CN116678489A - 力传感器的质量控制方法、系统、设备及介质 - Google Patents
力传感器的质量控制方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116678489A CN116678489A CN202310971216.1A CN202310971216A CN116678489A CN 116678489 A CN116678489 A CN 116678489A CN 202310971216 A CN202310971216 A CN 202310971216A CN 116678489 A CN116678489 A CN 116678489A
- Authority
- CN
- China
- Prior art keywords
- data
- weighing sensor
- detected
- abnormal
- linearity
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 28
- 238000005303 weighing Methods 0.000 claims abstract description 204
- 230000002159 abnormal effect Effects 0.000 claims abstract description 117
- 238000012360 testing method Methods 0.000 claims abstract description 102
- 230000005856 abnormality Effects 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000009191 jumping Effects 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims description 95
- 238000001514 detection method Methods 0.000 claims description 75
- 238000000034 method Methods 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000003825 pressing Methods 0.000 claims description 6
- 238000004377 microelectronic Methods 0.000 abstract description 3
- 238000009529 body temperature measurement Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/01—Testing or calibrating of weighing apparatus
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (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)
- Measurement Of Force In General (AREA)
Abstract
本发明涉及微电子领域，本发明公开了力传感器的质量控制方法、系统、设备及介质，包括步骤1：将多个待检测称重传感器放置于第一力检测装置上；步骤2：获取目标线性测试数据；步骤3：判断是否存在线性度异常的待检测称重传感器，若存在，则跳转到步骤4，若不存在，则令i=i+v，并跳转回步骤2；步骤4：基于实测电阻数据和实测振动数据识别异常原因；步骤5：重复上述步骤2～3，直至i+v=Q停止循环，得到所有摄氏温度下的目标线性测试数据；步骤6：基于每一摄氏温度下的目标线性测试数据进行模型训练以生成神经网络补偿模型；步骤7：将基础参数数据输入神经网络补偿模型中以获取在不同温度下的补偿数据。
Description
技术领域
本发明涉及微电子领域，更具体地说，本发明涉及力传感器的质量控制方法、系统、设备及介质。
背景技术
随着科技的进步以及新技术的不断发展，传感器的发展经历了多个阶段，从最早的机械传感器到现代的微电子式新型传感器；新技术的发展使得衍生出了各种力传感器，包括压力传感器、力矩传感器、应变传感器和称重传感器等等；其中，力传感器中最典型的应用例子就是称重传感器，其是一种通过检查受力载体所承受的负载来测量物体力的传感器设备，通过将载体的压力转换为电信号，从而实现测量目的，作为大衡器核心部件其被应用在各种工业领域；虽然称重传感器是一种坚固耐用的机电产品，但由于其属于灵敏器件，一旦受到撞击，可能会使其计量性能受到重大影响，并且在现有智能制造过程中，缺乏对称重传感器有效测试手段；因此如何在智能制造过程中实现对称重传感器的有效质量把控也就成为了当下研究重点。
目前，现有的力传感器的质量控制方法大都依赖于人工质检，主要使用人工加砝码的方法实现，此种方式不仅费时费力，效率较低，且监控和测试可靠性低；当然也存在部分自动的力传感器的质量控制方法，例如授权公告号CN110907026B的中国专利公开了一种称重传感器自动检测方法，再例如授权公告号CN102221396B的中国专利公开了称重传感器测试方法及系统；上述方法虽然能实现对称重传感器的检测或测试，但经发明人对上述方法及现有技术进行研究和实际应用发现，上述方法及现有技术至少存在以下部分缺陷：
（1）虽提高了自动化程度，但效率仍然较低，且检测环境相对稳态，无法对称重传感器进行加温加载下的测试，以致使无法获取称重传感器在温变情况下的测量性能，或难以验证称重传感器的测量补偿准确度，以及无法识别称重传感器的异常原因；
（2）缺乏对万能试验机或力标准机的影响因素的考虑，以及缺乏对万能试验机或力标准机的影响问题的消除，导致称重传感器检测产生差异；
（3）无法对异常的称重传感器给予二次补偿数据，从而无法弥补称重传感器在出厂时产生的测量缺陷。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供力传感器的质量控制方法、系统、设备及介质。
为实现上述目的，本发明提供如下技术方案：
力传感器的质量控制方法，所述方法包括：
步骤1：将第M批次中的多个待检测称重传感器放置于第一力检测装置上，M为大于等于零的正整数；
