CN113177309B - 一种基于决策算法的无人机冗余传感器的数据分析方法 - Google Patents
一种基于决策算法的无人机冗余传感器的数据分析方法 Download PDFInfo
- Publication number
- CN113177309B CN113177309B CN202110443494.0A CN202110443494A CN113177309B CN 113177309 B CN113177309 B CN 113177309B CN 202110443494 A CN202110443494 A CN 202110443494A CN 113177309 B CN113177309 B CN 113177309B
- Authority
- CN
- China
- Prior art keywords
- index
- pri
- check
- sensor
- data
- 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
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明涉及无人机设计领域，尤其涉及一种基于决策算法的无人机冗余传感器的数据分析方法，包括以下步骤：S1、在一个周期内，获取主传感器、辅助传感器的数据；S2、对获得的数据进行处理；S3、基于步骤S2处理后的结果对主传感器与辅助传感器进行健康评分，系统计算后设定对应的传感器作为主传感器、辅助传感器。本发明的有益效果在于：基于决策算法分析多组传感器的数据，使得决策和后续的解算应用中使用的数据更平滑。
Description
技术领域
本发明涉及无人机设计领域，特别涉及一种基于决策算法的无人机冗余传感器的数据分析方法。
背景技术
无人机是指无人驾驶的飞行器或航空器，具备可控制、执行多任务并可重复使用的特性，各种类型的无人机在不同领域发挥着各异的作用。无人机的研制一般使用各种新材料和新技术，各种关键性的技术也被学术界和工程界所关注重视。在当今信息化、网络化、体系化背景下，无人机将发展更加迅猛。现有技术的缺陷与不足：
目前无人机通过飞行控制自驾平台实现无人机的手动控制和自主导航控制等功能。为了确保了数据的稳定和可靠性，自驾平台基本采用冗余传感器设计，当自驾平台中某一组传感器故障后，启用令一组传感器，从而避免产生难以预估的后果。针对冗余传感器的设置，如果自驾平台不能充分使用多传感器的数据，且传感器使用转换不平滑。不但难以提高无人机飞行的稳定性，甚至会提升无人机炸机的风险。
发明内容
为了解决自驾平台中多组传感器数据使用不充分和转换不平滑的问题，本发明提供了一种基于决策算法的无人机冗余传感器的数据分析方法，具体方案如下：
S1、在一个周期内，获取主传感器、辅助传感器的数据；
S2、对获得的数据进行处理；
S3、基于步骤S2处理后的结果对主传感器与辅助传感器进行健康评分，系统计算后设定对应的传感器作为主传感器、辅助传感器。
具体地说，在第一周期中由用户设定对应的传感器作为主传感器、辅助传感器。
具体地说，步骤S2具体为：对启动时刻寄存器的数据读取错误计数值进行归一化处理；计算主传感器与辅助传感器的期望解算变量数据的方差；对得到的方差进行归一化处理。
具体地说，步骤S3具体为：设定寄存器读取错误决策影响权重因子和解算方差值决策影响权重因子，对传感器进行健康评分，计算公式为：
Score_pri＝
Normal_pri*Count_weight+Variance_norm_pri*Variance_weight；
Score_aux1＝
Normal_aux1*Count_weight+Variance_norm_aux1*Variance_weight；
……
Score_auxN＝
Normal_auxN*Count_weight+Variance_norm_auxN*Variance_weight；
比较主、辅助传感器的得分；
如果Score_pri≥某个辅助传感器X的得分，且辅助传感器X为得分最低的辅助传感器；
将用户设定的主传感器设定为辅助传感器X，将用户设定的辅助传感器X设定为主传感器，设定公式如下：
Pri_index_auto＝AuxX_index_spec；
AuxX_index_auto＝Pri_index_spec；
如果Score_pri<N个辅助传感器的得分，设定公式如下；
Pri_index_auto＝Pri_index_spec；
Aux1_index_auto＝Aux1_index_spec；
……
AuxN_index_auto＝AuxN_index_spec；
其中Pri_index_spec为用户设定主传感器的索引；
其中AuxN_index_spec为用户设定的辅助传感器N的索引；
其中Normal_pri为用户设定的主传感器数据读取错误计数归一化处理后的数值；
其中Normal_auxN为用户设定的辅助传感器N数据读取错误计数归一化处理后的数值；
其中Count_weight为设定寄存器读取错误决策影响权重因子；
其中Variance_weight为解算方差值决策影响权重因子；
其中Variance_norm_pri为主传感器解算数据的方差值归一化处理后的数值；
其中Variance_norm_auxN为用户设定的辅助传感器N解算数据的方差值归一化处理后的数值；
其中Pri_index_auto为系统设定的主传感器索引；
其中AuxN_index_auto为系统设定的辅助传感器N索引。
具体的说，每间隔设定周期时间调用用户设定的主传感器和辅助传感器索引进行一次局部最优检查。
具体地说，所述局部最优检查的函数为间隔Interval_Num个周期时间长度，对上一次调用该函数中获取的传感器读数错误计数值，记为Pri_Check_last、Aux1_Check_last、……AuxN_Check_last通过以下公式进行计算：
Num_Change_1＝Pri_Check_cur-Pri_Check_last；
Num_Change_2＝Aux1_Check_cur-Aux1_Check_last；
……
Num_Change_N＝AuxN_Check_cur-AuxN_Check_last；
其中，
Pri_Check_cur为当前检查周期用户指定主传感器读取数据错误计数值；
Pri_Check_last上一次检查周期用户指定主传感器读取数据错误计数值；
AuxN_Check_cur当前检查周期用户指定辅助传感器N读取数据错误计数值；
AuxN_Check_last上一次检查周期用户指定辅助传感器N读取数据错误计数值；
Num_Change_1用户指定主传感器读取数据错误计数增长值；
Num_Change_N用户指定辅助传感器N读取数据错误计数增长值；
如果，Num_Change_1≤Num_Change_N那么：
Pri_index_auto＝Pri_index_spec；
Aux1_index_auto＝Aux1_index_spec；
……
AuxN_index_auto＝AuxN_index_spec；
如果，Num_Change_1≥Num_Change_X且Num_Change_X为N个辅助传感器中最小那么：
Pri_index_auto＝AuxX_index_spec；
AuxX_index_auto＝Pri_index_spec；
Aux1_index_auto＝Aux1_index_spec；
……
AuxN_index_auto＝AuxN_index_spec。
具体地说，所述局部最优检查的函数在第一次检查时调用数据Pri_Err_Count_st和Aux_Err_Count_st。
本发明的有益效果在于：
(1)基于决策算法分析多组传感器的数据，使得决策和后续的解算应用中使用的数据更平滑。
(2)设计冗余传感器专门的健康评价得分方法，提高了数据的可靠性和转换平滑性。
(3)设计局部最优检查函数，避免了决策算法陷入局部最优的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明公开了一种基于决策算法的无人机冗余传感器的数据分析方法，包括以下步骤：
S1、在一个周期内，获取主传感器、辅助传感器的数据；
S2、对获得的数据进行处理；
S3、基于步骤S2处理后的结果对主传感器与辅助传感器进行健康评分，系统计算后设定对应的传感器作为主传感器、辅助传感器。
实施例1
本实施例以无人机冗余传感器数量为2，即只有一个辅助传感器为例，Aux_index_spec就代表用户设定辅助传感器索引，其它标识亦如此，在此不一一赘述。
第一周期：
S1、设定无人机在自驾平台中用户设定的主传感器的索引为Pri_index_spec，用户设定的辅助传感器的索引为Aux_index_spec，获取传感器数据；
S2、对启动时刻的数据错误读取计数Pri_Count_st和Aux_Count_st进行归一化处理，记为Normal_pri和Normal_aux；
进行期望变量解算，并计算对应的方差记为Varince_pri和Varince_aux；
对方差数据进行归一化处理，记为Varince_normal_pri和Varince_normal_aux；
S3、设定寄存器读取错误决策影响权重因子Count_weight和解算值方差决策影响权重因子Variance_weight，对两组传感器的健康状态进行评分，计算公式如下：
Score_pri＝
Normal_pri*Count_weight+Variance_norm_pri*Variance_weight；
Score_aux＝
Normal_aux*Count_weight+Variance_norm_aux*Variance_weight；
如果Score_pri≥Score_aux说明用户设定的主传感器性能不如用户设定辅助传感器性能，将用户设定的主传感器设定为辅助传感器，将用户设定的辅助传感器设定为主传感器，设定公式如下：
Pri_index_auto＝Aux_index_spec；
Aux_index_auto＝Pri_index_spec；
如果Score_pri<Score_aux，设定公式如下；
Pri_index_auto＝Pri_index_spec
Aux_index_auto＝Aux_index_spec；
其中Pri_index_auto为系统设定的主传感器索引；Aux_index_auto为系统设定的辅助传感器索引。
第二周期：
S1、获取系统设定的主传感器与辅助传感器的数据读取错误计数值Pri_Err_Count和Aux_Err_Count，获取传感器数据；
S2、对Pri_Err_Count和Aux_Err_Count进行归一化处理，更新Normal_pri和Normal_aux的参数值，主传感器与辅助传感器的数据均参加到后面的期望变量解算，并进行归一化处理，记为Variance_norm_pri和Variance_norm_aux
S3、对第一周期系统设定的主传感器与辅助传感器健康性进行比较，比较后设定对应传感器为主传感器、辅助传感器。
后续周期重复第二周期的步骤，但是为了避免评价函数陷入局部最优的情况，设定如下功能函数：间隔Interval_Num个周期时间长度，对上一次调用该函数中获取的传感器读数错误计数值，记为Pri_Check_last和Aux_Check_last通过以下公式进行计算：
Num_Change_1＝Pri_Check_cur-Pri_Check_last；
Num_Change_2＝Aux_Check_cur-Aux_Check_last；
其中，
Pri_Check_cur当前检查周期用户指定主传感器读取数据错误计数值；
Pri_Check_last上一次检查周期用户指定主传感器读取数据错误计数值；
Aux_Check_cur当前检查周期用户指定辅助传感器读取数据错误计数值；
Aux_Check_last上一次检查周期用户指定辅助传感器读取数据错误计数值；
Num_Change_1用户指定主传感器读取数据错误计数增长值；
Num_Change_2用户指定辅助传感器读取数据错误计数增长值；
如果Num_Change_1≤Num_Change_2，那么
Pri_index_auto＝Pri_index_spec；
Aux_index_auto＝Aus_index_spec；
否则，
Pri_index_auto＝Aus_index_spec；
Aux_index_auto＝Pri_index_spec。
第一次检查用数据Pri_Err_Count_st和Aux_Err_Count_st。
即
Num_Change_1＝Pri_Check_cur-Pri_Err_Count_st；
Num_Change_2＝Aux_Check_cur-Aux_Err_Count_st。
最终，完成该周期的主传感器与辅助传感器的索引决策算法。
实施例2
本实施例以无人机冗余传感器的数量为3为例，即一个主传感器两个辅助传感器，记为辅助传感器1、辅助传感器2。
第一周期：
S1、设定无人机在自驾平台中用户设定的主传感器的索引为Pri_index_spec，用户设定的辅助传感器的索引为Aux1_index_spec、Aux2_index_spec，获取传感器数据；
S2、对启动时刻的数据错误读取计数Pri_Count_st和Aux1_Count_st、Aux2_Count_st进行归一化处理，记为Normal_pri和Normal_aux1、
Normal_aux2；
进行期望变量解算，并计算对应的方差记为Varince_pri和Varince_aux1、Varince_aux2；
对方差数据进行归一化处理，记为Varince_normal_pri和Varince_normal_aux1、Varince_normal_aux2；
S3、设定寄存器读取错误决策影响权重因子Count_weight和解算值方差决策影响权重因子Variance_weight，对三组传感器的健康状态进行评分，计算公式如下：
Score_pri＝
Normal_pri*Count_weight+Variance_norm_pri*Variance_weight；
Score_aux1＝
Normal_aux1*Count_weight+Variance_norm_aux1*Variance_weight；
Score_aux＝
Normal_aux1*Count_weight+Variance_norm_aux1*Variance_weight；
如果Score_pri≥Score_aux1且Score_aux1<Score_aux2说明用户设定的主传感器性能不如用户设定辅助传感器1的性能，将用户设定的主传感器设定为辅助传感器1，将用户设定的辅助传感器1设定为主传感器，设定公式如下：
Pri_index_auto＝Aux1_index_spec；
Aux1_index_auto＝Pri_index_spec；
如果Score_pri<Score_aux，设定公式如下；
Pri_index_auto＝Pri_index_spec；
Aux1_index_auto＝Aux1_index_spec；
