本发明实施例提供一种测量浊度的方法及装置、洗碗机、存储介质，属于厨房电器领域。所述测量浊度的方法包括：获取多个浊度传感器的测量值；以及利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取浊度估计值，并以该浊度估计值作为所测量的浊度值。测量浊度的方法及装置、洗碗机能够获取准确的浊度值以控制洗碗机，从而保证洗涤效果。
1.一种用于洗碗机的测量浊度的方法，其特征在于，该方法包括：获取多个浊度传感器的测量值；以及
利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取浊度估计值，并以该浊度估计值作为所测量的浊度值，其中，利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算以获取浊度估计值包括：当所述多个浊度传感器的测量值的方差不超过预定阈值时，利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取所述浊度估计值；以及当所述多个浊度传感器的测量值的方差大于预定阈值时，利用一维卡尔曼滤波算法对所述多个浊度传感器中任一者的测量值进行滤波计算，以得到所述浊度估计值。
2.根据权利要求1所述的方法，其特征在于，该方法还包括：利用一维卡尔曼滤波算法对所述浊度估计值进行滤波，并将滤波后的浊度估计值作为所测量的浊度值。
3.根据权利要求1所述的方法，其特征在于，该方法还包括：当所述多个浊度传感器的方差大于预定阈值时，使洗碗机重新洗涤，并重新获取多个浊度传感器的测量值；
当洗涤次数超过预定次数，并且所述多个浊度传感器的方差依旧大于预定阈值时，利用一维卡尔曼滤波算法对所述多个浊度传感器中任一者的测量值进行滤波计算，以得到所述浊度估计值。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述卡尔曼融合算法包括：状态方程：
Gk＝PkCT(CPkCT+R)-1Pk＝(I-GkC)Pk-1
其中， 为第k时刻所述多个浊度传感器的测量值的预测值组成的状态变量矩阵，A为状态转移矩阵，zk为第k时刻所述多个浊度传感器的测量值的测量矩阵，C为系数矩阵，vk为第k时刻的测量噪声，Pk为 与 的协方差，Gk为卡尔曼增益，R为测量噪声vk的协方差，Q为过程噪声协方差，I是单位矩阵。
5.根据权利要求1-3中任一项所述的方法，其特征在于，所述一维卡尔曼滤波器包括：状态方程：
K(k+1)＝P(k+1|k)H[HP(k+1|k)H+R]一步预测协方差矩阵：
P(k+1|k+1)＝[I-K(k+1)H]P(k+1|k)其中，X(k+1)为k+1时刻相应浊度传感器测量值的预测值， τ为控制参数，H为系统状态参数矩阵，W(k)过程噪声，V(k)为测量噪声，Q为W(k)的方差，R为V(k)的方差，为k+1时刻的先验测量值， 为k时刻的后验测量值，K(k+1)为k+1时刻的滤波增益，P(k+1|k)为协方差。
6.根据权利要求5所述的方法，其特征在于，所述滤波增益矩阵为：
K(k+1)＝P(k+1|k)H[HP(k+1|k)H+R]其中，K(k+1)为k+1时刻的滤波增益，R为V(k)的方差，H为系统状态参数矩阵。
7.根据权利要求1-3中任一项所述的方法，其特征在于，获取多个浊度传感器的测量值包括：获取分别安装于洗碗机的水杯中洗涤泵进水口和排水口的浊度传感器的测量值。
8.一种用于洗碗机的测量浊度的装置，其特征在于，该装置包括：多个浊度传感器，用于获取洗碗机中水的浊度；
利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取浊度估计值，并以该浊度估计值为所测量的浊度值；
其中，当所述多个浊度传感器的测量值的方差不超过预定阈值时，利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取所述浊度估计值；以及当所述多个浊度传感器的测量值的方差大于预定阈值时，利用一维卡尔曼滤波算法对所述多个浊度传感器中任一者的测量值进行滤波计算，以得到所述浊度估计值。
9.根据权利要求8所述的装置，其特征在于，所述控制模块还用于：用于利用一维卡尔曼滤波算法对所述浊度估计值进行滤波，并将滤波后的浊度估计值作为所测量的浊度值。
10.根据权利要求8所述的装置，其特征在于，所述控制模块还用于：当所述多个浊度传感器的方差大于预定阈值时，使洗碗机重新洗涤，并重新获取多个浊度传感器的测量值；
洗涤次数超过预定次数时，并且所述多个浊度传感器的测量值的方差依旧大于预定阈值时，利用一维卡尔曼滤波算法对所述多个浊度传感器中任一者的测量值进行滤波计算，以得到所述浊度估计值。
11.根据权利要求8-10中任一项所述的装置，其特征在于，所述卡尔曼融合算法包括：状态方程：
Gk＝PkCT(CPkCT+R)-1Pk＝(I-GkC)Pk-1
其中， 为第k时刻所述多个浊度传感器的测量值的预测值组成的状态变量矩阵，A为的状态转移矩阵，zk为第k时刻所述多个浊度传感器的测量值的测量矩阵，C为系数矩阵，vk为第k时刻的测量噪声，Pk为 的协方差，Gk为卡尔曼增益，R为测量噪声vk的协方差，Q为过程噪声协方差，I是单位矩阵。
12.根据权利要求8-10中任一项所述的装置，其特征在于，所述一维卡尔曼滤波器包括：状态方程：
K(k+1)＝P(k+1|k)HT[HP(k+1|k)HT+R]-1一步预测协方差矩阵：
P(k+1|k+1)＝[I-K(k+1)H]P(k+1|k)其中，X(k+1)为k+1时刻相应浊度传感器测量值的预测值，Y(k)为所述多个浊度传感器中任一者的测量值， τ为控制参数，H为系统状态参数矩阵，W(k)过程噪声，V(k)为测量噪声，Q为W(k)的方差，R为V(k)的方差， 为k+1时刻的先验预测值， 为k时刻的后验预测值，K(k+1)为k+1时刻的滤波增益，P(k+1|k)为 的协方差，P(k|k)为 的协方差。
13.根据权利要求12所述的装置，其特征在于，所述滤波增益矩阵为：K(k+1)＝P2(k+1|k)HT[H2P2(k+1|k)HT+R2]-1其中，K(k+1)为k+1时刻的滤波增益，R为V(k)的方差，P(k+1|k)为 的协方差，H为系统状态参数矩阵。
14.根据权利要求8-10中任一项所述的装置，其特征在于，所述多个浊度传感器的至少两个分别位于洗碗机的水杯中洗涤泵进水口和排水口。
15.一种洗碗机，其特征在于，该洗碗机包括权利要求8-14中任一项所述的装置。
16.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-7中任一项所述的方法。
测量浊度的方法及装置、洗碗机、存储介质
技术领域
[0001] 本发明涉及厨房电器领域，具体地涉及测量浊度的方法及装置、洗碗机、存储介质。
背景技术
[0002] 洗碗机是自动清洗碗、筷、盘、碟、刀、叉等餐具的设备，能够节省大量的劳动量，其不仅应用于家庭生活中，还广泛应用于餐厅、饭店等商业领域中。
[0003] 洗碗机一般基于初期清洗之后水的浊度传感器来判定待清洗物品的脏污程度，并根据浊度传感器感测的初期清洗后水槽内水体的浊度信息，来选择自动的清洗模式。
[0004] 浊度传感器原理是：当光线穿过一定量的水时，光线的透过量取决于该水的污浊程度，水越污浊透过的光就越少，光接收端把透过的光强度转换为对应的电流大小，透过的光多电流大，反之电流小。通过测量接收端电流的大小计算出水的污浊程度。这就使得单一浊度传感器只能检测在传感器附近的水体浊度，如果水体不均匀就不能很好的代表整体的浊度信息，同样使得检测到的脏污程度与实际待清洗物品的脏污程度出现误差。
[0005] 同样浊度传感器自身也带有不稳定因素，不能很好的反馈浊度信息，信息易波动，抗干扰能力较差，使得洗碗机根据浊度信息自主设定的参数经常不能很好的清洁碗筷物品，造成了家庭对洗碗机的不信任，使得洗碗机不能很好的适应不同的洗碗任务。由于浊度传感器噪声较大，且受布置位置以及环境的影响，不能全面准确的返回稳定的水体浊度信息，使得自动清洗往往不能达到理想效果。
[0006] 目前自动洗碗机传感器数据不准确的原因：一方面传感器原理和成本限制，造成了传感器很难精确的反馈浊度信息；另一方面传感器本身只是对实际情况的一种观测，本身受自身误差、环境噪声等多方面影响。
[0007] 现有技术中有利用硬件电路对浊度传感器进行滤波的做法，但硬件滤波不仅增加了硬件成本，而且滤波电路本身也存在系统误差，仍不能保证浊度测量的准确性，并且这种硬件滤波的方案也不能有效消除不同浊度传感器之间的误差，造成洗碗机的适应性差，尤其在更换浊度传器时，仍然会造性测量值不准。
发明内容
[0008] 本发明实施例的目的是提供一种测量浊度的方法及装置、洗碗机、存储介质，该测量浊度的方法及装置、洗碗机能够获取准确的浊度估计值以控制洗碗机，从而保证洗涤效果。
[0009] 为了实现上述目的，本发明实施例提供一种用于洗碗机的测量浊度的方法，该方法包括：获取多个浊度传感器的测量值；以及利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取浊度估计值，并以该浊度估计值作为所测量的浊度值。
[0010] 其中，该方法还可以包括：利用一维卡尔曼滤波算法对所述浊度估计值进行滤波，并将滤波后的浊度估计值作为所测量的浊度值。
[0011] 其中，利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算以获取浊度估计值可以包括：当所述多个浊度传感器的测量值的方差不超过预定阈值时，利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取所述浊度估计值；以及当所述多个浊度传感器的测量值的方差大于预定阈值时，利用一维卡尔曼滤波算法对所述多个浊度传感器中任一者的测量值进行滤波计算，以得到所述浊度估计值。
[0012] 其中，该方法还可以包括：当所述多个浊度传感器的方差大于预定阈值时，使洗碗机重新洗涤，并重新获取多个浊度传感器的测量值；当洗涤次数超过预定次数，并且所述多个浊度传感器的测量值的方差依旧大于预定阈值时，利用一维卡尔曼滤波算法对所述多个浊度传感器中任一者的测量值进行滤波计算，以得到所述浊度估计值。
[0013] 其中，所述卡尔曼融合算法包括：
[0014] 状态方程：
[0015]
[0016]
[0017] 预测方程：
[0018]
[0019]
[0020] 更新方程：
[0021] Gk＝PkCT(CPkCT+R)-1
[0022]
[0023] Pk＝(I-GkC)Pk-1
[0024] 其中， 为第k时刻所述多个浊度传感器的测量值的预测值组成的状态变量矩阵，A为状态转移矩阵，zk为第k时刻所述多个浊度传感器的测量值的测量矩阵，C为系数矩阵，vk为第k时刻的测量噪声，Pk为 与 的协方差，Gk为卡尔曼增益，R为测量噪声vk的协方差，Q为过程噪声协方差，I是单位矩阵。
[0025] 其中，所述一维卡尔曼滤波器包括：
[0026] 状态方程：
[0027]
[0028] 测量方程：
[0029] Y(k)＝HX(k)+V(k)
[0030] 预测方程：
[0031]
[0032] 更新方程：
[0033]
[0034]
[0035] 滤波增益矩阵：
[0036] K(k+1)＝P(k+1|k)HT[HP(k+1|k)HT+R]-1
[0037] 一步预测协方差矩阵：
[0038]
[0039] 协方差矩阵更新方程：
[0040] P(k+1|k+1)＝[I-K(k+1)H]P(k+1|k)
[0041] 其中，X(k+1)为k+1时刻相应浊度传感器测量值的预测值， τ为控制参数，H为系统状态参数矩阵，W(k)过程噪声，V(k)为测量噪声，Q为W(k)的方差，R为V(k)的方差，为k+1时刻的先验测量值， 为k时刻的后验测量值，K(k+1)为k+1时刻的滤波增益，P(k+1|k)为协方差。
[0042] 其中，所述滤波增益矩阵为：
[0043] K(k+1)＝P2(k+1|k)HT[H2P2(k+1|k)HT+R2]-1
[0044] 其中，K(k+1)为k+1时刻的滤波增益，R为V(k)的方差，H为系统状态参数矩阵。
[0045] 其中，获取多个浊度传感器的测量值可以包括：将所述多个浊度传感器的至少两个分别按装于洗碗机的水杯中洗涤泵进水口和排水口。
[0046] 根据本发明的另一方法，还提供一种用于洗碗机的测量浊度的装置，该装置可以包括：多个浊度传感器，用于获取洗碗机中水的浊度；控制模块，用于：利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取浊度估计值，并将该所述浊度估计值作为所测量的浊度值。
[0047] 其中，所述控制模块还可以用于：利用一维卡尔曼滤波算法对所述浊度估计值进行滤波，并将根据滤波后的浊度估计值作为所测量的浊度值。
[0048] 其中，所述控制模块还可以用于：当所述多个浊度传感器的测量值的方差不超过预定阈值时，利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取所述浊度估计值；以及当所述多个浊度传感器的测量值的方差大于预定阈值时，利用一维卡尔曼滤波算法对所述多个浊度传感器中任一者的测量值进行滤波计算，以得到所述浊度估计值。
[0049] 其中，所述控制模块还用于：当所述多个浊度传感器的测量值的方差大于预定阈值时，使洗碗机重新洗涤；洗涤次数超过预定次数时，并且所述多个浊度传感器的测量值的方差大于预定阈值时，利用一维卡尔曼滤波算法对所述多个浊度传感器中任一者的测量值进行滤波计算，以得到所述浊度估计值。
[0050] 其中，所述卡尔曼融合算法包括：
[0051] 状态方程：
[0052]
[0053]
[0054] 预测方程：
[0055]
[0056]
[0057] 更新方程：
[0058] Gk＝PkCT(CPkCT+R)-1
[0059]
[0060] Pk＝(I-GkC)Pk-1
[0061] 其中， 为第k时刻所述多个浊度传感器的测量值的预测值组成的状态变量矩阵，A为的状态转移矩阵，zk为第k时刻所述多个浊度传感器的测量值的测量矩阵，C为系数矩阵，vk为第k时刻的测量噪声，Pk为 的协方差，Gk为卡尔曼增益，R为测量噪声vk的协方差，Q为过程噪声协方差，I是单位矩阵。
[0062] 其中，所述一维卡尔曼滤波器包括：
[0063] 状态方程：
[0064]
[0065] 测量方程：
[0066] Y(k)＝HX(k)+V(k)
[0067] 预测方程：
[0068]
[0069] 更新方程：
[0070]
[0071]
[0072] 滤波增益矩阵：
[0073] K(k+1)＝P(k+1|k)HT[HP(k+1|k)HT+R]-1
[0074] 一步预测协方差矩阵：
[0075]
[0076] 协方差矩阵更新方程：
[0077] P(k+1|k+1)＝[I-K(k+1)H]P(k+1|k)
[0078] 其中，X(k+1)为k+1时刻相应浊度传感器测量值的预测值，Y(k)为所述多个浊度传感器中任一者的测量值， τ为控制参数，H为系统状态参数矩阵，W(k)过程噪声，V(k)为测量噪声，Q为W(k)的方差，R为V(k)的方差， 为k+1时刻的先验预测值，为k时刻的后验预测值，K(k+1)为k+1时刻的滤波增益，P(k+1|k)为 的协方差，P(k|k)为 的协方差。
[0079] 其中，所述滤波增益矩阵为：
[0080] K(k+1)＝P2(k+1|k)HT[H2P2(k+1|k)HT+R2]-1
[0081] 其中，K(k+1)为k+1时刻的滤波增益，R为V(k)的方差，P(k+1|k)为 的协方差，H为系统状态参数矩阵。
[0082] 其中，所述多个浊度传感器的至少两个分别位于洗碗机的水杯中洗涤泵进水口和排水口。
[0083] 根据本发明的另一方面，还提供一种洗碗机，该洗碗机包括所述测量浊度的装置。
[0084] 根据本发明的另一方面，还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行所述测量浊度的方法。
[0085] 通过上述技术方案，通过获多个浊度传感器的测量值，利用融合算法对其滤波，并针对多个浊度传感器测量值之间波动较大的情况设计了一维滤波算法，从而有效消除了传感器身的误差以及传感器安装置、洗碗机使用环境对浊度测量带来的影响，从而保证浊度测量的准确性。此外，本发明不改变洗碗机系统的硬件结构，因此适用性强，结约了硬件成本。
[0086] 本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0087] 附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
[0088] 图1是根据本发明一实施例的测量浊度的方法的流程图；
[0089] 图2是根据本发明另一实施例的测量浊度的方法的流程图；
[0090] 图3是根据本发明另一实施例的测量浊度的方法的流程图；
[0091] 图4是根据本发明另一实施例的测量浊度的方法的流程图；
[0092] 图5是根据本发明另一实施例的测量浊度的装置的结构框图；
[0093] 图6是根据本发明另一实施例的测量浊度的装置的结构图；
[0094] 图7是根据本发明另一实施例的测量浊度的装置的结构图；
[0095] 图8是根据本发明另一实施例的测量浊度的装置中浊度传感器优选安装置位置的示意图；以及
[0096] 图9-11是示出本发明的测量浊度的方法和装置的效果的图。
[0097] 附图标记说明
[0098] 10、11、12、13：浊度传感器 20：控制模块
[0099] 21：控制器 22：一维卡尔曼滤波模块
[0100] 23：融合算法模块
具体实施方式
[0101] 以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
[0102] 图1是根据本发明一实施例的测量浊度的方法的流程图。如图1所示，该方法包括以下步骤：
[0103] 在步骤S110中，获取多个浊度传感器的测量值。
[0104] 优选地，可将所述多个浊度传感器中至少两个分设置在洗碗机水杯中洗涤泵进水口和排出口，以更加全面地采集浊度数据。
[0105] 在步骤S120中，利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取浊度估计值，并以该浊度估计值作为所测量的浊度值。
[0106] 其中，所述卡尔曼融合算法包括：
[0107] 状态方程：
[0108]
[0109]
[0110] 预测方程：
[0111]
[0112] Pk＝APk-1AT
[0113] 更新方程：
[0114] Gk＝PkCT(CPkCT+R)-1
[0115]
[0116] Pk＝(I-GkC)Pk-1
[0117] 其中， 为第k时刻所述多个浊度传感器的测量值的预测值组成的状态变量矩阵，A为的状态转移矩阵，zk为第k时刻所述多个浊度传感器的测量值的测量矩阵，C为系数矩阵，vk为第k时刻的测量噪声，Pk为 的协方差，Gk为卡尔曼增益，R为测量噪声vk的协方差，Q为过程噪声协方差，I是单位矩阵。
[0118] 其中，R为包含每组浊度传感器之间的协方差的矩阵，其可通过取多个浊度传感器的多次(例如100次)测量值计算得出，例如，在浊度传感器数量为两个的情况下，如果测得浊度传感器自身的测量标准差为0.8，则其方差为0.64，此时可定义 Q可通过仿真得出其最佳模型矩阵，以便于滤波收剑，例如当浊度传感器的数量为两个，且都为GE-TS型浊度传感器时，可定义Q为 当然，本发明对浊度传感器的型号不进行限制，使用任何型号的浊度传感器都在本发明的范围内。在本实施例中可假设环境噪声为高斯噪声
[0119] 由此，本实施例通过扩展卡尔曼滤波融合算法实现对多个浊度传感器的测量值进行滤波，从而能够获得更接近真值的浊度估计值，并以该浊度估计值为所测量的浊度值，以进一步提高洗碗机的控制精度，提高清洗效果。
[0120] 图2是根据本发明另一实施例的测量浊度的方法的流程图。如图2所示，除步骤S210-S220以外，该方法还优选地包括步骤S230。
[0121] 在步骤S230中，利用一维卡尔曼滤波算法对所述浊度估计值进行滤波，并将滤波后的浊度估计值作为所测量的浊度值。通过卡尔曼融合算法得到的浊度估计值已滤除了部分噪声，但为了进一步保证浊度估计值的精确性，可利用一维卡尔曼滤波器对由卡尔曼融合算法得到的浊度估计值进行再一次滤波，以进一步提高精确性。
[0122] 图3是根据本发明另一实施例的测量浊度的方法的流程图。该方法可以包括以下步骤：
[0123] 在步骤S310中，获取多个浊度传感器的测量值。
[0124] 在步骤S320中，判断多个浊度传感器的测量值的方差是否超过预定阈值。
[0125] 在步骤S330中，当所述多个浊度传感器的测量值的方差不超过预定阈值时，利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取所述浊度估计值。当多个浊度传感器的测量值的方差没有超过预定阈值时，说明此时清洗后的水体浊度整体均匀稳定，可以此时的测量值进行算法处理。
[0126] 在步骤S340中，如果多个浊度传感器的测量值的方差超过预定阈值，则说明明水体浊度还不稳定且不均匀，也有可能是浊度传感器自身测量状态出现问题，由于在实现本发明的过程中已证实利用一维卡尔曼滤波算法对单一浊度传感器进行滤波处理也能获得显著的效果，因此，此时可利用一维卡尔曼滤波算法对所述多个浊度传感器中的任意一者的测量值进行滤波，以获取浊度估计值。
[0127] 图4是根据本发明另一实施例的测量浊度的方法的流程图。在图4中，步骤S410-S420同步骤S310和步骤S320。如图4所示，该方法还可以包括以下步骤：
[0128] 在步骤S430中，当所述多个浊度传感器的方差大于预定阈值时，使洗碗机重新洗涤，并重新获取多个浊度传感器的测量值。如果多个浊度传感器的测量值的方差超过预定阈值，则说明明水体浊度还不稳定且不均匀，可使洗碗机重新洗涤，以在水体浊度均匀稳定后重新获取测量值。
[0129] 在步骤S440中，当所述多个浊度传感器的测量值的方差不超过预定阈值时，利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取所述浊度估计值。
[0130] 在步骤S450中，重新获取多个浊度传感器的测量值。
[0131] 在步骤S460中，再次判断多个浊度传感器的测量值的方差是否然超过预定阈值。
[0132] 在步骤S470中，判断洗涤次数是否超过预定次数。
[0133] 在步骤S480中，当洗涤次数超过预定次数(例如超过3次)，并且所述多个浊度传感器的方差依旧大于预定阈值时，则说明浊度传感器的自身可能出现了故障，不适合用前述卡尔曼融合算法进行处理，此时可利用一维卡尔曼滤波算法对所述多个浊度传感器中任一者的测量值进行滤波计算，以得到所述浊度估计值。
[0134] 如果重新洗涤后所述多个浊度传感器的方差仍然大于预定阈值，但洗涤次数未超过预定次数，则可使洗碗机再次重复洗涤。
[0135] 其中，所述一维卡尔曼滤波器包括：
[0136] 状态方程：
[0137]
[0138] 测量方程：
[0139] Y(k)＝HX(k)+V(k)
[0140] 预测方程：
[0141]
[0142] 更新方程：
[0143]
[0144]
[0145] 滤波增益矩阵：
[0146] K(k+1)＝P(k+1|k)HT[HP(k+1|k)HT+R]-1
[0147] 一步预测协方差矩阵：
[0148]
[0149] 协方差矩阵更新方程：
[0150] P(k+1|k+1)＝[I-K(k+1)H]P(k+1|k)
[0151] 其中，X(k+1)为k+1时刻相应浊度传感器测量值的预测值，Y(k)为所述多个浊度传感器中任一者的测量值， τ为控制参数，H为系统状态参数矩阵，W(k)过程噪声，V(k)为测量噪声，Q为W(k)的方差，R为V(k)的方差， 为k+1时刻的先验预测值，为k时刻的后验预测值，K(k+1)为k+1时刻的滤波增益，P(k+1|k)为 的协方差，P(k|k)为 的协方差，I为单位矩阵。
[0152] 其中，为了将频繁波动的数据特性平缓化，得到更为稳定的滤波结果，可将所述滤波增益矩阵变形为：
[0153] K(k+1)＝P2(k+1|k)HT[H2P2(k+1|k)HT+R2]-1
[0154] 其中，K(k+1)为k+1时刻的滤波增益，R为V(k)的方差，P(k+1|k)为 的协方差，H为系统状态参数矩阵。
[0155] 在上述一维卡尔曼滤波算法的数学式中，由于输入量只有一个浊度传感器的预测值或测量值，因此，Q、R、H、I等可看作是1×1的一维矩阵。类似地，R可通过对浊度传感器进行多次测量后由其多次测量值的方差确定，Q可通过仿真测试获得。例如，可取值为R＝13.5、Q＝12.
[0156] 图5是根据本发明另一实施例的测量浊度的装置的结构框图。如图5所示，该装置可以包括：多个浊度传感器10，用于获取洗碗机中水的浊度；控制模块20，用于：利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取浊度估计值，并将该所述浊度估计值作为所测量的浊度值。
[0157] 图6是示出了根据本发明另一实施例的测量浊度的装置的部分结构的图。如图6所示，控制模块可以包括控制器21和一维卡尔曼滤波模块22。图6中示例性地示出了多个浊度传感器中的一个浊度传感器11与一维卡尔曼滤波模块连接的情况，但应当理解的是多个浊度传感器中的任一个或多个连接至一维卡尔曼滤波模块均属于本发明的范围。一维卡尔曼滤波模块22利用上述描述过的一维卡尔曼滤波模块进行计算。
[0158] 图7是示出了根据本发明另一实施例的测量浊度的装置的部分结构的图。如图7所示，控制模块包括控制器21和融合算法模块23，浊度传感器12、13分别连接至融合算法模块23，应该理解的是，本发明不限于图7中示出的浊度传感器的数量。融合算法模块23利用如上所述的卡尔曼滤波算法进行计算。
[0159] 在图7所示的实施例中，浊度传感器12、13的测量值经包括电阻以及电容的采集电路后，可经过AD转换后输入融合算法模块，融合算法模块对所采集的多个浊度传感器的测量值进行融合计算，以获取浊度估计值，并将该所述浊度估计值作为所测量的浊度值。
[0160] 在另一实施例中，所述测量浊度的装置的控制模块可以在图7的基础上进一步包括如图6所示的一维卡尔曼滤波模块22，此时，一维卡尔曼滤波算法模块22可与融合算法模块连接，融合算法模块23输出的浊度估计值被输入一维卡尔曼滤波算法模块22，从而利用一维卡尔曼滤波算法对所述浊度估计值进行滤波，并将根据滤波后的浊度估计值作为所测量的浊度值。
[0161] 在再一实施例中，控制模块同时包括如图6和图7所示的控制器21、一维滤波算法模块22和融合算法模块23，此时，多个浊度传感器经采集电路连接至融合算法模块23，多个浊度传感器中的任意一个或多个浊度传感器经采集电路可连接至一维卡尔曼滤波算法模块。由此，当所述多个浊度传感器的测量值的方差不超过预定阈值时，利用卡尔曼滤波器融合算法对所述多个浊度传感器的测量值进行融合计算，以获取所述浊度估计值；而当所述多个浊度传感器的方差大于预定阈值时，选取与一维卡尔曼滤波算法模块23连接的浊度传感器中任意一者的测量值，并利用一维卡尔曼滤波算法对该浊度传感器的测量值进行滤波计算，以得到所述浊度估计值。
[0162] 在又一实施例中，控制模块同时包括如图6和图7所示的控制器21、一维滤波算法模块22和融合算法模块23，此时，多个浊度传感器经采集电路连接至融合算法模块23，多个浊度传感器中的多个浊度传感器经采集电路可连接至一维卡尔曼滤波算法模块。并且融合算法模块连接至一维算法模块，从而使融合算法模块利用卡尔曼滤波器融合算法输出的浊度估计值进行滤波。
[0163] 在其它实施例中，所述控制模块20还可以用于：当所述多个浊度传感器的方差大于预定阈值时，使洗碗机重新洗涤，并重新获取多个浊度传感器的测量值；当洗涤次数超过预定次数，并且所述多个浊度传感器的测量值的方差依旧大于预定阈值时，利用一维卡尔曼滤波算法对所述多个浊度传感器中任一者的测量值进行滤波计算，以得到所述浊度估计值。
[0164] 在其它实施例中，浊度传感器也可以不与一维卡尔曼滤波算法模块22和/或融合算法模块23连接，而是与控制器连接，从而控制器可以将采集的多个浊度传感器的测量值按照上述处理逻辑输出一维卡尔曼滤波算法模块22和/或融合算法模块23，以得到浊度估计值。
[0165] 图8是根据本发明另一实施例的测量浊度的装置中浊度传感器优选安装位置的示意图。图8中右图是左图圆圈部分的放大图，如图8所示，多个浊度传感器的安装位置优选为其中的至少两个分别位于洗碗机的水杯中洗涤泵进水口和排水口。
[0166] 图9-11是示出本发明的测量浊度的方法和装置的效果的图。所述多个浊度传感器的至少两个分别位于洗碗机的水杯中洗涤泵进水口和排水口。
[0167] 如图9所示，利用卡尔曼融合算法对多个浊度传感器的测量值进行融合计算处理后得到的浊度估计值最接近整体测量值的中心值，并且其误差波动幅度显著低于测量值的测量误差。这表明卡尔曼融合算法有效地滤除了浊度传感器测量过程中的噪声信号。
[0168] 如图10所示，使用一维卡尔曼滤波算法对单一浊度传感器进行滤波处理后的浊度估计值比测量值更接近真实浊度值，并且与真实浊度值之间的误差非常小，其波动幅度也显著小于测量值的波动幅度。如图11所示，利用一维卡尔曼滤波算法对单一浊度传感器进行滤波处理后得到的浊度估计值的估计误差明显低于浊度传感器的测量误差。从图10和图11中可看出，用一维卡尔曼滤波算法对单一浊度传感器的测量值进行滤波处理后，也能获取较好的效果。但是其效果低于利用融合算法对多个浊度传感器进行融合计算后的效果，因此，的情况可设计为在浊度传感器本身出现故障时利用一维卡尔曼滤波算法进行处理，以提高系统整体的容错性。
[0169] 以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
[0170] 另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
[0171] 本领域技术人员可以理解实现上述实施例装置中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述装置的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0172] 此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。