步骤2：基于第一力检测装置获取第i摄氏温度下的目标线性测试数据，i为整数；
步骤3：判断是否存在线性度异常的待检测称重传感器，若存在，则跳转到步骤4，若不存在，则令i=i+v，并跳转回步骤2，v为整数；
步骤4：采集线性度异常的待检测称重传感器实测电阻数据和实测振动数据，基于实测电阻数据和实测振动数据识别线性度异常的待检测称重传感器的异常原因；
步骤5：重复上述步骤2～3，直至i+v=Q停止循环，得到所有摄氏温度下的目标线性测试数据，Q为整数；
步骤6：基于每一摄氏温度下的目标线性测试数据进行模型训练，以生成神经网络补偿模型；
步骤7：获取待检称重传感器的基础参数数据，将基础参数数据输入神经网络补偿模型进行分析，以获取待检称重传感器在不同温度下的补偿数据；基于所述补偿数据对待检称重传感器进行数据补偿，以实现对待检称重传感器的数据校正。
进一步地，在获取第i摄氏温度下的目标线性测试数据前，包括：
基于第一力检测装置对第i摄氏温度下的标准称重传感器施加第一设定压力，并记录标准称重传感器的负载数据，得到第i摄氏温度下的第一负载数据；
在设定标准摄氏温度下，基于第二力检测装置对标准称重传感器施加第二设定压力，并记录标准称重传感器的负载数据，得到设定标准摄氏温度下所述标准称重传感器的第二负载数据；
将第一负载数据和第二负载数据进行差值计算，得到负载差值数据；
若负载差值数据大于等于预设负载差值阈值，则判定第一力检测装置存在施压异常，并对第一力检测装置进行施压调整；若负载差值数据小于预设负载差值阈值，则判定第一力检测装置存在施压正常，则无需对第一力检测装置进行施压调整。
进一步地，获取第i摄氏温度下的目标线性测试数据，包括：
利用调整后的第一力检测装置对待检测称重传感器进行梯度施压；
获取每一梯度施压值，得到若干梯度施压值，以及采集每一梯度施压值对应的待检测称重传感器的梯度负载值，得到若干梯度负载值；
基于若干梯度施压值和梯度负载值构建线性度关系图，并将线性度关系图作为目标线性测试数据。
进一步地，获取第i摄氏温度下的目标线性测试数据，还包括：
利用调整后的第一力检测装置对待检测称重传感器进行梯度施压；以及利用第二力检测装置对第i摄氏温度下的标准称重传感器进行梯度施压；
采集每一梯度施压下待检测称重传感器的电阻值，以及标准称重传感器的电阻值；将每一梯度施压下待检测称重传感器的电阻值与标准称重传感器的电阻值的差值标记为电阻偏差值，并将多个电阻偏差值与第i摄氏温度进行关联，得到电阻偏差值与第i摄氏温度的关系，将电阻偏差值与第i摄氏温度的关系作为目标线性测试数据；
采集每一梯度施压下待检测称重传感器的重量值，以及标准称重传感器的重量值；将每一梯度施压下待检测称重传感器的重量值与标准称重传感器的重量值的差值标记为重量偏差值，并将多个重量偏差值与第i摄氏温度进行关联，得到重量偏差值与第i摄氏温度的关系，将重量偏差值与第i摄氏温度的关系作为目标线性测试数据。
进一步地，判断是否存在线性度异常的待检测称重传感器，包括：
提取目标线性测试数据中的线性度关系图，提取线性度关系图中每一数据点与前一数据点的坐标；
基于每一数据点与前一数据点的坐标，计算斜率差系数；其计算公式如下：
；式中：/>表示斜率差系数，（/>）表示第t个数据点的坐标，T表示数据点总个数；
将所述斜率差系数与预设斜率差阈值进行比较，若斜率差系数大于等于预设斜率差阈值，则判定对应待检测称重传感器为线性度异常的待检测称重传感器；若斜率差系数小于预设斜率差阈值，则判定对应待检测称重传感器为线性度正常的待检测称重传感器。
进一步地，识别线性度异常的待检测称重传感器的异常原因，包括；
提取实测电阻数据，基于预设电阻数据与异常分析数据的对应关系，确定所述实测电阻数据对应的异常分析数据，所述异常分析数据包括多个异常原因以及每个异常原因对应的异常振动时频图；
基于所述实测振动数据构建实测振动时频图，将所述实测振动时频图与异常振动时频图进行比较，若实测振动时频图与异常振动时频图一致，则记录异常振动时频图的对应异常原因。
进一步地，将所述实测振动时频图与异常振动时频图进行比较，包括：
将实测振动时频图与异常振动时频图分别划分为若干个等分区域；
将实测振动时频图的若干等分区域与异常振动时频图的等分区域进行逐一比较，将存在差异的等分区域作为差异区域；
若差异区域总数小于预设区域数量阈值，则判定实测振动时频图与异常振动时频图一致，并记录异常振动时频图的对应异常原因。
进一步地，所有摄氏温度下的目标线性测试数据至少包括电阻偏差值与每一摄氏温度的关系以及重量偏差值与每一摄氏温度的关系。
进一步地，基于每一摄氏温度下的目标线性测试数据进行模型训练，包括：
获取称重传感器的类型规格，提取目标线性测试数据中的电阻偏差值与每一摄氏温度的关系，以及提取目标线性测试数据中重量偏差值与每一摄氏温度的关系；
将称重传感器的类型规格、电阻偏差值与每一摄氏温度的关系以及重量偏差值与每一摄氏温度的关系作为样本数据集，并划分训练集和测试集；
构建RNN神经网络，将所述训练集输入RNN神经网络进行训练，得到初始神经网络模型；
利用测试集对初始神经网络模型进行测试，输出大于等于预设测试准确度的初始神经网络模型作为神经网络补偿模型。
进一步地，基础参数数据包括称重传感器类型规格数据、温度数据、电阻偏差数据和重量偏差数据。
力传感器的质量控制系统，包括：
放置模块，用于将第M批次中的多个待检测称重传感器放置于第一力检测装置上，M为大于等于零的正整数；
获取模块，用于基于第一力检测装置获取第i摄氏温度下的目标线性测试数据，i为整数；
判断模块，用于判断是否存在线性度异常的待检测称重传感器，若存在，则跳转到识别模块，若不存在，则令i=i+v，并跳转回获取模块，v为整数；
识别模块，用于采集线性度异常的待检测称重传感器实测电阻数据和实测振动数据，基于实测电阻数据和实测振动数据识别线性度异常的待检测称重传感器的异常原因；
循环模块，用于重复执行获取模块和判断模块，直至i+v=Q停止循环，得到所有摄氏温度下的目标线性测试数据，Q为整数；
训练模块，用于基于每一摄氏温度下的目标线性测试数据进行模型训练，以生成神经网络补偿模型；
补偿模块，用于获取待检称重传感器的基础参数数据，将基础参数数据输入神经网络补偿模型进行分析，以获取待检称重传感器在不同温度下的补偿数据；基于所述补偿数据对待检称重传感器进行数据补偿，以实现对待检称重传感器的数据校正。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述力传感器的质量控制方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述力传感器的质量控制方法。
相比于现有技术，本发明的有益效果在于：
本申请公开了一种力传感器的质量控制方法、系统、设备及介质，包括步骤1：将多个待检测称重传感器放置于第一力检测装置上；步骤2：获取目标线性测试数据；步骤3：判断是否存在线性度异常的待检测称重传感器，若存在，则跳转到步骤4，若不存在，则令i=i+v，并跳转回步骤2；步骤4：基于实测电阻数据和实测振动数据识别异常原因；步骤5：重复上述步骤2～3，直至i+v=Q停止循环，得到所有摄氏温度下的目标线性测试数据；步骤6：基于每一摄氏温度下的目标线性测试数据进行模型训练以生成神经网络补偿模型；步骤7：将基础参数数据输入神经网络补偿模型中以获取在不同温度下的补偿数据；通过上述步骤本发明能够对称重传感器进行加温加载下的测试，以获取称重传感器在温变情况下的测量性能，并验证称重传感器的测量补偿准确度，以及能够识别称重传感器的异常原因；此外利用神经网络补偿模型获取在不同温度下的补偿数据，本发明对异常的称重传感器给予二次补偿，从而弥补称重传感器在出厂时产生的测量缺陷。
附图说明
图1为本发明的力传感器的质量控制方法的示意图；
图2为本发明的力传感器的质量控制系统的示意图；
图3为本发明的一种电子设备的结构示意图。
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。
实施例1
请参阅图2所示，本实施例公开提供了力传感器的质量控制系统，包括：
放置模块201，用于将第M批次中的多个待检测称重传感器放置于第一力检测装置上，M为大于等于零的正整数；
需要说明的是：所述第一力检测装置具体为万能试验机或力标准机等中的一种，或可为任何可对称重传感器进行力学性能测试的器械；所述第一力检测装置处于第一检测环境中，该检测环境为温变密闭空间，该温变密闭空间内设置有温控设备和温度传感器；该温控设备用于改变密闭空间的温度，温度传感器用于检测变化的温度值；每个批次中所述待检测称重传感器的数量可根据第一力检测装置情况设定或人为设定；每一批次中的待检测称重传感器均为同一类型规格；
获取模块202，用于基于第一力检测装置获取第i摄氏温度下的目标线性测试数据，i为整数；
具体的，在获取第i摄氏温度下的目标线性测试数据前，包括：
基于第一力检测装置对第i摄氏温度下的标准称重传感器施加第一设定压力，并记录标准称重传感器的负载数据，得到第i摄氏温度下的第一负载数据；
在设定标准摄氏温度下，基于第二力检测装置对标准称重传感器施加第二设定压力，并记录标准称重传感器的负载数据，得到设定标准摄氏温度下所述标准称重传感器的第二负载数据；
需要说明的是：所述第一力检测装置与第二力检测装置完全相同，不同的是，所述第二力检测装置设置于第二检测环境中，该第二检测环境为设定标准摄氏温度下的恒温密闭空间；进一步需要说明的是：所述第一设定压力与第二设定压力人为设定，第一设定压力与第二设定压力相等；
将第一负载数据和第二负载数据进行差值计算，得到负载差值数据；
若负载差值数据大于等于预设负载差值阈值，则判定第一力检测装置存在施压异常，并对第一力检测装置进行施压调整；若负载差值数据小于预设负载差值阈值，则判定第一力检测装置存在施压正常，则无需对第一力检测装置进行施压调整；
需要说明的是：所述负载数据具体为重量数据，所述施压异常是指受到温度影响，导致第一力检测装置对待检测称重传感器所施加的力（或所得到的负载数据）与实际设定施加的力存在偏差过大，需要对第一力检测装置进行施压调整；还需说明的是：对需要第一力检测装置进行施压调整可通过人为进行施压补偿以消除施压异常；
在一个实施步骤中，获取第i摄氏温度下的目标线性测试数据，包括：
利用调整后的第一力检测装置对待检测称重传感器进行梯度施压；
需要说明的是：梯度施压是指利用调整后的第一力检测装置对待检测称重传感器进行等区间的梯度施压测试，所述梯度施压的施压力至少包括四个梯度，进一步举例说明就是：例如，以20kg、40kg、60kg、…、120kg等的等区间施加力对待检测称重传感器进行梯度性施压测试，应当注意的是：第一力检测装置的最大施加力不超过待检测称重传感器的负载极限；
获取每一梯度施压值，得到若干梯度施压值，以及采集每一梯度施压值对应的待检测称重传感器的梯度负载值，得到若干梯度负载值；
基于若干梯度施压值和梯度负载值构建线性度关系图，并将线性度关系图作为目标线性测试数据；
需要说明的是：该线性度关系图为坐标图，所述线性度关系图通过将梯度施压值作为横轴，梯度负载值作为纵轴构建得到；
在另一个实施步骤中，获取第i摄氏温度下的目标线性测试数据，还包括：
利用调整后的第一力检测装置对待检测称重传感器进行梯度施压；以及利用第二力检测装置对第i摄氏温度下的标准称重传感器进行梯度施压；
采集每一梯度施压下待检测称重传感器的电阻值，以及标准称重传感器的电阻值；将每一梯度施压下待检测称重传感器的电阻值与标准称重传感器的电阻值的差值标记为电阻偏差值，并将多个电阻偏差值与第i摄氏温度进行关联，得到电阻偏差值与第i摄氏温度的关系，将电阻偏差值与第i摄氏温度的关系作为目标线性测试数据；
采集每一梯度施压下待检测称重传感器的重量值，以及标准称重传感器的重量值；将每一梯度施压下待检测称重传感器的重量值与标准称重传感器的重量值的差值标记为重量偏差值，并将多个重量偏差值与第i摄氏温度进行关联，得到重量偏差值与第i摄氏温度的关系，将重量偏差值与第i摄氏温度的关系作为目标线性测试数据；
需要说明的是：所述电阻偏差值与第i摄氏温度的关系是指第i摄氏温度下称重传感器所产生的电阻偏差值，同样地，重量偏差值与第i摄氏温度的关系是指第i摄氏温度下称重传感器所产生的重量偏差值；
判断模块203，用于判断是否存在线性度异常的待检测称重传感器，若存在，则跳转到识别模块204，若不存在，则令i=i+v，并跳转回获取模块202，v为整数；
具体的，判断是否存在线性度异常的待检测称重传感器，包括：
提取目标线性测试数据中的线性度关系图，提取线性度关系图中每一数据点与前一数据点的坐标；
基于每一数据点与前一数据点的坐标，计算斜率差系数；其计算公式如下：
；式中：/>表示斜率差系数，（/>）表示第t个数据点的坐标，T表示数据点总个数；
将所述斜率差系数与预设斜率差阈值进行比较，若斜率差系数大于等于预设斜率差阈值，则判定对应待检测称重传感器为线性度异常的待检测称重传感器；若斜率差系数小于预设斜率差阈值，则判定对应待检测称重传感器为线性度正常的待检测称重传感器；
需要说明的是：线性度异常是指对待检测称重传感器在测量过程中，输出信号与输入量之间的关系不符合线性关系的情况，需要对每摄氏温度下线性度异常的待检测称重传感器进行补偿，以对待检测称重传感器进行校正使每摄氏温度下的待检测称重传感器满足线性关系；相反地，线性度正常则是指每摄氏温度下的待检测称重传感器满足线性关系，无需进行任何补偿校正；
识别模块204，用于采集线性度异常的待检测称重传感器实测电阻数据和实测振动数据，基于实测电阻数据和实测振动数据识别线性度异常的待检测称重传感器的异常原因；
具体的，识别线性度异常的待检测称重传感器的异常原因，包括；
提取实测电阻数据，基于预设电阻数据与异常分析数据的对应关系，确定所述实测电阻数据对应的异常分析数据，所述异常分析数据包括多个异常原因以及每个异常原因对应的异常振动时频图；
需要说明的是：系统数据库中预存有称重传感器的多级电阻数据以及与每级电阻数据相对应的异常分析数据，所述异常分析数据包括多个异常原因以及每个异常原因对应的异常振动时频图，多个所述异常原因包括但不限于称重传感器计量失准、零点漂移、机械损坏、短路/断路等等；每个异常原因均对应有异常振动时频图，所述异常振动时频图通过获取称重传感器每种异常原因的周期性振动信号，并基于周期性振动信号构建时频图得到；
基于所述实测振动数据构建实测振动时频图，将所述实测振动时频图与异常振动时频图进行比较，若实测振动时频图与异常振动时频图一致，则记录异常振动时频图的对应异常原因；
具体的，将所述实测振动时频图与异常振动时频图进行比较，包括：
将实测振动时频图与异常振动时频图分别划分为若干个等分区域；
将实测振动时频图的若干等分区域与异常振动时频图的等分区域进行逐一比较，将存在差异的等分区域作为差异区域；
若差异区域总数小于预设区域数量阈值，则判定实测振动时频图与异常振动时频图一致，并记录异常振动时频图的对应异常原因；
需要说明的是：通过将实测振动时频图与异常振动时频图若干个等分区域划分，可得到多个对应的振动时频信息区域，若两个相同位置振动时频信息区域存在差异，则将存在差异的相同位置作为差异区域，同时统计差异区域的总数，若差异区域总数小于预设区域数量阈值，则可以认为异常振动时频图对应的异常原因为线性度异常的待检测称重传感器的异常原因；
循环模块205，用于重复执行获取模块202和判断模块203，直至i+v=Q停止循环，得到所有摄氏温度下的目标线性测试数据，Q为整数；
具体的，所有摄氏温度下的目标线性测试数据至少包括电阻偏差值与每一摄氏温度的关系以及重量偏差值与每一摄氏温度的关系；
还需要说明的是：v为固定常数，如为1、5、10等，其可根据人为设定确定，通常称重传感器的温度测量区间为-10～+40摄氏度，但本发明对此不做过多限定，其可由人为根据称重传感器的类型具体设定；
训练模块206，用于基于每一摄氏温度下的目标线性测试数据进行模型训练，以生成神经网络补偿模型；
具体的，基于每一摄氏温度下的目标线性测试数据进行模型训练，包括：
获取称重传感器的类型规格，提取目标线性测试数据中的电阻偏差值与每一摄氏温度的关系，以及提取目标线性测试数据中重量偏差值与每一摄氏温度的关系；
将称重传感器的类型规格、电阻偏差值与每一摄氏温度的关系以及重量偏差值与每一摄氏温度的关系作为样本数据集，并划分训练集和测试集；
构建RNN神经网络，将所述训练集输入RNN神经网络进行训练，得到初始神经网络模型；
利用测试集对初始神经网络模型进行测试，输出大于等于预设测试准确度的初始神经网络模型作为神经网络补偿模型；
补偿模块207，用于获取待检称重传感器的基础参数数据，将基础参数数据输入神经网络补偿模型进行分析，以获取待检称重传感器在不同温度下的补偿数据；基于所述补偿数据对待检称重传感器进行数据补偿，以实现对待检称重传感器的数据校正；
具体的，基础参数数据包括称重传感器类型规格数据、温度数据、电阻偏差数据和重量偏差数据。
实施例2
请参阅图1所示，本实施例公开提供了力传感器的质量控制方法，所述方法包括：
步骤1：将第M批次中的多个待检测称重传感器放置于第一力检测装置上，M为大于等于零的正整数；
需要说明的是：所述第一力检测装置具体为万能试验机或力标准机等中的一种，或可为任何可对称重传感器进行力学性能测试的器械；所述第一力检测装置处于第一检测环境中，该检测环境为温变密闭空间，该温变密闭空间内设置有温控设备和温度传感器；该温控设备用于改变密闭空间的温度，温度传感器用于检测变化的温度值；每个批次中所述待检测称重传感器的数量可根据第一力检测装置情况设定或人为设定；每一批次中的待检测称重传感器均为同一类型规格；
步骤2：基于第一力检测装置获取第i摄氏温度下的目标线性测试数据，i为整数；
具体的，在获取第i摄氏温度下的目标线性测试数据前，包括：
基于第一力检测装置对第i摄氏温度下的标准称重传感器施加第一设定压力，并记录标准称重传感器的负载数据，得到第i摄氏温度下的第一负载数据；
在设定标准摄氏温度下，基于第二力检测装置对标准称重传感器施加第二设定压力，并记录标准称重传感器的负载数据，得到设定标准摄氏温度下所述标准称重传感器的第二负载数据；
需要说明的是：所述第一力检测装置与第二力检测装置完全相同，不同的是，所述第二力检测装置设置于第二检测环境中，该第二检测环境为设定标准摄氏温度下的恒温密闭空间；进一步需要说明的是：所述第一设定压力与第二设定压力人为设定，第一设定压力与第二设定压力相等；
将第一负载数据和第二负载数据进行差值计算，得到负载差值数据；
若负载差值数据大于等于预设负载差值阈值，则判定第一力检测装置存在施压异常，并对第一力检测装置进行施压调整；若负载差值数据小于预设负载差值阈值，则判定第一力检测装置存在施压正常，则无需对第一力检测装置进行施压调整；
考虑到万能试验机或力标准机的易受到温度影响，通过检测施压异常并对万能试验机或力标准机的温度影响问题进行消除，本发明有利于降低称重传感器在检测时因外界干扰而产生的差异；
需要说明的是：所述负载数据具体为重量数据，所述施压异常是指受到温度影响，导致第一力检测装置对待检测称重传感器所施加的力（或所得到的负载数据）与实际设定施加的力存在偏差过大，需要对第一力检测装置进行施压调整；还需说明的是：对需要第一力检测装置进行施压调整可通过人为进行施压补偿以消除施压异常；
在一个实施步骤中，获取第i摄氏温度下的目标线性测试数据，包括：
