一种连续变化型被测量传感器分辨力的检测方法和设备与流程

1.本技术涉及传感器领域，更具体地，涉及一种连续变化型被测量传感器分辨力的检测方法和设备。


背景技术：

2.分辨力(resolution)早期也称分辨率，在《iso guide 99-2007-国际计量学词汇基本和通用概念及相关术语》中的定义是“被测量的最小变化，引起相应测量值的明显变化。”在中华人民共和国国家计量技术规范《jjf1001-2011-通用计量术语及定义》中的定义是：“引起相应示值产生可觉察到变化的被测量的最小变化。”在中华人民共和国国家标准《传感器通用术语gb/t7665-2005》中，表述传感器的分辨力(率)的定义是“传感器在规定测量范围内可能检测出的被测量的最小变化量。”3.分辨力是各种传感器基础性的计量性能，是保证测量系统灵敏度和准确度的前提。但很多种传感器缺少分辨力的检定方法；有分辨力检定规程的，需要在实验室内使用更高分辨力的标准器仪器、能控制被测量微小变化的精密设备，检定工作需要严格的工作条件(可参见jjg 703-2003《光电测距仪》等规程)，所以这类检测方法具有较高的经济成本和时间成本；还有一些传感器无处检测。在传感器分辨力的检定中，一般测量取样数量较少，检定结果的不确定度通常是按b类方法评定(参见中华人民共和国国家计量技术规范,jjf1059.1-2012规程测量不确定度评定与表示)。线纹尺、衡器之类的测具，其分辨力是通过分度值(又称标尺间隔)来表征的。有一部分衡器类测量仪器的检定规程给出了相应分度值的检定方法，一般是逐次增加1/10目标分辨力规格的标准砝码，直到衡器显示砝码质量的变化，如果增加到10个砝码时衡器的示值增加了1个计量单位，则该衡器的分度值检定为合格。这种情况也普遍存在于其他国家的传感器分辨力检测工作中。与传感器分辨力检测相关的专利的发明方向和科学研究的目标多是发明一种测量准确度更高的分辨力检定仪器，例如《光电测距仪的分辨力校准装置201720576026.x》和《ebcmos分辨力参数的测量装置cn202011544510.7》，以及solecki michal 等人的《一种新的自动质量比较器》，后者的分辨率为10纳克，用于校准2 毫克以下的质量。刘俊杰等人研究了液体颗粒计数器分辨力的检定方法，分析了国内外4个检定标准，提出了改进液体颗粒计数器检定规程中分辨力检定方法的思路，但是被测量测量示值的取得，依然是需要为被检定仪器精心制备10μm的单分散粒度标准物质的液体。总之，多数传感器分辨力的检测，是在实验室条件下控制被测量按指定的分辨力值变化以引起被检定仪器测量示值的变化，检定的结果多为小数据样本的期望值，检定结果的不确定度多按b类方法评定。
4.因此，如何改进传感器分辨力的检测方法，降低检测作业的门槛和成本，提高检测的效率、方便性、通用性是目前有待解决的技术问题。


技术实现要素：

5.本发明提供一种连续变化型被测量传感器分辨力的检测方法，用以解决现有技术
中连续变化型被测量传感器分辨力的检测作业门槛高、成本高，检测效率低、方便性和通用性差的问题。
6.该方法包括：
7.获取所述传感器采集的监测数据，并基于所述监测数据获取原始数据样本，所述原始数据样本具体包括一个初始监测数据及多个后续持续监测得到的数据；
8.基于所述原始数据样本构建步进值时间数列及测量模型；
9.基于所述步进值时间数列确定分类值，并基于所述分类值生成分类值数列、分类值频次数列；
10.基于所述分类值数列及所述分类值频次数列判断是否需要追加监测数据；
11.若否，则基于所述分类值数列计算所述传感器的分辨力。
12.在本技术一些实施例中，所述步进值时间数列具体为：
13.δy＝δy1，δy2，...,δyi，...,δyn；
14.其中，δyi为第i个步进值，且δyi＝|y
i-y
i-1
|，yi是原始数据y中第i个被测量的示值，y
i-1
是原始数据中第i-1个的被测量的示值，|y
i-y
i-1
|是计算yi减去y
i-1
的差的绝对值，n为步进值时间数列δy的数据总个数，且步进值时间数列δy的数据总个数比原始数据数列的数据总个数少1。
15.在本技术一些实施例中，所述测量模型具体为：
16.δy＝re
·
x+ζ；
17.其中，δy为所述步进值，re为传感器的分辨力，x为自变量且是自然数，ζ是随机误差项。
18.在本技术一些实施例中，基于所述步进值时间数列确定分类值，并基于所述分类值生成分类值数列及频次数列，具体为：
19.遍历所述步进值时间数列，将各不相同的步进值作为分类值，并按照从小到大的顺序将所述分类值依次排列为所述分类值序列；
