CN116718220B - 基于多维数据的霍尔传感器校准方法及系统 - Google Patents
基于多维数据的霍尔传感器校准方法及系统 Download PDFInfo
- Publication number
- CN116718220B CN116718220B CN202311009756.8A CN202311009756A CN116718220B CN 116718220 B CN116718220 B CN 116718220B CN 202311009756 A CN202311009756 A CN 202311009756A CN 116718220 B CN116718220 B CN 116718220B
- Authority
- CN
- China
- Prior art keywords
- calibration
- characteristic
- preset
- feature
- hall sensor
- 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 36
- 238000012216 screening Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 120
- 238000012545 processing Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
Abstract
本申请提供了一种基于多维数据的霍尔传感器校准方法及系统,通过获取多维数据、霍尔传感器当前的输出数据以及标定数据;根据多维数据以及标定数据,确定校准霍尔传感器的多个特征超平面,以及每个特征超平面上的标准特征曲线;根据输出数据确定霍尔传感器当前的输出特征曲线;利用预设匹配模型,根据输出特征曲线,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线;根据各个目标特征曲线对应的校准维度,从预设校准模型库中选出与校准维度对应的校准模型,并综合利用各个校准模型对霍尔传感器进行校准,解决了如何综合利用已有的校准模型,在霍尔传感器受多个因素影响时进行校准的技术问题。
Description
技术领域
本申请涉及传感器校准技术领域,尤其涉及一种基于多维数据的霍尔传感器校准方法及系统。
背景技术
霍尔传感器是应用广泛的传感器元件,随着新能源产业的快速发展,对霍尔传感器的精度要求也越来越高,而提高霍尔传感器检测精度的重要手段就是对霍尔传感器进行校准。
目前,对于霍尔传感器的校准一种方式是基于统计手段,通过大量标定实验来对不同的应用场景进行标定,另一种是通过机器学习的方式,利用大量计算资源来进行校准。
上述两种方式虽然在一定程度上提高了霍尔传感器的校准精度,但是随着霍尔传感器的应用场景的丰富,或者说应用复杂度越来越高,就需要不断进行新的标定和新的机器学习训练,这都极大地消耗了社会资源,提高了校准成本。因此,如何综合利用已有的校准模型,在霍尔传感器受多个因素影响时进行校准成为了亟待解决的技术问题。
发明内容
本申请提供一种基于多维数据的霍尔传感器校准方法,以解决如何综合利用已有的校准模型,在霍尔传感器受多个因素影响时进行校准的技术问题。
第一个方面,本申请提供一种基于多维数据的霍尔传感器校准方法,包括:
获取多维数据、霍尔传感器当前的输出数据以及霍尔传感器对应的标定数据,多维数据用于表征在当前工作条件下对霍尔传感器的输出信号产生影响的数据;
根据多维数据以及标定数据,确定校准霍尔传感器的多个特征超平面,以及每个特征超平面上的标准特征曲线;
根据输出数据确定霍尔传感器当前的输出特征曲线;
利用预设匹配模型,根据输出特征曲线,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线,每个目标特征曲线对应一个校准维度;
根据各个目标特征曲线对应的校准维度,从预设校准模型库中选出与校准维度对应的校准模型,并综合利用各个校准模型对霍尔传感器进行校准。
在一种可能的设计中,根据多维数据以及标定数据,确定校准霍尔传感器的多个特征超平面,以及每个特征超平面上的标准特征曲线,包括:
根据多维数据对应的校准维度集以及标定数据对应的标定维度集,确定校准特征维度集;
利用预设校准规则,根据校准特征维度集,确定多个特征超平面,每个特征超平面至少包含两个特征维度;
利用曲线拟合模型,根据标定数据在各个特征维度上的取值,确定每个特征超平面上的标准特征曲线。
在一种可能的设计中,利用预设匹配模型,根据输出特征曲线,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线,包括:
利用预设相似度模型,计算每个标准特征曲线与输出特征曲线的相似度;
利用预设筛选规则,根据各个相似度的大小,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线。
在一种可能的设计中,利用预设相似度模型,计算每个标准特征曲线与输出特征曲线的相似度,包括:
根据预设取点方式,在每个标准特征曲线上取预设数量个第一特征点,并在输出特征曲线上取与每各第一特征点对应的第二特征点;
利用预设向量配置方式,根据各个第一特征点确定每个标准特征曲线的第一特征向量集,每个第一特征向量集中包含多个第一特征向量;
利用预设向量配置方式,根据各个第二特征点确定输出特征曲线的第二特征向量集,第二特征向量集中包含多个第二特征向量,第二特征向量与第一特征向量相对应;
利用预设相似度模型,根据各个第一特征向量集以及第二特征向量集,确定相似度。
在一种可能的设计中,利用预设相似度模型,根据各个第一特征向量集以及第二特征向量集,确定相似度,包括:
利用预设距离公式,计算每个第一特征向量集中的每个第一特征向量与对应的第二特征向量的距离;
根据各个距离以及每个距离对应的配置系数或权重系数,确定相似度。
在一种可能的设计中,利用预设距离公式,计算每个第一特征向量集中的每个第一特征向量与对应的第二特征向量的距离,包括:
或者,
其中,为任意一个第一特征向量与对应的第二特征向量的距离,/>为任意一个第一特征向量,/>为第一特征向量对应的第二特征向量;
根据各个距离以及每个距离对应的配置系数或权重系数,确定相似度,包括:
其中,为相似度,/>为任意一个距离,/>为距离对应的配置系数或权重系数。
在一种可能的设计中,利用预设筛选规则,根据各个相似度的大小,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线,包括:
判断各个相似度是否大于预设相似阈值;
若相似度大于预设相似阈值,则将相似度对应的标准特征曲线作为目标特征曲线。
在一种可能的设计中,综合利用各个校准模型对霍尔传感器进行校准,包括:
计算输出数据与各个目标特征曲线上对应的标准输出值之间的误差;
利用预设权重分配模型,根据各个误差,确定各个校准模型对应的校准权重;
根据预设组合方式以及校准权重,将各个校准模型组合成综合校准模型,并利用综合校准模型对霍尔传感器进行校准。
在一种可能的设计中,利用预设权重分配模型,根据各个误差,确定各个校准模型对应的校准权重,包括:
计算各个误差的几何平均值,并将误差与几何平均值的比值作为校准权重。
第二方面,本申请提供一种基于多维数据的霍尔传感器校准系统,包括:
获取模块,用于获取多维数据、霍尔传感器当前的输出数据以及霍尔传感器对应的标定数据,多维数据用于表征在当前工作条件下对霍尔传感器的输出信号产生影响的数据;
处理模块,用于:
根据多维数据以及标定数据,确定校准霍尔传感器的多个特征超平面,以及每个特征超平面上的标准特征曲线;
根据输出数据确定霍尔传感器当前的输出特征曲线;
利用预设匹配模型,根据输出特征曲线,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线;
利用预设校准模型,根据输出特征曲线与一个或多个目标特征曲线上对应的标准输出值之间的误差,对霍尔传感器进行校准。
第三方面,本申请提供一种电子设备,包括:处理器,以及与处理器通信连接的存储器;
存储器存储计算机执行指令;
处理器执行存储器存储的计算机执行指令,以实现第一方面所提供的任意一种可能的基于多维数据的霍尔传感器校准方法。
第四方面,本申请提供一种存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现第一方面所提供的任意一种可能的基于多维数据的霍尔传感器校准方法。
第五方面,本申请还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面所提供的任意一种可能的基于多维数据的霍尔传感器校准方法。
本申请提供了一种基于多维数据的霍尔传感器校准方法及系统,通过获取多维数据、霍尔传感器当前的输出数据以及霍尔传感器对应的标定数据,多维数据用于表征在当前工作条件下对霍尔传感器的输出信号产生影响的数据;根据多维数据以及标定数据,确定校准霍尔传感器的多个特征超平面,以及每个特征超平面上的标准特征曲线;根据输出数据确定霍尔传感器当前的输出特征曲线;利用预设匹配模型,根据输出特征曲线,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线,每个目标特征曲线对应一个校准维度;根据各个目标特征曲线对应的校准维度,从预设校准模型库中选出与校准维度对应的校准模型,并综合利用各个校准模型对霍尔传感器进行校准,解决了如何综合利用已有的校准模型,在霍尔传感器受多个因素影响时进行校准的技术问题。降低了校准成本的同时也保证了校准的精度,提高了校准的效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种基于多维数据的霍尔传感器校准方法的流程示意图;
图2为本申请实施例提供的图1中S104的一种可能的实施方式的流程示意图;
图3为本申请实施例提供的一种基于多维数据的霍尔传感器校准系统的结构示意图;
图4为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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作出创造性劳动前提下所获得的所有其他实施例,包括但不限于对多个实施例的组合,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请的发明构思是:
在霍尔传感器受多个因素影响时,其最终影响结果都会反映到输出特性曲线上,而通过标定数据的标准特征曲线与输出特性曲线的相似度,寻找与输出特性曲线最接近的特性曲线,就能够找到当前应用场景中,对霍尔传感器影响最大的一个或多个因素,然后根据这些影响因素的权重,利用预设校准库中的校准模型进行组合,得到综合校准模型,这样可以避免重复标定和重复训练校准模型,节省了校准成本,提高了校准效率,同时也保证了校准的精度要求。
图1为本申请实施例提供的一种基于多维数据的霍尔传感器校准方法的流程示意图。如图1所示,该方法的具体步骤包括:
S101、获取多维数据、霍尔传感器当前的输出数据以及霍尔传感器对应的标定数据。
在本步骤中,多维数据用于表征在当前工作条件下对霍尔传感器的输出信号产生影响的数据,包括:温度、湿度、霍尔传感器的供电电源波动数据、振动数据、安装位置数据、安装角度数据、电磁干扰数据等等。
霍尔传感器当前的输出数据是指在预设环境下,如霍尔传感器的正常工作环境,或者是专门为校准而配置的校准环境,在一段时间内采集霍尔传感器的输出信号,并同时记录环境数据和/或霍尔传感器所对应的目标检测值的标准值。
S102、根据多维数据以及标定数据,确定校准霍尔传感器的多个特征超平面,以及每个特征超平面上的标准特征曲线。
在本步骤中,根据多维数据以及标定数据两者所涉及的各个维度的交集得到出一个或多个校准维度。例如,多维数据以及标定数据都涉及到了温度、湿度、安装位置、安装角度等这些维度,而此次校准时,可以确定安装位置对霍尔传感器的影响较小,因此,可以确定各个校准维度包括温度、湿度和安装角度,这三个校准维度和目标检测量对应的维度共同组成了特征超平面,在每个超平面上,有一个校准维度上的影响因素值,如温度值是定值,而其它维度的值则是变量,这样就可以绘制出该超平面上的特征曲线。利用上述方式,通过标定数据绘制出的特征曲线就是标准特征曲线。
在本实施例中,具体包括:
S1021、根据多维数据对应的校准维度集以及标定数据对应的标定维度集,确定校准特征维度集。
在本步骤中,校准特征维度集是校准维度集与标定维度集的交集的子集或真子集。
S1022、利用预设校准规则,根据校准特征维度集,确定多个特征超平面。
在本步骤中,每个特征超平面至少包含两个特征维度。
具体的,从校准特征维度集中选出至少两个特征维度组成特征超平面,而根据所选择的特征维度不同,或者特征维度的数量不同,可以得到多个特征超平面。
S1023、利用曲线拟合模型,根据标定数据在各个特征维度上的取值,确定每个特征超平面上的标准特征曲线。
S103、根据输出数据确定霍尔传感器当前的输出特征曲线。
在本步骤中,可以通过曲线拟合模型,将霍尔传感器当前的输出数据拟合成当前的输出特性曲线,可以根据输出数据中所含的环境数据,如温度、湿度、电源供电波动数据等与输出信号一起组成多维数据点,从而得到在不同超平面上的输出特性曲线。
S104、利用预设匹配模型,根据输出特征曲线,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线。
在本步骤中,每个目标特征曲线对应一个校准维度。
图2为本申请实施例提供的图1中S104的一种可能的实施方式的流程示意图。如图2所示,本步骤具体包括:
S201、利用预设相似度模型,计算每个标准特征曲线与输出特征曲线的相似度。
在一种可能的实施方式中,具体包括:
S2011、根据预设取点方式,在每个标准特征曲线上取预设数量个第一特征点,并在输出特征曲线上取与每各第一特征点对应的第二特征点。
在本步骤中,预设取点方式可以根据标定数据中的取值来确定,包括:在某一校准维度上等间距或者非等间距取点。
S2012、利用预设向量配置方式,根据各个第一特征点确定每个标准特征曲线的第一特征向量集。
在本步骤中,每个第一特征向量集中包含多个第一特征向量。第一特征向量是由两个第一特征点来决定的,为了充分反映特征曲线的形状特征,可以由多种预设向量配置方式,包括:将相邻的第一特征点连接,形成多个首尾相连的第一特征向量,或者,选取一个或多个第一特征点作为第一特征向量的起点,余下的第一特征点作为各个第一特征向量的终点。
可选的,第一特征向量的数量在第一特征点数量的0.5~3倍时,既能满足对特征曲线的充分反映,又能节省计算资源的消耗。
S2013、利用预设向量配置方式,根据各个第二特征点确定输出特征曲线的第二特征向量集。
在本步骤中,第二特征向量集中包含多个第二特征向量,且第二特征向量与第一特征向量相对应。
S2014、利用预设相似度模型,根据各个第一特征向量集以及第二特征向量集,确定相似度。
在本步骤中,首先利用预设距离公式,计算每个第一特征向量集中的每个第一特征向量与对应的第二特征向量的距离;然后,根据各个距离以及每个距离对应的配置系数或权重系数,确定相似度。
在一种可能的实施方式中,利用预设距离公式,计算每个第一特征向量集中的每个第一特征向量与对应的第二特征向量的距离,可以用公式(1)来表示,公式(1)如下所示:
(1)
其中,为任意一个第一特征向量与对应的第二特征向量的距离,/>为任意一个第一特征向量,/>为第一特征向量对应的第二特征向量。
需要说明的是,公式(1)中的距离越大,则证明两个特征向量
在另一种可能的实施方式中,利用预设距离公式,计算每个第一特征向量集中的每个第一特征向量与对应的第二特征向量的距离,可以用公式(2)来表示,公式(2)如下所示:
(2)
需要说明的是,公式(2)中距离的取值越大,或者越接近于1,则证明两个特征向量越趋于一致,即在本申请距离的概念与传统的距离的含义不同,在本申请中距离越大反而越好。
在求得各个距离后,可以通过公式(3)求得两条特征曲线的相似度,公式(3)如下所示:
(3)
其中,为相似度,/>为任意一个距离,/>为距离对应的配置系数或权重系数。
S202、利用预设筛选规则,根据各个相似度的大小,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线。
在一种可能的设计中,具体包括:
S2021、判断各个相似度是否大于预设相似阈值。
若相似度大于预设相似阈值,则执行S2022。
S2022、将相似度对应的标准特征曲线作为目标特征曲线。
在另一种可能的设计中,具体包括:
S2023、将各个相似度按从大到小的顺序进行排列。
S2024、取前N个相似度对应的标准特征曲线作为目标特征曲线。
S105、根据各个目标特征曲线对应的校准维度,从预设校准模型库中选出与校准维度对应的校准模型,并综合利用各个校准模型对霍尔传感器进行校准。
在本步骤中,综合利用各个校准模型对霍尔传感器进行校准,包括:
S1051、计算输出数据与各个目标特征曲线上对应的标准输出值之间的误差。
S1052、利用预设权重分配模型,根据各个误差,确定各个校准模型对应的校准权重。
在一种可能的设计种,计算各个误差的均值,如:几何平均值、加权平均值,并将误差与均值的比值作为校准权重。
需要说明的是,几何平均值可以综合多个影响因素的作用效果,因此优选几何平均值用于计算权重。
S1053、根据预设组合方式以及校准权重,将各个校准模型组合成综合校准模型,并利用综合校准模型对霍尔传感器进行校准。
本实施例提供了一种基于多维数据的霍尔传感器校准方法,通过获取多维数据、霍尔传感器当前的输出数据以及霍尔传感器对应的标定数据,多维数据用于表征在当前工作条件下对霍尔传感器的输出信号产生影响的数据;根据多维数据以及标定数据,确定校准霍尔传感器的多个特征超平面,以及每个特征超平面上的标准特征曲线;根据输出数据确定霍尔传感器当前的输出特征曲线;利用预设匹配模型,根据输出特征曲线,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线,每个目标特征曲线对应一个校准维度;根据各个目标特征曲线对应的校准维度,从预设校准模型库中选出与校准维度对应的校准模型,并综合利用各个校准模型对霍尔传感器进行校准,解决了如何综合利用已有的校准模型,在霍尔传感器受多个因素影响时进行校准的技术问题。降低了校准成本的同时也保证了校准的精度,提高了校准的效率。
图3为本申请实施例提供的一种基于多维数据的霍尔传感器校准系统的结构示意图。该基于多维数据的霍尔传感器校准系统300可以通过软件、硬件或者两者的结合实现。
如图3所示,该系统包括:
获取模块301,用于获取多维数据、霍尔传感器当前的输出数据以及霍尔传感器对应的标定数据,多维数据用于表征在当前工作条件下对霍尔传感器的输出信号产生影响的数据;
处理模块302,用于:
根据多维数据以及标定数据,确定校准霍尔传感器的多个特征超平面,以及每个特征超平面上的标准特征曲线;
根据输出数据确定霍尔传感器当前的输出特征曲线;
利用预设匹配模型,根据输出特征曲线,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线;
利用预设校准模型,根据输出特征曲线与一个或多个目标特征曲线上对应的标准输出值之间的误差,对霍尔传感器进行校准。
在一种可能的设计中,处理模块302,用于:
根据多维数据对应的校准维度集以及标定数据对应的标定维度集,确定校准特征维度集;
利用预设校准规则,根据校准特征维度集,确定多个特征超平面,每个特征超平面至少包含两个特征维度;
利用曲线拟合模型,根据标定数据在各个特征维度上的取值,确定每个特征超平面上的标准特征曲线。
在一种可能的设计中,处理模块302,用于:
利用预设相似度模型,计算每个标准特征曲线与输出特征曲线的相似度;
利用预设筛选规则,根据各个相似度的大小,从各个标准特征曲线中筛选出用于校准的一个或多个目标特征曲线。
在一种可能的设计中,处理模块302,用于:
根据预设取点方式,在每个标准特征曲线上取预设数量个第一特征点,并在输出特征曲线上取与每各第一特征点对应的第二特征点;
利用预设向量配置方式,根据各个第一特征点确定每个标准特征曲线的第一特征向量集,每个第一特征向量集中包含多个第一特征向量;
利用预设向量配置方式,根据各个第二特征点确定输出特征曲线的第二特征向量集,第二特征向量集中包含多个第二特征向量,第二特征向量与第一特征向量相对应;
利用预设相似度模型,根据各个第一特征向量集以及第二特征向量集,确定相似度。
在一种可能的设计中,处理模块302,用于:
利用预设距离公式,计算每个第一特征向量集中的每个第一特征向量与对应的第二特征向量的距离;
根据各个距离以及每个距离对应的配置系数或权重系数,确定相似度。
在一种可能的设计中,处理模块302,用于利用预设距离公式,计算每个第一特征向量集中的每个第一特征向量与对应的第二特征向量的距离,包括:
或者,
其中,为任意一个第一特征向量与对应的第二特征向量的距离,/>为任意一个第一特征向量,/>为第一特征向量对应的第二特征向量;
根据各个距离以及每个距离对应的配置系数或权重系数,确定相似度,包括:
其中,为相似度,/>为任意一个距离,/>为距离对应的配置系数或权重系数。
在一种可能的设计中,处理模块302,用于:
判断各个相似度是否大于预设相似阈值;
若相似度大于预设相似阈值,则将相似度对应的标准特征曲线作为目标特征曲线。
在一种可能的设计中,综合利用各个校准模型对霍尔传感器进行校准,包括:
计算输出数据与各个目标特征曲线上对应的标准输出值之间的误差;
利用预设权重分配模型,根据各个误差,确定各个校准模型对应的校准权重;
根据预设组合方式以及校准权重,将各个校准模型组合成综合校准模型,并利用综合校准模型对霍尔传感器进行校准。
在一种可能的设计中,处理模块302,用于:
计算各个误差的几何平均值,并将误差与几何平均值的比值作为校准权重。
值得说明的是,图3所示实施例提供的系统,可以执行上述任一方法实施例中所提供的方法,其具体实现原理、技术特征、专业名词解释以及技术效果类似,在此不再赘述。
图4为本申请实施例提供的一种电子设备的结构示意图。如图4所示,该电子设备400,可以包括:至少一个处理器401和存储器402。图4示出的是以一个处理器为例的装置。
存储器402,用于存放程序。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。
存储器402可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器401用于执行存储器402存储的计算机执行指令,以实现以上各方法实施例所述的方法。
其中,处理器401可能是一个中央处理器(central processing unit,简称为CPU),或者是特定集成电路(applicationspecific integrated circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
可选地,存储器402既可以是独立的,也可以跟处理器401集成在一起。当所述存储器402是独立于处理器401之外的器件时,所述电子设备400,还可以包括:
总线403,用于连接所述处理器401以及所述存储器402。总线可以是工业标准体系结构(industry standard architecture,简称为ISA)总线、外部设备互连(peripheralcomponent,PCI)总线或扩展工业标准体系结构(extended industry standardarchitecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器402和处理器401集成在一块芯片上实现,则存储器402和处理器401可以通过内部接口完成通信。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(read-only memory ,ROM)、随机存取存储器(randomaccess memory,RAM)、磁盘或者光盘等各种可以存储程序代码的介质,具体的,该计算机可读存储介质中存储有程序指令,程序指令用于上述各方法实施例中的方法。
本申请实施例还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由本申请的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各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应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (7)
1.一种基于多维数据的霍尔传感器校准方法,其特征在于,包括:
获取多维数据、霍尔传感器当前的输出数据以及所述霍尔传感器对应的标定数据,所述多维数据用于表征在当前工作条件下对所述霍尔传感器的输出信号产生影响的数据;
根据所述多维数据以及所述标定数据,确定校准所述霍尔传感器的多个特征超平面,以及每个所述特征超平面上的标准特征曲线;
根据所述输出数据确定所述霍尔传感器当前的输出特征曲线;
利用预设匹配模型,根据所述输出特征曲线,从各个所述标准特征曲线中筛选出用于校准的一个或多个目标特征曲线,每个所述目标特征曲线对应一个校准维度;
根据各个所述目标特征曲线对应的所述校准维度,从预设校准模型库中选出与所述校准维度对应的校准模型,并综合利用各个所述校准模型对所述霍尔传感器进行校准;
所述根据所述多维数据以及所述标定数据,确定校准所述霍尔传感器的多个特征超平面,以及每个所述特征超平面上的标准特征曲线,包括:
根据所述多维数据对应的校准维度集以及所述标定数据对应的标定维度集,确定校准特征维度集;
利用预设校准规则,根据所述校准特征维度集,确定多个所述特征超平面,每个所述特征超平面至少包含两个特征维度;
