用于确定传感器状况的系统的制作方法

本公开涉及监测系统，并且更具体地涉及一种用于仅基于传感器所生成的信号来判定传感器是否正常运行的系统。

背景技术：

传感器可以用于各种应用中以提供用于控制过程的反馈。例如，体积监测可以用于确定容器中的材料的体积以便在填充时排空容器、在空的时候填充容器、检测容器中的泄漏等。传统上，当容器(例如，罐)需要服务(例如，排空或填充)时，客户将从服务提供商请求所需的服务。然后，服务提供商可以基于劳动力可用性、材料可用性、路由效率等来安排所需的服务。这种业务模型的问题是客户被迫等待所需的服务，这可能会影响其生产力、收益性以及对服务提供商的满意度。为了更好地为其客户服务，开发了在需要时为客户准确地交付服务的即时交付模型，这允许客户集中于其业务，而不用担心原材料。在即时模型中，对于服务提供商和客户两者而言的成功可能依赖于库存数据的准确性和新鲜度。例如，石油公司可以追踪客户供油罐的液位以确定何时需要发运卡车来重新填充罐，可以追踪客户废油罐中油的液位以确定直到罐务必被排空时需要多久，可以监测罐的泄漏等。

在现代化的安装中，遥测数据可能由每个罐上的体积传感器提供，这些体积传感器在实时基础上自动地报告填充液位。当正确地运行时，这些体积传感器提供服务提供商所需的数据以满足客户需求，同时允许服务提供商通过材料和调度优化来使他们的利润最大化。然而，当发生故障时，体积传感器可能会对客户和服务提供商两者都造成问题。错误地报告满罐或空罐状况的体积传感器可能会导致客户的材料短缺或浪费溢出状况，这可能会对生产力、收益性和客户满意度产生负面影响。此外，在没有准确的体积水平数据的情况下，服务提供商被迫进入不必要地(例如，可能在不需要时派出卡车)或偶然地(例如，用于服务紧急的客户要求)消耗资源的操作模式，所述操作模式可能会影响到服务提供商的可靠地为客户提供服务的能力、收益性等。

附图说明

所要求保护的主题的各个实施例的特征和优点将随着以下具体实施方式进行并且通过参照附图变得明显，其中，相同的数字指代相同的部件，并且在附图中：

图1A展示了根据本公开的至少一个实施例的用于确定传感器状况的示例系统；

图1B展示了根据本公开的至少一个实施例的用于体积监测应用的图1的示例系统；

图2展示了根据本公开的至少一个实施例可用的设备的示例配置；

图3展示了根据本公开的至少一个实施例的传感器状况确定模块(SCDM)的示例实现方式；

图4展示了根据本公开的至少一个实施例的与正常传感器状况一致的提取特征的示例图表；

图5展示了根据本公开的至少一个实施例的与不稳定传感器状况一致的提取特征的示例图表；

图6展示了根据本公开的至少一个实施例的与卡住传感器状况一致的提取特征的示例图表；

图7展示了根据本公开的至少一个实施例的用于教导模型确定传感器状况的示例操作；并且

图8展示了根据本公开的至少一个实施例的用于确定传感器状况的示例操作。

虽然以下具体实施方式将参考说明性实施例进行，但是许多替代方案、修改及其变化将对本领域的技术人员而言是明显的。

具体实施方式

本公开涉及一种用于确定传感器状况的系统。还可以采用由用于传达正在由传感器监测的方面的当前状况的所述传感器所生成的传感器信号来确定所述传感器本身的状况。例如，能够确定所述传感器状况是正常的还是故障的(例如，不稳定、卡住等)的设备可以包括用于接收所述传感器信号的监测模块(MM)。所述MM可以包括用于确定传感器状况的传感器状况确定模块(SCDM)。所述SCDM可以包括用于确定所述传感器信号的不同特性(例如，用于从所述传感器信号“提取特征”)的特征提取引擎以及用于基于所述提取的特征来确定传感器状况的模型。所述模型可以包括经教导以利用与传感器状况的注释相关的已采样的传感器信号来确定传感器状况的支持向量机(SVM)。在至少一个实施例中，所述传感器可以是生成体积水平信号的体积传感器。在同一或另一实施例中，所述MM还可以生成传感器状况通知。

在至少一个实施例中，用于确定传感器状况的设备可以至少包括通信模块和MM。所述通信模块可以用于至少与传感器交互。所述MM可以用于经由所述通信模块从所述传感器接收传感器信号。所述MM可以至少包括用于基于所述传感器信号来确定所述传感器的状况的SCDM。

在至少一个示例实现方式中，所述传感器可以是体积传感器(例如，罐液位传感器)，并且所述传感器信号可以是体积水平信号(例如，罐液位信号)。所述MM可以进一步基于所述状况来生成传感器状况通知。所述SCDM可以用于仅基于所述传感器信号来确定所述传感器处于正常状况、不稳定状况或卡住状况。示例SCDM可以至少包括用于从所述传感器信号中提取特征的特征提取引擎、以及用于至少基于所述提取的特征来确定所述状况的传感器状况模型。所述特征提取引擎可以例如用于从所述传感器信号中至少提取时域特征和频域特征。所述传感器状况模型可以例如包括经教导以基于对传感器信号的采样、以及针对所采样的每个传感器信号的传感器状况的对应注释来确定所述状况的SVM。

