CN113255851A - 一种机器人关节光磁混合编码器的数据融合方法及装置 - Google Patents
一种机器人关节光磁混合编码器的数据融合方法及装置 Download PDFInfo
- Publication number
- CN113255851A CN113255851A CN202110803986.6A CN202110803986A CN113255851A CN 113255851 A CN113255851 A CN 113255851A CN 202110803986 A CN202110803986 A CN 202110803986A CN 113255851 A CN113255851 A CN 113255851A
- Authority
- CN
- China
- Prior art keywords
- encoder
- time
- variance
- data fusion
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- QERYCTSHXKAMIS-UHFFFAOYSA-M thiophene-2-carboxylate Chemical compound [O-]C(=O)C1=CC=CS1 QERYCTSHXKAMIS-UHFFFAOYSA-M 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manipulator (AREA)
- Transmission And Conversion Of Sensor Element Output (AREA)
Abstract
本发明涉及机器人关节伺服驱动系统编码器领域,特别是指一种机器人关节光磁混合编码器的数据融合方法及装置,方法包括:将光电编码器和磁编码器所测得的数据进行一致性检验;将经检验的数据分别代入卡尔曼滤波的迭代方程,得到光电编码器与磁编码器的预估值;将预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值。采用本发明,解决了机器人关节伺服驱动系统中光磁混合型编码器实际测量中出现的个别数据偏离问题,提高了反馈速度及位置精度。
Description
技术领域
本发明涉及机器人关节伺服驱动系统编码器技术领域,特别涉及是指一种机器人关节光磁混合编码器的数据融合方法及装置。
背景技术
关节机器人也称关节手臂机器人或者关节机械臂,是当今工业领域中最常见的工业机器人的形态之一,适合于诸多工业领域的自动化作业。编码器作为机器人关节伺服驱动系统中一个重要的组成,可用来检测角度、位置、速度,在伺服系统中作为位置或者速度反馈。
为满足伺服驱动系统的性能要求,结合了光电编码器与磁编码器优点的光磁混合编码器应运而生。但是为解决多类型编码器在实际测量中出现的个别数据偏离问题以及提高反馈速度及位置精度,对于编码器的数据融合处理就成为了亟需解决的问题。
发明内容
本发明实施例提供了一种机器人关节光磁混合编码器的数据融合方法及装置。所述技术方案如下:
一方面,提供了一种机器人关节光磁混合编码器的数据融合方法,该方法应用于电子设备,该方法包括:
S1,将光电编码器和磁编码器所测得的数据进行一致性检验;
S2,将经检验的数据分别代入卡尔曼滤波的迭代方程,得到光电编码器与磁编码器的预估值;
S3,将所述预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值。
可选地,在所述S1中,数据一致性检验的方法为:
可选地,在所述S2中,得到光电编码器与磁编码器的预估值步骤为:
可选地,所述将所述预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值的方法,包括:
S31:求取每个编码器的实时方差与历次方差;
S32:选取遗忘因子,根据所述实时方差与历次方差得出各编码器的总均方差;
S33:根据所述总均方差求得各编码器的加权因子;
S34:得出融合后的光磁编码器预估值。
可选地,所述S31中,求取每个编码器的实时方差与历次方差为:
历次方差的求取过程为:
可选地,所述S32中,选取遗忘因子为:
可选地,所述S33中,根据所述总均方差求得各编码器的加权因子为:
一方面,提供了一种机器人关节光磁混合编码器的数据融合装置,该装置应用于电子设备,该装置包括:
检验模块,用于将光电编码器和磁编码器所测得的数据进行一致性检验;
处理模块,用于将经检验的数据分别代入卡尔曼滤波的迭代方程,得到光电编码器与磁编码器的预估值;
融合模块,用于将所述预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值。
可选地,所述检验模块,进一步用于:
在所述S1中,数据一致性检验的方法为:
可选地,所述处理模块,进一步用于:
在所述S2中,得到光电编码器与磁编码器的预估值步骤为:
可选地,所述融合模块,进一步用于:
所述将所述预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值的方法,包括:
S31:求取每个编码器的实时方差与历次方差;
S32:选取遗忘因子,根据所述实时方差与历次方差得出各编码器的总均方差;
S33:根据所述总均方差求得各编码器的加权因子;
S34:得出融合后的光磁编码器预估值。
可选地,所述融合模块,进一步用于:
所述S31中,求取每个编码器的实时方差与历次方差为:
历次方差的求取过程为:
可选地,所述融合模块,进一步用于:
所述S32中,选取遗忘因子为:
可选地,所述融合模块,进一步用于:
根据所述实时方差与历次方差以及下述公式(12)、(13)计算总均方差:
可选地,所述融合模块,进一步用于:
所述S33中,根据所述总均方差求得各编码器的加权因子为:
可选地,所述融合模块,进一步用于:
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述机器人关节光磁混合编码器的数据融合方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述机器人关节光磁混合编码器的数据融合方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
上述方案中,将测量所得数据进行一致性检验后,可解决因个别数据偏离而影响数据融合精度的问题,卡尔曼滤波法的迭代方程只有5个,且计算不需要存储之前无用时刻的大量数据,计算简单,可增强伺服驱动系统反馈的实时性,自学习最小加权二乘数据融合算法的选择也弥补了光磁编码器的缺点能够提高反馈精度,考虑到光电编码器对环境要求较高,易受实时环境干扰等多种因素的影响,且磁编码器在磁场以及温度的干扰下精度也会受影响,故在计算总均方差时使用了实时方差与历次方差相结合的方法,让每一次的量测信息和历史数据都被充分使用,更能够真实地反映传感器的工作环境和状态,同时加权因子也是根据两传感器测量精度的高低来选取不同大小的值,通过这样的处理,测量值的估计精度也会有所改善。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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他的附图。
图1是本发明实施例提供的一种机器人关节光磁混合编码器数据融合方法的流程示意图;
图2是本发明实施例提供的一种机器人关节光磁混合编码器数据融合方法的流程示意图;
图3是本发明实施例提供的一种机器人关节光磁混合编码器数据融合的装置框图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种机器人关节光磁混合编码器的数据融合方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图1所示的一种机器人关节光磁混合编码器数据融合方法的流程示意图,该方法的处理流程可以包括如下的步骤:
步骤101,将光电编码器和磁编码器所测得的数据进行一致性检验;
步骤102,将经检验的数据分别代入卡尔曼滤波的迭代方程,得到光电编码器与磁编码器的预估值;
步骤103,将预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值。
可选地,数据一致性检验的方法为:
为避免由于传感器出现故障或者因受到干扰导致测量数据不准确,而影响数据融合精度的情况发生,在进行数据融合处理之前需对测量到数据进行检验,对于异常值进行剔除。具体方法如下:
可选地,得到光电编码器与磁编码器的预估值步骤为:
通过使用卡尔曼滤波法进行一系列的迭代,当前时刻的值能够通过上一时刻的预测值和最近的观测值计算得出,具体迭代方程如下:
具体迭代过程为:将初始值代入方程(3)得到。将代入方程(4)得到。将代入方程(5),得到最小方差下的。同时,将代入方程(6),得到。然后将代入方程(3)得到,将代入方程(4)得到如此往复循环,即可得时刻的预估值。
上述方案中,将测量所得数据进行一致性检验后,可解决因个别数据偏离而影响数据融合精度的问题,卡尔曼滤波法的迭代方程只有5个,且计算不需要存储之前无用时刻的大量数据,计算简单,可增强伺服驱动系统反馈的实时性,自学习最小加权二乘数据融合算法的选择也弥补了光磁编码器的缺点能够提高反馈精度,考虑到光电编码器对环境要求较高,易受实时环境干扰等多种因素的影响,且磁编码器在磁场以及温度的干扰下精度也会受影响,故在计算总均方差时使用了实时方差与历次方差相结合的方法,让每一次的量测信息和历史数据都被充分使用,更能够真实地反映传感器的工作环境和状态,同时加权因子也是根据两传感器测量精度的高低来选取不同大小的值,通过这样的处理,测量值的估计精度也会有所改善。
本发明实施例提供了一种机器人关节光磁混合编码器的数据融合方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图2所示的一种机器人关节光磁混合编码器数据融合方法的流程示意图,本发明实施例具体阐述将预估值通过自学习最小加权二乘数据融合算法进行融合、得到融合后的光磁混合编码器预估值的方法,该方法的处理流程可以包括如下的步骤:
步骤201:求取每个编码器的实时方差与历次方差。
综合考虑传感器的内部噪声和环境干扰等多种因素,为真实的反应传感器工作状态和环境,将分别根据已测数据得出实时方差和历次方差。其中,实时方差用来增强对环境干扰的敏感度,历次方差则更好的表征传感器自身因素对于量测值的影响。
实时方差的求取过程如下:
首先基于各传感器的测量值的算术平均值做一次粗略地估算,并把每一传感器的实测结果与该时刻算术平均值的偏差平方作为该时刻的方差分配,即当前的实时方差。
历次方差的求取过程为:
对一个传感器的多次采样数据进行分析,把该时刻以前历次采样数据的方差作为该采样时刻的历次方差。
步骤202:选取遗忘因子,根据实时方差与历次方差得出各编码器的总均方差。
可选地,选取遗忘因子为:
可选地,根据实时方差与历次方差以及下述公式(12)、(13)计算总均方差:
步骤203:根据总均方差求得各编码器的加权因子。
可选地,根据总均方差求得各编码器的加权因子为:
根据式(12)可以看出,总均方差是关于各加权因子的多元二次函数,因此总均方差必然存在最小值,该最小值的求取是加权因子满足式(15)约束条件的多元函数极值求值,根据多元函数求极值理论,可求出总均方差最小时加权因子为:
步骤204:得出融合后的光磁编码器预估值。
上述方案中,将测量所得数据进行一致性检验后,可解决因个别数据偏离而影响数据融合精度的问题,卡尔曼滤波法的迭代方程只有5个,且计算不需要存储之前无用时刻的大量数据,计算简单,可增强伺服驱动系统反馈的实时性,自学习最小加权二乘数据融合算法的选择也弥补了光磁编码器的缺点能够提高反馈精度,考虑到光电编码器对环境要求较高,易受实时环境干扰等多种因素的影响,且磁编码器在磁场以及温度的干扰下精度也会受影响,故在计算总均方差时使用了实时方差与历次方差相结合的方法,让每一次的量测信息和历史数据都被充分使用,更能够真实地反映传感器的工作环境和状态,同时加权因子也是根据两传感器测量精度的高低来选取不同大小的值,通过这样的处理,测量值的估计精度也会有所改善。
图3是根据一示例性实施例示出的一种机器人关节光磁混合编码器的数据融合方法的装置框图。参照图3,该装置包括:
检验模块310,用于将光电编码器和磁编码器所测得的数据进行一致性检验;
处理模块320,用于将经检验的数据分别代入卡尔曼滤波的迭代方程,得到光电编码器与磁编码器的预估值;
融合模块330,用于将所述预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值。
可选地,所述检验模块310,进一步用于:
数据一致性检验的方法为:
可选地,所述处理模块320,进一步用于:
得到光电编码器与磁编码器的预估值步骤为:
可选地,所述融合模块330,进一步用于:
将预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值的方法,包括:
S31:求取每个编码器的实时方差与历次方差;
S32:选取遗忘因子,根据所述实时方差与历次方差得出各编码器的总均方差;
S33:根据所述总均方差求得各编码器的加权因子;
S34:得出融合后的光磁编码器预估值。
可选地,所述融合模块330,进一步用于:
求取每个编码器的实时方差与历次方差为:
历次方差的求取过程为:
可选地,所述融合模块330,进一步用于:
选取遗忘因子为:
可选地,所述融合模块330,进一步用于:
根据实时方差与历次方差以及下述公式(12)、(13)计算总均方差:
可选地,所述融合模块330,进一步用于:
根据总均方差求得各编码器的加权因子为:
根据式(12)可以看出,总均方差是关于各加权因子的多元二次函数,因此总均方差必然存在最小值,该最小值的求取是加权因子满足式(15)约束条件的多元函数极值求值,根据多元函数求极值理论,可求出总均方差最小时加权因子为:
可选地,所述融合模块330,进一步用于:
上述方案中,将测量所得数据进行一致性检验后,可解决因个别数据偏离而影响数据融合精度的问题,卡尔曼滤波法的迭代方程只有5个,且计算不需要存储之前无用时刻的大量数据,计算简单,可增强伺服驱动系统反馈的实时性,自学习最小加权二乘数据融合算法的选择也弥补了光磁编码器的缺点能够提高反馈精度,考虑到光电编码器对环境要求较高,易受实时环境干扰等多种因素的影响,且磁编码器在磁场以及温度的干扰下精度也会受影响,故在计算总均方差时使用了实时方差与历次方差相结合的方法,让每一次的量测信息和历史数据都被充分使用,更能够真实地反映传感器的工作环境和状态,同时加权因子也是根据两传感器测量精度的高低来选取不同大小的值,通过这样的处理,测量值的估计精度也会有所改善。
图4是本发明实施例提供的一种电子设备400的结构示意图,该电子设备400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)401和一个或一个以上的存储器402,其中,所述存储器402中存储有至少一条指令,所述至少一条指令由所述处理器401加载并执行以实现下述机器人关节光磁混合编码器的数据融合方法的步骤:
将光电编码器和磁编码器所测得的数据进行一致性检验;
将经检验的数据分别代入卡尔曼滤波的迭代方程,得到光电编码器与磁编码器的预估值;
将预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述机器人关节光磁混合编码器的数据融合方法及装置的方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种机器人关节光磁混合编码器的数据融合方法,其特征在于,所述方法包括:
S1:将光电编码器和磁编码器所测得的数据进行一致性检验;
S2:将经检验的数据分别代入卡尔曼滤波的迭代方程,得到光电编码器与磁编码器的预估值;
S3:将所述预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值。
3.根据权利要求2所述的机器人关节光磁混合编码器的数据融合方法,其特征在于,所述S2中,得到光电编码器与磁编码器的预估值步骤为:
4.根据权利要求3所述的机器人关节光磁混合编码器的数据融合方法,其特征在于,所述将所述预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值的方法,包括:
S31:求取每个编码器的实时方差与历次方差;
S32:选取遗忘因子,根据所述实时方差与历次方差得出各编码器的总均方差;
S33:根据所述总均方差求得各编码器的加权因子;
S34:得出融合后的光磁编码器预估值。
10.一种机器人关节光磁混合编码器的数据融合装置,其特征在于,所述装置包括:
检验模块,用于将光电编码器和磁编码器所测得的数据进行一致性检验;
处理模块,用于将经检验的数据分别代入卡尔曼滤波的迭代方程,得到光电编码器与磁编码器的预估值;
融合模块,用于将所述预估值通过自学习最小加权二乘数据融合算法进行融合,得到融合后的光磁混合编码器预估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803986.6A CN113255851A (zh) | 2021-07-16 | 2021-07-16 | 一种机器人关节光磁混合编码器的数据融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803986.6A CN113255851A (zh) | 2021-07-16 | 2021-07-16 | 一种机器人关节光磁混合编码器的数据融合方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255851A true CN113255851A (zh) | 2021-08-13 |
Family
ID=77180503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110803986.6A Pending CN113255851A (zh) | 2021-07-16 | 2021-07-16 | 一种机器人关节光磁混合编码器的数据融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255851A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118307A (zh) * | 2022-01-26 | 2022-03-01 | 北京科技大学 | 抑制温度效应的光磁编码器智能数据融合处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106840179A (zh) * | 2017-03-07 | 2017-06-13 | 中国科学院合肥物质科学研究院 | 一种基于多传感器信息融合的智能车定位方法 |
CN112066982A (zh) * | 2020-09-07 | 2020-12-11 | 成都睿芯行科技有限公司 | 一种在高动态环境下的工业移动机器人定位方法 |
-
2021
- 2021-07-16 CN CN202110803986.6A patent/CN113255851A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106840179A (zh) * | 2017-03-07 | 2017-06-13 | 中国科学院合肥物质科学研究院 | 一种基于多传感器信息融合的智能车定位方法 |
CN112066982A (zh) * | 2020-09-07 | 2020-12-11 | 成都睿芯行科技有限公司 | 一种在高动态环境下的工业移动机器人定位方法 |
Non-Patent Citations (1)
Title |
---|
司迎利等: "基于全局状态估计的多传感器加权数据融合算法", 《红外技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118307A (zh) * | 2022-01-26 | 2022-03-01 | 北京科技大学 | 抑制温度效应的光磁编码器智能数据融合处理方法及装置 |
CN114118307B (zh) * | 2022-01-26 | 2022-04-19 | 北京科技大学 | 抑制温度效应的光磁编码器智能数据融合处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829938B (zh) | 一种应用在目标跟踪的自适应容错容积卡尔曼滤波方法 | |
CN107765347B (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
Zhao et al. | Tuning-free Bayesian estimation algorithms for faulty sensor signals in state-space | |
CN109813342B (zh) | 一种惯导-卫星组合导航系统的故障检测方法和系统 | |
Gucik-Derigny et al. | A note on interval observer design for unknown input estimation | |
Sankararaman et al. | Uncertainty quantification in structural damage diagnosis | |
CN110197288A (zh) | 故障影响下设备的剩余使用寿命预测方法 | |
CN110763253A (zh) | 一种基于svr的组合导航系统故障诊断方法 | |
CN111912589A (zh) | 一种基于挠度影响线改变量识别梁结构损伤程度的方法 | |
Tryon et al. | Estimation of parameters in models for cesium beam atomic clocks | |
CN113255851A (zh) | 一种机器人关节光磁混合编码器的数据融合方法及装置 | |
US20080288213A1 (en) | Machine condition monitoring using discontinuity detection | |
CN114707632A (zh) | 一种传感网络传感器故障定位方法、系统、设备及介质 | |
Li et al. | A wiener-based remaining useful life prediction method with multiple degradation patterns | |
CN114528764A (zh) | 基于整体优化的即时学习的软测量建模方法及装置 | |
Hou et al. | A new Bayesian scheme for self-starting process mean monitoring | |
CN113340324A (zh) | 一种基于深度确定性策略梯度的视觉惯性自校准方法 | |
Prakash et al. | Bayesian two-phase gamma process model for damage detection and prognosis | |
CN116258087B (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
CN114877926B (zh) | 传感器故障检测与诊断方法、介质、电子设备及系统 | |
CN116558406A (zh) | 基于状态域的gnss-加速度计集成桥梁变形监测突变故障探测方法 | |
Verdonck et al. | Experimental robot identification: Advantages of combining internal and external measurements and of using periodic excitation | |
Fiedler et al. | A probabilistic moving horizon estimation framework applied to the visual-inertial sensor fusion problem | |
CN111090281B (zh) | 基于改进粒子滤波算法估算机器人方位的方法和装置 | |
CN115157236A (zh) | 机器人刚度模型精度建模方法、系统、介质、设备及终端 |
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 |
Application publication date: 20210813 |
|
RJ01 | Rejection of invention patent application after publication |