利用曲线拟合模型,根据所述标定数据在各个所述特征维度上的取值,确定每个所述特征超平面上的所述标准特征曲线;
所述利用预设匹配模型,根据所述输出特征曲线,从各个所述标准特征曲线中筛选出用于校准的一个或多个目标特征曲线,包括:
利用预设相似度模型,计算每个所述标准特征曲线与所述输出特征曲线的相似度;
利用预设筛选规则,根据各个所述相似度的大小,从各个所述标准特征曲线中筛选出用于校准的一个或多个目标特征曲线;
所述利用预设相似度模型,计算每个所述标准特征曲线与所述输出特征曲线的相似度,包括:
根据预设取点方式,在每个所述标准特征曲线上取预设数量个第一特征点,并在所述输出特征曲线上取与每各所述第一特征点对应的第二特征点;
利用预设向量配置方式,根据各个所述第一特征点确定每个所述标准特征曲线的第一特征向量集,每个所述第一特征向量集中包含多个第一特征向量;
利用所述预设向量配置方式,根据各个所述第二特征点确定所述输出特征曲线的第二特征向量集,所述第二特征向量集中包含多个第二特征向量,所述第二特征向量与所述第一特征向量相对应;
利用所述预设相似度模型,根据各个所述第一特征向量集以及所述第二特征向量集,确定所述相似度。
2.根据权利要求1所述的基于多维数据的霍尔传感器校准方法,其特征在于,所述利用所述预设相似度模型,根据各个所述第一特征向量集以及所述第二特征向量集,确定所述相似度,包括:
利用预设距离公式,计算每个所述第一特征向量集中的每个所述第一特征向量与对应的所述第二特征向量的距离;
根据各个所述距离以及每个所述距离对应的配置系数或权重系数,确定所述相似度。
3.根据权利要求2所述的基于多维数据的霍尔传感器校准方法,其特征在于,所述利用预设距离公式,计算每个所述第一特征向量集中的每个所述第一特征向量与对应的所述第二特征向量的距离,包括:
或者,
其中,为任意一个所述第一特征向量与对应的所述第二特征向量的距离,/>为任意一个所述第一特征向量,/>为所述第一特征向量对应的所述第二特征向量;
所述根据各个所述距离以及每个所述距离对应的配置系数或权重系数,确定所述相似度,包括:
其中,S为所述相似度,为任意一个所述距离,/>为所述距离对应的所述配置系数或所述权重系数。
4.根据权利要求1所述的基于多维数据的霍尔传感器校准方法,其特征在于,所述利用预设筛选规则,根据各个所述相似度的大小,从各个所述标准特征曲线中筛选出用于校准的一个或多个目标特征曲线,包括:
判断各个所述相似度是否大于预设相似阈值;
若所述相似度大于所述预设相似阈值,则将所述相似度对应的所述标准特征曲线作为所述目标特征曲线。
5.根据权利要求1-4中任意一项所述的基于多维数据的霍尔传感器校准方法,其特征在于,所述综合利用各个所述校准模型对所述霍尔传感器进行校准,包括:
计算所述输出数据与各个所述目标特征曲线上对应的标准输出值之间的误差;
利用预设权重分配模型,根据各个所述误差,确定各个所述校准模型对应的校准权重;
根据预设组合方式以及所述校准权重,将各个所述校准模型组合成综合校准模型,并利用所述综合校准模型对所述霍尔传感器进行校准。
6.根据权利要求5所述的基于多维数据的霍尔传感器校准方法,其特征在于,所述利用预设权重分配模型,根据各个所述误差,确定各个所述校准模型对应的校准权重,包括:
计算各个所述误差的几何平均值,并将所述误差与所述几何平均值的比值作为所述校准权重。
7.一种基于多维数据的霍尔传感器校准系统,其特征在于,包括:
获取模块,用于获取多维数据、霍尔传感器当前的输出数据以及所述霍尔传感器对应的标定数据,所述多维数据用于表征在当前工作条件下对所述霍尔传感器的输出信号产生影响的数据;
处理模块,用于:
根据所述多维数据以及所述标定数据,确定校准所述霍尔传感器的多个特征超平面,以及每个所述特征超平面上的标准特征曲线;
根据所述输出数据确定所述霍尔传感器当前的输出特征曲线;
利用预设匹配模型,根据每个所述标准特征曲线对应的标准特征向量以及所述输出特征曲线,从各个所述标准特征曲线中筛选出用于校准的一个或多个目标特征曲线;
利用预设校准模型,根据所述输出特征曲线与一个或多个所述目标特征曲线上对应的标准输出值之间的误差,对所述霍尔传感器进行校准;
所述根据所述多维数据以及所述标定数据,确定校准所述霍尔传感器的多个特征超平面,以及每个所述特征超平面上的标准特征曲线,包括:
根据所述多维数据对应的校准维度集以及所述标定数据对应的标定维度集,确定校准特征维度集;
利用预设校准规则,根据所述校准特征维度集,确定多个所述特征超平面,每个所述特征超平面至少包含两个特征维度;
利用曲线拟合模型,根据所述标定数据在各个所述特征维度上的取值,确定每个所述特征超平面上的所述标准特征曲线;
所述利用预设匹配模型,根据所述输出特征曲线,从各个所述标准特征曲线中筛选出用于校准的一个或多个目标特征曲线,包括:
利用预设相似度模型,计算每个所述标准特征曲线与所述输出特征曲线的相似度;
利用预设筛选规则,根据各个所述相似度的大小,从各个所述标准特征曲线中筛选出用于校准的一个或多个目标特征曲线;
所述利用预设相似度模型,计算每个所述标准特征曲线与所述输出特征曲线的相似度,包括:
根据预设取点方式,在每个所述标准特征曲线上取预设数量个第一特征点,并在所述输出特征曲线上取与每各所述第一特征点对应的第二特征点;
利用预设向量配置方式,根据各个所述第一特征点确定每个所述标准特征曲线的第一特征向量集,每个所述第一特征向量集中包含多个第一特征向量;
利用所述预设向量配置方式,根据各个所述第二特征点确定所述输出特征曲线的第二特征向量集,所述第二特征向量集中包含多个第二特征向量,所述第二特征向量与所述第一特征向量相对应;
利用所述预设相似度模型,根据各个所述第一特征向量集以及所述第二特征向量集,确定所述相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009756.8A CN116718220B (zh) | 2023-08-11 | 2023-08-11 | 基于多维数据的霍尔传感器校准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009756.8A CN116718220B (zh) | 2023-08-11 | 2023-08-11 | 基于多维数据的霍尔传感器校准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116718220A CN116718220A (zh) | 2023-09-08 |
CN116718220B true CN116718220B (zh) | 2023-10-31 |
Family
ID=87875671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311009756.8A Active CN116718220B (zh) | 2023-08-11 | 2023-08-11 | 基于多维数据的霍尔传感器校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116718220B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116893384B (zh) * | 2023-09-11 | 2023-12-01 | 南京中旭电子科技有限公司 | 数字霍尔传感器监测方法及平台 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109631973A (zh) * | 2018-11-30 | 2019-04-16 | 苏州数言信息技术有限公司 | 一种传感器的自动校准方法和系统 |
WO2020112986A1 (en) * | 2018-11-27 | 2020-06-04 | Facebook Technologies, Inc. | Methods and apparatus for autocalibration of a wearable electrode sensor system |
WO2021037189A1 (zh) * | 2019-08-28 | 2021-03-04 | 北京钛方科技有限责任公司 | 校准方法、装置及存储介质 |
CN112734859A (zh) * | 2021-01-11 | 2021-04-30 | Oppo广东移动通信有限公司 | 摄像模组参数的标定方法及装置、电子设备、存储介质 |
CN112798738A (zh) * | 2020-12-28 | 2021-05-14 | 汉威科技集团股份有限公司 | 基于传感器特性曲线的响应模型及浓度补偿方法 |
CN214954041U (zh) * | 2021-03-24 | 2021-11-30 | 北京森社电子有限公司 | 一种智能自校准电流霍尔传感器 |
CN114459525A (zh) * | 2022-04-13 | 2022-05-10 | 南京中旭电子科技有限公司 | 适用于霍尔传感器的校准方法、装置及存储介质 |
CN115457756A (zh) * | 2021-06-09 | 2022-12-09 | 中移系统集成有限公司 | 传感器校准的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11763198B2 (en) * | 2019-10-08 | 2023-09-19 | Nec Corporation | Sensor contribution ranking |
-
2023
- 2023-08-11 CN CN202311009756.8A patent/CN116718220B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020112986A1 (en) * | 2018-11-27 | 2020-06-04 | Facebook Technologies, Inc. | Methods and apparatus for autocalibration of a wearable electrode sensor system |
CN109631973A (zh) * | 2018-11-30 | 2019-04-16 | 苏州数言信息技术有限公司 | 一种传感器的自动校准方法和系统 |
