CN113901379A - 一种边缘端的实时数据动态在线快速处理方法 - Google Patents
一种边缘端的实时数据动态在线快速处理方法 Download PDFInfo
- Publication number
- CN113901379A CN113901379A CN202111135158.6A CN202111135158A CN113901379A CN 113901379 A CN113901379 A CN 113901379A CN 202111135158 A CN202111135158 A CN 202111135158A CN 113901379 A CN113901379 A CN 113901379A
- Authority
- CN
- China
- Prior art keywords
- value
- integration
- speed
- displacement
- frequency
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 230000010354 integration Effects 0.000 claims abstract description 70
- 238000006073 displacement reaction Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims description 46
- 230000001133 acceleration Effects 0.000 claims description 42
- 238000005070 sampling Methods 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 23
- 238000013459 approach Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- 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
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明属于信号处理技术领域,涉及一种边缘端的实时数据动态在线快速处理方法。本发明采用在线动态去噪方法去除速度中包含的噪音量,确保去噪结果有的效性和准确性;针对在线积分后的位移,采用高效的数据去噪方法进行动态在线去噪,进一步减少位移值中漂移对最终积分结果的有效性;在确保积分方法准确性的条件下,将积分算法嵌入边缘设备端,在近数据源实现数据快速计算分析,实现边缘端的在线信号动态快速积分,为数据的高效处理和计算提供有效参考。
Description
技术领域
本发明属于信号处理技术领域,涉及一种边缘端的实时数据动态在线快速处理方法。
背景技术
监测信号一定程度上能够客观反映设备实际运行状态,因此对监测信号进行实时、在线处理能够有效提高监测数据的时效性,实现监测信息的快速分析和动态反馈。实际作业中,类悬臂梁结构的位移信息能更清晰地反映监测件受载或受迫时的姿态、位置等,因此,有效获取位移信息有助于更加准确表征监测设备的实际姿态,高效指导设备的预测性维护措施的实施。但由于设备的振动导致类悬臂梁产生一定的弹性变形,采用激光位移传感设备等难以确保实际运行过程中监测位移的一致性,且其对安装位置和安装空间具有更高的要求,这导致该传感设备的适用性受到一定限制。相比于其他传感器(温度、位移、压力等传感器),加速度传感器具有适应性强、经济性好、数据获取便捷性等特点,因此其被广泛应用于不同设备监测中。
现阶段对加速度数据处理方法主要针对完整的加速度信息,极少考虑在线加速度数据的在线动态处理。虽然通过这种方法能够实现加速度数据的有效去噪和处理,但该方法对数据的完整性提出更高要求。因此,采用现阶段方法难以实现在线加速度数据实时动态快速处理。
发明内容
为解决上述问题,本发明提出一种边缘端的在线信号实时动态快速处理方法,通过在近数据源布置边缘设备,依据加速度传感器的采样频率,将提出的在线动态快速处理算法嵌入到边缘端设备,在满足在线快速处理运算的条件下,在近数据源进一步提升数据分析的时效性,避免因数据带宽等导致的延迟,减少存储空间,提高信息密度。本发明方法能够在边缘设备端进行在线监测数据快速动态处理。
确定使用的加速度传感器采样频率,判断当前获取的加速度数量是否满足积分要求(当前数据≥2)。若满足,则计算当前加速度与上一监测加速度之间生成的速度值,得到当前监测时间点对应的速度,判断当前监测点数量是否达到1/4采样频率的值,若没有,此时由于监测时间较短,考虑信号的稳定性和可靠性,认为信号中的噪音较少,对积分结果影响较小,因此不对积分后的速度数据进行去漂去噪。则直接计算相邻速度产生的位移值,得到对应的位移值;监测点数据达到1/4采样频率,对得到的速度进行动态去噪。将去噪后的速度值进行积分,即计算两个相邻速度点之间生成的位移值,最后再对积分得到的位移进行实时去噪,进一步减少积分后位移中的漂移影响。
本发明的技术难点主要包括以下几部分:
1)针对在线积分速度,采用在线动态去噪方法去除速度中包含的噪音量,确保去噪结果有的效性和准确性;
2)针对在线积分后的位移,采用高效的数据去噪方法进行动态在线去噪,进一步减少位移值中漂移对最终积分结果的有效性;
3)在确保积分方法准确性的条件下,将积分算法嵌入边缘设备端,在近数据源实现数据快速计算分析。
本发明的技术方案:
一种边缘端的实时数据动态在线快速处理方法,具体如下:
步骤(1)、设计动态积分算法
积分之后判断当前同一监测点采集加速度的次数是否达到采样频率的1/4(即同一个监测点采集的加速度样本点数量是否大于1/4的采样频率数量),若当前采集的加速度数量小于1/4的采样频率值,则认为当前积分得到的速度受噪音和漂移影响较小(加速度中噪音数据在积分过程中随着积分时间的增加其影响逐渐增加,这种噪音在积分后的速度中表现为漂移。即随着时间的增加,速度中的漂移值对速度的影响较大。因此,为了确保积分结果的有效性和准确度,经验证,当采样点数量小于1/4的采样频率值时可认为漂移对积分速度的影响较小),将积分后的速度认定为理想速度,不对其进行去噪。然后,直接对当前积分得到的速度值进行再次积分,获取对应的位移值,当前获得的位移值为最终的理想位移值。
若采集的加速度数量大于1/4的采样频率值时,则认为当前积分后的速度受到漂移影响较大,对积分后的速度值进行动态去噪音,减少漂移对积分速度的影响,整个去噪音过程表述如下:
其中表示当前积分速度中包含的趋势值,i表示第i个时刻,j表示对应的第j个监测点;表示上一时间点对应的漂移趋势值,当i=2的时候,此时的值仅为上一时间点,即初始点的积分速度值;表示第i个时间点时,第j个监测点的积分速度;α为对应的权重值。若加速度传感器采样频率为f,则相邻两个时间点之间的采样间隔为1/f,对应的权重值计算表述为:
由表达式(2)可知,当前监测点漂移的趋势值不仅仅取决于上一时间点对应的趋势值,而且还取决于当前时间点积分得到的速度值。由表达式(3)可知,α值趋近于1,即当前时间点对应的漂移趋势受上一时间点漂移趋势的影响较大,当前积分速度值仅赋予上一时间点漂移趋势以步长。则当前时间点对应的去噪后的速度表述为:
为了获取对应的位移,需对去噪后的理想速度(如式(4)所示)进行再次积分运算,积分过程如下:
考虑去噪后的理想速度中仍然包含部分噪音信息,该噪音信息在积分之后得到的位移中以漂移的形式表现。因此,为了确保最终获取位移信息的准确性,需要再次对位移信息进行去噪。传统的高通滤波主要针对已经获取的完整信息进行处理,其中截至频率取决于当前处理的完整信号特征,该方法可以取得理想的去噪效果,但是由于对数据具有严格地完整性的要求,因此该方法难以适用于在线数据的动态去噪。鉴于此,本发明提出了在线动态高通滤波方法,针对实时积分结果,采用动态滤波方法对数据进行在线滤波。其中采用的滤波器为Butterworth滤波器,其原理可表述为:
其中wc表示对应滤波器的截至频率,m表示对应的滤波的阶数,wp表示通频带边缘频率。当对应的频率(采样周期T表示一秒内传感器采样点的数量,即每一个采样点对应着一定的周期数,故可获得当前点对应的频率,对应的频率与截至频率wc进行比较)大于截至频率(w>wc),则对应的值趋近于无穷大,|H(w)|2值越接近1,表示信号全部通过。当对应的信号频率低于截至频率(w≤wc),则对应的值趋近于0,则|H(w)|2趋近于0,此刻对应的信号将被截至,即为0。该过程可表示为:
n滤波阶数越大,表示滤波后的值更加光滑,滤波器更接近理想滤波器。这里采用滤波的阶数设置为8(对应的最大滤波阶数),截至频率设置为0.012×w(经验证截至频率设置为此值,滤波结果精确性最高),采用高通滤波对积分后的位移数值进行去噪,即当频率大于设置的截至频率时可将积分得到的位移值看作最终的理想值,当对应位移点的频率小于截止频率时,将该部分对应的值进行平缓化。则去噪后的积分位移可表述为:
步骤(2)、将步骤(1)设计的动态积分算法嵌入到边缘设备,从而实现边缘端的在线信号动态快速处理。
上述步骤阐述了提出的动态积分全部具体过程。为了进一步提高动态积分的时效性,这里将提出的动态积分算法嵌入到边缘设备,在近数据源进行积分的快速计算,避免因网络传输带宽对积分时效性的影响,减少冗余数据(采集的加速度数据)在云端的占比,提高数据存储的占有率。整个流程可表述如图2中a所示。其中图2中b为传统的基于云端的计算方法,对比可知提出的云端计算方法不通过复杂的数据传输协议等,因此可以避免因带宽、传输协议等导致的延时。
本实发明的有益效果为:
针对现有的方法难以实现在线动态积分运算,本发明提出在线动态积分方法,该方法相对于现有资料方法具有明显优势,可实现对实时监测数据的在线动态处理,而且积分结果具有更高的精度和更好的鲁棒性。
附图说明
图1是本发明的流程示意图;
图2是边缘端计算与传统云端计算方法比较示意图;
图3是高通滤波双重积分示意图;