利用调整后的第一力检测装置对待检测称重传感器进行梯度施压；
需要说明的是：梯度施压是指利用调整后的第一力检测装置对待检测称重传感器进行等区间的梯度施压测试，所述梯度施压的施压力至少包括四个梯度，进一步举例说明就是：例如，以20kg、40kg、60kg、…、120kg等的等区间施加力对待检测称重传感器进行梯度性施压测试，应当注意的是：第一力检测装置的最大施加力不超过待检测称重传感器的负载极限；
获取每一梯度施压值，得到若干梯度施压值，以及采集每一梯度施压值对应的待检测称重传感器的梯度负载值，得到若干梯度负载值；
基于若干梯度施压值和梯度负载值构建线性度关系图，并将线性度关系图作为目标线性测试数据；
需要说明的是：该线性度关系图为坐标图，所述线性度关系图通过将梯度施压值作为横轴，梯度负载值作为纵轴构建得到；
在另一个实施步骤中，获取第i摄氏温度下的目标线性测试数据，还包括：
利用调整后的第一力检测装置对待检测称重传感器进行梯度施压；以及利用第二力检测装置对第i摄氏温度下的标准称重传感器进行梯度施压；
采集每一梯度施压下待检测称重传感器的电阻值，以及标准称重传感器的电阻值；将每一梯度施压下待检测称重传感器的电阻值与标准称重传感器的电阻值的差值标记为电阻偏差值，并将多个电阻偏差值与第i摄氏温度进行关联，得到电阻偏差值与第i摄氏温度的关系，将电阻偏差值与第i摄氏温度的关系作为目标线性测试数据；
采集每一梯度施压下待检测称重传感器的重量值，以及标准称重传感器的重量值；将每一梯度施压下待检测称重传感器的重量值与标准称重传感器的重量值的差值标记为重量偏差值，并将多个重量偏差值与第i摄氏温度进行关联，得到重量偏差值与第i摄氏温度的关系，将重量偏差值与第i摄氏温度的关系作为目标线性测试数据；
需要说明的是：所述电阻偏差值与第i摄氏温度的关系是指第i摄氏温度下称重传感器所产生的电阻偏差值，同样地，重量偏差值与第i摄氏温度的关系是指第i摄氏温度下称重传感器所产生的重量偏差值；
步骤3：判断是否存在线性度异常的待检测称重传感器，若存在，则跳转到步骤4，若不存在，则令i=i+v，并跳转回步骤2，v为整数；
具体的，判断是否存在线性度异常的待检测称重传感器，包括：
提取目标线性测试数据中的线性度关系图，提取线性度关系图中每一数据点与前一数据点的坐标；
基于每一数据点与前一数据点的坐标，计算斜率差系数；其计算公式如下：
；式中：/>表示斜率差系数，（/>）表示第t个数据点的坐标，T表示数据点总个数；
将所述斜率差系数与预设斜率差阈值进行比较，若斜率差系数大于等于预设斜率差阈值，则判定对应待检测称重传感器为线性度异常的待检测称重传感器；若斜率差系数小于预设斜率差阈值，则判定对应待检测称重传感器为线性度正常的待检测称重传感器；
需要说明的是：线性度异常是指对待检测称重传感器在测量过程中，输出信号与输入量之间的关系不符合线性关系的情况，需要对每摄氏温度下线性度异常的待检测称重传感器进行补偿，以对待检测称重传感器进行校正使每摄氏温度下的待检测称重传感器满足线性关系；相反的，线性度正常则是指每摄氏温度下的待检测称重传感器满足线性关系，无需进行任何补偿校正；
步骤4：采集线性度异常的待检测称重传感器实测电阻数据和实测振动数据，基于实测电阻数据和实测振动数据识别线性度异常的待检测称重传感器的异常原因；
具体的，识别线性度异常的待检测称重传感器的异常原因，包括；
提取实测电阻数据，基于预设电阻数据与异常分析数据的对应关系，确定所述实测电阻数据对应的异常分析数据，所述异常分析数据包括多个异常原因以及每个异常原因对应的异常振动时频图；
需要说明的是：系统数据库中预存有称重传感器的多级电阻数据以及与每级电阻数据相对应的异常分析数据，所述异常分析数据包括多个异常原因以及每个异常原因对应的异常振动时频图，多个所述异常原因包括但不限于称重传感器计量失准、零点漂移、机械损坏、短路/断路等等；每个异常原因均对应有异常振动时频图，所述异常振动时频图通过获取称重传感器每种异常原因的周期性振动信号，并基于周期性振动信号构建时频图得到；
基于所述实测振动数据构建实测振动时频图，将所述实测振动时频图与异常振动时频图进行比较，若实测振动时频图与异常振动时频图一致，则记录异常振动时频图的对应异常原因；
具体的，将所述实测振动时频图与异常振动时频图进行比较，包括：
将实测振动时频图与异常振动时频图分别划分为若干个等分区域；
将实测振动时频图的若干等分区域与异常振动时频图的等分区域进行逐一比较，将存在差异的等分区域作为差异区域；
若差异区域总数小于预设区域数量阈值，则判定实测振动时频图与异常振动时频图一致，并记录异常振动时频图的对应异常原因；
需要说明的是：通过将实测振动时频图与异常振动时频图若干个等分区域划分，可得到多个对应的振动时频信息区域，若两个相同位置振动时频信息区域存在差异，则将存在差异的相同位置作为差异区域，同时统计差异区域的总数，若差异区域总数小于预设区域数量阈值，则可以认为异常振动时频图对应的异常原因为线性度异常的待检测称重传感器的异常原因；
步骤5：重复上述步骤2～3，直至i+v=Q停止循环，得到所有摄氏温度下的目标线性测试数据，Q为整数；
具体的，所有摄氏温度下的目标线性测试数据至少包括电阻偏差值与每一摄氏温度的关系以及重量偏差值与每一摄氏温度的关系；
还需要说明的是：v为固定常数，如为1、5、10等，其可根据人为设定确定，通常称重传感器的温度测量区间为-10～+40摄氏度，但本发明对此不做过多限定，其可由人为根据称重传感器的类型具体设定；
步骤6：基于每一摄氏温度下的目标线性测试数据进行模型训练，以生成神经网络补偿模型；
具体的，基于每一摄氏温度下的目标线性测试数据进行模型训练，包括：
获取称重传感器的类型规格，提取目标线性测试数据中的电阻偏差值与每一摄氏温度的关系，以及提取目标线性测试数据中重量偏差值与每一摄氏温度的关系；
将称重传感器的类型规格、电阻偏差值与每一摄氏温度的关系以及重量偏差值与每一摄氏温度的关系作为样本数据集，并划分训练集和测试集；
构建RNN神经网络，将所述训练集输入RNN神经网络进行训练，得到初始神经网络模型；
利用测试集对初始神经网络模型进行测试，输出大于等于预设测试准确度的初始神经网络模型作为神经网络补偿模型；
步骤7：获取待检称重传感器的基础参数数据，将基础参数数据输入神经网络补偿模型进行分析，以获取待检称重传感器在不同温度下的补偿数据；基于所述补偿数据对待检称重传感器进行数据补偿，以实现对待检称重传感器的数据校正；
具体的，基础参数数据包括称重传感器类型规格数据、温度数据、电阻偏差数据和重量偏差数据。
实施例3
本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述力传感器的质量控制方法。
由于本实施例所介绍的电子设备为实施本申请实施例中力传感器的质量控制方法所采用的电子设备，故而基于本申请实施例中所介绍的力传感器的质量控制方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中力传感器的质量控制方法所采用的电子设备，都属于本申请所欲保护的范围。
实施例4
本实施例公开提供了一种计算机可读存储介质，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述力传感器的质量控制方法。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (13)
1.力传感器的质量控制方法，其特征在于，所述方法包括：
步骤1：将第M批次中的多个待检测称重传感器放置于第一力检测装置上，M为大于等于零的正整数；
步骤2：基于第一力检测装置获取第i摄氏温度下的目标线性测试数据，i为整数；
步骤3：判断是否存在线性度异常的待检测称重传感器，若存在，则跳转到步骤4，若不存在，则令i=i+v，并跳转回步骤2，v为整数；
步骤4：采集线性度异常的待检测称重传感器实测电阻数据和实测振动数据，基于实测电阻数据和实测振动数据识别线性度异常的待检测称重传感器的异常原因；
步骤5：重复上述步骤2～3，直至i+v=Q停止循环，得到所有摄氏温度下的目标线性测试数据，Q为整数；
步骤6：基于每一摄氏温度下的目标线性测试数据进行模型训练，以生成神经网络补偿模型；
步骤7：获取待检称重传感器的基础参数数据，将基础参数数据输入神经网络补偿模型进行分析，以获取待检称重传感器在不同温度下的补偿数据；基于所述补偿数据对待检称重传感器进行数据补偿，以实现对待检称重传感器的数据校正。
2.根据权利要求1所述的力传感器的质量控制方法，其特征在于，在获取第i摄氏温度下的目标线性测试数据前，包括：
基于第一力检测装置对第i摄氏温度下的标准称重传感器施加第一设定压力，并记录标准称重传感器的负载数据，得到第i摄氏温度下所述标准称重传感器的第一负载数据；
在设定标准摄氏温度下，基于第二力检测装置对标准称重传感器施加第二设定压力，并记录标准称重传感器的负载数据，得到设定标准摄氏温度下所述标准称重传感器的第二负载数据；
将第一负载数据和第二负载数据进行差值计算，得到负载差值数据；
若负载差值数据大于等于预设负载差值阈值，则判定第一力检测装置存在施压异常，并对第一力检测装置进行施压调整；若负载差值数据小于预设负载差值阈值，则判定第一力检测装置存在施压正常，则无需对第一力检测装置进行施压调整。
3.根据权利要求2所述的力传感器的质量控制方法，其特征在于，获取第i摄氏温度下的目标线性测试数据，包括：
利用调整后的第一力检测装置对待检测称重传感器进行梯度施压；
获取每一梯度施压值，得到若干梯度施压值，以及采集每一梯度施压值对应的待检测称重传感器的梯度负载值，得到若干梯度负载值；
基于若干梯度施压值和梯度负载值构建线性度关系图，并将线性度关系图作为目标线性测试数据。
4.根据权利要求3所述的力传感器的质量控制方法，其特征在于，获取第i摄氏温度下的目标线性测试数据，还包括：
利用调整后的第一力检测装置对待检测称重传感器进行梯度施压；以及利用第二力检测装置对第i摄氏温度下的标准称重传感器进行梯度施压；
采集每一梯度施压下待检测称重传感器的电阻值，以及标准称重传感器的电阻值；将每一梯度施压下待检测称重传感器的电阻值与标准称重传感器的电阻值的差值标记为电阻偏差值，并将多个电阻偏差值与第i摄氏温度进行关联，得到电阻偏差值与第i摄氏温度的关系，将电阻偏差值与第i摄氏温度的关系作为目标线性测试数据；
采集每一梯度施压下待检测称重传感器的重量值，以及标准称重传感器的重量值；将每一梯度施压下待检测称重传感器的重量值与标准称重传感器的重量值的差值标记为重量偏差值，并将多个重量偏差值与第i摄氏温度进行关联，得到重量偏差值与第i摄氏温度的关系，将重量偏差值与第i摄氏温度的关系作为目标线性测试数据。
5.根据权利要求4所述的力传感器的质量控制方法，其特征在于，判断是否存在线性度异常的待检测称重传感器，包括：
提取目标线性测试数据中的线性度关系图，提取线性度关系图中每一数据点与前一数据点的坐标；
基于每一数据点与前一数据点的坐标，计算斜率差系数；其计算公式如下：
；式中：/>表示斜率差系数，（/>）表示第t个数据点的坐标，T表示数据点总个数；
将所述斜率差系数与预设斜率差阈值进行比较，若斜率差系数大于等于预设斜率差阈值，则判定对应待检测称重传感器为线性度异常的待检测称重传感器；若斜率差系数小于预设斜率差阈值，则判定对应待检测称重传感器为线性度正常的待检测称重传感器。
6.根据权利要求5所述的力传感器的质量控制方法，其特征在于，识别线性度异常的待检测称重传感器的异常原因，包括；
提取实测电阻数据，基于预设电阻数据与异常分析数据的对应关系，确定所述实测电阻数据对应的异常分析数据，所述异常分析数据包括多个异常原因以及每个异常原因对应的异常振动时频图；
基于所述实测振动数据构建实测振动时频图，将所述实测振动时频图与异常振动时频图进行比较，若实测振动时频图与异常振动时频图一致，则记录异常振动时频图的对应异常原因。
7.根据权利要求6所述的力传感器的质量控制方法，其特征在于，将所述实测振动时频图与异常振动时频图进行比较，包括：
将实测振动时频图与异常振动时频图分别划分为若干个等分区域；
将实测振动时频图的若干等分区域与异常振动时频图的等分区域进行逐一比较，将存在差异的等分区域作为差异区域；
若差异区域总数小于预设区域数量阈值，则判定实测振动时频图与异常振动时频图一致，并记录异常振动时频图的对应异常原因。
8.根据权利要求7所述的力传感器的质量控制方法，其特征在于，所有摄氏温度下的目标线性测试数据至少包括电阻偏差值与每一摄氏温度的关系以及重量偏差值与每一摄氏温度的关系。
9.根据权利要求8所述的力传感器的质量控制方法，其特征在于，基于每一摄氏温度下的目标线性测试数据进行模型训练，包括：
获取称重传感器的类型规格，提取目标线性测试数据中的电阻偏差值与每一摄氏温度的关系，以及提取目标线性测试数据中重量偏差值与每一摄氏温度的关系；
将称重传感器的类型规格、电阻偏差值与每一摄氏温度的关系以及重量偏差值与每一摄氏温度的关系作为样本数据集，并划分训练集和测试集；
构建RNN神经网络，将所述训练集输入RNN神经网络进行训练，得到初始神经网络模型；
利用测试集对初始神经网络模型进行测试，输出大于等于预设测试准确度的初始神经网络模型作为神经网络补偿模型。
10.根据权利要求9所述的力传感器的质量控制方法，其特征在于，基础参数数据包括称重传感器类型规格数据、温度数据、电阻偏差数据和重量偏差数据。
11.力传感器的质量控制系统，其特征在于，包括：
放置模块，用于将第M批次中的多个待检测称重传感器放置于第一力检测装置上，M为大于等于零的正整数；
获取模块，用于基于第一力检测装置获取第i摄氏温度下的目标线性测试数据，i为整数；
判断模块，用于判断是否存在线性度异常的待检测称重传感器，若存在，则跳转到识别模块，若不存在，则令i=i+v，并跳转回获取模块，v为整数；
识别模块，用于采集线性度异常的待检测称重传感器实测电阻数据和实测振动数据，基于实测电阻数据和实测振动数据识别线性度异常的待检测称重传感器的异常原因；
循环模块，用于重复执行获取模块和判断模块，直至i+v=Q停止循环，得到所有摄氏温度下的目标线性测试数据，Q为整数；
训练模块，用于基于每一摄氏温度下的目标线性测试数据进行模型训练，以生成神经网络补偿模型；
补偿模块，用于获取待检称重传感器的基础参数数据，将基础参数数据输入神经网络补偿模型进行分析，以获取待检称重传感器在不同温度下的补偿数据；基于所述补偿数据对待检称重传感器进行数据补偿，以实现对待检称重传感器的数据校正。
12.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10任一项所述力传感器的质量控制方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至10任一项所述力传感器的质量控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310971216.1A CN116678489B (zh) | 2023-08-03 | 2023-08-03 | 力传感器的质量控制方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310971216.1A CN116678489B (zh) | 2023-08-03 | 2023-08-03 | 力传感器的质量控制方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116678489A true CN116678489A (zh) | 2023-09-01 |
| CN116678489B CN116678489B (zh) | 2023-09-29 |
Family
ID=87782295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310971216.1A Active CN116678489B (zh) | 2023-08-03 | 2023-08-03 | 力传感器的质量控制方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116678489B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117076932A (zh) * | 2023-10-13 | 2023-11-17 | 源予半导体南京有限公司 | 高灵敏度电容变化检测方法、系统、电子设备和存储介质 |
| CN117760537A (zh) * | 2024-02-22 | 2024-03-26 | 江苏宏力称重设备有限公司 | 一种基于数据分析的地磅称重性能测试系统 |
| CN117828272A (zh) * | 2024-01-05 | 2024-04-05 | 山东金凤林电子科技有限公司 | 一种称重传感器的多次修正补偿方法及系统 |
| CN118211167A (zh) * | 2024-05-21 | 2024-06-18 | 深圳市艾信网络能源有限公司 | 基于深度学习实现充装电子秤的异常识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120173168A1 (en) * | 2009-07-23 | 2012-07-05 | Mettler-Toledo Ag | Method for the temperature-correction of a force-measuring device, and force-measuring device |
| CN106908132A (zh) * | 2017-01-20 | 2017-06-30 | 山东科技大学 | 一种基于改进Petri网检测应变式称重传感器故障的方法 |
| CN110668280A (zh) * | 2019-09-27 | 2020-01-10 | 日立楼宇技术（广州）有限公司 | 一种电梯称重传感器的检测方法及相关设备 |
| CN110907026A (zh) * | 2019-12-05 | 2020-03-24 | 电子科技大学中山学院 | 一种称重传感器自动检测方法及其装置 |
| US20210108975A1 (en) * | 2019-10-15 | 2021-04-15 | Cirrus Logic International Semiconductor Ltd. | Control methods for a force sensor system |
-
2023
- 2023-08-03 CN CN202310971216.1A patent/CN116678489B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120173168A1 (en) * | 2009-07-23 | 2012-07-05 | Mettler-Toledo Ag | Method for the temperature-correction of a force-measuring device, and force-measuring device |
| CN106908132A (zh) * | 2017-01-20 | 2017-06-30 | 山东科技大学 | 一种基于改进Petri网检测应变式称重传感器故障的方法 |
| CN110668280A (zh) * | 2019-09-27 | 2020-01-10 | 日立楼宇技术（广州）有限公司 | 一种电梯称重传感器的检测方法及相关设备 |
| US20210108975A1 (en) * | 2019-10-15 | 2021-04-15 | Cirrus Logic International Semiconductor Ltd. | Control methods for a force sensor system |
| CN110907026A (zh) * | 2019-12-05 | 2020-03-24 | 电子科技大学中山学院 | 一种称重传感器自动检测方法及其装置 |
Non-Patent Citations (1)
| Title |
|---|
| 刘九卿: "称重传感器灵敏度温度补偿及其补偿电阻的线性化调整", 《衡器》, vol. 28, no. 5, pages 7 - 12 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117076932A (zh) * | 2023-10-13 | 2023-11-17 | 源予半导体南京有限公司 | 高灵敏度电容变化检测方法、系统、电子设备和存储介质 |
| CN117076932B (zh) * | 2023-10-13 | 2024-01-26 | 源予半导体南京有限公司 | 高灵敏度电容变化检测方法、系统、电子设备和存储介质 |
| CN117828272A (zh) * | 2024-01-05 | 2024-04-05 | 山东金凤林电子科技有限公司 | 一种称重传感器的多次修正补偿方法及系统 |
| CN117828272B (zh) * | 2024-01-05 | 2024-06-21 | 山东金凤林电子科技有限公司 | 一种称重传感器的多次修正补偿方法及系统 |
| CN117760537A (zh) * | 2024-02-22 | 2024-03-26 | 江苏宏力称重设备有限公司 | 一种基于数据分析的地磅称重性能测试系统 |
| CN117760537B (zh) * | 2024-02-22 | 2024-04-26 | 江苏宏力称重设备有限公司 | 一种基于数据分析的地磅称重性能测试系统 |
| CN118211167A (zh) * | 2024-05-21 | 2024-06-18 | 深圳市艾信网络能源有限公司 | 基于深度学习实现充装电子秤的异常识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116678489B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116678489B (zh) | 力传感器的质量控制方法、系统、设备及介质 | |
| CN1103946C (zh) | 分析测量值的方法以及实施此方法的测量值分析器 | |
| US20080270058A1 (en) | Combine-information processing apparatus, method for processing combine-information, program, and recording medium | |
| US11959934B2 (en) | High precision weighing system and weighing method, thermogravimetric analyser and storage medium | |
| JP5535954B2 (ja) | 健全性評価装置及びその方法並びにプログラム | |
| CN116125242A (zh) | 对象检测方法及系统 | |
| CN117074181B (zh) | 曲面柔性屏的压力测试方法、装置、设备及存储介质 | |
| CN116660781B (zh) | 一种户外用大功率双向快充移动电源测试系统 | |
| CN117147022A (zh) | 力传感器非线性补偿方法及系统 | |
| CN101592692B (zh) | 测量机台的评估方法 | |
| CN115855165A (zh) | 一种用于火电设备的多维度精密点检方法及系统 | |
| CN104101418A (zh) | 一种电子分析天平微量加载与漂移判别方法 | |
| CN110702344A (zh) | 基于分布式应变测量技术的闭环桥梁结构损伤诊断方法 | |
| JP2023538073A (ja) | 被試験デバイスのユニバーサルキャリブレーションのための方法及びシステム | |
| US20110172941A1 (en) | Screening apparatus, screening method, and program | |
| CN114034335A (zh) | 一种环境试验设备的温湿度参数稳定状态识别方法 | |
| KR20150034791A (ko) | 내부 데이터 메모리를 포함하는 측정 변수 센서 | |
| CN116879121B (zh) | 一种基于光纤传感技术的空气颗粒物浓度实时监测系统 | |
| CN117076932B (zh) | 高灵敏度电容变化检测方法、系统、电子设备和存储介质 | |
| CN117093821B (zh) | 一种洗衣机能效、水效测定系统和方法 | |
| CN116990014B (zh) | 一种齿轮箱性能测试系统 | |
| CN117685898B (zh) | 复合材料固化成型原位检测的数据处理方法及装置 | |
| CN114354015B (zh) | 热电偶校准系统测量不确定度的确定方法 | |
| Klevtsov | Application of the Hurst index to evaluate the testing of information gathering system components | |
| CN116086648A (zh) | 一种温度检测方法及检测主机 |
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 |