WO2021037189A1 (zh) * | 2019-08-28 | 2021-03-04 | 北京钛方科技有限责任公司 | 校准方法、装置及存储介质 |
CN112798738A (zh) * | 2020-12-28 | 2021-05-14 | 汉威科技集团股份有限公司 | 基于传感器特性曲线的响应模型及浓度补偿方法 |
CN112734859A (zh) * | 2021-01-11 | 2021-04-30 | Oppo广东移动通信有限公司 | 摄像模组参数的标定方法及装置、电子设备、存储介质 |
CN214954041U (zh) * | 2021-03-24 | 2021-11-30 | 北京森社电子有限公司 | 一种智能自校准电流霍尔传感器 |
CN115457756A (zh) * | 2021-06-09 | 2022-12-09 | 中移系统集成有限公司 | 传感器校准的方法及装置 |
CN114459525A (zh) * | 2022-04-13 | 2022-05-10 | 南京中旭电子科技有限公司 | 适用于霍尔传感器的校准方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于原油TBP曲线校正的常减压装置操作的多目标优化;陶勇;计算机与应用化学;第31卷(第3期);全文 * |
雷达与摄像机视频融合的车辆检测跟踪技术研究;张富有;CNKI优秀硕士学位论文全文库;第2019卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116718220A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116718220B (zh) | 基于多维数据的霍尔传感器校准方法及系统 | |
CN102859158B (zh) | 用于计算控制用的输出参量的控制设备和方法 | |
US10331810B2 (en) | Method for determining a model of an output quantity of a technical system | |
CN110245366B (zh) | 动态功耗估计方法、装置及系统 | |
CN104597393A (zh) | 一种芯片最高工作频率的确定方法及装置 | |
CN109817267B (zh) | 一种基于深度学习的闪存寿命预测方法、系统及计算机可读存取介质 | |
US20220027083A1 (en) | Regression Neural Network for Identifying Threshold Voltages to be Used in Reads of Flash Memory Devices | |
CN112597610B (zh) | 机械臂结构轻量化设计的优化方法、装置及设备 | |
CN108982915A (zh) | 一种加速度传感器温度补偿方法 | |
CN104102137A (zh) | 模型计算单元、控制设备以及用于计算基于数据的函数模型的方法 | |
CN109143053B (zh) | 温度补偿校验方法及终端设备 | |
CN111027190A (zh) | 一种用于设备模型数值相似度的评估方法及装置 | |
CN112649719B (zh) | 一种芯片中线性稳压器的测试方法、装置以及设备 | |
CN110955862A (zh) | 一种用于设备模型趋势相似度的评估方法及装置 | |
CN112014785A (zh) | 基于弹性网络的空心线圈电流互感器误差补偿方法 | |
CN112180258A (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
CN114861569A (zh) | 一种气动特性评估方法、电子设备及存储介质 | |
Vidaurre et al. | A quick assessment of topology preservation for SOM structures | |
CN113687277A (zh) | 一种磁电复合材料传感器的测试方法及系统 | |
CN113110989A (zh) | 测试依据获取方法、应用程序测试方法以及相关装置 | |
CN113822445B (zh) | 模型集成预测方法、系统、电子设备及存储介质 | |
CN115856522A (zh) | 开关柜中局放模式的检测方法及装置 | |
CN112368717A (zh) | 计算处理系统、传感器系统、计算处理方法及程序 | |
CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 | |
Nguyen et al. | Hardware Supported Data-Driven Modeling for ECU Function Development |
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 |