CN117490819A - 一种用于电子秤的误差补偿系统及方法 - Google Patents
一种用于电子秤的误差补偿系统及方法 Download PDFInfo
- Publication number
- CN117490819A CN117490819A CN202311457236.3A CN202311457236A CN117490819A CN 117490819 A CN117490819 A CN 117490819A CN 202311457236 A CN202311457236 A CN 202311457236A CN 117490819 A CN117490819 A CN 117490819A
- Authority
- CN
- China
- Prior art keywords
- sensor
- error compensation
- representing
- value
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005303 weighing Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000012886 linear function Methods 0.000 claims abstract description 10
- 238000013524 data verification Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/40—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight
- G01G19/413—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight using electromechanical or electronic computing means
- G01G19/414—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight using electromechanical or electronic computing means using electronic computing means only
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种用于电子秤的误差补偿系统及方法，属于误差补偿技术领域。本发明包括数据采集模块、数据处理模块、误差补偿模块和数据验证模块，通过分辨率模型计算称重传感器数据得到称重传感器分辨率，将称重传感器数据作为训练集，根据训练集通过训练得到神经网络模型，根据传感器测量值和称重传感器分辨率分别通过神经网络模型处理得到误差补偿模型，将传感器测量值和传感器理想值通过误差补偿模型处理得到误差补偿输出值，将误差补偿输出值通过归一化线性函数处理得到归一化补偿输出值，根据归一化补偿输出值通过计算均方根误差得到误差补偿评分，实现了对称重传感器输出值的修正和调整，提高了称重传感器的测量精度和电子秤的校准精度。
Description
技术领域
本发明属于误差补偿技术领域，具体涉及一种用于电子秤的误差补偿系统及方法。
背景技术
电子秤是一种广泛应用于商业、工业和实验室领域的称量设备，其工作原理主要是通过传感器检测物体对秤盘的压力变化，进而计算出物体的质量。然而，在实际使用过程中，电子秤的称量准确性受到多种因素的影响，如传感器精度、环境温度、秤盘的平整度等，导致称量结果存在误差。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种用于电子秤的误差补偿系统及方法，通过计算称重传感器数据得到称重传感器分辨率，将称重传感器数据作为训练集，根据训练集通过训练得到神经网络模型，根据传感器测量值和称重传感器分辨率分别通过神经网络模型处理得到误差补偿模型，将传感器测量值和传感器理想值通过误差补偿模型处理得到误差补偿输出值，将误差补偿输出值通过归一化线性函数处理得到归一化补偿输出值，根据归一化补偿输出值通过计算均方根误差得到误差补偿评分，实现了对称重传感器输出值的修正和调整，提高了称重传感器的测量精度和电子秤的校准精度。
本发明的目的可以通过以下技术方案实现：
一种用于电子秤的误差补偿方法，包括以下步骤：
S1：获取称重传感器数据，所述称重传感器数据包括传感器测量值、传感器理想值、传感器输出值、传感器温度值；
S2：根据所述称重传感器数据通过分辨率模型计算得到称重传感器分辨率，将所述称重传感器数据作为训练集，根据所述训练集通过训练得到神经网络模型，根据所述传感器测量值和所述称重传感器分辨率分别通过所述神经网络模型处理得到传感器权值矩阵；
S3：根据所述传感器权值矩阵得到误差补偿模型，将所述传感器测量值和所述传感器理想值通过所述误差补偿模型处理得到误差补偿输出值；
S4：将所述误差补偿输出值通过归一化线性函数处理得到归一化补偿输出值，根据所述归一化补偿输出值通过计算均方根误差得到误差补偿评分，计算公式为：其中，R表示所述误差补偿评分，n表示系数因子，Si表示所述归一化补偿输出值，Ti表示所述传感器温度值。
