CN107607182A - 一种卡车称重系统以及称重方法 - Google Patents
一种卡车称重系统以及称重方法 Download PDFInfo
- Publication number
- CN107607182A CN107607182A CN201710661541.2A CN201710661541A CN107607182A CN 107607182 A CN107607182 A CN 107607182A CN 201710661541 A CN201710661541 A CN 201710661541A CN 107607182 A CN107607182 A CN 107607182A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- weight
- sensor
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种卡车称重系统，包括：称重架，其通过四个传感器连接于卡车车厢与卡车架之间，用于获取卡车车厢的重量；陀螺仪，其用于测量测量卡车中线与地面垂直的角度；以及智能称重系统，其分别与四个所述传感器及陀螺仪连接，用于将四个所述传感器依次实时称取的多次已知重量输入至BP神经网络标定以获取每个所述传感器的实时斜率，根据所述实时斜率获取称取的实时测量重量，将所述实时测量重量结合所述陀螺仪获取的角度得出测量的实际重量。
Description
技术领域
本发明涉及卡车称重领域，特别涉及一种卡车称重系统的称重方法。
背景技术
卡车称重一般采用四个传感器进行计算重量，计算重量的时候是4个角的传感器之和，然而，在安装过程中，四个角的位置可能会偏离设计一些，同时，在其上面所放的物体很难放到其正中心，这样其上面放置的重量是无法平分到4个传感器上。这样的问题是在安装之后的归零，是4个传感器同时归零。压力传感器每一个都是线性的，但是每一个线性函数的斜率确是不一样。如果每一个传感器在安装前标定的话，都是非常准确的。同时可以测量托架的重量。这样使用是没有问题的。然而，这是由于每个传感器都有差别，这种就是一次性标定，而实际上在维护中，更换的时候很难将新的标定再次设置的那么和谐，并且长时间的疲劳有可能会带来斜率的变化。同时，这种设定也将带来巨大的人力。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种卡车称重系统的称重方法，从而克服卡车称重中传感器在使用过程中因斜率的变化使得测量重量不准确的缺点。
为实现上述目的，一方面，本发明提供了一种卡车称重系统，包括：称重架，其通过四个传感器连接于卡车车厢与卡车架之间，用于获取卡车车厢的重量；陀螺仪，其用于测量测量卡车中线与地面垂直的角度；以及智能称重系统，其分别与四个所述传感器及陀螺仪连接，用于将四个所述传感器依次实时称取的多次已知重量输入至BP神经网络标定以获取每个所述传感器的实时斜率，根据所述实时斜率获取称取的实时测量重量，将所述实时测量重量结合所述陀螺仪获取的角度得出测量的实际重量。
优选地，上述技术方案中，所述传感器为压片传感器。
优选地，上述技术方案中，还包括人机交互界面，该人机交互界面与所述智能称重系统。
优选地，上述技术方案中，四个所述传感器分布于所述称重架的四周。
为实现上述目的，另一方面，本发明提供了一种卡车称重方法，包括以下步骤：
1)设初始的质量为M，分担到每个传感器上的质量为m1、m2、m3、m4，M＝m1+m2+m3+m4；每个传感器的斜率为ki＝(infi-inf i0)/(mi-0)，其中，infi为称重后的传感器电压值，infi0为传感器初始电压值；
2)在称重架的几何中心位置依次叠放已知重量的三个物体M，因此三个物体分别接近M1,M2,M3；依次将M1,M2,M3输入至BP神经网络；其中，连接权值ωi＝ki，输入xi＝mi；
3)根据BP神经网络，神经元采用S型激活函数，对于一个神经元的网络输入可以表示为：
其中，x1,x2,x3,x4是神经元所接受的输入，ω1，ω2，ω3，ω4分别是对应的连接权值；该神经元的输出为：
其中，e为实际重量与测量重量之间的误差，y为经过传感器线性计算出来的重量带入神经元的S型激活函数的实时测量重量；
4)将所述实时测量重量结合所述陀螺仪获取的角度得出测量的实际重量。
优选地，上述技术方案中，步骤3)具体包括：
61)给定误差范围值包括单个传感器误差范围值和总的传感器误差范围值，之后为各个神经网络连接权值ω1，ω2，ω3，ω4赋初始值0，确定步长η，给定计算精度值ε和最大学习次数N；
62)将测量块M的已知重量做成样本x(k)＝(x1(k),x2(k),x3(k),x4(k))以及对应的期望值带入S型激活函数中计算：
同时也将通过传感器计算出来的重量值带入到S型激活函数中计算，比较两者计算结果的误差是否满足要求，如果满足，计算全局误差：
如果继续满足，则执行步骤64)记录当前连接权值，满足要求E＜ε或学习次数N，此时得到各个权值函数；如果不满足，则执行步骤63)；
步骤63)计算各个神经元的偏导数，修正连接权值：
δ0＝(do(k)-yo(k))yo(k)(1-yo(k))