Aux2_index_auto＝Aux2_index_spec；
其中Pri_index_auto为系统设定的主传感器索引；AuxN_index_auto为系统设定的辅助传感器N的索引。
第二周期：
对第一周期系统设定的主传感器和辅助传感器1、辅助传感器2的数据进行处理评分，并设置对应传感器为主传感器、辅助传感器。
后续周期重复第二周期的步骤，但是为了避免评价函数陷入局部最优的情况，设定如下功能函数：间隔Interval_Num个周期时间长度，对上一次调用该函数中获取的传感器读数错误计数值，记为Pri_Check_last和Aux1_Check_last、Aux2_Check_last通过以下公式进行计算：
Num_Change_1＝Pri_Check_cur-Pri_Check_last；
Num_Change_2＝Aux1_Check_cur-Aux1_Check_last；
Num_Change_3＝Aux2_Check_cur-Aux2_Check_last；
其中，
Pri_Check_cur当前检查周期用户指定主传感器读取数据错误计数值；
Pri_Check_last上一次检查周期用户指定主传感器读取数据错误计数值；
AuxN_Check_cur当前检查周期用户指定辅助传感器N读取数据错误计数值；
AuxN_Check_last上一次检查周期用户指定辅助传感器N读取数据错误计数值；
Num_Change_1用户指定主传感器读取数据错误计数增长值；
Num_Change_2用户指定辅助传感器1读取数据错误计数增长值；
Num_Change_3用户指定辅助传感器2读取数据错误计数增长值；
如果Num_Change_1≤Num_Change_2，那么
Pri_index_auto＝Pri_index_spec；
Aux1_index_auto＝Aux1_index_spec；
Aux2_index_auto＝Aux2_index_spec；
如果，Num_Change_1≥Num_Change_2且Num_Change_2<Num_Change_3那么：
Pri_index_auto＝Aux1_index_spec；
Aux1_index_auto＝Pri_index_spec；
Aux2_index_auto＝Aux2_index_spec。
第一次检查用数据Pri_Err_Count_st和Aux_Err_Count_st。
最终，完成该周期的主传感器与辅助传感器的索引决策算法。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于决策算法的无人机冗余传感器的数据分析方法，其特征在于，包括以下步骤：
S1、在一个周期内，获取主传感器、辅助传感器的数据；
S2、对获得的数据进行处理；
S3、基于步骤S2处理后的结果对主传感器与辅助传感器进行健康评分，系统计算后设定对应的传感器作为主传感器、辅助传感器；
步骤S3具体为：设定寄存器读取错误决策影响权重因子和解算方差值决策影响权重因子，对传感器进行健康评分，计算公式为：
Score_pri＝
Normal_pri*Count_weight+Variance_norm_pri*Variance_weight；
Score_aux＝
Normal_aux*Count_weight+Variance_norm_aux*Variance_weight；
Count_weight为设定寄存器读取错误决策影响权重因子；Variance_weight为解算值方差决策影响权重因子；Normal_pri为用户设定的主传感器数据读取错误计数归一化处理后的数值；Variance_norm_pri为主传感器解算数据的方差值归一化处理后的数值；Normal_aux为用户设定的辅助传感器数据读取错误计数归一化处理后的数值；Variance_norm_aux为用户设定的辅助传感器解算数据的方差值归一化处理后的数值；
如果Score_pri≥Score_aux说明用户设定的主传感器性能不如用户设定辅助传感器性能，将用户设定的主传感器设定为辅助传感器，将用户设定的辅助传感器设定为主传感器，设定公式如下：
Pri_index_auto＝Aux_index_spec；
Aux_index_auto＝Pri_index_spec；
如果Score_pri<Score_aux，设定公式如下；
Pri_index_auto＝Pri_index_spec
Aux_index_auto＝Aux_index_spec；
其中Pri_index_auto为系统设定的主传感器索引；Aux_index_auto为系统设定的辅助传感器索引；用户设定主传感器的索引为Pri_index_spec；用户设定的辅助传感器的索引为Aux_index_spec。
2.根据权利要求1所述的一种基于决策算法的无人机冗余传感器的数据分析方法，其特征在于，在第一周期中由用户设定对应的传感器作为主传感器、辅助传感器。
3.根据权利要求1所述的一种基于决策算法的无人机冗余传感器的数据分析方法，其特征在于，步骤S2具体为：对启动时刻寄存器的数据读取错误计数值进行归一化处理；计算主传感器与辅助传感器的期望解算变量数据的方差；对得到的方差进行归一化处理。
4.根据权利要求1所述的一种基于决策算法的无人机冗余传感器的数据分析方法，其特征在于，每间隔设定周期时间调用用户设定的主传感器和辅助传感器索引进行一次局部最优检查。
5.根据权利要求4所述的一种基于决策算法的无人机冗余传感器的数据分析方法，其特征在于，所述局部最优检查的函数为间隔Interval_Num个周期时间长度，对上一次调用该函数中获取的传感器读数错误计数值，记为Pri_Check_last、Aux1_Check_last、……AuxN_Check_last通过以下公式进行计算：
Num_Change_1＝Pri_Check_cur-Pri_Check_last；
Num_Change_2＝Aux1_Check_cur-Aux1_Check_last；
……
Num_Change_N＝AuxN_Check_cur-AuxN_Check_last；
其中，
Pri_Check_cur为当前检查周期用户指定主传感器读取数据错误计数值；
Pri_Check_last上一次检查周期用户指定主传感器读取数据错误计数值；
AuxN_Check_cur当前检查周期用户指定辅助传感器N读取数据错误计数值；
AuxN_Check_last上一次检查周期用户指定辅助传感器N读取数据错误计数值；
Num_Change_1用户指定主传感器读取数据错误计数增长值；
Num_Change_N用户指定辅助传感器N读取数据错误计数增长值；
如果Num_Change_1≤Num_Change_N，那么：
Pri_index_auto＝Pri_index_spec；
Aux1_index_auto＝Aux1_index_spec；
……
AuxN_index_auto＝AuxN_index_spec；
如果Num_Change_1≥Num_Change_X且Num_Change_X为N个辅助传感器中最小，那么：
Pri_index_auto＝AuxX_index_spec；
AuxX_index_auto＝Pri_index_spec；
Aux1_index_auto＝Aux1_index_spec；
……
AuxN_index_auto＝AuxN_index_spec。
6.根据权利要求4或5所述的一种基于决策算法的无人机冗余传感器的数据分析方法，其特征在于，所述局部最优检查的函数在第一次检查时调用数据Pri_Err_Count_st和Aux_Err_Count_st。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110443494.0A CN113177309B (zh) | 2021-04-23 | 2021-04-23 | 一种基于决策算法的无人机冗余传感器的数据分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110443494.0A CN113177309B (zh) | 2021-04-23 | 2021-04-23 | 一种基于决策算法的无人机冗余传感器的数据分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113177309A CN113177309A (zh) | 2021-07-27 |
| CN113177309B true CN113177309B (zh) | 2023-04-07 |
Family
ID=76924498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110443494.0A Active CN113177309B (zh) | 2021-04-23 | 2021-04-23 | 一种基于决策算法的无人机冗余传感器的数据分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113177309B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112650281A (zh) * | 2020-12-14 | 2021-04-13 | 一飞(海南)科技有限公司 | 多传感器三余度系统、控制方法、无人机、介质及终端 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2988835B1 (fr) * | 2012-03-28 | 2015-01-30 | Dassault Aviat | Procede de determination d'un etat de credibilite de mesures de capteurs d'un aeronef et systeme correspondant |
| CN109931926B (zh) * | 2019-04-04 | 2023-04-25 | 山东智翼航空科技有限公司 | 一种基于站心坐标系的小型无人机无缝自主式导航方法 |
| US11030031B2 (en) * | 2019-04-19 | 2021-06-08 | Ghost Locomotion Inc. | Redundant sensor fabric for autonomous vehicles |
| CN112596535A (zh) * | 2020-12-14 | 2021-04-02 | 一飞(海南)科技有限公司 | 无人机多传感器三余度飞行控制系统、方法及存储介质 |
-
2021
- 2021-04-23 CN CN202110443494.0A patent/CN113177309B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112650281A (zh) * | 2020-12-14 | 2021-04-13 | 一飞(海南)科技有限公司 | 多传感器三余度系统、控制方法、无人机、介质及终端 |
Non-Patent Citations (1)
| Title |
|---|
| 陈伟等.多传感器信息融合技术与无人机PHM系统.航空科学技术.2009,(第06期),第6-7、16页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113177309A (zh) | 2021-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109062189B (zh) | 一种用于复杂故障的工业过程故障诊断方法 | |
| CN109657945B (zh) | 一种基于数据驱动的工业生产过程故障诊断方法 | |
| CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
| US20050043934A1 (en) | Intelligent database for performance predictions | |
| CN111024898A (zh) | 一种基于CatBoost模型的车辆尾气浓度超标判别方法 | |
| CN113298162A (zh) | 一种基于K-means算法的桥梁健康监测方法及系统 | |
| CN114066262A (zh) | 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质 | |
| CN107193782A (zh) | 一种基于多项式拟和的野值剔除方法 | |
| CN103198016A (zh) | 基于联合依赖概率建模的软件错误定位方法 | |
| CN110187206B (zh) | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 | |
| CN112258689A (zh) | 船舶数据处理方法、装置和船舶数据质量管理平台 | |
| CN113177309B (zh) | 一种基于决策算法的无人机冗余传感器的数据分析方法 | |
| CN113609346B (zh) | 基于企业关联关系的自然人人名消歧方法、设备和介质 | |
| CN111209942B (zh) | 一种足式机器人多模态感知的异常监测方法 | |
| CN117111568A (zh) | 基于物联网的设备监测方法、装置、设备及存储介质 | |
| CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
| CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
| CN111563596B (zh) | 一种基于证据网络的不确定信息推理目标识别方法 | |
| CN110986873B (zh) | 高速铁路工程服役状态预警指标获取方法 | |
| Yang et al. | Historical load curve correction for short-term load forecasting | |
| CN113761795A (zh) | 一种飞机发动机故障检测方法和系统 | |
| CN112836898B (zh) | 一种云制造车间作业工时估计方法 | |
| WO2022059183A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| US20220413050A1 (en) | Complicated system fault diagnosis method and system based on multi-stage model | |
| CN115658371B (zh) | 基于案例学习与可诊断性分析的诊断算法量化推荐方法 |
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 |