CN116592816B - 基于旋转机构的数据获取方法、装置、设备及存储介质 - Google Patents
基于旋转机构的数据获取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116592816B CN116592816B CN202310879659.8A CN202310879659A CN116592816B CN 116592816 B CN116592816 B CN 116592816B CN 202310879659 A CN202310879659 A CN 202310879659A CN 116592816 B CN116592816 B CN 116592816B
- Authority
- CN
- China
- Prior art keywords
- data
- acceleration
- sensor
- strain
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000007246 mechanism Effects 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims abstract description 154
- 230000004044 response Effects 0.000 claims abstract description 113
- 238000012360 testing method Methods 0.000 claims abstract description 95
- 238000006073 displacement reaction Methods 0.000 claims abstract description 87
- 238000005457 optimization Methods 0.000 claims abstract description 72
- 230000004927 fusion Effects 0.000 claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000007499 fusion processing Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 52
- 238000005259 measurement Methods 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 25
- 230000006870 function Effects 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种基于旋转机构的数据获取方法、装置、设备及存储介质，本申请涉及数据处理技术领域，该方法包括步骤：获取多个第一传感器的初始位置坐标，并将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标；将所述最佳位置坐标作为所述第一传感器的最终布置位置，得到传感器测试网络；基于所述传感器测试网络，对待测试装置进行测试，得到应变数据、加速度响应数据和冲击响应数据；基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据。本申请降低了旋转机构的测试数据与真实数据之间的误差。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于旋转机构的数据获取方法、装置、设备及存储介质。
背景技术
高频旋转机构是一种常见的机械机构，广泛应用于各种机械运动中，而影响高频旋转机构自由端的运动精度的因素有很多，如机构自身固有振动特性、加工刀具的装夹方式、机构弹塑性变形和所受各种外部载荷等，由于高频旋转机构在工作过程中高速旋转运动，在接触工件或脱离工件具有瞬时性和宽频性，要全方位地获取这些参数是难以实现的。
现阶段对于高频旋转机构在非稳态下的振动特性测试，是通过传感器单一测点测试的方法来完成的，测试过程中产生的误差分析也是基于单一传感器的分析，这种情况下，测试得出的数据与实际工况存在较大的误差。
发明内容
本申请的主要目的在于提供一种基于旋转机构的数据获取方法、装置、设备及存储介质，旨在解决相关技术中，通过传感器单一测点测试的方法对高频旋转机构进行振动特性测试，测试出的数据误差较大的技术问题。
为实现上述目的，本申请实施例提供了一种基于旋转机构的数据获取方法，所述方法包括：
获取多个第一传感器的初始位置坐标，并将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标；
将所述最佳位置坐标作为所述第一传感器的最终布置位置，得到传感器测试网络；
基于所述传感器测试网络，对待测试装置进行测试，得到应变数据、加速度响应数据和冲击响应数据；
基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据。
在本申请的一种可能的实施方式中，所述将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标的步骤，包括：
将所述初始位置坐标输入至预设位置优化模型，基于所述预设位置优化模型，对所述初始位置坐标进行迭代优化，得到迭代优化值；
确定所述迭代优化值和所述初始位置坐标的残差值；
根据最小的所述残差值对应的迭代优化值，确定所述第一传感器的最佳位置坐标。
在本申请的一种可能的实施方式中，所述第一传感器包括转速传感器、应变传感器、加速度传感器以及冲击传感器；
所述基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据的步骤，包括：
根据所述加速度传感器的加速度响应数据和所述冲击传感器的冲击响应数据，构建状态向量；
基于所述应变传感器的应变数据，计算得到待测试装置的应变位移数据；
基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行融合，得到待测试装置的位移数据。
在本申请的一种可能的实施方式中，所述根据所述加速度传感器的加速度响应数据和所述冲击传感器的冲击响应数据，构建状态向量的步骤之前，包括：
消除所述加速度响应数据中的低频加速度和高频加速度，得到第二加速度数据；
所述根据所述加速度传感器的加速度响应数据和所述冲击传感器的冲击响应数据，构建状态向量的步骤，包括：
根据所述第二加速度数据和所述冲击传感器的冲击响应数据，构建状态向量。
在本申请的一种可能的实施方式中，所述消除所述加速度响应数据中的低频加速度和高频加速度，得到第二加速度数据的步骤，包括：
获取所述加速度传感器在旋转坐标系下的测量数据和转速传感器测试得到的低频加速度，基于所述测量数据，计算得到比力矢量；
将所述比力矢量减去所述低频加速度，得到第一加速度数据；
对所述第一加速度数据进行低通滤波处理，得到第二加速度数据。
在本申请的一种可能的实施方式中，所述基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行融合，得到待测试装置的位移数据的步骤，包括：
基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行递推融合，得到待测试装置的位移数据，其中，每隔一个数据的采样周期完成一次递推融合。
在本申请的一种可能的实施方式中，所述基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据的步骤之后，包括：
将所述位移数据与预设误差参数进行比较，若所述位移数据大于预设误差参数，则再次进行数据测试；
若所述误差信息数据小于预设误差参数，则输出所述位移数据。
本申请还提供一种基于旋转机构的数据获取装置，所述基于旋转机构的数据获取装置包括：
获取模块，用于获取多个第一传感器的初始位置坐标，并将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标；
布置模块，用于将所述最佳位置坐标作为所述第一传感器的最终布置位置，得到传感器测试网络；
测试模块，用于基于所述传感器测试网络，对待测试装置进行测试，得到应变数据、加速度响应数据和冲击响应数据；
融合模块，用于基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据。
本申请还提供一种基于旋转机构的数据获取设备，所述基于旋转机构的数据获取设备为实体节点设备，所述基于旋转机构的数据获取设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于旋转机构的数据获取方法的程序，所述基于旋转机构的数据获取方法的程序被处理器执行时可实现如上述所述基于旋转机构的数据获取方法的步骤。
为实现上述目的，还提供一种存储介质，所述存储介质上存储有基于旋转机构的数据获取程序，所述基于旋转机构的数据获取程序被处理器执行时实现上述任一所述的基于旋转机构的数据获取方法的步骤。
本申请提供一种基于旋转机构的数据获取方法、装置、设备及存储介质。与相关技术中，通过传感器单一测点测试的方法对高频旋转机构进行振动特性测试，测试出的数据误差较大相比，在本申请中，获取多个第一传感器的初始位置坐标，并将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标；将所述最佳位置坐标作为所述第一传感器的最终布置位置，得到传感器测试网络；基于所述传感器测试网络，对待测试装置进行测试，得到应变数据、加速度响应数据和冲击响应数据；基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据。在本申请中，通过获取多个传感器的初始位置坐标，并基于预设位置优化模型对初始位置坐标进行迭代优化，确定传感器的最佳位置坐标，将最佳位置坐标作为传感器的最终布置位置，从而形成传感器测试网络，并通过传感器测试网络，对待测试装置进行测试，得到与待测试装置相关的应变数据、加速度响应数据和冲击响应数据，综合考虑多个测试数据，通过预设数据融合算法将这三种测试数据融合，增加了数据的一致性解释，消除传感器所测试数据的误差，从而得到与待测试装置的真实工况相接近的测试值。
附图说明
图1为本申请基于旋转机构的数据获取方法的第一实施例的流程示意图；
图2为本申请基于旋转机构的数据获取方法涉及的数据融合第一流程示意图；
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图；
图4为本申请基于旋转机构的数据获取方法涉及的数据融合第二流程示意图；
图5为本申请基于旋转机构的数据获取方法涉及的传感器位置优化流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种基于旋转机构的数据获取方法，在本申请基于旋转机构的数据获取方法的第一实施例中，参照图1，所述方法包括：
步骤S10，获取多个第一传感器的初始位置坐标，并将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标；
步骤S20，将所述最佳位置坐标作为所述第一传感器的最终布置位置，得到传感器测试网络；
步骤S30，基于所述传感器测试网络，对待测试装置进行测试，得到应变数据、加速度响应数据和冲击响应数据；
步骤S40，基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据。
本实施例旨在：通过布置多个传感器对待测试装置进行数据测试，并将测试得到的结果进行数据融合，从而降低测试数据与真实数据的误差。
具体步骤如下：
步骤S10，获取多个第一传感器的初始位置坐标，并将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标；
作为一种示例，基于旋转机构的数据获取方法可以应用于基于旋转机构的数据获取装置，基于旋转机构的数据获取装置属于基于旋转机构的数据获取系统，该基于旋转机构的数据获取系统属于基于旋转机构的数据获取设备。
作为一种示例，获取传感器的初始位置坐标的方式可以是：对传感器的位置坐标进行数据统计，最后进行整合。
作为一种示例，第一传感器可以是应变传感器、加速度传感器、转速传感器以及冲击传感器。
作为一种示例，预设位置优化模型为预设的基于深度学习的数据优化模型，数据优化模型的结构与现有的基于深度学习的模型的结构大致相同，在此不做赘述，对预设位置优化模型对初始位置坐标进行处理后，得到最佳位置坐标的过程进行具体阐述，预设位置优化模型用于根据第一传感器的初始位置坐标，并根据相关函数对输入的传感器的初始位置坐标进行迭代计算，最终得到传感器的最佳位置坐标。
作为一种示例，从试验测试的角度，获取的校验数据越多，则数据越完善，测量精度越高。实际上高速旋转机构的结构紧凑，可用于安装传感器的空间十分有限，最佳位置坐标主要用于获取最佳的传感器测试数据，需要对传感器的位置进行优化，从而形成传感器测试网络。
步骤S20，将所述最佳位置坐标作为所述第一传感器的最终布置位置，得到传感器测试网络；
作为一种示例，将第一传感器按照最佳位置坐标进行布置，形成传感器测试网络。
作为一种示例，第一传感器的最终布置位置包括但不限于待测试装置上以及待测试装置的周围设备上，由于在测试过程中，待测试的旋转机构是运动的，一部分传感器是静态测试，并得到旋转机构的运动数据，所以，传感器所布置的位置可以在待测试装置或是其他位置。
作为一种示例，传感器测试网络并不是真实的测试网络，传感器测试网络具体为多个传感器根据相应的最佳位置坐标进行布置后形成的传感器测试布局，在该传感器测试布局中，各个传感器均对应的一个最佳位置坐标，并设置于待测试装置的外侧或内侧，传感器测试网络为获取待测试装置数据的基础，只有以最佳位置坐标对多个传感器进行布置，形成传感器测试网络后，通过传感器对待测试装置进行测试，才可以得到与实际值更相近的测试数据。
步骤S30，基于所述传感器测试网络，对待测试装置进行测试，得到应变数据、加速度响应数据和冲击响应数据；
作为一种示例，待测试装置可以是低频旋转机构、高频旋转机构等。
作为一种示例，应变数据可以是：由应变传感器对旋转机构测试得出的数据，进而推导而出的旋转机构的自由端位移数据，此时得出的自由端位移数据存在较大误差，仅用于后续的数据融合或参考。
作为一种示例，加速度响应数据可以是：由加速度传感器测试得出的数据得到的自由端的加速度数据。
作为一种示例，冲击响应数据可以是：冲击传感器所测试得到的数据计算得到的位移数据。
步骤S40，基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据。
作为一种示例，预设数据融合算法可以是卡尔曼滤波算法、互补滤波法以及梯度下降法等，在本实施例中，以卡尔曼滤波算法完成多传感器的数据融合为例，卡尔曼滤波对动态噪声处理作用较为明显,通过卡尔曼滤波算法能够补偿动态测量误差和计算误差,进而实现目标状态高精度的测量。
作为一种示例，通过预设数据融合算法，消除单一传感器测量过程中存在的偏差，从而提高系统的测量精度。
作为一种示例，将得到的数据输入至MATLAB卡尔曼滤波算法当中进行数据融合，数据融合算法步骤主要包括时间更新（预测）过程和测量更新（校正）过程，通过两个更新过程不断进行数据融合，将融合后的数据进行数学运算获得想要的最终位移数据。
本申请提供一种基于旋转机构的数据获取方法、装置、设备及存储介质。与相关技术中，通过传感器单一测点测试的方法对高频旋转机构进行振动特性测试，测试出的数据误差较大相比，在本申请中，获取多个第一传感器的初始位置坐标，并将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标；将所述最佳位置坐标作为所述第一传感器的最终布置位置，得到传感器测试网络；基于所述传感器测试网络，对待测试装置进行测试，得到应变数据、加速度响应数据和冲击响应数据；基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据。在本申请中，通过获取多个传感器的初始位置坐标，并基于预设位置优化模型对初始位置坐标进行迭代优化，确定传感器的最佳位置坐标，将最佳位置坐标作为传感器的最终布置位置，从而形成传感器测试网络，并通过传感器测试网络，对待测试装置进行测试，得到与待测试装置相关的应变数据、加速度响应数据和冲击响应数据，综合考虑多个测试数据，通过预设数据融合算法将这三种测试数据融合，增加了数据的一致性解释，消除传感器所测试数据的误差，从而得到与待测试装置的真实工况相接近的测试值。
进一步地，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标的步骤，包括：
步骤A1，将所述初始位置坐标输入至预设位置优化模型，基于所述预设位置优化模型，对所述初始位置坐标进行迭代优化，得到迭代优化值；
作为一种示例，迭代优化的过程是通过误差评估方法对布置点进行评估，如果误差过大则改进测点位置，最终获得最优的传感器布局方案。
作为一种示例，对传感器布局进行优化，是通过对部分或整体传感器布局位置进行迭代修正，最终使得优化后的布局网络获得的结构反演场和与密集型布局的误差最小，在优化的过程中，采用优化算法对传感器的布局进行优化分析，能够较为真实地反映结构的动态场分布，并且也能够让传感器不受限于安装空间的束缚。
作为一种示例，传感器布局问题实质上是一个位置优化问题，优化参数为传感器在高速旋转机构上的位置坐标，即：
其中，R(p)代表迭代优化值与密集布点值的残差，分别为优化参数的下限和上限，通过优化算法，得到残差值最小时的一系列优化参数，作为传感器的最优位置布局。
作为一种示例，在上式中引入加权矩阵，传感器的位置优化问题可以转换为：
其中，Wf和Wp为引入的权重值，R(p)代表迭代优化值与密集布点值的残差，上式为计算传感器的迭代优化值与密集布点值的残差的细化公式。
作为一种示例，传感器的位置优化流程图如图5所示，传感器布局优化过程首先要求建立一个目标函数，其反映了一个机构组的迭代优化模型和密集布局模型之间在输出响应上的差异，具体如下：
（1）模态频率残差
参与优化布局的模态频率残差向量：
其中，下标λa和λe分别表示迭代优化值和密集型布局值。
（2）模态置信度
模态置信度的残差向量主要考虑迭代优化所得振型值与密集型布局对应振型的相关系数，它们主要是模态置信度矩阵中对角线上的元素，因为目标值是1，故第i阶模态置信度残差为：
具体地，模态置信度残差向量可以表示为：
其中，1，2，…，r表示参与优化布局的阶次。
在实际优化过程中，单目标的布局优化难以得到静动力响应与密集型布局均相符的数值模型，因此，要能准确预测结构的静力响应，就要根据实际情况在目标函数中包含多个响应类型，进行多目标函数的传感器布局优化，当不同类型的静动力响应都对目标函数产生影响时，有必要对它们的单位进行归一化，使它们各自成为无量纲的物理量，这样目标函数就不依赖于所选择响应单位的选取。
以自然频率为例，一个最小二乘问题的归一化目标函数可以定义为：
式中：J为目标函数，上标a表示计算值，上标e表示实测值，f为频率值，n为参与优化的实测频率数目，i为频率阶数。
以模态频率、模态振型和挠度为例，多目标函数定义如下：
其中J1和J2分别为两次优化的目标函数，分别表征频率响应残差函数以及振型和位移的响应残差函数；fei和fai分别为第i阶迭代优化布局模态频率与密集型布局模态频率；φej和φaj分别为第j阶的迭代优化布局振型与密集型布局振型；φj的上标l和r分别代表振型上的任意点自由度和参考点自由度；Σdof表示所有测量的自由度；dek和dak则分别表示迭代优化测试挠度与密集型布局测试挠度；mf和ms分别表示频率数目与振型数目；s为挠度的测点数目，根据不同响应类型将这三类响应残差分为两个目标函数一次进行修正，其中，目标函数J1是基于全局变量的响应残差，而J2是基于局部变量的响应残差，多目标函数中，残差向量由多个残差组合而成，即：
其中，R表示多目标函数，△λ表示模态频率残差向量，△MAC表示模态置信度残差向量；
此时，多目标优化问题可表示为：
在选取目标函数之后，即可采用梯度法对传感器布局进行优化。
梯度法又称为最速下降法，取函数的负梯度作为迭代搜索方向，对于含有n元的函数，梯度公式为：
其中，X（k）表示输入的传感器坐标，下式中同理；
梯度法对初始点的要求不高，但是越靠近极值点收敛越慢，只是局部最速下降，不是整体最速下降，因此采用包威尔法，不用对目标函数求导。
（1）给定初始点X0和计算精度e，令k=1，初始方向S(k) i=ei，即取初始方向组为n个单位向量；
（2）沿着S(k) i各个方向进行一轮n次一维搜索，即：
这一步相当于最优步长的坐标轮换法，其中，a为变化值，具体表示为变化的迭代步长，S(k) i表示搜索方向；
（3）经计算求出共轭方向和映射点分别为：
其中，X的下标n表示一轮中的第n次搜索，上标k表示当前迭代的次数。
（4）计算k轮中相邻两点目标函数值的下降量，并求出下降量最大者及其相应的方向：
（5）计算
判断
以及
是否成立。
若至少有一个成立，则由X(k) n出发沿S(k)方向进行一维搜索，求出目标函数F(X)的极小点X(k)，并作为k+1轮的初始点，然后进行第k+1轮搜索，其搜索方向为挤掉S(k) m，并令S(k) n= S(k)，即：
注意，此时并不是把S(k)方向放在原方向组中S(k) m的位置将其置换，而是在前一轮的方向组中去掉S(k) m，同时把S(k)放在方向组的最后构成新一轮的方向组。
（6）若上述判断条件不满足，则置k+1轮的初始点和方向组为：
即此时k+1轮的n个搜索方向全部用第k轮的搜索方向。
（7）每轮迭代结束，都应检验收敛条件，若能满足：
则可输出最优解，结束迭代，否则转入下一轮迭代。
步骤A2，确定所述迭代优化值和所述初始位置坐标的残差值；
作为一种示例，完成迭代过程后，即可确定迭代优化值和初始位置坐标的残差值/差值，
步骤A3，根据最小的所述残差值对应的迭代优化值，确定所述第一传感器的最佳位置坐标。
作为一种示例，迭代优化过程完成后，选取残差值的最小值所对应的迭代优化值作为传感器的最佳位置坐标。
作为一种示例，在最佳位置坐标确定后，根据最终的优化布局方案开展机构组模态分析试验、冲击响应实验，将获得的试验结果与仿真结果对比，验证两者结果的准确度是否在90%以上，若在90%以上，则说明最佳位置坐标可以应用于数据测试中的传感器测试网络。
作为一种示例，数据融合第二流程示意图如图4所示，由图4可得，由应变传感器测得旋转机构的自由端位移，加速度传感器和应变传感器为一体式设备，获取自由端位移与实际位移的误差信息，并进行误差信息更新，再通过冲击传感器测得高频加速度，由于高频加速度测得的误差较大，在进行数据融合之前，需要剔除其中的低频线性加速度以及高频加速度，转速传感器则是用于计算得到低频加速度，从而将高频加速度减去测得的低频加速度，从而完成低频线性加速度的消除，进而，再次进行数据的融合分析，最后得到自由端振动位移。
在本实施例中，通过预设位置优化模型对传感器的初始位置坐标进行优化，得到最佳位置坐标，并按照最佳位置坐标布置传感器测试网络，从而提高传感器测试的精度。
进一步地，基于本申请中第一实施例和第二实施例，提供本申请的另一实施例，在该实施例中，所述第一传感器包括转速传感器、应变传感器、加速度传感器以及冲击传感器；
所述基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据的步骤，包括：
步骤B1，根据所述加速度传感器的加速度响应数据和所述冲击传感器的冲击响应数据，构建状态向量；
作为一种示例，融合数据的方式在于：通过多个不同类型的传感器收集待测试目标的数据，对传感器的输出数据（离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明）进行特征提取的变换，提取代表观测数据的特征矢量；对特征矢量进行模式识别处理以及分组关联，最后通过预设数据融合算法完成传感器数据的合成，增加了数据的一致性解释。
作为一种示例，状态向量是以位移和加速度作为状态变量构成的。
步骤B2，基于所述应变传感器的应变数据，计算得到待测试装置的应变位移数据；
作为一种示例，通过应变传感器所测试的数据，即可计算得到待测试装置（旋转机构）的自由端应变位移数据。
步骤B3，基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行融合，得到待测试装置的位移数据。
作为一种示例，融合过程具体是通过预设数据融合算法对数据进行处理，然后输出待测试装置的位移数据。
作为一种示例，预设数据融合算法的数据方式如下，这里以卡尔曼滤波为例，将所述应变位移数据、加速度响应数据和状态向量输入到MATLAB卡尔曼滤波算法当中进行数据融合。数据融合算法步骤主要包括时间更新（预测）过程和测量更新（校正）过程。
（a）时间更新（预测）过程
其中，、/>分别表示状态向量和误差协方差的先验估计，Q为系统过程协方差，Γ表示系统噪声矩阵。
算法的修正效果主要取决于时间更新值的质量、量测信息/>的质量、量测信息与状态信息之间的变换矩阵/>以及量测信息Zk。
（b）测量更新（校正）过程
卡尔曼增益公式为：
由上式看，卡尔曼增益是用k时刻预测得到k+1时刻状态的预测最小均方差误差在k+1时刻的中误差占的比重，比重越大，说明真实值接近预测值的概率越大。其中，R矩阵表示两个传感器的观测噪声矩阵。
由观测变量/量测变量Zk+1更新估计，可得k+1时刻状态向量的后验估计量，是最新的状态估计量，是本节所求的量测估计量，也是下一次预测的前验状态估计量。状态更新公式如下：
式中，ε为测量残差，Z表示量测信息，H表示量测信息与状态信息之间的变换矩阵，其中，数据融合后的估计值与真实值的误差协方差矩阵更新如下：
完成数据融合后，将融合后的数据进行数学运算，得到需要的位移数据。
其中，所述根据所述加速度传感器的加速度响应数据和所述冲击传感器的冲击响应数据，构建状态向量的步骤之前，包括：
步骤C1，消除所述加速度响应数据中的低频加速度和高频加速度，得到第二加速度数据；
作为一种示例，在构建状态向量之前，由于样机在运转过程中振动、测量误差等因素的影响，会产生高频线性加速度；同时当样机处于加速转动工况时也会产生低频加速度，这些有害线性加速度的存在会降低加速度传感器的数据质量，因此，在使用加速度传感器数据前要对加速度数据进行补偿，提高数据精度。
作为一种示例，第二加速度数据即是对测量得出的加速度响应数据进行补偿后的加速度数据。
所述根据所述加速度传感器的加速度响应数据和所述冲击传感器的冲击响应数据，构建状态向量的步骤，包括：
步骤D1，根据所述第二加速度数据和所述冲击传感器的冲击响应数据，构建状态向量。
其中，所述消除所述加速度响应数据中的低频加速度和高频加速度，得到第二加速度数据的步骤，包括：
步骤E1，获取所述加速度传感器在旋转坐标系下的测量数据和转速传感器测试得到的低频加速度，基于所述测量数据，计算得到比力矢量；
作为一种示例，加速度传感器的测量数据是旋转机构在旋转坐标系中的比力矢量，比力矢量表示作用在单位质量上惯性力与引力的和，比力矢量拥有与加速度相同的量纲。
步骤M1，将所述比力矢量减去所述低频加速度，得到第一加速度数据；
作为一种示例，第一加速度的计算公式可以是：
式中，为加速度传感器在旋转坐标系下的测量输出，表示的是旋转坐标系中的比力矢量。通过转速传感器以及电机伺服的转动数据可以输出机构的低频加速度/>。剔除掉低频线性加速度后，得到对应的第一加速度数据。
步骤M2，对所述第一加速度数据进行低通滤波处理，得到第二加速度数据。
作为一种示例，由于存在高频噪声，而且信号叠加和微分计算也会导致高频噪声的增大，因此需要对数据进行低通滤波处理，从而有效地减少高频噪声对数据产生的影响。
作为一种示例，采用FIR滤波器对加速度数据进行低通滤波。得到剔除掉高频线性加速度后的第二加速度数据ax2，ay2，az2。
作为一种示例，数据融合流程示意图如图2和图5所示，在通过冲击传感器和加速度传感器获得加速度响应数据后，通过FIR滤波器或是相应的计算过程，剔除加速度响应数据中的低频线性加速度和高频线性加速度，再将补偿后的加速度响应数据进行数据融合。
其中，所述基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行融合，得到待测试装置的位移数据的步骤，包括：
步骤N1，基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行递推融合，得到待测试装置的位移数据，其中，每隔一个数据的采样周期完成一次递推融合。
作为一种示例，由于预设数据融合算法（卡尔曼滤波算法）是一种在时间域内的递推算法，其计算过程是一个不断地预测-修正过程，递推周期为数据的采样周期，所以需要间隔一定的递推周期对数据进行处理。
在本实施例中，通过卡尔曼滤波算法将多个数据进行融合，并且对融合前的加速度进行补偿，减少了动态测量误差和计算误差,进而实现目标状态高精度的测量。
进一步地，基于本申请中第一实施例、第二实施例和第三实施例，提供本申请的另一实施例，在该实施例中，所述基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据的步骤之后，包括：
步骤P1，将所述位移数据与预设误差参数进行比较，若所述位移数据大于预设误差参数，则再次进行数据测试；
作为一种示例，在应变传感器的测试数据可以计算得到自由端的位移数据，根据应变片与位移关系获得的自由端位移扰动量，作为误差信息导入卡尔曼滤波数据融合算法中，对加速度传感器得到的自由端位移进行误差信息更新。
作为一种示例，由图2可得，误差协方差即是预设误差参数，预设误差参数表示用户设置的误差允许范围，将得到的位移数据与预设误差参数进行对比，若位移数据大于预设误差参数，则说明融合分析后得到的位移数据误差较大，需要再次进行数据测试。
步骤P2，若所述位移数据小于预设误差参数，则输出所述位移数据。
作为一种示例，当位移数据小于预设误差参数时，说明得出的位移数据误差较小，则直接输出位移数据。
在本实施例中，通过将融合分析得到的位移数据与预设误差参数进行对比，根据比较结果对得到的位移数据进行初步的误差判断，避免得出的位移数据存在较大误差。
参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示，该基于旋转机构的数据获取设备可以包括：处理器1001，存储器1005，通信总线1002。通信总线1002用于实现处理器1001和存储器1005之间的连接通信。
可选地，该基于旋转机构的数据获取设备还可以包括用户接口、网络接口、摄像头、RF（Radio Frequency，射频）电路，传感器、WiFi模块等等。用户接口可以包括显示屏（Display）、输入子模块比如键盘（Keyboard），可选用户接口还可以包括标准的有线接口、无线接口。网络接口可以包括标准的有线接口、无线接口（如WI-FI接口）。
本领域技术人员可以理解，图3中示出的基于旋转机构的数据获取设备结构并不构成对基于旋转机构的数据获取设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于旋转机构的数据获取程序。操作系统是管理和控制基于旋转机构的数据获取设备硬件和软件资源的程序，支持基于旋转机构的数据获取程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与基于旋转机构的数据获取系统中其它硬件和软件之间通信。
在图3所示的基于旋转机构的数据获取设备中，处理器1001用于执行存储器1005中存储的基于旋转机构的数据获取程序，实现上述任一项所述的基于旋转机构的数据获取方法的步骤。
本申请基于旋转机构的数据获取设备具体实施方式与上述基于旋转机构的数据获取方法各实施例基本相同，在此不再赘述。
本申请还提供一种基于旋转机构的数据获取装置，所述基于旋转机构的数据获取装置还包括：
获取模块，用于获取多个第一传感器的初始位置坐标，并将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标；
布置模块，用于将所述最佳位置坐标作为所述第一传感器的最终布置位置，得到传感器测试网络；
测试模块，用于基于所述传感器测试网络，对待测试装置进行测试，得到应变数据、加速度响应数据和冲击响应数据；
融合模块，用于基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据。
在本申请的一种可能的实施方式中，所述获取模块包括：
优化单元，用于将所述初始位置坐标输入至预设位置优化模型，基于所述预设位置优化模型，对所述初始位置坐标进行迭代优化，得到迭代优化值；
第一确定单元，用于确定所述迭代优化值和所述初始位置坐标的残差值；
第二确定单元，用于根据最小的所述残差值对应的迭代优化值，确定所述第一传感器的最佳位置坐标。
在本申请的一种可能的实施方式中，所述融合模块包括：
构建单元，用于根据所述加速度传感器的加速度响应数据和所述冲击传感器的冲击响应数据，构建状态向量；
计算单元，用于基于所述应变传感器的应变数据，计算得到待测试装置的应变位移数据；
融合单元，用于基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行融合，得到待测试装置的位移数据。
在本申请的一种可能的实施方式中，所述融合模块还包括：
消除单元，用于消除所述加速度响应数据中的低频加速度和高频加速度，得到第二加速度数据；
在本申请的一种可能的实施方式中，所述消除单元包括：
获取子单元，用于获取所述加速度传感器在旋转坐标系下的测量数据和转速传感器测试得到的低频加速度，基于所述测量数据，计算得到比力矢量；
计算子单元，用于将所述比力矢量减去所述低频加速度，得到第一加速度数据；
处理子单元，用于对所述第一加速度数据进行低通滤波处理，得到第二加速度数据。
在本申请的一种可能的实施方式中，所述融合单元包括：
递推子单元，用于基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行递推融合，得到待测试装置的位移数据，其中，每隔一个数据的采样周期完成一次递推融合。
在本申请的一种可能的实施方式中，所述装置还包括：
比较模块，用于将所述位移数据与预设误差参数进行比较，若所述位移数据大于预设误差参数，则再次进行数据测试；
输出模块，用于若所述位移数据小于预设误差参数，则输出所述位移数据。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (6)
1.一种基于旋转机构的数据获取方法，其特征在于，所述方法包括以下步骤：
获取多个第一传感器的初始位置坐标，并将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标；
将所述最佳位置坐标作为所述第一传感器的最终布置位置，得到传感器测试网络，其中，所述第一传感器包括转速传感器、应变传感器、加速度传感器以及冲击传感器；
基于所述传感器测试网络，对待测试装置进行测试，得到应变数据、加速度响应数据和冲击响应数据；
基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据；
所述基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据的步骤，包括：
获取所述加速度传感器在旋转坐标系下的测量数据和转速传感器测试得到的低频加速度，基于所述测量数据，计算得到比力矢量；
将所述比力矢量减去所述低频加速度，得到第一加速度数据；
对所述第一加速度数据进行低通滤波处理，得到第二加速度数据；
根据所述第二加速度数据和所述冲击传感器的冲击响应数据，构建状态向量；
基于所述应变传感器的应变数据，计算得到待测试装置的应变位移数据；
基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行融合，得到待测试装置的位移数据。
2.如权利要求1所述的基于旋转机构的数据获取方法，其特征在于，所述将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标的步骤，包括：
将所述初始位置坐标输入至预设位置优化模型，基于所述预设位置优化模型，对所述初始位置坐标进行迭代优化，得到迭代优化值；
确定所述迭代优化值和所述初始位置坐标的残差值；
根据最小的所述残差值对应的迭代优化值，确定所述第一传感器的最佳位置坐标。
3.如权利要求2所述的基于旋转机构的数据获取方法，其特征在于，所述基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行融合，得到待测试装置的位移数据的步骤，包括：
基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行递推融合，得到待测试装置的位移数据，其中，每隔一个数据的采样周期完成一次递推融合。
4.如权利要求1所述的基于旋转机构的数据获取方法，其特征在于，所述基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据的步骤之后，包括：
将所述位移数据与预设误差参数进行比较，若所述位移数据大于预设误差参数，则再次进行数据测试；
若所述位移数据小于预设误差参数，则输出所述位移数据。
5.一种基于旋转机构的数据获取装置，其特征在于，所述基于旋转机构的数据获取装置包括：
获取模块，用于获取多个第一传感器的初始位置坐标，并将所述初始位置坐标输入至预设位置优化模型，得到最佳位置坐标；
布置模块，用于将所述最佳位置坐标作为所述第一传感器的最终布置位置，得到传感器测试网络，其中，所述第一传感器包括转速传感器、应变传感器、加速度传感器以及冲击传感器；
测试模块，用于基于所述传感器测试网络，对待测试装置进行测试，得到应变数据、加速度响应数据和冲击响应数据；
融合模块，用于基于预设数据融合算法，对所述应变数据、所述加速度响应数据和所述冲击响应数据进行融合处理，得到待测试装置的位移数据；
所述融合模块具体用于：获取所述加速度传感器在旋转坐标系下的测量数据和转速传感器测试得到的低频加速度，基于所述测量数据，计算得到比力矢量；
将所述比力矢量减去所述低频加速度，得到第一加速度数据；
对所述第一加速度数据进行低通滤波处理，得到第二加速度数据；
根据所述第二加速度数据和所述冲击传感器的冲击响应数据，构建状态向量；
基于所述应变传感器的应变数据，计算得到待测试装置的应变位移数据；
基于所述预设数据融合算法，将所述应变位移数据、加速度响应数据和状态向量进行融合，得到待测试装置的位移数据。
6.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有基于旋转机构的数据获取程序，所述基于旋转机构的数据获取程序被处理器执行时实现如权利要求1至4中任一项所述的基于旋转机构的数据获取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310879659.8A CN116592816B (zh) | 2023-07-18 | 2023-07-18 | 基于旋转机构的数据获取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310879659.8A CN116592816B (zh) | 2023-07-18 | 2023-07-18 | 基于旋转机构的数据获取方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116592816A CN116592816A (zh) | 2023-08-15 |
| CN116592816B true CN116592816B (zh) | 2023-09-29 |
Family
ID=87599565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310879659.8A Active CN116592816B (zh) | 2023-07-18 | 2023-07-18 | 基于旋转机构的数据获取方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116592816B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102840798A (zh) * | 2012-08-20 | 2012-12-26 | 中国兵器工业第二0二研究所 | 射击工况火炮结构振动响应时间测试方法 |
| CN103096338A (zh) * | 2011-11-02 | 2013-05-08 | 无锡物联网产业研究院 | 一种传感器网络节点定位方法 |
| CN114001602A (zh) * | 2021-10-26 | 2022-02-01 | 东北大学秦皇岛分校 | 基于四元数卡尔曼滤波去噪融合的火箭炮扰动检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2526508A (en) * | 2014-02-27 | 2015-12-02 | Atlantic Inertial Systems Ltd | Inertial navigation system |
| US10081206B1 (en) * | 2017-03-13 | 2018-09-25 | Spgprints B.V. | Printing system having four-bar linkage mechanisms for positioning its print modules |
| CN112881743B (zh) * | 2021-01-13 | 2023-05-02 | 徐培亮 | 一种基于正则化算法的速度和加速度计算方法及测量装置 |
-
2023
- 2023-07-18 CN CN202310879659.8A patent/CN116592816B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103096338A (zh) * | 2011-11-02 | 2013-05-08 | 无锡物联网产业研究院 | 一种传感器网络节点定位方法 |
| CN102840798A (zh) * | 2012-08-20 | 2012-12-26 | 中国兵器工业第二0二研究所 | 射击工况火炮结构振动响应时间测试方法 |
| CN114001602A (zh) * | 2021-10-26 | 2022-02-01 | 东北大学秦皇岛分校 | 基于四元数卡尔曼滤波去噪融合的火箭炮扰动检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 六自由度平台体感算法研究;肖慧琼;中国优秀硕士论文电子期刊网(2015年第2期);全文 * |
| 滚转舰炮制导炮弹的空间多约束导引与控制一体化设计;姜尚等;《航空学报》;第40卷(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116592816A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Atalla et al. | On model updating using neural networks | |
| Butland et al. | A reduced order, test verified component mode synthesis approach for system modeling applications | |
| JP2003521015A (ja) | 非線形モデルの発生及びそれを用いたシミュレーション試験用駆動信号の発生 | |
| US20120296616A1 (en) | Three-dimensional fluid simulation method | |
| CN108563895B (zh) | 一种用于齿轮装配体的考虑相关性的区间模型修正方法 | |
| CN101438184A (zh) | 一种跟踪移动电子设备的状态的方法 | |
| Ezvan et al. | Multilevel model reduction for uncertainty quantification in computational structural dynamics | |
| CN115455745B (zh) | 自适应频点采样的扫频方法、系统及相关设备 | |
| CN116500575B (zh) | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 | |
| CN111983927A (zh) | 一种新型的最大协熵椭球集员滤波方法 | |
| CN113010954A (zh) | 桥梁结构损伤识别方法、装置及终端设备 | |
| CN115455793A (zh) | 基于多尺度模型修正的高层结构复杂构件受力分析方法 | |
| CN116578660A (zh) | 一种基于稀疏数据的电磁目标态势地图构建方法 | |
| CN114970240A (zh) | 多相复合结构图像的载荷状态快速评估方法及设备 | |
| CN116592816B (zh) | 基于旋转机构的数据获取方法、装置、设备及存储介质 | |
| JP2004070397A (ja) | 解析対象物の部品間境界条件の同定方法 | |
| Khlamov et al. | The astronomical object recognition and its near-zero motion detection in series of images by in situ modeling | |
| Dascotte | Model updating for structural dynamics: past, present and future outlook | |
| CN112747773B (zh) | 基于Allan方差和随机多项式提高陀螺仪精度的方法 | |
| Deng et al. | The study of structural system dynamic problems by recursive estimation method | |
| CN114139461B (zh) | 一种航天器系统不确定性预测方法、装置及存储介质 | |
| CN113408040B (zh) | 一种土木工程中的模拟数据修正方法及系统 | |
| CN116502412A (zh) | 监测参数的确定方法、装置、电子设备及存储介质 | |
| CN115563844B (zh) | 一种基于频响函数形状相关系数的模型修正方法 | |
| CN118051845B (zh) | 基于空间变参数机器学习的地理空间全覆盖数据生成方法和装置 |
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 |