图4是指数加权平均双重积分示意图;
图5是本发明方法的积分结果示意图。
具体实施方式
以下结合具体实施例对本发明做进一步说明。
构建对应的测试函数验证提出方法的有效性,构建的测试函数如下:
如上式所示为构建的测试函数,其中s(t),v(t)和a(t)分别表示位移、速度和加速度,n表示添加的噪音,为了使构造的测试函数更加逼近真实环境中测量的数值,本实例中分别采用信噪比(SNR)为5、10、15和20的值进行验证,目标位移值为s(t),作为验证该方法有效性的目标值。具体实施步骤如下:
1)首先确定传感器采样频率,进而确定上一时间点对应的权重值α,如式(3)所示;这里设置采样频率为100Hz,即1s中采集100个加速度样本点,故设置时间t的变化步长为0.01,即1s可采集100个样本点,如此,对应的权重值
2)对加速度数据进行积分,如式(1)所示;当t的变化范围为0-20的时候,则对应的采集的点有2000个,选取600-604的5个采样点作为案例分析。其中SNR值设为20,则对应的加速度数据为[-1.4575754983679766e-13,5.58146865524312,13.513797023872176,13.211154730847605,21.60266538485112],依据式(1)表述,即a600,a601,a602,a603和a604的对应值如上所示,对应的时间Δt=0.01。则v600,v601,v602,v603和v604对应的速度为[-3.9534573072086268,-3.9254971656484674,-3.8499622325798386,-3.723061399174048,-3.5444222722567176]。
3)判断当前采集加速度数量值是否大于1/4的采样频率数量,若采集数量小于1/4的采样频率数量,可认为当前积分速度中受漂移影响较小,直接到6);否则进行下一步;
4)如式(2)所示,利用式(2)的公式计算积分后速度中包含的漂移值;
5)利用当速度积分结果减去当前式(2)计算得到的漂移,获得去漂之后的速度值,如式(4)所示;计算对应的趋势值Z600,Z601,Z602,Z603和Z604分别为[-1.9014722432840203,-2.028966441121721,-2.1481829308984572,-2.2576934812704277,-2.3560161996893796],通过去噪之后的速度为[-3.177929670806483,-3.031373900547152,-2.833138321092142,-2.576138367056468,-2.2770464786599627]。
6)对积分后的速度进行再次积分运算,得到对应的位移值,如式(5)所示。判断当前获取的加速度监测点的数量是否大于1/4的采样频率数量,若采集数量小于1/4的采样频率数量,认为当前积分位移受漂移影响较小,可直接将当前积分位移视为最终位移值。否则,进入7);对5)中得到的去噪后的速度数据进行进一步积分运算,得到对应的位移值s600,s601,s602,s603和s604,具体值为[1.3095679261476776,1.2801369860087743,1.2523778296973533,1.2267627167978188,1.2036824421874557]。
7)对积分后的位移进行在线动态去噪,如式(6)和(7)所示;
8)利用当前积分位移减去位移中的噪音影响,得到最后的理想位移,如式(8)所示;则最后高通滤波后对应的位移值为[9.8321e-11,-0.0734,-0.1203,-0.1837,-0.1868],其中对应的真实值为[8.3975e-16,-0.0358,-0.0708,-0.1047,-0.1368]。
9)最后将提出的算法嵌入到边缘设备端,在近数据源进行快速计算,如图2中a所示。
通过对构建的加速度添加高斯噪音模拟真实的加速度,控制噪音大小(SNR,信噪比)进而验证所提出方法的有效性。现将传统的方法与本发明方法进行分析对比,各方案的积分结果对比如下:
图3所示为采用双重积分和高通滤波的方法得到对应的结果,该过程可表述为:先对含噪的加速度数据进行动态积分,在线积分计算得到对应的速度值,分别动态计算积分后的速度值,对在线动态积分的速度值进行高通滤波,减少积分后速度中的漂移值,经过高通滤波的速度视为理想速度。然后对理想速度进行再次积分,得到对应的位移值。由于速度中的漂移并未完全消除,因此对积分后的位移再次进行高通滤波,进一步减少漂移对积分结果的影响。最后的积分结果如图3所示。积分位移局部放大图位于上半部分,全局缩小图位于下半部分。
图4所示为采用双重积分和指数加权平均的方法得到对应的结果,该过程可表述为:先对含噪音的加速度数据进行动态积分,在线积分计算得到的速度值,对速度值进行指数加权得到对应的去噪后的理想速度,对理想速度值进行进一步积分运算,得到对应的位移值。再次采用指数加权平均方法对积分位移值进行进一步去噪,得到去噪后的对应的理想位移结果,如图4所示的结果。
图5所示为本发明提出方法的积分结果示意图。对比分析可知,当信噪比(SNR)增加,即原始加速度中的噪音减少,则积分位移趋势变化越趋近于理想位移,如图所示。与图3和图4所示的结果对比,当SNR从5到20的变化过程中,提出方法积分位移的波动范围较小,即积分准确度受噪音影响较小,证明该方法具有较好的鲁棒性。且对比图3、图4和图5积分结果可知,当SNR等于不同的值,本发明提出的方法的积分值均更接近理想位移,因此,本发明方法具有精确的积分效果。
Claims (1)
1.一种边缘端的实时数据动态在线快速处理方法,其特征在于,具体如下:
步骤(1)、设计动态积分算法
积分之后判断当前同一监测点采集加速度的次数是否达到采样频率的1/4,即同一个监测点采集的加速度样本点数量是否大于1/4的采样频率数量,若当前采集的加速度数量小于1/4的采样频率值,则认为当前积分得到的速度受噪音和漂移影响较小,将积分后的速度认定为理想速度,不对其进行去噪;然后,直接对当前积分得到的速度值进行再次积分,获取对应的位移值,当前获得的位移值为最终的理想位移值;
若采集的加速度数量大于1/4的采样频率值时,则认为当前积分后的速度受到漂移影响较大,对积分后的速度值进行动态去噪音,减少漂移对积分速度的影响,整个去噪音过程表述如下:
其中表示当前积分速度中包含的趋势值,i表示第i个时刻,j表示对应的第j个监测点;表示上一时间点对应的漂移趋势值,当i=2的时候,此时的值仅为上一时间点,即初始点的积分速度值;表示第i个时间点时,第j个监测点的积分速度;α为对应的权重值;若加速度传感器采样频率为f,则相邻两个时间点之间的采样间隔为1/f,对应的权重值计算表述为:
由表达式(2)可知,当前监测点漂移的趋势值不仅仅取决于上一时间点对应的趋势值,而且还取决于当前时间点积分得到的速度值;由表达式(3)可知,α值趋近于1,即当前时间点对应的漂移趋势受上一时间点漂移趋势的影响较大,当前积分速度值仅赋予上一时间点漂移趋势以步长;则当前时间点对应的去噪后的速度表述为:
为了获取对应的位移,需对去噪后的理想速度即公式(4)进行再次积分运算,积分过程如下:
考虑去噪后的理想速度中仍然包含部分噪音信息,该噪音信息在积分之后得到的位移中以漂移的形式表现;因此,为了确保最终获取位移信息的准确性,需要再次对位移信息进行去噪;
对位移信息进行去噪采用在线动态高通滤波方法,针对实时积分结果,采用动态滤波方法对数据进行在线滤波;其中采用的滤波器为Butterworth滤波器,其原理表述为:
其中wc表示对应滤波器的截至频率,m表示对应的滤波的阶数,wp表示通频带边缘频率;当对应的频率w大于截至频率,w>wc,则对应的值趋近于无穷大,|H(w)|2值越接近1,表示信号全部通过;当对应的信号频率低于截至频率,w≤wc,则对应的值趋近于0,则|H(w)|2趋近于0,此刻对应的信号将被截至,即为0;该过程表示为:
n滤波阶数越大,表示滤波后的值更加光滑,滤波器更接近理想滤波器;采用滤波的阶数设置为8,截至频率设置为0.012×w,采用高通滤波对积分后的位移数值进行去噪,即当频率大于设置的截至频率时可将积分得到的位移值看作最终的理想值,当对应位移点的频率小于截止频率时,将该部分对应的值进行平缓化;则去噪后的积分位移表述为:
步骤(2)、将步骤(1)设计的动态积分算法嵌入到边缘设备,从而实现边缘端的在线信号动态快速处理。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111135158.6A CN113901379B (zh) | 2021-09-27 | 2021-09-27 | 一种边缘端的实时数据动态在线快速处理方法 |
US17/799,165 US20230229725A1 (en) | 2021-09-27 | 2022-05-05 | Online fast processing method for real-time data based on edge computing |
PCT/CN2022/090891 WO2023045338A1 (zh) | 2021-09-27 | 2022-05-05 | 一种边缘端的实时数据动态在线快速处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111135158.6A CN113901379B (zh) | 2021-09-27 | 2021-09-27 | 一种边缘端的实时数据动态在线快速处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113901379A true CN113901379A (zh) | 2022-01-07 |
CN113901379B CN113901379B (zh) | 2024-04-12 |
Family
ID=79029592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111135158.6A Active CN113901379B (zh) | 2021-09-27 | 2021-09-27 | 一种边缘端的实时数据动态在线快速处理方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230229725A1 (zh) |
CN (1) | CN113901379B (zh) |
WO (1) | WO2023045338A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023045338A1 (zh) * | 2021-09-27 | 2023-03-30 | 大连理工大学 | 一种边缘端的实时数据动态在线快速处理方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421937B (zh) * | 2023-12-18 | 2024-03-29 | 山东利恩斯智能科技有限公司 | 基于s-g算法抑制传感器随机振动信号零漂趋势的方法 |
CN117493021B (zh) * | 2023-12-21 | 2024-04-30 | 中电科新型智慧城市研究院有限公司 | 一种位移监测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006194822A (ja) * | 2005-01-17 | 2006-07-27 | Oyo Corp | 加速度センサを用いる地盤等の変位モニタリング方法 |
WO2009114123A2 (en) * | 2008-03-10 | 2009-09-17 | Newlans, Inc. | Method, system, and apparatus for wideband signal processeing |
CN104408916A (zh) * | 2014-10-31 | 2015-03-11 | 重庆大学 | 基于路段速度、流量数据的道路交通运行状态评估方法 |
CN110657935A (zh) * | 2019-09-24 | 2020-01-07 | 浙江大学 | 一种地震波加速度积分处理方法及系统 |
CN112596533A (zh) * | 2020-11-30 | 2021-04-02 | 中航机载系统共性技术有限公司 | 一种mems陀螺仪数据驱动高精度自抗扰控制方法 |
CN113049202A (zh) * | 2021-03-08 | 2021-06-29 | 中国地震局工程力学研究所 | 一种加速度积分位移的局部加权回归校正方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2437070B1 (en) * | 2007-11-20 | 2013-04-10 | The Modal Shop, Inc. | Dynamic motion sensor calibration system and method for calibrating a dynamic motion sensor |
CN101806593B (zh) * | 2010-03-12 | 2011-07-27 | 长安大学 | 一种基于加速度计的路形测量方法 |
CN110597144A (zh) * | 2019-09-30 | 2019-12-20 | 鞍钢集团自动化有限公司 | 一种电机传感器数据采集单元及数据采集方法 |
CN113009566B (zh) * | 2021-03-19 | 2024-01-30 | 中国地震局地球物理研究所 | 现地地震动预测模型及其构建方法 |
CN113901379B (zh) * | 2021-09-27 | 2024-04-12 | 大连理工大学 | 一种边缘端的实时数据动态在线快速处理方法 |
-
2021
- 2021-09-27 CN CN202111135158.6A patent/CN113901379B/zh active Active
-
2022
- 2022-05-05 US US17/799,165 patent/US20230229725A1/en active Pending
- 2022-05-05 WO PCT/CN2022/090891 patent/WO2023045338A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006194822A (ja) * | 2005-01-17 | 2006-07-27 | Oyo Corp | 加速度センサを用いる地盤等の変位モニタリング方法 |
WO2009114123A2 (en) * | 2008-03-10 | 2009-09-17 | Newlans, Inc. | Method, system, and apparatus for wideband signal processeing |
