個(gè)子組包括所有M只傳感器和所述其他M個(gè)子組中每組包括除1只以外的全部M只傳感器以及在所述其他M子組的每一組內(nèi)的該缺失傳感器是一只不同于所述M只傳感器的傳感器；和用于處理傳感器每個(gè)子組的測(cè)量信號(hào)的處理裝置，該裝置根據(jù)一種狀態(tài)估計(jì)模型用各自對(duì)應(yīng)的算法對(duì)傳感器各子組的測(cè)量信號(hào)進(jìn)行處理以為每一傳感器子組確定對(duì)該對(duì)應(yīng)子組的測(cè)量信號(hào)的代表測(cè)量信號(hào)有效性的可能性的第一估計(jì)值信號(hào)，以及根據(jù)對(duì)應(yīng)子組的測(cè)量信號(hào)確定代表液量的第二估計(jì)值信號(hào)；根據(jù)所述第一和第二估計(jì)值信號(hào)確定液量的第三估計(jì)值信號(hào)的處理裝置。
根據(jù)本發(fā)明的另一方面，用于探測(cè)故障測(cè)量信號(hào)的系統(tǒng)包括將傳感器分成若干組的裝置，每組包括另外組的一些傳感器；以及用于處理每組傳感器的測(cè)量信號(hào)的處理裝置以便為每組傳感器確定一信號(hào)，該信號(hào)代表對(duì)應(yīng)組的至少一種測(cè)量信號(hào)是一種故障測(cè)量信號(hào)的可能性，所述處理裝置用于根據(jù)所述可能性信號(hào)的函數(shù)探測(cè)所說容器內(nèi)液量故障的測(cè)量信號(hào)。
圖2和2A是

圖1所示實(shí)施方案的更為詳細(xì)的展示。
圖3是適合于用在圖1的實(shí)施方案中的多模型估計(jì)器實(shí)施方案的方框原理圖。
圖4是用于顯示將傳感器分成子組以適合于解釋圖3實(shí)施方案的操作的圖。
圖5是適合于用在圖3的實(shí)施方案中的一種簡(jiǎn)單的多模型狀態(tài)估計(jì)器結(jié)構(gòu)的方框原理圖。
圖6是圖3實(shí)施方案的另一種實(shí)施方案的方框原理圖。
圖7A和7B綜合顯示軟件流程圖，它用于舉例說明適合于用在圖3實(shí)施方案中擴(kuò)展Kalman過濾器算法。
圖8是適合用于圖3的實(shí)施方案的神經(jīng)網(wǎng)絡(luò)實(shí)施方案的方框原理圖。
圖9是適合用于圖3的實(shí)施方案的另一種神經(jīng)網(wǎng)絡(luò)實(shí)施方案的方框原理圖。
圖10是圖8的神經(jīng)網(wǎng)絡(luò)實(shí)施方案的一種更詳細(xì)的功能原理圖。
圖11是圖9的神經(jīng)網(wǎng)絡(luò)實(shí)施方案的一種更為詳細(xì)的功能原理圖。
圖12是適合實(shí)現(xiàn)圖3的實(shí)施方案的多模型結(jié)構(gòu)的另級(jí)近似結(jié)構(gòu)的方框原理圖。
圖13是適合于實(shí)現(xiàn)圖3的實(shí)施方案的多模型結(jié)構(gòu)的Bayesian I結(jié)構(gòu)的方框原理圖。
圖14是適合于實(shí)現(xiàn)圖3實(shí)施方案的多模型結(jié)構(gòu)的交互式多模型結(jié)構(gòu)的方框原理圖。
圖15是對(duì)圖3的實(shí)施方案的另一種實(shí)施方案的方框原理圖。
本發(fā)明的詳細(xì)說明參照?qǐng)D1，在一種示例性應(yīng)用中展示本發(fā)明的一種實(shí)施方案，這是一種飛行器上的燃料測(cè)量系統(tǒng)。雖然對(duì)發(fā)明的描述此處專門針對(duì)飛行器燃油測(cè)量，但這只是為了展示和說明的目的而不應(yīng)當(dāng)按限制意義加以解釋。本領(lǐng)域技術(shù)人員將懂得本發(fā)明對(duì)任何想確定容器中的液量的液體測(cè)量應(yīng)用均適用。
圖1中，飛行器10有著根據(jù)本發(fā)明的機(jī)上容錯(cuò)燃油測(cè)量/量度系統(tǒng)12。在本例中，測(cè)量系統(tǒng)12用于確定一個(gè)或多個(gè)燃油箱內(nèi)或它們的槽內(nèi)14的燃油13的量。術(shù)語“量”如此處使用的那樣，既可以是燃油量，也可以是液體量，指的是規(guī)定液體13的體積，重量，質(zhì)量或其組合的任何測(cè)量或定量化單位。它們的基本關(guān)系是等式1質(zhì)量＝體積*密度或M＝V*ρ和等式2重量＝質(zhì)量*加速度或W＝M*a箱內(nèi)或槽內(nèi)14的燃油13的質(zhì)量是特別關(guān)心的，因?yàn)榭偟娜加唾|(zhì)量決定可供驅(qū)動(dòng)飛行器10的能量。在動(dòng)態(tài)環(huán)境，如飛機(jī)中的直接量測(cè)量傳感器尚不存在。因此，液體的量是從燃油13的其他參數(shù)的測(cè)量和計(jì)算得出的，這些參數(shù)包括密度，加速度以及箱中的燃油高度。這些和其他的參數(shù)既可采用不同的傳感器16(在圖1中的集體表示)加以測(cè)量，也可以從這種測(cè)量和其他的計(jì)算得到，其中所述傳感器包括但并不限于電容式傳感器，壓力傳感器，超聲液位傳感器，加速計(jì)和溫度傳感器。
如本文所采用的那樣，容器內(nèi)的液體的一種參數(shù)，或一種“液體參數(shù)”包括可以被測(cè)量，探測(cè)或從計(jì)算或其他技術(shù)得到的該液體的任何特性。更具體而言，所測(cè)量到或探測(cè)到的液體參數(shù)包括任何液體特性(例如，回波行走時(shí)間，溫度，壓力，電容等)和/或?qū)υ撘后w起作用的外部參數(shù)，如加速度力。這些不同的參數(shù)屬于舉例性質(zhì)的，因而在任何意義上都不應(yīng)視為有意排除或限制。所推導(dǎo)出來的液體參數(shù)是該種液體的任何一種參數(shù)或特性或性質(zhì)，它是從一種或多種所測(cè)量到的參數(shù)和/或?qū)υ撓到y(tǒng)可供采用的其他信息，如燃油平面高度，密度和聲音速度(VOS)決定的或計(jì)算出來的或推導(dǎo)出來的。這些推導(dǎo)出來的參數(shù)在性質(zhì)上也是示例性的而不應(yīng)當(dāng)被視為一種限制。
傳感器16的一些，一個(gè)或全部可以配置在箱內(nèi)或它的槽14內(nèi)，只要該傳感器的設(shè)計(jì)允許這樣做。但是，當(dāng)然有些或全部傳感器16可以是非侵入式的，說明傳感器在電氣上沒有被暴露于燃油13和/或安裝或配置在箱14之內(nèi)。一般而言。為公開本專利的一種非侵入式傳感器是這樣一種傳感器，它可以安裝在有箱14的操作位置和從這一位置移去而無需從該箱14移去燃油13或當(dāng)移去傳感器時(shí)箱14的燃油不會(huì)有明顯的損失，和/或這種傳感器工作時(shí)不會(huì)將燃油13暴露于電氣能量。但是，重要的是要注意本發(fā)明可用于所有侵入式傳感器，例如電容器式探頭或壓力傳感器，而不會(huì)偏離本發(fā)明寬泛的原則。
傳感器16產(chǎn)生輸出測(cè)量信號(hào)，典型地為電信號(hào)形式，該信號(hào)被耦合到或輸入至燃油測(cè)量處理器18。典型地，處理器18是一臺(tái)計(jì)算機(jī)或在功能上類似的電子硬件和軟件的組合用以根據(jù)本發(fā)明的技術(shù)處理傳感器16的測(cè)量信號(hào)并決定箱14中的燃油13的量，盡管存在有1個(gè)或多個(gè)故障測(cè)量信號(hào)。
參照下面的圖2和圖2A，該容錯(cuò)燃油測(cè)量系統(tǒng)12包括傳感器16，現(xiàn)將結(jié)構(gòu)詳細(xì)地示于圖2和圖2A?？紤]到可以將幾只傳感器20相互鄰近安放在燃油箱或槽14內(nèi)，并且在一種實(shí)施方案中可以包括超聲液位傳感器22，溫度傳感器24和加速計(jì)21。采用不同幾何形狀(例如，圓圈代表超聲傳感器22，方框代表溫度傳感器24，三角代表加速計(jì)21)將這些傳感器20展示在圖2A中以強(qiáng)調(diào)本發(fā)明打算使用數(shù)種不同的或同質(zhì)的傳感器探測(cè)或測(cè)量不同的燃油參數(shù)，如回波行走時(shí)間，壓力，加速度和溫度。壓力傳感器26和28也可以配置在箱或槽14的不同高度。該壓力傳感器26和28最好配置在箱或槽14的最大深度上，并且方便地話可以是差分壓力傳感器使之壓力的測(cè)量本身對(duì)容器的缺量和環(huán)境壓力加以補(bǔ)償。盡管在本發(fā)明中已經(jīng)將傳感器16描述成是不相類似的傳感器，當(dāng)然傳感器16也可以包括類似的傳感器組并且不會(huì)偏離本發(fā)明的原理。
用在本實(shí)例中的2只超聲類型傳感器22分別包括一對(duì)聲靶。該聲靶用于允許通過燃油13決定聲音的速度(VOS)。靶30可以配置在箱14內(nèi)并且可以是作為聲音能量反射器的簡(jiǎn)單物理元件?？紤]到本身是箱或槽14設(shè)計(jì)本身的一部分的剛性固定結(jié)構(gòu)元件(例如管，壁等)可以方便地被用于這種聲靶30，因而避免了給箱14內(nèi)部增添任何結(jié)構(gòu)的必要性。盡管在本實(shí)施方案中對(duì)每只傳感器22采用了2個(gè)聲靶，當(dāng)然也可以使用1個(gè)或2個(gè)以上。實(shí)際上，盡管運(yùn)行在較差的性能水平的系統(tǒng)12無需任何聲靶也可以工作。
總之，在本實(shí)施方案中每只箱或槽14有8只傳感器，即2只超聲傳感器22，2只加速計(jì)21，2只溫度傳感器24和2只壓力傳感器26和28，并且是將這些不同的傳感器24分成若干組或子組，它們符合下面將扼要描述的本發(fā)明的基本的相關(guān)概念之一。
適合的超聲傳感器22可以是從Simmonds Precision Aircraft公司購買的部件號(hào)碼為20182-0101的傳感器；適合的溫度傳感器是如從Norwich Aerospace公司購買的部件號(hào)碼為8752的傳感器；適合的壓力傳感器26和28是從Sensym公司購買的部件號(hào)碼為19C030A-4的傳感器。加速計(jì)21最好是一種三軸加速計(jì)，在飛行器飛行時(shí)它輸出加速度信息。
該容錯(cuò)測(cè)量系統(tǒng)進(jìn)一步包括計(jì)算機(jī)系統(tǒng)40。該計(jì)算機(jī)系統(tǒng)40可以是該飛機(jī)燃油管理系統(tǒng)計(jì)算機(jī)(未示出)的一部分，或者是通過合適的接口功能42和燃油管理系統(tǒng)相接的單獨(dú)處理單元。該計(jì)算機(jī)系統(tǒng)40包括控制該燃油測(cè)量系統(tǒng)12的整體操作的硬件和軟件結(jié)構(gòu)，包括傳感器16操作的控制，各種估計(jì)算法的執(zhí)行管理，以及同下游處理功能接口的控制。在共同申請(qǐng)的申請(qǐng)?zhí)枮?8/997,137的專利中提供了該計(jì)算機(jī)系統(tǒng)40的合適軟件結(jié)構(gòu)的細(xì)節(jié)，并且該專利被轉(zhuǎn)讓給同直接申請(qǐng)相同的受讓人，該專利的題目為“Blackboard Centric LayeredSoftware Architecture For an Embedded Airborne Fuel GaugingSubsystem”，此文將該專利引入作為參考。但是，本發(fā)明不依賴也不要求使用整體執(zhí)行計(jì)算機(jī)系統(tǒng)40作為該容錯(cuò)燃油測(cè)量系統(tǒng)12的部分。相反，本發(fā)明致力于以由處理器48執(zhí)行的算法形式采用容錯(cuò)同狀態(tài)估計(jì)模型及概念相合并的液體測(cè)量，使之可以用諸如系統(tǒng)40的整體燃油測(cè)量計(jì)算機(jī)系統(tǒng)相組合加以實(shí)現(xiàn)。
傳感器接口段44可以包括1個(gè)或多個(gè)通用傳感器接口(USI)模塊，這些模塊可以是所示的該計(jì)算機(jī)系統(tǒng)40的部件或者配置在它的遠(yuǎn)處位置。同時(shí)，可以在物理上將傳感器16的測(cè)量信號(hào)加以分割使之有的耦合到一個(gè)USI模塊，而其他的耦合到另一模塊，如此等等，以便對(duì)USI模塊的故障提供容錯(cuò)。而且，該USI模塊可以配置在它們相應(yīng)的傳感器組鄰近并且，例如，起到遠(yuǎn)處傳感器集中器的作用。在本實(shí)施方案中，每一USI模塊可以包括連接到該模塊的每只傳感器16的常規(guī)內(nèi)置式測(cè)試(BIT)電路以探測(cè)傳感器的故障。接口段44的每一USI模塊的功能是獨(dú)立控制和激活與之連接的各種傳感器16并從各種不同的傳感器16接收，處理和成形其測(cè)量信號(hào)。
該USI模塊44可以用時(shí)間采樣數(shù)據(jù)流的形式46向處理器48提供傳感器16的測(cè)量信號(hào)，以及如果有的話，提供故障傳感器的指示。在共同申請(qǐng)的申請(qǐng)?zhí)枮?8/997,271的專利中提供適合的USI模塊44的詳細(xì)說明，并且該專利被轉(zhuǎn)讓給同直接申請(qǐng)相同的受讓人，該專利的題目為“Universal Sensor Interface System and Method”，此文將該專利引用作為參考。但是，本發(fā)明不要求為此而將測(cè)量信號(hào)分成不同的USI模塊，也不要求使用USI模塊或任何內(nèi)置式測(cè)試電路，相反可以另外使用本領(lǐng)域內(nèi)技術(shù)人員所熟悉的任何數(shù)量的常規(guī)電路來處理傳感器16的原始測(cè)量信號(hào)，并且將這些信號(hào)以同處理器48的輸入相兼容的一種時(shí)間采樣數(shù)據(jù)格式加以呈現(xiàn)。
處理器48根據(jù)從傳感器16接收到的時(shí)間采樣數(shù)據(jù)流完成本發(fā)明的功能和計(jì)算機(jī)方面的工作。該處理器48可以是計(jì)算機(jī)系統(tǒng)40的主處理器，但有著自身的硬件和軟件以完成下面描述的功能。一種合適的處理可以是從Inter Corporation購買的件號(hào)為80486的處理器。因此，本發(fā)明就燃油測(cè)量系統(tǒng)12而言希望使用處理器48接收傳感器16的測(cè)量信號(hào)，并且即使是在有1個(gè)或多個(gè)故障測(cè)量信號(hào)存在的情況下估計(jì)1個(gè)或多個(gè)箱或槽內(nèi)的燃油量。例如，該處理器49可以利用微處理器形式，RISC處理器，DSP或它們的組合形式。
處理器48提供可以同整體燃油測(cè)量系統(tǒng)相兼容的任何格式的輸出50，燃油測(cè)量系統(tǒng)使用這種數(shù)據(jù)作進(jìn)一步分析和顯示?？紤]到該處理器輸出50將包括指示每只箱或槽14中的燃油量13的值(或?qū)λ邢浠虿?4的累加燃油量)，這些值按要求以質(zhì)量和/或體積形式表示，這種量值是從代表多模型狀態(tài)估計(jì)器結(jié)構(gòu)的1個(gè)或多個(gè)算法導(dǎo)出或計(jì)算出來的。
圖3所示的方框原理圖是根據(jù)本發(fā)明的一種多模型狀態(tài)估計(jì)器結(jié)構(gòu)，適合于對(duì)該處理器48可執(zhí)行的1個(gè)或多個(gè)算法的編程。參照?qǐng)D3，由傳感器16發(fā)生的傳感器測(cè)量信號(hào)被供給功能級(jí)60，在該級(jí)中根據(jù)該傳感器測(cè)量信號(hào)和故障指示器的值，如果有的話，確定可供采用的傳感器，并且將這些傳感器分成若干組或子組，每組或子組的測(cè)量信號(hào)S1，S2，...S(M+1)被分別供給級(jí)62的相應(yīng)的狀態(tài)估計(jì)器模型用于估計(jì)每一模型的液量信號(hào)和故障測(cè)量信號(hào)的可能性，這一點(diǎn)從以下的說明將會(huì)更為明晰。
更具體而言，圖4所示是對(duì)4只傳感器的一個(gè)實(shí)例，顯示將這些可供采用的傳感器分成子組時(shí)級(jí)60的操作。當(dāng)然，圖4的展示可以推廣至任何數(shù)量的傳感器，但是當(dāng)數(shù)量大于4時(shí)變得難以理解。參照?qǐng)D4，傳感器1號(hào)子組包括所有傳感器S2，S3和S4，但卻不包括傳感器S1。類似地，2號(hào)子組包括除傳感器S2之外的所有傳感器，3號(hào)子組包括除傳感器S3之外的所有傳感器，而4號(hào)子組包括除傳感器S4之外的所有傳感器?？偟膩碚f，對(duì)M只傳感器而言，M子組的每一子組將包括除1只以外的所有傳感器，而在每個(gè)子組中所缺失的傳感器是M只傳感器中的1支不同的傳感器。
在本實(shí)施方案中，另外一個(gè)子組M+1可以包括全部M只傳感器，它可以用于在沒有故障或事故測(cè)量信號(hào)被探測(cè)到的情況下計(jì)算“全局”的液量估計(jì)值。現(xiàn)在設(shè)想1只傳感器，例如S1，出現(xiàn)故障或它的測(cè)量信號(hào)被認(rèn)定是有錯(cuò)誤的。則所有多狀態(tài)估計(jì)器的量估計(jì)值將受到影響，只有1號(hào)子組不使用傳感器S1的測(cè)量信號(hào)而成為例外。為了解釋方便起見，將故障或錯(cuò)誤考慮為同燃油測(cè)量系統(tǒng)中，或過程中，或它的傳感器中和相關(guān)的儀表以及信號(hào)處理中的正常行為的偏差或偏離，并大于在操作手冊(cè)等中所規(guī)定的值。例如，單個(gè)燃油測(cè)量參數(shù)的測(cè)量值和實(shí)際值之間任何偏差或偏離大于在最壞情況下所規(guī)定的值時(shí)可以被考慮為傳感器故障。
因?yàn)楸景l(fā)明的這種模型的狀態(tài)估計(jì)過程是非線性的，因而將無法保障傳感器的故障或錯(cuò)誤測(cè)量信號(hào)將會(huì)類似地影響所有的狀態(tài)估計(jì)模型算法。結(jié)果，有些模型的液量估計(jì)值可能增大，而其他的則可能減小，使之難以探測(cè)到真正的事實(shí)——唯一未受影響的模型(在此特殊情況下的1號(hào)子組)。為了正確地探測(cè)發(fā)生故障的傳感器和/或故障測(cè)量信號(hào)，級(jí)62的每一狀態(tài)估計(jì)算法可以在內(nèi)部評(píng)估它的測(cè)量信號(hào)輸入的一致性，并且將這種評(píng)估同級(jí)62余下的模型算法所報(bào)告的一致性加以比較。因此，包括模塊64和66的融合級(jí)將級(jí)62的狀態(tài)估計(jì)模塊的輸出結(jié)合到融合后的最后估計(jì)值之中。在本實(shí)施方案中是通過對(duì)那些估計(jì)模型提供較高的加權(quán)來實(shí)現(xiàn)這一點(diǎn)的，這些估計(jì)模型的測(cè)量信號(hào)輸入值在同其他的相比較時(shí)產(chǎn)生同以往的測(cè)量信號(hào)值更好的關(guān)聯(lián)性，因而同該狀態(tài)估計(jì)模型更好的關(guān)聯(lián)。對(duì)于上面所提到的處理，最好是該液量估計(jì)模型的每一個(gè)能夠評(píng)估它本身測(cè)量信號(hào)輸入的優(yōu)度，并且將這種評(píng)估或可能性以值的形式輸出給該融合級(jí)。例如，高可能性的值可以指示由模型所使用的所有傳感器測(cè)量信號(hào)是有效的，而低的可能性可以指示該模型的1個(gè)或多個(gè)傳感器測(cè)量是有故障的。而且最好是每1子組具有本身的內(nèi)部冗余度，從而一種傳感器的故障被視為傳感器測(cè)量信號(hào)值之間的非一致性。
圖5所示是一種簡(jiǎn)化的多模型狀態(tài)估計(jì)器結(jié)構(gòu)的方框原理圖，這種估計(jì)器適于用來描述功能級(jí)62的操作。圖5的實(shí)例展示只有3只傳感器測(cè)量信號(hào)z1，z2和z3的一種多模型結(jié)構(gòu)，這種結(jié)構(gòu)有4個(gè)子組和它的相應(yīng)的狀態(tài)估計(jì)模型。當(dāng)然，可以將這種簡(jiǎn)單的實(shí)例擴(kuò)大到在結(jié)合圖2所討論的8只傳感器，或者根據(jù)需要擴(kuò)大到任何數(shù)量的傳感器，不管它們是同種或異種的，只要根據(jù)圖4的子組增加另外的測(cè)量信號(hào)和相應(yīng)的狀態(tài)估計(jì)模型即可。
參照?qǐng)D5，所有的傳感器測(cè)量信號(hào)z1，z2和z3被耦合到稱之為無故障狀態(tài)估計(jì)器的模型68；信號(hào)z2和z3連接到稱之為#1故障的狀態(tài)估計(jì)器的模型70；信號(hào)z1和z3耦合到稱之為#2故障的狀態(tài)估計(jì)器模型72；信號(hào)z1和z2連接到稱之的#3故障的狀態(tài)估計(jì)器模型74。模型68，70，72和74的每一個(gè)處理各自相應(yīng)的輸入傳感器測(cè)量信號(hào)以發(fā)生代表液量測(cè)量信號(hào)X(i)的信號(hào)以及發(fā)生代表可能性值P(i)的信號(hào)，i是表示傳感器子組的指數(shù)。一般而言，i取值于0至M，產(chǎn)生M+1信號(hào)對(duì)X和P。
現(xiàn)在我們可以分析對(duì)于圖5的實(shí)例性情況，傳感器故障是如何影響狀態(tài)估計(jì)模型的估計(jì)過程的。假如沒有傳感器故障，所有4個(gè)估計(jì)器68，70，72和74應(yīng)當(dāng)產(chǎn)生小的預(yù)期誤差和相對(duì)高的可能性值P(i)。結(jié)果，液量X(i)的所有4種狀態(tài)估計(jì)值將在融合級(jí)的最后的液量估計(jì)值提供貢獻(xiàn)。然后，假定傳感器#1出現(xiàn)故障和/或產(chǎn)生錯(cuò)誤的或故障測(cè)量信號(hào)。該傳感器測(cè)量信號(hào)z1被模型68，72和74利用。因?yàn)樵摐y(cè)量信號(hào)z1和余下的傳感器信號(hào)不一致，估計(jì)器模型68，72和74將提供大的預(yù)期誤差，因而低的可能性值P。另一方面，估計(jì)器模型70不利用該故障傳感器，因而它的預(yù)期誤差和可能性值P(i)將不受該傳感器故障的影響。結(jié)果，在融合級(jí)的最后液量估計(jì)值將由估計(jì)器70的輸出所控制。類似地，假如傳感器#2或傳感器#3出現(xiàn)故障，只有估計(jì)器72和74將分別保持不受該故障的影響并且控制融合后液量的最終估計(jì)值，這一點(diǎn)從下面的說明將變得更為明晰。
值得注意的是前面所描述的結(jié)構(gòu)就其意義是同傳統(tǒng)故障探測(cè)器方案相反的。通常，希望只有一個(gè)對(duì)給定故障特定的故障探測(cè)器“點(diǎn)火”。但是，在本實(shí)施方案中所有有效測(cè)量的可能性值是在每種狀態(tài)估計(jì)模型下計(jì)算出來的，并且具有最高可能性值的模型控制融合后的最終估計(jì)值。因而，在傳感器故障情況下其例外(就可能性函數(shù)而言)是具有最高可能性值的模型。例如，M+1個(gè)估計(jì)器中，在發(fā)生低的可能性值的故障情況下有M個(gè)的信號(hào)存在異常行為，并且只有1個(gè)繼續(xù)工作正常，即只有不使用故障測(cè)量發(fā)生其可能性值的那個(gè)估計(jì)器工作正常。
以上描述的多模型狀態(tài)估計(jì)實(shí)施方案是基于各種默認(rèn)假設(shè)。首先，可以假定對(duì)M-1個(gè)傳感器的任何特定的子組該系統(tǒng)仍保持可觀察性。這對(duì)于單容錯(cuò)而言是一種優(yōu)選條件，即從可供使用的傳感器移去任何單個(gè)傳感器，該多模型系統(tǒng)將仍能夠從余下的傳感器測(cè)量信號(hào)計(jì)算出狀態(tài)估計(jì)值。第二個(gè)假設(shè)是在第i只傳感器出現(xiàn)故障時(shí)，除了不使用該第i只傳感器的第i個(gè)估計(jì)器模型之外，所有的估計(jì)器都應(yīng)該出現(xiàn)預(yù)期誤差的增大。換言之，在M-1個(gè)傳感器的任何降額子組中，仍然有著使傳感器信號(hào)之間的非一致性可以探測(cè)的足夠的分析冗余度。事實(shí)上，最好是讓系統(tǒng)對(duì)任何2種傳感器故障保持可觀察性。
多模型估計(jì)器的一種重要的故障是對(duì)任何特殊模型它不執(zhí)行硬切換。相反，該多估計(jì)器的液量估計(jì)值X(i)是根據(jù)它們相應(yīng)的可能性值P(i)在融合級(jí)被加權(quán)。這種方法可以稱之為軟切換。以下可以找到對(duì)三種主要的多模型估計(jì)變型的詳細(xì)說明，它們是ZOA，GPBI和IMM算法。這種多模型結(jié)構(gòu)的一個(gè)特殊優(yōu)點(diǎn)是它對(duì)相對(duì)假故障的探測(cè)具有大的抗干擾性—在任何類型的故障診斷方案中的一種重要的考慮。假定模塊64和66的融合級(jí)錯(cuò)誤地判斷一個(gè)傳感器出現(xiàn)了故障。因而處于控制地位的液量估計(jì)值將由使用所有傳感器卻沒有上述被誤判的那個(gè)傳感器的估計(jì)器所產(chǎn)生。因此，故障的誤探測(cè)將對(duì)該系統(tǒng)的性能只有微小的影響，因?yàn)橹挥?個(gè)傳感器從該狀態(tài)估計(jì)過程中被加以省略。
多模型結(jié)構(gòu)的液量狀態(tài)估計(jì)模型的一種優(yōu)選實(shí)施方案是擴(kuò)展的Kalman過濾器(EKF)型的遞歸式狀態(tài)估計(jì)器，并且最好是該多模型結(jié)構(gòu)64是以下所描述的多模型估計(jì)算法之一。本質(zhì)上，每個(gè)EKF模型或算法i報(bào)告它自身的液量X(i)狀態(tài)估計(jì)值連同經(jīng)的可能性值P(i)，該P(yáng)(i)值對(duì)給定的當(dāng)前值和以往值以及該狀態(tài)估計(jì)模型衡量它的相應(yīng)的子組S(i)的該傳感器測(cè)量信號(hào)之間的一致性(或“相關(guān)性”)。圖7A-7B的流程圖展示一種適合于用作狀態(tài)估計(jì)器模型的示例性Kalman過濾器。
在本實(shí)施方案中，將一種擴(kuò)展式的Kalman過濾器(EKF)用于每種模型，因?yàn)樵趥鞲衅鳒y(cè)量信號(hào)zm(16)和液量狀態(tài)估計(jì)信號(hào)xk之間有著各種非線性關(guān)系。下檔k指的是在時(shí)間點(diǎn)k對(duì)相應(yīng)模型的液量的狀態(tài)估計(jì)，所以xk-1是在由傳播方程傳至新的狀態(tài)估計(jì)xk之間的狀態(tài)估計(jì)。下標(biāo)k+1用于指對(duì)應(yīng)子組測(cè)量信號(hào)的樣本內(nèi)或狀態(tài)估計(jì)中的一種預(yù)期狀態(tài)。因而，作為一個(gè)例子，xk+1/k是液量估計(jì)xk+1的預(yù)期狀態(tài)，它是根據(jù)由高至?xí)r間k的模型所處理的測(cè)量采樣數(shù)據(jù)得到的。狀態(tài)估計(jì)xk按時(shí)間(每個(gè)Δt)沿它的誤差協(xié)方差矩陣傳播，并且對(duì)每次測(cè)量用Kalman增益k和該預(yù)期測(cè)量誤差的運(yùn)算加以更新。更新后的狀態(tài)xk在本實(shí)施方案中用作每一模型的狀態(tài)估計(jì)輸出。
總之，用于EKF算法的系統(tǒng)模型是非線性的，并且函數(shù)f是一種非線性變換，它可以按如下加以線性化xk+1＝f(xk)+wk＝ΦkXk+Wkyk＝g(Xk)+vk式中xk+1為所要估計(jì)的狀態(tài)，f是該狀態(tài)轉(zhuǎn)移函數(shù)，k是它的圍繞前狀態(tài)估計(jì)值xk的Jacobian，yk是測(cè)量矢量(對(duì)應(yīng)測(cè)量信號(hào)zm的相應(yīng)子組)，g(xk)定義該狀態(tài)估計(jì)和測(cè)量矩陣之間的關(guān)系(即何處為非線性關(guān)系)，wk是過程噪聲矩陣，vk是測(cè)量噪聲矩陣。更具體而言，用在上面計(jì)算中以決定預(yù)期測(cè)量矢量(即yk+1/k)的該預(yù)期測(cè)量矢量關(guān)系g(xk)是基于其最后的狀態(tài)估計(jì)(xk)。這種計(jì)算可以按每更新周期Δt加以完成。
在圖7A-7B的示例性實(shí)施方案中，該預(yù)期狀態(tài)矢量xk+1是被假定等于當(dāng)前狀態(tài)加上噪聲，或，xk+1＝f(xk，wk)＝xk+wk
換言之，函數(shù)f等效于識(shí)別矩陣(如xk+1-xk＝0)的倍數(shù)。這種假設(shè)是基于同系統(tǒng)12中的動(dòng)態(tài)變化相比Δt增量是小的，使之被估計(jì)的狀態(tài)估計(jì)xk同前面的狀態(tài)估計(jì)xk-1加上過程噪聲相同。但是，為了實(shí)踐本發(fā)明并不要求這種非動(dòng)態(tài)系統(tǒng)假設(shè)，而只是用于方便清晰地說明該優(yōu)選實(shí)施方案。本領(lǐng)域內(nèi)的技術(shù)人員將懂得可以使用k變換矩陣借助偏離對(duì)角線值定義動(dòng)態(tài)系統(tǒng)條件。
為了本公開的實(shí)施方案，假設(shè)噪聲序列是獨(dú)立的，并且是平均值E(vk)＝0，E(wk)＝0，方差E(vkvk)＝Rk和E(wkwk)＝Qk的高斯分布。Rk是測(cè)量噪聲的方差矩陣，Qk是過程噪聲的方差矩陣。這些值可以是該系統(tǒng)狀態(tài)和/或測(cè)量輸入的函數(shù)。Rk是根據(jù)經(jīng)驗(yàn)知識(shí)對(duì)每系統(tǒng)12加以估計(jì)的。例如，在所描述的實(shí)施方案中，該測(cè)量噪聲是可以很好預(yù)測(cè)的，因?yàn)閭鞲衅?6，例如包括加速計(jì)，溫度傳感器和壓力傳感器，趨向于有著可識(shí)別的輸出準(zhǔn)確性和容許誤差。因此對(duì)于在測(cè)量矢量yk中的每次測(cè)量直接按經(jīng)驗(yàn)賦予Rk一個(gè)值。對(duì)于所描述的實(shí)施方案，Rk是一對(duì)角矩陣，這意味著每次測(cè)量被認(rèn)為同其他的測(cè)量無關(guān)，盡管對(duì)于本發(fā)明并不要求做出這種假設(shè)。系統(tǒng)的過程噪聲方差Qk是基于經(jīng)驗(yàn)估計(jì)或預(yù)測(cè)的狀態(tài)變量的變異性，它是由外部環(huán)境因素或模型化誤差所引發(fā)的。再次注意到的是Qk和Rk的估計(jì)按照允許得到的系統(tǒng)12的最佳知識(shí)加以估計(jì)，而算式62將對(duì)一種傳感器的融合過程起作用，即使是對(duì)Qk和Rk的值不是最佳的。利用對(duì)設(shè)計(jì)Kalman型過濾器的常規(guī)技術(shù)可以完成對(duì)系統(tǒng)12的Qk和Rk的判定。盡管前面提到，但Qk和Rk的值既可以測(cè)量也可以通過估計(jì)賦值。
該示例性實(shí)施方案還假定噪聲項(xiàng)wk和vk是互為獨(dú)立的，或E(wkvk)＝0或測(cè)量噪聲和過程噪聲的協(xié)方差為零。過濾器的目的是根據(jù)收集直到時(shí)間k的測(cè)量值y計(jì)算在時(shí)間k未測(cè)量狀態(tài)xk的估計(jì)值。
圖7A-7B對(duì)多模型級(jí)62的每個(gè)模型i的EKF算法以流程圖的形式提供這樣一種示例性算法。在步驟80，根據(jù)初始的假定狀態(tài)計(jì)算預(yù)期的狀態(tài)xk+1/k，它可以是簡(jiǎn)單地假定初始狀態(tài)估計(jì)x0/0＝x0。同樣，對(duì)于Kalman過濾器的初始條件，假定wk等于零(在隨后的迭代中Kalman過濾器將對(duì)實(shí)際的wk加以調(diào)整)。最后，還必須對(duì)初始協(xié)方差∑xx＝∑。加以估計(jì)(該初始協(xié)方差的估計(jì)可以只是一種猜測(cè)，因?yàn)樵诿恳沪時(shí)隙Kalman過濾器將工作以重新計(jì)算該協(xié)方差)。在步驟82，通過將Qk加到初始協(xié)方差∑0計(jì)算預(yù)期狀態(tài)的協(xié)方差。此時(shí)要注意的是在圖7A-7B中所展示的算法是用它的通用形式書寫的以顯示對(duì)每一遞歸周期(傳播和更新)發(fā)生的計(jì)算。如上面注意到的那樣，該初始周期使用協(xié)方差值和狀態(tài)估計(jì)xk的初始估計(jì)值。
在步驟84，利用初始狀態(tài)矢量估計(jì)值x0(即yk+1/k＝g(x0/0))計(jì)算預(yù)期測(cè)量矢量yk+1/k(根據(jù)g(xk)函數(shù))。利用對(duì)狀態(tài)矢量xk中的狀態(tài)元素的所估計(jì)的初始值(x0)計(jì)算函數(shù)g(xk)。非線性輸出變換g將傳感器的標(biāo)稱行為描述為狀態(tài)x的函數(shù)。函數(shù)g包括傳感器和箱的物理特性。例如在高度傳感器的情況中，函數(shù)g的計(jì)算涉及高度-體積表的內(nèi)插，它是將燃油表面高度同燃油體積以及飛行器的姿態(tài)連系起來。在步驟86，計(jì)算協(xié)方差∑yy。因?yàn)闋顟B(tài)矢量xk和測(cè)量矢量g(xk)之間的關(guān)系是非線性的，協(xié)方差的計(jì)算是利用g(xk)函數(shù)對(duì)xk的偏導(dǎo)數(shù)在點(diǎn)xk+1/k的線性化。該偏導(dǎo)數(shù)通常稱之為Jacobian矩陣(在步驟86中被識(shí)為被計(jì)算的矩陣ck+1)。Jacobian矩陣以及它的變換可以如在步驟86中那樣對(duì)EKF算法的每次遞歸加以計(jì)算。在步驟88，計(jì)算預(yù)期狀態(tài)xk+1和預(yù)期測(cè)量yk+1的交叉協(xié)方差。
參照?qǐng)D7B，在方框90，從時(shí)間k+1的實(shí)際測(cè)量值yk+1和在時(shí)間k+1在步驟或方框84計(jì)算出來的預(yù)期測(cè)量值yk+1/k之間的差計(jì)算預(yù)期誤差或修正值。下一步在方框92內(nèi)，計(jì)算該修正值的協(xié)方差Sk+1。在此之后，從步驟94開始對(duì)預(yù)期狀態(tài)估計(jì)xk+1/k加以更新或改正(至xk+1/k+1)，其中Kalman增益Kk+1是利用該修正值的方差加以計(jì)算的。在步驟96，根據(jù)在方框90中計(jì)算出來的修正值和Kalman增益對(duì)狀態(tài)估計(jì)進(jìn)行改正或更新。在步驟98，計(jì)算該新的狀態(tài)估計(jì)值的協(xié)方差，它成為在下一次遞歸循環(huán)中在步驟96使用的值。最后，在步驟100，就如在點(diǎn)ek+1計(jì)算出來的相應(yīng)的幾率密度函數(shù)那樣計(jì)算可能性值P(i)。在下一遞歸循環(huán)之前，隨著遞歸過濾器62(i)繼續(xù)利用時(shí)間Δt之后被更新的測(cè)量值操作，狀態(tài)估計(jì)值xk+1/k+1變成方框102內(nèi)更新后所估計(jì)的液量值，并且再次在圖7A的步驟80傳播(用作狀態(tài)估計(jì)值xk)。
前面所描述的一系列步驟是依據(jù)如下假設(shè)，即在步驟90中計(jì)算出來的并被稱之為修正值的預(yù)期誤差形成在步驟92中的平均值為零和協(xié)方差Sk+1＝∑k+1/k+Rk+1的非相關(guān)的高斯變量序列。這種方法根據(jù)該修正值的多維分布評(píng)估模型的有效性。假如該模型是正確的，則測(cè)量值yk+1是平均值為 協(xié)方差為Sk+1的高斯分布，或等效地，修正值具有平均值為 和協(xié)方差為Sk+1的高斯分布。因此，只有在當(dāng)前測(cè)量矢量yk+1中存在有有效的測(cè)量，受前面測(cè)量條件制約的可能性才是基于在點(diǎn)ek+1計(jì)算出來的相應(yīng)幾率密度函數(shù)的值p(yk+1|y^k+1,Sk+1)=exp(-1/2ek+1TSk+1-1ek+1)(2π)mdet(Sk+1),]]>它是在步驟100計(jì)算出來的。有關(guān)EKF類型狀態(tài)估計(jì)器的更為詳細(xì)的說明請(qǐng)參考申請(qǐng)?zhí)枮?8/996,851的合作專利申請(qǐng)，該專利的題目為“Liquid Gauging Using Sensor Fusion and Data Fusion”，該專利被轉(zhuǎn)讓給直接申請(qǐng)的受讓人，此處引用該申請(qǐng)作為參考。
盡管在本實(shí)施方案中，在上面描述的EKF變量中使用高斯近似，當(dāng)然也可以使用其他的算法，只要它能對(duì)狀態(tài)幾率分布有著好的近似。因此，可以使用多狀態(tài)估計(jì)器的其他實(shí)施方案用不同于高斯分布的形式對(duì)狀態(tài)幾率分布加以近似，從而可以根據(jù)這種不同的公式計(jì)算該可能性值。
對(duì)于多模型結(jié)構(gòu)的不同競(jìng)爭(zhēng)模型i，其可能性值P(i)的計(jì)算允許在各模型之間稍許不同，只要這些模型比其它的模型更適合于所觀察的數(shù)據(jù)，即使是沒有一個(gè)模型是特別準(zhǔn)確的。在多模型估計(jì)方案中，上述可能性值P(i)被用來產(chǎn)生對(duì)來自這些競(jìng)爭(zhēng)模型的融合估計(jì)值的相對(duì)加權(quán)，這一點(diǎn)從下面的說明中將會(huì)變得更好地理解。
本領(lǐng)域技術(shù)人員將認(rèn)識(shí)到7A-7B的示例性EKF的算法只是可以用在狀態(tài)估計(jì)的遞歸Kalman過濾器型算法的一個(gè)例子。也可以采用其他的形式，包括用其他方法預(yù)測(cè)未來測(cè)量和計(jì)算交叉協(xié)方差矩陣的Kalman過濾器算法形式，包括線性狀態(tài)過渡和協(xié)方差相交方法，這些只是幾個(gè)例子。在某些系統(tǒng)12中，可以有對(duì)Kalman型過濾器的替代方法，例如，使用非線性變換幾率分布的蒙特卡洛隨機(jī)化近似的方法。
在這種替代方法中，不采用EKF型估計(jì)器，而是使用人工神經(jīng)網(wǎng)絡(luò)作為狀態(tài)估計(jì)模型。在這種情況中，可以提供這種可能性值P(i)(即每一模型的可信度水平，或可能性因子)作為如圖9方框圖中所示的相同神經(jīng)網(wǎng)絡(luò)的附加輸出，或者作為如圖8方框圖中所示的一種分開的輔助神經(jīng)網(wǎng)絡(luò)的輸出。因此，如圖8所示，每種估計(jì)器模型可以由2中樞網(wǎng)組成-1個(gè)輸出該燃量估計(jì)值X(i)，而另1個(gè)產(chǎn)生對(duì)應(yīng)該估計(jì)值的可能性值P(i)。作為選擇，如圖9中所示，單一中樞網(wǎng)可以輸出2個(gè)值X(i)和P(i)。該可能性值被用作加權(quán)因子以計(jì)算在融合級(jí)的模塊64中的最終液量值，就如同對(duì)EKF模型那樣。
因此，對(duì)測(cè)量信號(hào)的每1傳感器子組，每1神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練組應(yīng)包括訓(xùn)練點(diǎn)的一種混合，該訓(xùn)練點(diǎn)對(duì)應(yīng)于無故障條件和由該對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)模型所使用的每傳感器的單一故障。在圖5的示例性圖中，這意味著估計(jì)器70應(yīng)按對(duì)應(yīng)無故障和傳感器22，或傳感器23的無故障的數(shù)據(jù)進(jìn)行訓(xùn)練，而按對(duì)應(yīng)傳感器21的故障的數(shù)據(jù)不進(jìn)行訓(xùn)練，因?yàn)樗皇褂脗鞲衅?1的傳感器測(cè)量信號(hào)作為它的輸入。對(duì)模型68，72和74，即級(jí)62的多模型結(jié)構(gòu)的每一余下的模型，也可以選擇類似組的訓(xùn)練點(diǎn)。
圖10和圖11分別示出了圖8和圖9的神經(jīng)網(wǎng)絡(luò)狀態(tài)估計(jì)器模型的更特殊的細(xì)節(jié)。參照?qǐng)D10，模型62(i)的每1神經(jīng)網(wǎng)絡(luò)可以是一種朝前饋送的三層判別，它是由處理器48當(dāng)作一種算法執(zhí)行的，并且在該神經(jīng)網(wǎng)絡(luò)的輸入層110的相應(yīng)輸入節(jié)點(diǎn)接收子組i的測(cè)量信號(hào)zm?？梢杂孟鄳?yīng)的權(quán)重W1，W2，...W7對(duì)每輸入值加權(quán)，但是在本實(shí)施方案中不將它作為優(yōu)選方案。對(duì)于本實(shí)施方案，就如連系圖2所描述的那樣，傳感器M為8，因此M-1個(gè)傳感器的子組應(yīng)為7。模型62(i)的每神經(jīng)網(wǎng)絡(luò)在本實(shí)施方案中可以包括1隱藏層112，該層具有多個(gè)節(jié)點(diǎn)，例如35。在輸入層110內(nèi)的每個(gè)輸入節(jié)點(diǎn)連接到該隱藏層內(nèi)的每1節(jié)點(diǎn)(在圖10中，為清晰起見多數(shù)該隱藏層的連接被加以省略)。如圖所示，節(jié)點(diǎn)之間的每1連接被加權(quán)(為清晰起見，圖10中的多數(shù)權(quán)重標(biāo)志被加以省略)。因此，在隱藏層112中每1節(jié)點(diǎn)的輸入是來自輸入層110中的節(jié)點(diǎn)的所有加權(quán)輸出之和。假如對(duì)輸入節(jié)點(diǎn)應(yīng)當(dāng)使用加權(quán)，則可以將它們，例如，包括在該隱藏層的權(quán)重之內(nèi)。
在本實(shí)施方案中模型62(i)的每1神經(jīng)網(wǎng)絡(luò)還包括1單1節(jié)點(diǎn)輸出層114。隱藏層112中的每1節(jié)點(diǎn)通過加權(quán)連接到該輸出節(jié)點(diǎn)層114。因此，對(duì)輸出層114中的單節(jié)點(diǎn)的輸入是來自該隱藏層內(nèi)每節(jié)點(diǎn)的加權(quán)輸出之和。根據(jù)其相應(yīng)的訓(xùn)練，輸出節(jié)點(diǎn)14產(chǎn)生箱114內(nèi)所希望的燃油量估計(jì)值X(i)或可能性值P(i)。只有在這種中樞網(wǎng)62(i)內(nèi)值朝前方向移動(dòng)，通過隱藏層112內(nèi)的節(jié)點(diǎn)從輸入節(jié)點(diǎn)至輸出節(jié)點(diǎn)114。通過非線性激活函數(shù)f(x)的操作，值從該隱藏層112內(nèi)的每1節(jié)點(diǎn)向輸出節(jié)點(diǎn)114移動(dòng)。在本示例性實(shí)施方案中，該激活函數(shù)f(x)同時(shí)在該隱藏層112中的每一節(jié)點(diǎn)的相同，并是一種S形函數(shù)f(x)＝1.0/[1+e-x]。
換言之，每1隱藏層112的節(jié)點(diǎn)輸入，稱之為x，是來自輸入層110內(nèi)所有點(diǎn)節(jié)的所有加權(quán)輸入之和，并且每1隱藏層112節(jié)點(diǎn)的輸出是S形函數(shù)。如果對(duì)一種特殊的應(yīng)用合適的話，也可以選擇其他的激活函數(shù)。輸出節(jié)點(diǎn)的激活函數(shù)簡(jiǎn)單的是一種線性之和的函數(shù)，所以輸出節(jié)點(diǎn)114的輸出X(i)或P(i)只是從隱藏層112中每一節(jié)點(diǎn)接收到的所有加權(quán)輸入之和。
假如希望的話，作為選擇，可以如圖11中作為實(shí)例所示的那樣用同樣的神經(jīng)網(wǎng)絡(luò)決定輸出X(i)和P(i)。圖11的該神經(jīng)網(wǎng)絡(luò)實(shí)例同對(duì)圖10所描述的那種網(wǎng)絡(luò)在結(jié)構(gòu)上和操作上基本上相似，只有一點(diǎn)不同的是在本實(shí)施方案中不用單節(jié)點(diǎn)輸出層114，分別有2個(gè)輸出節(jié)點(diǎn)116和118用于發(fā)生估計(jì)信號(hào)X(i)和P(i)。因此，該隱藏層112中的每1節(jié)點(diǎn)通過加權(quán)連接到輸出節(jié)點(diǎn)116和118。因而，給輸出層114內(nèi)的該單節(jié)點(diǎn)的輸入是來自該隱藏層內(nèi)每1節(jié)點(diǎn)的所有加權(quán)輸出之和，并且根據(jù)它各自的訓(xùn)練輸出節(jié)點(diǎn)116和118分別產(chǎn)生箱14內(nèi)所希望的燃油量輸出X(i)和可能性值P(i)。
盡管以上結(jié)合每1子組測(cè)量信號(hào)的處理對(duì)神經(jīng)網(wǎng)絡(luò)已經(jīng)做了描述，但是應(yīng)當(dāng)澄清的是在某些甚至多數(shù)情況下子組的測(cè)量信號(hào)將包括當(dāng)前和以往的測(cè)量樣本。這一點(diǎn)不會(huì)影響神經(jīng)網(wǎng)絡(luò)的整體使用，只是增大了輸入節(jié)點(diǎn)的數(shù)目。例如，若想用該網(wǎng)絡(luò)處理當(dāng)前的和一組以往的測(cè)量樣本，則輸入節(jié)點(diǎn)的數(shù)量將要加倍以適應(yīng)全部測(cè)量樣本。同樣地，為適應(yīng)當(dāng)前的和每個(gè)測(cè)量信號(hào)的2個(gè)以往樣本，其輸入節(jié)點(diǎn)必須是三倍，如此等等。這種適應(yīng)不總是輸入節(jié)點(diǎn)的2倍或3倍，因?yàn)椴⒉皇菧y(cè)量信號(hào)的所有處理包括相同數(shù)量的以往測(cè)量樣本。有的測(cè)量信號(hào)具有的響應(yīng)時(shí)間慢于或快于其它的響應(yīng)時(shí)間，因而將分別包括較少或較多的以往測(cè)量樣本。因此，總的來說，稱之為時(shí)間延遲神經(jīng)網(wǎng)絡(luò)的該種神經(jīng)網(wǎng)絡(luò)將使用它處理的當(dāng)前和以往測(cè)量樣本數(shù)量相同的輸入節(jié)點(diǎn)，而它們的訓(xùn)練將包括足夠的數(shù)據(jù)點(diǎn)數(shù)以模擬當(dāng)前和以往測(cè)量樣本的正確和故障條件。有關(guān)時(shí)間延遲神經(jīng)網(wǎng)絡(luò)的更詳細(xì)的說明，請(qǐng)參考申請(qǐng)?zhí)枮開___(BFG 200FU128)的合作專利申請(qǐng)，該專利的題目為“Liquid Gauging Apparatus Using a Time Delay NeuralNetwork”，該專利受讓給直接申請(qǐng)的同一受讓人，此處引用作為參考。
級(jí)62的神經(jīng)網(wǎng)絡(luò)可以利用大量的輸入數(shù)據(jù)組訓(xùn)練以適應(yīng)測(cè)量信號(hào)輸入的當(dāng)前和以往測(cè)量樣本。通過對(duì)操作和故障的預(yù)期范圍傳感器操作的計(jì)算機(jī)模擬處理可以得到這些數(shù)據(jù)組。對(duì)給定飛行器的預(yù)期操作輪廓，第一步應(yīng)是定義箱體態(tài)，溫度，密度，體積等的一組可能值。然后，對(duì)這些值的每種組合，利用箱的幾何特性以及傳感器的已知標(biāo)稱物理性質(zhì)，可能包括傳感器的隨機(jī)測(cè)量誤差，計(jì)算該傳感器輸出的預(yù)期的和故障的測(cè)量值。對(duì)操作和故障條件的單一組合所計(jì)算出來的一個(gè)子組的傳感器輸出值形成級(jí)62的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)點(diǎn)。
在本實(shí)施方案中，神經(jīng)網(wǎng)絡(luò)的權(quán)重可以全部是在訓(xùn)練之前隨機(jī)賦值的，并且該訓(xùn)練是利用逆?zhèn)鞑ニ惴ɑ蚱渌线m的算法得到的，逆?zhèn)鞑ニ惴ㄊ怯蒖umelhart等人在“The MIT Press，Cambridge，MA(1988)”出版的“Purallel Distributed Processing”一書中提出的。另一種合適的訓(xùn)練算法是，例如，由Hassoan在“The MIT Press，Cambridge，MA(1995)”出版的“Fundamenfuls of Artificial NeuralNatworks”一書中所教授的。在訓(xùn)練之后，將加權(quán)保存并保持不變。然后利用來自它的相應(yīng)測(cè)量子組zm的數(shù)目將每一中樞網(wǎng)模型工作在實(shí)時(shí)并且直接計(jì)算每一測(cè)量時(shí)間間隔Δt所希望的輸出。如果希望的話，輸出層114，例如，可以包括更多的輸出節(jié)點(diǎn)以提供例如要求更廣泛訓(xùn)練過程的諸如密度，溫度，壓力和加速度的參數(shù)值的確定。有關(guān)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的更為詳細(xì)的說明，請(qǐng)參考上面提到的引為參考的專利08/996,851和____(BFG 200FU128)。
該中樞網(wǎng)絡(luò)方法的一個(gè)優(yōu)點(diǎn)是對(duì)每個(gè)估計(jì)器加以訓(xùn)練以提供故障狀態(tài)下的最佳估計(jì)值。因此，即使是故障診斷是錯(cuò)誤的，每種競(jìng)爭(zhēng)估計(jì)器將提供一種或多或少準(zhǔn)確的液量估計(jì)。典型地，多數(shù)誤差探測(cè)方案是逆歸算法，它利用以往輸入史評(píng)估當(dāng)前讀數(shù)的優(yōu)度。因此，完全希望有一種執(zhí)行這種功能的循環(huán)中樞網(wǎng)。但是，作為一種選擇，上面提到的時(shí)間延遲神經(jīng)網(wǎng)絡(luò)可以用于提供所希望的估計(jì)值，或情況也許要求的多個(gè)值。
總結(jié)起來，多模型液量估計(jì)的概念可以用于像圖5的方框原理圖中所示范的那樣的傳感器故障調(diào)節(jié)。假定裝備有M只傳感器的測(cè)量系統(tǒng)是潛在的單一容錯(cuò)的。也就是說，假定對(duì)任何單一傳感器故障，只要該故障已經(jīng)被探測(cè)到就可以繼續(xù)測(cè)量。為了消除對(duì)明確故障探測(cè)的必要性，對(duì)每種可能的M只傳感器的故障，包含一單獨(dú)的狀態(tài)估計(jì)器。此外，一只模型假定沒有傳感器故障(所有的傳感器全部是工作的)。這就需要總數(shù)為K＝M+1個(gè)估計(jì)模型。因?yàn)槊恐粋鞲衅鲗a(chǎn)生故障的特殊方式并不知道，所以就不要精確地模擬這些故障。相反，對(duì)第i只故障模型完全不使用第i次的測(cè)量。無故障輔助模型使用全部可供采用的M只傳感器信號(hào)。因此，對(duì)于本實(shí)施方案，不同模型之間的唯一差別是用于改正步驟的傳感器的子組。與不同故障模式相關(guān)聯(lián)的M只模型的每一模型使用M-1只傳感器，而無故障模型使用所有M只傳感器。假如對(duì)無故障模型的測(cè)量預(yù)期值為y^k+1(0)=g(0)(x^k+1|k(0))]]>則對(duì)第i只故障模式的預(yù)期值可以表示為y^k+1′(i)g(i)(x^k+1|k(i))≡G(i)f(0)(x^k+1|k(i))]]>此處G(i)是由m只傳感器選擇矩陣規(guī)定的m-1，它是其第i行移去后的識(shí)別矩陣。對(duì)該矩陣的修正值可以按下式計(jì)算ek+1(i)=yk+1(i)-y^k+1|k(i)G(i)(yk+1-g(0)(x^k+1|k(i))).]]>因此，所有的模型可以使用相同的測(cè)量預(yù)期函數(shù)g(0)，唯一的差別只是該傳感器選擇矩陣G(i)。這一事實(shí)可以用來降低在處理器48內(nèi)多模型估計(jì)的某些變量的計(jì)算要求。
為了闡明上述概念，讓我們考慮圖5有著M＝3只傳感器的實(shí)例。在這種情況下，整個(gè)測(cè)量矢量由3種信號(hào)組成y(0)＝[z1，z2，z3]T。
因此，對(duì)3種可能的故障模型的每一種的3種降解后的測(cè)量信號(hào)是y(1)＝[z2，z3]Ty(2)＝[z1，z3]Ty(3)＝[z1，z2]T對(duì)4種模型的傳感器選擇矩陣可以是G(0)=100010001,G(1)010001,G(2)100001,]]>和G(3)=100010]]>現(xiàn)在讓我們回到包含圖3的模型64和66的融合級(jí)。假定在該多模型級(jí)62中存在有K個(gè)競(jìng)爭(zhēng)狀態(tài)估計(jì)器，它們都是Kalman過濾器類型的，每個(gè)使用不同的系統(tǒng)模型。假定在時(shí)刻K+1的測(cè)量之前，第i個(gè)估計(jì)器產(chǎn)生了它本身的狀態(tài)估計(jì)值 它的協(xié)方差∑k+1|k(i)，預(yù)期測(cè)量值 以及修正值協(xié)方差Sk+1(i)，如上面所述那樣。還假定根據(jù)至今所收集到的觀察數(shù)據(jù)，第i只模型為正確的模型的幾率已經(jīng)由可能性值Pk+1|k(i)所評(píng)估。則在測(cè)量yk+1到達(dá)之后，每個(gè)估計(jì)器完成它自身的狀態(tài)更新 并且計(jì)算出更新后的協(xié)方差∑k+1|k+1(i)。此外，對(duì)每一狀態(tài)估計(jì)器，存在有修正值ek+1(i)=yk+1-y^k+1|k(i),]]>以及該觀察測(cè)量的相關(guān)可能性pk+1(i)≡p(yk+1|y^k+1|k(i),Sk+1(i)=exp(-1/2ek+1|k(i)T(Sk+1(i))-1ek+1|k(i))(2π)mdet(Sk+1(i))]]>在這一點(diǎn)，可以根據(jù)下式用Baes公式將競(jìng)爭(zhēng)模型的幾率加以更新，有關(guān)Bays公式將在下面的討論中得到更好的理解，Pk+1|k+1(i)=pk+1(i)Pk+1|k(i)Σj=1Kpk+1(j)Pk+1|k(j)]]>借助于事后計(jì)算出來的幾率，利用如下對(duì)Ganussian密度混合的近似公式計(jì)算模型64的融合的最終估計(jì)值以及它的近似協(xié)方差x^k+1=Σi=1KPk+1|k+1(i)x^k+1|k+1(i),]]>和Σk+1=Σi=1KPk+1|k+1(i)(Σk+1|k+1(i)+vk+1(i)vk+1(i)T),]]>此處vk+1(i)項(xiàng)代表所有估計(jì)器的平均值圍繞加權(quán)平均值的擴(kuò)散x^k+1]]>vk+1(i)=x^k+1-x^k+1|k+1(i)]]>上面公式為本實(shí)施方案的多模型估計(jì)結(jié)構(gòu)奠定了基礎(chǔ)。不同算法之間的差別在于根據(jù)事后估計(jì)值 ∑k|k(i)，和Pk|k(i)(在前面迭代k發(fā)生的)計(jì)算事前估計(jì)值 ∑k+1|k(i)，和Pk+1|k(i)(用于下一次迭代k+1)的方式。
同上面所指的那樣，至少有三種變型適合于實(shí)現(xiàn)本實(shí)施方案的多模型結(jié)構(gòu)。最簡(jiǎn)單的多模型估計(jì)結(jié)構(gòu)被稱為零級(jí)近似過濾器(ZOA過濾器)。在這種布局中，多個(gè)模型單獨(dú)運(yùn)行，在它們的內(nèi)部狀態(tài)之間沒有交互作用。這些估計(jì)值的唯一混合，就是如前面所描述的那種在模塊64中的融合狀態(tài)估計(jì)值的計(jì)算。在每個(gè)過濾器模型中下一狀態(tài)和測(cè)量的預(yù)期值僅依據(jù)它自身以前的估計(jì)值x^k+1|k(i)=f(x^k|k(i))]]>y^k+1|k(i)=g(i)(x^k+1|k(i))G(i)g(x^k+1|k(i))]]>為了計(jì)算合適的協(xié)方差矩陣，通過將圍繞來自前面時(shí)刻k的事后估計(jì)值 的函數(shù)f線性化分別得到Jacobian矩陣Ak(i)和Bk(i)，并且通過將g圍繞預(yù)期估計(jì)值 線性化找出JacobianCk+1(i)。作為起始條件，對(duì)于該競(jìng)爭(zhēng)模型的每一種算法需要初始狀態(tài)估計(jì)值 以及事前的幾率Po|o(i)。
在我們圖5的三只傳感器的例子中，ZOA算法中的信息流可以是如圖12的方框原理圖所示的那樣。該ZOA算法的有效性是基于假定競(jìng)爭(zhēng)模型68、70、72或74之一在所有時(shí)間都是正確的-就我們的角度來說，相同的單一傳感器所有時(shí)間都是有故障的，或者所有的傳感器都是工作的。因?yàn)檫@一點(diǎn)，在步驟k+1開始時(shí)的事前幾率同在步驟k結(jié)束時(shí)的事后幾率相同Pk+1|k(i)=Pk|k(i)]]>因此，在故障之前，所有的模型被預(yù)期產(chǎn)生同觀察值一致的預(yù)期值，因而它們的幾率應(yīng)保持為正。只有在故障發(fā)生之后，一單一模型將開始控制其融合估計(jì)值，而其他模型的幾率將開始向零收斂。因此，非交互作用的多模型的優(yōu)點(diǎn)在于在模型估計(jì)器之間沒有交互作用-沒有另外的不穩(wěn)定性或向局部最小最收斂的風(fēng)險(xiǎn)，因而該混合公式被認(rèn)為是相當(dāng)直接的。除此之外，平行運(yùn)行的M+1個(gè)獨(dú)立的遞歸估計(jì)器(例如EKF)可以容易地在由處理器48可執(zhí)行的算法中加以編程。
第二種適合用作多模型結(jié)構(gòu)的變形可以是對(duì)一種系統(tǒng)的最佳Bayesian估計(jì)的一種近似，這種系統(tǒng)可以從一種工作狀況切換至另一種，被叫做“通用的偽-Bayesian I”或GPBI。用圖13的方框原理圖來舉例說明這種變型，它是模仿圖5的實(shí)施方案所描述的簡(jiǎn)單的3只傳感器測(cè)量實(shí)施。同非交互作用式技術(shù)不同，它是基于該系統(tǒng)的布局(或操作狀況)可以在任何時(shí)間隨機(jī)改變的假設(shè)。該系統(tǒng)作為MarKov鏈的一種模擬-即從狀況(或模型)i切換到狀況j的幾率僅取決于當(dāng)前的狀況，而同以前切換的歷史無關(guān)。這就使得從一種誤診的故障恢復(fù)或探測(cè)暫時(shí)的傳感器故障成為可能。
GPBI算法的一個(gè)設(shè)計(jì)參數(shù)在于過渡幾率矩陣PT，它的元素Pi，j是在任何給定迭代可以發(fā)生從模型i至模型j的切換的事前幾率。該過渡幾率被用于計(jì)算在迭代k+1開始時(shí)模型i的事前幾率，它是迭代k結(jié)果時(shí)所有事后幾率的函數(shù)Pk+1|k(j)=Σi=1Kpi,jPk|k(i)]]>因?yàn)檫@一點(diǎn)，模型j仍然可能是在迭代k+1時(shí)的一種可行選擇，即使它不可能處于迭代k，只要從某些其他的，更可能的模型的切換是可能的。
GPBI和ZOA方法的另一個(gè)明顯的差別是在每種迭代時(shí)所有的估計(jì)器利用來自前面迭代的相同融合(加權(quán)的)估計(jì)值 作為起始條件以產(chǎn)生它們的暫時(shí)預(yù)期值。此外，對(duì)于暫時(shí)性更新，它們?nèi)渴褂孟嗤娜诤蠀f(xié)方差∑k|k。這一點(diǎn)從圖13可見，它為我們的3只傳感器實(shí)例顯示了GBPI的總的結(jié)構(gòu)。在這種容錯(cuò)布局中，GBPI算法的計(jì)算可以明顯地加以簡(jiǎn)化。因?yàn)樗械哪Ｐ?8，70，72和74使用相同的狀態(tài)過渡和測(cè)量函數(shù)，這就意味著它們的一個(gè)事前估計(jì)值 將等于從 計(jì)算出來的同一值 類似地，所有估計(jì)器利用從融合協(xié)方差∑k|k計(jì)算出來的同一協(xié)方差矩陣∑k+1|k，x^k+1|k(i)=x^k|k+1=f(x^k|k)]]>Σk+1|k(i)=Σk+1|k=AkΣk|kAkT+BkQBkT]]>Jacobian矩陣Ak和Bk也是每次迭代計(jì)算一次-線性化是沿單點(diǎn)∑k|k完成。測(cè)量值的預(yù)期值也是一次完成，因?yàn)椴煌Ｐ偷臏y(cè)量矢量唯一不同的是把單一元素排除在外， 對(duì)于一般的多模型方法所有其它的計(jì)算按上面描述的辦法進(jìn)行。
使用EKF作為該模型，非線性函數(shù)f1g的估值和它們的Jacobian矩陣的計(jì)算將花費(fèi)處理器48的多數(shù)計(jì)算時(shí)間。因此，GBPI算法的執(zhí)行時(shí)間可以比ZOA的時(shí)間好得多。另一方面，融合協(xié)方差矩陣∑k|k不用在ZOA算法中，而是在GBPI中計(jì)算∑k|k，因而它的計(jì)算可以省略。假如為了數(shù)值穩(wěn)定性目的把協(xié)方差矩陣的復(fù)雜運(yùn)算分解成基本運(yùn)算加以完成，則從所有∑k|k(i)再分解∑k|k可能需要明顯的附加工作。但是，GBPI方法被認(rèn)為是具有優(yōu)越性的，因?yàn)橛?jì)算負(fù)荷明顯小于ZOA情況，即非線性預(yù)期和暫時(shí)性更新每次迭代進(jìn)行1次，因而暫時(shí)性故障的探測(cè)和從誤診的恢復(fù)是可能的。
第三種變形如圖14的方框原理圖所示，被稱為交互式多模型(IMM)方法，它也是模仿圖5的簡(jiǎn)單3只傳感器實(shí)例。在這種方法中，對(duì)所有模型的事后估計(jì)值的整體統(tǒng)籌分別被每只模型的事前估計(jì)值的局部混合所取代。如在GBPI那樣，設(shè)計(jì)參數(shù)是過渡幾率矩陣PT。它的元素pi，j被用于每次迭代的開始以計(jì)算混合系數(shù)pki，j，該pki，j被看作在前次迭代期間模型i為有效和在當(dāng)前的迭代期間模型j為有效的幾率。因?yàn)檫@樣一種過渡具有事前幾率Pi，j，所以該混合系數(shù)按如下計(jì)算μki,j=pi,jPk|k(i)Σi=1Kpi,jPk|k(i)]]>注意分母中的表達(dá)式事實(shí)上是一種事前幾率，它是在當(dāng)前操作期間模型j為有效時(shí)按GBPI算法中那樣計(jì)算出來的Pk+1|k(j)=Σi=1Kpi,jPk|k(i)]]>然后對(duì)每一模型，在暫時(shí)性更新步驟之前將狀態(tài)估計(jì)值和協(xié)方差加以混合x~k|k(j)=Σi=1Kμki,jx^k|k(i)]]>Σ~k|k(j)=Σi=1KPk|k(i,j)(Σk|k(i)+v~k(i,j)v~k(i,j)T)]]>此處 項(xiàng)代表非混合估計(jì)值圍繞該混合的第i次估計(jì)值的擴(kuò)散x~k|k(j)]]>vk(i,j)=x^k|ki-x~k|k(i,j)]]>預(yù)期步驟是利用混合值 和 對(duì)每種估計(jì)器分別進(jìn)行的，x^k+1|k(j)=f(x~k|k(j))]]>Σk+1|k(j)=Ak(j)Σ~k|k(j)Ak(j)T+Bk(j)QBk(j)T]]>y^k+1|k(j)=G(j)g(x^k+1|k(j))]]>在IMM中Jacobian矩陣的計(jì)算是對(duì)每種估計(jì)器分開進(jìn)行的，因?yàn)閷?duì)應(yīng)的非線性函數(shù)是圍繞不同的點(diǎn)線性化的。在一種實(shí)施方案中，函數(shù)f可以是完全相同，因此它不必要線性化，因而該混合步驟事實(shí)上可以在狀態(tài)協(xié)方差矩陣的暫時(shí)更新之后進(jìn)行。再者，就如在ZOA結(jié)構(gòu)中那樣，函數(shù)g的測(cè)量預(yù)期和線性化是對(duì)每種模型用不同的自變量 進(jìn)行的。因此，在一般情況下IMM具有計(jì)算復(fù)雜性大于非交互式ZOA算法。其附加的成本來自該混合運(yùn)算-特別是來自混合協(xié)方差矩陣 的計(jì)算。
最后輸出至外部世界的估計(jì)值是在方框64中如在GBPI和ZOA算法中那樣計(jì)算的-通過使用幾率Pk|k(j)的加權(quán)之和。同在GBPI中不同，雖然該融合估計(jì)值 在估計(jì)器之內(nèi)并不用在內(nèi)部。但I(xiàn)MM方法被認(rèn)為是具有優(yōu)越性的，因?yàn)槊恳患傧肽Ｐ桶此陨淼膲勖吧妗?，即假定不太可能被丟失，它容易從誤診恢復(fù)和對(duì)最佳Bayesian估計(jì)器有著更好的近似。
盡管在與前面描述的三種變型方面，上面已就優(yōu)選實(shí)施方案的多模型估計(jì)器結(jié)構(gòu)做了說明，顯然還存在著其他也可以使用的可能變型。因此，不應(yīng)當(dāng)將本發(fā)明限制到被使用的特殊多模型結(jié)構(gòu)，而是應(yīng)當(dāng)按它的最寬的范圍加以解釋，不論最后的混合和可能性的計(jì)算如何進(jìn)行。
參照?qǐng)D3實(shí)施方案的方框圖，級(jí)62的競(jìng)爭(zhēng)多模型的可能性值可以用故障探測(cè)模塊66加以處理，以探測(cè)和隔離故障測(cè)量，如果存在的話。在一種實(shí)施方案中，該故障探測(cè)器66首先將競(jìng)爭(zhēng)模型的可能性值加以歸一化，然后將它們同一預(yù)定的閾值加以比較以提供故障傳感器或它的故障測(cè)量信號(hào)的指示。最好是將該可能性值超過該閾值一延長(zhǎng)的時(shí)間間期以預(yù)防或減輕故障測(cè)量信號(hào)早熟的假探測(cè)。為此，該閾值步驟可以基于某些統(tǒng)計(jì)信號(hào)的處理，例如，用滑動(dòng)時(shí)間窗口將每一模型當(dāng)前和過去可能性信號(hào)的可能性值加以平均。當(dāng)然這是但僅僅是故障探測(cè)的一種可能性，也可以采用其它合適的信號(hào)統(tǒng)計(jì)學(xué)。除此之外，可以將模塊66發(fā)生的故障指示信號(hào)用于標(biāo)識(shí)故障傳感器或故障測(cè)量信號(hào)的級(jí)60。根據(jù)故障指示，該級(jí)60可以從那些認(rèn)為有效的傳感器中移去對(duì)應(yīng)的傳感器并將剩下的傳感器測(cè)量信號(hào)重新劃分成組或子組。因此，改變?cè)摱嗄Ｐ徒Y(jié)構(gòu)以適應(yīng)該新的傳感器子組。
而且，如果一傳感器的接口，具有例如像USI那種BIT電路，被包括在如圖6方框原理圖的本實(shí)施方案中，則應(yīng)該裝備有2種完全不同的故障探測(cè)級(jí)，即以USI為基礎(chǔ)的BIT電路和數(shù)據(jù)融合級(jí)中的模塊66的故障探測(cè)。在這種實(shí)施方案中，USI為基礎(chǔ)的故障探測(cè)電路既可以是獨(dú)立的，也可以根據(jù)提供給它的故障指示信號(hào)將所考慮的故障傳感器從送至級(jí)60的現(xiàn)有的傳感器測(cè)量信號(hào)斷開，因而對(duì)傳感器的故障進(jìn)行預(yù)篩選。這種預(yù)篩選將降低在處理器48中的下游后處理的數(shù)量，并且可以容許液體測(cè)量系統(tǒng)容錯(cuò)超過單一故障。
在圖15的功能方框原理圖中示出了本發(fā)明的一種進(jìn)一步實(shí)施方案。這一實(shí)施方案包括數(shù)種故障識(shí)別和隔離水平，作為類似于上面所描述的整體容錯(cuò)液體測(cè)量系統(tǒng)的一部分。參照?qǐng)D15，在級(jí)1，它可以包括一傳感器接口，例如像1個(gè)或多個(gè)USI模塊44，來自傳感器16的原始的或相對(duì)未處理的傳感器測(cè)量信號(hào)由傳統(tǒng)的BIT電路利用常規(guī)故障探測(cè)技術(shù)加以分析。該USI模塊44允許系統(tǒng)12使用多種信號(hào)以模擬單個(gè)的傳感器16，因而方便了對(duì)這些故障探測(cè)的刺激的響應(yīng)的分析。USI模塊44也可以按預(yù)定的時(shí)間間隔對(duì)隨時(shí)間變化的測(cè)量信號(hào)采樣以提供它的當(dāng)前的和以往的樣本。有關(guān)合適的USI模塊的細(xì)節(jié)可參考上面提到的專利申請(qǐng)?zhí)枮?8/997,271的專利申請(qǐng)。
在所包括的一個(gè)第二故障探測(cè)級(jí)120是用于驗(yàn)證通過級(jí)1的單個(gè)傳感器測(cè)量信號(hào)的每一當(dāng)前樣本，例如，同來自其他傳感器16的測(cè)量信號(hào)的當(dāng)前樣本毫無道理地相關(guān)，以及，例如，同相同測(cè)量信號(hào)的以往樣本相一致。那些根據(jù)預(yù)定判據(jù)不相關(guān)的傳感器信號(hào)被認(rèn)為是有錯(cuò)誤的，因而不通過下面的級(jí)60和62。隨后，來自預(yù)篩選級(jí)1和2的有效傳感器的測(cè)量信號(hào)，即那些來自未被識(shí)別為有故障或產(chǎn)生故障測(cè)量信號(hào)的傳感器的測(cè)量信號(hào)由級(jí)60和62按類似于對(duì)圖3實(shí)施方案所描述的方式加以處理。液量狀態(tài)估計(jì)值由級(jí)62的每只模型加以確定，盡管被處理的有效的傳感器測(cè)量信號(hào)之一也許事實(shí)上是錯(cuò)誤的。在被稱之為級(jí)3的一種故障探測(cè)級(jí)122中，所有的液量估計(jì)值都是根據(jù)預(yù)定的數(shù)據(jù)融合函數(shù)加以融合的。因此，假如該液量估計(jì)值如決策方框124所確定的那樣相關(guān)，則將估計(jì)值加以組合或融合以提供最終估計(jì)值。如果液量的狀態(tài)估計(jì)值在方框124內(nèi)不相關(guān)，則在方塊126或級(jí)4中可以進(jìn)行進(jìn)一步的故障分析。在級(jí)4中，可以使用其它來源的信息將狀態(tài)估計(jì)值相關(guān)聯(lián)以識(shí)別和隔離一種傳感器故障或故障測(cè)量。因此，假如方框120或方框126提供故障指示，這是由方框128探測(cè)到的，反過來該指示標(biāo)識(shí)USI模塊44以禁止對(duì)該被認(rèn)為是有故障的傳感器測(cè)量信號(hào)的進(jìn)一步處理。
盡管上面就一個(gè)或多個(gè)特定的實(shí)施方案對(duì)本發(fā)明做了描述，當(dāng)然不應(yīng)當(dāng)以任何方式，任何型式或任何形式將本發(fā)明限制到任何單一實(shí)施方案，而是應(yīng)當(dāng)根據(jù)附錄對(duì)權(quán)利要求的詳述在大的范圍和寬度上加以解釋。
權(quán)利要求
1.一種容錯(cuò)液體測(cè)量系統(tǒng)，它包括多個(gè)用于測(cè)量容器內(nèi)液體參數(shù)的傳感器，每個(gè)所述傳感器發(fā)生一種測(cè)量信號(hào)，代表所測(cè)量的液體參數(shù)；用于將所述傳感器分成若干組的裝置，每組包括另外組的某些傳感器；和用于處理所述每組傳感器測(cè)量信號(hào)的處理裝置，從而對(duì)每組傳感器確定第一估計(jì)值信號(hào)，該第一估計(jì)值信號(hào)為所述相應(yīng)組的測(cè)量信號(hào)代表測(cè)量信號(hào)有效性的可能性，以及根據(jù)所述對(duì)應(yīng)組的測(cè)量信號(hào)確定代表所說容器內(nèi)液量的第二估計(jì)信號(hào)，該處理裝置用于根據(jù)所述第一和第二估計(jì)值信號(hào)的函數(shù)確定該容器內(nèi)液量的第三估計(jì)值信號(hào)。
2.權(quán)利要求1的系統(tǒng)，其中子組裝置包括將所有多個(gè)傳感器分成若干組之一的裝置。
3.權(quán)利要求1的系統(tǒng)，其中子組裝置包括將傳感器分成相應(yīng)的多個(gè)組的裝置，每組包括除1個(gè)以外的所有傳感器，而所述在每組中缺失的傳感器是與該多只傳感器不同的一只傳感器。
4.權(quán)利要求1的系統(tǒng)，其中處理裝置包括用于處理每組的測(cè)量信號(hào)的裝置，該裝置根據(jù)狀態(tài)估計(jì)模型利用一種算法對(duì)每組的測(cè)量信號(hào)加以處理以確定第一和第二估計(jì)值信號(hào)。
5.權(quán)利要求4的系統(tǒng)，其中所述算法包括用于每組傳感器測(cè)量信號(hào)的狀態(tài)估計(jì)模型以代表多模型估計(jì)計(jì)算結(jié)構(gòu)。
6.權(quán)利要求5的系統(tǒng)，其中多模型結(jié)構(gòu)包括非交互式多模型結(jié)構(gòu)。
7.權(quán)利要求5的系統(tǒng)，其中多模型結(jié)構(gòu)包括普遍化的偽-Bayesian多模型結(jié)構(gòu)。
8.權(quán)利要求5的系統(tǒng)，其中多模型結(jié)構(gòu)包括交互式多模型結(jié)構(gòu)。
9.權(quán)利要求5的系統(tǒng)，其中至少1個(gè)狀態(tài)估計(jì)模型是Kalman過濾器類型的。
10.權(quán)利要求5的系統(tǒng)，其中至少1個(gè)狀態(tài)估計(jì)模型是中樞網(wǎng)絡(luò)類型的。
11.權(quán)利要求10的系統(tǒng)，其中至少一種神經(jīng)網(wǎng)絡(luò)是用包括代表無故障和單一故障條件的測(cè)量信號(hào)的訓(xùn)練組訓(xùn)練的。
12.權(quán)利要求1的系統(tǒng)，其中處理裝置包括確定第三估計(jì)值信號(hào)的裝置，該信號(hào)是根據(jù)由它們各自對(duì)應(yīng)的第一估計(jì)值信號(hào)加權(quán)后的第二估計(jì)值信號(hào)的融合確定的。
13.權(quán)利要求1的系統(tǒng)，其中處理裝置包括用于根據(jù)所述第一估計(jì)值信號(hào)的函數(shù)探測(cè)故障測(cè)量信號(hào)的裝置。
14.權(quán)利要求1的系統(tǒng)，其中多個(gè)傳感器中的每一只傳感器用于發(fā)生時(shí)間變化的測(cè)量信號(hào)；包括提供每一個(gè)測(cè)量信號(hào)的當(dāng)前和以往測(cè)量樣本的裝置；以及其中的處理裝置包括用于處理所述每組傳感器的測(cè)量信號(hào)的當(dāng)前和以往測(cè)量樣本的裝置以為每組傳感器確定代表相應(yīng)組的所有測(cè)量信號(hào)都是有效的測(cè)量信號(hào)的當(dāng)前可能性的當(dāng)前第一估計(jì)值信號(hào)，并且根據(jù)所述相應(yīng)組的測(cè)量信號(hào)的當(dāng)前和以往的樣本確定代表所說容器內(nèi)的當(dāng)前液量的當(dāng)前第二估計(jì)值信號(hào)。
15.權(quán)利要求14的系統(tǒng)，其中處理裝置包括用于根據(jù)該當(dāng)前第一估計(jì)值信號(hào)探測(cè)故障測(cè)量信號(hào)的裝置。
16.權(quán)利要求14的系統(tǒng)，其中處理裝置包括對(duì)每組傳感器發(fā)生時(shí)間平均的當(dāng)前第一估計(jì)值信號(hào)的裝置，和根據(jù)所述時(shí)間平均當(dāng)前第一估計(jì)值信號(hào)探測(cè)和隔離故障測(cè)量信號(hào)的裝置。
17.權(quán)利要求16的系統(tǒng)，其中處理裝置包括根據(jù)所述時(shí)間平均當(dāng)前第一估計(jì)值信號(hào)同預(yù)定閾值信號(hào)的比較來探測(cè)和隔離故障測(cè)量信號(hào)的裝置。
18.權(quán)利要求14的系統(tǒng)，其中處理裝置包括用擴(kuò)展的Kalman過濾器算法處理每組的測(cè)量信號(hào)的當(dāng)前和以往樣本的裝置。
19.權(quán)利要求14的系統(tǒng)，其中處理裝置包括用時(shí)間延遲神經(jīng)網(wǎng)絡(luò)算法處理每組的測(cè)量信號(hào)的當(dāng)前和以往樣本的裝置。
20.權(quán)利要求1的系統(tǒng)，其中子組裝置包括將傳感器分成多組的裝置，每組包括除1只以外的所述多個(gè)傳感器并且在每組中所缺失的傳感器是1只與所述多個(gè)傳感器不同的傳感器；以及處理裝置包括根據(jù)所述第一估計(jì)值信號(hào)的函數(shù)通過探測(cè)一組不包括故障測(cè)量信號(hào)的傳感器以隔離故障測(cè)量信號(hào)的裝置。
21.權(quán)利要求20的系統(tǒng)，其中隔離裝置包括根據(jù)所述第一估計(jì)值信號(hào)同預(yù)定閾值信號(hào)的比較來探測(cè)不包括故障測(cè)量信號(hào)的那組傳感器的裝置。
22.權(quán)利要求1的系統(tǒng)，該系統(tǒng)包括連接到多個(gè)傳感器的傳感器接口裝置，該接口裝置用于對(duì)傳感器的測(cè)量信號(hào)進(jìn)行預(yù)測(cè)試以便根據(jù)所述測(cè)試找出被認(rèn)為有故障的測(cè)量信號(hào)。
23.權(quán)利要求1的系統(tǒng)，其中多只傳感器的每只傳感器用于發(fā)生時(shí)間變化測(cè)量信號(hào)；包括一種關(guān)聯(lián)裝置，該裝置用于提供每一測(cè)量信號(hào)的當(dāng)前和以往的測(cè)量樣本，以及將每一測(cè)量信號(hào)的該當(dāng)前的和以往的測(cè)量樣本相關(guān)聯(lián)以確定故障測(cè)量信號(hào)；并且其中子組裝置包括用于只將那些同被認(rèn)為有故障的測(cè)量信號(hào)不相關(guān)的傳感器用所述關(guān)聯(lián)裝置分成若干組的裝置。
24.權(quán)利要求1的系統(tǒng)，其中處理裝置包括根據(jù)所述第一估計(jì)值信號(hào)的函數(shù)來探測(cè)和隔離故障測(cè)量信號(hào)的裝置；并且其中子組裝置包括用于只將那些同被認(rèn)為有故障的測(cè)量信號(hào)不相關(guān)的傳感器通過所述處理裝置分成若干組的裝置。
25.權(quán)利要求1的系統(tǒng)，其中處理裝置包括用于處理每組傳感器的測(cè)量信號(hào)的裝置以為每一傳感器組確定代表該相應(yīng)組的所有測(cè)量信號(hào)為有效的可能性的第一估計(jì)值信號(hào)。
26.權(quán)利要求1的系統(tǒng)，其中處理裝置包括通過將由它們對(duì)應(yīng)于第一估計(jì)值信號(hào)加權(quán)后的第二估計(jì)值信號(hào)加以組合以確定第三估計(jì)值信號(hào)的裝置。
27.在包括有用于測(cè)量容器內(nèi)的液體參數(shù)的多只傳感器的液體測(cè)量裝置中，每只所述傳感器發(fā)生代表它所測(cè)量的液體參數(shù)的測(cè)量信號(hào)；用于探測(cè)故障測(cè)量信號(hào)的系統(tǒng)包括將所述傳感器分成若干組的裝置，每組包括另一組的一些傳感器；和處理裝置，該裝置用于處理所述每組傳感器的測(cè)量信號(hào)以為每組傳感器確定代表該對(duì)應(yīng)組的至少一個(gè)測(cè)量信號(hào)是故障測(cè)量信號(hào)的可能性的信號(hào)，所述處理裝置用于根據(jù)該可能性信號(hào)的函數(shù)探測(cè)在所述容器中的液量故障測(cè)量信號(hào)。
28.權(quán)利要求27的系統(tǒng)，其中子組裝置包括用于將所有多個(gè)傳感器分成所述若干組之一的裝置。
29.權(quán)利要求27的系統(tǒng)，其中子組裝置包括將傳感器分成多個(gè)組的裝置，每組包括除1只以外的所有多個(gè)傳感器并且在所述組內(nèi)所述缺失的傳感器是與所述多個(gè)傳感器不同的一只傳感器。
30.權(quán)利要求27的系統(tǒng)，其中處理裝置包括根據(jù)狀態(tài)估計(jì)模型利用一種算法對(duì)每組的測(cè)量信號(hào)進(jìn)行處理以確定可能性信號(hào)的裝置。
31.權(quán)利要求30的系統(tǒng)，其中至少有一個(gè)狀態(tài)估計(jì)模型是Kalman過濾器類型的。
32.權(quán)利要求30的系統(tǒng)，其中至少有一種狀態(tài)估計(jì)模型是神經(jīng)網(wǎng)絡(luò)類型的。
33.權(quán)利要求32的系統(tǒng)，其中至少有一個(gè)神經(jīng)網(wǎng)絡(luò)模型是用包括代表無故障和單一故障條件的測(cè)量信號(hào)的訓(xùn)練組訓(xùn)練的。
34.權(quán)利要求27的系統(tǒng)，其中多個(gè)傳感器中的每一只傳感器用于發(fā)生時(shí)間變化測(cè)量信號(hào)，包括提供每一測(cè)量信號(hào)的當(dāng)前和以往測(cè)量樣本的裝置；并且其中的處理裝置包括用于處理每組傳感器的測(cè)量信號(hào)的當(dāng)前和以往測(cè)量樣本的裝置以便為每組傳感器確定代表對(duì)應(yīng)組的測(cè)量信號(hào)的至少1個(gè)信號(hào)是故障測(cè)量信號(hào)的當(dāng)前可能性的信號(hào)。
35.權(quán)利要求34的系統(tǒng)，其中處理裝置包括根據(jù)該當(dāng)前可能性信號(hào)函數(shù)探測(cè)故障測(cè)量信號(hào)裝置。
36.權(quán)利要求34的系統(tǒng)，其中處理裝置包括為每組傳感器發(fā)生時(shí)間平均當(dāng)前可能性信號(hào)的裝置，和根據(jù)所述時(shí)間平均當(dāng)前可能性信號(hào)探測(cè)和隔離故障測(cè)量信號(hào)的裝置。
37.權(quán)利要求36的系統(tǒng)，其中處理裝置包括根據(jù)將所述時(shí)間平均的當(dāng)前可能性信號(hào)同預(yù)定閾值信號(hào)進(jìn)行比較探測(cè)和隔離故障測(cè)量信號(hào)的裝置。
38.權(quán)利要求34的系統(tǒng)，其中處理裝置包括用擴(kuò)展的Kalman過濾器算法處理每組的測(cè)量信號(hào)的當(dāng)前和以往樣本的裝置。
39.權(quán)利要求34的系統(tǒng)，其中處理裝置包括用時(shí)間延遲神經(jīng)網(wǎng)絡(luò)算法處理每組的測(cè)量信號(hào)的當(dāng)前和以往樣本的裝置。
40.權(quán)利要求27的系統(tǒng)，其中子組裝置包括將傳感器分成多組的裝置，每組包括除1只傳感器以外的所有多只傳感器并且在所述每組內(nèi)所缺失的傳感器是與所述多只傳感器不同的一只傳感器；并且處理裝置包括根據(jù)所述可能性信號(hào)的函數(shù)通過探測(cè)不包括故障測(cè)量信號(hào)的一組傳感器以隔離故障測(cè)量信號(hào)的裝置。
41.權(quán)利要求40的系統(tǒng)，其中該隔離裝置包括根據(jù)將所述可能性信號(hào)同預(yù)定閾值信號(hào)進(jìn)行比較以探測(cè)不包括故障測(cè)量信號(hào)的那組傳感器的裝置。
42.權(quán)利要求27的系統(tǒng)，包括連接到多只傳感器的接口裝置，該裝置用于對(duì)傳感器的測(cè)量信號(hào)進(jìn)行預(yù)測(cè)試以便根據(jù)所述測(cè)試找出被認(rèn)為有故障的測(cè)量信號(hào)；和其中的子組裝置包括用于只將那些同被認(rèn)為有故障的測(cè)量信號(hào)不相關(guān)的傳感器用所述傳感器接口裝置分成若干組的裝置。
43.權(quán)利要求27的系統(tǒng)，其中多個(gè)傳感器的每一只傳感器發(fā)生時(shí)間變化信號(hào)。包括提供每一個(gè)測(cè)量信號(hào)的當(dāng)前和以往測(cè)量樣本的關(guān)聯(lián)裝置；和將每測(cè)量信號(hào)的所述當(dāng)前和以往測(cè)量樣本相關(guān)聯(lián)以確定故障測(cè)量信號(hào)的關(guān)聯(lián)裝置；并且其中的子組裝置包括僅將那些不和被認(rèn)為有故障的測(cè)量信號(hào)相關(guān)聯(lián)的傳感器用所述關(guān)聯(lián)裝置分成若干組的裝置。
44.權(quán)利要求27的系統(tǒng)，其中處理裝置包括根據(jù)所述可能性信號(hào)函數(shù)探測(cè)和隔離故障測(cè)量信號(hào)的裝置；以及其中子組裝置包括用于僅將那些同被認(rèn)為有故障的測(cè)量信號(hào)不相關(guān)的傳感器用所述處理裝置分成若干組的裝置。
45.容錯(cuò)液體測(cè)量系統(tǒng)，包括用于測(cè)量容器內(nèi)液體參數(shù)M的只傳感器，每只所述傳感器發(fā)生代表被測(cè)量的液體參數(shù)的測(cè)量信號(hào)；用于將M只傳感器分成M+1子組的裝置；每一子組包括所有M只傳感器，所述其他M子組每組包括除1只以外的所有M只傳感器，在所述其他M子組的每一組內(nèi)所缺失的傳感器是同所述M只傳感器不同的傳感器；以及處理裝置，該裝置根據(jù)狀態(tài)估計(jì)模型用各自相應(yīng)的算法處理所述每傳感器子組的測(cè)量信號(hào)以為傳感器的每一個(gè)子組確定代表相應(yīng)子組的測(cè)量信號(hào)的測(cè)量信號(hào)有效性的可能性的第一估計(jì)值信號(hào)，以及根據(jù)相應(yīng)子組的測(cè)量信號(hào)確定代表所說容器內(nèi)液量的第二估計(jì)值信號(hào)；所述處理裝置用于根據(jù)該第一和第二估計(jì)值信號(hào)的函數(shù)確定在所述容器內(nèi)的液量的第三估計(jì)值信號(hào)。
46.權(quán)利要求45的系統(tǒng)，其中處理裝置的M種算法包括一種多模型估計(jì)計(jì)算結(jié)構(gòu)。
47.權(quán)利要求46的系統(tǒng)，其中多模型結(jié)構(gòu)包括非交互式多模型結(jié)構(gòu)。
48.權(quán)利要求46的系統(tǒng)，其中多模型結(jié)構(gòu)包括普遍化偽-Bayesian多模型結(jié)構(gòu)。
49.權(quán)利要求46的系統(tǒng)，其中多模型結(jié)構(gòu)包括交互式多模型結(jié)構(gòu)。
50.權(quán)利要求45的系統(tǒng)，其中狀態(tài)估計(jì)模型是Kalman過濾器類型的。
51.權(quán)利要求45的系統(tǒng)，其中狀態(tài)估計(jì)模型是神經(jīng)網(wǎng)絡(luò)類型的。
52.權(quán)利要求51的系統(tǒng)，其中神經(jīng)網(wǎng)絡(luò)模型是用包括代表無故障和單一故障條件的測(cè)量信號(hào)的訓(xùn)練組訓(xùn)練的。
53.權(quán)利要求45的系統(tǒng)，其中處理裝置包括根據(jù)由它各自對(duì)應(yīng)的第一估計(jì)值信號(hào)所加權(quán)的第二估計(jì)值信號(hào)的融合確定第三估計(jì)值信號(hào)的裝置。
54.權(quán)利要求45的系統(tǒng)，其中多個(gè)傳感器的每一只傳感器用于發(fā)生時(shí)間變化的測(cè)量信號(hào)；其中處理裝置包括提供每一次測(cè)量信號(hào)的當(dāng)前和以往測(cè)量樣本的裝置，和用于處理每傳感器子組測(cè)量信號(hào)的當(dāng)前和以往測(cè)量樣本的裝置以為傳感器每一個(gè)子組確定代表對(duì)應(yīng)子組的所有測(cè)量信號(hào)是有效的測(cè)量信號(hào)的當(dāng)前可能性的第一估計(jì)值信號(hào)，和根據(jù)相應(yīng)子組測(cè)量信號(hào)的當(dāng)前和以往樣本確定代表在所述容器內(nèi)的當(dāng)前液量的第二估計(jì)值信號(hào)。
55.權(quán)利要求54的系統(tǒng)，其中處理裝置包括用擴(kuò)展的Kalman過濾器算法處理測(cè)量信號(hào)的當(dāng)前和以往樣本的裝置。
56.權(quán)利要求54的系統(tǒng)，其中處理裝置包括用時(shí)間延遲神經(jīng)網(wǎng)絡(luò)算法處理每一子組的測(cè)量信號(hào)的當(dāng)前和以往樣本的裝置。
57.權(quán)利要求45的系統(tǒng)包括根據(jù)第一估計(jì)值信號(hào)和預(yù)定閾值信號(hào)的函數(shù)通過探測(cè)故障測(cè)量信號(hào)和不包括該故障測(cè)量信號(hào)的一傳感器子組隔離故障測(cè)量信號(hào)的裝置。
58.權(quán)利要求45的系統(tǒng)，其中處理裝置包括用于處理每傳感器組的測(cè)量信號(hào)以為每傳感器組確定代表相應(yīng)組的所有測(cè)量信號(hào)為有效的可能性的第一估計(jì)值信號(hào)的裝置。
59.權(quán)利要求45的系統(tǒng)，其中處理裝置包括通過將它們對(duì)應(yīng)的第一估計(jì)值信號(hào)加權(quán)后的第二估計(jì)值信號(hào)加以組合確定第三估計(jì)值信號(hào)的裝置。
全文摘要
公開了一種容錯(cuò)液體測(cè)量系統(tǒng)，它包括用于測(cè)量容器內(nèi)液體參數(shù)的多只傳感器；每只傳感器發(fā)生代表所測(cè)量的液體參數(shù)的測(cè)量信號(hào)。傳感器被分成若干組，每組包括另一組的一些傳感器。每組傳感器的測(cè)量信號(hào)在處理器內(nèi)加以處理以對(duì)每組傳感器確定代表相應(yīng)組測(cè)量信號(hào)的測(cè)量信號(hào)有效性的可能性的第一估計(jì)值信號(hào)，和根據(jù)相應(yīng)組的測(cè)量信號(hào)確定代表容器內(nèi)液量的第二估計(jì)值信號(hào)。該處理器再根據(jù)該第一和第二估計(jì)值信號(hào)的函數(shù)確定液量的第三估計(jì)值信號(hào)。在一種實(shí)施方案中，該系統(tǒng)將數(shù)據(jù)為M只的傳感器分成M+1子組，1個(gè)子組包括所有M只傳感器，而所述其他M子組每組包括除1只以外的所有M只傳感器，而所述其他M子組的每組內(nèi)所缺失的傳感器是同所述M只傳感器不同的傳感器，根據(jù)狀態(tài)模型用各自對(duì)應(yīng)的算法對(duì)每一傳感器子組的測(cè)量信號(hào)加以處理以對(duì)每傳感器子組確定第一和第二估計(jì)值信號(hào)。在另一種實(shí)施方案中，本系統(tǒng)探測(cè)故障測(cè)量信號(hào)，它是通過對(duì)每組傳感器測(cè)量信號(hào)的處理以對(duì)每組傳感器確定代表相應(yīng)組的至少1個(gè)測(cè)量信號(hào)是故障測(cè)量信號(hào)的可能性信號(hào)，然后根據(jù)該可能性信號(hào)的函數(shù)確定該故障測(cè)量信號(hào)。
文檔編號(hào)G01F23/00GK1471627SQ01818137
公開日2004年1月28日 申請(qǐng)日期2001年10月16日 優(yōu)先權(quán)日2000年10月26日
發(fā)明者B·埃德, R·R·扎克熱夫斯基, M·G·沃克, B 埃德, 扎克熱夫斯基, 沃克 申請(qǐng)人:西蒙茲精密產(chǎn)品公司