CN114397116B - 一种煤矿工程车辆作业状态智能识别方法 - Google Patents
一种煤矿工程车辆作业状态智能识别方法 Download PDFInfo
- Publication number
- CN114397116B CN114397116B CN202210033746.7A CN202210033746A CN114397116B CN 114397116 B CN114397116 B CN 114397116B CN 202210033746 A CN202210033746 A CN 202210033746A CN 114397116 B CN114397116 B CN 114397116B
- Authority
- CN
- China
- Prior art keywords
- acceleration
- time
- range
- coal mine
- variance
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000001133 acceleration Effects 0.000 claims abstract description 89
- 230000003068 static effect Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种煤矿工程车辆作业状态智能识别方法,由安装在煤矿工程车辆轮胎侧面的三轴加速度传感器实时采集X、Y、Z三轴的加速度大小,计算一段时间内三轴加速度对应的极差、方差、均值方差,并将结算结果与给定阈值比较,根据不同的比较结果,智能识别煤矿工程车辆分别处于自主行驶状态、拖车转运状态或静止停放状态。
Description
技术领域
本发明涉及煤矿工程车辆状态识别技术领域,具体涉及一种煤矿工程车辆作业状态智能识别方法。
背景技术
随着产品升级转型和智能化时代的到来,煤矿工程车辆也逐渐开始智能化改造升级。目前,煤矿工程车辆的智能化升级的关键是识别煤矿工程车辆的作业状态,其作业状态主要包括自主行驶状态、拖车转运状态及静止停放状态,车辆作业状态的准确识别是煤矿工程车辆后续车辆调度作业、车辆状态监测、车辆大数据采集等技术发展的基础,对提高煤矿工程车辆调度运行的效率和准确度都具有重要意义。
传统的煤矿工程车辆几乎不具备作业状态的识别功能,工程车辆调度中心对煤矿工程车辆的作业状态仅限于是否被调度,无法获取车辆调度离开后的工作状态,大大降低了车辆调度的工作效率,导致煤矿工程车辆无法实现资源合理分配,甚至延误煤矿工业生产。煤矿工程车辆的作业状态智能识别可以有效地区分现有任意一台工程车辆的作业状态,将此种方法应用于煤矿工程车辆调度等领域,可以极大地提高车辆利用率和煤矿生产工作效率。
因此,急需一种煤矿工程车辆作业状态智能识别方法。
发明内容
为解决上述问题,本发明提供了一种基于三轴加速度传感器的煤矿工程车辆作业状态智能识别方法,通过三轴加速度传感器获取的空间坐标系三个方向的加速度数据对煤矿工程车辆的作业状态进行识别分离,从而准确判断区分煤矿工程车辆的自主行驶状态、拖车转运状态及静止停放状态等三种不同作业状态。
为实现上述目的,本发明采用的技术方案为:
一种煤矿工程车辆作业状态智能识别方法,包括以下步骤:
S1:在煤矿工程车辆的轮胎上安装三轴加速度传感器,获取ti时刻的X轴(轮胎圆周指向圆心方向)、Y轴(轮胎圆周切线方向)、Z轴(垂直于轮胎圆周方向)三个轴上的加速度数据,并将采集到的加速度数值记为其中i=1,2,3…n;
S2:设定一个连续时间段T*,T*的范围为t1~tn,第一定时器时间记为T1,T1从0开始计时,计时范围为0~T*;第一计数器所记数值用C表示,从0开始计数,计数范围为0~k;当T1计时到T*数值,则T1归零,第一计数器C加一计数;同时,对所记T*时间段内的X轴、Y轴、Z轴的加速度信息片段分别计算平均值、极差、方差,对应的计算公式如下:
X轴加速度平均值:
Y轴加速度平均值:
Z轴加速度平均值:
其中,分别为T*时间段内X、Y、Z三轴的平均加速度;
X轴加速度极差:
Y轴加速度极差:
Z轴加速度极差:
其中,rx、ry、rz为T*时间段内X、Y、Z三轴的加速度极差,为T*时间段内/>(i=1,2,3…n)中的最大值,/>为T*时间段内(i=1,2,3…n)的最小值;
X轴加速度方差:
Y轴加速度方差:
Z轴加速度方差:
其中,为T*时间段内X、Y、Z三轴的加速度方差;
利用上述公式计算出X、Y、Z三轴的加速度平均值、极差、方差,分别记为rx,ry,rz,/>
S3:设定一段连续的时间T,当第一计数器C计数到k时,则表示计时时间达到T,T为连续k个T*,即(j=1,2,3…k),分别记为/>此时,第一计数器C归零,同时取各自时间段内所计算出的三个轴的加速度平均值/>其中j=1,2,3…k,分别对三个轴在T时间段内对应的k个/>(j=1,2,3…k)时段的k个平均值再次计算极差,公式如下:
X轴均值加速度的极差:
Y轴均值加速度的极差:
Z轴均值加速度的极差:
其中,Rx、Ry、Rz为T时间段内X、Y、Z三轴的k个加速度平均值的极差,为T时间段内/>(j=1,2,3…k)中的最大值,/> 为T时间段内/>(j=1,2,3…k)中的最小值;
利用上述公式计算出T时间段内X、Y、Z三轴的加速度平均值对应的极差,记为Rx,Ry,Rz;
S4:设定对应上述计算获得的加速度极差、方差的第一阈值和第二阈值,对于T*时间段内所计算的极差、方差,其第一阈值记为rthres1、sthres1,第二阈值记为rthres2、sthres2,对于T时间段内均值所对应的极差,其第一阈值记为Rthres1,第二阈值记为Rthres2;
S5:若T*时间内Y轴加速度的极差ry、方差均大于第二极差阈值rthres2、第二方差阈值sthres2,且T时间段内对应的k个/>(j=1,2,3…k)时段均满足上述条件,则可判定煤矿工程车辆处于自主行驶状态;
S6:若T*时间内X、Y、Z三轴加速度的极差rx,ry,rz、方差均分别小于第一极差阈值rthres1、第一方差阈值sthres1,且T时间段内对应的k个/>(j=1,2,3…k)时段均满足上述条件,同时,k个/>时段均值对应的极差Rx、Ry、Rz亦小于第一均值极差阈值Rthres1,则可判定煤矿工程车辆处于静止停放状态;
S7:若T*时间内X、Y、Z三轴加速度的极差rx,ry,rz、方差均处于[rthres1,rthres2]、[sthres1,sthres2]范围内,且T时间段内对应的k个/>(j=1,2,3…k)时段均满足上述条件,同时,k个/>时段均值对应的极差Rx、Ry亦处于[Rthres1,Rthres2]范围内,则可判定煤矿工程车辆处于拖车转运状态。
本发明的进一步改进在于,S2所述的时间段T*的选择方法为大于按车辆最小行驶速度所计算出的轮胎转动一圈所需要的时间,T时间段的选择方法为连续3~10个T*时间段。
本发明的进一步改进在于,S4所述的极差阈值、方差阈值以及均值的极差阈值的选择方法,该方法需选取煤矿工程车辆实际工作环境中的典型路面自主行驶状态、拖车转运状态为参考数值,在典型路面进行现场试验获取煤矿工程车辆自主行驶状态、拖车转运状态及静止停放状态下的三轴加速度传感器数据,在以较小误判为原则的基础上合理选择极差、方差、均值极差的第一、第二阈值。
和现有技术相比较,本发明具备如下优点:
本发明基于三轴加速度传感器的煤矿工程车辆作业状态智能识别方法,可对煤矿工程车辆轮胎的三轴加速度数值进行实时采集,通过对连续的若干时间段内的加速度数值计算平均值、极差、方差和均值方差,并将计算的数值结果与试验获取的煤矿工程车辆分别处于自主行驶状态、拖车转运状态或静止停放状态时的特征阈值进行比较分析,有效地规避了偶然性导致的判断失误,提高了状态识别的稳定性和可靠性。
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,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;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说,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是本发明实施例的一种煤矿工程车辆作业状态智能识别方法的流程示意图。
图2是本发明实施例的加速度传感器安装示意图。
图3是本发明实施例的静止停放状态加速度实测图。
图4是本发明实施例的拖车转运状态加速度实测图。
图5是本发明实施例的自主行驶状态加速度实测图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面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、完整地描述。
请参阅图1,一种煤矿工程车辆作业状态智能识别方法,包括以下步骤:
S1:安装在煤矿工程车辆轮胎侧面的三轴加速度传感器对煤矿工程车辆轮胎的X、Y、Z三轴加速度持续实时测量,并将所测数据保存至数据存储单元,其中i=1,2,3…n;如图2所示,X轴为轮胎圆周指向圆心方向、Y轴为轮胎圆周切线方向、Z轴为垂直于轮胎圆周方向。
S2:第一定时器计时T*,数据处理核心MCU每经过T*时间对所测量的X、Y、Z三轴的加速度数据进行平均值、极差、方差的计算,同时第一定时器T1数值归零,第一计数器C数值加一。T*的范围为t1~tn,计算结果分别记为 rx,ry,rz,/>
S3:当第一计数器C数值达到k,则表示计时时间达到T;此时,第一计数器C数值归零,MCU开始计算均值对应的极差,均值对应的极差的计算时间跨度为T,T为连续k个T*,即(j=1,2,3…k),分别记为/>每经过T时间,则分别对X、Y、Z三轴在k个/>(j=1,2,3…k)时段内的k个加速度平均值计算极差,计算结果记为Rx,Ry,Rz;
S4:MCU判断当前的所有计算结果与阈值的关系,首先判断Y轴加速度的极差和方差,若ry>rthres2且且T时间段内对应的k个/>(j=1,2,3…k)时段均满足上述条件,则可以判定煤矿工程车辆处于自主行驶状态;否则,则继续进行X轴、Z轴加速度的极差和方差;
S5:若rx,ry,rz∈[rthres1,rthres2]且且T时间段内对应的k个/>(j=1,2,3…k)时段均满足上述条件,同时满足Rx,Ry∈[Rthres1,Rthres2],则判定煤矿工程车辆处于拖车转运状态;若rx,ry,rz<rthres1且/>且T时间段内对应的k个/>(j=1,2,3…k)时段均满足上述条件,同时满足Rx,Ry,Rz<Rthres1,则判定煤矿工程车辆处于静止停放状态。
本发明实施例的一种煤矿工程车辆作业状态智能识别方法,S2中所述的间隔时间T*取值为4~6秒,S3中所述的k取值为10组,间隔时间T取值为40~60秒,具体可依据实际煤矿工程车辆行驶速度而定。
本发明实施例的一种煤矿工程车辆作业状态智能识别方法,S5中所述的加速度极差阈值rthres1、rthres2为X、Y、Z三轴加速度极差的第一、第二阈值,方差阈值sthres1、sthres2为X、Y、Z三轴加速度极差的第一、第二阈值,均值对应的极差阈值Rthres1、Rthres2为X、Y、Z三轴加速度在T时间内的均值极差的第一、第二阈值,以上所有阈值的设定依据均来自于试验测定,取值应大于静止停放状态和拖车转运状态的实测极差的最大值。
本发明实施例的一种煤矿工程车辆作业状态智能识别方法,S5所述的阈值取值分析如下:图3所示为试验记录的煤矿工程车辆处于静止停放状态的典型数据,数据显示煤矿工程车辆处于静止停放状态时加速度的极差最大为15;图4所示为试验记录的煤矿工程车辆处于拖车转运状态的典型数据,数据显示煤矿工程车辆处于拖车转运状态时加速度的极差最大为147;图5所示为实验记录的煤矿工程车辆处于自主行驶状态的典型数据,数据显示煤矿工程车辆处于自主行驶状态时加速度的变化量在驶过半圈的最大变化量为1020;根据上述数据,将极差第一阈值rthres1设置为50,对应加速度相对大小为0.05g,极差第二阈值rthres2设置为300,对应加速度相对大小为0.3g;经计算,静止停放状态加速度方差最大为0.4,拖车转运状态加速度方差最大为154,自主行驶状态加速度方差最小为600,据此,将方差第一阈值sthres1设置为5,将方差第二阈值sthres2设置为200;经计算,静止停放状态T时间段内加速度均值的极差为0.7~1.5,拖车转运状态T时间段内加速度均值的极差为15~30,自主行驶状态加速度均值的极差为100~2000,据此,将均值极差第一阈值Rthres1设置为10,将均值极差第二阈值Rthres2设置为80。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (3)
1.一种煤矿工程车辆作业状态智能识别方法,其特征在于,包括以下步骤:
步骤1:在煤矿工程车辆的轮胎上安装三轴加速度传感器,获取ti时刻的X轴即轮胎圆周指向圆心方向、Y轴即轮胎圆周切线方向、Z轴即垂直于轮胎圆周方向三个轴上的加速度数据,并将采集到的加速度数值记为其中i=1,2,3…n;
步骤2:设定一个连续时间段T*,T*的范围为t1~tn,第一定时器时间记为T1,T1从0开始计时,计时范围为0~T*;第一计数器所记数值用C表示,从0开始计数,计数范围为0~k;当T1计时到T*数值,则T1归零,第一计数器C加一计数;同时,对所记T*时间段内的X轴、Y轴、Z轴的加速度信息片段分别计算平均值、极差、方差,对应的计算公式如下:
X轴加速度平均值:
Y轴加速度平均值:
Z轴加速度平均值:
其中,分别为T*时间段内X、Y、Z三轴的平均加速度;
X轴加速度极差:
Y轴加速度极差:
Z轴加速度极差:
其中,rx、ry、rz为T*时间段内X、Y、Z三轴的加速度极差,为T*时间段内中的最大值,/>为T*时间段内/>的最小值;
X轴加速度方差:
Y轴加速度方差:
Z轴加速度方差:
其中,为T*时间段内X、Y、Z三轴的加速度方差;
步骤3:设定一段连续的时间T,当第一计数器C计数到k时,则表示计时时间达到T,T为连续k个T*,即分别记为/>此时,第一计数器C归零,同时取/>各自时间段内所计算出的三个轴的加速度平均值/> 其中j=1,2,3…k,分别对三个轴在T时间段内对应的k个/>时段的k个平均值再次计算极差,公式如下:
X轴加速度均值的极差:
Y轴加速度均值的极差:
Z轴加速度均值的极差:
其中,Rx、Ry、Rz为T时间段内X、Y、Z三轴的k个加速度平均值的极差,为T时间段内/>中的最大值,/>为T时间段内/>中的最小值;
步骤4:设定对应上述计算获得的加速度极差、方差的第一阈值和第二阈值,对于T*时间段内所计算的极差、方差,其第一阈值记为rthres1、sthres1,第二阈值记为rthres2、sthres2,对于T时间段内加速度均值所对应的极差,其第一阈值记为Rthres1,第二阈值记为Rthres2;
步骤5:若T*时间内Y轴加速度的极差ry、方差均分别大于第二极差阈值rthres2、第二方差阈值sthres2,且T时间段内对应的k个/>时段均满足上述条件,则判定煤矿工程车辆处于自主行驶状态;
步骤6:若T*时间内X、Y、Z三轴加速度的极差rx,ry,rz、方差均分别小于第一极差阈值rthres1、第一方差阈值sthres1,且T时间段内对应的k个Tj *时段均满足上述条件,同时,k个时段均值对应的极差Rx、Ry、Rz亦小于第一均值极差阈值Rthres1,则判定煤矿工程车辆处于静止停放状态;
步骤7:若T*时间内X、Y、Z三轴加速度的极差rx,ry,rz、方差均分别处于[rthres1,rthres2]、[sthres1,sthres2]范围内,且T时间段内对应的k个/>时段均满足上述条件,同时,k个时段均值对应的极差Rx、Ry亦处于[Rthres1,Rthres2]范围内,则判定煤矿工程车辆处于拖车转运状态。
2.根据权利要求1所述的一种煤矿工程车辆作业状态智能识别方法,其特征在于:步骤2中所述的时间段T*的选择方法为大于按车辆最小行驶速度所计算出的轮胎转动一圈所需要的时间,T时间段的选择方法为连续3~10个T*时间段。
3.根据权利要求1所述的一种煤矿工程车辆作业状态智能识别方法,其特征在于:步骤4中所述的极差阈值、方差阈值以及均值的极差阈值的选择方法,该方法需选取煤矿工程车辆实际工作环境中的典型路面自主行驶状态、拖车转运状态为参考数值,在典型路面进行现场试验获取煤矿工程车辆自主行驶状态、拖车转运状态及静止停放状态下的三轴加速度传感器数据,在以误判小为原则的基础上选择极差、方差、均值极差的第一、第二阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210033746.7A CN114397116B (zh) | 2022-01-12 | 2022-01-12 | 一种煤矿工程车辆作业状态智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210033746.7A CN114397116B (zh) | 2022-01-12 | 2022-01-12 | 一种煤矿工程车辆作业状态智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114397116A CN114397116A (zh) | 2022-04-26 |
CN114397116B true CN114397116B (zh) | 2024-01-26 |
Family
ID=81230287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210033746.7A Active CN114397116B (zh) | 2022-01-12 | 2022-01-12 | 一种煤矿工程车辆作业状态智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114397116B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012018075A (ja) * | 2010-07-08 | 2012-01-26 | Seiko Epson Corp | 停止判定方法及び停止判定装置 |
JP2013044317A (ja) * | 2011-08-26 | 2013-03-04 | Kajima Corp | 重機のアイドリング判定方法、及び、アイドリング判定システム |
CN102967728A (zh) * | 2012-11-19 | 2013-03-13 | 珠海德百祺科技有限公司 | 利用加速度传感器检测车辆运动状态的方法和装置 |
CN103745507A (zh) * | 2013-12-31 | 2014-04-23 | 商泰软件(上海)有限公司 | 行车状态分析方法及装置 |
JP2015040850A (ja) * | 2013-08-23 | 2015-03-02 | スズキ株式会社 | 停車判定装置 |
CN111192378A (zh) * | 2018-11-15 | 2020-05-22 | 中兴通讯股份有限公司 | 一种车辆移动识别方法、装置及车辆告警系统 |
-
2022
- 2022-01-12 CN CN202210033746.7A patent/CN114397116B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012018075A (ja) * | 2010-07-08 | 2012-01-26 | Seiko Epson Corp | 停止判定方法及び停止判定装置 |
JP2013044317A (ja) * | 2011-08-26 | 2013-03-04 | Kajima Corp | 重機のアイドリング判定方法、及び、アイドリング判定システム |
CN102967728A (zh) * | 2012-11-19 | 2013-03-13 | 珠海德百祺科技有限公司 | 利用加速度传感器检测车辆运动状态的方法和装置 |
JP2015040850A (ja) * | 2013-08-23 | 2015-03-02 | スズキ株式会社 | 停車判定装置 |
CN103745507A (zh) * | 2013-12-31 | 2014-04-23 | 商泰软件(上海)有限公司 | 行车状态分析方法及装置 |
CN111192378A (zh) * | 2018-11-15 | 2020-05-22 | 中兴通讯股份有限公司 | 一种车辆移动识别方法、装置及车辆告警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114397116A (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597822B (zh) | 车辆的轨迹确定方法、装置、电子设备及计算机存储介质 | |
US20060012469A1 (en) | Tire air pressure monitoring system | |
CN102393904B (zh) | 图像处理装置以及图像处理方法 | |
US7868749B2 (en) | Method and apparatus for detecting decrease in tire air pressure and program for determining decrease in tire air pressure | |
CN111016553A (zh) | 车轮定位方法、系统及电子控制单元、胎压传感器 | |
CN108407555B (zh) | 汽车轮胎定位方法和装置 | |
CN110246342A (zh) | 一种低功耗地磁传感器的车辆检测方法 | |
CN114397116B (zh) | 一种煤矿工程车辆作业状态智能识别方法 | |
CN104541123B (zh) | 用于求取安装在车辆上的轮胎的周长的方法和设备 | |
CN108646044B (zh) | 一种基于车窗电机转速的颠簸路面检测方法 | |
CN111341116A (zh) | 一种地磁停车位检测方法 | |
CN114526930A (zh) | 一种智能网联汽车故障检测方法及系统 | |
US11247744B2 (en) | Lap counting method and device | |
CN112874528B (zh) | 车速确定方法、车速确定装置、车载终端及存储介质 | |
CN113022235A (zh) | 轮胎定位方法、装置、设备、存储介质及胎压监测方法 | |
CN115909752A (zh) | 一种基于车辆用户历史数据的急转弯识别及统计方法 | |
CN111931838A (zh) | 一种基于深度学习算法的机床导轨健康状态识别方法 | |
CN113022234B (zh) | 双排轮胎定位方法、胎压监测方法及相关设备 | |
CN113283014B (zh) | 新能源汽车运行数据分析处理方法、系统及存储介质 | |
CN115409143A (zh) | 一种超高频rfid系统测速方法 | |
CN117719361B (zh) | 一种新能源半挂车驱动控制方法及系统 | |
CN112084185B (zh) | 车载边缘设备基于关联学习的受损电子控制单元定位方法 | |
CN114692418B (zh) | 质心侧偏角估计方法、装置、智能终端及存储介质 | |
CN113524260B (zh) | 一种多关节机器人碰撞检测方法 | |
CN111007281B (zh) | 基于小波函数相关性的转速传感器故障诊断方法及系统 |
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 |