CN114485877A - 一种结合惯性测量模块进行称重补偿的称重系统和方法 - Google Patents
一种结合惯性测量模块进行称重补偿的称重系统和方法 Download PDFInfo
- Publication number
- CN114485877A CN114485877A CN202210087030.5A CN202210087030A CN114485877A CN 114485877 A CN114485877 A CN 114485877A CN 202210087030 A CN202210087030 A CN 202210087030A CN 114485877 A CN114485877 A CN 114485877A
- Authority
- CN
- China
- Prior art keywords
- weighing
- weight
- compensation
- module
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
- G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/01—Testing or calibrating of weighing apparatus
- G01G23/015—Testing or calibrating of weighing apparatus by adjusting to the local gravitational acceleration
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Navigation (AREA)
Abstract
本发明属于农机车载称重技术领域,具体涉及一种结合惯性测量模块进行称重补偿的称重系统方法,包括:一种结合惯性测量模块进行称重补偿的称重系统,其特征在于,包括:称重传感器,测量物体的重量,得到重量输出值;惯性测量模块,对称重传感器所在机构进行加速度与偏转角的测量;数据处理模块,根据加速度与偏转角对重量输出值进行补偿;学习模块,进行神经网络训练学习;存储模块,对相应数据进行存储。本发明通过惯性测量模块对称重系统进行加速度与偏转角的测量,考虑到了称重系统的姿态和加速度的影响,对重量输出值进行了补偿,得到了待测物体的真实重量,提高了测量精度,不需要对称重传感器在多个受力方向上进行标定校准。
Description
技术领域
本发明属于农机车载称重技术领域,具体涉及一种结合惯性测量模块进行称重补偿的称重系统方法。
背景技术
农机在田间进行工作时,需要对收获的农产品重量进行实施称重,但由于工作环境的不稳定,称重传感器的测量精度会降低,不利于精准农业技术的产业化。
在现有的技术中,针对这一问题提出的解决方案的效果也十分有限。例如在专利CN201310008630.9中,提到了利用倾角传感器修正称重结果,但其所述的标定步骤复杂:“保持一定速度v(t)下匀速行驶,得到多个加速点下对应的称重结果”,在进行实践中实际上非常难以实现,并且测量车辆的行驶速度和倾角值等数据无法得知实际称重传感器的工作姿态,所以提高的测量精度有限。
在专利CN201210265080.4中利用的三轴加速度传感器间接计算得出称重角度值的方法会由于车辆运行过程中产生的附加加速度和重量加速度耦合后会影响角度的正确计算,因此只适合静态测量,不适合行进中的车辆或农机的动态称重。
发明内容
本发明所要解决的技术问题是:提供了一种结合惯性测量模块进行称重补偿的称重系统和方法。
本发明解决其技术问题所采用的技术方案是:提供了一种结合惯性测量模块进行称重补偿的方法。
一种结合惯性测量模块进行称重补偿的方法,包括:
S1,构建以结合惯性测量模块进行称重补偿的称重系统为基准的载体坐标系和以地表为基准的地理坐标系;
S2,将已知重量的物体加载在传感器上,采集得到n组连续的称重传感器的输出值W和惯性单元模块输出值(ax、ay、az,ψ,θ,γ)。
S3,根据采集到的数据计算得出α,β,γ;
S4,构建称重数据补偿方程;
S5,根据称重数据补偿方程建立函数连接型神经网络FLANN,构成训练样本集,对神经网络进行训练拟合后得到称重补偿方程的系数。
S6,改变物体的重量,重复S1~S5步骤。得到一系列称重补偿方程的系数,构建称重补偿方程组。
S7,实际使用时,称重传感器和惯性测量单元采集到数据,根据称重传感器采集的数据,确定选用的称重补偿方程系数,进行动态补偿,计算出补偿后的重量值。
进一步,所述S3中根据采集到的数据计算得出α,β,γ为:
进一步,所述S5中函数连接型神经网络FLANN的输入向量为:
H(ax(t),ay(t),az(t),α(t),β(t),γ(t),W(t),W(t-1),W(t-2));
所述样本训练集为(Hi,Mi),i=1,2…,n。
进一步,所述S2中的称重数据补偿方程为:
进一步,在实际连续性测试过程中,当t>2时,可将所述称重数据补偿方程中的W(t-1)替换为M(t-1),或W(t-2)替换为M(t-2),或全部替换。
一种结合惯性测量模块进行称重补偿的称重系统,包括:
称重传感器,测量物体的重量,得到重量输出值;
惯性测量模块,对称重系统当前的加速度与偏转角进行测量;
数据处理模块,根据加速度与偏转角对重量输出值进行补偿;
学习模块,进行神经网络训练学习;
存储模块,对相应数据进行存储;
输出模块,将测量出的称重数据输出。
进一步,所述惯性测量模块包括陀螺仪和加速度计。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上面所述的敏感数据的保护方法。
本发明的有益效果是:本发明通过称重模块对重量输出值进行加速度与偏转角的测量,考虑到了称重系统的姿态和加速度的影响,通过结合惯性测量单元进行称重补偿的方法在计算重量输出值时对重量输出值进行了补偿,减小了实时加速度和角速度的影响,得到了待测物体的真实重量,提高了测量精度。
通过过滤掉冗余信息,提取特征分量(如α,β,γ等),从而更精准地构建了称重补偿方程,利用神经网络的自学习功能,避免了复杂的静态标定流程,实用性更好,称重补偿方程通过对累计误差的控制,减小了连续称重时的总误差。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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。现在结合附图对本发明作详细的说明。此图为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
图1是根据本发明第一实施方式的结合惯性测量模块进行称重补偿的方法的流程图;
图2是根据本发明第二实施方式的结合惯性测量模块进行称重补偿的称重系统的结构示意图;
图3根据本发明第一实施方式的结合惯性测量模块进行称重补偿的方法神经网络训练流程图;
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,下面将结合附图对本发明的技术方案进行清楚、完整地描述,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他实施例,都属于本发明保护的范围。
本发明的第一实施方式涉及一种结合惯性测量模块进行称重补偿的方法,在本实施方式中,首先构建载体坐标系和地理坐标系,进行数据采集。构建称重数据补偿方程,对采集的数据进行动态补偿之后,计算出补偿后的重量值。通过这种结合惯性测量模块进行称重补偿的方法,在称重时,可以根据称重装置姿态和加速度的影响,对重量输出值进行补偿,进而得到待测物体的真实重量,提高了测量精度。同时,通过这种方式,不需要对称重传感器在多个受力方向上进行标定校准,节省了人力,提高了效率。
下面对本实施方式的结合惯性测量模块进行称重补偿的方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须,本实施方式的具体流程如图1所示。
步骤101,构建以结合惯性测量模块进行称重补偿的称重系统为基准的载体坐标系和以地表为基准的地理坐标系。
构建载体坐标系时,以结合惯性测量模块进行称重补偿的称重系统为原点,构建出XYZ三方向的载体坐标系。构建地理坐标系时,以水平地面为X轴,构建XYZ三方向的地理坐标系。
步骤102,将已知重量的物体加载在传感器上,采集得到n组连续的称重传感器的输出值和惯性单元模块输出值。
其中称重传感器的输出值为W,惯性测量模块输出值为实时加速度ax、ay、az与偏转角ψ,θ,γ。
其中,ψ为绕Z轴旋转的偏航角,θ为绕Y轴旋转的俯仰角,γ为绕X轴旋转的翻滚角。
步骤103,构建称重数据补偿方程。
所需构建的称重数据补偿方程为:
其中,M(t)是t时刻补偿后的重量值,W(t)是t时刻称重传感器采集的重量值,g为当地重力加速度,ax(t),ay(t),az(t)是t时刻惯性测量单元测得的加速度值,α(t),β(t),γ(t)分别是t时刻重力加速度g矢量方向与载体坐标系X轴,Y轴和Z轴正向的夹角,C1,C2,C3,C4,C5,C6是方程的补偿系数。
在实际连续性测试过程中,当t>2时,可将所述称重数据补偿方程中的W(t-1)替换为M(t-1),或W(t-2)替换为M(t-2),或全部替换。
例如,当载体坐标系与地理坐标系一致时,Z轴与重力方向g平行,此时惯性测量模块返回的数据为加速度和角度值都为0,此时,称重模块测量的称重数据W1,即为实际重量W0。
步骤104,根据采集到的数据计算得出α,β,γ。
通过在步骤102中测量出的偏转角ψ,θ,γ可以根据如下公式将所需的α,β,γ求出:
步骤105,根据称重数据补偿方程建立函数连接型神经网络,构成训练样本集,对神经网络进行训练拟合后得到补偿系数。
其中,函数连接型神经网络FLANN的输入向量为:
H(ax(t),ay(t),az(t),α(t),β(t),γ(t),W(t),W(t-1),W(t-2));
输出量则为实际补偿后的重量M;
所述样本训练集为(Hi,Mi),i=1,2…,n;
对神经网络进行训练拟合得到补偿系数C1,C2,C3,C4,C5,C6。
具体过程如图3所示:
H1,H2,…,Hn是神经网络的输入值,作为训练样本的输入元素,对应称重补偿方程中的输入向量H(ax(t),ay(t),az(t),α(t),β(t),γ(t),W(t),W(t-1),W(t-2))。Wj(j=1,2,…,n)为网络的连接权值,同时也对应于称重补偿方程中的待定系数C1,C2,…,Cn。Mi为所称物品重量值。网络中每个神经元均采用线性函数,因此函数连接型神经网络的输出为:
当Z(k)为第k步时Mi的估计值。Z(k)与Mi比较,得到第k步估计误差为:
ei(k)=Mi-Z(k) (2)
然后利用神经网络算法调节网络连接权值:
根据前步骤得到称重传感器和惯性测量单元的多组输入Hi和实际重量Mi构成的训练样本值(Hi,Mi),由式(2)计算误差ei(k),如果误差满足要求,则学习结束;否则继续,由式(3)修正Wj(k)调节权值返回称重补偿方程,直到误差ei(k)满足要求,学习结束,得到最终的权值Wj,最后把这些系数代入称重补偿方程,完成计算。
式(3)中的μ为神经网络的学习因子,其取值影响到迭代稳定性和收敛速度。为满足迭代稳定性和收敛速度的要求,将μ取值在学习开始阶段取一个较大的值,随着学习过程的深入逐渐减小。
步骤106,对采集到的数据进行动态补偿,计算出补偿后的重量值。
在进行完之前对相应的补偿系数的计算后,通过惯性测量模块所测量出的实时加速度值ax、ay、az与偏转角ψ,θ,γ,利用步骤103中提及的称重数据补偿方程,带入数据进行重量值的补偿。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第二实施方式涉及了一种结合惯性测量模块进行称重补偿的称重系统。如图2所示,包括:称重传感器201,惯性测量模块202,数据处理模块203,学习模块204,存储模块205,输出模块206。
称重传感器201,测量物体的重量,得到重量输出值;
惯性测量模块202,惯性测量模块202用于对称重传感器201所在机构(或系统)进行实时加速度ax、ay、az与偏转角ψ,θ,γ的测量;其中,ψ为绕Z轴旋转的偏航角,θ为绕Y轴旋转的俯仰角,γ为绕X轴旋转的翻滚角。
数据处理模块203,根据惯性测量模块202提供的实时加速度值与偏转角对重量输出值进行补偿,得到待测物体在运动状态下的真实重量;
数据处模块203设置有采样周期T,定期采集称重传感器201返回的称重数据,和惯性测量模块202返回的称重数据、加速度和角速度数据。
学习模块204,进行神经网络训练学习;
存储模块205,对相应数据进行存储;
输出模块206,将测量出的称重数据输出。
可选的,称重传感器201的输出电缆与数据处理模块203相连,惯性测量模块202可采用6自由度的ADIS16460芯片,其内置一个三轴陀螺仪和一个三轴加速度计,并同时集成在数据处理模块203的电路板上,ADIS16460芯片通过SPI(串行外设接口)直接和数据处理模块203通信。数据处理模块203是基于ARM开发的应用平台。
在本发明中,通过设置的惯性测量模块202来测量行进中的农机的实时加速度值与偏转角,通过称重数据补偿方程减少实时加速度与偏转角对最终称重结果造成的误差,提高了测量精度。
不难发现,本实施方式为与第一实施方式相对应的系统实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本发明第三实施方式涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现第一实施方式中的基于深度学习的服装图像自动分割机构。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关的工作人员完全可以在不偏离本发明的范围内,进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.一种结合惯性测量模块进行称重补偿的方法,其特征在于,包括:
S1,构建以结合惯性测量模块进行称重补偿的称重系统为基准的载体坐标系和以地表为基准的地理坐标系;
S2,将已知重量的物体加载在传感器上,采集得到n组连续的称重传感器的输出值W和惯性单元模块输出值(ax、ay、az,ψ,θ,γ)。
S3,根据采集到的数据计算得出α,β,γ;
S4,构建称重数据补偿方程;
S5,根据称重数据补偿方程建立函数连接型神经网络FLANN,构成训练样本集,对神经网络进行训练拟合后得到称重补偿方程的系数;
S6,改变物体的重量,重复S1~S5步骤。得到一系列称重补偿方程的系数,构建称重补偿方程组;
S7,实际使用时,称重传感器和惯性测量单元采集到数据,根据称重传感器采集的数据,确定选用的称重补偿方程系数,进行动态补偿,计算出补偿后的重量值。
3.根据权利要求1所述的一种结合惯性测量模块进行称重补偿的方法,其特征在于,所述S5中函数连接型神经网络FLANN的输入向量为:
H(ax(f),ay(t),az(t),α(t),β(t),γ(t),W(t),W(t-1),W(t-2));
所述样本训练集为(Hi,Mi),i=1,2…,n。
5.根据权利要求4所述的一种结合惯性测量模块进行称重补偿的方法,其特征在于,在实际连续性测试过程中,当t>2时,可将所述称重数据补偿方程中的W(t-1)替换为M(t-1),或W(t-2)替换为M(t-2),或全部替换。
6.一种结合惯性测量模块进行称重补偿的称重系统,其特征在于,包括:
称重传感器,测量物体的重量,得到重量输出值;
惯性测量模块,对称重系统当前的加速度与偏转角进行测量;
数据处理模块,根据加速度与偏转角对重量输出值进行补偿;
学习模块,进行神经网络训练学习;
存储模块,对相应数据进行存储;
输出模块,将测量出的称重数据输出。
7.根据权利要求6所述的一种结合惯性测量模块进行称重补偿的称重系统,其特征在于,所述惯性测量模块包括陀螺仪和加速度计。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的结合惯性测量模块进行称重补偿的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210087030.5A CN114485877B (zh) | 2022-01-25 | 2022-01-25 | 一种结合惯性测量模块进行称重补偿的称重系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210087030.5A CN114485877B (zh) | 2022-01-25 | 2022-01-25 | 一种结合惯性测量模块进行称重补偿的称重系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114485877A true CN114485877A (zh) | 2022-05-13 |
CN114485877B CN114485877B (zh) | 2023-09-05 |
Family
ID=81474522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210087030.5A Active CN114485877B (zh) | 2022-01-25 | 2022-01-25 | 一种结合惯性测量模块进行称重补偿的称重系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114485877B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114935390A (zh) * | 2022-05-17 | 2022-08-23 | 常州纺织服装职业技术学院 | 一种偏载误差补偿用称重测力传感器 |
CN117075568A (zh) * | 2023-10-18 | 2023-11-17 | 绵阳沃思测控技术有限公司 | 一种基于连续监测的配料控制系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5178226A (en) * | 1990-12-21 | 1993-01-12 | Allan Bowman | Load measuring system for refuse trucks |
EP0797081A2 (en) * | 1996-03-22 | 1997-09-24 | Yazaki Corporation | Automatic load measuring device |
CN1349198A (zh) * | 2001-12-04 | 2002-05-15 | 上海交通大学 | 基于结构的神经网络建模与优化方法 |
WO2005059488A1 (de) * | 2003-12-17 | 2005-06-30 | Hottinger Baldwin Messtechnik Gmbh | Wägezelle |
CN102141455A (zh) * | 2010-12-10 | 2011-08-03 | 北京航空航天大学 | 一种非介入式压力测量方法 |
CN102506983A (zh) * | 2011-10-31 | 2012-06-20 | 湖南师范大学 | 汽车衡称重误差自动补偿方法 |
US20120279787A1 (en) * | 2011-05-02 | 2012-11-08 | Uwe Huebler | Dynamic scale with multiple weighing pans, and method to operate the dynamic scale |
CN202853726U (zh) * | 2012-07-27 | 2013-04-03 | 中山佳维电子有限公司 | 一种可倾斜称重电子秤的控制系统 |
CN104111081A (zh) * | 2014-06-21 | 2014-10-22 | 浙江师范大学 | 一种传感器动态响应自适应补偿的实现电路 |
US20150096810A1 (en) * | 2013-10-03 | 2015-04-09 | Aisin Seiki Kabushiki Kaisha | Seat occupancy determination device and seat occupancy determination method |
CN105865607A (zh) * | 2016-04-28 | 2016-08-17 | 启东雷泰精密仪器有限公司 | 车载称重模块的动态称重修正方法 |
CN107314803A (zh) * | 2017-06-30 | 2017-11-03 | 汤建华 | 一种农机车载称重系统及其称重方法 |
CN107367319A (zh) * | 2017-02-28 | 2017-11-21 | 淮阴师范学院 | 电容称重传感器非线性补偿的小波神经网络方法 |
CN107741269A (zh) * | 2017-09-19 | 2018-02-27 | 江苏大学 | 一种基于模糊识别的称重传感器测试补偿方法 |
CN109238537A (zh) * | 2018-11-20 | 2019-01-18 | 常州纺织服装职业技术学院 | 旋转扭矩传感器 |
CN110470370A (zh) * | 2019-09-24 | 2019-11-19 | 江苏中宏讯达科技有限公司 | 一种车辆承载感知系统 |
CN112880788A (zh) * | 2021-04-06 | 2021-06-01 | 徐州工程学院 | 一种基于速度补偿的物流车辆动态称重系统及其方法 |
CN112945225A (zh) * | 2021-01-19 | 2021-06-11 | 西安理工大学 | 基于扩展卡尔曼滤波的姿态解算系统及解算方法 |
CN113280813A (zh) * | 2021-05-31 | 2021-08-20 | 智道网联科技(北京)有限公司 | 基于神经网络模型的惯性测量数据补偿方法及装置 |
-
2022
- 2022-01-25 CN CN202210087030.5A patent/CN114485877B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5178226A (en) * | 1990-12-21 | 1993-01-12 | Allan Bowman | Load measuring system for refuse trucks |
EP0797081A2 (en) * | 1996-03-22 | 1997-09-24 | Yazaki Corporation | Automatic load measuring device |
CN1349198A (zh) * | 2001-12-04 | 2002-05-15 | 上海交通大学 | 基于结构的神经网络建模与优化方法 |
WO2005059488A1 (de) * | 2003-12-17 | 2005-06-30 | Hottinger Baldwin Messtechnik Gmbh | Wägezelle |
CN102141455A (zh) * | 2010-12-10 | 2011-08-03 | 北京航空航天大学 | 一种非介入式压力测量方法 |
US20120279787A1 (en) * | 2011-05-02 | 2012-11-08 | Uwe Huebler | Dynamic scale with multiple weighing pans, and method to operate the dynamic scale |
CN102506983A (zh) * | 2011-10-31 | 2012-06-20 | 湖南师范大学 | 汽车衡称重误差自动补偿方法 |
CN202853726U (zh) * | 2012-07-27 | 2013-04-03 | 中山佳维电子有限公司 | 一种可倾斜称重电子秤的控制系统 |
US20150096810A1 (en) * | 2013-10-03 | 2015-04-09 | Aisin Seiki Kabushiki Kaisha | Seat occupancy determination device and seat occupancy determination method |
CN104111081A (zh) * | 2014-06-21 | 2014-10-22 | 浙江师范大学 | 一种传感器动态响应自适应补偿的实现电路 |
CN105865607A (zh) * | 2016-04-28 | 2016-08-17 | 启东雷泰精密仪器有限公司 | 车载称重模块的动态称重修正方法 |
CN107367319A (zh) * | 2017-02-28 | 2017-11-21 | 淮阴师范学院 | 电容称重传感器非线性补偿的小波神经网络方法 |
CN107314803A (zh) * | 2017-06-30 | 2017-11-03 | 汤建华 | 一种农机车载称重系统及其称重方法 |
CN107741269A (zh) * | 2017-09-19 | 2018-02-27 | 江苏大学 | 一种基于模糊识别的称重传感器测试补偿方法 |
CN109238537A (zh) * | 2018-11-20 | 2019-01-18 | 常州纺织服装职业技术学院 | 旋转扭矩传感器 |
CN110470370A (zh) * | 2019-09-24 | 2019-11-19 | 江苏中宏讯达科技有限公司 | 一种车辆承载感知系统 |
CN112945225A (zh) * | 2021-01-19 | 2021-06-11 | 西安理工大学 | 基于扩展卡尔曼滤波的姿态解算系统及解算方法 |
CN112880788A (zh) * | 2021-04-06 | 2021-06-01 | 徐州工程学院 | 一种基于速度补偿的物流车辆动态称重系统及其方法 |
CN113280813A (zh) * | 2021-05-31 | 2021-08-20 | 智道网联科技(北京)有限公司 | 基于神经网络模型的惯性测量数据补偿方法及装置 |
Non-Patent Citations (2)
Title |
---|
"《基于FLANN的动态称重法》" * |
"《基于FLANN的称重传感器动态补偿方法》", pages 2 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114935390A (zh) * | 2022-05-17 | 2022-08-23 | 常州纺织服装职业技术学院 | 一种偏载误差补偿用称重测力传感器 |
CN114935390B (zh) * | 2022-05-17 | 2023-08-08 | 常州纺织服装职业技术学院 | 一种偏载误差补偿用称重测力传感器 |
CN117075568A (zh) * | 2023-10-18 | 2023-11-17 | 绵阳沃思测控技术有限公司 | 一种基于连续监测的配料控制系统 |
CN117075568B (zh) * | 2023-10-18 | 2024-01-05 | 绵阳沃思测控技术有限公司 | 一种基于连续监测的配料控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114485877B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114485877A (zh) | 一种结合惯性测量模块进行称重补偿的称重系统和方法 | |
CN111156987A (zh) | 基于残差补偿多速率ckf的惯性/天文组合导航方法 | |
CN112720483B (zh) | 合质心状态获取方法、装置、仿人机器人和可读存储介质 | |
CN107941217A (zh) | 一种机器人定位方法、电子设备、存储介质、装置 | |
CN109682377A (zh) | 一种基于动态步长梯度下降的姿态估计方法 | |
CN109813308A (zh) | 姿态估计方法、装置及计算机可读存储介质 | |
CN112945225A (zh) | 基于扩展卡尔曼滤波的姿态解算系统及解算方法 | |
CN110068326B (zh) | 姿态计算方法、装置、电子设备以及存储介质 | |
CN111121938A (zh) | 一种实时监测车辆载重的方法、终端设备及计算机可读存储介质 | |
CN113291493B (zh) | 一种卫星多敏感器融合姿态确定方法和系统 | |
CN109855623B (zh) | 基于Legendre多项式和BP神经网络的地磁模型在线逼近方法 | |
CN116147624B (zh) | 一种基于低成本mems航姿参考系统的船舶运动姿态解算方法 | |
CN115451952B (zh) | 一种故障检测及抗差自适应滤波的多系统组合导航方法和装置 | |
JP3172689B2 (ja) | ストラップダウン慣性航法装置で使用するためのコーニング補償の方法、ならびに、そのための装置およびデジタルプロセッサ | |
CN113175926B (zh) | 一种基于运动状态监测的自适应水平姿态测量方法 | |
CN111932637B (zh) | 一种车身相机外参自适应标定方法和装置 | |
CN112363196B (zh) | 车辆属性确定方法、装置、存储介质和电子设备 | |
CN111553954B (zh) | 一种基于直接法单目slam的在线光度标定方法 | |
CN112305473A (zh) | 三轴tmr传感器的校准方法 | |
CN115906641A (zh) | 一种基于深度学习的imu陀螺仪随机误差补偿方法及装置 | |
CN114741659B (zh) | 一种自适应模型在线重构建鲁棒滤波方法、设备及系统 | |
CN110530400A (zh) | 陀螺仪漂移修正方法、装置、光电吊舱及飞行器 | |
CN116026325A (zh) | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 | |
CN114577318A (zh) | 一种车载称重模块及其传感方法 | |
CN113188540A (zh) | 基于恒星数目和构型的惯性/天文自适应滤波方法 |
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 |