CN113569105A - 一种螺钉数据预测模型的处理系统 - Google Patents
一种螺钉数据预测模型的处理系统 Download PDFInfo
- Publication number
- CN113569105A CN113569105A CN202110616760.5A CN202110616760A CN113569105A CN 113569105 A CN113569105 A CN 113569105A CN 202110616760 A CN202110616760 A CN 202110616760A CN 113569105 A CN113569105 A CN 113569105A
- Authority
- CN
- China
- Prior art keywords
- data
- screw
- sample
- model
- dual
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请提供了一种螺钉数据预测模型的处理系统,在通过数据处理手段为双工器的调试提供数据支持的背景下,可更为高效地进行螺钉数据预测模型的训练处理。系统包括数据采集系统、激光测量系统以及工作站;在工作站的触发下,数据采集系统采集样本过滤信号,激光测量系统采集样本螺钉数据;工作站将每组的样本过滤信号以及对应的样本螺钉数据作为训练数据,并将每组样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型,调试任务用于将双工器的过滤信号的波形调节至目标波形。
Description
技术领域
本申请涉及通信领域,具体涉及一种螺钉数据预测模型的处理系统。
背景技术
在通信系统中,双工器作为异频双工电台,是中继台的主要配件,用于将发射信号和接收信号相隔离,保证信号的发射和接收都能同时正常工作。
在5G商业化的逐步临近的背景下,涉及的5G基站需要具有传输稳定、高质量的无线通信能力,而在5G基站中,双工器是不可避免的器件,通过配置的双工器,对通信链路中的信号根据频率进行选择和控制,选择特定频率信号通过,同时抑制不需要的频率信号。
而在现有的相关技术的研究过程中,发明人发现,双工器在生产或者部署的过程中,需要由工作人员根据操作经验去调节双工器上的螺钉,以调节信号波形达到生产规定的波形,而该调节过程显然费时费力,效率低下。
发明内容
本申请提供了一种螺钉数据预测模型的处理系统,在通过数据处理手段为双工器的调试提供数据支持的背景下,可更为高效地进行螺钉数据预测模型的训练处理。
第一方面,本申请提供了一种螺钉数据预测模型的处理系统,系统包括数据采集系统、激光测量系统以及工作站;
在工作站的触发下,数据采集系统采集双工器的过滤信号在不同工作状态下的样本过滤信号,激光测量系统采集双工器的螺钉在不同工作状态下的样本螺钉数据,螺钉用于调节双工器的过滤信号的波形;
工作站将每组的样本过滤信号以及对应的样本螺钉数据作为训练数据,并将每组样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型,螺钉数据预测模型用于根据输入的双工器的调试任务的任务数据预测目标波形匹配的目标螺钉数据,调试任务用于将双工器的过滤信号的波形调节至目标波形。
结合本申请第一方面,在本申请第一方面第一种可能的实现方式中,激光测量系统包括定位平台、激光位移传感器、两用螺丝刀以及传感器固定架;
激光测量系统在采集样本螺钉数据的过程中,两用螺丝刀的套筒固定于螺钉表面,激光位移传感器垂直固定于定位平台的固定架,并移动到两用螺丝刀受测平面正上方,激光位移传感器测得传感器头与两用螺丝刀受测平面之间的距离,定义为初值,待两用螺丝刀将螺钉旋转到预设深度后,激光位移传感器测得传感器头与两用螺丝刀受测平面之间的距离,定义为终值,测量完成后将初值、终值以及螺钉位置进行记录,作为样本螺钉数据。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第二种可能的实现方式中,两用螺丝刀的杆体的顶端为一个圆形受光平面,作为两用螺丝刀受测平面承载激光位移传感器射出的激光,两用螺丝刀的杆体的底端为螺丝刀头,两用螺丝刀的杆体中部为丝杠结构。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第三种可能的实现方式中,定位平台的重复定位精度≤±10μm,绝对定位精度在20μm-30μm之间。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第四种可能的实现方式中,激光测量系统通过USB通信方式或者以太网通信形式,输出样本螺钉数据。
