CN110362787A - 基于卡尔曼算法的压力变送器压力预测方法 - Google Patents
基于卡尔曼算法的压力变送器压力预测方法 Download PDFInfo
- Publication number
- CN110362787A CN110362787A CN201910633994.3A CN201910633994A CN110362787A CN 110362787 A CN110362787 A CN 110362787A CN 201910633994 A CN201910633994 A CN 201910633994A CN 110362787 A CN110362787 A CN 110362787A
- Authority
- CN
- China
- Prior art keywords
- value
- voltage
- pressure
- acquisition
- algorithm
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明提出了一种基于卡尔曼算法的压力变送器压力预测方法,本发明使用卡尔曼算法,来评估压力变送器压力采集值,将加权平均滤波算法与卡尔曼算法进行结合,在牺牲少量时间的基础上保留了二者的优点,不仅具备卡尔曼算法的精度,误差不会累积,也能通过加权平均算法提高初值的精确度,预测精度高,实现了通过准备的预估采集值,不为反馈卡尔曼滤波器参数调整,无论是运行初期还是运行中后期,都具有很高的精度,方法简单,实用性强,抑制了误差的积累,数据处理精度更高。
Description
技术领域
本发明涉及压力预测技术领域,具体而言,涉及一种适用于存在较多高斯噪声的基于卡尔曼算法的压力变送器压力预测方法。
背景技术
现有技术中,压力变送器在数据采集过程中,由于采集精度和采集过程中出现的噪声干扰,造成采集的压力数据存在较大的波动,影响测量稳定度和精度,如何准确的得到稳定的测量数据,成为压力变送器采集数据处理中的一个重要问题。
目前常用的压力变送器采集数据处理方法通常直接进行采信,不进行噪声抑制处理,这就造成不是使用均值平滑算法进行信号处理,通过将最近采集量做均值平滑,从而进行滤波,但这种算法会将误差值累加,影响数据精度。
发明内容
鉴于此,本发明提出了一种基于卡尔曼算法的压力变送器压力预测方法,旨在解决现有的算法误差累积值较高的技术问题。
本发明提出了一种基于卡尔曼算法的压力变送器压力预测方法,包括:
步骤a,从程序系统控制开始采集压力变送器压力所转换为的电压数据;
步骤b,初始启动取得前n次的电压采集值Z(n),首次得到X(0)为n次采集值的加权平均为预估初值;
步骤e,取预估偏差为最优测量值偏差此处取定值R取0.01;
步骤f,前n+1次采集后,电压采集次数从1开始重计,实际测量值为Z(1),假设测量值是恒定的,则第1次采集的预估值X(1/0)=X(0),预估偏差为D(1/0)=(P(0)^2+R^2)^0.5,卡尔曼增益Kg(1/0)=D(1/0)^2/(D(1/0)^2+R^2)则第一次的最优预估值为:
E(1)=Z(1)+Kg(1/0)*(X(1/0)-Z(1)),下次的预估值X(1)=E(1),最优评估偏差P(1)=((1-Kg(1/0))*D(1/0)^2)^0.5;
输出最优预估预估值E(1),供压力变送器电压数据预警或经转换算法得到压力值后输出;
步骤g,前n+k次采集时,实际电压测量值为Z(k),假设测量值是恒定的,则第k次采集的预估值X(k/k-1)=X(k-1),预估偏差为:
D(k/k-1)=(P(k-1)^2+R^2)^0.5,
卡尔曼增益Kg(k/k-1)=D(k/k-1)^2/(D(k/k-1)^2+R^2),则第k次的最优预估值为:E(k)=Z(k)+Kg(k/k-1)*(X(k/k-1)-Z(k)),下次的预估值X(k)=E(k),最优评估偏差P(k)=((1-Kg(k/k-1))*D(k/k-1)^2)^0.5;输出最优预估预估值E(k),供传压力变送器电压数据预警或经转换算法得到压力值后输出。
进一步地,在上述步骤b中,在对前n次的电压采集值Z(n)计算加权平均值时,首先对电压采集值Z(n)进行比较加权,包括:
步骤b1,将n组数据进行分组,每组两个任意不同时刻的电压值,电压矩阵中的每两组进行实际差值量判断,其按下述公式计算第一、二两组的实际差值P21,
式中,P21表示每两组电压的实际差值,i1和i2分别表示第一组二维电压矩阵的电压值,i3和i4分别表示第二组二维电压矩阵的电压值,T表示均方差运算,I表示积分运算;
步骤b2,计算第一组二维电压矩阵和第三组二维电压矩阵的实际差值P31,
式中,P31表示每两组电压的实际差值,i1和i2分别表示所述第一组二维电压矩阵的电压值,i5和i6分别表示所述第三组二维电压矩阵的电压值,i6表示第六电容采集传感器的采样值;T表示均方差运算,I表示积分运算;
直到P(n-1)n次结果,共有种实际差值数据,对该实际差值数据进行加权求取均值,设定P12=L1,P13=L2,直到Lk;设定
进一步地,设定加权求和YL为:
YL=β0+β1L1+β2L2+...+βkLk+З (4)
对上述式(4)进行假定后,对两边取期望,可得:
E(YL|L1,L2...Lk)=β0+β1L1+β2L2+...+βkLk (5)
对所述式(5)取期望完成后,给出回归参数β0,β1,β2,...,βk相应的估计值此时可以得到加权求和YL相应的估计值:
此时使用最小二乘得到参数估计:
在所述式(7)中分别对求偏导数,并令所述偏导数等于0,得到:
对上述式(8)中的方程组进行求解,即可得到回归参数β0,β1,β2,...,βk的估计值和加权求和YL。
进一步地,设定在压力传感器测量坐标系中的详细表达式为:
其中,为从世界坐标系到传感器坐标系的转换矩阵,由传感器初始位置决定,xc,yc,zc;
当传感器处于初始检测状态时:
压力变送器测量值存在关系:
F1表示压力传感器测量值,mload表示压力传感器自身的实时重力,fext压力变送器施加力,F0x,F0y,F0z表示该位置各个方向上的应力,T0x,T0y,T0z表示该位置各个方向上的力矩,xc,yc,zc表示该位置处的坐标,能够唯一确定字节的位置;
当传感器处于终点检测状态时,压力变送器测量值存在关系:
当传感器处于中间时刻检测状态时,压力变送器测量值存在关系:
通过采集运动过程压力检测数据,可同步得到要辨识的压力检零偏和工具负载重量参数:
通过上述公式(15)最终确定xc,yc,zc位置处的坐标,能够唯一确定压力传感器在某一位置时的准确的数值。
与现有技术相比,本发明的有益效果在于,本发明使用卡尔曼算法,来评估压力变送器压力采集值,将加权平均滤波算法与卡尔曼算法进行结合,在牺牲少量时间的基础上保留了二者的优点,不仅具备卡尔曼算法的精度,误差不会累积,也能通过加权平均算法提高初值的精确度,预测精度高,实现了通过准备的预估采集值,不为反馈卡尔曼滤波器参数调整,无论是运行初期还是运行中后期,都具有很高的精度,方法简单,实用性强,抑制了误差的积累,数据处理精度更高;本发明的估计策略,均是建立在卡尔曼算法的基础上,建立合适的评估模型来应用卡尔曼算法,实现对采集数据量的准确估计;本方法在运行初期采用均值平滑的方法,得到平稳且具有较高精度的采集量初值,采集量初值作为卡尔曼滤波参数的初值,与预估采集量一起,递归的进行预处理,因此易于实施。在计算过程中考虑的噪声的影响,具有较强的噪声抑制作用。
进一步地,本发明以实际采集到的压力变送器的压力采集量为预估模型,不停的进行反馈递归处理,一步步得到准确平滑的预估值;本发明的初值采用第一次采集的信息值均值、并得到相应误差的初始历史数据。
进一步地,本发明当将整个采集过程当成一个动态过程,输入为采集单元不断的对压力传感器单元采集的采集量,输出为预估采集量,最后将预估采集量进行输出。
进一步地,上述卡尔曼预估处理单元采用卡尔曼算法作为基本的预测工具;上述测量方法运行过程中,采用定时采集时间作为卡尔曼预估处理单元的时间更新,测量更新引擎。
进一步地,本发明通过对不同位置、不同状态的压力传感器进行坐标转化,排除位置因素,将静态量与动态量相结合进行处理,获取最终的压力值,测量准确。
进一步地,本发明中还提供了一种预估偏差P(0)的新算法,预估偏差最优测量值偏差此处取定值为R=1e-2,由于使用了平滑算法,该公式保证了计算所得预估偏差更加准确,是在现有卡尔曼算法上进行的改进,比传统卡尔曼算法计算精度更高。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
图1为本发明实施例提供的原理结构框图;
图2为本发明实施例提供的卡尔曼预估处理算法流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
参阅图1所示,其为本发明实施例提供的原理结构框图,其包括传感器单元、采集单元、卡尔曼预估处理单元、数据预警输出单元,采集单元将传感器单元的数据进行采集,实际采集量通过卡尔曼预估处理单元进行滤波处理得到准确的预估采集量,而预估采集量又可反馈对卡尔曼滤波增益等算法处理参数进行调节,从而将准确的预估采集量进行预警输出。
参阅图2所示,其为本发明实施例提供的卡尔曼预估处理算法流程图,卡尔曼算法旨在实现实时估计和噪声抑制,旨在实现压力变送器压力采集量的卡尔曼预估。
具体实现如下:
步骤a,从程序系统控制开始采集压力变送器压力所转换为的电压数据;
步骤b,初始启动取得前n次的电压采集值Z(n),首次得到X(0)为n次采集值的加权平均为预估初值;
步骤e,取预估偏差为最优测量值偏差此处取定值R取0.01,可根据自己所需精度自行设置。
步骤f,前n+1次采集后,电压采集次数从1开始重计,实际测量值为Z(1),假设测量值是恒定的,则第1次采集的预估值X(1/0)=X(0),预估偏差为D(1/0)=(P(0)^2+R^2)^0.5,卡尔曼增益Kg(1/0)=D(1/0)^2/(D(1/0)^2+R^2)则第一次的最优预估值为:
E(1)=Z(1)+Kg(1/0)*(X(1/0)-Z(1)),下次的预估值X(1)=E(1),最优评估偏差P(1)=((1-Kg(1/0))*D(1/0)^2)^0.5。
输出最优预估预估值E(1),供压力变送器电压数据预警或经转换算法得到压力值后输出。
步骤g,前n+k次采集时,实际电压测量值为Z(k),假设测量值是恒定的,则第k次采集的预估值X(k/k-1)=X(k-1),预估偏差为:
D(k/k-1)=(P(k-1)^2+R^2)^0.5,
卡尔曼增益Kg(k/k-1)=D(k/k-1)^2/(D(k/k-1)^2+R^2),则第k次的最优预估值为:E(k)=Z(k)+Kg(k/k-1)*(X(k/k-1)-Z(k)),下次的预估值X(k)=E(k),最优评估偏差P(k)=((1-Kg(k/k-1))*D(k/k-1)^2)^0.5。输出最优预估预估值E(k),供传压力变送器电压数据预警或经转换算法得到压力值后输出。
其中,在上述步骤b中,为了避免获取数据误差,在对前n次的电压采集值Z(n)计算加权平均值时,首先对电压采集值Z(n)进行比较加权。
步骤b1,将n组数据进行分组,每组两个任意不同时刻的电压值,电压矩阵中的每两组进行实际差值量判断,其按下述公式计算第一、二两组的实际差值P21,
式中,P21表示每两组电压的实际差值,i1和i2分别表示第一组二维电压矩阵的电压值,i3和i4分别表示第二组二维电压矩阵的电压值,T表示均方差运算,I表示积分运算。
其中表示基于二次函数的任意积分运算,上述公式为获取积分的比值信息,下述两公式相同,如基于函数,在x取值为(a,b)内,a<b为任意数值。
上述均值运算的基本算法为:通过获取在某个时间段内的所有采样点的位置值,对某个时间段内的各个取值进行积分运算和均方差运算,然后取比值,得出相比较的平均值。
步骤b2,计算第一组二维电压矩阵和第三组二维电压矩阵的实际差值P31,
式中,P31表示每两组电压的实际差值,i1和i2分别表示所述第一组二维电压矩阵的电压值,i5和i6分别表示所述第三组二维电压矩阵的电压值,i6表示第六电容采集传感器的采样值;T表示均方差运算,I表示积分运算。
步骤b3,按照下述公式计算第二组二维电压矩阵和第三组二维电压矩阵的实际差值P32,
式中,P32表示每两组电压的实际差值,i3和i4分别表示所述第二组二维电压矩阵的电压值,i5和i6分别表示所述第三组二维电压矩阵的电压值,T表示均方差运算,I表示积分运算。
直到P(n-1)n次结果,共有种实际差值数据,对该实际差值数据进行加权求取均值,设定P12=L1,P13=L2,直到Lk;设定
设定加权求和YL为:
YL=β0+β1L1+β2L2+...+βkLk+З (4)
对上述式(4)进行假定后,对两边取期望,可得:
E(YL|L1,L2...Lk)=β0+β1L1+β2L2+...+βkLk (5)
对所述式(5)取期望完成后,给出回归参数β0,β1,β2,...,βk相应的估计值此时可以得到加权求和YL相应的估计值:
此时使用最小二乘得到参数估计:
在所述式(7)中分别对求偏导数,并令所述偏导数等于0,得到:
对上述式(8)中的方程组进行求解,即可得到回归参数β0,β1,β2,...,βk的估计值和加权求和YL。
将加权求和YL带入均值计算公式获取修正后的电压采集值Z(n0),其通过Z(n)的每一电压值乘以回归参数获得。
为了对压力采集的数据进行获取,本实施例采用压力传感器单元进行检测,本实施例设定压力传感器测量坐标系,以便或者准确的压力数值,设定在压力传感器测量坐标系中的详细表达式为:
其中,为从世界坐标系到传感器坐标系的转换矩阵,由传感器初始位置决定,xc,yc,zc;
当传感器处于初始检测状态时:
压力变送器测量值存在关系:
F1表示压力传感器测量值,mload表示压力传感器自身的实时重力,fext压力变送器施加力,F0x,F0y,F0z表示该位置各个方向上的应力,T0x,T0y,T0z表示该位置各个方向上的力矩,xc,yc,zc表示该位置处的坐标,能够唯一确定字节的位置;
当传感器处于终点检测状态时,压力变送器测量值存在关系:
当传感器处于中间时刻检测状态时,压力变送器测量值存在关系:
通过采集运动过程压力检测数据,可同步得到要辨识的压力检零偏和工具负载重量参数:
通过上述公式(15)最终确定xc,yc,zc位置处的坐标,能够唯一确定压力传感器在某一位置时的准确的数值。
本发明通过对不同位置、不同状态的压力传感器进行坐标转化,排除位置因素,将静态量与动态量相结合进行处理,获取最终的压力值,测量准确。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种基于卡尔曼算法的压力变送器压力预测方法,其特征在于,包括:
步骤a,从程序系统控制开始采集压力变送器压力所转换为的电压数据;
步骤b,初始启动取得前n次的电压采集值Z(n),首次得到X(0)为n次采集值的加权平均为预估初值;
步骤c,取预估偏差为最优测量值偏差此处取定值为R取0.01;
步骤d,前n+1次采集后,电压采集次数从1开始重计,实际测量值为Z(1),假设测量值是恒定的,则第1次采集的预估值X(1/0)=X(0),预估偏差为D(1/0)=(P(0)^2+R^2)^0.5,卡尔曼增益Kg(1/0)=D(1/0)^2/(D(1/0)^2+R^2)则第一次的最优预估值为:
E(1)=Z(1)+Kg(1/0)*(X(1/0)-Z(1)),下次的预估值X(1)=E(1),最优评估偏差P(1)=((1-Kg(1/0))*D(1/0)^2)^0.5;
输出最优预估预估值E(1),供压力变送器电压数据预警或经转换算法得到压力值后输出;
步骤e,前n+k次采集时,实际电压测量值为Z(k),假设测量值是恒定的,则第k次采集的预估值X(k/k-1)=X(k-1),预估偏差为:
D(k/k-1)=(P(k-1)^2+R^2)^0.5,
卡尔曼增益Kg(k/k-1)=D(k/k-1)^2/(D(k/k-1)^2+R^2),则第k次的最优预估值为:E(k)=Z(k)+Kg(k/k-1)*(X(k/k-1)-Z(k)),下次的预估值X(k)=E(k),最优评估偏差P(k)=((1-Kg(k/k-1))*D(k/k-1)^2)^0.5;输出最优预估预估值E(k),供传压力变送器电压数据预警或经转换算法得到压力值后输出。
2.根据权利要求1所述的基于卡尔曼算法的压力变送器压力预测方法,其特征在于,在上述步骤b中,在对前n次的电压采集值Z(n)计算加权平均值时,首先对电压采集值Z(n)进行比较加权,包括:
步骤b1,将n组数据进行分组,每组两个任意不同时刻的电压值,电压矩阵中的每两组进行实际差值量判断,其按下述公式计算第一、二两组的实际差值P21,
式中,P21表示每两组电压的实际差值,i1和i2分别表示第一组二维电压矩阵的电压值,i3和i4分别表示第二组二维电压矩阵的电压值,T表示均方差运算,I表示积分运算;
步骤b2,计算第一组二维电压矩阵和第三组二维电压矩阵的实际差值P31,
式中,P31表示每两组电压的实际差值,i1和i2分别表示所述第一组二维电压矩阵的电压值,i5和i6分别表示所述第三组二维电压矩阵的电压值,i6表示第六电容采集传感器的采样值;T表示均方差运算,I表示积分运算;
直到P(n-1)n次结果,共有种实际差值数据,对该实际差值数据进行加权求取均值,设定P12=L1,P13=L2,直到Lk;设定
3.根据权利要求2所述的基于卡尔曼算法的压力变送器压力预测方法,其特征在于,设定加权求和YL为:
YL=β0+β1L1+β2L2+...+βkLk+З (3)
对上述式(3)进行假定后,对两边取期望,可得:
E(YL|L1,L2...Lk)=β0+β1L1+β2L2+...+βkLk (4)
对所述式(4)取期望完成后,给出回归参数β0,β1,β2,...,βk相应的估计值此时可以得到加权求和YL相应的估计值:
此时使用最小二乘得到参数估计:
在所述式(6)中分别对求偏导数,并令所述偏导数等于0,得到:
对上述式(7)中的方程组进行求解,即可得到回归参数β0,β1,β2,...,βk的估计值和加权求和YL。
4.根据权利要求3所述的基于卡尔曼算法的压力变送器压力预测方法,其特征在于,设定在压力传感器测量坐标系中的详细表达式为:
其中,为从世界坐标系到传感器坐标系的转换矩阵,由传感器初始位置决定,xc,yc,zc;
当传感器处于初始检测状态时:
压力变送器测量值存在关系:
F1表示压力传感器测量值,mload表示压力传感器自身的实时重力,fext压力变送器施加力,F0x,F0y,F0z表示该位置各个方向上的应力,T0x,T0y,T0z表示该位置各个方向上的力矩,xc,yc,zc表示该位置处的坐标,能够唯一确定字节的位置;
当传感器处于终点检测状态时,压力变送器测量值存在关系:
当传感器处于中间时刻检测状态时,压力变送器测量值存在关系:
通过采集运动过程压力检测数据,可同步得到要辨识的压力检零偏和工具负载重量参数:
通过上述公式(14)最终确定xc,yc,zc位置处的坐标,能够唯一确定压力传感器在某一位置时的准确的数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633994.3A CN110362787A (zh) | 2019-07-15 | 2019-07-15 | 基于卡尔曼算法的压力变送器压力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633994.3A CN110362787A (zh) | 2019-07-15 | 2019-07-15 | 基于卡尔曼算法的压力变送器压力预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110362787A true CN110362787A (zh) | 2019-10-22 |
Family
ID=68219081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910633994.3A Pending CN110362787A (zh) | 2019-07-15 | 2019-07-15 | 基于卡尔曼算法的压力变送器压力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110362787A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675706A (zh) * | 2013-12-13 | 2014-03-26 | 桂林电子科技大学 | 一种动力电池电荷量估算方法 |
CN108515519A (zh) * | 2018-04-13 | 2018-09-11 | 珞石(山东)智能科技有限公司 | 一种基于力传感器的打磨路径自适应校正方法 |
CN108716962A (zh) * | 2018-05-10 | 2018-10-30 | 珞石(山东)智能科技有限公司 | 机器人末端力传感器零偏和负载参数同步标定方法 |
CN109507425A (zh) * | 2018-11-07 | 2019-03-22 | 国家纳米科学中心 | 基于热泳细胞外囊泡的前列腺癌症复发监控系统及方法 |
-
2019
- 2019-07-15 CN CN201910633994.3A patent/CN110362787A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675706A (zh) * | 2013-12-13 | 2014-03-26 | 桂林电子科技大学 | 一种动力电池电荷量估算方法 |
CN108515519A (zh) * | 2018-04-13 | 2018-09-11 | 珞石(山东)智能科技有限公司 | 一种基于力传感器的打磨路径自适应校正方法 |
CN108716962A (zh) * | 2018-05-10 | 2018-10-30 | 珞石(山东)智能科技有限公司 | 机器人末端力传感器零偏和负载参数同步标定方法 |
CN109507425A (zh) * | 2018-11-07 | 2019-03-22 | 国家纳米科学中心 | 基于热泳细胞外囊泡的前列腺癌症复发监控系统及方法 |
Non-Patent Citations (1)
Title |
---|
L.ANRIST: "卡尔曼滤波简介及其算法实现代码(C++/C/MATLAB)", 《HTTP://1T.CLICK/BUPW》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143989B (zh) | 频率调整量计算方法、模块、系统、存储介质和设备 | |
CN107688554B (zh) | 基于自适应傅里叶分解的频域辨识方法 | |
CN108985373B (zh) | 一种多传感器数据加权融合方法 | |
CN109450405B (zh) | 一种应用于ad采集中的复合式软件滤波方法及系统 | |
CN103119453B (zh) | 基于二次型的数字频率估计 | |
CN107215734A (zh) | 一种用于电梯实时加速度和速度以及位置检测的方法及系统 | |
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN101479613B (zh) | 瞬时确定交流电网上的信号畸变率的方法和相关装置 | |
CN116451014A (zh) | 一种无线无源设备内动部件温度实时监测方法 | |
CN106706957B (zh) | 加速度估计方法、装置、机车运动控制方法及机车 | |
CN105571666B (zh) | 流量补偿方法及补偿装置、流量传感器 | |
Roj | Neural network based real-time correction of transducer dynamic errors | |
CN113791240A (zh) | 基于高阶滑膜跟踪微分器的加速度估计方法、系统、设备和介质 | |
CN110362787A (zh) | 基于卡尔曼算法的压力变送器压力预测方法 | |
JP2867477B2 (ja) | オンライン設備の寿命予測方法 | |
CN105763170B (zh) | 一种电力信号数字滤波方法 | |
CN109655057B (zh) | 一种六推无人机加速器测量值的滤波优化方法及其系统 | |
CN108627788B (zh) | 一种霍尔电流传感器磁滞检测的方法及系统 | |
CN115906641A (zh) | 一种基于深度学习的imu陀螺仪随机误差补偿方法及装置 | |
CN112836166B (zh) | 基于响应峰分析的等间采样实验监测数据一阶微分算法 | |
CN110032758B (zh) | 计算电信号的能量的方法、装置和计算机存储介质 | |
RU2714612C1 (ru) | Способ идентификации нелинейных систем | |
CN110133383B (zh) | 基于噪声关联的噪声敏感系数测量方法 | |
CN109405832B (zh) | 一种目标步长估计方法 | |
RU2306592C1 (ru) | Способ активной идентификации линейных объектов управления |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |