CN109682526A - 一种多维力传感器的动态解耦方法 - Google Patents

一种多维力传感器的动态解耦方法 Download PDF

Info

Publication number
CN109682526A
CN109682526A CN201910160583.7A CN201910160583A CN109682526A CN 109682526 A CN109682526 A CN 109682526A CN 201910160583 A CN201910160583 A CN 201910160583A CN 109682526 A CN109682526 A CN 109682526A
Authority
CN
China
Prior art keywords
dynamic
sensor
decoupling
dimension force
force sensor
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.)
Pending
Application number
CN201910160583.7A
Other languages
English (en)
Inventor
王勇
吕仲明
胡珊珊
肖飞云
陆益民
陈恩伟
刘正士
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201910160583.7A priority Critical patent/CN109682526A/zh
Publication of CN109682526A publication Critical patent/CN109682526A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/16—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种多维力传感器的动态解耦方法，该方法包括以下步骤：(1)首先对传感器进行动态测试试验；(2)然后将传感器的输出信号进行动态补偿；(3)最后对经过补偿后的输出信号进行静态解耦，根据所得的试验数据代入静态解耦模型，完成解耦。本发明通过在传感器输出端串联一个动态补偿滤波器适当扩展和延伸传感器的有效工作频带，从而使传感器在该工作频带下进行静态解耦。该方法有效的解决传感器存在的动态响应慢的问题，无需进行复杂的算法，极大提高多维力传感器的动态性能指标。

Description

一种多维力传感器的动态解耦方法
技术领域
本发明涉及传感器技术领域，尤其涉及一种多维力传感器的动态解耦方法。
背景技术
随着智能机器人的快速发展，多维力传感器从早期的静态解耦逐渐发展到动态解耦，传感器的性能也从提高传感器的静态性能发展到提高传感器的动态性能。解耦就是要在最大程度上减小或消除耦合干扰。在实际应用中，现有的传感器存在动态维间耦合作用，对于处于动态条件下的多维力传感器，静态解耦得到的输出往往难以兼顾所有情况。
为了提高传感器的动态性能，研究人员首先提出了传感器的动态性能补偿，进一步提出了动态解耦。为了实现传感器动态输出的解耦，国内外研究者对多维力传感器的动态解耦开展了许多研究与尝试，在早期时候分别提出了以不变性原理为基础的传感器的动态解耦方法和对角优势化补偿的动态解耦方法，但是实现难度较大，没有在理论上完全地展示六维力传感器的动态耦合关系，只能实现近似解耦。另外，近年来，有学者提出了基于小波神经网络的解耦方法并且使用了遗传算法，但是存在实现难度较大，且距离实际应用还有一定差距的问题。综上所述，目前实际还没有一种有效的动态解耦方法，可以简化现有动态解耦方法的复杂性，从而提高多维力传感器的动态性能和精度。
据此，目前急需一种可实现传感器多维数据快速、有效拟合与解耦的方法，故而提出一种将动态性能补偿和解耦相结合，可以有效的将动态解耦转化为静态解耦的方法。
发明内容
本发明所要解决的技术问题在于提供一种可实现传感器多维数据快速、有效拟合与解耦的方法，故而提出一种将动态性能补偿和解耦相结合，可以有效的将动态解耦转化为静态解耦的方法。本发明采用以下技术方案解决上述技术问题：
一种多维力传感器的动态解耦方法，该方法包括以下步骤：
(1)首先对传感器进行动态测试试验；
(2)然后将传感器的输出信号进行动态补偿；
(3)最后对经过补偿后的输出信号进行静态解耦，根据所得的试验数据代入静态解耦模型，完成解耦。
作为本发明的优选方式之一，所述步骤(2)具体为：通过在传感器的输出端串联动态补偿滤波器来对传感器的有效工作频带进行适当的扩展和延伸，从而使得传感器测试系统动态特性达到预定要求。
作为本发明的优选方式之一，所述动态补偿滤波器可采用基于建模的动态模型的动态补偿滤波方法，具体为零极点相消或反卷积法。
作为本发明的优选方式之一，所述动态补偿滤波器实施例3可采用非建模的动态模型的动态补偿滤波方法，具体为粒子群优化算法或神经网络逆系统的补偿方法进行动态滤波补偿。
作为本发明的优选方式之一，所述步骤(3)中静态解耦可采用基于最小二乘法的线性解耦方法、基于BP神经网络的非线性解耦方法或基于模糊推理的传感器解耦方法。
作为本发明的优选方式之一，所述最小二乘法的线性解耦方法具体为假定传感器的输入与输出是线性关系，通过运用最小二乘法来确定其相关的参数。
作为本发明的优选方式之一，所述基于BP神经网络的非线性解耦方法具体为：
(1)首先，需要确定BP网络的结构形式；
(2)其次，选择可以用于网络模型训练和测试的样本数据；
(3)然后，对样本数据进行归一化处理；
(4)之后，对网络模型开始学习训练和测试；
(5)最后，对解耦测试效果展开效果分析讨论；通过统计分析实验数据，运用统计学的方法建立传感器的数学模型来实现传感器的非线性解耦合。
作为本发明的优选方式之一，所述基于模糊推理的传感器解耦方法具体为：
(1)把多维传感器看成一个黑箱系统，根据传感器的实际标定测量数据；
(2)利用人工智能方法中的模糊推理来建立多维传感器模型，并用该模型进行解耦计算。
作为本发明的优选方式之一，所述模糊推理需要经过3个步骤：①模糊推理的输入；②建立模糊推理规则；③输出信息的解模糊。
本发明相比现有技术的优点在于：本发明有效的将动态解耦转化为静态解耦的方法，将动态性能补偿和解耦的方法相结合，可以同时解决多维力传感器中存在的动态响应速度慢和动态维间耦合的问题，从而方便静态解耦，简化了传统动态解耦的复杂性，提高传感器动态性能和精度，具有良好的实际应用。
附图说明
图1是实施例中的应变式多维力传感器的频率响应特性图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
传感器的频率响应特性图如图1所示，传感器的一阶固有频率为f1，可用工作频率范围在0-f1/3处(或频率误差小于5％时)，但是该工作频率不足以满足传感器动态工作要求，故需通过在传感器的输出端串联动态补偿滤波器来对传感器的有效工作频带进行适当的扩展和延伸，从而使得传感器测试系统动态特性达到预定的工作频率。其动态补偿滤波可采用基于建模的动态模型的动态补偿滤波方法，具体为零极点相消或反卷积法；然后对经过补偿滤波后的输出信号进行静态解耦，静态解耦的方法可采用基于最小二乘法的线性解耦方法，具体为假定传感器的输入与输出是线性关系，通过运用最小二乘法来确定其相关的参数。
采用本实施例的补偿方法后，传感器的有效工作频率扩展到了0-(f1/3-f1)之间的虚线部分，本实施例对传感器进行了适度补偿、延伸，达到了扩宽传感器正常工作频率的预定要求。
实施例2
传感器的频率响应特性图如图1所示，传感器的一阶固有频率为f1，可用工作频率范围在0-f1/3处(或频率误差小于5％时)，但是该工作频率不足以满足传感器动态工作要求，故需通过在传感器的输出端串联动态补偿滤波器来对传感器的有效工作频带进行适当的扩展和延伸，从而使得传感器测试系统动态特性达到预定的工作频率。其动态补偿滤波可采用基于建模的动态模型的动态补偿滤波方法，具体为零极点相消或反卷积法；然后对经过补偿滤波后的输出信号进行静态解耦，静态解耦的方法可采用基于BP神经网络的非线性解耦方法，具体为：
(1)首先，需要确定BP网络的结构形式；
(2)其次，选择可以用于网络模型训练和测试的样本数据；
(3)然后，对样本数据进行归一化处理；
(4)之后，对网络模型开始学习训练和测试；
(5)最后，对解耦测试效果展开效果分析讨论；通过统计分析实验数据，运用统计学的方法建立传感器的数学模型来实现传感器的非线性解耦合。
采用本实施例的补偿方法后，传感器的有效工作频率扩展到了0-(f1/3-f1)之间的虚线部分，本实施例对传感器进行了适度补偿、延伸，达到了扩宽传感器正常工作频率的预定要求。
实施例3
传感器的频率响应特性图如图1所示，传感器的一阶固有频率为f1，可用工作频率范围在0-f1/3处(或频率误差小于5％时)，但是该工作频率不足以满足传感器动态工作要求，故需通过在传感器的输出端串联动态补偿滤波器来对传感器的有效工作频带进行适当的扩展和延伸，从而使得传感器测试系统动态特性达到预定的工作频率。其动态补偿滤波可采用基于建模的动态模型的动态补偿滤波方法，具体为零极点相消或反卷积法；然后对经过补偿滤波后的输出信号进行静态解耦，静态解耦的方法可采用基于模糊推理的传感器解耦方法，具体为基于为：
(1)把多维传感器看成一个黑箱系统，根据传感器的实际标定测量数据；
(2)利用人工智能方法中的模糊推理来建立多维传感器模型，并用该模型进行解耦计算；
(3)模糊推理需要经过3个步骤：①模糊推理的输入；②建立模糊推理规则；③输出信息的解模糊。
采用本实施例的补偿方法后，传感器的有效工作频率扩展到了0-(f1/3-f1)之间的虚线部分，本实施例对传感器进行了适度补偿、延伸，达到了扩宽传感器正常工作频率的预定要求。
实施例4
传感器的频率响应特性图如图1所示，传感器的一阶固有频率为f1，可用工作频率范围在0-f1/3处(或频率误差小于5％时)，但是该工作频率不足以满足传感器动态工作要求，故需通过在传感器的输出端串联动态补偿滤波器来对传感器的有效工作频带进行适当的扩展和延伸，从而使得传感器测试系统动态特性达到预定的工作频率。其动态补偿滤波可采用非建模的动态模型的动态补偿滤波方法，具体为粒子群优化算法或神经网络逆系统的补偿方法进行动态滤波补偿；然后对经过补偿滤波后的输出信号进行静态解耦，静态解耦的方法可采用基于最小二乘法的线性解耦方法，具体为假定传感器的输入与输出是线性关系，通过运用最小二乘法来确定其相关的参数。
采用本实施例的补偿方法后，传感器的有效工作频率扩展到了0-(f1/3-f1)之间的虚线部分，本实施例对传感器进行了适度补偿、延伸，达到了扩宽传感器正常工作频率的预定要求。
实施例5
传感器的频率响应特性图如图1所示，传感器的一阶固有频率为f1，可用工作频率范围在0-f1/3处(或频率误差小于5％时)，但是该工作频率不足以满足传感器动态工作要求，故需通过在传感器的输出端串联动态补偿滤波器来对传感器的有效工作频带进行适当的扩展和延伸，从而使得传感器测试系统动态特性达到预定的工作频率。其动态补偿滤波可采用非建模的动态模型的动态补偿滤波方法，具体为粒子群优化算法或神经网络逆系统的补偿方法进行动态滤波补偿；然后对经过补偿滤波后的输出信号进行静态解耦，静态解耦的方法可采用基于BP神经网络的非线性解耦方法，具体为：
(1)首先，需要确定BP网络的结构形式；
(2)其次，选择可以用于网络模型训练和测试的样本数据；
(3)然后，对样本数据进行归一化处理；
(4)之后，对网络模型开始学习训练和测试；
(5)最后，对解耦测试效果展开效果分析讨论；通过统计分析实验数据，运用统计学的方法建立传感器的数学模型来实现传感器的非线性解耦合。
采用本实施例的补偿方法后，传感器的有效工作频率扩展到了0-(f1/3-f1)之间的虚线部分，本实施例对传感器进行了适度补偿、延伸，达到了扩宽传感器正常工作频率的预定要求。
实施例6
传感器的频率响应特性图如图1所示，传感器的一阶固有频率为f1，可用工作频率范围在0-f1/3处(或频率误差小于5％时)，但是该工作频率不足以满足传感器动态工作要求，故需通过在传感器的输出端串联动态补偿滤波器来对传感器的有效工作频带进行适当的扩展和延伸，从而使得传感器测试系统动态特性达到预定的工作频率。其动态补偿滤波可采用非建模的动态模型的动态补偿滤波方法，具体为粒子群优化算法或神经网络逆系统的补偿方法进行动态滤波补偿；然后对经过补偿滤波后的输出信号进行静态解耦，静态解耦的方法可采用基于模糊推理的传感器解耦方法，具体为基于为：
(1)把多维传感器看成一个黑箱系统，根据传感器的实际标定测量数据；
(2)利用人工智能方法中的模糊推理来建立多维传感器模型，并用该模型进行解耦计算；
(3)模糊推理需要经过3个步骤：①模糊推理的输入；②建立模糊推理规则；③输出信息的解模糊。
采用本实施例的补偿方法后，传感器的有效工作频率扩展到了0-(f1/3-f1)之间的虚线部分，本实施例对传感器进行了适度补偿、延伸，达到了扩宽传感器正常工作频率的预定要求。
本发明的工作原理与有益效果：本发明首先对传感器做测试试验，然后将传感器的输出信号进行动态补偿，通过在传感器的输出端串联一个动态补偿滤波器来对传感器的有效工作频带进行适当的扩展和延伸，从而使得传感器测试系统动态特性达到预定要求，最后对经过补偿滤波后的输出信号进行静态解耦，根据所得的试验数据代入静态解耦公式，完成解耦。该方法可以对多维力传感器的输出信号进行实时动态解耦，解决多维力传感器中存在的维间耦合及动态响应慢的问题，增加传感器有效工作频带，将动态解耦转化到静态解耦，无需进行复杂的算法，极大提高多维力传感器的动态性能指标。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种多维力传感器的动态解耦方法，其特征在于，该方法包括以下步骤：
(1)首先对传感器进行动态测试试验；
(2)然后将传感器的输出信号进行动态补偿；
(3)最后对经过补偿后的输出信号进行静态解耦，根据所得的试验数据代入静态解耦模型，完成解耦。
2.根据权利要求1所述的多维力传感器的动态解耦方法，其特征在于，所述步骤(2)具体为：通过在传感器的输出端串联动态补偿滤波器来对传感器的有效工作频带进行适当的扩展和延伸，从而使得传感器测试系统动态特性达到预定要求。
3.根据权利要求2所述的多维力传感器的动态解耦方法，其特征在于，所述动态补偿滤波器可采用基于建模的动态模型的动态补偿滤波方法，具体为零极点相消或反卷积法。
4.根据权利要求2所述的多维力传感器的动态解耦方法，其特征在于，所述动态补偿滤波器可采用非建模的动态模型的动态补偿滤波方法，具体为粒子群优化算法或神经网络逆系统的补偿方法进行动态滤波补偿。
5.根据权利要求1所述的多维力传感器的动态解耦方法，其特征在于，所述步骤(3)中静态解耦可采用基于最小二乘法的线性解耦方法、基于BP神经网络的非线性解耦方法或基于模糊推理的传感器解耦方法。
6.根据权利要求5所述的多维力传感器的动态解耦方法，其特征在于，所述最小二乘法的线性解耦方法具体为假定传感器的输入与输出是线性关系，通过运用最小二乘法来确定其相关的参数。
7.根据权利要求5所述的多维力传感器的动态解耦方法，其特征在于，所述基于BP神经网络的非线性解耦方法具体为：
(1)首先，需要确定BP网络的结构形式；
(2)其次，选择可以用于网络模型训练和测试的样本数据；
(3)然后，对样本数据进行归一化处理；
(4)之后，对网络模型开始学习训练和测试；
(5)最后，对解耦测试效果展开效果分析讨论；通过统计分析实验数据，运用统计学的方法建立传感器的数学模型来实现传感器的非线性解耦合。
8.根据权利要求5所述的多维力传感器的动态解耦方法，其特征在于，所述基于模糊推理的传感器解耦方法具体为：
(1)把多维传感器看成一个黑箱系统，根据传感器的实际标定测量数据；
(2)利用人工智能方法中的模糊推理来建立多维传感器模型，并用该模型进行解耦计算。
9.根据权利要求8所述的多维力传感器的动态解耦方法，其特征在于，所述模糊推理需要经过3个步骤：①模糊推理的输入；②建立模糊推理规则；③输出信息的解模糊。
CN201910160583.7A 2019-03-04 2019-03-04 一种多维力传感器的动态解耦方法 Pending CN109682526A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910160583.7A CN109682526A (zh) 2019-03-04 2019-03-04 一种多维力传感器的动态解耦方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910160583.7A CN109682526A (zh) 2019-03-04 2019-03-04 一种多维力传感器的动态解耦方法

Publications (1)

Publication Number Publication Date
CN109682526A true CN109682526A (zh) 2019-04-26

Family

ID=66197492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910160583.7A Pending CN109682526A (zh) 2019-03-04 2019-03-04 一种多维力传感器的动态解耦方法

Country Status (1)

Country Link
CN (1) CN109682526A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175401A (zh) * 2019-05-27 2019-08-27 河北交通职业技术学院 源端解耦合归一化锁频环建模方法
CN111256905A (zh) * 2020-02-14 2020-06-09 金陵科技学院 一种噪声环境下多维力传感器的解耦方法
CN111272334A (zh) * 2020-02-18 2020-06-12 金陵科技学院 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法
CN111272335A (zh) * 2020-03-19 2020-06-12 合肥工业大学 基于时域迭代平均的机器人多维力/力矩传感器动态特性辨识方法
CN113420490A (zh) * 2021-07-20 2021-09-21 山东大学 一种传感器动态补偿方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1245287A (zh) * 1999-06-04 2000-02-23 合肥工业大学 多维力传感器的实时动态校正系统
CN108829946A (zh) * 2018-05-29 2018-11-16 中国人民解放军战略支援部队航天工程大学 一种基于动态补偿技术的推力计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1245287A (zh) * 1999-06-04 2000-02-23 合肥工业大学 多维力传感器的实时动态校正系统
CN108829946A (zh) * 2018-05-29 2018-11-16 中国人民解放军战略支援部队航天工程大学 一种基于动态补偿技术的推力计算方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
XU KE-JUN; LI CHENG: "The stationary and dynamic united decoupling and compensating method in a multi-axis force sensor", JOURNAL OF APPLIED SCIENCES, vol. 3, no. 18 *
姜力, 刘宏, 蔡鹤皋: "多维力/力矩传感器静态解耦的研究", 仪器仪表学报, no. 03 *
干方建, 刘正士: "六维腕力传感器的补偿模糊神经网络模型", 机床与液压, no. 01 *
徐科军, 李成: "多维力传感器静动态联合解耦补偿方法", 应用科学学报, no. 03 *
徐科军, 李成: "多维力传感器静动态联合解耦补偿方法", 应用科学学报, no. 03, 30 September 2000 (2000-09-30) *
徐科军, 殷铭: "腕力传感器动态补偿与解耦方法的研究", 计量学报, no. 04 *
殷铭, 徐科军, 戴先中: "多维力传感器动态特性研究中的一种新方法", 传感器技术, no. 06, pages 1 - 6 *
王镜森: "多维力传感器模型辨识与动态解耦方法的研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 01 *
魏娟;张志杰;杨文杰;赵晨阳;: "基于改进QR-PSO算法的压力传感器的动态补偿方法", 传感技术学报, no. 04, pages 1 - 7 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175401A (zh) * 2019-05-27 2019-08-27 河北交通职业技术学院 源端解耦合归一化锁频环建模方法
CN111256905A (zh) * 2020-02-14 2020-06-09 金陵科技学院 一种噪声环境下多维力传感器的解耦方法
CN111272334A (zh) * 2020-02-18 2020-06-12 金陵科技学院 一种基于粒子群优化bp神经网络的多维力传感器标定解耦方法
CN111272335A (zh) * 2020-03-19 2020-06-12 合肥工业大学 基于时域迭代平均的机器人多维力/力矩传感器动态特性辨识方法
CN111272335B (zh) * 2020-03-19 2021-05-04 合肥工业大学 一种机器人多维力/力矩传感器动态特性辨识方法
CN113420490A (zh) * 2021-07-20 2021-09-21 山东大学 一种传感器动态补偿方法及系统

Similar Documents

Publication Publication Date Title
CN109682526A (zh) 一种多维力传感器的动态解耦方法
CN106980044B (zh) 一种适应风电接入的电力系统谐波电流估计方法
CN111551819B (zh) 一种微电网故障检测方法、装置及存储介质
CN110490248B (zh) 一种电力电子变换器故障诊断方法、终端设备及存储介质
CN109450405A (zh) 一种应用于ad采集中的复合式软件滤波方法及系统
CN115201563B (zh) 一种基于联合熵的多谐波源定位方法及系统
US10168368B1 (en) Three phase converting device and method for estimating capacitance
Cai et al. Fault diagnosis of DAB converters based on ResNet with adaptive threshold denoising
CN109358498A (zh) 基于非齐次马尔科夫模型的有限时间滤波系统及方法
CN116451163A (zh) 基于深度残差网络的光纤电流互感器故障诊断方法
CN107317321A (zh) Dc‑dc变换器并联系统的稳定性分析方法
CN111541255A (zh) 基于动力学系统的低频振荡模态识别方法及系统
CN110827355A (zh) 一种基于视频图像坐标的移动目标快速定位方法及系统
CN108090270B (zh) 一种基于形态学滤波和盲源分离的暂态振荡参数识别方法
CN111413647B (zh) 一种clllc谐振变换器开路故障实时检测方法和系统
CN113688502A (zh) 一种基于随机共振系统的变频信号去噪方法
CN105893673A (zh) 一种基于振动加速度特征点辨识燃烧特征参数的方法
CN105004363A (zh) 强干扰下基于多阈值小波传感器性能在线测试装置及方法
CN108565896A (zh) 一种基于描述函数法考虑功率控制影响的光伏发电系统稳定性分析方法
Shang et al. Chaotic SVD method for minimizing the effect of exponential trends in detrended fluctuation analysis
CN116613751A (zh) 一种新能源并网系统的小干扰稳定性分析方法及系统
CN205643468U (zh) 一种适用于智能电网电能质量检测的电子式电压互感器
CN106526299A (zh) 一种基于非光滑观测技术的功率变换器电流检测方法
Zeng et al. Fault Detection of Flexible DC Distribution Network Based on GAF and Improved Deep Residual Network
CN115986745A (zh) 一种智能配电网谐波电压补偿方法

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