结合本申请第一方面,在本申请第一方面第五种可能的实现方式中,数据采集系统包括示波器以及处理设备;
数据采集系统在采集样本过滤信号的过程中,示波器提取双工器输出的第一样本过滤信号,处理设备从示波器提取到的第一样本过滤信号中,按照预设时长以及预设的单位数据点数量,截取出第二样本过滤信号,并对第二样本过滤信号进行降噪以及特征提取,得到样本过滤信号。
结合本申请第一方面第五种可能的实现方式,在本申请第一方面第六种可能的实现方式中,处理设备通过无线通信方式,输出样本过滤信号。
结合本申请第一方面,在本申请第一方面第七种可能的实现方式中,工作站上搭建一数据库服务器,数据库服务器存储样本螺钉数据以及样本过滤信号,供数据分析使用。
结合本申请第一方面,在本申请第一方面第八种可能的实现方式中,样本过滤信号的波形特征包括波形偏移量、主波形峰值以及辅助波形峰值,样本螺钉数据包括螺钉型号以及螺钉旋入量。
结合本申请第一方面,在本申请第一方面第九种可能的实现方式中,工作站在完成模型训练得到螺钉数据预测模型后,向用户输出螺钉数据预测模型。
从以上内容可得出,本申请具有以下的有益效果:
针对于双工器的调节,本申请对提供数据支持所需的数据处理中涉及的螺钉数据预测模型,提供一种处理系统,该系统包括数据采集系统、激光测量系统以及工作站,在工作站的触发下,数据采集系统采集双工器的过滤信号在不同工作状态下的样本过滤信号,激光测量系统采集双工器的螺钉在不同工作状态下的样本螺钉数据,其中,螺钉用于调节双工器的过滤信号的波形,接着工作站再将每组的样本过滤信号以及对应的样本螺钉数据作为训练数据,训练模型得到螺钉数据预测模型,在这过程中,既避免了工作人员手动配置训练数据的人工成本,同时通过激光测量系统以及数据采集系统,还可高效、精确地进行训练数据的采集,进而可更为高效、精确地进行螺钉数据预测模型的训练处理。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域技术人员来讲,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为本申请螺钉数据预测模型的处理系统的一种结构示意图;
图2为本申请激光测量系统的一种结构示意图;
图3为本申请工作站的一种工作示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号,并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤,已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序,只要能达到相同或者相类似的技术效果即可。
本申请中所出现的模块的划分,是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个系统中,或一些特征可以忽略,或不执行,另外,所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块之间的间接耦合或通信连接可以是电性或其他类似的形式,本申请中均不作限定。并且,作为分离部件说明的模块或子模块可以是也可以不是物理上的分离,可以是也可以不是物理模块,或者可以分布到多个电路模块中,可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
参阅图1,图1示出了螺钉数据预测模型的处理系统的一种结构示意图,本申请在通过数据处理手段为双工器的调试提供数据支持的背景下,对涉及的螺钉数据预测模型,提供了一种处理系统,或者说,提供了一种训练系统,用于高效、精确地进行模型的训练。
在该系统中,参考图1,可包括数据采集系统、激光测量系统以及工作站,工作站,一方面用于在系统中起到工作控制的功能,例如控制数据采集系统以及激光测量系统的工作,另一方面用于在本地结合训练数据进行螺钉数据模型的训练。
在整体的模型的训练过程中,可包括数据采集阶段以及模型训练阶段。
数据采集阶段,可以理解为在工作站的触发下,数据采集系统采集双工器的过滤信号在不同工作状态下的样本过滤信号,激光测量系统采集双工器的螺钉在不同工作状态下的样本螺钉数据,螺钉用于调节双工器的过滤信号的波形;
模型训练阶段,可以理解为工作站将每组的样本过滤信号以及对应的样本螺钉数据作为训练数据,并将每组样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型,螺钉数据预测模型用于根据输入的双工器的调试任务的任务数据预测目标波形匹配的目标螺钉数据,调试任务用于将双工器的过滤信号的波形调节至目标波形。
其中,所涉及的双工器,具体可以为任意通信设备上的器件,例如5G基站上需要配置的双工器。
在双工器中,其功能主要由两个不同的滤波器实现,在信号接收链路以及信号发送链路上各配置一滤波器,将发射信号和接收信号相隔离,保障信号发射工作以及信号接收工作的正常运行。
双工器,一般预留多个的螺钉,这些螺钉与滤波器的谐振腔螺距相关,调节了螺钉,可改变谐振腔螺距,进而改变滤波器的过滤信号,达到调节双工器的过滤信号的效果。
本申请则通过训练好的螺钉数据预测模型,来实现螺钉数据的数字化处理,为工作人员提供数据支持。
其中,螺钉数据预测模型,具体可以为YOLOv3模型、ResNet模型、R-CNN模型、FastR-CNN模型、Faster R-CNN模型、Mask R-CNN模型、SSD模型等不同类型的神经网络模型。
示例性的,举例而言,本申请具体还采用了随机森林模型类型的初始模型训练得到螺钉数据预测模型。
对于激光测量系统,可以理解的是,其利用的是激光测量技术,来精确地测量螺钉在双工器的过滤信号不同工作状态下的位置,所得到的数据形成样本螺钉数据。
其中,激光测量系统本身还可配置螺钉的旋转功能,以实现训练数据采集过程中自动调整螺钉及对应过滤信号的特点。
示例性的,参考图2示出的本申请激光测量系统的一种结构示意图,本申请激光测量系统具体可包括定位平台、激光位移传感器、两用螺丝刀以及传感器固定架;
激光测量系统在采集样本螺钉数据的过程中,两用螺丝刀的套筒固定于螺钉表面,激光位移传感器垂直固定于定位平台的固定架,并移动到两用螺丝刀受测平面正上方,激光位移传感器测得传感器头与两用螺丝刀受测平面之间的距离,定义为初值,待两用螺丝刀将螺钉旋转到预设深度后,激光位移传感器测得传感器头与两用螺丝刀受测平面之间的距离,定义为终值,测量完成后将初值、终值以及螺钉位置进行记录,作为样本螺钉数据。
从这可看出,本申请所涉及的螺钉数据,可以是直接记录的螺钉的数据,也可以是间接记录的螺钉的数据,如上述,可通过旋转螺钉的两用螺丝刀的位置变化,间接计算得到螺钉的位置变化,同时考虑两用螺丝刀前端与螺钉的接触位置,确定螺钉位置,形成螺钉数据,如此,可方便于实际操作,且不影响数据精度。
进一步的,对于两用螺丝刀,本申请配置为:两用螺丝刀其杆体的顶端为一个圆形受光平面,作为两用螺丝刀受测平面承载激光位移传感器射出的激光,方便激光位置传感器精确地进行距离的测量,即,方便精确地测量两用螺丝刀的位置变化,而其杆体的底端为螺丝刀头,用于旋转下方的螺钉,其杆体中部为丝杠结构(或者说滚珠丝杠结构),可将旋转运动转换成线性运动,或将扭矩转换成轴向反复作用力,同时兼具高精度、可逆性和高效率的特点,由于具有很小的摩擦阻力,因此可更为细腻地促使下方螺钉的旋转,进而可更为细腻地调节双工器的过滤信号。
进一步的,对于定位平台,或者说高精定位平台,本申请配置为:其重复定位精度≤±10μm,绝对定位精度在20μm-30μm之间,如此,具有高精度的使用优点,保障激光测量系统整体的高精度运行,进而可更为细腻地调节双工器的过滤信号。
进一步的,激光测量系统具体可通过USB通信方式或者以太网通信形式等有线通信方式,输出样本螺钉数据,可以理解,在细微的测量过程中,通过有线通信方式,工作站对于激光测量系统,具有更为稳定地控制效果,避免数据传输过程中的不稳定导致激光测量系统的测量造成映射,同时,激光测量系统也可根据该有线通信方式,向工作站稳定地反馈采集到的样本螺钉数据。
对于数据采集系统,可以理解的是,可从数据处理层面,与双工器连接,从双工器处采集样本过滤信号,其中,本申请所称的过滤信号的采集,具体可以理解为采集过滤信号的信号波形的特征,过滤信号采集到的数据也可称为波形特征数据。
其中,若激光测量系统如上面提及的,可配置螺钉的旋转功能,以实现训练数据采集过程中自动调整螺钉及对应过滤信号的特点,此时,数据采集系统在工作站的控制下,还可与激光测量系统协同工作,记录下激光测量系统每一次旋转螺钉时的过滤信号的波形特征,得到每组旋转操作对应的训练数据。
示例性的,数据采集系统具体可包括示波器以及处理设备,示波器可与双工器连接,提取其过滤信号,并进行过滤信号的显示,方便工作人员查看。
而在采集样本过滤信号的过程中,考虑到单位时间内从示波器提取的样本过滤信号的数据量有限,可采用数据截取的方式,提取部分的、有效的数据作为样本过滤信号。
具体的,本申请可配置为:示波器可提取双工器输出的第一样本过滤信号,处理设备从示波器提取到的第一样本过滤信号中,按照预设时长以及预设的单位数据点数量,截取出第二样本过滤信号,并对第二样本过滤信号进行降噪以及特征提取,得到样本过滤信号。
可以理解的,此处提及的处理设备,其设备类型与工作站类似,可以为台式电脑、笔记本电脑、物理主机、服务器等不同类型的、具有数据处理能力的硬件设备,而该处理设备,包含于数据采集系统中,用于在工作站的控制下,配合示波器提取样本过滤信号。
举例而言,该处理设备,可搭建Labview系统,实现其数据采集功能。Labview系统使用VISA模块实现与示波器建立USB通信,发送指令给示波器,获取示波器采集的波形数据,由于对于波形数据的获取,每次传输的数量有限,不利于数据准确获取,在设计中将通过一次读取的数据量和显示一次需要的总数据量来设定循环次数,且由于在调试过程属于非连续性行为,在Labview系统的数据获取采用截取的方式,在截取采集时,选取采样时间为5s,每秒采集1000个数据点,因此在记录数据保存长度应有5000个采样点数据。
与此同时,对于数据采集系统,由于执行的数据处理,未涉及到硬件上的控制,因此更适用于采用无线通信方式,与工作站进行通信,也就是说,处理设备可通过无线通信方式,接收工作站的控制指令,输出样本过滤信号。
而对于样本过滤信号,采集的是其信号波形的特征,如波形偏移量、主波形峰值以及辅助波形峰值,例如,在实际应用中,可配置两个辅助波形峰值,即,辅助波形峰值1、辅助波形峰值2。
另一边,样本螺钉数据具体可包括螺钉型号以及螺钉旋入量,其中,螺钉型号可以是固定的、预先配置的,也可以为激光测量系统通过激光扫描得到的型号标识或者直接写明的型号,而螺钉旋入量可以用上述提及的初值、终值以及螺钉位置进行表示,或者采用其他形式进行表示。
此外,若考虑到不同型号的双工器或者同一型号的双工器存在不同的滤波器时,可能导致过滤信号的调节效果存在差异,还可考虑双工器型号或者滤波器型号,以达到更为精确的预测效果。
工作站上,具体可配置一基于python开发的机器学习模块,以输入为信号波形的图像特征,以输出为双工器相应的螺钉数据,进行模型的训练,训练模型用的原始训练数据还可通过预处理,去除异常数据、统一数据形式等,将处理过后的数据作为模型的输入变量输入模型,具体还可将训练数据中的70%用于模型训练,剩余的训练数据则作为测试数据用于模型测试。
与此同时,为方便数据处理,工作站上还可搭建一数据库服务器(可如图1示出的,简称为数据库),数据库服务器可存储上述提及的样本螺钉数据以及样本过滤信号,供数据分析使用,或者,还可存储训练号的螺钉数据预测模型等数据,不仅方便工作站的数据处理,也方便工作人员在工作站上进行数据的查阅等操作。
此外,工作站在完成模型训练得到螺钉数据预测模型后,还可直接向用户输出该螺钉数据预测模型,向用户展示螺钉数据预测模型的模型功能,用户也可第一时间查看该螺钉数据预测模型,并投入测试或者实际应用。
可参考图3示出的本申请工作站的一种工作示意图,工作站在数据处理层面上,根据功能划分,可包括数据库、学习部、知识库以及输出提示部,输入端的数据库用于存储激光测量系统测得到的样本螺钉数据以及存储数据采集系统采集得到的样本过滤信号,两者作为训练数据由学习部进行螺钉数据预测模型的训练,训练完成后可将螺钉数据预测模型存储于知识库或者由输出提示部进行输出,其中,知识库可以为专门用于存储螺钉数据预测模型的数据库,也可以直接包括于前面提及的存储样本螺钉数据以及样本过滤信号的数据库中。
以上对本申请提供的螺钉数据预测模型的处理系统进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种螺钉数据预测模型的处理系统,其特征在于,所述系统包括数据采集系统、激光测量系统以及工作站;
在所述工作站的触发下,所述数据采集系统采集双工器的过滤信号在不同工作状态下的样本过滤信号,所述激光测量系统采集所述双工器的螺钉在所述不同工作状态下的样本螺钉数据,所述螺钉用于调节所述双工器的过滤信号的波形;
所述工作站将每组的所述样本过滤信号以及对应的所述样本螺钉数据作为训练数据,并将每组所述样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型,所述螺钉数据预测模型用于根据输入的所述双工器的调试任务的任务数据预测目标波形匹配的目标螺钉数据,所述调试任务用于将所述双工器的过滤信号的波形调节至所述目标波形。
2.根据权利要求1所述的系统,其特征在于,所述激光测量系统包括定位平台、激光位移传感器、两用螺丝刀以及传感器固定架;
