CN110037336A - 一种烟支圆周控制系统执行机构位置的预测方法 - Google Patents
一种烟支圆周控制系统执行机构位置的预测方法 Download PDFInfo
- Publication number
- CN110037336A CN110037336A CN201910318376.XA CN201910318376A CN110037336A CN 110037336 A CN110037336 A CN 110037336A CN 201910318376 A CN201910318376 A CN 201910318376A CN 110037336 A CN110037336 A CN 110037336A
- Authority
- CN
- China
- Prior art keywords
- value
- executing agency
- control system
- cigarette
- kalman
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24C—MACHINES FOR MAKING CIGARS OR CIGARETTES
- A24C5/00—Making cigarettes; Making tipping materials for, or attaching filters or mouthpieces to, cigars or cigarettes
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明目的是提供一种烟支圆周控制系统执行机构位置的预测方法,通过对前一时间段内的卷烟机圆周控制系统执行机构位置数据进行卡尔曼滤波,然后采用时间序列ARIMA模型实时分析目标值的动态特性进行提前预测并给出执行机构的调整策略以辅助烟支圆周控制系统对下游烟支圆周进行控制。
Description
技术领域
本发明属于卷烟领域,具体涉及一种涉及烟草行业卷烟机设备烟支圆周自动控制系统。
背景技术
目前,卷烟机圆周自动控制系统主要由烟支圆周在线实时检测装置,工业控制计算机,伺服电机、联轴器、传动装置、执行机构以及信号处理器组成。在烟支生产过程中,由于受到生产工艺辅料波动、外部环境波动(如正压和负压)以及设备性能波动等多重因素的影响,烟丝经由吸丝带吸附烟丝并进入烟成型部位时,其成型模态(即圆周)会出现波动,这样的过程如果不及时进行干预,成品烟支就会出现圆周偏离中心值较多的现象,造成烟支次品率的提升。在生产中,现在的较好做法一般是会建立圆周自动控制系统来进行上述现象的弥补,通过圆周检测装置对烟支的圆周实时情况进行检测并与烟支圆周设定值进行比较,通过产生的圆周偏差反馈至信号处理系统,后通过信号处理系统指令由伺服电机经由联轴器拖动传动装置进行圆周调节执行机构的调节,而在一定范围内保证烟支圆周的合理性。然而,当机组上游的生产工艺或者设备状态发生改变时,下游烟支的圆周情况则会发生明显的不稳定现象。
为解决上问题,南京金梁科技有限公司公开了一种激光式在线圆周检测控制装置(申请号为CN201220479315.5),一种烟支圆周在线检测控制系统,包括检测设备,检测设备与控制设备连接,控制设备与用于烟支圆周调整的步进电机连接进而进行反馈控制。郑州郑源实业有限公司公开了卷烟机烟支圆周纠偏自动调整机构(申请号为CN201320251307.X),实现圆周的在线调整。常德瑞华制造有限公司公开了一种烟支和滤棒圆周在线检测控制装置及其方法(申请号为CN201410600492.8),主要通过确保检测器精准性来进行圆周超标的烟支的剔除。红云红河烟草(集团)有限责任公司曲靖卷烟厂公开了一种卷烟滤棒、烟支圆周激光在线控制器等。上述传统的圆周控制系统是在上述情况发生后再对执行机构的位置进行迭代控制让烟支圆周趋于设定值,然而在这一时间段内依旧会造成大量次品烟支的产生。
为了解决生产过程中的复杂性以及影响因子的多变性等问题,静态预测模型的结果往往不尽人意;本发明中涉及的Kalman-ARIMA模型是不断根据新数据迭代更新的,这种在线更新不断迭代的模型能够更好的适用于本发明中的应用场景。
发明内容
本发明目的是提供一种烟支圆周控制系统执行机构位置的预测方法,通过对前一时间段内的卷烟机圆周控制系统执行机构位置数据进行卡尔曼滤波,然后采用时间序列ARIMA模型实时分析目标值的动态特性进行提前预测并给出执行机构的调整策略以辅助烟支圆周控制系统对下游烟支圆周进行控制。此外,当上游生产工艺或设备状态发生变化并引起下游烟支圆周产生较大波动时,本发明所提供的方法可以使下游烟支圆周更快地趋于合理区间之内。由于工业过程常常呈现出时变性、多动态、高噪音、低耦合等特性,而卡尔曼滤波是一种基于概率论和统计分析的算法,目前已被广泛应用于工业过程的动态数据处理中,它具有最小无偏差性,且能够最大限度地剔除数据中包含的随机干扰误差以得到真实值的最优估计。此外,ARIMA作为一种成熟的时序预测算法因具有严格的数学理论基础在工业领域已经得到大规模的应用并取得了很好的效果。
为实现上述发明之目的,本发明提供一种一种烟支圆周控制系统执行机构位置的预测方法,包括如下步骤:
步骤1,获取当前烟支圆周系统执行机构位置的时序数据:
从数控系统中获取固定长度L段的执行机构位置数据作为特征变量集,若数据出现缺失现象则根据缺失值的个数向下选取,保证数据的可用性与可靠性;
步骤2,将所述特征变量集作为样本,采用卡尔曼对其进行滤波:
a.当前估计值的推测:
A为状态转移矩阵表示从前状态推测当前状态,B为控制矩阵表示控制量u如何控制当前状态,为根据上一状态所推论估计值,为上一状态估计值;
b.不确定性的推测:
协方差矩阵Q表示预测模型本身的噪声即噪声传递过程中的不确定性,系统中每一个时刻的不确定性都是通过协方差矩阵P表示;
c.计算卡尔曼增益:
H为观察矩阵,协方差矩阵R来表述观测中的不确定性,Kk即为所求卡尔曼增益;
d.计算最优估算值:
即为最终所求当前最优估算值;
e.更新噪声分布:
根据当前样本重复上述操作直到给出经过卡尔曼滤波后的一组最优估计值;
步骤3,对滤波后的特征变量建立基于ARIMA(p,d,q)的时序预测模型:
a.如步骤2所述,对滤波后的特征变量根据其时序值进行平稳性检验对不平稳时序值进行差分,如果差分后仍不平稳则进行进一步差分,d阶差分运算公式如下:
b.通过计算自相关系数进行平稳性判断,若差分序列自相关系数值在延迟3阶以后,落在2倍标准差范围内,且向零衰减较快,则认为d阶差分后序列平稳;若有不满足要求则增加差分阶数,直到满足要求;
c.平稳时序{yt}存在p阶自相关:
yt=φ0+φ1yt-1+φ2yt-2+...+φpyt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q
在t时刻的变量yt是前p期xt-1,xt-2,…,xt-p和前q期的多元线性函数,误差项是当期的随机干扰,认为yt是受过去p期的序列值和过去q期的误差项的共同影响;
d.确立p值与q值:
AIC=nlogσ2+2(p+q)
式中:n为特征变量的样本数,σ是残差平方和,p为自回归项数,q为移动平均项数;采用穷举法筛选出AIC最小情况下的p值与q值;
步骤4,对短期内目标进行预测:
如步骤3所述建立基于当前特征变量的ARIMA(p,d,q)模型,对短期st时间内的执行机构位置进行预测得到执行机构位置的预测值,向圆周控制系统传达执行机构调整策略;
步骤5,Kalman-ARIMA模型迭代预测:
根据不断更新的执行机构新的位置数据,不断重复步骤1-步骤4建立,建立适应当前数据的卡尔曼滤波模型与ARIMA时序预测模型,实时获得相应的执行机构位置预测值。
在本发明一些实施例中,L取值范围为[10,50]。
在本发明一些实施例中,所述步骤2)中参数A与B分别取1和0,在第一次循环中,初始参数根据经验值取-1.3,过程噪声协方差Q为1.193,观测噪声协方差R为1.0593;以后的Q与R值依据当前循环下的协方差值不断更新。
为实现上述发明之目的,本发明提供一种计算机可读存储介质,其上存储有可执行指令,所述指令在被处理器执行时使处理器执行如上所述的方法。
为实现上述发明之目的,本发明提供一种计算设备,包括:
一个或多个存储器,存储有可执行指令;
一个或多个处理器,执行所述可执行指令,用以实现如上所述的方法。
与现有技术相比,本发明具有以下有益效果:
1.本发明所采用的Kalman-ARIMA时序预测算法能有效的对圆周控制执行机构的下一阶段的位置进行预测,提前向系统传递调控策略对烟支圆周控制系统实施辅助控制;
2.在影响因子的作用下当发生下游烟支圆周出现不稳定波动时,本发明所采用的Kalman-ARIMA时序预测算法可以减少圆周控制的响应时间,加快烟支圆周偏差的收敛。
3.本发明提供的方法根据新的数据具有自更新自迭代功能,能适应现场不同加工工艺与设备状况,具有较高的冗余性。
附图说明
图1为本发明涉及的Kalman-ARIMA算法建立总流程图;
图2为本发明涉及的Kalman算法建立流程图;
图3为本发明涉及的ARIMA算法流程图;
图4为发明实施例中的原始数据图;
图5为本发明实施例中卡尔曼滤波后的最优估计值;
图6为本发明实施例中ARIMA算法预测值;
图7为本发明实施例中部分最优估计值与预测值的相对误差(%).
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
请参阅图1、图2和图3,本实施例提供一种烟支圆周控制系统执行机构位置预测方法,该方法用某种卷接机组上,包括如下步骤:
步骤1,数据集的建立与预处理:
对一段时间内该机组上的烟支圆周系统的执行机构位置进行采集,共采集到3120组相关时序特征样本作为本发明实施例的分析研究对象。进一步对所采集的数据进行清洗,剔除掉异常值(超出正常范围的值)与缺失值将剩余的样本作为研究对象,选取长度为L(L取值范围为[10,50],根据实际情况本实施例取值为20)的时序特征样本作为训练集。预测长度l的取值如果过大,则会造成较大的预测误差。l的取值过小时,则会增加计算负担对算法的实时性造成影响,依据现场经验l的取值为20作为预测步长,本模型每循环一次即通过L段的时序特征样本预测未来l段的执行机构具体位置;
步骤2,时序特征样本的卡尔曼(Kalman)滤波:
将步骤1所选择的20组时序特征样本通过如下公式进行卡尔曼滤波,将检测点的位置看成状态参数,获取最优估计值。
其中,本模型系统默认为单模型系统,在本模型中系统参数A与B分别取1和0,在第一次循环中,初始参数根据经验值取-1.3,过程噪声协方差Q为1.193,观测噪声协方差R为1.0593,以后的Q与R值依据当前循环下的协方差值不断更新;
步骤3,ARIAM(p,d,q)预测模型的建立
将步骤2所得时序特征样本经过卡尔曼滤波后的最优估计值作为训练数据用于ARIMA时序预测模型的建立;
(a)差分阶数d的确定:
从0阶开始递进对最优估计值进行d阶差分,当自相关系数在短暂延迟后,落在2倍标准差范围内且满足快速向零附近衰减,确定d值。具体地,以第一次循环为例,当d值为0时,当前特征参数标准差的2倍为0.164,当ACF在四阶时取值为0.36大于0.164此时d不成立。取d=d+1,直到当d为2时ACF在二阶差分时快速收敛且取值为0.0795小于0.164,此时在当前循环下取d为2应用于ARIMA模型的建立,以后根据当前循环下计算的ACF值更新d值;
(b)ARMA(p,q)模型的确定:
f=φ0+φ1yt-1+φ2yt-2+…+φpyt-p+εt-θ1εt-1-θ2εt-2-…-θqεt-9
引入AIC准则,采用穷举法找出AIC最低时的p值与q值;
AIC=nlogσ2+2(p+q)
建立适配当前最优估计值的ARMA(p,q)模型即取p值与q值均不大于5并遍历对应的25个AIC值,找出对应AIC最小情况下p与q的值。具体地,以第一次循环为例,当p=2且q=4时对应的AIC值最小为-10.84,选取此时的p值与q值构建ARMA(2,4)模型;
(c)ARIMA(p,d,q)的确定:
基于(a)与(b)得到的p,d,q值构建ARIMA(p.d.q)模型并基于该模型给出未来两步执行机构位置的预测值;
具体地,以第一次循环为例,建立ARIMA(2,2,4)模型。以后根据当前循环下实时的执行机构位置特征值,不断更新对应的p,q值以建立新的ARIMA(p,d,q)模型对未来两步的执行机构位置进行预测;
步骤四,Kalman-ARIMA模型的实时预测:
重复步骤1-步骤3,模拟现场实际情况建立滑动的Kalman-ARIMA时序预测模型,每滑动一次都会给出未来两步执行机构位置的预测值;
步骤五,Kalman-ARIMA模型的验证
由步骤1-4所述建立基于实时执行机构位置预测的Kalman-ARIMA预测模型,并采用3120组时序特征样本进行现场模拟并根据识别效果对本发明中所述的Kalman-ARIMA预测模型进行验证。得到结论如下:执行机构位置预测结果相对于卡尔曼滤波后最优估计值其最大识别误差为13.6%,平均识别误差为1.65%,最小误差为0.002%;通过比较图4、图5与图6亦可以发现采用这种方法可以较好的对烟支圆周控制系统的执行机构位置进行提前预测。
Claims (5)
1.一种烟支圆周控制系统执行机构位置的预测方法,其特征在于:该方法包括如下步骤:
步骤1,获取当前烟支圆周系统执行机构位置的时序数据:
从数控系统中获取固定长度L段的执行机构位置数据作为特征变量集,若数据出现缺失现象则根据缺失值的个数向下选取,保证数据的可用性与可靠性;
步骤2,将所述特征变量集作为样本,采用卡尔曼对其进行滤波:
a.当前估计值的推测:
A为状态转移矩阵表示从前状态推测当前状态,B为控制矩阵表示控制量u如何控制当前状态,为根据上一状态所推论估计值,为上一状态估计值;
b.不确定性的推测:
协方差矩阵Q表示预测模型本身的噪声即噪声传递过程中的不确定性,系统中每一个时刻的不确定性都是通过协方差矩阵P表示;
c.计算卡尔曼增益:
H为观察矩阵,协方差矩阵R来表述观测中的不确定性,Kk即为所求卡尔曼增益;
d.计算最优估算值:
即为最终所求当前最优估算值;
e.更新噪声分布:
根据当前样本重复上述操作直到给出经过卡尔曼滤波后的一组最优估计值;
步骤3,对滤波后的特征变量建立基于ARIMA(p,d,q)的时序预测模型:
a.如步骤2所述,对滤波后的特征变量根据其时序值进行平稳性检验对不平稳时序值进行差分,如果差分后仍不平稳则进行进一步差分,d阶差分运算公式如下:
b.通过计算自相关系数进行平稳性判断,若差分序列自相关系数值在延迟3阶以后,落在2倍标准差范围内,且向零衰减较快,则认为d阶差分后序列平稳;若有不满足要求则增加差分阶数,直到满足要求;
c.平稳时序{yt}存在p阶自相关:
yt=φ0+φ1yt-1+φ2yt-2+...+φpyt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q
在t时刻的变量yt是前p期xt-1,xt-2,…,xt-p和前q期的多元线性函数,误差项是当期的随机干扰,认为yt是受过去p期的序列值和过去q期的误差项的共同影响;
d.确立p值与q值:
AIC=nlogσ2+2(p+q)
式中:n为特征变量的样本数,σ是残差平方和,p为自回归项数,q为移动平均项数;采用穷举法筛选出AIC最小情况下的p值与q值;
步骤4,对短期内目标进行预测:
如步骤3所述建立基于当前特征变量的ARIMA(p,d,q)模型,对短期st时间内的执行机构位置进行预测得到执行机构位置的预测值,向圆周控制系统传达执行机构调整策略;
步骤5,Kalman-ARIMA模型迭代预测:
根据不断更新的执行机构新的位置数据,不断重复步骤1-步骤4建立,建立适应当前数据的卡尔曼滤波模型与ARIMA时序预测模型,实时获得相应的执行机构位置预测值。
2.根据权利要求1所述的烟支圆周控制系统执行机构位置的预测方法,其特征在于:L取值范围为[10,50]。
3.根据权利要求1所述的烟支圆周控制系统执行机构位置的预测方法,其特征在于:所述步骤2)中参数A与B分别取1和0,在第一次循环中,初始参数根据经验值取-1.3,过程噪声协方差Q为1.193,观测噪声协方差R为1.0593;以后的Q与R值依据当前循环下的协方差值不断更新。
4.一种计算机可读存储介质,其上存储有可执行指令,所述指令在被处理器执行时使处理器执行根据权利要求1~3任意一项所述的方法。
5.一种计算设备,包括:
一个或多个存储器,存储有可执行指令;
一个或多个处理器,执行所述可执行指令,用以实现根据权利要求1~3任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910318376.XA CN110037336B (zh) | 2019-04-19 | 2019-04-19 | 一种烟支圆周控制系统执行机构位置的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910318376.XA CN110037336B (zh) | 2019-04-19 | 2019-04-19 | 一种烟支圆周控制系统执行机构位置的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110037336A true CN110037336A (zh) | 2019-07-23 |
CN110037336B CN110037336B (zh) | 2021-09-03 |
Family
ID=67277935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910318376.XA Active CN110037336B (zh) | 2019-04-19 | 2019-04-19 | 一种烟支圆周控制系统执行机构位置的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110037336B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198365A (zh) * | 2020-01-16 | 2020-05-26 | 东方红卫星移动通信有限公司 | 一种基于射频信号的室内定位方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1294882A (zh) * | 1999-11-09 | 2001-05-16 | 钱强 | 卷烟和嘴棒圆周在生产中的测量和控制法 |
EP1668995A1 (fr) * | 2004-12-10 | 2006-06-14 | Societe Nationale D'exploitation Industrielle Des Tabacs Et Allumettes (S.E.I.T.A.) | Procédé et dispositif pour la représentation graphique du profil de remplissage d'une cigarette |
CN101744363A (zh) * | 2008-12-18 | 2010-06-23 | 吉地股份公司 | 在用于制造烟制品的机器内建立并管理检查装置的方法 |
CN102160690A (zh) * | 2011-01-17 | 2011-08-24 | 大树智能科技(南京)有限公司 | 滤棒圆周在线自动检测与控制方法及装置 |
CN104503402A (zh) * | 2014-12-13 | 2015-04-08 | 中国烟草总公司郑州烟草研究院 | 一种卷烟加工烟支卷制质量稳定性的检验方法 |
CN105321345A (zh) * | 2015-09-18 | 2016-02-10 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
CN105867325A (zh) * | 2016-04-08 | 2016-08-17 | 浙江中烟工业有限责任公司 | 一种滤棒生产工艺参数控制系统及其控制方法 |
CN106093783A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 卡尔曼滤波与数据驱动融合的电池soc估计方法 |
CN107665397A (zh) * | 2017-07-13 | 2018-02-06 | 红云红河烟草(集团)有限责任公司 | 一种综合评价烟支质量管控水平的方法 |
CN108323797A (zh) * | 2018-02-09 | 2018-07-27 | 杭州安脉盛智能技术有限公司 | 基于gpr模型的烟支重量控制系统启动位置预测方法及系统 |
CN108376293A (zh) * | 2017-12-29 | 2018-08-07 | 浙江中烟工业有限责任公司 | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
-
2019
- 2019-04-19 CN CN201910318376.XA patent/CN110037336B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1294882A (zh) * | 1999-11-09 | 2001-05-16 | 钱强 | 卷烟和嘴棒圆周在生产中的测量和控制法 |
EP1668995A1 (fr) * | 2004-12-10 | 2006-06-14 | Societe Nationale D'exploitation Industrielle Des Tabacs Et Allumettes (S.E.I.T.A.) | Procédé et dispositif pour la représentation graphique du profil de remplissage d'une cigarette |
CN101744363A (zh) * | 2008-12-18 | 2010-06-23 | 吉地股份公司 | 在用于制造烟制品的机器内建立并管理检查装置的方法 |
CN102160690A (zh) * | 2011-01-17 | 2011-08-24 | 大树智能科技(南京)有限公司 | 滤棒圆周在线自动检测与控制方法及装置 |
CN104503402A (zh) * | 2014-12-13 | 2015-04-08 | 中国烟草总公司郑州烟草研究院 | 一种卷烟加工烟支卷制质量稳定性的检验方法 |
CN105321345A (zh) * | 2015-09-18 | 2016-02-10 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
CN105867325A (zh) * | 2016-04-08 | 2016-08-17 | 浙江中烟工业有限责任公司 | 一种滤棒生产工艺参数控制系统及其控制方法 |
CN106093783A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 卡尔曼滤波与数据驱动融合的电池soc估计方法 |
CN107665397A (zh) * | 2017-07-13 | 2018-02-06 | 红云红河烟草(集团)有限责任公司 | 一种综合评价烟支质量管控水平的方法 |
CN108376293A (zh) * | 2017-12-29 | 2018-08-07 | 浙江中烟工业有限责任公司 | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 |
CN108323797A (zh) * | 2018-02-09 | 2018-07-27 | 杭州安脉盛智能技术有限公司 | 基于gpr模型的烟支重量控制系统启动位置预测方法及系统 |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
Non-Patent Citations (1)
Title |
---|
吴涛: "基于时间序列预测的最优估计方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198365A (zh) * | 2020-01-16 | 2020-05-26 | 东方红卫星移动通信有限公司 | 一种基于射频信号的室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110037336B (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN111258297B (zh) | 基于数据融合网络的设备健康指标构建及寿命预测方法 | |
US7472100B2 (en) | Empirical tuning of an on board real-time gas turbine engine model | |
CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
CN108682023A (zh) | 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法 | |
CN108629452A (zh) | 一种基于多模式多参数集合预报的气象风险决策方法 | |
CN103383261A (zh) | 一种改进型无损卡尔曼滤波室内动目标定位方法 | |
CN107748942B (zh) | 基于速度场感知网络的雷达回波外推预测方法和系统 | |
CN110879927B (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN110705105B (zh) | 一种机器人逆动力学模型的建模方法及系统 | |
CN101826852A (zh) | 基于粒子群优化算法的无迹粒子滤波方法 | |
CN104070083A (zh) | 一种基于集成pca-elm穿孔机导盘转速测量方法 | |
CN102706345A (zh) | 一种基于衰减记忆序贯检测器的机动目标跟踪方法 | |
CN110555398A (zh) | 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法 | |
CN110037336A (zh) | 一种烟支圆周控制系统执行机构位置的预测方法 | |
CN117313029A (zh) | 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 | |
Ismail et al. | Adaptive neural network prediction model for energy consumption | |
CN112911497A (zh) | 一种合作类无人机轨迹实时预测方法及系统 | |
CN111398523A (zh) | 基于分布的传感器数据校准方法及系统 | |
CN113709662A (zh) | 一种基于超宽带的自主式三维反演定位方法 | |
CN116227561B (zh) | 一种基于数字孪生和容器技术的卫星轨道误差预测方法 | |
CN116976227A (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN112257893A (zh) | 一种考虑监测误差的复杂机电系统健康状态预测方法 | |
CN114880930B (zh) | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |