CN116609720A - 基于数据驱动的台式万用表误差智能补偿方法及系统 - Google Patents
基于数据驱动的台式万用表误差智能补偿方法及系统 Download PDFInfo
- Publication number
- CN116609720A CN116609720A CN202310882733.1A CN202310882733A CN116609720A CN 116609720 A CN116609720 A CN 116609720A CN 202310882733 A CN202310882733 A CN 202310882733A CN 116609720 A CN116609720 A CN 116609720A
- Authority
- CN
- China
- Prior art keywords
- data
- dimension
- correlation
- historical
- segment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000008859 change Effects 0.000 claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 description 30
- 230000032683 aging Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及测量电变量技术领域,提出了基于数据驱动的台式万用表误差智能补偿方法及系统,包括:采集历史多维数据;获取若干相关维度组合,对历史多维数据聚类得到多个聚簇;分解维度数据得到若干分量,根据维度数据之间极值点与相关性变化,获取真实极值点,并得到若干初始分段;对初始分段根据分量中真实极值点的分布及幅值变化,获取优选程度并得到第一分段,结合聚簇得到最终分段;对每个聚簇中每个维度的最终分段进行多项式拟合,得到拟合多项式公式,完成台式万用表误差的智能补偿。本发明旨在解决对台式万用表历史数据进行分段分析来量化误差模式过程中,固定分段范围无法准确反映单一因素的误差从而影响分析结果的问题。
Description
技术领域
本发明涉及测量电变量领域,具体涉及基于数据驱动的台式万用表误差智能补偿方法及系统。
背景技术
在科学研究和工程实践中,精确测量和准确的数据分析是至关重要的。台式万用表是一种常用的电子测试仪器,广泛应用于各个领域,包括电子、电力、通信及自动化领域等;其可以用来测量电压、电流、电阻、电容及频率等电学参数,为工程师和科学家提供准确的测量结果;然而由于各种因素的影响,如环境温度、电路元件的老化、电源波动等,台式万用表的测量结果可能会产生误差,这些误差可能会导致不准确的数据分析和错误的决策;因此确定台式万用表的误差模式,通过误差模式设定测量结果的智能补偿十分重要。
基于数据驱动的方法,通过收集大量的实际测量数据来分析万用表的误差模式;通过对这些数据进行统计分析和建模,可以揭示出误差的来源和规律,进而深入了解台式万用表产生误差的原因,为后续的误差补偿算法设计提供依据;在参考专利CN106199483B中通过对检测的数据进行分段处理,并对每个分段进行多项式拟合,得到拟合多项式公式;在实际测量时,根据得到的测量值对应的分段范围选取对应的多项式公式,进而得到实际测量的校正值;然而在收集的大量数据中由于各种因素的影响,其对应的分段范围并不是固定的,会造成同一个分段中存在不同的因素影响,即固定的分段范围并不能确保分段中仅受单一因素影响,进而会使得后续的多项式拟合过程中产生错误的结果,从而影响实际测量数据的校正结果,导致无法智能补偿实际测量数据。
发明内容
本发明提供基于数据驱动的台式万用表误差智能补偿方法及系统,以解决现有的对台式万用表历史数据进行分段分析来量化误差模式过程中,固定分段范围无法准确反映单一因素的误差从而影响分析结果的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了基于数据驱动的台式万用表误差智能补偿方法,该方法包括以下步骤:
采集台式万用表若干时间段的多个维度数据,相同时间段的多个维度数据组成一组历史多维数据,得到若干组历史多维数据;
根据不同组历史多维数据中相关维度组合之间的差异,获取任意两组历史多维数据的相似距离,根据相似距离对若干组历史多维数据进行聚类,得到若干聚簇;
根据相同历史多维数据中相关维度组合中不同维度数据的相关性变化,获取每组历史维度数据中每个维度数据的真实极值点;
对每组历史多维数据中每个维度数据通过EMD分解得到若干分量,通过分段范围迭代获取每组历史多维数据中每个维度数据的若干初始分段;
根据真实极值点在分量中的对应分布及分量中幅值变化,获取每组历史多维数据中每个维度数据每个初始分段的优选程度,结合历史多维数据所属的聚簇,得到每个聚簇中每个维度的最终分段;
对每个聚簇中每个维度的最终分段进行多项式拟合,得到拟合多项式公式,完成台式万用表误差的智能补偿。
进一步的,所述任意两组历史多维数据的相似距离,具体的获取方法为:
根据同一历史多维数据中不同维度数据,得到若干相关维度组合及每个相关维度组合在每组历史多维数据中两个维度数据的相关性及参考权重;第组历史多维数据与第/>组历史多维数据的相似距离/>的计算方法为:
其中,表示相关维度组合的数量,/>表示第/>个相关维度组合在第/>个历史多维数据的参考权重,/>表示第/>个相关维度组合在第/>个历史多维数据中两个维度数据的相关性,/>表示第/>个相关维度组合在第/>个历史多维数据的参考权重,/>表示第/>个相关维度组合在第/>个历史多维数据中两个维度数据的相关性;
获取任意两组历史多维数据之间的相似距离。
进一步的,所述得到若干相关维度组合及每个相关维度组合在每组历史多维数据中两个维度数据的相关性及参考权重,包括的具体方法为:
根据相同历史多维数据中不同维度数据之间的相关性,获取若干相关维度组合及每个相关维度组合在每组历史多维数据中两个维度数据的相关性;
以任意一组历史多维数据中任意一个相关维度组合为目标相关维度组合,目标相关维度组合中任意一个维度数据作为目标维度数据,获取目标维度数据中所有极大值及极小值,获取相邻极大值出现的间隔均值与目标维度数据的长度的比值,记为目标维度数据的极大值平均间隔;获取相邻极小值出现的间隔均值与目标维度数据的长度的比值,记为目标维度数据的极小值平均间隔;获取目标相关维度组合中另一个维度数据的极大值平均间隔及极小值平均间隔,获取目标相关维度组合中两个极大值平均间隔、两个极小值平均间隔的均值,记为目标相关维度组合的极值平均间隔;
将记为目标相关维度组合对于该历史多维数据的参考权重,其中/>表示目标相关维度组合的极值平均间隔,/>表示以自然常数为底的指数函数;
获取每个相关维度组合在每组历史多维数据的参考权重。
进一步的,所述若干相关维度组合及每个相关维度组合在每组历史多维数据中两个维度数据的相关性,具体的获取方法为:
以任意一组历史多维数据为目标历史多维数据,对目标历史多维数据中任意两个维度数据计算相关性,相关性采用皮尔逊相关系数进行计算,若两个维度数据的相关性大于相关性阈值,将两个维度作为相关维度组合,获取目标历史多维数据中所有的相关维度组合;
获取每个相关维度组合在每组历史多维数据中两个维度数据的相关性。
进一步的,所述每组历史维度数据中每个维度数据的真实极值点,具体的获取方法为:
以任意一组历史多维数据中任意一个维度数据为目标维度数据,目标维度数据的任意一个相关维度组合为目标维度组合,对目标相关维度组合构建相关性变化曲线,曲线横坐标为数据点的次序值,纵坐标为相关性值,其中纵坐标相关性值的计算方法为:
其中,表示相关性变化曲线中第/>个数据点的纵坐标,/>表示第/>个数据点的次序值,/>表示相关性变化曲线的数据点数量,/>表示目标维度数据与目标相关维度组合中另一个维度数据截止到第/>个数据点的相关性;所述截止到第/>个数据点的相关性,是对两个维度数据都提取前/>个数据点,对两个维度数据中前/>个数据点构成的两个序列计算相关性/>,采用皮尔逊相关系数进行计算;
获取相关性变化曲线中每个数据点的纵坐标,得到目标相关维度组合的相关性变化曲线,对相关性变化曲线中每个数据点求斜率;将任意一个数据点前一个数据点的斜率减去该数据点的斜率得到的差值,记为该数据点的斜率变化值,若斜率变化值大于斜率阈值,对相关性变化曲线中该数据点进行标记,将对应的目标维度数据中的数据点记为标记点;
获取目标相关维度组合下目标维度数据的若干标记点,获取目标维度数据在每个相关维度组合下的标记点,若得到的标记点对应目标维度数据中的极值点,对该极值点进行剔除,剔除目标维度数据中所有为标记点的极值点,剩余的极值点记为目标维度数据的真实极值点;获取每组历史维度数据中每个维度数据的真实极值点。
进一步的,所述每组历史多维数据中每个维度数据的若干初始分段,具体的获取方法为:
以任意一组历史多维数据中任意一个维度数据为目标维度数据,从目标维度数据的第一个数据点开始,从起始分段范围开始进行迭代分段,迭代过程中每个分段范围都从第一个数据点获取一个分段,每个分段范围获取到的分段都记为初始分段,得到目标维度数据的若干初始分段;
获取每组历史多维数据中每个维度数据的若干初始分段。
进一步的,所述每组历史多维数据中每个维度数据每个初始分段的优选程度,具体的获取方法为:
根据维度数据中每个初始分段中真实极值点在分量中的分布,获取每组历史多维数据中每个维度数据每个初始分段的趋势优选度;任意一组历史多维数据中任意一个维度数据的任意一个初始分段的分量优选度的计算方法为:
其中,表示该维度数据的该初始分段下所有截取的分量;/>表示该初始分段下第个截取的分量中平均幅值相近的数据点占截取的分量中数据点总数量的比例,其中平均幅值相近的数据点表示在该截取的分量的幅值均值/>范围内进行浮动的数据点,其中/>表示该截取的分量的幅值的标准差;/>表示该初始分段下第/>个截取的分量中平均幅值相近的数据点的幅值均值;/>表示该维度数据该初始分段的幅值均值;/>表示求绝对值,/>表示在该维度数据的该初始分段下所有截取的分量中求对应的最大值,/>表示以自然常数为底的指数函数;
获取每组历史多维数据中每个维度数据每个初始分段的分量优选度,将每个初始分段的趋势优选度与分量优选度的均值,作为每个初始分段的优选程度。
进一步的,所述每组历史多维数据中每个维度数据每个初始分段的趋势优选度,具体的获取方法为:
对于任意一组历史多维数据中任意一个维度数据的任意一个初始分段,获取该初始分段中的真实极值点在每个分量中对应的数据点,并对每个分量中提取出的数据点共同构成上包络线及下包络线;
对于任意一个分量,对该分量的上包络线与该初始分段计算皮尔逊相关系数,对该分量的下包络线与该初始分段计算皮尔逊相关系数,将两个皮尔逊相关系数的均值作为该分量与该维度数据的该初始分段的趋势相近性;
获取每个分量与该维度数据的该初始分段的趋势相近性,将所有趋势相近性的均值作为该初始分段的趋势优选度;
获取每组历史多维数据中每个维度数据的每个初始分段的趋势优选度。
进一步的,所述得到每个聚簇中每个维度的最终分段,包括的具体方法为:
以任意一组历史多维数据中任意一个维度数据为目标维度数据,将目标维度数据中优选程度最大的初始分段作为目标维度数据的第一分段;
从目标分段数据中第一分段后下一个数据点开始,按照分段范围迭代获取若干分段,并获取每个分段的优选程度,将优选程度最大的分段作为第一分段,再按照上述方法继续向后获取第一分段,直到完全将目标维度数据划分为若干第一分段;将每组历史多维数据中每个维度数据划分为若干第一分段;
以任意一个聚簇为目标聚簇,目标聚簇中每组历史多维数据中相同维度的每个维度数据分别对应若干第一分段,将每个第一分段视为数据点次序值的集合,对相同维度下得到的所有集合求交集,将每个交集对应的数据点次序值,组成一个分段范围,作为目标聚簇中该相同维度的若干最终分段;
获取每个聚簇中每个维度的最终分段。
第二方面,本发明另一个实施例提供了基于数据驱动的台式万用表误差智能补偿系统,该系统包括:
历史数据采集模块,采集台式万用表若干时间段的多个维度数据,相同时间段的多个维度数据组成一组历史多维数据,得到若干组历史多维数据;
历史数据分析模块:根据不同组历史多维数据中相关维度组合之间的差异,获取任意两组历史多维数据的相似距离,根据相似距离对若干组历史多维数据进行聚类,得到若干聚簇;
根据相同历史多维数据中相关维度组合中不同维度数据的相关性变化,获取每组历史维度数据中每个维度数据的真实极值点;
对每组历史多维数据中每个维度数据通过EMD分解得到若干分量,通过分段范围迭代获取每组历史多维数据中每个维度数据的若干初始分段;
根据真实极值点在分量中的对应分布及分量中幅值变化,获取每组历史多维数据中每个维度数据每个初始分段的优选程度,结合历史多维数据所属的聚簇,得到每个聚簇中每个维度的最终分段;
误差智能补偿模块,对每个聚簇中每个维度的最终分段进行多项式拟合,得到拟合多项式公式,完成台式万用表误差的智能补偿。
本发明的有益效果是:本发明通过获取台式万用表的历史数据,通过对历史数据进行自适应分段并进行多项式拟合,通过拟合多项式公式实现对实际测量数据的校正,完成误差智能补偿,避免固定参数补偿导致无法自适应实际测量过程;其中在自适应分段获取中,首先根据不同历史多维数据中相关维度组合的差异表现来对历史多维数据进行相似性量化,进而对历史多维数据进行聚类,使得相近使用情况的历史多维数据处于同一聚簇中,为实际测量数据参考提供基础;同时对于每个维度数据,根据相关维度组合之间变化趋势的相似性,筛选得到真实极值点,避免因为其他因素干扰产生的非相似极值点对自适应分段造成影响;通过分段范围迭代,结合真实极值点在分段对应截取的分量中的分布,同时考虑主导分量的存在,最终得到分段的优选程度,并将每个维度数据划分为若干第一分段,第一分段充分表现了受单一因素影响以及整体趋势变化,结合所属聚簇中第一分段的交集,最终将同一聚簇中每个维度的第一分段综合得到最终分段,使得最终分段可以反映相近使用情况下最优的分段范围,保证不同测量范围内均受单一因素影响。
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,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于数据驱动的台式万用表误差智能补偿方法流程示意图;
图2为本发明另一个实施例所提供的基于数据驱动的台式万用表误差智能补偿系统结构框图。
具体实施方式
下面将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,显然,所描述的实施例仅仅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。
请参阅图1,其示出了本发明一个实施例所提供的基于数据驱动的台式万用表误差智能补偿方法流程图,该方法包括以下步骤:
步骤S001、采集台式万用表的若干组历史多维数据。
本实施例的目的是通过获取台式万用表的历史数据,通过对历史数据中每个维度的数据进行自适应分段,使得实际测量数据可以对应到自适应的分段中,进而根据分段的拟合多项式公式完成实际测量数据的校正,实现台式万用表的误差智能补偿,因此首先需要采集台式万用表的历史数据;台式万用表中存在多个测量通道,例如电压、电流、电阻及电荷量等,本实施例将一个测量通道作为一个维度,本实施例以电压、电流、电阻及电荷量四个维度为例进行说明,历史数据为若干段时序数据,每段时序数据中的数据量本实施例设置为90,采样时间间隔设置为0.5s,本实施例共采集100段时序数据作为历史数据,同一段时间内采集的多个维度的时序数据,组成该段时间的一组历史多维数据,即历史多维数据中每个维度数据均为时序数据,且对应采集时间段相同,则得到了若干组历史多维数据。
至此,获取到了若干组历史多维数据。
步骤S002、根据相同历史多维数据中不同维度数据之间的相关性,获取若干相关维度组合,根据不同组历史多维数据中相关维度组合之间的差异,获取任意两组历史多维数据的相似性,根据相似性将若干组历史多维数据划分为多个聚簇。
需要说明的是,在分析同一维度数据自适应分段的过程中,由于采集的历史多维数据的多样性以及随机性,因此为了分析量化得到台式万用表同一种使用情况下的分段范围,需要将采集的历史多维数据进行相似性的聚类,进而对使用情况相似的历史多维数据共同进行自适应分段分析;在分析相似性的过程中,需要结合不同维度之间的数据关系的相关性来判断;采集的维度对应的数据在同一种使用情况下的历史多维数据中往往是具有相关性的,例如同一种老化程度下的电压数据和电流数据之间的变化关系具有相关性,即对应的同样的电压数据和电流数据之间的关系若相似,则这些历史多维数据是在同一种老化程度的台式万用表下的;通过对相关性差异的量化,最终得到历史多维数据之间的相似性,进而完成对历史多维数据的聚类。
具体的,以任意一组历史多维数据为例,对该历史多维数据中任意两个维度数据计算相关性,相关性采用皮尔逊相关系数进行计算,预设一个相关性阈值用于判断相关维度组合,本实施例相关性阈值采用0.65进行叙述,若两个维度数据的相关性大于相关性阈值,则将两个维度作为相关维度组合,按照上述方法获取该历史多维数据中所有的相关维度组合,需要说明的是,由于默认历史多维数据不存在异常数据,因此不同历史多维数据最终得到的相关维度组合是相同的;按照上述方法获取每组历史多维数据中每个相关维度组合中两个维度数据的相关性。
进一步的,对于任意一组历史多维数据中任意一个相关维度组合,需要获取该相关维度组合对于该历史多维数据的参考权重,对于该相关维度组合中任意一个维度数据,获取该维度数据中所有极大值及极小值,即是将时序数据转换为曲线形式并提取极大值与极小值,获取相邻极大值出现的间隔均值与维度数据的长度的比值,记为该维度数据的极大值平均间隔,其中时序数据的长度即为时序数据的数据量,本实施例在步骤S001中设置为90,相邻极大值出现的间隔则为按照时序相邻的两个极大值之间其他数据点的数量;按照上述方法获取相邻极小值出现的间隔均值与维度数据的长度的比值,记为该维度数据的极小值平均间隔,同理获取该相关维度组合中另一个维度数据的极大值平均间隔及极小值平均间隔,获取该相关维度组合中两个极大值平均间隔、两个极小值平均间隔的均值,记为该相关维度组合的极值平均间隔,将记为该相关维度组合对于该历史多维数据的参考权重,其中/>表示该相关维度组合的极值平均间隔,/>表示以自然常数为底的指数函数,本实施例通过/>函数来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数;极值平均间隔越小,表明维度数据变化越频繁,避免某个相关维度组合中维度数据变化不明显的同时,具有较大的参考权重,进而影响相似性判断;按照上述方法获取每组历史多维数据中每个相关维度组合的参考权重。
进一步的,以第组历史多维数据与第/>组历史多维数据为例,两组历史多维数据的相似距离/>的计算方法为:
其中,表示相关维度组合的数量,/>表示第/>个相关维度组合在第/>个历史多维数据的参考权重,/>表示第/>个相关维度组合在第/>个历史多维数据中两个维度数据的相关性,/>表示第/>个相关维度组合在第/>个历史多维数据的参考权重,/>表示第/>个相关维度组合在第/>个历史多维数据中两个维度数据的相关性;通过参考权重对相关性进行限制,相同维度组合在不同历史多维数据中,相关性差异越大,两组历史多维数据的相似性越小,相似距离越大;按照上述方法获取任意两组历史多维数据之间的相似距离。
进一步的,获取到任意两组历史多维数据之间的相似距离后,将相似距离作为聚类距离,对所有历史多维数据根据聚类距离进行DBSCAN聚类,聚类得到若干聚簇,则将若干组历史多维数据划分到若干聚簇中,DBSCAN聚类为公知技术,本实施例不再赘述。
至此,通过同一历史多维数据中不同维度数据之间的相关性,量化得到不同历史多维数据之间的相似性,通过聚类将历史多维数据划分到若干聚簇中,每个聚簇中不同历史多维数据对应的台式万用表的使用情况相近。
步骤S003、对每组历史多维数据中每个维度数据通过EMD分解得到若干分量,根据同一历史多维数据中相关维度组合中不同维度数据的极值点与相关性变化,获取每个维度数据的标记点及真实极值点,通过分段范围迭代,对每组历史多维数据中每个维度数据获取若干初始分段。
需要说明的是,在对同一聚簇下的历史多维数据进行分析过程中,为了确定自适应分段,则对每个维度数据进行EMD分解得到若干IMF分量,通过每个维度数据得到的不同频率的分量,根据分量之间的极值点分布变化反映维度数据的变化趋势,最终期望在每个分段中仅包含一个主导的IMF分量,而仅有一个主导的IMF分量,则表明该分段仅受单一因素影响,进而使得拟合结果更加准确;而在极值点的分析过程中,存在一些其他因素干扰产生的非相似的极值点,需要对这些极值点进行剔除,保留真实极值点进行分析;而真实极值点在对应相关维度组合中不同维度数据之间,分布往往具有较大的相关性,通过这种相关性变化,获取非相似的极值点,并筛选剔除得到真实极值点。
具体的,首先对每组历史多维数据中每个维度数据进行EMD分解,得到每个维度数据的若干IMF分量;每个维度数据均对应多个相关维度组合,以任意一组历史多维数据中任意一个维度数据为例,获取该维度数据的任意一个相关维度组合,对该相关维度组合构建相关性变化曲线,曲线横坐标为数据点的次序值,纵坐标为相关性值,其中纵坐标相关性值的计算方法为:
其中,表示相关性变化曲线中第/>个数据点的纵坐标,/>表示第/>个数据点的次序值,例如第20个数据点,次序值即为20;/>表示相关性变化曲线的数据点数量,即维度数据的数据量,本实施例在步骤S001中设置为90;/>表示该维度数据(表示为/>)与该相关维度组合中另一个维度数据(表示为/>)截止到第/>个数据点的相关性,即是对两个维度数据都提取前/>个数据点,对两个维度数据中前/>个数据点构成的两个序列计算相关性/>,采用皮尔逊相关系数进行计算;按照上述方法获取相关性变化曲线中每个数据点的纵坐标,则得到了该相关维度组合的相关性变化曲线,对相关性变化曲线中每个数据点求斜率,预设一个斜率阈值用于标记非相似的极值点,本实施例斜率阈值采用0.68进行计算,将任意一个数据点前一个数据点的斜率减去该数据点的斜率得到的差值,记为该数据点的斜率变化值,若斜率变化值大于斜率阈值,则对相关性变化曲线中该数据点进行标记,并将对应的该维度数据中的数据点记为标记点,按照上述方法获取该相关维度组合下该维度数据的若干标记点,获取该维度数据在每个相关维度组合下的标记点,若得到的标记点对应该维度数据中的极值点,则对该极值点进行剔除,剔除该维度数据中所有为标记点的极值点,剩余的极值点记为该维度数据的真实极值点,需要说明的是,每个维度数据的极值点在步骤S002中已经获取;按照上述方法获取每个维度数据的标记点,并得到真实极值点。
进一步的,以任意一个维度数据为例,预设一个起始分段范围,本实施例起始分段范围设置为15,迭代步长设置为3,最大分段范围设置为维度数据的数据量的一半,即45;从该维度数据的第一个数据点开始,从起始分段范围开始进行迭代分段,迭代过程中每个分段范围都从第一个数据点获取一个分段,每个分段范围获取到的分段都记为初始分段,则得到了该维度数据的若干初始分段,需要说明的是,维度数据中除初始分段外其他部分,在后续步骤S004中获取到初始分段的优选程度后,获取对应的第一分段,继续向后获取分段并得到优选程度,最终完成对维度数据的自适应分段;按照上述方法获取每组历史多维数据中每个维度数据的若干初始分段。
至此,获取到了每个维度数据的若干分量,同时筛选得到了每个维度数据的真实极值点,并通过迭代分段范围获取了每个维度数据的若干初始分段。
步骤S004、根据真实极值点在分量中的对应分布,以及分量中幅值变化,获取每组历史多维数据中每个维度数据每个初始分段的优选程度,进而得到每个维度数据的若干第一分段,结合每组历史多维数据所属的聚簇,得到每个聚簇中每个维度的最终分段。
需要说明的是,获取到每个维度数据的真实极值点后,则通过真实极值点对应在不同分量中呈现的趋势变化,通过与原始数据的趋势变化进行比较,并结合分量之间的幅值变化差异,最终得到每个初始分段的优选程度,进而获取第一分段,并按照相同方法逐步获得第一分段,最终完成对每个维度数据的自适应分段;同时结合每个维度数据所属历史多维数据所属的聚簇,对第一分段进行交集运算,最终得到每个聚簇中每个维度的最终分段。
具体的,以任意一组历史多维数据中任意一个维度数据的任意一个初始分段为例,该维度数据已经获取到真实极值点及若干分量,获取该初始分段中的真实极值点在每个分量中对应的数据点,并对每个分量中提取出的数据点共同构成上包络线及下包络线,以任意一个分量为例,对该分量的上包络线与该初始分段计算皮尔逊相关系数,对该分量的下包络线与该初始分段计算皮尔逊相关系数,将两个皮尔逊相关系数的均值作为该分量与该维度数据的该初始分段的趋势相近性;按照上述方法获取每个分量与该维度数据的该初始分段的趋势相近性,将所有趋势相近性的均值作为该初始分段的趋势优选度;按照上述方法获取每组历史多维数据中每个维度数据的每个初始分段的趋势优选度;初始分段下趋势相近性得到的趋势优先度越大,初始分段越能保留维度数据的趋势变化,作为一个分段越能反映维度数据的整体变化特征,优选程度越大。
进一步的,以任意一组历史多维数据中任意一个维度数据的任意一个初始分段为例,获取该初始分段下的分量优选度,分量优选度越大,该初始分段下存在一个主导的IMF分量,该初始分段越可能受单一因素影响,分量优选度的计算方法为:
其中,表示该维度数据的该初始分段下所有截取的分量,截取的分量即是根据初始分段对应的对每个IMF分量进行截取;/>表示该初始分段下第/>个截取的分量中平均幅值相近的数据点占截取的分量中数据点总数量的比例,其中平均幅值相近的数据点表示在该截取的分量的幅值均值/>范围内进行浮动的数据点,其中/>表示该截取的分量的幅值的标准差;/>表示该初始分段下第/>个截取的分量中平均幅值相近的数据点的幅值均值;/>表示该维度数据该初始分段的幅值均值;/>表示求绝对值,/>表示在该维度数据的该初始分段下所有截取的分量中求对应的最大值,/>表示以自然常数为底的指数函数,本实施例通过/>函数来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数;通过最大类间方差的思想,将第/>个截取的分量作为一类,其他分量作为一类来比较两者之间的差异,平均幅值相近数据点占比越大,同时幅值差异越大,则差异越大,则对应分量与其他分量的差异越大,呈现主导分量的可能性越大,则分段优选度越大;按照上述方法获取每组历史多维数据中每个维度数据的每个初始分段的分量优选度。
进一步的,以任意一组历史多维数据中任意一个维度数据的任意一个初始分段为例,本实施例认为趋势的相近性以及分量的主导性对于分段优选程度量化同样重要,因此将该初始分段的趋势优选度与分量优选度的均值,作为该初始分段的优选程度,获取该维度数据中每个初始分段的优选程度,将优选程度最大的初始分段作为该维度数据的第一分段;从该分段数据中第一分段后下一个数据点开始,按照分段范围迭代同样获取若干分段,按照上述方法获取每个分段的优选程度,并将优选程度最大的分段作为第一分段,再按照上述方法继续向后获取第一分段,直到完全将该维度数据划分为若干第一分段;按照上述方法将每组历史多维数据中每个维度数据划分为若干第一分段,需要说明的是,通过分段范围迭代,在维度数据最后部分时,可能无法获取所有分段范围对应的分段,则对已经获取的分段计算优选程度并得到第一分段。
进一步的,以任意一个聚簇为例,对于该聚簇中每组历史多维数据中相同维度的维度数据,每个维度数据得到的若干第一分段,实际上都是针对数据点次序值的集合,即每个第一分段对应一个次序值的集合,对相同维度下得到的所有集合求交集,将每个交集对应的数据点次序值,组成一个分段范围,并作为该聚簇中该相同维度的若干最终分段;按照上述方法获取每个聚簇中每个维度的最终分段。
至此,通过初始分段的趋势相近性以及分量的主导性分析,实现了每个维度数据的第一分段的获取,并通过相同聚簇中交集运算,最终得到每个聚簇中每个维度的最终分段。
步骤S005、对每个聚簇中每个维度的最终分段进行多项式拟合,得到拟合多项式公式,确定实际测量所对应的聚簇,根据测量值对应最终分段,通过拟合多项式公式,完成台式万用表误差的智能补偿。
获取到每个聚簇中每个维度的最终分段后,此时一个聚簇对应的是台式万用表的同一种相近的使用情况,使用情况包括台式万用表使用时所处的温度以及台式万用表的老化程度,同一个聚簇中包含多个维度,每个维度对应了若干最终分段,每个最终分段对应了同一聚簇中多个历史多维数据中相同维度数据中的一段数据;对每个最终分段对应的每段数据分别进行多项式拟合,得到拟合多项式公式,多项式拟合为现有技术,本实施例不再赘述。
进一步的,当获取到实际测量值后,首先根据实际测量过程台式万用表所处的使用情况,确定对应历史多维数据的聚簇,根据实际测量的数据的维度,例如电流数据、电压数据等,确定对应维度,即电流、电压等;根据实际测量值获取对应的最终分段,每个最终分段具有测量值范围,通过实际测量值所属的测量值范围得到对应的最终分段,结合实际测量过程中最近一段数据获取对应最终分段下幅值变化最相近的一段数据,幅值变化相近判断为公知技术,本实施例不再赘述,选取对应的拟合多项式公式,并最终完成实际测量值的智能补偿,得到实际测量数据的校正值。
至此,通过对历史多维数据进行聚类,并对聚簇中每个维度进行自适应分段,保证拟合多项式公式获取过程中仅受单一因素影响,进而提高台式万用表的误差智能补偿结果的准确性,并最终完成台式万用表的误差智能补偿。
请参阅图2,其示出了本发明另一个实施例所提供的基于数据驱动的台式万用表误差智能补偿系统结构框图,该系统包括:
历史数据采集模块101,采集台式万用表的若干组历史多维数据。
历史数据分析模块102:
(1)根据相同历史多维数据中不同维度数据之间的相关性,获取若干相关维度组合,根据不同组历史多维数据中相关维度组合之间的差异,获取任意两组历史多维数据的相似性,根据相似性将若干组历史多维数据划分为多个聚簇;
(2)对每组历史多维数据中每个维度数据通过EMD分解得到若干分量,根据同一历史多维数据中相关维度组合中不同维度数据的极值点与相关性变化,获取每个维度数据的标记点及真实极值点,通过分段范围迭代,对每组历史多维数据中每个维度数据获取若干初始分段;
(3)根据真实极值点在分量中的对应分布,以及分量中幅值变化,获取每组历史多维数据中每个维度数据每个初始分段的优选程度,进而得到每个维度数据的若干第一分段,结合每组历史多维数据所属的聚簇,得到每个聚簇中每个维度的最终分段。
误差智能补偿模块103,对每个聚簇中每个维度的最终分段进行多项式拟合,得到拟合多项式公式,确定实际测量所对应的聚簇,根据测量值对应最终分段,通过拟合多项式公式,完成台式万用表误差的智能补偿。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于数据驱动的台式万用表误差智能补偿方法,其特征在于,该方法包括以下步骤:
采集台式万用表若干时间段的多个维度数据,相同时间段的多个维度数据组成一组历史多维数据,得到若干组历史多维数据;
根据不同组历史多维数据中相关维度组合之间的差异,获取任意两组历史多维数据的相似距离,根据相似距离对若干组历史多维数据进行聚类,得到若干聚簇;
根据相同历史多维数据中相关维度组合中不同维度数据的相关性变化,获取每组历史维度数据中每个维度数据的真实极值点;
对每组历史多维数据中每个维度数据通过EMD分解得到若干分量,通过分段范围迭代获取每组历史多维数据中每个维度数据的若干初始分段;
根据真实极值点在分量中的对应分布及分量中幅值变化,获取每组历史多维数据中每个维度数据每个初始分段的优选程度,结合历史多维数据所属的聚簇,得到每个聚簇中每个维度的最终分段;
对每个聚簇中每个维度的最终分段进行多项式拟合,得到拟合多项式公式,完成台式万用表误差的智能补偿。
2.根据权利要求1所述的基于数据驱动的台式万用表误差智能补偿方法,其特征在于,所述任意两组历史多维数据的相似距离,具体的获取方法为:
根据同一历史多维数据中不同维度数据,得到若干相关维度组合及每个相关维度组合在每组历史多维数据中两个维度数据的相关性及参考权重;第组历史多维数据与第/>组历史多维数据的相似距离/>的计算方法为:
其中,表示相关维度组合的数量,/>表示第/>个相关维度组合在第/>个历史多维数据的参考权重,/>表示第/>个相关维度组合在第/>个历史多维数据中两个维度数据的相关性,/>表示第/>个相关维度组合在第/>个历史多维数据的参考权重,/>表示第/>个相关维度组合在第/>个历史多维数据中两个维度数据的相关性;
获取任意两组历史多维数据之间的相似距离。
3.根据权利要求2所述的基于数据驱动的台式万用表误差智能补偿方法,其特征在于,所述得到若干相关维度组合及每个相关维度组合在每组历史多维数据中两个维度数据的相关性及参考权重,包括的具体方法为:
根据相同历史多维数据中不同维度数据之间的相关性,获取若干相关维度组合及每个相关维度组合在每组历史多维数据中两个维度数据的相关性;
以任意一组历史多维数据中任意一个相关维度组合为目标相关维度组合,目标相关维度组合中任意一个维度数据作为目标维度数据,获取目标维度数据中所有极大值及极小值,获取相邻极大值出现的间隔均值与目标维度数据的长度的比值,记为目标维度数据的极大值平均间隔;获取相邻极小值出现的间隔均值与目标维度数据的长度的比值,记为目标维度数据的极小值平均间隔;获取目标相关维度组合中另一个维度数据的极大值平均间隔及极小值平均间隔,获取目标相关维度组合中两个极大值平均间隔、两个极小值平均间隔的均值,记为目标相关维度组合的极值平均间隔;
将记为目标相关维度组合对于该历史多维数据的参考权重,其中/>表示目标相关维度组合的极值平均间隔,/>表示以自然常数为底的指数函数;
获取每个相关维度组合在每组历史多维数据的参考权重。
4.根据权利要求3所述的基于数据驱动的台式万用表误差智能补偿方法,其特征在于,所述若干相关维度组合及每个相关维度组合在每组历史多维数据中两个维度数据的相关性,具体的获取方法为:
以任意一组历史多维数据为目标历史多维数据,对目标历史多维数据中任意两个维度数据计算相关性,相关性采用皮尔逊相关系数进行计算,若两个维度数据的相关性大于相关性阈值,将两个维度作为相关维度组合,获取目标历史多维数据中所有的相关维度组合;
获取每个相关维度组合在每组历史多维数据中两个维度数据的相关性。
5.根据权利要求1所述的基于数据驱动的台式万用表误差智能补偿方法,其特征在于,所述每组历史维度数据中每个维度数据的真实极值点,具体的获取方法为:
以任意一组历史多维数据中任意一个维度数据为目标维度数据,目标维度数据的任意一个相关维度组合为目标维度组合,对目标相关维度组合构建相关性变化曲线,曲线横坐标为数据点的次序值,纵坐标为相关性值,其中纵坐标相关性值的计算方法为:
其中,表示相关性变化曲线中第/>个数据点的纵坐标,/>表示第/>个数据点的次序值,表示相关性变化曲线的数据点数量,/>表示目标维度数据与目标相关维度组合中另一个维度数据截止到第/>个数据点的相关性;所述截止到第/>个数据点的相关性,是对两个维度数据都提取前/>个数据点,对两个维度数据中前/>个数据点构成的两个序列计算相关性,采用皮尔逊相关系数进行计算;
获取相关性变化曲线中每个数据点的纵坐标,得到目标相关维度组合的相关性变化曲线,对相关性变化曲线中每个数据点求斜率;将任意一个数据点前一个数据点的斜率减去该数据点的斜率得到的差值,记为该数据点的斜率变化值,若斜率变化值大于斜率阈值,对相关性变化曲线中该数据点进行标记,将对应的目标维度数据中的数据点记为标记点;
获取目标相关维度组合下目标维度数据的若干标记点,获取目标维度数据在每个相关维度组合下的标记点,若得到的标记点对应目标维度数据中的极值点,对该极值点进行剔除,剔除目标维度数据中所有为标记点的极值点,剩余的极值点记为目标维度数据的真实极值点;获取每组历史维度数据中每个维度数据的真实极值点。
6.根据权利要求1所述的基于数据驱动的台式万用表误差智能补偿方法,其特征在于,所述每组历史多维数据中每个维度数据的若干初始分段,具体的获取方法为:
以任意一组历史多维数据中任意一个维度数据为目标维度数据,从目标维度数据的第一个数据点开始,从起始分段范围开始进行迭代分段,迭代过程中每个分段范围都从第一个数据点获取一个分段,每个分段范围获取到的分段都记为初始分段,得到目标维度数据的若干初始分段;
获取每组历史多维数据中每个维度数据的若干初始分段。
7.根据权利要求1所述的基于数据驱动的台式万用表误差智能补偿方法,其特征在于,所述每组历史多维数据中每个维度数据每个初始分段的优选程度,具体的获取方法为:
根据维度数据中每个初始分段中真实极值点在分量中的分布,获取每组历史多维数据中每个维度数据每个初始分段的趋势优选度;任意一组历史多维数据中任意一个维度数据的任意一个初始分段的分量优选度的计算方法为:
其中,表示该维度数据的该初始分段下所有截取的分量;/>表示该初始分段下第/>个截取的分量中平均幅值相近的数据点占截取的分量中数据点总数量的比例,其中平均幅值相近的数据点表示在该截取的分量的幅值均值/>范围内进行浮动的数据点,其中/>表示该截取的分量的幅值的标准差;/>表示该初始分段下第/>个截取的分量中平均幅值相近的数据点的幅值均值;/>表示该维度数据该初始分段的幅值均值;/>表示求绝对值,/>表示在该维度数据的该初始分段下所有截取的分量中求对应的最大值,/>表示以自然常数为底的指数函数;
获取每组历史多维数据中每个维度数据每个初始分段的分量优选度,将每个初始分段的趋势优选度与分量优选度的均值,作为每个初始分段的优选程度。
8.根据权利要求7所述的基于数据驱动的台式万用表误差智能补偿方法,其特征在于,所述每组历史多维数据中每个维度数据每个初始分段的趋势优选度,具体的获取方法为:
对于任意一组历史多维数据中任意一个维度数据的任意一个初始分段,获取该初始分段中的真实极值点在每个分量中对应的数据点,并对每个分量中提取出的数据点共同构成上包络线及下包络线;
对于任意一个分量,对该分量的上包络线与该初始分段计算皮尔逊相关系数,对该分量的下包络线与该初始分段计算皮尔逊相关系数,将两个皮尔逊相关系数的均值作为该分量与该维度数据的该初始分段的趋势相近性;
获取每个分量与该维度数据的该初始分段的趋势相近性,将所有趋势相近性的均值作为该初始分段的趋势优选度;
获取每组历史多维数据中每个维度数据的每个初始分段的趋势优选度。
9.根据权利要求1所述的基于数据驱动的台式万用表误差智能补偿方法,其特征在于,所述得到每个聚簇中每个维度的最终分段,包括的具体方法为:
以任意一组历史多维数据中任意一个维度数据为目标维度数据,将目标维度数据中优选程度最大的初始分段作为目标维度数据的第一分段;
从目标分段数据中第一分段后下一个数据点开始,按照分段范围迭代获取若干分段,并获取每个分段的优选程度,将优选程度最大的分段作为第一分段,再按照上述方法继续向后获取第一分段,直到完全将目标维度数据划分为若干第一分段;将每组历史多维数据中每个维度数据划分为若干第一分段;
以任意一个聚簇为目标聚簇,目标聚簇中每组历史多维数据中相同维度的每个维度数据分别对应若干第一分段,将每个第一分段视为数据点次序值的集合,对相同维度下得到的所有集合求交集,将每个交集对应的数据点次序值,组成一个分段范围,作为目标聚簇中该相同维度的若干最终分段;
获取每个聚簇中每个维度的最终分段。
10.基于数据驱动的台式万用表误差智能补偿系统,其特征在于,该系统包括:
历史数据采集模块,采集台式万用表若干时间段的多个维度数据,相同时间段的多个维度数据组成一组历史多维数据,得到若干组历史多维数据;
历史数据分析模块:根据不同组历史多维数据中相关维度组合之间的差异,获取任意两组历史多维数据的相似距离,根据相似距离对若干组历史多维数据进行聚类,得到若干聚簇;
根据相同历史多维数据中相关维度组合中不同维度数据的相关性变化,获取每组历史维度数据中每个维度数据的真实极值点;
对每组历史多维数据中每个维度数据通过EMD分解得到若干分量,通过分段范围迭代获取每组历史多维数据中每个维度数据的若干初始分段;
根据真实极值点在分量中的对应分布及分量中幅值变化,获取每组历史多维数据中每个维度数据每个初始分段的优选程度,结合历史多维数据所属的聚簇,得到每个聚簇中每个维度的最终分段;
误差智能补偿模块,对每个聚簇中每个维度的最终分段进行多项式拟合,得到拟合多项式公式,完成台式万用表误差的智能补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882733.1A CN116609720B (zh) | 2023-07-19 | 2023-07-19 | 基于数据驱动的台式万用表误差智能补偿方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882733.1A CN116609720B (zh) | 2023-07-19 | 2023-07-19 | 基于数据驱动的台式万用表误差智能补偿方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116609720A true CN116609720A (zh) | 2023-08-18 |
CN116609720B CN116609720B (zh) | 2023-09-12 |
Family
ID=87676785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882733.1A Active CN116609720B (zh) | 2023-07-19 | 2023-07-19 | 基于数据驱动的台式万用表误差智能补偿方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609720B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117215250A (zh) * | 2023-11-07 | 2023-12-12 | 山东德源电力科技股份有限公司 | 一种用于磁控开关的远程控制方法 |
CN117318729A (zh) * | 2023-11-27 | 2023-12-29 | 山东济宁运河煤矿有限责任公司 | 一种煤矿井下防爆电气设备参数管理系统 |
CN117332283A (zh) * | 2023-12-01 | 2024-01-02 | 山东康源堂药业股份有限公司 | 一种中药材生长信息采集分析方法及系统 |
CN117454255A (zh) * | 2023-12-25 | 2024-01-26 | 陕西奥纳泽建筑工程有限公司 | 一种智慧建筑能耗数据优化存储方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2093015A1 (en) * | 1990-10-12 | 1992-04-13 | Jon Steven Gethner | A method of calibrating a spectrometer using correlation between calibration sample spectra and measured spectra |
US5121337A (en) * | 1990-10-15 | 1992-06-09 | Exxon Research And Engineering Company | Method for correcting spectral data for data due to the spectral measurement process itself and estimating unknown property and/or composition data of a sample using such method |
WO2002023457A2 (de) * | 2000-09-05 | 2002-03-21 | Mtu Aero Engines Gmbh | Verfahren zur veränderung der konstruktion eines bauteils |
CA2612447A1 (en) * | 2005-08-04 | 2007-02-08 | Calibration & Testing International Pte. Ltd. | Method for the evaluation of measurement uncertainty, and a device and system thereof |
WO2016054348A1 (en) * | 2014-10-01 | 2016-04-07 | The Board Of Trustees Of The University Of Illinois | Thermal transport characteristics of human skin measured in vivo using thermal elements |
WO2019191703A1 (en) * | 2018-03-30 | 2019-10-03 | Northwestern University | Wireless skin sensor with methods and uses |
CN114460527A (zh) * | 2022-04-12 | 2022-05-10 | 华中科技大学 | 关联度延拓Hibert移相电子式互感器校验仪溯源方法和系统 |
CN116341290A (zh) * | 2023-05-29 | 2023-06-27 | 北京航空航天大学 | 一种长贮装备可靠性抽样检测方法 |
-
2023
- 2023-07-19 CN CN202310882733.1A patent/CN116609720B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2093015A1 (en) * | 1990-10-12 | 1992-04-13 | Jon Steven Gethner | A method of calibrating a spectrometer using correlation between calibration sample spectra and measured spectra |
US5121337A (en) * | 1990-10-15 | 1992-06-09 | Exxon Research And Engineering Company | Method for correcting spectral data for data due to the spectral measurement process itself and estimating unknown property and/or composition data of a sample using such method |
WO2002023457A2 (de) * | 2000-09-05 | 2002-03-21 | Mtu Aero Engines Gmbh | Verfahren zur veränderung der konstruktion eines bauteils |
CA2612447A1 (en) * | 2005-08-04 | 2007-02-08 | Calibration & Testing International Pte. Ltd. | Method for the evaluation of measurement uncertainty, and a device and system thereof |
WO2016054348A1 (en) * | 2014-10-01 | 2016-04-07 | The Board Of Trustees Of The University Of Illinois | Thermal transport characteristics of human skin measured in vivo using thermal elements |
WO2019191703A1 (en) * | 2018-03-30 | 2019-10-03 | Northwestern University | Wireless skin sensor with methods and uses |
CN114460527A (zh) * | 2022-04-12 | 2022-05-10 | 华中科技大学 | 关联度延拓Hibert移相电子式互感器校验仪溯源方法和系统 |
CN116341290A (zh) * | 2023-05-29 | 2023-06-27 | 北京航空航天大学 | 一种长贮装备可靠性抽样检测方法 |
Non-Patent Citations (2)
Title |
---|
王晓松: "数字万用表的校准和测量能力分析", 天津市电子工业协会2022年年会论文集, pages 1 - 3 * |
韩旭等: "基于可靠性指标的测试系统校准周期优化", 航空动力学报, vol. 25, no. 1, pages 1640 - 1645 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117215250A (zh) * | 2023-11-07 | 2023-12-12 | 山东德源电力科技股份有限公司 | 一种用于磁控开关的远程控制方法 |
CN117215250B (zh) * | 2023-11-07 | 2024-01-30 | 山东德源电力科技股份有限公司 | 一种用于磁控开关的远程控制方法 |
CN117318729A (zh) * | 2023-11-27 | 2023-12-29 | 山东济宁运河煤矿有限责任公司 | 一种煤矿井下防爆电气设备参数管理系统 |
CN117332283A (zh) * | 2023-12-01 | 2024-01-02 | 山东康源堂药业股份有限公司 | 一种中药材生长信息采集分析方法及系统 |
CN117332283B (zh) * | 2023-12-01 | 2024-03-05 | 山东康源堂药业股份有限公司 | 一种中药材生长信息采集分析方法及系统 |
CN117454255A (zh) * | 2023-12-25 | 2024-01-26 | 陕西奥纳泽建筑工程有限公司 | 一种智慧建筑能耗数据优化存储方法 |
CN117454255B (zh) * | 2023-12-25 | 2024-03-29 | 陕西奥纳泽建筑工程有限公司 | 一种智慧建筑能耗数据优化存储方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116609720B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116609720B (zh) | 基于数据驱动的台式万用表误差智能补偿方法及系统 | |
CN111444241B (zh) | 一种基于数据挖掘的台区线损异常关联用户精准定位方法 | |
CN116954342B (zh) | 基于物联网的全方位高效散热主机电源运行监测方法 | |
CN116865269B (zh) | 一种风电机组高谐波补偿方法及系统 | |
CN117349683B (zh) | 基于光谱数据的汽车配件涂装色差异常检测系统 | |
CN110632546A (zh) | 基于全网域证据集的电子式互感器可信度评估方法和装置 | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN113468796A (zh) | 一种基于改进随机森林算法的电压缺失数据辨识方法 | |
CN112651849A (zh) | 基于不平衡数据集的电压监测异常数据识别方法及系统 | |
CN117454255B (zh) | 一种智慧建筑能耗数据优化存储方法 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
US10585130B2 (en) | Noise spectrum analysis for electronic device | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN114676749A (zh) | 一种基于数据挖掘的配电网运行数据异常判定方法 | |
CN116341770B (zh) | 基于聚苯乙烯生产数据的生产能力预测方法及系统 | |
CN116992388A (zh) | 基于数据分析的薄膜开关测试数据处理方法 | |
CN115560926A (zh) | 一种手机密封性检测方法及装置 | |
CN110969238A (zh) | 一种校准用电数据的方法及装置 | |
CN115935212A (zh) | 一种基于纵向趋势预测的可调节负荷聚类方法及系统 | |
CN115859195A (zh) | 一种基于随机森林算法模型的河道水质指标软测量方法 | |
CN114723147A (zh) | 基于改进的小波变换与神经网络的新能源功率预测方法 | |
CN112834912A (zh) | 一种芯片测试机上利用曲线拟合方式测量芯片内阻的方法 | |
CN113408383B (zh) | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 | |
CN115509196B (zh) | 一种基于机器学习的制造工艺优化方法及装置 | |
CN115658990B (zh) | 一种用于目标空间分群的数据处理方法及装置 |
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 |