20.遍历所述分类值数列，统计所述分类值数列中各所述步进值出现的次数，并将所述出现的次数作为各分类值的频次，并基于所述各分类值的频次生成所述分类值频次数列。
21.步进值时间数列在本技术一些实施例中，基于所述分类值数列及所述分类值频次数列判断是否需要追加监测数据，具体为：
22.在所述分类值频次数列中获取0分类值的频次，所述0分类值为数值为 0的分类值；
23.当所述0分类值的频次占步进值总个数的百分比小于第一预设百分数或所述0分类值的频次占步进值总个数的百分比大于第二预设百分数或所述分类值总个数小于第一预设值时，需要追加补充新数据或更换新的数据样本；
24.若所述0分类值的频次占步进值总个数的百分比大于等于所述第一预设百分数且所述0分类值的频次占步进值总个数的百分比小于等于第二预设百分数且所述分类值总个数大于等于第一预设值时，则不需要追加补充新数据或更换新的数据样本，可以继续计算。
25.在本技术一些实施例中，基于所述分类值数列计算所述传感器的分辨力，具体为：
26.基于所述分类值数列及所述分类值频次数列计算除所述0分类值以外的各分类值
的倍数频次和；
27.基于所述分类值的倍数频次和，组建具有多项式分布特征的类分辨力状态数列及类分辨力状态次数序列；
28.基于所述类分辨力状态序列和所述类分辨力状态次数序列，计算类分辨力状态概率序列，估计所述类分辨力总体状态比例估计值序列；
29.基于所述类分辨力状态序列和类分辨力总体状态比例估计值序列，获取总体状态比例最大的类分辨力状态和总体状态比例次大的类分辨力状态，并初步判定总体状态比例最大的类分辨力状态的值是所述传感器分辨力re的点估计值；对于总体状态比例最大类分辨力状态与次大类分辨力状态在次数上的差异进行假设检验；
30.基于总体状态比例最大类分辨力状态的次数和总体状态比例次大类分辨力状态的次数，并通过卡方假设检验方法计算卡方值；
31.基于所述卡方值，给定小风险概率标准、查询卡方临界值表获取临界值，比较所述卡方值和所述临界值；
32.若所述卡方值小于或等于所述临界值则判断差异不显著，并追加新数据后重新计算；
33.若所述卡方值大于所述临界值则判断差异显著，并最终确定总体状态比例最大的类分辨力状态的值即所述传感器的分辨力re的点估计值。
34.在本技术一些实施例中，在基于所述分类值数列辨识出所述传感器的分辨力之后，还包括计算重复性引入的不确定度，具体为：
35.基于所述分类值及所述分辨力计算除0分类值以外的各个分类值对于所述分辨力的整倍数；
36.用各个所述分类值除以对应的整倍数所得到的商作为各个分类值对应的分辨力样本测量值，生成由各个分辨力样本测量值组成的分辨力样本测量值数列；基于所述分辨力样本测量值数列、所述分类值频次数列和所述传感器分辨力，参照贝塞尔公式，以所述分类值频次作为对应分辨力样本测量值的权重，计算得到所述传感器分辨力的样本标准差；
37.基于所述样本标准差并以所述步进值总个数与所述0分类值个数之差作为自由度计算出该原始数据样本关于分辨力的重复性引入的不确定度。
38.在本技术一些实施例中，所述方法还包括：
39.若是，则继续获取所述传感器采集的监测数据，并基于所述监测数据获取新的原始数据样本。
40.相应的，本发明还提出了一种连续变化型被测量的传感器分辨力的检测设备，所述设备包括：
41.获取模块，用于获取所述传感器采集的监测数据，并基于所述监测数据获取原始数据样本，所述原始数据样本具体包括一个初始监测数据及多个后续持续监测得到的数据；
42.构建模块，用于基于所述原始数据样本构建步进值时间数列及测量模型；
43.生成模块，用于基于所述步进值时间数列确定分类值，并基于所述分类值生成分类值数列、分类值频次数列；
44.判断模块，用于基于所述分类值数列及所述分类值频次数列判断是否需要追加监
测数据；
45.确定模块，用于若否，则基于所述分类值数列计算所述传感器的分辨力。
46.通过应用以上技术方案，获取所述传感器采集的监测数据，并基于所述监测数据获取原始数据样本，所述原始数据样本具体包括一个初始监测数据及多个后续持续监测得到的数据；基于所述原始数据样本构建步进值时间数列及测量模型；基于所述步进值时间数列确定分类值，并基于所述分类值生成分类值数列、分类值频次数列；基于所述分类值数列及所述分类值频次数列判断是否需要追加监测数据；若否，则基于所述分类值数列辨识所述传感器的分辨力。从而降低连续变化型被测量的传感器分辨力检测作业的门槛和成本，提高检测的效率和方便性、通用性。
附图说明
47.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的一些实施例，对于本领域技术人员来讲，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。
48.图1示出了本发明实施例提出的一种连续变化型被测量的传感器分辨力的检测方法的流程示意图；
49.图2示出了本发明实施例提出的一种步进值时间数列及测量模型建立过程的流程示意图；
50.图3示出了本发明实施例中提出的一种分类值数列、分类值频次数列生成方法的流程示意图；
51.图4示出了本发明实施例中提出的一种判断是否需要追加监测数据的流程示意图；
52.图5示出了本发明实施例中提出的一种辨识传感器的分辨力的流程示意图；
53.图6示出了本发明实施例中提出的一种统计分类值倍数频次的流程示意图；
54.图7示出了本发明实施例中提出的一种检验初定的传感器分辨力次数是否显著大于其它类分辨力状态次数的流程示意图；
55.图8示出了本发明实施例中提出的一种重复性引入的不确定度确定过程的流程示意图；
56.图9示出了本发明实施例提出的一种连续变化型被测量传感器分辨力的检测设备的结构示意图。
具体实施方式
57.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
58.本技术实施例提供一种连续变化型被测量传感器分辨力的检测方法，如图1所示，包括以下步骤：
59.步骤s1，获取所述传感器采集的监测数据，并基于所述监测数据获取原始数据样本，所述原始数据样本具体包括一个初始监测数据及多个后续持续监测得到的数据。
60.本实施例中，检测用的原始数据样本采集自连续变化型被测量传感器运行时对于被测量的监测数据，测量系统的传感器的运行可以是在实验室条件下，也可以是在生产现场环境条件下，原始数据样本可以是实时采集的也可以是历史留存的；
61.关于连续变化型被测量传感器，再做举例说明:
62.连续变化型被测量指传感器测量的对象是随着时间发生连续变化的。例如日光温室内的空气温度，随着昼夜循环、季节更替、生产调控，每时每刻都在发生变化，或上升或下降，或剧烈或平缓。传感器在测量、记录这种变化时，就会将分辨力展现出来。有的被测量则不具备连续变化的特征，可称为离散变化型，例如高速公路卡口进出货车的载重量，每次货车出现的时间是不连续的，前后两量货车的载重量是不相关、不连续的，在这种使用场景下，货车的载重量称重系统传感器的检测数据，就不适合用于本方法。
63.原始数据样本y由1个初始监测数据及后续持续监测得到的n个数据组成，对于采样的时间间隔不做要求但必须严格按产生时间的先后顺序排列，时间晚的数据排列在后面，原始数据样本的总个数为n+1个，一个待检测的样本的数据量越大越好，数据总个数一般宜》＝50个，如果确知原始数据样本受到的随机因素影响较小，也可以采集较少的数据。需要说明的是数据总个数的不同并不影响本技术的保护范围，本领域技术人员可以根据实际情况确定待检测样本的总数据个数。
64.步骤s2，基于所述原始数据样本构建步进值时间数列及测量模型。
65.为了确定所述步进值时间数列，在本技术一些实施例中，所述步进值时间数列具体为：
66.δy＝δy1，δy2，...,δyi，...,δyn；
67.其中，δyi为第i个步进值，且δyi＝|y
i-y
i-1
|，i＝1,2，...，n，yi是原始数据样本y中第i个被测量的示值，y
i-1
是原始数据样本中第i-1个的被测量的示值，|y
i-y
i-1
|是计算yi减去y
i-1
的差的绝对值，n为步进值时间数列δy的数据总个数，且步进值时间数列δy的数据总个数比原始数据样本数列的数据总个数少1。
68.为了确定所述测量模型，在本技术一些实施例中，所述测量模型具体为：
69.δy＝re
·
x+ζ；
70.其中，δy为所述步进值，re为传感器的分辨力，x为自变量且是自然数，ζ是随机误差项。
71.为了说明基于所述原始数据样本构建步进值时间数列及测量模型的过程，本技术通过具体实施例进一步说明，如图2所示，基于所述原始数据样本构建步进值时间数列及测量模型的过程具体为：
72.一个测量系统的一个传感器，可以测量一个被测量，通过按时间顺序和指定的时间间隔采集到该被测量在一段时间内变化的一系列测量数据y，称为该测量系统该传感器测量示值的一个时间序列，y是计量所述传感器分辨力的一个原始数据样本：
73.y＝y0，y1，y2，...,yi,...,yn(f01)