CN104408916A (zh) * | 2014-10-31 | 2015-03-11 | 重庆大学 | 基于路段速度、流量数据的道路交通运行状态评估方法 |
CN110657935A (zh) * | 2019-09-24 | 2020-01-07 | 浙江大学 | 一种地震波加速度积分处理方法及系统 |
CN112596533A (zh) * | 2020-11-30 | 2021-04-02 | 中航机载系统共性技术有限公司 | 一种mems陀螺仪数据驱动高精度自抗扰控制方法 |
CN113049202A (zh) * | 2021-03-08 | 2021-06-29 | 中国地震局工程力学研究所 | 一种加速度积分位移的局部加权回归校正方法及系统 |
Non-Patent Citations (2)
Title |
---|
李守巨;上官子昌;孙伟;亢晨钢;: "多孔岩土材料渗透系数与孔隙率关系随机模拟", 辽宁工程技术大学学报(自然科学版), no. 04, 15 August 2010 (2010-08-15) * |
马瑜;张艳宁;王利生: "噪音工业计算机断层图像中追踪三维边缘曲面", 光子学报, vol. 42, no. 8, 15 August 2013 (2013-08-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023045338A1 (zh) * | 2021-09-27 | 2023-03-30 | 大连理工大学 | 一种边缘端的实时数据动态在线快速处理方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023045338A1 (zh) | 2023-03-30 |
US20230229725A1 (en) | 2023-07-20 |
CN113901379B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113901379B (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
Tran et al. | Effective multi-sensor data fusion for chatter detection in milling process | |
CN113820003B (zh) | 一种适用于桥梁振动监测的加速度实时重构动态位移方法 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN114912551B (zh) | 面向桥梁变形监测的gnss和加速度计实时融合方法 | |
CN106053069B (zh) | 一种滚动轴承的ssd、谱峭度和平滑迭代包络分析方法 | |
CN112394324A (zh) | 一种基于麦克风阵列的远距离声源定位的方法及系统 | |
CN106096199B (zh) | 一种滚动轴承的wt、谱峭度和平滑迭代包络分析方法 | |
WO2021237958A1 (zh) | 基于特征提取和神经网络的水声目标测距方法 | |
CN112233696A (zh) | 基于人工智能和大数据的油田抽油机异音检测及上报系统 | |
CN109471113B (zh) | 基于相位法的多波束声呐海底地形测量质量实时评估方法 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
CN114813129B (zh) | 基于wpe与emd的滚动轴承声信号故障诊断方法 | |
CN109684970B (zh) | 一种结构动力响应的移动主成分分析的窗口长度确定方法 | |
CN116364108A (zh) | 变压器声纹检测方法及装置、电子设备、存储介质 | |
CN112992182B (zh) | 车辆风噪水平测试系统及其测试方法 | |
CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其系统 | |
CN111982248B (zh) | 一种改进的传感器动态数据融合方法 | |
CN114420161A (zh) | 一种基于音频特征的工程车辆工况识别方法 | |
CN113686577A (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 | |
CN111561929A (zh) | 一种用于车载mems惯性传感器的时延降噪方法 | |
CN111735528B (zh) | 一种基于knn投票精准定位扰动点的方法 | |
CN113823317B (zh) | 基于频谱结构化识别的变电站噪声分离方法、设备及介质 | |
CN113567123B (zh) | 旋转机械冲击类故障自动诊断方法 |
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 |