检查是否是为放上的最后测量块，如果是，检查迭代次数是否达到指定次数，若达到，则执行步骤64)，若未达到，执行步骤62)；如果不是最后测量块，检查迭代次数是否达到指定次数，如果未达到，执行步骤62)，若达到，更换下一个测量块，再执行步骤62)；
步骤64)：记录连接权值和误差：
ωi n+1(k)＝ωi n(k)+ηδ0(k)。
与现有技术相比，本发明具有如下有益效果：
本发明通过神经元算法对传感器进行在线动态标定，从而能够实时获取传感器的准确斜率，进而能够获取准确的测量重量，解决了传感器因维护或更换造成的失准问题。
附图说明
图1是根据本发明的卡车称重系统的结构示意图。
图2是根据本发明的神经元算法对传感器进行在线动态标定的流程图。
图3-1至图3-5是根据本发明的斜率误差走势图。
主要附图标记说明：
1-智能称重系统，2-传感器，3-陀螺仪，4-人机交互界面。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
图1显示了根据本发明优选实施方式的卡车称重系统的结构示意图。
如图1所示，卡车称重系统包括：称重架、陀螺仪3、智能称重系统1以及人机交互界面4；称重架通过四个传感器2连接于卡车车厢与卡车架之间，用于获取卡车车厢的重量，传感器2优选为为压片传感器，四个传感器2分布于称重架的四周；陀螺仪3用于测量测量卡车中线与地面垂直的角度；智能称重系统1分别与四个传感器2及陀螺仪3连接，用于将四个传感器2依次实时称取的多次已知重量输入至BP神经网络标定以获取每个传感器2的实时斜率，根据实时斜率获取称取的实时测量重量，将实时测量重量结合所述陀螺仪获取的角度得出测量的实际重量，人机交互界面与智能称重系统，用于显示重量的等信息。
卡车称重方法包括以下步骤：
1)在实际中，由于安装问题和称重架的制造问题，其中心并不在中心上，所以分担到每个传感器的重量是不同的，设初始的质量为M，分担到每个传感器上的质量为m1、m2、m3、m4，M＝m1+m2+m3+m4；每个传感器的斜率为ki＝(infi-inf i0)/(mi-0)，但是由于初始的质量未知，所以斜率计算不出来，其中，infi为称重后的传感器电压值，inf i0为传感器初始电压值；
2)在称重架的几何中心位置依次叠放已知重量的三个物体M，因此三个物体分别接近M1,M2,M3；依次将M1,M2,M3输入至BP神经网络；其中，连接权值ωi＝ki，输入xi＝mi；
3)根据BP神经网络算法，神经元采用S型激活函数，所要的函数是处处可导的，对于一个神经元的网络输入可以表示为：
net＝x1ω1+x2ω2+x3ω3+x4ω4
其中，x1,x2,x3,x4是神经元所接受的输入，ω1，ω2，ω3，ω4分别是对应的连接权值；该神经元的输出为：
其中，e为实际重量与测量重量之间的误差，y为经过传感器线性计算出来的重量带入神经元的S型激活函数的实时测量重量；
如图2所示，步骤3)具体包括：
61)给定误差范围值包括单个传感器误差范围值和总的传感器误差范围值，之后为各个神经网络连接权值ω1，ω2，ω3，ω4赋初始值0，确定步长η，给定计算精度值ε和最大学习次数N；其中，do实际重量带入S型激活函数的结果，yo是经过传感器线性计算出来的重量带入S型激活函数的结果。
62)将测量块M的已知重量做成样本x(k)＝(x1(k),x2(k),x3(k),x4(k))以及对应的期望值带入S型激活函数中计算：
式中，d是实际重量带入S型激活函数的结果，同时也将通过传感器计算出来的重量值带入到S型激活函数中计算，比较两者计算结果的误差是否满足要求，如果满足，计算全局误差：
如果继续满足，则执行步骤64)记录当前连接权值，满足要求E＜ε或学习次数N，此时得到各个权值函数，其中ε为目标的已知量；如果不满足，则执行步骤63)；
步骤63)计算各个神经元的偏导数，修正连接权值：
δ0＝(do(k)-yo(k))yo(k)(1-yo(k))
式中，δ0为偏导数；检查是否是为放上的最后测量块，如果是，检查迭代次数是否达到指定次数，若达到，则执行步骤64)，若未达到，执行步骤62)；如果不是最后测量块，检查迭代次数是否达到指定次数，如果未达到，执行步骤62)，若达到，更换下一个测量块，再执行步骤62)；
步骤64)：记录连接权值和误差：
ωi n+1(k)＝ωi n(k)+ηδ0(k)。
4)通过陀螺仪测量卡车中线与地面垂直的角度α，将实时测量重量结合陀螺仪获取的角度得出测量的实际重量＝测量的重量/cosα。
通过上述卡车称重方法进行试验测试：
假定：传感器原始是430，经一段时间应用，有所变化，变为425 427 425420，这些数字在安装之后难以获得。现通过本专利算法，计算得出较为接近的数值，使总体测量满足误差要求1％。重量每次添加上去的分别是80kg，40kg，20kg。
经计算获得的读数为：
表1不同测量块传感器斜率计算的数据
经过三种不同重量的迭代。总误差0.11％小于要求的1％。所计算的斜率满足使用要求。图3-1至图3-5为各个传感器斜率误差。
本发明通过神经元算法对传感器进行在线动态标定，从而能够实时获取传感器的准确斜率，进而能够获取准确的测量重量，解决了传感器因维护或更换造成的失准问题。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (6)
