CN110046423B - 一种上楼辅助装置的故障预警方法及系统 - Google Patents

一种上楼辅助装置的故障预警方法及系统 Download PDF

Info

Publication number
CN110046423B
CN110046423B CN201910292303.8A CN201910292303A CN110046423B CN 110046423 B CN110046423 B CN 110046423B CN 201910292303 A CN201910292303 A CN 201910292303A CN 110046423 B CN110046423 B CN 110046423B
Authority
CN
China
Prior art keywords
early warning
upstairs
feature vector
fault
auxiliary device
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.)
Active
Application number
CN201910292303.8A
Other languages
English (en)
Other versions
CN110046423A (zh
Inventor
王飞
张岩岭
朱朔
于振中
李文兴
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 Hagong Cijian Intelligent Technology Co ltd
Original Assignee
Hefei Hagong Cijian Intelligent Technology Co ltd
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 Hagong Cijian Intelligent Technology Co ltd filed Critical Hefei Hagong Cijian Intelligent Technology Co ltd
Priority to CN201910292303.8A priority Critical patent/CN110046423B/zh
Publication of CN110046423A publication Critical patent/CN110046423A/zh
Application granted granted Critical
Publication of CN110046423B publication Critical patent/CN110046423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Manipulator (AREA)
  • Emergency Alarm Devices (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供一种上楼辅助装置的故障预警方法，采集上楼辅助装置的实时运动数据，并将信息上传至处理器进行处理；对角度信息、驱动电机的电流、振动信息进行时域和时频域的特征向量提取，并基于单调性进行特征向量选择；利用上述利用单调性选择出的特征向量建立SVDD故障预警模型，作为健康状态的基准；根据采集到的信息提取出的特征向量作为SVDD模型的输入，计算该特征向量距离SVDD模型中心的距离，以此作为上楼辅助装置的健康指标CV值；设置自适应报警阈值，做出故障预警。与现有技术相比，本发明能够对上楼机器人的早期故障做出及时的预警；使用SVDD算法建立故障预警模型，仅需要少量正常状态数据建模，解决了全生命周期数据采集困难的问题。

Description

一种上楼辅助装置的故障预警方法及系统
技术领域
本发明涉及智能机器人领域，具体来说是一种上楼辅助装置的故障预警方法及系统。
背景技术
随着我国社会结构不断的老龄化，越来越多的人因为身体机能的下降行动不便。步行辅助装置是一种新型可穿戴的智能机器人，能够帮助行动不便的老人重新站立、行走起来，近年来的需求日益增长。此外，用于加强人体的肌肉力量的步行辅助装置可用于军事目的。现在有许多公司推出了自己的行走辅助装置，例如Rewalk，HAL，REX等都是这类产品的典型代表。以下专利与申请技术最为接近：公开号CN104089790A，CN201672969U，NISSAN机器人全生命周期故障预警，波音公司CBM。
上述的辅助装置有如下缺点：
步行辅助装置没有任何安全监测与硬性保护措施，任何一个部件性能的退化，如果得不到及时的维修，都会产生安全隐患甚至人员伤亡，因此，对步行辅助装置进行故障预警，将故障消除在萌芽阶段，使辅助行走过程实现零故障、零隐患、零意外，具有重要意义。
发明内容
本发明要解决的技术问题是提供一种上楼辅助装置的故障预警方法和系统，以提供故障预警功能。
本发明通过以下技术方案来解决上述技术问题：
一种上楼辅助装置的故障预警方法，包括以下步骤：
运动状态数据采集：采集上楼辅助装置的实时运动数据，并将信息上传至处理器进行处理；所述数据包括上楼辅助装置各个关节的角度信息、驱动电机的电流、振动信息；
特征向量提取：对角度信息、驱动电机的电流、振动信息进行时域和时频域的特征向量提取，并基于单调性进行特征向量选择；
故障预警模型建立：利用上述利用单调性选择出的特征向量建立SVDD故障预警模型，作为健康状态的基准；
故障预测：根据采集到的角度信息、驱动电机的电流、振动信息提取出的特征向量作为SVDD模型的输入，计算该特征向量距离SVDD模型中心的距离，以此作为上楼辅助装置的健康指标CV值；
自适应报警：设置自适应报警阈值，将CV值与阈值进行比较，对于超过阈值的特征向量所对应的故障做出预警。
优选的，所述角度信息为伺服电机编码器信号。
优选的，2个绝对式编码器分别配置在左右腿的伺服电机处，与MCU进行连接，加速度传感器装配在各伺服电机的轴承处，用于采集振动信息。
优选的，所述故障预警模型建立具体为：
特征向量的单调性定义为
Figure BDA0002025320260000021
其中，x(k)为特征向量，K为特征向量的长度，δ(·)为单位阶跃函数。
优选的，所述自适应报警步骤中自适应报警阈值的设置具体为：
Figure BDA0002025320260000022
式中：T(t)表示t时刻的CV值，mean、std分别表示求均值和标准偏差，阈值Th的求解分为3个阶段，第1阶段数据来源于早期无故障状态，是一个固定值,定义为ts。第2阶段将t时刻的T(t)与t-1时刻的Th(t-1)进行比较，若T(t)在Th(t-1)范围内，则将T(t)纳入原始数据，计算Th(t)。如果其后连续Nu个CV值均超限，则定义t＝te为性能退化状态发生变化的时刻。
一种上楼辅助装置的故障预警系统，包括
运动状态数据采集模块：采集上楼辅助装置的实时运动数据，并将信息上传至处理器进行处理；所述数据包括上楼辅助装置各个关节的角度信息、驱动电机的电流、振动信息；
特征向量提取模块：对角度信息、驱动电机的电流、振动信息进行时域和时频域的特征向量提取，并基于单调性进行特征向量选择；
故障预警模型建立模块：利用上述利用单调性选择出的特征向量建立SVDD故障预警模型，作为健康状态的基准；
故障预测模块：根据采集到的角度信息、驱动电机的电流、振动信息提取出的特征向量作为SVDD模型的输入，计算该特征向量距离SVDD模型中心的距离，以此作为上楼辅助装置的健康指标CV值；
自适应报警模块：设置自适应报警阈值，将CV值与阈值进行比较，对于超过阈值的特征向量所对应的故障做出预警。
优选的，所述角度信息为伺服电机编码器信号。
优选的，2个绝对式编码器分别配置在左右腿的伺服电机处，与MCU进行连接，加速度传感器装配在各伺服电机的轴承处，用于采集振动信息。
优选的，所述故障预警模型建立具体为：
特征向量的单调性定义为
Figure BDA0002025320260000031
其中，x(k)为特征向量，K为特征向量的长度，δ(·)为单位阶跃函数。
优选的，所述自适应报警步骤中自适应报警阈值的设置具体为：
Figure BDA0002025320260000032
式中：T(t)表示t时刻的CV值，mean、std分别表示求均值和标准偏差，阈值Th的求解分为3个阶段，第1阶段数据来源于早期无故障状态，是一个固定值,定义为ts。第2阶段将t时刻的T(t)与t-1时刻的Th(t-1)进行比较，若T(t)在Th(t-1)范围内，则将T(t)纳入原始数据，计算Th(t)。如果其后连续Nu个CV值均超限，则定义t＝te为性能退化状态发生变化的时刻。
本发明的优点在于：
本发明能够对上楼机器人的早期故障做出及时的预警，将故障消除在萌芽阶段，使辅助行走过程实现零故障、零隐患、零意外，避免了对使用者的意外伤害。使用SVDD算法建立故障预警模型，仅需要少量正常状态数据建模，有效解决了全生命周期数据采集困难的问题，节省了人力物力。
附图说明
图1为本发明实施例中上楼辅助装置的故障预警方法的流程图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，一种上楼辅助装置的故障预警方法，本实施例中的上楼辅助装置为机器人。故障预警方法包括以下步骤：
步骤1、运动状态数据采集：用来采集上楼机器人的实时运动数据，即各关节的角度信息，驱动电机的电流、振动信息，并将信息上传至MCU进行处理。在本实施例中采用伺服电机编码器信号作为输出角度信息，与直接使用角度传感器相比，编码器的精度较高，且输出为数字量，消除了AD转换电路引入的误差，但实际上应包括所有能够检测角度变化的方法，包含但不限于角度传感器，倾角传感器，陀螺仪等；采集伺服电机电流信号，可以间接的得到各伺服电机的输出力矩，省去了在各关节轴装配力矩传感器，节约了成本；在各伺服电机上装配加速度传感器，采集振动信号，与其他温度、声音、静电等信号相比，振动信号具有对早期故障敏感，故障识别率较高，采集方便等优点，是目前应用最为广泛的信号采集方式。2个绝对式编码器分别配置在左右腿的伺服电机处，与MCU进行连接，加速度传感器装配在各伺服电机的轴承处，信号传输方式包括有线传输和Wi-Fi，蓝牙、数据采集卡等所有适用的无线传输方式。
步骤2、特征向量提取：原始的运动状态数据中隐藏着大量上楼机器人的健康状态信息，特征提取就是从这些状态信息中提取出对早期故障敏感的特征向量，用于建立上楼机器人的故障预警模型，在本示例中提取关节角度、驱动电机的电流、振动数据的时域、时频域特征向量，并基于单调性进行特征选择。具体为：利用上楼机器人正常状态下的运动数据，提取其时域特征RMS、AM、SMR、Kurtosis、Skewness、Peak，利用db8小波对数据进行三层小波包分解，得到八个节点能量的归一化值，作为时频特征，为了更准确高效的对故障进行预警，以单调性作为特征向量质量的评价指标进行特征选择。
特征向量的单调性定义为
Figure BDA0002025320260000051
其中，x(k)为特征向量，K为特征向量的长度，δ(·)为单位阶跃函数。
步骤3、故障预警模型建立：步骤2提取的特征向量能够反映出上楼机器人的总体健康变化趋势，但单个特征向量并不能全面反映出上楼机器人的健康状态,因此，建立故障预警模型，将特征向量的信息融合，构造新的健康指标。在本实施例中用支持向量数据描述SVDD算法建立预警模型。具体为：利用步骤2提取的特征向量建立SVDD故障预警模型。
步骤4、故障预测：根据采集到的角度信息、驱动电机的电流、振动信息提取出的特征向量作为SVDD模型的输入，计算该特征向量距离SVDD模型中心的距离，以此作为上楼辅助装置的健康指标CV值；
自适应报警：设置自适应报警阈值，将CV值与阈值进行比较，对于超过阈值的特征向量所对应的故障做出预警。
所述自适应报警步骤中自适应报警阈值的设置具体为：
Figure BDA0002025320260000052
式中：T(t)表示t时刻的CV值，mean、std分别表示求均值和标准偏差，阈值Th的求解分为3个阶段，第1阶段数据来源于早期无故障状态，是一个固定值,定义为ts。第2阶段将t时刻的T(t)与t-1时刻的Th(t-1)进行比较，若T(t)在Th(t-1)范围内，则将T(t)纳入原始数据，计算Th(t)。如果其后连续Nu个CV值均超限，则定义t＝te为性能退化状态发生变化的时刻。
一种上楼辅助装置的故障预警系统，包括
运动状态数据采集模块：采集上楼辅助装置的实时运动数据，并将信息上传至处理器进行处理；所述数据包括上楼辅助装置各个关节的角度信息、驱动电机的电流、振动信息；2个绝对式编码器分别配置在左右腿的伺服电机处，与MCU进行连接，加速度传感器装配在各伺服电机的轴承处，用于采集振动信息，所述角度信息为伺服电机编码器信号。
特征向量提取模块：对角度信息、驱动电机的电流、振动信息进行时域和时频域的特征向量提取，并基于单调性进行特征向量选择；
故障预警模型建立模块：利用上述利用单调性选择出的特征向量建立SVDD故障预警模型，作为健康状态的基准；特征向量的单调性定义为
Figure BDA0002025320260000061
其中，x(k)为的特征向量，K为特征向量的长度，δ(·)为单位阶跃函数。
故障预测模块：根据采集到的角度信息、驱动电机的电流、振动信息提取出的特征向量作为SVDD模型的输入，计算该特征向量距离SVDD模型中心的距离，以此作为上楼辅助装置的健康指标CV值；
自适应报警模块：设置自适应报警阈值，将CV值与阈值进行比较，对于超过阈值的特征向量所对应的故障做出预警。
所述自适应报警步骤中自适应报警阈值的设置具体为：
Figure BDA0002025320260000062
式中：T(t)表示t时刻的CV值，mean、std分别表示求均值和标准偏差，阈值Th的求解分为3个阶段，第1阶段数据来源于早期无故障状态，是一个固定值,定义为ts。第2阶段将t时刻的T(t)与t-1时刻的Th(t-1)进行比较，若T(t)在Th(t-1)范围内，则将T(t)纳入原始数据，计算Th(t)。如果其后连续Nu个CV值均超限，则定义t＝te为性能退化状态发生变化的时刻。
工作原理：采集机器人正常状态下的运行状态数据，提取其时域、时频域特征向量，并基于单调性进行特征选择；然后利用选择后的特征向量建立SVDD模型，作为在线监测机器人健康状态的度量基准。对于新输入的特征向量，通过SVDD模型计算出其距离超球中心的距离CV值，以CV值作为机器人的健康指标，当CV小于R(R为超球半径)时，机器人处于正常状态，否则为异常,且CV越大，表示待测样本偏离正常值越远，即机器人的故障程度越大，对CV值设置自适应报警阈值，实现对早期故障的预警。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (8)

1.一种上楼辅助装置的故障预警方法，其特征在于：包括以下步骤：
运动状态数据采集：采集上楼辅助装置的实时运动数据，并将信息上传至处理器进行处理；所述数据包括上楼辅助装置各个关节的角度信息、驱动电机的电流、振动信息；
特征向量提取：对角度信息、驱动电机的电流、振动信息进行时域和时频域的特征向量提取，并基于单调性进行特征向量选择；
故障预警模型建立：利用上述利用单调性选择出的特征向量建立SVDD故障预警模型，作为健康状态的基准；
故障预测：根据采集到的角度信息、驱动电机的电流、振动信息提取出的特征向量作为SVDD模型的输入，计算该特征向量距离SVDD模型中心的距离，以此作为上楼辅助装置的健康指标CV值；所述故障预警模型建立具体为：
特征向量的单调性定义为
Figure FDA0003842212390000011
其中，x(k)为特征向量，K为特征向量的长度，δ(·)为单位阶跃函数；
自适应报警：设置自适应报警阈值，将CV值与阈值进行比较，对于超过阈值的特征向量所对应的故障做出预警。
2.根据权利要求1所述的一种上楼辅助装置的故障预警方法，其特征在于：所述角度信息为伺服电机编码器信号。
3.根据权利要求2所述的一种上楼辅助装置的故障预警方法，其特征在于：2个绝对式编码器分别配置在左右腿的伺服电机处，与MCU进行连接，加速度传感器装配在各伺服电机的轴承处，用于采集振动信息。
4.根据权利要求1至3任一所述的一种上楼辅助装置的故障预警方法，其特征在于：所述自适应报警步骤中自适应报警阈值的设置具体为：
Figure FDA0003842212390000021
式中：T(t)表示t时刻的CV值，mean、std分别表示求均值和标准偏差，阈值Th的求解分为3个阶段，第1阶段数据来源于早期无故障状态，是一个固定值,定义为ts；第2阶段将t时刻的T(t)与t-1时刻的Th(t-1)进行比较，若T(t)在Th(t-1)范围内，则将T(t)纳入原始数据，计算Th(t)；如果其后连续Nu个CV值均超限，则定义t＝te为性能退化状态发生变化的时刻。
5.一种上楼辅助装置的故障预警系统，其特征在于：包括
运动状态数据采集模块：采集上楼辅助装置的实时运动数据，并将信息上传至处理器进行处理；所述数据包括上楼辅助装置各个关节的角度信息、驱动电机的电流、振动信息；
特征向量提取模块：对角度信息、驱动电机的电流、振动信息进行时域和时频域的特征向量提取，并基于单调性进行特征向量选择；
故障预警模型建立模块：利用上述利用单调性选择出的特征向量建立SVDD故障预警模型，作为健康状态的基准；
故障预测模块：根据采集到的角度信息、驱动电机的电流、振动信息提取出的特征向量作为SVDD模型的输入，计算该特征向量距离SVDD模型中心的距离，以此作为上楼辅助装置的健康指标CV值；所述故障预警模型建立具体为：
特征向量的单调性定义为
Figure FDA0003842212390000022
其中，x(k)为特征向量，K为特征向量的长度，δ(·)为单位阶跃函数；
自适应报警模块：设置自适应报警阈值，将CV值与阈值进行比较，对于超过阈值的特征向量所对应的故障做出预警。
6.根据权利要求5所述的一种上楼辅助装置的故障预警系统，其特征在于：所述角度信息为伺服电机编码器信号。
7.根据权利要求6所述的一种上楼辅助装置的故障预警系统，其特征在于：2个绝对式编码器分别配置在左右腿的伺服电机处，与MCU进行连接，加速度传感器装配在各伺服电机的轴承处，用于采集振动信息。
8.根据权利要求5至7任一所述的一种上楼辅助装置的故障预警系统，其特征在于：
所述自适应报警步骤中自适应报警阈值的设置具体为：
Figure FDA0003842212390000031
式中：T(t)表示t时刻的CV值，mean、std分别表示求均值和标准偏差，阈值Th的求解分为3个阶段，第1阶段数据来源于早期无故障状态，是一个固定值,定义为ts；第2阶段将t时刻的T(t)与t-1时刻的Th(t-1)进行比较，若T(t)在Th(t-1)范围内，则将T(t)纳入原始数据，计算Th(t)；如果其后连续Nu个CV值均超限，则定义t＝te为性能退化状态发生变化的时刻。
CN201910292303.8A 2019-04-12 2019-04-12 一种上楼辅助装置的故障预警方法及系统 Active CN110046423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910292303.8A CN110046423B (zh) 2019-04-12 2019-04-12 一种上楼辅助装置的故障预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910292303.8A CN110046423B (zh) 2019-04-12 2019-04-12 一种上楼辅助装置的故障预警方法及系统

Publications (2)

Publication Number Publication Date
CN110046423A CN110046423A (zh) 2019-07-23
CN110046423B true CN110046423B (zh) 2023-01-17

Family

ID=67276895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910292303.8A Active CN110046423B (zh) 2019-04-12 2019-04-12 一种上楼辅助装置的故障预警方法及系统

Country Status (1)

Country Link
CN (1) CN110046423B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324083A (zh) * 2020-03-02 2020-06-23 西南交通大学 一种机械设备关键部件实时监测与预警方法及系统
CN111579001A (zh) * 2020-06-02 2020-08-25 珠海格力智能装备有限公司 机器人的故障检测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6014598A (en) * 1996-06-28 2000-01-11 Arcelik A.S. Model-based fault detection system for electric motors
CN103675525A (zh) * 2013-11-14 2014-03-26 南京航空航天大学 基于多svdd模型的dc-dc变换器健康监测与故障预测方法
CN107562979A (zh) * 2017-07-11 2018-01-09 江南大学 一种基于foa‑wsvdd的滚动轴承性能退化评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6014598A (en) * 1996-06-28 2000-01-11 Arcelik A.S. Model-based fault detection system for electric motors
CN103675525A (zh) * 2013-11-14 2014-03-26 南京航空航天大学 基于多svdd模型的dc-dc变换器健康监测与故障预测方法
CN107562979A (zh) * 2017-07-11 2018-01-09 江南大学 一种基于foa‑wsvdd的滚动轴承性能退化评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于果蝇优化算法-小波支持向量数据描述的滚动轴承性能退化评估;朱朔等;《中国机械工程》;20180306(第05期);全文 *

Also Published As

Publication number Publication date
CN110046423A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
CN110046423B (zh) 一种上楼辅助装置的故障预警方法及系统
CN103876711B (zh) 可穿戴电子设备以及人体健康监测管理系统
Winkley et al. Verity: an ambient assisted living platform
CN108665680B (zh) 一种基于智能手环的高速公路驾驶人疲劳监测预警系统
CN201691930U (zh) 一种人体运动状态监测装置
CN106006344A (zh) 扶梯故障在线预警系统及故障诊断方法
CN102023010B (zh) 基于mems的小波域多传感器信息融合系统及融合方法
CN106073712A (zh) 基于心生理信号的驾驶警示方向盘套装置及信号检测方法
CN113486868B (zh) 一种电机故障诊断方法及系统
CN202928732U (zh) 预应力混凝土桥梁绝对应力监测装置
CN106650300B (zh) 一种基于极限学习机的老人监护系统及方法
JP4830765B2 (ja) 活動量計測システム
CN114469073B (zh) 基于可穿戴传感器的步态分析与异常检测方法
CN117438024B (zh) 急诊病人体征数据的智能采集分析系统及方法
CN105303183A (zh) 一种基于穿戴设备的儿童姿态识别分析系统和方法
CN108520227A (zh) 一种基于双传感器信息的传递熵的桥梁结构损伤定位方法
Ahamed et al. Fuzzy inference system-based recognition of slow, medium and fast running conditions using a triaxial accelerometer
CN108280424A (zh) 一种基于稀疏编码的滚动轴承剩余寿命预测方法
CN106344023A (zh) 一种基于气压和加速度的非稳态呼吸波检测装置
CN110710979A (zh) 一种防摔倒辅助装置
JP7339720B2 (ja) タイヤ側壁温度検出システム及び方法
CN204833607U (zh) 一种基于脑电波识别的机动车驾驶监测提醒装置
Jia et al. Study on abnormal gait and fall warning method using wearable sensors and a human musculoskeletal model
CN109540013B (zh) 一种基于长标距光纤传感的智能轮胎监测方法及系统
CN104217001B (zh) 一种基于xml树的车辆自适应轮速计算方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221010

Address after: Room 406, Building 3, Block C, Intelligent Equipment Technology Park, No. 3963, Susong Road, Economic and Technological Development Zone, Hefei City, Anhui Province, 236000

Applicant after: Hefei Hagong cijian Intelligent Technology Co.,Ltd.

Address before: Room 6012, Haiheng building, No.6 Cuiwei Road, Hefei Economic and Technological Development Zone, Anhui Province

Applicant before: HRG INTERNATIONAL INSTITUTE FOR RESEARCH & INNOVATION

GR01 Patent grant
GR01 Patent grant