与本公开一致，用于教导模型以确定传感器状况的示例方法可以包括：接收至少一个传感器信号和对应的传感器状况注释，所述传感器状况包括正常状况、不稳定状况或卡住状况之一；对所述至少一个传感器信号进行处理；从所述至少一个传感器信号中提取特征；从所述提取的特征中选择特征；以及至少基于所述选择的特征和所述对应的注释来开发用于确定传感器状况的模型。用于确定传感器状况的示例方法可以包括：从传感器接收传感器信号；从所述传感器信号中提取特征；将所述提取的特征输入到用于确定传感器状况的模型中；以及基于所述模型来确定传感器状况。

图1A展示了根据本公开的至少一个实施例的用于确定传感器状况的示例系统。系统100可以在应用108监测方面108中包括传感器102。传感器102可以针对所监测的方面108生成传感器信号110，并且然后可以将传感器信号110至少发射到设备104(例如，经由有线和/或无线通信)。设备104可以至少包括MM 112，所述MM可以包括SCDM 114。在至少一个实施例中，SCDM 114可以从MM 112接收传感器信号110，并且可以基于传感器信号110来确定传感器102的状况。与本公开一致，MM 112可以基于传感器信号110进一步生成传感器状况通知116以传达由SCDM 114确定的传感器102的状况。

传感器102可以对应于被配置成用于监测应用106中的任何方面108的几乎任何传感器102。例如，传感器102可以是基于电子、机电、电磁或电化学技术，并且可以用于确定应用106的任何方面108，例如但不限于温度、体积、化学成分、流速、粘度、光发射、接触、存在、接近度、加速度、位置、距离、物品计数等。方面108的监测可以导致传感器102生成传感器信号110，所述传感器信号可以对应于所监测的方面108的检测、数量、强度等。通常，在此公开的系统、教导和方法可以适用于能够生成对应于所监测方面108的电子信号的任何传感器102。

传感器102可以响应于来自设备104的请求等(例如，节省电池供电的传感器102的功率)周期性地(例如，每秒、每分钟、每小时、每天等)发射传感器信号110。传感器信号110可以经由有线和/或无线通信介质来发射。可以在某些实现方式中利用有线通信和无线通信两者。例如，工作现场包括多个传感器102，这些传感器将传感器信号110无线地发射到工作现场累加器(例如，在有线和无线网络两者上操作的本地数据服务器)。工作现场累加器然后可以经由有线通信将累加的传感器信号110发射到远程位置(例如，服务提供商)。

设备104可以是包括能够执行活动(例如下面将在本文公开的各个实施例中描述的活动)的处理资源的任何设备。尽管在图2中将公开特定的能力和特征，但是设备104的不同示例可以包括但是不限于：基于来自谷歌公司的操作系统(OS)、来自苹果公司的来自微软公司的OS、来自苹果公司的Mac OS、来自Linux基金会的Tizen^TM OS、来自Mozilla项目的OS、来自黑莓公司的OS、来自Hewlett-Packard公司的OS、来自Symbian基金会等的OS等的移动通信设备，诸如蜂窝手机、智能电话等；移动计算设备，诸如来自苹果公司的微软公司的三星公司的Galaxy亚马逊公司的Kindle等的平板计算机；包括由英特尔公司制造的低功耗芯片组的上网本、笔记本计算机、膝上型计算机、掌上型计算机等；可穿戴设备，诸如像来自三星的Galaxy的手表形状因子计算设备、来自谷歌公司的Google等眼镜形状因子接口等；通常固定的计算设备，诸如台式计算机、服务器、智能电视、小形状因子计算解决方案(例如，适用于空间有限的计算应用、TV机顶盒等)，像英特尔公司的下一代计算单元(Next Unit of Computing)(NUC)平台等。与上述示例相一致，设备104可以靠近传感器102(例如，在相同的设备中、在相同的工作现场等)或远离传感器102(例如，在服务提供商处)。在至少一个示例实现方式中，设备104可以是经由局域网(LAN)、诸如因特网的广域网(WAN)、全球域网(GAN)等可访问传感器102的计算设备。这样的实现方式的示例可以包括被配置成用于作为云计算架构的一部分进行操作的至少一个数据服务器。在示例云计算架构中，传感器102可以向云服务器提供传感器信号110(例如，直接地，经由工作现场累加器等)，并且服务提供商然后可以访问云服务器以获得传感器信号110、关于传感器102的状况的指示，或者可以简单地接收传感器状况通知116。在这种情况下，可以是第三方(例如，数据服务提供商)为客户(例如，石油客户)和服务提供商(例如，石油公司)两者提供基于云的数据处理服务。

例如，设备104可以至少包括监测模块(MM)112。MM 112可以包括被配置成用于从传感器102至少接收传感器信号110并且生成传感器状况通知116的设备和/或软件。传感器状况通知116可以包括周期性地生成的数据(例如，状态报告)，根据需要生成的数据(例如，警报消息或报告)等。MM 112还可以被配置成用于监测由传感器信号110报告的方面108，并且因此就提供关于方面108的服务而言发布消息、警报等(例如，因方面108太低或太高导致的警报等)。MM 112可以包括用于确定传感器102的状况的SCDM 114。与本公开一致，传感器102可以输出对应于范围在0-100之间的非负数的传感器信号110(例如，表示方面108的当前状态)。偶尔，传感器102可能开始故障并且由于诸如例如传感器102的体积感测部分被去除、不稳定的电压调节器、组装不良的同轴缆线组件、由非常冷的温度引起的电子组件漂移等生成“不稳定”信号。由于例如传感器102中的感测机构被损坏(例如，落在探针线上的异物)、由于缺乏使用而导致锁定等，传感器102也可能会“卡住”，从而生成相同的传感器信号110。在不稳定状况下运行的传感器102可能导致传感器信号110非常快地变化，产生显著高频分量，而来自卡住的传感器102的传感器信号110可能长时间保持恒定。来自卡住的传感器102的数据幅值可以显著地低于不稳定的或正常的传感器102。SCDM 114可以通过例如从传感器信号110中提取不同时域和/或频域特性(例如特征)来利用传感器信号110中的这种性能，并且然后采用模型来实时地识别传感器102的状况。在SCDM 114中确定传感器102的状况之后，MM 112可以生成以便呈现的(例如，使用可听/可见/触觉交互)、以便经由有线和/或无线通信等发送的传感器状况通知116。例如，看到、听到、感觉到和/或接收到传感器状况通知116的服务提供商可以理解传感器102的状况、传感器102是否报告方面108的准确测量、传感器102是否需要维修等。

重要的是注意到，与本公开一致，可以仅利用传感器信号110来确定传感器102的状况。现有的监测解决方案可以采用冗余感测，例如使用不同技术的二次传感器。这些解决方案可以增加与系统100相关联的复杂性、费用等。然而，在本文公开的各个实施例中，可以仅基于在正常操作过程中已经提供给MM 112的传感器信号110来确定传感器的状况。因此，不需要专门的设备或程序来确定传感器102的状况，从易于实施的角度来看，这对于新的或现有的监测系统而言可以是令人期望的。

虽然图1A中的系统100展示了与本公开一致的一般化实施例，但是为了帮助理解，将系统100置于更实际的上下文中可能是有益的。例如，图1B中的系统100’公开了体积水平监测的示例。例如，传感器102’可以是耦联到罐106的传感器，该传感器被配置成用于确定罐106’内的液体108’的体积。罐106’可以是能够保持液体108’的任何物品或结构。传感器102’可以不限于确定罐106’内的液体108的填充水平，并且可以替代性地通过确定罐106’中的其他可填充材料(例如，砂、松散骨料、气体等)的填充水平而被分派任务。传感器102’可以采用用于液位确定的机电技术(例如，浮子传感器、称重传感器等)、电子技术(例如，微功率脉冲雷达)等来确定罐106’中的液体108’的填充水平。

在操作示例中，体积传感器102’可以感测罐106中的液体108的填充水平，并且然后可以基于所感测的填充水平发射体积水平信号110’。类似于图1，MM 112可以从体积传感器102’接收体积水平信号110’。在至少一个实施例中，MM 112可以对体积水平信号110’作出反应，并且例如可以在体积水平信号110’指示罐106’为空或满(例如，基于罐106’是供料罐还是废料罐)时警告服务提供商。还可以将体积水平信号110’提供给MM 112中的SCDM 114。SCDM 114可以基于体积水平信号110’确定体积传感器102’是否正常工作，或者体积传感器102’是否发生故障(例如，不稳定、卡住等)。然后，MM 112可基于SCDM 114对传感器状况的确定来生成传感器状况通知116。在至少一个实施例中，可以定期地生成传感器状况通知116(例如，作为报告)。替代性地，传感器状况通知116可以仅当体积传感器102’被确定为出故障时生成(例如，作为针对服务提供商的关于罐106’中的液位108’的测量结果可能不正确、体积传感器102’需要服务等的警告)。

图2展示了根据本公开的至少一个实施例可用的设备的示例配置。具体地，示例设备104’可以能够执行诸如在图1中所公开的任何活动。然而，设备104’仅意指作为在与本公开一致的实施例中可用的设备的示例，并且并不意在将这些不同实施例中的任一项限制在任何特定方式的实现方式。

设备104’可以包括例如被配置成用于管理设备操作的系统模块200。系统模块200可以包括例如处理模块202、存储器模块204、电源模块206、用户接口模块208以及通信接口模块210。设备104’可以进一步包括通信模块212和MM 112’。虽然通信模块212和MM 112’已经被展示为与系统模块200分离，但是为了解释的目的，仅仅提供了图2中所示的示例实现方式。与通信模块210和/或MM 112’相关联的一些或全部功能也可以并入系统模块200。

在设备104’中，处理模块202可以包括位于分离部件中的一个或多个处理器、或者替代性地，在单个部件中(例如，在片上系统(SoC)配置中)具体化的一个或多个处理核以及任何处理器相关的支持电路(例如，桥接接口等)。示例处理器可以包括但不限于：可从英特尔公司获得的各种基于x86的微处理器，包括在奔腾(Pentium)、至强(Xeon)、安腾(Itanium)、赛扬(Celeron)、阿童木(Atom)、核i系列、Quark产品族、高级RISC(例如，精简指令集计算)机器或“ARM”处理器等中的那些。支持电路的示例可以包括被配置成用于提供接口的芯片组(例如，可从英特尔公司获得的北桥、南桥等)，通过所述接口，处理模块202可以与设备104’中可以不同速度、不同总线等正在进行操作的其他系统部件进行交互。通常与支持电路相关联的功能的部分或全部还可以包括在与处理器一样的物理封装体中(例如，诸如在可从英特尔公司获得的处理器的沙桥(Sandy Bridge)族中)。

处理模块202可以被配置成用于执行设备104’中的各个指令。指令可以包括程序代码，所述程序代码被配置成用于使处理模块202执行与读数据、写数据、处理数据、制定数据、转换数据、变换数据等相关的活动。信息(例如，指令、数据等)可以被存储在存储器模块204中。存储器模块204可以包括固定或可移除格式的随机存取存储器(RAM)或只读存储器(ROM)。RAM可以包括被配置成用于在设备104’的操作过程中保持信息的易失性存储器，诸如例如静态RAM(SRAM)或动态RAM(DRAM)。ROM可以包括基于BIOS、UEFI等配置的用于在设备104’被激活时提供指令的非易失性(NV)存储器模块、诸如电子可编程ROM(EPROMS)的可编程存储器、闪存等。其他固定/可移除存储器可以包括但不限于：磁存储器(诸如例如，软盘、硬盘驱动器等)、电子存储器(诸如固态闪存(例如，嵌入式多媒体卡(eMMC))等)、可移除存储卡或可移除存储棒(例如，微型存储卡(uSD)、USB等)、光存储器(诸如基于致密盘的ROM(CD-ROM))、数字视频盘(DVD)、蓝光碟等。

电源模块206可以包括内部电源(例如，电池、燃料电池等)和/或外部电源(例如，机电或太阳能发电机、电网、外部燃料电池等)、以及相关电路(被配置成用于为设备104’供应操作所需的电源)。用户接口模块208可以包括硬件和/或软件以便允许用户与设备104’(诸如例如，各种输入机构(例如，麦克风，开关，按钮，旋钮，键盘，扬声器，触敏表面，被配置成用于捕获图像和/或感测接近度、距离、运动、姿势的一个或多个传感器等)以及各种输出机构(例如，扬声器，显示器，发光/闪烁指示器，针对震动、运动的机电部件等)进行交互。用户接口模块208中的硬件可以并入设备104’内和/或可以经由有线或无线通信介质耦合至设备104’。

通信接口模块210可以被配置成用于对分组路由以及通信模块212的其他控制功能进行管理，所述通信模块可以包括被配置成用于支持有线和/或无线通信的资源。在某些实例中，设备104’可以包括由集中通信接口模块210管理的多于一个的通信模块212(例如，包括针对有线协议和/或无线电台的分离物理接口模块)。有线通信可以包括串行和并行有线介质，例如以太网、USB、火线、雷电接口(Thunderbolt)、数字视频接口(DVI)、高清晰度多媒体接口(HDMI)等。例如，无线通信可以包括近距离无线介质(例如，诸如基于RF识别(RFID)或近场通信(NFC)标准、红外(IR)等)的射频(RF))、短程无线介质(例如，蓝牙、WLAN、Wi-Fi等)、远程无线介质(例如，蜂窝广域无线电通信技术、基于卫星的通信等)、经由声波的电子通信等。在一个实施例中，通信接口模块210可以被配置成用于防止在通信模块212中活动的无线通信免受彼此干扰。在执行此功能时，通信接口模块210可以基于例如消息等待传输的相对优先级为通信模块212安排活动。虽然图2中所公开的实施例展示了通信接口模块210与通信模块212分离，但是将通信接口模块210和通信模块212的功能并入同一模块内还可以是可能的。

与本公开一致，MM 112’可以能够至少与通信模块212以及可选地与用户接口模块208交互。在操作示例中，MM 112’可以经由通信模块212从传感器102接收传感器信号110。在SCDM 114基于传感器信号110确定传感器102的状况之后，MM 112’然后可以生成传感器状况通知116。在至少一个实施例中，MM 112’可以使通信模块212经由有线和/或无线通信发射传感器状况通知116(例如，发射到服务提供商)。连同或替代经由通信模块212发送传感器状况通知116，MM 112’可以向用户接口模块208提供传感器状况通知116，以呈现给设备104’的用户。呈现可以包括例如显示视觉通知、生成可听和/或触觉通知等。所述呈现可以例如指示传感器102是否被确定为处于正常状况或故障状况(例如，不稳定、卡住等)。

图3展示了根据本公开的至少一个实施例的SCDM的示例实现方式。例如，SCDM 114’可以包括特征提取引擎300和传感器状况模型302。特征提取引擎可以从传感器信号110中提取特征(例如，基于传感器信号计算特性)。所述提取的特征可以由传感器状况模型302采用以确定传感器状况304(例如，当生成传感器状况通知116时可由MM 112使用该传感器状况)。

例如，由特征提取引擎300提取的特征可以包括时域特征306和频域特征308。示例时域特征306可以包括但不限于：平均值、标准偏差、“偏度”(例如，峰态平均值)、均方根(RMS)、零交叉数、最大峰的原始数、峰之间的平均距离等。可以统计地确定平均值、标准偏差、偏度和RMS。可以通过对传感器信号110在某个时间窗口中与平均值相交的次数进行计数来确定零交叉数。峰值可以由在每个窗口中获得的传感器信号110的最大值来确定。

示例频域特征308可以包括但不限于：中值频率、平均频率、谱能量、谱熵、线性包络的平均值、线性包络的峰值、线性包络的方差和线性包络的上升时间。中值频率(mf)(其为功率谱中的偏度的量度)可以被定义为将功率谱划分成两个相等部分并且如下获得的频率：

其中，n是频率仓的总数(例如，0.5*512＝256)，I_i是在第i仓的频谱的幅值或强度，并且中值频率(mf)＝f(m)，在第m仓的频谱频率。平均频率可以被定义为归一化的一阶频谱矩。该平均频率可以计算为谱图幅值与频率的乘积之和除以谱图幅值或强度的总和，如下：

其中，fi是n个频率仓的第i个仓的频谱频率。可以基于以下关系获得谱能量：

谱熵(其可以限定功率谱中的熵)可以是基于以下关系获得：

其中，

可以使用线性包络导出剩余的频域特征308。线性包络是信号的低频表示，该信号可以经提取以研究在所述三种不同状况下、并且最适用于不稳定状况的传感器信号110的模式。可以利用例如具有传感器信号110的带宽的2％的截止频率的3阶的巴特沃斯低通滤波器来确定传感器信号110的线性包络。

传感器状况模型302可以基于时域特征306和/或频域特征308来确定传感器状况304。传感器状况模型302可以基于机器学习方法，诸如但不限于支持向量机(SVM)、判别分析、K-最近邻等。机器学习类型的选择可以基于测试(例如，特定应用106中的特定传感器102)。例如，在测试数据收集(例如，传感器信号110和对应的传感器102观测状况的注释的收集)之后，属于所有这些状况的特征可以被随机地分成用于测试的组(例如，65％用于训练和35％用于测试)。然后可以在测试数据上计算分类模型拟合(％准确度)。可以考虑平均分类模型拟合(例如，超过十个这样的轮次)以识别最合适的分类方法。

在此为了解释，传感器状况模型302将被讨论为SVM。在机器学习中，SVM是具有相关联的学习算法的监督学习模型，这些学习算法可以分析数据以便生成可用于分类和回归分析的模型。给定一组训练示例，其中，每个训练示例被标记为属于某一类别，SVM训练算法可以建立将新示例指配到每个类别中的模型。SVM模型可以是示例(如点)在空间中的表示，这些示例经映射以使得分开的类别的示例被明确的间隙划分。间隙越大，故障检测模糊度就越小。然后可以将新的示例映射到相同的空间中并且被预测属于基于落在所述间隙哪一侧的类别。除了执行线性分类之外，SVM可以使用所谓的“内核技巧(Kernel Trick)”来有效地执行非线性分类，从而隐含地将输入映射到高维度特征空间中。可以通过诸如例如内核函数的类型、内核函数的标准偏差(例如，如果使用高斯函数作为内核函数)、错误惩罚以及容错度的参数来表征SVM。这些参数可以基于试错法进行选择，并且可能各自会显著影响SVM模型的性能。与本公开一致，经验显示产生最佳性能的参数为‘高斯内核函数’，‘标准偏差＝0.25’，‘错误惩罚＝10’以及‘容错度＝0.00005’。

图4展示了根据本公开的至少一个实施例的与正常传感器状况一致的提取特征的示例图表。示例正常特征提取400可以被认为是用于确定传感器信号110何时属于正常操作的标准。相反，图5中的示例不稳定特征提取500公开了展现出不稳定性能的特征值。通常，图5中公开的特征示出更多的活动，包括具有更大的高/低峰差异的更多峰值等。图6中的示例卡住特征提取公开了展现出与传感器102卡住时有关的状况的特征的示例。另外，提取600与提取400和500之间的差异随着高/低幅值、波形等的变化而明显。

图7展示了根据本公开的至少一个实施例的用于教导模型确定传感器状况的示例操作。可以通过特征选择来启动传感器状况模型302的公式化，这可以涉及从用于模型构建的全部可用特征中选择相关特征的子集。在基于传感器信号110生成时域和频域特征之后，可以使用诸如例如RELIEF或RELIEFF特征选择算法的选择方法来选择最具辨别性的特征(例如，对产生准确状况确定具有最大影响的特征)。RELIEF算法可以基于在属于同一类别的样本之间的值的相似度和属于其他类别的样本之间的值的差异度来对特征进行排序。在至少一个实施例中，时域特征306和频域特征308被选择为高度辨别特征。

SVM可以是具有相关联的学习算法的监督学习模型，这些学习算法可以分析数据以便生成用于分类和回归分析的模式。给定一组训练样本，每个训练样本被标记为属于某些类别(例如，状况)，SVM训练算法可以构建能够将样本指配到这些类别的模型。图7公开了多项示例操作，通过这些示例操作可以对传感器状况模型302进行训练。在操作700中，多个传感器信号110可以与观察到的传感器状况的对应注释一起被采样。例如，传感器102可以有目的地置于不稳定或卡住状况，使得在每个状况发生期间可以对传感器信号110进行采样。然后可以在操作702中对传感器信号110进行处理。处理可以包括对传感器信号110进行滤波以去除噪声(例如，通过扫描数据以获得与紧挨着的前一个和/或后一个值不一致的值、去除完全超出范围的值等)，从而补偿从在不同状况下操作的不同传感器102接收的传感器信号110的差异等。在操作704中，可以从已采样的传感器信号110中提取特征。在操作704中提取的特征可以包含全部可用特征，在操作706中可以从这些可用特征中选择对于传感器状况确定最具辨别性的特征。如上所讨论的，在操作706中，特征选择算法可以用于选择所述提取的特征(例如，导致最佳区分的所述提取的特征)的子集。然后，在操作708中，可以基于所述选择的提取特征来开发传感器状况模型302。例如，所述选择的特征可以用于训练传感器状况模型302(例如，开发用于将传感器状况确定为正常、不稳定或卡住的特征空间)。

机器学习模型的性能可以取决于用于训练模型的数据的质量。诸如错误标注、数据中的噪声、采样率的变化等因素可能导致降级的性能或错误预测。重要的是已采样的传感器信号110的注释是高度准确的。这些样本的错误标注不仅会导致不当的特征选择，而且可能导致不准确的数据边界，从而不利地影响传感器状况模型302的性能。传感器状况模型302的操作可以基于模型识别。因此，传感器状况模型的实时性能在很大程度上取决于其已被训练的数据。用于训练传感器状况模型302的样本应被选择为包含所有使用和故障模型。如果这些样本不是全部包含，传感器状况模型302的实时性能可能会降级。另一错误源是传感器数据中的噪声。在电子学中，噪声是电信号中的随机波动，这是所有电子电路的特性。电子设备中可见的噪声可能变化很大，因为它可以由几种不同的效应产生。在非零温度下，热噪声是不可避免的。例如，给定系统100’的示例，其中，体积传感器102’测量罐106’中的液体108’(例如油)的体积，传感器102’和罐106’两者都可以位于地面上方并暴露于罐场内的外部环境。极端温度(特别是严酷的炎热天气)可能影响传感器102中的电子器件，向传感器信号110添加随机噪声。在训练过程中可以通过信号处理(例如，使用平滑或滤波技术对传感器信号110进行去噪)来解决噪声。采样率的变化也可能是一个问题。例如，在某些场景下，对传感器信号110的采样率可以由客户设定。采样率变化将修改传感器信号110的模式，并且可能影响如何在传感器状况模型302中开发分类空间。采样率的变化可能需要通过在将数据馈送到传感器状况模型302之前部署上采样或下采样方法来进行信号校准。

图8展示了根据本公开的至少一个实施例的用于确定传感器状况的示例操作。在操作800中，可以在MM 112中从传感器102经由有线/无线通信来接收传感器信号110。在操作802中，可以从传感器信号110提取不同特征。例如，所述提取的特征可以包括时域特征306和频域特征308。

然后，在操作804中，所述提取的特征可以被输入到传感器状况模型302。传感器状况模型302可以利用所述提取的特征来确定传感器102的状况，如本文前面所述。操作806可以是可选的，因为与本公开一致，存在通过其可生成通知的多于一种的方式。例如，如果仅当传感器102被确定为需要动作时(例如，当处于不稳定或卡住状况时)才生成通知，则可以包括操作806。在操作806中，可以基于传感器状况模型302的确定来判定传感器是否处于不稳定或卡住状况。在操作806中，确定传感器102不处于不稳定或卡住状态之后可以是监测可以继续的操作800。如果在操作806中确定传感器102处于不稳定或卡住状态，则在操作808中，可以生成指示传感器102的状况处于不稳定或卡住状态、传感器102需要服务等的通知。在替代性实施例中，可以在操作808中定期地生成关于传感器102的总体运行状况的通知。例如，操作808可以总是在操作804之后发生，操作808之后是可选的返回传感器的监测102可以继续的操作800。

虽然图7和图8展示了根据不同实施例的操作，但是将理解的是，对于其他实施例来说，并非图7和图8中所描绘的所有操作都是必需的。确实，在此完全可以设想，在本公开的其他实施例中，可以采用任何附图中未具体地示出、但仍然完全符合本公开的方式将图7和图8中所描绘的操作和/或本文中所描述的其他操作进行组合。因而，对未在一个附图中正确示出的特征和/或操作有所涉及的权利要求被视为落入本公开的范围和内容内。

如在本申请和权利要求书中所使用的，由术语“和/或”接合的一系列项目可意指所列项目的任何组合。例如，短语“A、B和/或C”可意指A；B；C；A和B；A和C；B和C；或A、B和C。如在本申请和权利要求书中所使用的，由术语“中的至少一项”接合的一系列项目可意指所列术语的任何组合。例如，短语“A、B或C中的至少一项”可意指A；B；C；A和B；A和C；B和C；或A、B和C。

如本文中任何实施例所使用的，术语“模块”可以指被配置成用于执行前述操作中任一操作的软件、固件和/或电路。软件可以具体化为非瞬态计算机可读存储介质上所记录的软件包、代码、指令、指令集和/或数据。固件可以具体化为存储器设备中硬编码(例如，非易失性的)的代码、指令或指令集和/或数据。如本文中任何实施例所使用的，“电路”可以例如单一地或以任何组合形式包括硬接线电路、可编程电路(诸如包括一个或多个个体指令处理核的计算机处理器)、状态机电路、和/或存储有可由可编程电路执行的指令的固件。这些模块可以统一地或单独地具体化为形成例如，集成电路(IC)、片上系统(SoC)、台式计算机、膝上计算机、平板计算机、服务器、智能电话等的较大系统的一部分的电路。

在此描述的任何操作可以在系统中实现，所述系统包括具有单独地或组合地存储在其上的多条指令的一个或多个存储介质(诸如，非瞬态存储介质)，当这些指令由一个或多个处理器执行时执行这些方法。此处，处理器可以包括例如：服务器CPU、移动设备CPU、和/或其他可编程电路。而且，旨在使得在此描述的操作可以跨多个物理设备(诸如在多于一个的不同物理位置处的处理结构)分布。存储介质可以包括任何类型的有形介质，例如包括以下各项的任何类型的磁盘：硬盘、软盘、光盘、压缩盘-只读存储器(CD-ROM)、可复写致密盘(CD-RW)、和磁光盘、如只读存储器(ROM)的半导体器件、如动态和静态RAM的随机存取存储器(RAM)、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪存、固态盘(SSD)、嵌入式多媒体卡(eMMC)、安全数字输入/输出(SDIO)卡、磁卡或光卡、或者适合于存储电子指令的任何类型的介质。其他实施例可以实现为由可编程控制设备执行的软件模块。

因此，本公开涉及一种用于确定传感器状况的系统。还可以采用由用于传达正在由传感器监测的方面的当前状况的所述传感器所生成的传感器信号来确定所述传感器本身的状况。例如，能够确定所述传感器状况是正常的还是故障的(例如，不稳定、卡住等)的设备可以包括用于接收所述传感器信号的监测模块(MM)。所述MM可以包括用于确定传感器状况的传感器状况确定模块(SCDM)。所述SCDM可以包括用于确定所述传感器信号的不同特性(例如，用于从所述传感器信号“提取特征”)的特征提取引擎以及用于基于所述提取的特征来确定传感器状况的模型。所述模型可以包括经教导以利用与传感器状况的注释相关的已采样的传感器信号来确定传感器状况的支持向量机(SVM)。

以下示例涉及进一步的实施例。本公开的以下示例可以包括主题，诸如设备、方法、用于存储指令(当被执行时使机器基于所述方法执行动作)的至少一个机器可读介质、用于基于所述方法执行动作的装置、和/或用于确定传感器状况的系统。

根据示例1，提供了一种用于确定传感器状况的设备。所述设备可以包括通信模块和监测模块，所述通信模块用于至少与传感器交互，所述监测模块用于经由所述通信模块从所述传感器接收传感器信号，所述监测模块包括用于基于所述传感器信号来确定所述传感器的状况的传感器状况确定模块。

示例2可以包括如示例1所述的元素，其中，所述传感器是体积传感器，并且所述传感器信号是体积水平信号。

示例3可以包括如示例2所述的元素，其中，所述传感器是罐液位传感器，并且所述传感器信号是罐液位信号。

示例4可以包括如示例1至3中任一项所述的元素，其中，所述监测模块进一步用于基于所述状况生成传感器状况通知。

示例5可以包括如示例1至4中任一项所述的元素，其中，所述传感器状况确定模块用于仅基于所述传感器信号来确定所述传感器处于正常状况、不稳定状况或卡住状况。

示例6可以包括如示例1至5中任一项所述的元素，其中，所述传感器状况确定模块至少包括用于从所述传感器信号中提取特征的特征提取引擎、以及用于至少基于所述提取的特征来确定所述状况的传感器状况模型。

示例7可以包括如示例6所述的元素，其中，所述特征提取引擎用于从所述传感器信号中至少提取时域特征和频域特征。

示例8可以包括如示例7所述的元素，其中，所述时域特征至少包括平均值、标准偏差、偏度、均方根、零交叉数、最大峰值原始值以及峰之间的平均距离。

示例9可以包括如示例7和8中任一项所述的元素，其中，所述频域特征至少包括中值频率、平均频率、谱能量、谱熵、线性包络的平均值、线性包络的峰值、线性包络的方差和线性包络的上升时间。

示例10可以包括如示例6至9中任一项所述的元素，其中，所述传感器状况模型包括经教导以基于对传感器信号的采样、以及针对所采样的每个传感器信号的传感器状况的对应注释来确定所述状况的支持向量机。

示例11可以包括如示例1至10中任一项所述的元素，其中，所述通信模块经由无线通信与所述传感器交互。

示例12可以包括如示例1至11中任一项所述的元素，其中，所述通信模块经由工作现场累加器与所述传感器交互，所述工作现场累加器被配置成用于向所述通信模块提供所述传感器信号。

示例13可以包括如示例1至12中任一项所述的元素，其中，所述传感器被定位在所述设备内。

示例14可以包括如示例1至13中任一项所述的元素，其中，所述设备包括被配置成用于在云计算架构中操作的至少一个数据服务器。

根据示例15，提供了一种用于教导模型以确定传感器状况的方法。所述方法可以包括：接收来自传感器的至少一个传感器信号和对应的传感器状况注释，所述传感器状况包括正常状况、不稳定状况或卡住状况之一；对所述至少一个传感器信号进行处理；从所述至少一个传感器信号中提取特征；从所述提取的特征中选择特征；以及至少基于所述选择的特征和所述对应的注释来开发用于确定传感器状况的模型。

示例16可以包括如示例15所述的元素，其中，所述传感器是体积传感器，并且所述传感器信号是体积水平信号。

示例17可以包括如示例15和16中任一项所述的元素，其中，所述提取的特征包括从所述传感器信号中提取的时域特征和频域特征。

示例18可以包括如示例17所述的元素，其中，所述时域特征至少包括平均值、标准偏差、偏度、均方根、零交叉数、最大峰值原始值以及峰之间的平均距离。

示例19可以包括如示例17和18中任一项所述的元素，其中，所述频域特征至少包括中值频率、平均频率、谱能量、谱熵、线性包络的平均值、线性包络的峰值、线性包络的方差和线性包络的上升时间。

示例20可以包括如示例15至19中任一项所述的元素，其中，开发所述模型包括在所述模型中教导支持向量机基于所述选择的特征来确定传感器状况。

根据示例21，提供了一种用于确定传感器状况的方法。所述方法可以包括：从传感器接收传感器信号；从所述传感器信号中提取特征；将所述提取的特征输入到用于确定传感器状况的模型中；以及基于所述模型来确定传感器状况。

示例22可以包括如示例21所述的元素，其中，所述传感器是体积传感器，并且所述传感器信号是体积水平信号。

示例23可以包括如示例21和22中任一项所述的元素，其中，确定所述传感器状况包括仅基于所述传感器信号来确定所述传感器处于正常状况、不稳定状况或卡住状况。

示例24可以包括如示例21和23中任一项所述的元素，其中，所述提取的特征包括从所述传感器信号中提取的时域特征和频域特征。

示例25可以包括如示例24所述的元素，其中，所述时域特征至少包括平均值、标准偏差、偏度、均方根、零交叉数、最大峰值原始值以及峰之间的平均距离。

示例26可以包括如示例24和25中任一项所述的元素，其中，所述频域特征至少包括中值频率、平均频率、谱能量、谱熵、线性包络的平均值、线性包络的峰值、线性包络的方差和线性包络的上升时间。

示例27可以包括如示例21至26中任一项所述的元素，并且可以进一步包括基于所述状况生成传感器状况通知。

示例28可以包括如示例21至27中任一项所述的元素，并且可以进一步包括在接收所述传感器信号之前教导所述模型中的支持向量机基于对传感器信号的采样、以及针对所采样的每个传感器信号的传感器状况的对应注释来确定所述状况。

根据示例29，提供了一种至少包括传感器和设备的系统，所述系统被安排成用于执行如以上示例15至28中任一项所述的方法。

根据示例30，提供了一种被安排成用于执行如以上示例15至28中任一项所述的方法的芯片组。

根据示例31，提供了至少一种机器可读介质，所述至少一种机器可读介质包括多条指令，所述多条指令响应于正在计算设备上被执行而使所述计算设备实施根据以上示例15至28中任一项所述的方法。

根据示例32，提供了一种被配置成用于确定传感器状况的设备，所述设备被安排成用于执行如以上示例15至28中任一项所述的方法。

根据示例33，提供了一种用于教导模型确定传感器状况的系统。所述系统可以包括：用于接收来自传感器的至少一个传感器信号和对应的传感器状况注释的装置，所述传感器状况包括正常状况、不稳定状况或卡住状况之一；用于对所述至少一个传感器信号进行处理的装置；用于从所述至少一个传感器信号中提取特征的装置；用于从所述提取的特征中选择特征的装置；以及用于至少基于所述选择的特征和所述对应的注释来开发用于确定传感器状况的模型的装置。

示例34可以包括如示例33所述的元素，其中，所述传感器是体积传感器，并且所述传感器信号是体积水平信号。

示例35可以包括如示例33和34中任一项所述的元素，其中，所述提取的特征包括从所述传感器信号中提取的时域特征和频域特征。

示例36可以包括如示例35所述的元素，其中，所述时域特征至少包括平均值、标准偏差、偏度、均方根、零交叉数、最大峰值原始值以及峰之间的平均距离。

示例37可以包括如示例35和36中任一项所述的元素，其中，所述频域特征至少包括中值频率、平均频率、谱能量、谱熵、线性包络的平均值、线性包络的峰值、线性包络的方差和线性包络的上升时间。

示例38可以包括如示例33至37中任一项所述的元素，其中，所述用于开发所述模型的装置包括用于在所述模型中教导支持向量机基于所述选择的特征来确定传感器状况的装置。

根据示例39，提供了一种用于确定传感器状况的系统。所述系统可以包括：用于从传感器接收传感器信号的装置；用于从所述传感器信号中提取特征的装置；用于将所述提取的特征输入到用于确定传感器状况的模型中的装置；以及用于基于所述模型来确定传感器状况的装置。

示例40可以包括如示例39所述的元素，其中，所述传感器是体积传感器，并且所述传感器信号是体积水平信号。

示例41可以包括如示例39和40中任一项所述的元素，其中，用于确定所述传感器状况的装置包括用于仅基于所述传感器信号来确定所述传感器处于正常状况、不稳定状况或卡住状况的装置。

示例42可以包括如示例39和41中任一项所述的元素，其中，所述提取的特征包括从所述传感器信号中提取的时域特征和频域特征。

示例43可以包括如示例42所述的元素，其中，所述时域特征至少包括平均值、标准偏差、偏度、均方根、零交叉数、最大峰值原始值以及峰之间的平均距离。

示例44可以包括如示例42和43中任一项所述的元素，其中，所述频域特征至少包括中值频率、平均频率、谱能量、谱熵、线性包络的平均值、线性包络的峰值、线性包络的方差和线性包络的上升时间。

示例45可以包括如示例39至44中任一项所述的元素，并且可以进一步包括用于基于所述状况生成传感器状况通知的装置。

示例46可以包括如示例39至45中任一项所述的元素，并且可以进一步包括用于在接收所述传感器信号之前教导所述模型中的支持向量机基于对传感器信号的采样、以及针对所采样的每个传感器信号的传感器状况的对应注释来确定所述状况的装置。

本文已采用的术语和表达用作对术语进行描述而非进行限制，并且在使用这种术语和表达时不旨在排除所示且所描述的特征(或其部分)的任何等效物，并且认识到在权利要求书范围内的各种修改是有可能的。从而，权利要求书意在涵盖所有这类等效方案。