1.一种卡车称重系统，其特征在于，包括：
称重架，其通过四个传感器连接于卡车车厢与卡车架之间，用于获取卡车车厢的重量；
陀螺仪，其用于测量测量卡车中线与地面垂直的角度；以及
智能称重系统，其分别与四个所述传感器及陀螺仪连接，用于将四个所述传感器依次实时称取的多次已知重量输入至BP神经网络标定以获取每个所述传感器的实时斜率，根据所述实时斜率获取称取的实时测量重量，将所述实时测量重量结合所述陀螺仪获取的角度得出测量的实际重量。
2.根据权利要求1所述的卡车称重系统，其特征在于，所述传感器为压片传感器。
3.根据权利要求1所述的卡车称重系统，其特征在于，还包括人机交互界面，该人机交互界面与所述智能称重系统。
4.根据权利要求1所述的卡车称重系统，其特征在于，四个所述传感器分布于所述称重架的四周。
5.一种根据权利要求1所述的卡车称重系统的称重方法，其特征在于，包括以下步骤：
1)设初始的质量为M，分担到每个传感器上的质量为m1、m2、m3、m4，M＝m1+m2+m3+m4；每个传感器的斜率为ki＝(infi-infi0)/(mi-0)，其中，infi为称重后的传感器电压值，infi0为传感器初始电压值；
2)在称重架的几何中心位置依次叠放已知重量的三个物体M，因此三个物体分别接近M1,M2,M3；依次将M1,M2,M3输入至BP神经网络；其中，连接权值ωi＝ki，输入xi＝mi；
3)根据BP神经网络，神经元采用S型激活函数，对于一个神经元的网络输入可以表示为：
net＝x1ω1+x2ω2+x3ω3+x4ω4
其中，x1,x2,x3,x4是神经元所接受的输入，ω1，ω2，ω3，ω4分别是对应的连接权值；该神经元的输出为：
<mrow>
<mi>y</mi>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中，e为实际重量与测量重量之间的误差，y为经过传感器线性计算出来的重量带入神经元的S型激活函数的实时测量重量；
4)将所述实时测量重量结合所述陀螺仪获取的角度得出测量的实际重量。
6.根据权利要求5所述的卡车称重系统，其特征在于，步骤3)具体包括：
61)给定误差范围值包括单个传感器误差范围值和总的传感器误差范围值，之后为各个神经网络连接权值ω1，ω2，ω3，ω4赋初始值0，确定步长η，给定计算精度值ε和最大学习次数N；
62)将测量块M的已知重量做成样本x(k)＝(x1(k),x2(k),x3(k),x4(k))以及对应的期望值带入S型激活函数中计算：
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>M</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
同时也将通过传感器计算出来的重量值带入到S型激活函数中计算，比较两者计算结果的误差是否满足要求，如果满足，计算全局误差：
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>o</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
如果继续满足，则执行步骤64)记录当前连接权值，满足要求E＜ε或学习次数N，此时得到各个权值函数；如果不满足，则执行步骤63)；
步骤63)计算各个神经元的偏导数，修正连接权值：
<mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
</mrow>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>+</mo>
<mn>1</mn>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>=</mo>
<mi>y</mi>
<mo>-</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
δ0＝(do(k)-yo(k))yo(k)(1-yo(k))
δ0为偏导数，检查是否是为放上的最后测量块，如果是，检查迭代次数是否达到指定次数，若达到，则执行步骤64)，若未达到，执行步骤62)；如果不是最后测量块，检查迭代次数是否达到指定次数，如果未达到，执行步骤62)，若达到，更换下一个测量块，再执行步骤62)；
步骤64)：记录连接权值和误差：
ωi n+1(k)＝ωi n(k)+ηδ0(k)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710661541.2A CN107607182B (zh) | 2017-08-04 | 2017-08-04 | 一种卡车称重系统以及称重方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710661541.2A CN107607182B (zh) | 2017-08-04 | 2017-08-04 | 一种卡车称重系统以及称重方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107607182A true CN107607182A (zh) | 2018-01-19 |
| CN107607182B CN107607182B (zh) | 2019-12-13 |
Family
ID=61064551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710661541.2A Active CN107607182B (zh) | 2017-08-04 | 2017-08-04 | 一种卡车称重系统以及称重方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107607182B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111376910A (zh) * | 2018-12-29 | 2020-07-07 | 北京嘀嘀无限科技发展有限公司 | 用户行为的识别方法、识别系统及计算机设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4623029A (en) * | 1985-08-22 | 1986-11-18 | Oceanside Electronics | Weighing system for vehicles with temperature and inclinometer correction |
| CN101947929A (zh) * | 2010-09-03 | 2011-01-19 | 江苏赛摩集团有限公司 | 一种车辆称重装置及其校准方法 |
| CN201872659U (zh) * | 2010-12-07 | 2011-06-22 | 袁达臣 | 能对所载货物自行称重的自卸车 |
| CN201909661U (zh) * | 2010-12-21 | 2011-07-27 | 山东科技大学 | 汽车装载重量实时检测装置 |
| CN102506983A (zh) * | 2011-10-31 | 2012-06-20 | 湖南师范大学 | 汽车衡称重误差自动补偿方法 |
| CN103234610A (zh) * | 2013-05-14 | 2013-08-07 | 湖南师范大学 | 一种适用于汽车衡的称重方法 |
| CN103592014A (zh) * | 2013-11-06 | 2014-02-19 | 重庆工商大学 | 一种车载称重系统的传感器标定方法 |
| CN103852149A (zh) * | 2012-11-28 | 2014-06-11 | 西安正昌电子有限责任公司 | 一种汽车载重量自测量传感器 |
| CN104340104A (zh) * | 2013-07-26 | 2015-02-11 | Jc班福德挖掘机有限公司 | 对载荷进行称重的方法 |
| CN105865607A (zh) * | 2016-04-28 | 2016-08-17 | 启东雷泰精密仪器有限公司 | 车载称重模块的动态称重修正方法 |
| CN105973444A (zh) * | 2016-06-25 | 2016-09-28 | 湖南师范大学 | 一种改进的汽车衡称重方法 |
-
2017
- 2017-08-04 CN CN201710661541.2A patent/CN107607182B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4623029A (en) * | 1985-08-22 | 1986-11-18 | Oceanside Electronics | Weighing system for vehicles with temperature and inclinometer correction |
| CN101947929A (zh) * | 2010-09-03 | 2011-01-19 | 江苏赛摩集团有限公司 | 一种车辆称重装置及其校准方法 |
| CN201872659U (zh) * | 2010-12-07 | 2011-06-22 | 袁达臣 | 能对所载货物自行称重的自卸车 |
| CN201909661U (zh) * | 2010-12-21 | 2011-07-27 | 山东科技大学 | 汽车装载重量实时检测装置 |
| CN102506983A (zh) * | 2011-10-31 | 2012-06-20 | 湖南师范大学 | 汽车衡称重误差自动补偿方法 |
| CN103852149A (zh) * | 2012-11-28 | 2014-06-11 | 西安正昌电子有限责任公司 | 一种汽车载重量自测量传感器 |
| CN103234610A (zh) * | 2013-05-14 | 2013-08-07 | 湖南师范大学 | 一种适用于汽车衡的称重方法 |
| CN104340104A (zh) * | 2013-07-26 | 2015-02-11 | Jc班福德挖掘机有限公司 | 对载荷进行称重的方法 |
| CN103592014A (zh) * | 2013-11-06 | 2014-02-19 | 重庆工商大学 | 一种车载称重系统的传感器标定方法 |
| CN105865607A (zh) * | 2016-04-28 | 2016-08-17 | 启东雷泰精密仪器有限公司 | 车载称重模块的动态称重修正方法 |
| CN105973444A (zh) * | 2016-06-25 | 2016-09-28 | 湖南师范大学 | 一种改进的汽车衡称重方法 |
Non-Patent Citations (1)
| Title |
|---|
| 谭爽 等: "《基于灰色神经网络的汽车动态称重数据处理》", 《传感技术学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111376910A (zh) * | 2018-12-29 | 2020-07-07 | 北京嘀嘀无限科技发展有限公司 | 用户行为的识别方法、识别系统及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107607182B (zh) | 2019-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3557222B1 (en) | Calculation method and testing system for cumulative dust exposure to respirable dust of mine workers | |
| US7043374B2 (en) | Flow sensor signal conversion | |
| Li et al. | Compensation of automatic weighing error of belt weigher based on BP neural network | |
| US20100324873A1 (en) | Method and system for estimating three phase fluid flow for individual wells | |
| CN110851905B (zh) | 一种峡谷微地形条件下的输电铁塔风振系数计算方法 | |
| CN102506983A (zh) | 汽车衡称重误差自动补偿方法 | |
| CN101319925A (zh) | 一种利用bp神经网络的煤气计量方法 | |
| CN115687983A (zh) | 一种桥梁健康状态监测方法、系统及电子设备 | |
| CN112329334B (zh) | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 | |
| CN103900666A (zh) | 膜式燃气表长期运行的计量精度控制方法 | |
| Rab et al. | Comparison of Monte Carlo simulation, least square fitting and calibration factor methods for the evaluation of measurement uncertainty using direct pressure indicating devices | |
| CN105809249A (zh) | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 | |
| CN107063955A (zh) | 空气颗粒物检测仪校准方法及管理系统 | |
| CN102818746A (zh) | 一种测定不同粒径颗粒物密度的方法 | |
| CN114740159B (zh) | 一种天然气能量计量组分获取方法和物联网系统 | |
| CN102269581B (zh) | 一种建筑构件加工精度测评方法 | |
| CN110516920A (zh) | 基于指标融合的陀螺仪质量等级评估方法 | |
| CN107607182A (zh) | 一种卡车称重系统以及称重方法 | |
| CN107389176A (zh) | 一种基于多次校准的智能称重方法 | |
| CN112229454A (zh) | 测量烟用吸阻标准件流量压差曲线的系统和方法 | |
| CN111256745A (zh) | 一种便携式空气质量监测仪数据校准方法 | |
| CN116989972A (zh) | 基于热电模拟网络测试的测热试验数据不确定度评估方法 | |
| US20190235128A1 (en) | Determination of virtual process parameters | |
| CN110502849A (zh) | 一种应用于四维变分同化系统的扰动模式构建方法 | |
| CN105466631B (zh) | 一种活塞式压力计活塞有效面积的检定方法及检定装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |