CN110567421B - 基于贝叶斯原理的圆度不确定度动态评定方法 - Google Patents
基于贝叶斯原理的圆度不确定度动态评定方法 Download PDFInfo
- Publication number
- CN110567421B CN110567421B CN201910845683.3A CN201910845683A CN110567421B CN 110567421 B CN110567421 B CN 110567421B CN 201910845683 A CN201910845683 A CN 201910845683A CN 110567421 B CN110567421 B CN 110567421B
- Authority
- CN
- China
- Prior art keywords
- roundness
- probability density
- measuring point
- uncertainty
- density function
- 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.)
- Expired - Fee Related
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 21
- 239000002245 particle Substances 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/20—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring contours or curvatures, e.g. determining profile
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
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)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明提供了一种基于贝叶斯原理的圆度不确定度动态评定方法,包括:对被测对象进行圆度采样,获得一组测量点数据;根据测量点数据拟合出圆,进而计算出圆度误差;进行多组测量点数据的采集,并对每组测量点数据分别计算出圆度误差,将多个圆度误差作为一组随机变量;建立随机变量概率密度函数,构造概率密度的约束条件;将样本原点矩作为条件,以概率密度约束条件作为目标函数,估算出该组随机变量的概率密度函数并作为先验分布;获取另一组随机变量,进而计算生成另一概率密度函数,将另一组随机变量的概率密度函数融合到先验分布中形成后验分布。本发明可实现几何公差测量信息的融合,进而实现不确定度动态评定。
Description
技术领域
本发明涉及精密计量与计算机应用,具体地,涉及一种基于贝叶斯原理的圆度不确定度动态评定方法。
背景技术
随着工业过程信息化、智能化的高速发展,工业4.0、智能制造等新制造模式被广泛讨论和研究。在新的工业制造体系下必然需要符合信息物理系统特点的产品测量技术要求。根据现代误差理论,在对工件尺寸进行测量时,不仅要获得尺寸测量结果,还必须包含结果的不确定度,在新一代产品几何技术规范(GPS)中,测量不确定度称为执行不确定度纳入体系。
贝叶斯模型的核心是通过概率密度函数(probability density function,PDF)的合成实现测量评定信息的融合,即确定先验分布和后验分布。现有研究主要包含以下内容:对校准和检验中微小样本的测量不确定度评定采用了贝叶斯方法,有效的利用了每一次校准或检验数据,但对于先验及后验分布描述主要依据传统统计学方式或经验假设;提出了一种基于最大熵理论的贝叶斯测量不确定度评估方法,实现了后验分布PDF的最大熵表达形式,但其先验分布主要依据经验假设;利用贝叶斯信息融合与统计推断原理,建立了不确定度动态评定模型并进行了数字化仿真实验验证,但其实例分析未见与不采用贝叶斯融合的方法进行评定结果对比,无法较好的体现贝叶斯信息融合的特点和优势。另外,以上研究均主要针对单一变量的不确定度评定,在多变量几何公差测量不确定度领域未见有相关报道。
针对以上问题,面向圆度误差不确定度的测量信息融合与动态评定方法研究非常有限,尤其是实现信息融合的领域未涉及几何公差范畴。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于贝叶斯原理的圆度不确定度动态评定方法,实现测量信息融合、动态评定的圆度误差不确定度评定过程。
根据本发明提供的基于贝叶斯原理的圆度不确定度动态评定方法,包括如下步骤:
步骤S1:对被测对象进行圆度采样,获得一组测量点数据;
步骤S2:根据所述测量点数据拟合出圆,获得拟合圆心坐标以及距拟合圆心距离最远测量点和最近测量点坐标,进而计算出圆度误差;
步骤S3:重复执行步骤S1进行多组测量点数据的采集,并对每组测量点数据分别执行步骤S2的计算出圆度误差,获得多个圆度误差,将多个圆度误差作为一组随机变量;
步骤S4:建立随机变量概率密度函数,将根据所述随机变量计算生成样本原点矩,构造概率密度的约束条件;
步骤S5:将所述样本原点矩作为条件,以所述概率密度约束条件作为目标函数,进行参数寻优,得到概率密度函数未知参数的全局最优解,进而估算出该组随机变量的概率密度函数并作为先验分布;
步骤S6:重复执行步骤S1至S5,获取另一组随机变量,进而通过步骤S4、步骤S5计算生成另一概率密度函数,将另一组随机变量的概率密度函数融合到先验分布中形成后验分布,实现测量点数据的融合与圆度不确定度动态评定。
优选地,所述步骤S1中采样方法具体为:每隔10度设置一个测量点,则对圆形的被测对象共设置36个测量点,获得一组测量点数据Pi(xi,yi)。
优选地,步骤S2具体为:根据所述测量点数据采用最小二乘法拟合圆,获得拟合圆心坐标以及距拟合圆心距离最远测量点和最近测量点坐标,进而计算出圆度误差。
优选地,所述步骤S4中通过最大熵原理构造概率密度函数的一般形式和约束条件,具体构造过程如下:
步骤S401:在最大熵函数中引入Lagrange乘子λi(i=1,2,…,n),
步骤S403:给出最大熵函数约束条件,其中函数条件为:
样本的第i阶原点矩mi为:
步骤S404:联立(2)、(3)、(4)可得:
步骤S405:将式(6)可看作含有未知参数λi(i=1,2,…,n)的n个方程组,由于依据已知样本的圆度误差估计未知参数,参数的估值会有偏差,为估计出尽可能准确的λi,可令真实值与估计值的残差平方和尽可能小,做数学变换:
步骤S406:记残差ri,
当残差平方和R最小时,即:
得到一组λi的最优估值,即获得最大熵条件下的概率密度函数。
优选地,在步骤S5中,通过粒子群算法进行参数寻优时,设置粒子群算法的拟最大进化次数为100,种群规模为30,变量维数与样本原点矩阶数一致取3并对应到速度区间的设置,限定粒子位置区间[-200,200]。
优选地,步骤S6中,将先验分布与另一组随机变量的概率密度函数计算合成后验分布f(θ,x)的过程表示为:
f(θ,x)=f(θ)f(x|θ) (10)
其中,f(θ)是先验分布,f(x|θ)是另一组随机变量的概率,通过贝叶斯原理可确定后验分布:
在f(x)=∫f(θ)f(x|θ)dθ中,固定随机变量x,后验分布可简化为:
f(θ|x)∝f(θ)f(x|θ) (12)。
优选地,在步骤S5、步骤S6中,通过数值积分计算随机变量的样本期望及标准偏差,实现测量不确定度评定。
本发明提供的零件的圆形面圆度不确定度评定方法,采用所述的基于贝叶斯原理的圆度不确定度动态评定方法。
与现有技术相比,本发明具有如下的有益效果:
本发明提供的圆度误差测量不确定度评定方法,能够实现小样本、无分布假设的非统计评定过程,填补国标对于非统计方法的空白,为轴承等工程实际圆柱体零件保证测量精度、实现测量不确定度智能评定提供新方法,具有重要的理论意义和社会经济效益。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明中基于贝叶斯原理的圆度不确定度动态评定方法的流程图。
图2为本发明中引入粒子群算法迭代流程图。
图3为本发明中粒子群算法迭代过程收敛图。
图4为本发明中圆度误差不确定度评定方法与国标方法对比图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
在本发明实施例中,本发明提供的一种基于贝叶斯原理的圆度不确定度动态评定方法,包括以下步骤:
步骤S1:通过三坐标测量机对被测对象进行圆度采样,获得一组测量点。
在本发明实施例中,具体采样方法为:每隔10度设置一个测量点,则圆形被测对象共设置36个测量点,获得一组测量点Pi(xi,yi)。Pi(xi,yi)如下表所示,
序号 | X | Y | 序号 | X | Y | 序号 | X | Y |
1 | 27.4962 | 0.0009 | 13 | -12.8206 | 24.3238 | 25 | -12.4598 | -24.5085 |
2 | 26.9139 | 5.6283 | 14 | -16.7136 | 21.8327 | 26 | -8.1783 | -26.2497 |
3 | 25.5902 | 10.0575 | 15 | -20.1233 | 18.7356 | 27 | -3.6750 | -27.2481 |
4 | 23.5468 | 14.1981 | 16 | -22.9757 | 15.1014 | 28 | 0.9320 | -27.4792 |
5 | 20.8432 | 17.9343 | 17 | -25.1821 | 11.0386 | 29 | 5.5290 | -26.9335 |
6 | 17.5404 | 21.1751 | 18 | -27.4135 | 2.1180 | 30 | 9.9475 | -25.6333 |
7 | 13.7595 | 23.8061 | 19 | -27.3815 | -2.5038 | 31 | 14.0997 | -23.6047 |
8 | 9.5782 | 25.7739 | 20 | -26.5750 | -7.0536 | 32 | 17.8539 | -20.9115 |
9 | 5.1290 | 27.0135 | 21 | -25.0189 | -11.4025 | 33 | 21.0993 | -17.6325 |
10 | 0.5347 | 27.4908 | 22 | -22.7540 | -15.4344 | 34 | 23.7532 | -13.8506 |
11 | -4.0735 | 27.1927 | 23 | -19.8547 | -19.0180 | 35 | 25.7347 | -9.6839 |
12 | -8.5695 | 26.1260 | 24 | -16.3887 | -22.0753 | 36 | 27.4892 | -0.6404 |
步骤S2:根据所述测量点数据采用最小二乘法拟合圆,获得距拟合圆心距离最远测量点和最近测量点的坐标,进而计算出圆度误差。
在本发明实施例中,拟合圆心坐标为(8.75810e-04,4.96440e-04),计算的圆度误差为0.00219mm。
步骤S3:重复执行步骤S1进行多组测量点数据的采集,并对每组测量点数据分别执行步骤S2的计算出圆度误差,将获得小样本圆度误差,作为一组随机变量。
在本发明实施例中,所述测量点数据的组数为10组,则生成10个圆度误差,具体如下表:
序号 | 1 | 2 | 3 | 4 | 5 |
圆度误差δ | 0.00219 | 0.00202 | 0.00198 | 0.00168 | 0.00213 |
序号 | 6 | 7 | 8 | 9 | 10 |
圆度误差δ | 0.00219 | 0.00259 | 0.00214 | 0.00232 | 0.00224 |
步骤S4:根据最大熵原理构造概率密度函数的一般形式和约束条件,具体构造过程如下:
步骤S401:在熵函数中引入Lagrange乘子λi(i=1,2,…,n),
λ0为拉格朗日乘子,n为正整数。
步骤S403:给出最大熵函数约束条件,其中函数条件为:
样本的第i阶原点矩mi为:
步骤S404:联立(2)、(3)、(4)可得:
步骤S405:将式(6)可看作含有未知参数λi(i=1,2,…,n)的n个方程组,由于依据已知样本的圆度误差估计未知参数,未知参数的估值会有偏差,为估计出尽可能准确的λi,可令真实值与估计值的残差平方和尽可能小,从而做数学变换:
步骤S406:记残差ri,
当残差平方和R最小时,即:
得到一组λi的最优估值,即获得最大熵条件下的概率密度函数。
在本发明实施例中,首先确定积分区间[0.00168,0.00259],取三阶样本矩作为最大熵条件,计算步骤S3中的10组圆度误差样本的三阶原点矩为mi=[0.002148,4.664e-06,1.0232e-08],作为最大熵约束。三阶下的圆度误差PDF的一般形式为:
步骤S5:根据步骤S4中构造的概率密度约束作为目标函数,步骤S3中的随机变量作为样本值,引入粒子群算法进行参数寻优,设置粒子群算法的拟最大进化次数为100,种群规模为30,变量维数与样本原点矩阶数一致取3并对应到速度区间的设置,限定粒子位置区间[-200,200],求解出λi,进而估计出样本下圆度误差的概率密度函数f(x)。
在本发明实施例中,λi=[89.7195,-171.3414,-106.5603],进而计算出λ0=6.8110,回代步骤S4中的PDF一般形式可得测量值样本下的圆度误差PDF为:
f(x)=exp(6.8110+89.7195x-171.3414x2-106.5603x3)
步骤S6:将步骤S5中估计出样本下圆度误差的概率密度函数f(x)作为先验分布,重复步骤S1至步骤S5,获取另一组随机变量的概率密度函数。利用贝叶斯原理将另一组随机变量的表征概率密度融合到先验分布中形成后验分布,其融合基本数学模型理论依据为:
f(θ,x)=f(θ)f(x|θ) (10)
其中,f(θ)是先验分布,f(x|θ)是另一组随机变量的概率密度函数,通过贝叶斯原理可确定后验分布:
在f(x)=∫f(θ)f(x|θ)dθ中,固定随机变量x,后验分布可简化为:
f(θ|x)∝f(θ)f(x|θ) (12)。
在本发明实施例中,得另一组随机变量的概率密度函数为:
f1(x)=exp(6.7072+198.1790x+115.9594x2-29.2188x3)
利用贝叶斯原理将另一组随机变量的概率密度函数融合到先验分布中形成后验分布为:
g1(x)=exp(13.5182+287.8985x-55.382x2-135.7791x3)
为体现动态评定过程,把以上后验分布作为下一次信息融合的先验分布,再次重复步骤S1至步骤S5的过程获得新的测量样本信息,作为当前测量样本分布。具体过程同上,得到的当前样本分布为:
f2(x)=exp(6.6060+160.2591x+62.2293x2-36.3174x3)
利用贝叶斯原理将新的测量信息的概率密度函数融合到先验分布中形成后验分布为:
g2(x)=exp(20.1242+448.1576x+6.8473x2-99.4617x3)
步骤S7:通过对步骤S5、步骤S6估计出的分布f(x)进行数值积分计算概率密度的标准偏差实现测量不确定度评定。
在本发明实施例中,通过对步骤S6估计的PDF数值积分可得圆度误差不确定度三次测量样本的数据融合值分别为u1=0.2627um,u2=0.2622um,u3=0.2908um。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (7)
1.一种基于贝叶斯原理的圆度不确定度动态评定方法,其特征在于,包括如下步骤:
步骤S1:对被测对象进行圆度采样,获得一组测量点数据;
步骤S2:根据所述测量点数据拟合出圆,获得拟合圆心坐标以及距拟合圆心距离最远测量点和最近测量点坐标,进而计算出圆度误差;
步骤S3:重复执行步骤S1进行多组测量点数据的采集,并对每组测量点数据分别执行步骤S2的计算出圆度误差,获得多个圆度误差,将多个圆度误差作为一组随机变量;
步骤S4:建立随机变量概率密度函数,将根据所述随机变量计算生成样本原点矩,构造概率密度的约束条件;
步骤S5:将所述样本原点矩作为条件,以所述概率密度约束条件作为目标函数,进行参数寻优,得到概率密度函数未知参数的全局最优解,进而估算出该组随机变量的概率密度函数并作为先验分布;
步骤S6:重复执行步骤S1至S5,获取另一组随机变量,进而通过步骤S4、步骤S5计算生成另一概率密度函数,将另一组随机变量的概率密度函数融合到先验分布中形成后验分布,实现测量点数据的融合与圆度不确定度动态评定;
步骤S6中,将先验分布与另一组随机变量的概率密度函数计算合成后验分布f(θ,x)的过程表示为:
f(θ,x)=f(θ)f(x|θ) (10)
其中,f(θ)是先验分布,f(x|θ)是另一组随机变量的概率,通过贝叶斯原理可确定后验分布:
在f(x)=∫f(θ)f(x|θ)dθ中,固定随机变量x,后验分布可简化为:
f(θ|x)∝f(θ)f(x|θ) (12)。
2.根据权利要求1所述的基于贝叶斯原理的圆度不确定度动态评定方法,其特征在于,所述步骤S1中采样方法具体为:每隔10度设置一个测量点,则对圆形的被测对象共设置36个测量点,获得一组测量点数据Pi(xi,yi)。
3.根据权利要求1所述的基于贝叶斯原理的圆度不确定度动态评定方法,其特征在于,步骤S2具体为:根据所述测量点数据采用最小二乘法拟合圆,获得拟合圆心坐标以及距拟合圆心距离最远测量点和最近测量点坐标,进而计算出圆度误差。
4.根据权利要求1所述的基于贝叶斯原理的圆度不确定度动态评定方法,其特征在于,所述步骤S4中通过最大熵原理构造概率密度函数的一般形式和约束条件,具体构造过程如下:
步骤S401:在最大熵函数中引入Lagrange乘子λi(i=1,2,…,n),
步骤S403:给出最大熵函数约束条件,其中函数条件为:
样本的第i阶原点矩mi为:
步骤S404:联立(2)、(3)、(4)可得:
步骤S405:将式(6)可看作含有未知参数λi(i=1,2,…,n)的n个方程组,由于依据已知样本的圆度误差估计未知参数,参数的估值会有偏差,为估计出尽可能准确的λi,可令真实值与估计值的残差平方和尽可能小,做数学变换:
步骤S406:记残差ri,
当残差平方和R最小时,即:
得到一组λi的最优估值,即获得最大熵条件下的概率密度函数。
5.根据权利要求1所述的基于贝叶斯原理的圆度不确定度动态评定方法,其特征在于,在步骤S5中,通过粒子群算法进行参数寻优时,设置粒子群算法的拟最大进化次数为100,种群规模为30,变量维数与样本原点矩阶数一致取3并对应到速度区间的设置,限定粒子位置区间[-200,200]。
6.根据权利要求1所述的基于贝叶斯原理的圆度不确定度动态评定方法,其特征在于,在步骤S5、步骤S6中,通过数值积分计算随机变量的样本期望及标准偏差,实现测量不确定度评定。
7.一种零件的圆形面圆度不确定度评定方法,其特征在于,采用权利要求1至6任一项所述的基于贝叶斯原理的圆度不确定度动态评定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910845683.3A CN110567421B (zh) | 2019-09-05 | 2019-09-05 | 基于贝叶斯原理的圆度不确定度动态评定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910845683.3A CN110567421B (zh) | 2019-09-05 | 2019-09-05 | 基于贝叶斯原理的圆度不确定度动态评定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110567421A CN110567421A (zh) | 2019-12-13 |
CN110567421B true CN110567421B (zh) | 2021-05-04 |
Family
ID=68778506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910845683.3A Expired - Fee Related CN110567421B (zh) | 2019-09-05 | 2019-09-05 | 基于贝叶斯原理的圆度不确定度动态评定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110567421B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553077B (zh) * | 2020-04-29 | 2022-10-04 | 大连理工大学 | 一种在机测量不确定度评定方法 |
CN114037017B (zh) * | 2021-11-25 | 2022-10-21 | 西安电子科技大学 | 基于误差分布拟合的数据融合方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07228283A (ja) * | 1994-02-15 | 1995-08-29 | Yamamoto Seisakusho:Kk | 自転車ハンガ部のワン構造 |
JP2000090272A (ja) * | 1998-09-16 | 2000-03-31 | Hitachi Zosen Corp | 靴の選定方法 |
KR101065955B1 (ko) * | 2010-02-16 | 2011-09-19 | 주식회사 제노프릭스 | 원형 구멍의 3차원 형상 측정 시스템 |
CN104794296B (zh) * | 2015-04-29 | 2018-01-12 | 电子科技大学 | 一种基于动态贝叶斯网络的机械系统时变可靠性评估方法 |
KR101817781B1 (ko) * | 2015-08-13 | 2018-01-11 | 재단법인대구경북과학기술원 | 통증 감지 장치 및 그 방법 |
CN108469783B (zh) * | 2018-05-14 | 2021-02-02 | 西北工业大学 | 基于贝叶斯网络的深孔圆度误差预测方法 |
CN110543618A (zh) * | 2019-09-05 | 2019-12-06 | 上海应用技术大学 | 基于概率密度函数估计的圆度不确定度评定方法 |
-
2019
- 2019-09-05 CN CN201910845683.3A patent/CN110567421B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN110567421A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543618A (zh) | 基于概率密度函数估计的圆度不确定度评定方法 | |
CN109579733B (zh) | 一种激光3d打印成型尺寸精度快速测算方法 | |
CN110567421B (zh) | 基于贝叶斯原理的圆度不确定度动态评定方法 | |
CN112697041B (zh) | 一种基于蒙特卡洛法的装配位姿测量精度预评估方法 | |
CN104853435A (zh) | 一种基于概率的室内定位方法和装置 | |
CN106202929B (zh) | 一种基于Bayes混合模型的命中精度评估方法 | |
CN110716194B (zh) | 同时参考球与面的多波束三维激光成像系统的检校方法 | |
CN111553077B (zh) | 一种在机测量不确定度评定方法 | |
Pathak et al. | Form error evaluation of noncontact scan data using constriction factor particle swarm optimization | |
CN110285781B (zh) | 一种相对于基准面的平面平行度快速评定方法 | |
CN113722942B (zh) | 一种考虑3d打印几何缺陷的有限元计算模型 | |
Müller et al. | Comparison of different measures for the single point uncertainty in industrial X-ray computed tomography | |
CN110032709A (zh) | 一种用于地理坐标转换中异常点的定位与估值方法 | |
Gu et al. | A robust moving total least-squares fitting method for measurement data | |
Wen et al. | Monte Carlo method for the uncertainty evaluation of spatial straightness error based on new generation geometrical product specification | |
CN102609573A (zh) | 产品装配尺寸和形位精度的预测方法及装置 | |
CN111891176A (zh) | 基于轨道几何状态测量仪的轨道测量数据整体平差方法 | |
Kumar et al. | Roundness error measurement using teaching learning based optimization algorithm and comparison with particle swarm optimization algorithm | |
Dastoorian et al. | Gauge capability studies for high-density data: SPC phase 0 | |
CN108731616B (zh) | 一种基于云模型的螺旋锥齿轮齿面测量点自适应分布方法 | |
Mian et al. | Analysis and realization of sampling strategy in coordinate metrology | |
CN116051795A (zh) | 一种概率型参数不确定性的有限元模型修正方法 | |
Rajagopal et al. | Assessment of circularity error using a selective data partition approach | |
Magdziak et al. | Contact coordinate measurements of free-form surfaces: A FIS for optimal distribution of measurement points | |
CN108629127B (zh) | 一种周向非对称缺陷的涡流检测磁场的半解析计算方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210504 |