所述激光测量系统在采集所述样本螺钉数据的过程中,两用螺丝刀的套筒固定于所述螺钉表面,所述激光位移传感器垂直固定于所述定位平台的固定架,并移动到所述两用螺丝刀受测平面正上方,所述激光位移传感器测得传感器头与所述两用螺丝刀受测平面之间的距离,定义为初值,待所述两用螺丝刀将所述螺钉旋转到预设深度后,所述激光位移传感器测得所述传感器头与所述两用螺丝刀受测平面之间的距离,定义为终值,测量完成后将所述初值、所述终值以及螺钉位置进行记录,作为所述样本螺钉数据。
3.根据权利要求2所述的系统,其特征在于,所述两用螺丝刀的杆体的顶端为一个圆形受光平面,作为所述两用螺丝刀受测平面承载所述激光位移传感器射出的激光,所述两用螺丝刀的杆体的底端为螺丝刀头,所述两用螺丝刀的杆体中部为丝杠结构。
4.根据权利要求2所述的系统,其特征在于,所述定位平台的重复定位精度≤±10μm,绝对定位精度在20μm-30μm之间。
5.根据权利要求2所述的系统,其特征在于,所述激光测量系统通过USB通信方式或者以太网通信形式,输出所述样本螺钉数据。
6.根据权利要求1所述的系统,其特征在于,所述数据采集系统包括示波器以及处理设备;
所述数据采集系统在采集所述样本过滤信号的过程中,所述示波器提取所述双工器输出的第一样本过滤信号,所述处理设备从所述示波器提取到的第一样本过滤信号中,按照预设时长以及预设的单位数据点数量,截取出第二样本过滤信号,并对所述第二样本过滤信号进行降噪以及特征提取,得到所述样本过滤信号。
7.根据权利要求6所述的系统,其特征在于,所述处理设备通过无线通信方式,输出所述样本过滤信号。
8.根据权利要求1所述的系统,其特征在于,所述工作站上搭建一数据库服务器,所述数据库服务器存储所述样本螺钉数据以及所述样本过滤信号,供数据分析使用。
9.根据权利要求1所述的系统,其特征在于,所述样本过滤信号的波形特征包括波形偏移量、主波形峰值以及辅助波形峰值,所述样本螺钉数据包括螺钉型号以及螺钉旋入量。
10.根据权利要求1所述的系统,其特征在于,所述工作站在完成模型训练得到所述螺钉数据预测模型后,向用户输出所述螺钉数据预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616760.5A CN113569105A (zh) | 2021-06-02 | 2021-06-02 | 一种螺钉数据预测模型的处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616760.5A CN113569105A (zh) | 2021-06-02 | 2021-06-02 | 一种螺钉数据预测模型的处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569105A true CN113569105A (zh) | 2021-10-29 |
Family
ID=78161690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110616760.5A Pending CN113569105A (zh) | 2021-06-02 | 2021-06-02 | 一种螺钉数据预测模型的处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569105A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320825A (zh) * | 2007-06-07 | 2008-12-10 | 大富(深圳)科技有限公司 | 一种腔体带通滤波器的调试方法 |
WO2013012275A2 (ko) * | 2011-07-20 | 2013-01-24 | 주식회사 에이스테크놀로지 | 다이플렉서 자동 튜닝 방법 및 장치 |
KR20130011044A (ko) * | 2011-07-20 | 2013-01-30 | 주식회사 에이스테크놀로지 | 자동 튜닝 장치 |
CN105680827A (zh) * | 2015-12-31 | 2016-06-15 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器智能调谐算法及使用该算法的调谐方法 |
CN108170922A (zh) * | 2017-12-21 | 2018-06-15 | 中国地质大学(武汉) | 一种微波滤波器的辅助调试方法、设备及存储设备 |