74.在(f01)式中：y包含n+1个有序的示值数据yi，yi是y的第i个数据，也是y在ti时间点的数据。
75.s21：构造步进值时间数列
76.将步进值的时间数列表示为δy：
77.δy＝δy1,δy2，...,δyi，...,δyn(f02)
78.在(f02)式中，δyi是δy的第i个步进值；
79.δyi＝|y
i-y
i-1
|i＝1,2，...，n(f03)
80.δti＝t
i-t
i-1
i＝1,2，...，n(f04)
81.在(f03)式中，δyi为第i个步进值，yi是原始数据样本y中第i个被测量的示值，y
i-1
是原始数据样本中第i-1个的被测量的示值，|y
i-y
i-1
|是计算yi减去y
i-1
的差的绝对值，n为步进值时间数列δy的数据总个数，比原始数据样本数列的数据总个数少1。
82.δyi和δti都是正的，y通常是按等时间间隔δt采样得到的，但受测量系统工作现场的电力、通信、人为等因素的影响，y的数据可能有缺失，难以保证任意δti都相等，尽管i的间隔都是相等的；y中还可能有少量异常数据，但这些都不会影响本方法的应用。
83.s22：建立测量模型
84.为步进值的时间数列δy建立测量模型：
85.δy＝re
·
x+ζ(f05)
86.在(f05)式中，δy是步进值是因变量，re是所述传感器的分辨力是回归系数，x为自变量且是自然数，ζ是随机误差项。该模型显示在步进值δy中包含有整数个分辨力re，以下的计算步骤将依据该测量模型描述的各个变量及其关系进行。
87.步骤s3，基于所述步进值时间数列确定分类值，并基于所述分类值生成分类值数列、分类值频次数列。
88.为了准确获得分类值数列及频次数列，在本技术一些实施例中，基于所述步进值时间数列确定分类值，并基于所述分类值生成分类值数列及频次数列，具体为：
89.遍历所述步进值时间数列，将各不相同的步进值作为分类值，并按照从小到大的顺序将所述分类值依次排列为所述分类值数列；
90.遍历所述分类值数列，统计所述分类值数列中各个所述步进值出现的次数，并将所述出现的次数作为各分类值的频次，并基于所述各分类值的频次生成所述分类值频次数列。
91.步进值时间数列如图3所示，生成分类值数列、分类值频次数列分为2个子步骤：
92.s31:生成分类值数列：对于步进值时间据列δy，提取出全部不同的步进值，保证没有遗漏和重复，这些提取出来的步进值称为分类值，将分类值按由小到大的升序排列成一个数列，命名为分类值数列：
93.dy＝dy0，dy1，...，dyi，...,dym(f06)
94.在(f06)式中，i为分类值的序号，dyi《dy
i+1
，m+1为分类值的个数，在分类值数列dy中数值为0的分类值称0分类值，所述0分类值以外的其余分类值统称非0分类值。
95.s32:生成分类值频次数列，对于步进值时间数列δy，分别统计与分类值数列dy对应的由各个dyi出现的频次组成的分类值频次数列,具体方法是：对于每一个分类值，遍历步进值时间数列δy，统计出与该分类值同值的步进值的个数，记为该分类值的频次，统计出所有分类值的频次后按对应的分类值的顺序排列可生成一个分类值频次数列：
96.f＝f0，f2，...,fi，...,fm(f07)
97.在(f07)式中，fi为分类值数列中第i个分类值dyi在步进值时间数列中重复出现的频次,i为分类值频次的序号，与分类值的序号严格地一一对应。
98.步进值时间数列步骤s4，基于所述分类值数列及所述分类值频次数列判断是否需要追加监测数据。
99.为了准确判断是否需要追加监测数据，在本技术一些实施例中，基于所述分类值数列及所述分类值频次数列判断是否需要追加监测数据，具体为：
100.在所述分类值频次数列中获取所述0分类值的频次，所述0分类值为数值为0的分类值；
101.当所述0分类值的频次占步进值的总个数的百分比小于第一预设百分数或所述0分类值的频次占步进值的总个数的百分比大于第二预设百分数或所述分类值的总个数m小于第一预设值时，需要追加补充新数据或更换新的数据样本；
102.若所述0分类值的频次占步进值的总个数的百分比大于等于所述第一预设百分数且所述0分类值的频次占步进值的总个数的百分比小于等于第二预设百分数且所述分类值的总个数大于等于第一预设值时，则不需要追加补充新数据或更换新的数据样本。
103.如图4所示，原始数据样本是从测量系统的传感器运行中取得的，被测量的变化没有经过精心的设计而是一段时间内的自然变化的情况，所以原始数据样本的数据量较小时可能被测量的变化不够充分不能充分展现真实的分辨力，本步骤利用分类值频次等信息做出判断，以便及时补充数据，增加原始数据样本容量，增加所述传感器分辨力在样本中显露的机会。
104.在分类值数列中,获取所述0分类值，提取其序号令其为z，在分类值频次数列中，获取序号为z的分类值频次fz，计算fz与步进值总个数n的百分比：pz＝fz/n﹒100；
105.例如设定第一预设百分数为5％、第二预设百分数为95％、第一预设值为3，检查pz，如果pz《5％或者pz》95％，判断为应追加补充新数据或更换新的数据样本，转到步骤s1；
106.如果所述分类值总个数m《3，则判为应追加补充新数据或更换新的数据样本，转到步骤s1；
107.如果pz≥5％且pz≤95％，且m≥3，则判断数据可用。
108.如图4所示，为了向用户提示需要追加数据的原因，可按子步骤进行：
109.s41:检查0分类值的比例是否太大。
110.分析分类值数列及分类值频次数列，取得所述0分类值的频次fz，计算 pz＝fz/n﹒100，判断：
111.如果pz》95％,则转s42,如果pz≤95％,则转s43。
112.s42:提出警示：“数据没有反映被测量的明显变化，需补充数据。”，转回到步骤s1，继续采集追加数据。
113.s43:检查0分类值的比例是否太小。
114.如果pz《5％,则转s44,如果pz≥5％,则转s45。
115.s44:提出警示：“缺少被测量0变化，需补充数据。”116.转回到步骤s1，继续采集追加数据。
117.s45:检查分类值个数。
118.提取所述分类值总个数，如果所述分类值总个数《3，则该时间段被测量变化幅度
太小，所述传感器分辨力re可能无法显露，需要提出警示：“被测量变化幅度较小，需补充数据。”然后回到步骤s1，继续采集追加数据。
119.如果所述分类值总个数≥3,则继续接续步骤s5。
120.步骤s5，若否，则基于所述分类值数列计算所述传感器的分辨力。
121.需要说明：pz＝100％或所述分类值总个数＝1的数据样本肯定是不可用的， 95％、5％、3的设定值是可以调整的。
122.为了准确计算所述传感器的分辨力，在本技术的一些实施例中，基于所述分类值数列计算所述传感器的分辨力，具体为：
123.基于所述分类值数列及所述分类值频次数列计算除所述0分类值以外的各分类值的倍数频次和；
124.基于所述分类值的倍数频次和，组建具有多项式分布特征的类分辨力状态数列及类分辨力状态次数序列；
125.基于所述类分辨力状态序列和所述类分辨力状态次数序列，计算类分辨力状态概率序列，估计所述类分辨力总体状态比例估计值序列；
126.基于所述类分辨力状态序列和类分辨力总体状态比例估计值序列，获取总体状态比例最大的类分辨力状态和总体状态比例次大的类分辨力状态，并初步判定总体状态比例最大的类分辨力状态的值是所述传感器分辨力re的点估计值；
127.对于总体状态比例最大类分辨力状态与次大类分辨力状态在次数上的差异进行假设检验；
128.基于总体状态比例最大类分辨力状态的次数和总体状态比例次大类分辨力状态的次数，并通过卡方假设检验方法计算卡方值；
129.基于所述卡方值，给定小风险概率标准、查询卡方临界值表获取临界值，比较所述卡方值和所述临界值；
130.若所述卡方值小于或等于所述临界值则判断差异不显著，并追加新数据后重新计算；
131.若所述卡方值大于所述临界值则判断差异显著，并最终确定总体状态比例最大的类分辨力状态的值即所述传感器的分辨力re的点估计值。
132.原始数据样本y只是传感器在一段监测运行时间内输出的一个样本而非所述传感器数据的总体，本发明是用一个样本的数据去估计所述传感器总体的分辨力的真值。传感器受到随机因素的影响输出的原始数据样本会有随机误差，这些误差会传递到步进值时间数列、分类值数列中，致使一部分分辨力re受到随机因素影响后变成了一些伪分辨力re。这些伪分辨力re或比分辨力re大或比分辨力re小，有的形式上更符合分辨力是最小步进值的特征，这些re在分辨力re多个倍数的dy中有频次分布，我们将未辨识出的分辨力re和这些伪分辨力放到一起合称类分辨力。如下表1是基于(f05)式测量模型的分辨力re及伪分辨力re共存的各种情况：
[0133][0134]
表1
[0135]
