CN115824282B - 一种适用于多种传感器分辨力检测的计算方法和设备 - Google Patents
一种适用于多种传感器分辨力检测的计算方法和设备 Download PDFInfo
- Publication number
- CN115824282B CN115824282B CN202211027223.8A CN202211027223A CN115824282B CN 115824282 B CN115824282 B CN 115824282B CN 202211027223 A CN202211027223 A CN 202211027223A CN 115824282 B CN115824282 B CN 115824282B
- Authority
- CN
- China
- Prior art keywords
- sequence
- resolution
- value
- difference
- classification value
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- BJQHLKABXJIVAM-UHFFFAOYSA-N bis(2-ethylhexyl) phthalate Chemical compound CCCCC(CC)COC(=O)C1=CC=CC=C1C(=O)OCC(CC)CCCC BJQHLKABXJIVAM-UHFFFAOYSA-N 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种适用于多种传感器分辨力检测的计算方法和设备,该方法包括:利用待检测传感器在常规条件下连续监测形成的测量示值作为数据样本,计算分类值序列及分类值频次序列;基于所述分类值序列计算环比序列、环差序列;基于所述环比序列、环差序列,计算环倍序列;基于所述环差序列、环比序列、环倍序列,计算出台阶序列;基于分类值序列及台阶序列计算组合阶间差序列;基于组合阶间差序列、分类值序列和分类值频次序列计算类分辨力状态序列及其次数序列;基于类分辨力状态序列及其次数序列辨识传感器分辨力;并决定输出检测结果,该方法和设备进一步降低了对于数据样本质量的要求,提高了检测工作的效率,减少了检测的成本。
Description
技术领域
本申请涉及传感器领域,更具体地,涉及传感器分辨力的检测方法和设备。
背景技术
分辨力(resolution),在《ISO GUIDE 99-2007-国际计量学词汇基本和通用概念及相关术语》中的定义是“被测量的最小变化,引起相应测量值的明显变化。”分辨力是各种传感器基础性的计量性能,是保证测量系统灵敏度和准确度的前提。
传感器分辨力的检定依赖于传感器分辨力的检测技术。传感器分辨力的数据测量和数据计算是传感器分辨力检测技术研究的两个重要环节。在数据测量方面:为了能够测量出被测量的微小变化,需要能产生被测量的实验室环境条件和能控制被测量微小变化的精密设备,更需要使用分辨力明显高于被测传感器的标准仪器。一般要求,检定仪器的总体不确定度(基本不确定度)应低于被检测传感器分辨力总体不确定度(基本不确定度)的1/3。与传感器分辨力检测相关的专利的主要发明方向是研究具有更高的分辨力的检测仪器或者标准比较物质。例如专利《光电测距仪的分辨力校准装置201720576026.X》和《EBCMOS分辨力参数的测量装置CN202011544510.7》;还有Solecki Michal等人发明的《一种新的自动质量比较器》,分辨力高达10纳克,以便用于校准2毫克以下的质量。刘俊杰等人研究了液体颗粒计数器分辨力的检定方法,分析了国内外4个检定标准,提出了改进液体颗粒计数器检定规程中分辨力检定方法的思路,但是被测量测量示值的取得,依然是需要为被检定仪器精心制备10μm的单分散粒度标准物质的液体。所以,这就导致了传统的分辨力检测具有较高的经济成本和时间成本;
在数据计算方面:因为测量成本的限制,测量的数据样本多为小样本,数据分析方法比较简单。传感器的分辨力检测的计算方法,在国内外的技术标准中都有所提及,例如在国际电工委员会(IEC)的国际标准《Methods for Calculating the Main StaticPerformance Indicators of Transducers and TransmittersIEC TR 62967:2018》中,在中华人民共和国国家标准《传感器主要静态性能指标计算方法GB/T 18459:2001》中,都规定了类似的计算方法,分辨力的测量模型是:
Rx=max|Δxi,min|(F1)
在(F1)中,Δxi,min为在第i个测量点上能产生可观测输出变化的最小输入变化量;max|Δxi,min|为在整个量程内取最大的Δxi,min,即传感器在整个量程内都能产生可观测输出变化的最小输入变化。显然,对于第i个测量点而言,Δxi,min是从多次重复测量的微小变化量Δxi,j中比较选择出来的。GB/T 18459:2001规定,校准点3~11个即重复测量3~11次,一般为3~5次,并规定校准循环3~5次,可见数据样本的单元个数在9~55之间。采用小样本数据与数据测量环节的经济和时间成本的限制有关。
崔文顺等人申请已受理的发明专利《一种连续变化型被测量传感器分辨力的检测方法申请号:202111275336.5》,公开了传感器分辨力检测的一个新的技术及其研究方向。该技术一是利用被测传感器在日常工作条件下连续监测采集的测量示值作为检测样本数据,降低了传统检测方法对于数据测量环节的严苛要求;二是定义了步进值是相邻示值之差的绝对值,提出了步进值是分辨力与一个自然数的乘积,建立了新的分辨力测量模型:
Re=|ΔY-ζ|/X (F2)
在式(F2)中,Re是分辨力,ΔY是步进值因变量,是连续获得的测量示值前后的向后一阶差分的绝对值,X是自变量为自然数,ζ是随机误差项;
三是利用分辨力本身与各个随机误差影响后的类分辨力状态在步进值序列中出现概率的差别,计算出了分辨力的点估计值,并进行了分辨力与各类分辨力之间差异显著性的统计检验;
但是,该技术对于原始数据的质量也设定了一些约束条件,约束条件之一是:原始数据样本数据个数应≥50个;约束条件之二是:步进值序列中0步进值的比例,应该在5%-95%范围之内;约束条件之三是:分类值的个数不能太小;还有一个隐含的强约束条件是:传感器分辨力的值必须是分类值数列的成员,如果分类值数列中没有出现该传感器分辨力的值,则不会输出正确的检测结果。这些约束条件限制了该方法的应用范围。
本发明在崔文顺等人发明专利申请的基础上,从研究分类值的“台阶”现象入手,提出了从分类值序列的全体成员中挖掘传感器分辨力信息的统计方法,构造出全新的类分辨力状态序列,从而解除了上述约束条件,促进了该类检测技术的进步。
发明内容
本发明提供一种适用于多种传感器分辨力检测的计算方法,用以解决已有技术对于数据样本质量要求过高的问题。
该方法包括:
基于数据样本计算出分类值序列及分类值频次序列,所述数据样本为通过待检测传感器在常规条件下按照时间顺序连续监测形成的测量示值;
基于所述分类值序列依次获取环差序列、环比序列、环倍序列;
基于所述环差序列、所述环比序列及所述环倍序列获取台阶序列;
基于所述台阶序列和所述分类值序列获取组合阶间差序列;
基于所述组合阶间差序列、分类值序列及所述频次序列构建类分辨力状态序列及其次数序列;
基于所述类分辨力状态序列、所述次数序列、分类值序列、所述频次序列确定所述传感器的分辨力点估计值;
基于所述分类值序列、所述频次序列、所述环差序列确定所述传感器分辨力及数据样本质量指标,并基于所述传感器分辨力及数据样本质量指标决定输出检测结果。
在本申请一些实施例中,基于所述分类值序列依次计算出环差序列、环比序列、环倍序列,具体为:
将分类值序列记为CY,CY由m+1个不重复的步进值按升序排列组成,记作cyi;将环差序列记作DS,成员记作dsi,将环比序列记作SC,成员记作sci,将环倍序列记作CM,成员记作cmi。
CY=cy0,cy1,...,cyi,...,cym
dsi=cyi-cyi-1i=1,2,...,m
sci=cyi/cyi-1i=2,3,...,m
cmi=INT(1/(sci-1)+1.5)i=2,3,...,m
其中,cy0=0称0分类值,其余m个分类值均大于0,统称非0分类值;INT()为求整函数。
在本申请一些实施例中,基于所述分类值序列依次获取环差序列、环比序列、环倍序列,具体通过如下公式确定:
CY=cy0,cy1,...,cyi,...,cym;
dsi=cyi-cyi-1i=1,2,...,m;
sci=cyi/cyi-1i=2,3,...,m;
cmi=INT(1/(sci-1)+1.5),i=2,3,...,m;
其中,将分类值序列记为CY,CY由m+1个不重复的步进值按升序排列组成,记作cyi;将环差序列记作DS,成员记作dsi,将环比序列记作SC,成员记作sci,将环倍序列记作CM,成员记作cmi,cy0=0称0分类值,其余m个分类值均大于0,统称非0分类值;INT()为求整函数。
在本申请一些实施例中,基于所述环差序列、所述环比序列及所述环倍序列获取台阶序列,具体为:
步骤1:将台阶序列用SM表示,台阶序列成员用smi表示,台阶序列的序号与分类值序列的序号相同,i=0,1,2,...,m,令sm0=0;
步骤2:从i=1开始向i=m方向,依次在环倍序列里寻找数值<i+2的环倍,将找到的环倍记为cmk,其序号标记为k;
步骤3:令smk=cmk,令smk-1到sm1=cmk-1,令台阶高度参考值SHRV=dsk;
步骤4:对于i=k+1,k+2,...,m,依次将cmi与smi-1进行比较:
如果cmi=smi-1+1:则smi=cmi,且更新SHRV=dsi;
如果cmi>smi-1+1且cmi≤i+1:则smi=cmi;
如果cmi>smi-1+1且cmi>i+1:则smi=smi-1;
如果cmi=smi-1:则smi=smi-1;
如果cmi<smi-1:则smi=INT(sci/SHRV+0.5);
步骤5:将i循环到m,可得到台阶序列SM:
SM=sm0,sm1,...,smi,...,smm
在SM中,如果smi=smi+1,则可知smi与smi+1为同一台阶的成员;
步骤6:统计台阶序列SM中不同的台阶值的个数,从0开始编制台阶的序号,记作台阶序号序列:
SN=sn0,sn1,sn2,...,snw
其中,w为0值台阶的个数,w≤m,s≤smm+1;第0个台阶sn0的成员
smi的值均为0。
在本申请一些实施例中,基于所述台阶序列和所述分类值序列获取组合阶间差序列,具体为:
步骤1:第0个台阶sn0的成员不参加组合阶间差的计算;
步骤2:第1个台阶sn1对应的环差全部列入组合阶间差序列;
步骤3:其余w-1个台阶按照如下规则计算组合阶间差:
令第h个台阶内的分类值个数为nsh,令第h-1个台阶内的分类值个数为nsh-1,用第h个台阶内的分类值cyj分别做被减数,用第h-1个台阶内的分类值cyk分别做减数,计算出差值的绝对值,作为组合阶间差csdj,k:
csdj,k=|cyj-cyk|j=1,2,...,nsh;k=1,2,...,nsh-1;
可得到nsh·nsh-1个组合阶间差csdj,k。
步骤4:仿照步骤5.3,令h=2,3,...,w,依次计算出全部台阶的组合阶间差csdj,k,将SHRV也记作一个csdj,k,剔除重复的csdj,k和其值为0的csdj,k;再按照升序排列,可以得到一个数值不重复的组合阶间差序列CSD,包括mw个组合阶间差:
CSD=csd1,csd2,csd3,...,csdj,...,csdmw。
在本申请一些实施例中,基于所述传感器分辨力及数据样本质量指标决定输出检测结果,具体为:
步骤1:计算所述分辨力点估计值Re’的重复性测量不确定度,先计算样本标准差s:
其中,∑m i=1()是求和运算符号;cyi是所述分类值;fi是cyi对应的频次,n是分类值频次的总和,f0是0分类值的频次;
再计算所述分辨力点估计值Re’的重复性测量不确定度:
uA(Re)=s/(n-f0)1/2
步骤2:判断所述数据样本的台阶类型:
步骤2.1:用分辨力预估值Re’作为分母,用分类值序列的非0分类值成员cyi作为分子,遍历所有的非0分类值cyi,计算各个cyi/Re’的商和余数;
步骤2.2:判断cyi/Re’的商和余数:
若各个cyi/Re’的余数皆为0,则该数据样本的台阶类型为分辨力确定型;
若所有余数不皆为0,且有任何一若所有余数不皆为0,且没有任何cyi/Re’的商>0.2并且cyi/Re’<0.8,则该数据样本的台阶类型为分辨力随机型;
若各个cyi/判断cyi/Re’的商和余数:Re’的商>0.2并且cyi/Re’<0.8,则该数据样本的台阶类型为分辨力未知型;
步骤3:类分辨力次数的差异显著性检验:在排除Re’和re0的类分辨力状态中,找到次数最大的次大类分辨力Res。用所述分辨力点估计值Re’的次数与次大分辨力Res的次数做差异显著性统计检验,判断差异显著与否;
步骤4:计算0分类值频次的百分比、Re’次数的百分比、平均重复次数:
0分类值频次的百分比=0分类值的频次/n·100
Re’的次数%=Re’的次数/(n-f0)·100
平均重复次数=(n-f0)/m
步骤5:对于分辨力点估计值及数据样本质量做出评价,决定输出检测结果:
如果所述数据样本的台阶类型为分辨力确定型或者分辨力随机型,则输出检测结果;
如果所述数据样本的台阶类型为分辨力确定型或者分辨力随机型,而且所述差异不显著,则提示“数据样本的数据太少,建议补充数据,重新计算”;
如果所述数据样本的台阶类型为分辨力未知型,而且所述差异显著,则提示“数据样本的数据太少,建议补充数据,重新计算”;
如果所述数据样本的台阶类型为分辨力未知型,而且所述差异不显著,且平均重复次数太少,则提示“数据样本的数据太少,且被测量的变化缺少重复,建议增加采集被测量重复变化较多的数据,重新计算”;
如果所述数据样本的台阶类型为分辨力未知型,而且所述差异不显著,且平均重复次数较多,且0分类值频次的百分比<5%,则提示“数据样本的数据较少,且相对于被测量变化的速度采集数据的时间间隔太大,建议缩小时间间隔或调整采集时段,更新数据后重新计算”;
如果所述数据样本的台阶类型为分辨力未知型,而且所述差异不显著,且平均重复次数较多,且0分类值频次的百分比≥5%,则提示“数据样本的较少,建议补充新数据,重新计算”。
相应的,本发明还提出了一种适用于多种传感器的分辨力的计算设备,所述设备包括:
采集数据模块,用于获取所述传感器按照时间顺序采集的监测数据,组成检测传感器分辨力的原始数据样本;
预处理模块,用于基于所述原始数据样本构建步进值时间数列,基于所述步进值时间数列确定分类值,并基于所述分类值生成分类值序列、分类值频次序列;
统计模块,用于基于所述分类值序列依次获取环差序列、环比序列、环倍序列;基于所述环差序列、所述环比序列及所述环倍序列获取台阶序列;基于所述台阶序列和所述分类值序列获取组合阶间差序列;基于所述组合阶间差序列、分类值序列及所述频次序列构建类分辨力状态序列及其次数序列;
辨识模块,基于所述类分辨力状态序列及次数序列辨识传感器分辨力;
评价模块,判别数据样本的台阶类型,计算分辨力的重复性测量的不确定度,计算类分辨力次数的差异显著性,数据样本平均重复次数等参数,评价所述传感器分辨力估计值和所述数据样本的质量,输出检测结果或者提示继续采集数据重新计算。
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示出了本发明实施例提出的一种适用于多种传感器的分辨力计算方法的总流程示意图;
图2示出了本发明实施例提出的一种步进值时间数列、分类值序列、分类值频次序列生成方法的流程示意图;
图3示出了本发明实施例中提出的分类值序列“台阶”现象与分型示意图;
图4示出了本发明实施例中提出的一种统计环差序列、环比序列、环倍序列的流程示意图;
图5示出了本发明实施例中提出分辨力确定型的环差序列、环比序列、环倍序列曲线特征示意图;
图6示出了本发明实施例中提出分辨力随机型的环差序列、环比序列、环倍序列曲线特征示意图,因为环倍序列中数值相差巨大,所以用环倍的常用对数序列代替;
图7示出了本发明实施例中提出分辨力未知型的环差序列、环比序列、环倍序列曲线特征示意图;
图8示出了本发明实施例中提出的一种计算台阶序列和台阶序号序列的流程示意图;
图9示出了本发明实施例中提出的一种统计组合阶间差的流程示意图;
图10示出了本发明实施例中提出的一种组建传感器类分辨力状态序列及次数序列的流程示意图;
图11示出了本发明实施例中提出的一种评价传感器分辨力点估计值和数据样本的质量的流程示意图;
图12示出了本发明实施例中提出的一种计算传感器分辨力估计值和数据样本质量指标的流程示意图;
图13示出了本发明实施例中提出的一种判断传感器分辨力估计值和数据样本质量,决定输出检测结果或者重新计算的流程示意图;
图14示出了本发明实施例提出的一种适用于多种传感器分辨力的计算设备的结构示意图。
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,都属于本申请保护的范围。
本申请实施例提供一种适用于多种传感器分辨力检测的计算方法,如图1所示,包括以下步骤:
步骤S1,采集传感器的监测数据。获取所述传感器采集的监测数据,并基于所述监测数据获取原始数据样本,所述原始数据样本具体包括一个初始监测数据及多个后续持续监测得到的数据。
本实施例中,计算用的原始数据样本采集自按照时间顺序、连续工作的被测量传感器运行时得到的监测数据,测量系统的传感器的运行可以是在实验室条件下,也可以是在生产现场环境条件下,原始数据样本可以是实时采集的也可以是历史留存的;
原始数据样本Y由1个初始监测数据及后按照时间顺序续持续监测得到的n个数据组成,采样的时间间隔不一定都相等,但是要求尽量小,以便尽量多的记录被测量的微小变化,数据按产生时间的先后顺序排列,时间晚的数据排列在后面,原始数据样本的总个数为n+1个,一个待检测的样本的数据量越大越好。原始数据样本Y,可记为:
Y=y0,y1,...,yi,...,yn(F01)
步骤S2,基于所述原始数据样本计算分类值序列和分类值频次序列,如图2所示。
先述原始数据样本计算步进值时间数列,具体为:
Δyi=|yi-yi-1|i=1,2,...,n(F02)
ΔY=Δy1,Δy2,...,Δyi,...,Δyn (F03)
其中,yi是原始数据样本Y中第i个被测量的示值,yi-1是原始数据样本中第i-1个的被测量的示值,|yi-yi-1|是计算yi减去yi-1的差的绝对值,n为步进值时间数列ΔY的数据总个数,且步进值时间数列ΔY的数据总个数比原始数据样本数列的数据总个数少1。
再基于步进值时间数列计算分类值序列和分类值频次序列,具体为:
遍历所述步进值时间数列,将各不相同的步进值作为分类值,并按照生序将所述分类值依次排列为所述分类值序列;
遍历所述分类值数列,统计所述分类值序列中各个所述步进值出现的次数,并将所述出现的次数作为各分类值的频次,并基于所述各分类值的频次生成所述分类值频次序列;
所述分类值序列记为:
CY=cy0,cy1,...,cyi,...,cym(F04)
在(F04)式中,i为分类值的序号,dyi<dyi+1,m+1为分类值的个数,在分类值序列CY中数值为0的分类值称0分类值即cy0,所述0分类值以外的其余分类值统称非0分类值。需要进一步说明的是,如果在步进值时间数列中不包含0分类值,在分类值序列CY中的第1个成员还是要作0分类值,对应的频次值记作0;
所述分类值频次序列记为:
F=f0,f1,...,fi,...,fm(F05)
在(F05)式中,fi为分类值数列中第i个分类值cyi在步进值时间数列中重复出现的频次,i为分类值频次的序号,与分类值的序号严格地一一对应。
分类值序列是按照数值由小到大排列的数值序列,本发明研究表明,传感器的分辨力“隐式”地存在与分类值序列中,其表象是分类值序列的“台阶”现象,这是本发明思路的重要来源。如图3所示,其中B型(二氧化碳)分类值序列曲线就是“台阶”现象在分类值序列曲线上的最典型特征,可称为分辨力随机型。传感器的分辨力受到了随机因素的明显影响,会产生一组类分辨力(即分辨力+随机误差)值,体现在分类值序列曲线上就会形成一级“台阶”,分类值序列随着自变量X的增大和随机因素对于分辨力的影响,就会形成多级的“台阶”,两级“台阶”的差值成为阶间差,约等于一个分辨力。
但不是所有的分类值序列都具有这种典型特征,例如图3中的A型(气温)分类值序列曲线,显示为一条上斜直线,可称为分辨力确定型,因为其分辨力没有受到随机因素的影响。再如图3中的C型(气湿)分类值序列曲线,显示为一条不规则的折线,可称为分辨力未知型,因为这种类型的数据样本质量不佳,不能确认属于分辨力确定型还是分辨力随机型。实际上很多分类值序列的台阶分型远非如此简单明了,还需要借助后续的计算。
步骤S3,基于所述分类值生成分类值数列,统计环差序列、环比序列、环倍序列,参考图4,在本申请的一些实施例中,具体为:
将环差序列记作DS,成员记作dsi,将环比序列记作SC,成员记作sci,将环倍序列记作CM,成员记作cmi。
环差是分类值序列中第i个分类值cyi与第i-1个分类值的差,如下式:
dsi=cyi-cyi-1i=1,2,...,m (F06)
环比是分类值序列中第i个分类值cyi与第i-1个分类值的比值,如下式:
sci=cyi/cyi-1i=2,3,...,m (F07)
环倍是分类值cyi与环差dsi比的圆整值,需要环比换算,如下式:
cmi=INT(1/(sci-1)+1+0.5)i=2,3,...,m (F08)
其中,INT()为求整函数;DS有m个成员,SC和CM有m-1个成员。
环差序列、环比序列、环倍序列的序号与分类值序列的序号严格对应。如图5、图6、图7所示,这三种序列从不同角度细致刻画了分类值序列三种台阶类型的典型特征。从图5、图6、图7还可以看到,如果把这些曲线划分为3段,那么在1/3和2/3段台阶的特征比较明显,而最后3/3段信息比较凌乱、曲线的台阶特征不明显。总之,环差序列、环比序列、环倍序列将为进一步划分一个分类值序列的各个台阶奠定基础。
步骤S4,基于所述环差序列、环比序列、环倍序列,计算出台阶序列,,参考图8,在本申请的一些实施例中,具体为:
步骤S41:将台阶序列用SM表示,台阶序列成员用smi表示,台阶序列的序号与分类值序列的序号相同,i=0,1,2,...,m;令sm0=0;
步骤S42:从i=1开始向i=m方向,依次在环倍序列里寻找数值<i+2的环倍,将找到的环倍记为cmk,其序号标记为k。
步骤S43:令smk=cmk,令smk-1到sm1=cmk-1,令台阶高度参考值SHRV=dsk;
步骤S44:对于i=k+1,k+2,...,m,依次将cmi与smi-1进行比较:
如果cmi=smi-1+1:则smi=cmi,且更新SHRV=dsi;
如果cmi>smi-1+1且cmi≤i+1:则smi=cmi;
如果cmi>smi-1+1且cmi>i+1:则smi=smi-1;
如果cmi=smi-1:则smi=smi-1;
如果cmi<smi-1:则smi=INT(sci/SHRV+0.5);
步骤S45:将i循环到m,可得到台阶序列SM:
SM=sm0,sm1,...,smi,...,smm (F09)
在SM中,其成员有m+1个,如果smi=smi+1,则可知smi与smi+1为同一台阶的成员。
步骤S46:为了表述的方便,统计台阶序列SM中不同的台阶值的个数,从0开始编制台阶的序号,记作台阶序号序列:
SN=sn0,sn1,sn2,...,snw(F10)
其中,w为0值台阶的个数,w≤m,s≤smm+1;第0个台阶sn0的成员smi的值均为0。
需要说明的是,因为分类值cyi=自变量xi乘以分辨力Re+随机误差项ξ,所以分类值序列真正的台阶序列是:
X=x0,x1,…,xi,…,xm (F11)
(F09)在计算出分辨力Re之前是无法得到的,所以台阶序列SM并不严格等于X,但是SM可以由直接计算得到,并能够划分出分类值序列的台阶,这对于计算分辨力Re具有极大帮助。
步骤S5,基于所述台阶序列和分类值序列计算出组合阶间差序列,参考图9,在本申请的一些实施例中,具体为:
步骤S51:第0个台阶sn0的成员不参加组合阶间差的计算;
步骤S52:第1个台阶sn1对应的环差全部列入组合阶间差序列;
步骤S53:其余w-1个台阶按照如下规则计算组合阶间差:
令第h个台阶内的分类值个数为nsh,令第h-1个台阶内的分类值个数为nsh-1,用第h个台阶内的分类值cyj分别做被减数,用第h-1个台阶内的分类值cyk分别做减数,计算出差值的绝对值,作为组合阶间差csdj,k:
csdj,k=|cyj-cyk|j=1,2,...,nsh;k=1,2,...,nsh-1 (F12)
可得到nsh·nsh-1个组合阶间差csdj,k。
步骤S54:仿照步骤S53,令h=2,3,...,w,依次计算出全部台阶的组合阶间差csdj,k,将SHRV也记作一个csdj,k;
步骤S55:剔除重复的csdj,k和其值为0的csdj,k;再按照升序排列,可以得到一个数值不重复的组合阶间差序列CSD,包括mw个组合阶间差csdj:
CSD=csd1,csd2,csd3,...,csdj,...,csdmw(F13)
类分辨力是指传感器分辨力Re受到不同随机误差影响后形成的分辨力Re的变形值rek,是分辨力Re与随机误差的代数和,当随机误差的影响为0时分辨力Re也是一个类分辨力。本方案的目标就是找到各种类分辨力,从中辨识出分辨力本身Re。在组合阶间差序列CSD中,即包括了一级台阶中的分辨力Re及其他类分辨力,还包括了存在于各个台阶中的类分辨力。
步骤S6:基于所述组合阶间差序列、分类值序列及其频次序列,构建类分辨力状态序列及其次数序列,参考图10,在本申请的一些实施例中,具体为:
步骤S61:用组合阶间差序列的成员csdj作为分母,对应的次数记为ftj,令ftj的初始值=0;
步骤S62:用分类值序列的非0分类值cyi作为分子,计算分数cyi/csdj的余数remi,j;
步骤S63:如果remi,j=0,则将该组合阶间差csdj标记为类分辨力状态rej;将该分类值cyi的频次fi累加到该类分辨力状态rej对应的次数ftj上,并将该分子cyi标记为“已用”;
如果该分子此前已经被记过“已用”则不能参加本步骤的计算;
步骤S64:依次将所有的组合阶间差序列的成员计算一遍,可得到若干个类分辨力状态rej及对应的次数ftj;
步骤S65:检查分类值序列中的非0分类值,找出所有没有被标记为“已用”的分子cyi,分别记作类分辨力状态rek,cyi对应的频次记作次数ftk;
步骤S66:将各个rej与rek放到一起,合并重复的成员及对应的次数;将0分类值记为re0,将第0个台阶sn0内所有的分类值的频次合计后记为次数ft0,与re0对应,得到类分辨力状态序列;与各个rei对应的次数fti组成次数序列。
类分辨力状态序列记为RE:
RE=re0,re1,re2,...,rek,...,req (F14)
与类分辨力状态序列相对应的类分辨力状态的次数序列记为T:
FT=ft0,ft1,...,ftk,...,ftq (F15)
在(F14)、(F15)中,q是非0类分辨力的个数,FT的总个数=n。
步骤S7:基于类分辨力状态序列及其次数序列辨识传感器分辨力,具体为;
从所述数据样本对应的类分辨力状态的次数序列中,找到数值最大的次数,其序号记作max,该次数记作ftmax;
从所述数据样本对应的类分辨力状态序列中,找到序号=max的类分辨力状态,该类分辨力状态值即为所述传感器分辨力Re的点估计值,记作Re’;
步骤S8:对于所述传感器分辨力点估计值和所述数据样本的质量进行评价,如图11,在本申请的一些实施例中,具体指标方法为:
步骤S81:计算所述分辨力点估计值Re’的重复性测量不确定度:
先仿照仿照贝塞尔公式计算样本标准差s:
在(F16)中,∑m i=1()是求和运算符号;cyi是所述分类值;fi是cyi对应的频次,n是分类值频次的总和,f0是0分类值的频次;INT(cyi/Re’+0.5)是自变量xi的估计值;
再计算所述分辨力点估计值Re’的重复性测量不确定度:
uA(Re)=s/(n-f0)1/2
步骤S82:判断所述数据样本的台阶类型,参考图12:
步骤S821:用分辨力预估值Re’作为分母,用分类值序列的非0分类值成员cyi作为分子,遍历所有的非0分类值cyi,计算各个cyi/Re’的商和余数;
步骤S822:判断cyi/Re’的商和余数:
若各个cyi/Re’的余数皆为0,则该数据样本的台阶类型为分辨力确定型;
若所有余数不皆为0,且有任何一若所有余数不皆为0,且没有任何cyi/Re’的商>0.2并且cyi/Re’<0.8,则该数据样本的台阶类型为分辨力随机型;
若各个cyi/判断cyi/Re’的商和余数:Re’的商>0.2并且cyi/Re’<0.8,则该数据样本的台阶类型为分辨力未知型;
该方法中对于cyi/Re’的商的判别提供了参考范围0.2~0.8,主要是为了检查cyi/Re’的商是否在0.5附近,在实际检测中,可以根据具体传感器的经验总结和曲线图的直观分析适当缩小这个范围。
步骤S83:类分辨力次数的差异显著性检验:在排除Re’和re0的类分辨力状态中,找到次数最大的次大类分辨力Res。用所述分辨力点估计值Re’的次数与次大分辨力Res的次数做差异显著性统计检验,判断差异显著与否;统计检验可采用带矫正系数的卡方公式计算。
步骤S84:计算0分类值频次的百分比、Re’次数的百分比、平均重复次数:
0分类值频次的百分比=0分类值的频次/n·100
Re’的次数%=Re’的次数/(n-f0)·100
平均重复次数=(n-f0)/m
步骤S9:基于所述传感器分辨力、数据样本质量的评价指标判断输出检测结果或者重新计算,如图13,在本申请的一些实施例中,具体为:
步骤S91:如果所述数据样本的台阶类型为分辨力确定型或者分辨力随机型,转步骤S92;如果所述数据样本的台阶类型为分辨力未知型,转步骤S95;
步骤S92:如果所述差异显著,则转步骤S93;如果所述差异不显著,则转步骤S94;
步骤S93:输出检测结果,本次检测结束;
步骤S94:提示“数据样本的数据太少,建议补充数据,重新计算”,本检测结束;
步骤S95:如果所述差异显著,则转步骤S94;如果所述差异不显著,转步骤S96;
步骤S96:如果平均重复次数太少,则转步骤S97;
步骤S97:提示“数据样本的数据太少,且被测量的变化缺少重复,建议增加采集被测量重复变化较多的数据,重新计算”,本检测结束;
步骤S98:如果0分类值频次的百分比太小,则转步骤S99;如果0分类值频次的百分比较大,则转步骤S94;
步骤S99:提示“数据样本的数据较少,且相对于被测量变化的速度采集数据的时间间隔太大,建议缩小时间间隔或调整采集时段,更新数据后重新计算”,本检测结束;
需要进一步说明,关于平均重复次数的阈值标准,本方案调研的数值在1.0~10之间,可按1.2计算;关于0分类值频次百分比的阈值标准,可按5%计算。关于差异显著性的阈值标准,一般按照有关规定和用户要求确定,也可以按照小概率值0.05、0.025、0.01、0.001等选取,概率值越小,风险越小,查表得到的卡方临界值越大。0分类值频次百分比的阈值标准,可按5%计算。
通过应用以上技术方案,与现有技术相比,本发明的优点在于:
1.不需要更高分辨力的标准器等检测设备和实验室级别严格可控的被测量变化的条件,降低了检测作业的经济成本和时间成本,实现了对于在线的传感器随时随地的检测。
2.在原始数据样本中没有分辨力的值显式出现的情况下,利用数据样本的“台阶”现象及其统计规律,能够挖掘出分辨力的信息,从而正确检测出传感器的分辨力,从而放松了对于原始数据质量的约束条件。
3.对于检出的分辨力估计值和原始数据样本的质量做出了评价,并根据具体评价指标,给出了改进原始数据采集、更新数据样本的建议。
4.通过优化分辨力的数据计算方法和放松对于数据采集能力的限制,增强了分辨力检测的通用性,本方法适用于多种被测量的传感器。
本申请实施例还提出了一种适用于多种传感器分辨力检测的设备,如图14所示,所述设备包括:
采集数据模块M1,可以调解采集时间间隔,可以反复获取数据,用于获取所述传感器按照时间顺序采集的监测数据,组成检测传感器分辨力的原始数据样本;
预处理模块M2,用于基于所述原始数据样本构建步进值时间数列;用于基于所述步进值时间数列确定分类值,并基于所述分类值生成分类值序列、分类值频次序列;
统计模块M3,基于所述分类值序列,统计环差序列、环比序列、环倍序列;基于所述环差序列、环比序列、环倍序列计算分类值台阶序列、台阶序号序列;基于所述分类值台阶序列、台阶序号序列和分类值序列,计算组合阶间差序列;基于所述组合阶间差序列、分类值序列、分类值频次序列,计算所述数据样本的类分辨力状态序列及其次数序列;
辨识模块M4,基于所述类分辨力状态序列及次数序列辨识传感器分辨力;
评价模块M5,判别数据样本的台阶类型,计算分辨力的重复性测量的不确定度,计算类分辨力次数的差异显著性,数据样本平均重复次数等参数,评价所述传感器分辨力估计值和所述数据样本的质量,输出检测结果或者提示继续采集数据重新计算。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (3)
1.一种适用于多种传感器分辨力检测的计算方法,其特征在于,所述方法包括:
基于数据样本计算出分类值序列及分类值频次序列,所述数据样本为通过待检测传感器在常规条件下按照时间顺序连续监测形成的测量示值;
基于所述分类值序列依次获取环差序列、环比序列、环倍序列;
基于所述环差序列、所述环比序列及所述环倍序列获取台阶序列;
基于所述台阶序列和所述分类值序列获取组合阶间差序列;
基于所述组合阶间差序列、分类值序列及所述频次序列构建类分辨力状态序列及其次数序列;
基于所述类分辨力状态序列、所述次数序列、分类值序列、所述频次序列确定所述传感器的分辨力点估计值;
基于所述分类值序列、所述频次序列、所述环差序列确定所述传感器分辨力及数据样本质量指标,并基于所述传感器分辨力及数据样本质量指标决定输出检测结果;
基于所述分类值序列依次获取环差序列、环比序列、环倍序列,具体通过如下公式确定:
CY = cy 0,cy 1,...,cy i,...,cy m;
ds i = cy i - cy i-1 i = 1,2,...,m;
sc i = cy i /cy i-1 i = 2,3,...,m;
cm i = INT(1 / (sc i -1) + 1.5),i = 2,3,...,m;
其中,将分类值序列记为CY,CY由m+1个不重复的步进值按升序排列组成,记作cy i;将环差序列记作DS,成员记作ds i,将环比序列记作SC,成员记作sc i,将环倍序列记作CM,成员记作cm i,cy 0 = 0称0分类值,其余m个分类值均大于0,统称非0分类值;INT()为求整函数;
基于所述环差序列、所述环比序列及所述环倍序列获取台阶序列,具体为:
步骤1:将台阶序列用SM表示,台阶序列成员用sm i表示,台阶序列的序号与分类值序列的序号相同,i = 0,1,2,...,m,令sm 0= 0;
步骤2:从i = 1开始向i = m方向,依次在环倍序列里寻找数值<i+2的环倍,将找到的环倍记为cm k,其序号标记为k;
步骤3:令sm k = cm k,令sm k-1 到sm 1 = cm k -1,令台阶高度参考值SHRV=ds k;
步骤4:对于i = k+1, k+2,..., m, 依次将cm i与 sm i-1进行比较:
如果cm i = sm i-1+1:则sm i = cm i,且更新SHRV = ds i;
如果cm i > sm i-1 +1且 cm i ≤ i+1:则sm i= cm i;
如果cm i > sm i-1 +1且 cmi > i+1:则sm i = sm i-1;
如果cm i = sm i-1:则sm i= sm i-1;
如果cm i < sm i-1:则sm i= INT( sc i/ SHRV+0.5);
步骤5:将i循环到m,可得到台阶序列SM:
SM = sm 0, sm 1, ... , sm i, ..., sm m
在SM中,如果sm i= sm i+1,则可知sm i与sm i+1为同一台阶的成员;
步骤6:统计台阶序列SM中不同的台阶值的个数,从0开始编制台阶的序号,记作台阶序号序列:
SN = sn 0,sn 1,sn 2,...,sn w
其中,w为0值台阶的个数,w ≤ m,s≤ sm m+1;第0个台阶sn 0的成员sm i的值均为0;
基于所述台阶序列和所述分类值序列获取组合阶间差序列,具体为:
步骤1:第0个台阶sn 0的成员不参加组合阶间差的计算;
步骤2:第1个台阶sn 1对应的环差全部列入组合阶间差序列;
步骤3:其余w-1个台阶按照如下规则计算组合阶间差:
令第h个台阶内的分类值个数为ns h,令第h-1个台阶内的分类值个数为ns h-1,用第h个台阶内的分类值cy j分别做被减数,用第h-1个台阶内的分类值cy k分别做减数,计算出差值的绝对值,作为组合阶间差csd j,k:
csd j,k = |cy j - cy k|j= 1,2,..., ns h;k= 1,2,..., ns h-1;
可得到ns h·ns h-1个组合阶间差csd j,k;
步骤4:仿照步骤3,令h = 2,3,...,w,依次计算出全部台阶的组合阶间差csd j,k,将SHRV也记作一个csd j,k,剔除重复的csd j,k和其值为0的csd j,k;再按照升序排列,可以得到一个数值不重复的组合阶间差序列CSD,包括m w个组合阶间差:
CSD = csd 1 , csd 2 , csd 3 , ..., csd j ,..., csd mw;
基于所述传感器分辨力及数据样本质量指标决定输出检测结果,具体为:
步骤1:计算所述分辨力点估计值Re’的重复性测量不确定度,先计算样本标准差s:
其中,∑m i=1()是求和运算符号;cy i是所述分类值;f i是cy i对应的频次,n是分类值频次的总和,f 0是0分类值的频次;
再计算所述分辨力点估计值Re’的重复性测量不确定度:
uA(Re)= s /(n-f 0)1/2
步骤2:判断所述数据样本的台阶类型:
步骤2.1:用分辨力预估值Re’作为分母,用分类值序列的非0分类值成员cy i作为分子,遍历所有的非0分类值cy i,计算各个cy i/Re’的商和余数;
步骤2.2:判断cy i/Re’的商和余数:
若各个cy i/Re’的余数皆为0,则该数据样本的台阶类型为分辨力确定型;
若所有余数不皆为0,且有任何一若所有余数不皆为0,且没有任何cy i/Re’的商>0.2并且cy i/Re’<0.8,则该数据样本的台阶类型为分辨力随机型;
若各个cy i/判断cy i/Re’的商和余数:Re’的商>0.2并且cy i/Re’<0.8,则该数据样本的台阶类型为分辨力未知型;
步骤3:类分辨力次数的差异显著性检验:在排除Re’和re 0的类分辨力状态中,找到次数最大的次大类分辨力Re s;用所述分辨力点估计值Re’的次数与次大分辨力Re s的次数做差异显著性统计检验,判断差异显著与否;
步骤4:计算0分类值频次的百分比、Re’次数的百分比、平均重复次数:
0分类值频次的百分比 = 0分类值的频次/n·100
Re’的次数%=Re’的次数/(n-f 0)·100
平均重复次数=(n-f 0)/m
步骤5:对于分辨力点估计值及数据样本质量做出评价,决定输出检测结果:
如果所述数据样本的台阶类型为分辨力确定型或者分辨力随机型,则输出检测结果;
如果所述数据样本的台阶类型为分辨力确定型或者分辨力随机型,而且所述差异不显著,则提示“数据样本的数据太少,建议补充数据,重新计算”;
如果所述数据样本的台阶类型为分辨力未知型,而且所述差异显著,则提示“数据样本的数据太少,建议补充数据,重新计算”;
如果所述数据样本的台阶类型为分辨力未知型,而且所述差异不显著,且平均重复次数太少,则提示“数据样本的数据太少,且被测量的变化缺少重复,建议增加采集被测量重复变化较多的数据,重新计算”;
如果所述数据样本的台阶类型为分辨力未知型,而且所述差异不显著,且平均重复次数较多,且0分类值频次的百分比<5%,则提示“数据样本的数据较少,且相对于被测量变化的速度采集数据的时间间隔太大,建议缩小时间间隔或调整采集时段,更新数据后重新计算”;
如果所述数据样本的台阶类型为分辨力未知型,而且所述差异不显著,且平均重复次数较多,且0分类值频次的百分比≥5%,则提示“数据样本的较少,建议补充新数据,重新计算”。
2.如权利要求1所述的方法,其特征在于,基于所述组合阶间差序列、分类值序列及所述频次序列构建类分辨力状态序列及其次数序列,具体为:
步骤1:用组合阶间差序列的成员csd j作为分母,对应的次数记为ft j,令ft j的初始值 =0;
步骤2:用分类值序列的非0分类值cy i作为分子,计算分数cy i /csd j的余数rem i , j;
步骤3:如果rem i , j =0,则将该组合阶间差csd j标记为类分辨力状态re j;将该分类值cy i的频次f i累加到该类分辨力状态re j对应的次数ft j上,并将该分子cy i标记为“已用”;
如果该分子此前已经被记过“已用”则不参加本步骤的计算;
步骤4:依次将所有的组合阶间差序列的成员计算一遍,得到若干个类分辨力状态re j及对应的次数ft j;
步骤5:检查分类值序列中的非0分类值,找出所有没有被标记为“已用”的分子cy i,分别记作类分辨力状态re k,cy i对应的频次记作次数ft k;
步骤6:将各个re j与re k放到一起,合并重复的成员及对应的次数,将0分类值记为re 0,将第0个台阶sn 0内所有的分类值的频次合计后记为次数ft 0,与re 0对应,得到类分辨力状态序列,与各个re i对应的次数ft i组成次数序列。
3.一种执行如权利要求1-2任一项所述的计算方法的适用于多种传感器的分辨力的计算设备,其特征在于,所述设备包括:
采集数据模块,用于获取所述传感器按照时间顺序采集的监测数据,组成检测传感器分辨力的原始数据样本;
预处理模块,用于基于所述原始数据样本构建步进值时间数列,基于所述步进值时间数列确定分类值,并基于所述分类值生成分类值序列、分类值频次序列;
统计模块,用于基于所述分类值序列依次获取环差序列、环比序列、环倍序列;基于所述环差序列、所述环比序列及所述环倍序列获取台阶序列;基于所述台阶序列和所述分类值序列获取组合阶间差序列;基于所述组合阶间差序列、分类值序列及所述频次序列构建类分辨力状态序列及其次数序列;
辨识模块,基于所述类分辨力状态序列及次数序列辨识传感器分辨力;
评价模块,判别数据样本的台阶类型,计算分辨力的重复性测量的不确定度,计算类分辨力次数的差异显著性,数据样本平均重复次数等参数,评价所述传感器分辨力估计值和所述数据样本的质量,输出检测结果或者提示继续采集数据重新计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211027223.8A CN115824282B (zh) | 2022-08-25 | 2022-08-25 | 一种适用于多种传感器分辨力检测的计算方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211027223.8A CN115824282B (zh) | 2022-08-25 | 2022-08-25 | 一种适用于多种传感器分辨力检测的计算方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115824282A CN115824282A (zh) | 2023-03-21 |
CN115824282B true CN115824282B (zh) | 2024-07-12 |
Family
ID=85523209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211027223.8A Active CN115824282B (zh) | 2022-08-25 | 2022-08-25 | 一种适用于多种传感器分辨力检测的计算方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115824282B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111879349A (zh) * | 2020-08-03 | 2020-11-03 | 泉州装备制造研究所 | 一种传感器数据偏差自适应修正方法 |
CN112763189A (zh) * | 2020-12-24 | 2021-05-07 | 松山湖材料实验室 | Ebcmos分辨力参数的测量装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0679330B2 (ja) * | 1987-11-11 | 1994-10-05 | 富士通株式会社 | イメージセンサの画素分解能検査方法 |
US5710722A (en) * | 1996-05-24 | 1998-01-20 | The United States Of America As Represented By The Secretary Of The Army | Automated minimum resolvable temperature difference test for imaging infrared systems |
CN202693156U (zh) * | 2012-03-31 | 2013-01-23 | 中国水电顾问集团华东勘测设计研究院 | 分布式光纤传感的空间分辨率标定装置 |
CN206804023U (zh) * | 2017-05-23 | 2017-12-26 | 上海宝冶集团有限公司 | 光电测距仪的分辨力校准装置 |
DE102019202266A1 (de) * | 2019-02-20 | 2020-08-20 | Zf Friedrichshafen Ag | Verfahren und Computerprogrammprodukt zum Adaptieren einer Auflösung eines Multisensorsystems eines Straßenfahrzeuges und Steuergerät für ein Multisensorsystem und Computerprogrammprodukt |
JP7304641B2 (ja) * | 2021-02-01 | 2023-07-07 | リーダー電子株式会社 | チャート生成方法、解像度測定方法、解像度測定システム、およびプログラム |
CN114383646B (zh) * | 2021-10-29 | 2023-08-25 | 廊坊市大华夏神农信息技术有限公司 | 一种连续变化型被测量传感器分辨力的检测方法和设备 |
CN114065876B (zh) * | 2022-01-11 | 2022-04-12 | 华砺智行(武汉)科技有限公司 | 基于路侧多传感器的数据融合方法、装置、系统及介质 |
-
2022
- 2022-08-25 CN CN202211027223.8A patent/CN115824282B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111879349A (zh) * | 2020-08-03 | 2020-11-03 | 泉州装备制造研究所 | 一种传感器数据偏差自适应修正方法 |
CN112763189A (zh) * | 2020-12-24 | 2021-05-07 | 松山湖材料实验室 | Ebcmos分辨力参数的测量装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115824282A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105300923B (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN113569338B (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
CN110081923B (zh) | 野外基线环境参数自动采集系统故障检测方法与装置 | |
WO2018012958A1 (en) | Method for testing a meter | |
CN105046203B (zh) | 基于夹角dtw距离的卫星遥测数据自适应层次聚类方法 | |
CN109813269A (zh) | 结构监测传感器在线校准数据序列匹配方法 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN115824282B (zh) | 一种适用于多种传感器分辨力检测的计算方法和设备 | |
CN109391383A (zh) | 最大时间间隔误差测量方法 | |
CN110672058B (zh) | 结构监测用传感器的在线校准数据序列匹配方法和装置 | |
CN114383646B (zh) | 一种连续变化型被测量传感器分辨力的检测方法和设备 | |
CN109543357A (zh) | 一种多元回归模型优化的故障程度量化评估方法 | |
Polcar et al. | Calibration and its use in measuring fuel consumption with the can-bus network | |
CN111881800A (zh) | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 | |
CN114646373B (zh) | 一种水表机电示值一致性检定方法、系统、存储介质及智能终端 | |
CN110348094A (zh) | 基于影响网络的石油管道泄漏检测方法及系统 | |
CN106898031A (zh) | 一种用于高精度光纤测量的抽丝方法 | |
CN114339477B (zh) | 一种基于多表合一的数据采集管理方法及系统 | |
RU2502974C1 (ru) | Способ определения остаточного ресурса технических объектов | |
CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
CN113959511B (zh) | 基于射流水表的流量计量方法、设备、介质及产品 | |
CN110619167B (zh) | 一种基于聚类分析的油气水三相流相态临界点识别方法 | |
RU2232266C1 (ru) | Способ газогидродинамических исследований скважин | |
JP2005349794A (ja) | 樹脂評価システム |
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 |