CN109783905A (zh) * | 2018-12-28 | 2019-05-21 | 中国地质大学(武汉) | 基于粒子群优化算法的微波腔体滤波器智能调试方法 |
CN112847224A (zh) * | 2021-01-04 | 2021-05-28 | 江汉大学 | 一种双工器的螺栓调节装置 |
-
2021
- 2021-06-02 CN CN202110616760.5A patent/CN113569105A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320825A (zh) * | 2007-06-07 | 2008-12-10 | 大富(深圳)科技有限公司 | 一种腔体带通滤波器的调试方法 |
WO2013012275A2 (ko) * | 2011-07-20 | 2013-01-24 | 주식회사 에이스테크놀로지 | 다이플렉서 자동 튜닝 방법 및 장치 |
KR20130011044A (ko) * | 2011-07-20 | 2013-01-30 | 주식회사 에이스테크놀로지 | 자동 튜닝 장치 |
CN105680827A (zh) * | 2015-12-31 | 2016-06-15 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器智能调谐算法及使用该算法的调谐方法 |
CN108170922A (zh) * | 2017-12-21 | 2018-06-15 | 中国地质大学(武汉) | 一种微波滤波器的辅助调试方法、设备及存储设备 |
CN109783905A (zh) * | 2018-12-28 | 2019-05-21 | 中国地质大学(武汉) | 基于粒子群优化算法的微波腔体滤波器智能调试方法 |
CN112847224A (zh) * | 2021-01-04 | 2021-05-28 | 江汉大学 | 一种双工器的螺栓调节装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101587499B (zh) | 基于nand的多通道信号采集系统 | |
CN101788579B (zh) | 一种示波器及其信号波形采集及显示的方法及系统 | |
CN103488112B (zh) | 一种基于时间同步的多通道数据采集仪 | |
CN102692616A (zh) | 智能电表的自动测试采集装置及方法 | |
CN201014997Y (zh) | 基于虚拟仪器的励磁系统测试装置 | |
CN102375136A (zh) | 一种电能表现场校验系统及方法 | |
CN103345798A (zh) | 一种高速实时检测片状材料的系统 | |
CN113569105A (zh) | 一种螺钉数据预测模型的处理系统 | |
CN102538875A (zh) | 执行器综合测试仪 | |
CN106680753A (zh) | 直流电流互感器准确度等级测试方法、系统及装置 | |
CN104180894A (zh) | 铁路环境振动实时监测分析系统 | |
CN102296582A (zh) | 具备定位功能的原位测试采集仪及其定位方法 | |
CN202013206U (zh) | 现场便携式温湿度检定校准装置 | |
CN202453439U (zh) | 手持式电能质量综合测试仪 | |
CN202453431U (zh) | 手持式电力多功能录波分析仪 | |
CN107765202A (zh) | 集成电路测试系统中交流测量单元的在线校准系统及方法 | |
CN111088976A (zh) | 抽油机效率的监测系统及方法 | |
CN103398673A (zh) | 一种基于fpga的能动磨盘动态面形采集系统及方法 | |
CN103279584A (zh) | 一种电力计量设备数据采集方法 | |
CN104730589B (zh) | 一种航磁测量数据采集系统和装置 | |
CN201535825U (zh) | 基于3gs的核数据采集及处理系统 | |
CN207946672U (zh) | 信号采集装置 | |
CN207379371U (zh) | 一种弹载计算机测试装置 | |
CN202453009U (zh) | 执行器综合测试仪 | |
CN106841982B (zh) | 一种集成电路测试系统总定时准确度测量装置和方法 |
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 |