从表1可以看出re、n、ζ不同取值影响到δy/类分辨力的余数，可看到 5种类型：(1)自变量n为0时，步进值δy及re、ζ的取值均为0；自变量 n》0时：(2)当ζ的取值为0时，δy能re被整除；(3)当ζ的取值为ζ1类时，会出现δy不能被re整除的情况；(4)当ζ的取值为ζ2类时，会出现δy被某些类分辨力rej整除的情况；(5)当ζ的取值为ζ3类时，则会出现δy不能被任何类分辨力rej整除的情况。由于所述传感器分辨力的真值是传感器的内在属性，因此第(2)种情况出现的概率较大；而受随机因素影响出现的第(4) 情况中的各种类分辨力rej出现的概率较小，这是符合中心极限定理和期望值的众数特征的，是本方案辨识分辨力re的重要依据，并已在多个传感器的数据样本检测中得到证明。如图5所示，计算所述传感器分辨力的具体方法包括下列子步骤：
[0136]
s51:计算分类值的倍数频次和。
[0137]
基于所述分类值数列及所述分类值频次数列计算除所述0分类值以外的各分类值的倍数频次和；
[0138]
如图5所示，计算分类值的倍数频次和的具体步骤如下：
[0139]
s511:从第1个非0分类值开始，直到最大的分类值，逐一将各个基于所述分类值数列，分类值作为被除数dyi；
[0140]
s512:基于所述分类值数列，从第1个非0分类值开始，直到最大的分类值，逐一将各个分类值作为除数dyj；
[0141]
s513:基于所述被除数dyi和除数dyj，求dyi/dyj的余数rem
i,j
,如果dyi没有被标记过“已用”而且余数rem
i,j
＝0，则给dyj的倍数频次和ftj加上dyi的频次fi，并将dyi标记为“已用”，对于该除数dyj遍历全部被除数dyi，可得到该dyj的倍数频次和ftj，如果该除数作为被除数时被标记过“已用”则该除数不参加计算；
[0142]
s514:基于所述分类值数列，遍历所有的除数dyj完成倍数频次和的计算，如果该除数已经作为被除数dyi被整除即被标记为“已用”则该除数dyj不参加计算，最后可得到所有除数dyj的倍数频次和；
[0143]
s52:组建类分辨力状态序列及其次数序列。
[0144]
基于上述计算，将倍数频次和大于1的所述除数dyj命名为类分辨力状态rek，将对应的倍数频次和命名为该类分辨力状态rek的次数timesk，即在所述步进值时间数列中出现的次数，命名统计到的类分辨力状态个数为q，就得到了可能包含所述传感器分辨力状态在
内的1～q个状态；为了满足极大似然估计的需要，再将所述0分类值命名为类分辨力状态re0，其次数times0等于其频次f0；最后将频次和等于1的各个除数合并为1种名义的类分辨力状态——不能被整除状态记作re
q+1
，re
q+1
对应的次数是re
q+1
的个数记作times
q+1
，这样所有分类值的频次都变为了某个状态的次数，没有遗漏也没有重复，从而组成了一个完整的多项式分布的状态序列——类分辨力状态序列：
[0145]
re＝re0，re1，re2，...，rek，...，req，re
q+1
(f08)
[0146]
以及相应的类分辨力状态次数序列：
[0147]
times＝times0，times1，...，timesk，...，timesq，times
q+1
(f09)
[0148]
在(f09)式中，
[0149]
各个次数timesk之和等于步进值总个数n、分类值的总频次。
[0150]
s53:计算类分辨力状态概率序列。
[0151]
基于类分辨力状态次数序列，将各个次数timesk除以所述步进值的总个数n后便得到相应的类分辨力状态概率数列：
[0152]
p＝p0，p1，...，pk，...，pq，p
q+1
(f10)
[0153]
需要说明的是，本方案没有严格划分所述不能被整除状态，可能导致一部分不能被任何其它分类值整除的分类值被化为了类分辨力状态的范围,这样做的好处是类分辨力状态的个数宁多不少、传感器分辨力状态不会被遗漏，既降低了划分类分辨力状态的难度又扩大了传感器分辨力的辨识范围。
[0154]
s54:计算传感器分辨力的估计值。
[0155]
基于类分辨力状态序列及类分辨力状态概率序列，在(f10)式中，各个状态的概率pk之和＝1，满足多项式分布的关键特征，按照极大似然估计的原理，所述原始数据样本中各个状态rek的概率pk是总体中各个状态比例的极大似然估计；因此可以从样本的pk中获取概率值最大即总体比例最大的类分辨力状态，将该状态记为re
p-max
，本发明根据传感器的分辨力的众数特征将re
p-max
作为所述传感器的分辨力re的唯一入选者，记作准分辨力状态re
quasi
：
[0156]
re
quasi
＝re
p-max
(f11)
[0157]
顺便还可以获取总体比例状态仅次于re
p-max
的次大的类分辨力状态，记作re
p-second
。
[0158]
s55:检验re
quasi
与re
p-second
的差异。
[0159]
所述准分辨力状态re
quasi
的总体比例是通过样本概率估计的，是否能显著地大于其它类分辨力状态rej的比例，还需要做差异显著性检验，考虑到re0、re
q+1
都不是真正的类分辨力状态，不需要参加检验，又考虑在re1～req中概率次大的类分辨力re
p-second
能代表其他类分辨力状态，因此检测re
quasi
与re
p-second
的差异显著性即可；
[0160]
对于具体的原始数据样本而言，样本概率与总体比例的值是相同的，而各个状态的比例差异与次数的差异是等价的，所以本方案从类分辨力次数序列中分别提取re
quasi
和re
p-second
的次数用来代替总体比例和样本概率做差异检验，具体是采用卡方假设检验方法，如果q＝1可取次大的分辨力re
p-second
的次数为0。如图7所示，本发明以某空气二氧化碳浓度传感器的数据样本为例说明具体步骤：
[0161]
s551提出假设
[0162]
h0：零假设：准分辨力状态re
quasi
的次数与re
p-second
的次数之间没有显著差异，即符合1:1的理论比例；
[0163]
ha：备选假设：准分辨力状态re
quasi
的次数显著大于re
p-second
的次数，即不符合1:1的理论比例。
[0164]
s552计算理论次数
[0165]
检测值：状态re
quasi
(＝1.831cm3﹒m-3
)的次数a1＝16504次，状态re
p-second
(＝20.142cm3﹒m-3
)的次数a2＝520次，两个状态的次数之和＝16504次；
[0166]
理论值：按理论比例1:1求理论次数：re
quasi
的理论次数＝t1＝16504﹒1/2＝8372次；re
p-second
的理论次数＝t2＝16504﹒1/2＝8372次；
[0167]
列出联列表，见表2：
[0168]
i检测值ai理论值t
iai-ti1162248372785225208372-7852合计16744167440
[0169]
表2
[0170]
s553:计算卡方值x
c2
[0171]
x
c2
＝(|a
1-t1|-0.5)2/t1+(|a
2-t2|-0.5)2/t2＝(|16504-8372|-0.5)2/8372+(|520-8372|-0.5)2/8372＝7363.36028+7363.36028＝14726.7。
[0172]
s554:查卡方x
c2
临界值表，做出推断：
[0173]
已知参加检验的状态数k＝2，所以查表的自由度df＝k-1＝1，小风险概率标准本例取α＝0.005，查卡方x
c2
临界值表可知临界值x
0.0052
＝7.88；
[0174]
做出推断：因为计算出的x
c2
＝14726.7》》7.88＝x
0.0052
，所以可以推翻h0的假设、认可备选假设ha，即在总体中状态re
quasi
(1.831)的比例远远大于次分辨力状态re
p-second
的比例；
[0175]
如果能推翻h0差异不显著的假设，则可以认为准分辨力re
quasi
就是分辨力re。如果不能推翻h0差异不显著的假设，还需要为该样本增加监测数据重新计算；
[0176]
进一步说明三点：一是所述类分辨力状态的次数等于该类分辨力状态概率与样本数据总个数n的乘积，当数据个数大于5时比较概率同比较次数是等效的，所以用次数代替概率进行差异显著性假设检验是等价的和可行的；二是在本技术方案中任何原始数据样本参加卡方检验的状态都只是2个，所以所述查表的自由度df总是＝1；三是所述小风险概率标准一般还可以取0.01、0.05、0.1等不同的值，数值越小检验标准越高、可信度也越高，可以依据实际需要确定。
[0177]
基于所述检验re
quasi
的差异显著性的结果，如显著，即可最终辨识出所述传感器分辨力re的点估计值：
[0178]
re＝re
quasi
(f12)
[0179]
上述方法在无随机因素影响的原始数据样本中使用，也是完全有效的。
[0180]
为了保证所述分辨力的准确，在本技术的一些实施例中，在基于所述分类值数列辨识出所述传感器的分辨力之后，还包括计算重复性引入的不确定度，具体为：
[0181]
基于所述分类值数列和所述传感器的分辨力，计算确定所述非0分类值对于所述
传感器的分辨力的整倍数，并根据所述非0分类值对应的整倍数和分类值在分类值数列中的顺序生成整倍数序列；
[0182]
基于各个所述非0分类值和整倍数数列，生成分辨力样本测量值数列；
[0183]
基于所述分辨力样本测量值数列和所述传感器的分辨力计算样本标准差；
[0184]
根据所述样本标准差评定分辨力测量的重复性引入的不确定度。
[0185]
按照传感器分辨力一般检定标准的要求，需要在辨识出分辨力点估计re的基础上，评定分辨力re的不确定度。
[0186]
如图8所示，本发明给出了分辨力测量重复性引入不确定度的a类评定方法：
[0187]
s61:确定分类值的整倍数序列。
[0188]
从分类值数列中的非0分类值dy1开始，用分类值dyi除以分辨力re，取所得商的整数部分为整倍数，命名为整倍数xi，即所述测量模型中的自变量，计算到最大的分类值dyn后得到了分类值的整倍数序列:
[0189]
x＝x1，x2，...,xi，...,xn(f13)
[0190]
s62:生成分辨力样本测量值数列。
[0191]
用各个所述分类值除以对应的整倍数所得到的商作为各个分类值对应的分辨力样本测量值:
[0192]
rei＝dyi/xii＝1,2,
…
,n(f14)
[0193]
生成由各个分辨力样本测量值组成分辨力样本测量值数列:
[0194]
re＝re1,re2,
…
,rei,
…
,remf(15)
[0195]
s63:计算样本标准差。
[0196]
基于所述分辨力样本测量值数列和所述分类值频次数列、所述传感器分辨力re，仿照贝塞尔公式按下式(f16)计算样本标准差s：
[0197][0198]
在(f16)式中，s为所述样本标准差，∑为求和符号，fi为与rei对应的分类值的频次，f0为所述0分类值的频次，n为步进值的数据总个数，n-f
0-1是样本标准差的自由度。
[0199]
s65:计算分辨力样本测量重复性引入的不确定度。
[0200]
基于所述样本标准差s计算分辨力样本测量重复性引入的不确定度：
[0201][0202]
在式(f17)中，u(re)是所述传感器分辨力re的重复性引入的不确定度，s是样本标准差。
[0203]
在传感器分辨力的检定中，可能还需要根据被检定的测量系统传感器的具体特征、影响分辨力检定的因素，确定除重复性以外的其它的评定，可按b类标准评定其不确定度，这里不须具体描述。
[0204]
通过应用以上技术方案，与现有技术相比，本发明的优点在于：
[0205]
1.不需要更高分辨力的标准器等检测设备和实验室级别严格可控的被测量变化条件，降低了检测作业的门槛和成本，实现了对于在线的传感器随时随地的检测。
[0206]
2.使用待测传感器日常运行时的监测数据，而且利用了n倍于分辨力的数据，对于
原始数据样本的质量没有严格要求，可以在任何时刻开始积累数据，先后数据之间的时间间隔可以相同或不同，可以是在线的实时数据，也可以是离线的历史数据，可以序贯地追加新数据，容易得到大样本量的数据源。
[0207]
3.基于极大似然估计的基本原理计算分辨力状态的概率进而获取概率最大的分辨力估计值，减少了用样本平均值作为分辨力点估计带来的误差，本方案辨识得到的分辨力更接近于总体的真值。
[0208]
4.通用性强，本方法不只针对某种传感器，已经在空气温度、空气相对湿度、空气二氧化碳浓度、土壤温度、土壤水分、阳光照度、阳光总辐射、雨量、水体温度、炉膛温度等具有连续变化特征的多种被测量的传感器中应用，检测结果准确，表明本方法可以广泛服务于传感器分辨力的设计、生产、检定、校准、维修等领域，在国内外应用前景广阔。
[0209]
为了进一步阐述本发明的技术思想，现结合具体的应用场景，对本发明的技术方案进行说明。
[0210]
本技术实施例还提出了一种连续变化型被测量传感器分辨力的检测的设备，如图9所示，所述设备包括：
[0211]
获取模块701，用于获取所述传感器采集的监测数据，并基于所述监测数据获取原始数据样本，所述原始数据样本具体包括一个初始监测数据及多个后续持续监测得到的数据；
[0212]
构建模块702，用于基于所述原始数据样本构建步进值时间数列及测量模型；
[0213]
生成模块703，用于基于所述步进值时间数列确定分类值，并基于所述分类值生成分类值数列、分类值频次数列；
[0214]
判断模块704，用于基于所述分类值数列及所述分类值频次数列判断是否需要追加监测数据；
[0215]
确定模块705，用于若否，则基于所述分类值数列计算所述传感器的分辨力。
[0216]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。