优选地，所述步骤S2具体包括以下步骤：
S201：获取传感器测试温度，根据所述传感器测试温度结合所述称重传感器数据通过计算得到所述称重传感器分辨率，计算公式为：其中，K表示所述称重传感器分辨率，pc表示分配系数，sp表示所述传感器测量值，T表示所述传感器测试温度，Z1表示所述传感器理想值，Z2表示所述传感器输出值；
S202：根据所述训练集得到子训练集，根据所述子训练集通过计算得到对应子神经网络的隐含层节点，根据所述隐含层节点通过所述子神经网络处理得到传感器权值向量，根据所述传感器测量值和所述传感器分辨率通过所述子神经网络计算得到误差均值；
S203：根据所述传感器权值向量和所述误差均值通过所述神经网络模型处理得到所述传感器权值矩阵。
优选地，所述步骤S202具体包括以下步骤：
计算所述隐含层节点，计算公式为：其中，Yn表示所述隐含层节点，α、β和γ表示预设系数因子，Wn表示第n个所述子训练集中的所述传感器测量值，Un表示第n个所述训练集中的所述传感器输出值，m表示m个所述子训练集，round()表示取整函数；
计算所述误差均值，计算公式为：其中，E表示所述误差均值，n表述所述隐含层节点的个数，K表示所述传感器分辨率，si表示所述传感器测量值。
优选地，所述子训练集的个数m的计算公式为：其中，m表示所述子训练集的个数，round()表示取整函数，k表示中间变量，N表示子训练集维数。
优选地，所述步骤S3具体包括根据所述传感器测量值得到传感器测量数据矩阵，根据所述传感器理想值得到传感器理想数据矩阵，根据所述传感器测量数据矩阵和所述传感器理想数据矩阵通过所述误差补偿模型基于最小二乘法拟合得到所述误差补偿输出值，公式为：其中，H表示所述误差输出补偿值，E表示单位矩阵，F表示所述传感器理想数据矩阵，H0表示所述传感器测量数据矩阵，G表示所述传感器权值矩阵。
优选地，所述步骤S4的所述归一化线性函数为：其中gh＝gh-1+vh，gh表示偏置量，vh表示分类标准相关常数，a和b表示与所述误差补偿输出值相关的权重向量，Q表示预设参数，x表示所述误差补偿输出值。
一种用于电子秤的误差补偿系统，包括：
数据采集模块，用于获取称重传感器数据，所述称重传感器数据包括传感器测量值、传感器理想值、传感器输出值；
数据处理模块，用于通过分辨率模型计算所述称重传感器数据得到称重传感器分辨率，将所述称重传感器数据作为训练集，根据所述训练集通过训练得到神经网络模型，根据所述传感器测量值和所述称重传感器分辨率分别通过所述神经网络模型处理得到传感器权值矩阵；
误差补偿模块，用于根据所述传感器权值矩阵得到误差补偿模型，将所述传感器测量值和所述传感器理想值分别输入误差补偿模型得到误差补偿输出值；
数据验证模块，用于将所述误差补偿输出值通过归一化处理得到归一化补偿输出值，根据所述归一化补偿输出值通过计算均方根误差得到误差补偿评分。
本发明的有益效果为：
1.通过设置有数据处理模块，用于通过计算所述称重传感器数据得到称重传感器分辨率，将所述称重传感器数据作为训练集，根据所述训练集通过训练得到神经网络模型，根据所述传感器测量值和所述称重传感器分辨率分别通过所述神经网络模型处理得到传感器权值矩阵，通过神经网络对称重传感器进行误差补偿，提高了电子秤的测量精度和稳定性；
2.通过设置有，用于根据所述传感器权值矩阵得到误差补偿模型，将所述传感器测量值和所述传感器理想值分别输入误差补偿模型得到误差补偿输出值，实现了称重传感器的误差补偿，提高了电子秤的误差校准效率和校准精度。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明的用于电子秤的误差补偿方法的流程示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。
请参阅图1，一种用于电子秤的误差补偿方法，
一种用于电子秤的误差补偿方法，包括以下步骤：
S1：获取称重传感器数据，所述称重传感器数据包括传感器测量值、传感器理想值、传感器输出值、传感器温度值；
S2：根据所述称重传感器数据通过分辨率模型计算得到称重传感器分辨率，将所述称重传感器数据作为训练集，根据所述训练集通过训练得到神经网络模型，根据所述传感器测量值和所述称重传感器分辨率分别通过所述神经网络模型处理得到传感器权值矩阵；
S3：根据所述传感器权值矩阵得到误差补偿模型，将所述传感器测量值和所述传感器理想值通过所述误差补偿模型处理得到误差补偿输出值；
S4：将所述误差补偿输出值通过归一化线性函数处理得到归一化补偿输出值，根据所述归一化补偿输出值通过计算均方根误差得到误差补偿评分，计算公式为：其中，R表示所述误差补偿评分，n表示系数因子，Si表示所述归一化补偿输出值，Ti表示所述传感器温度值。
步骤S1具体涉及数据采集模块，通过采集称重传感器数据，称重传感器数据包括传感器测量值、传感器理想值、传感器输出值、传感器温度值，通过数据实时采集为数据分析提供了数据源，提高了数据分析效率和精度。
步骤S2具体涉及数据分析模块，通过获取传感器测试温度，根据所述传感器测试温度结合所述称重传感器数据通过计算得到所述称重传感器分辨率，计算公式为：其中，K表示所述称重传感器分辨率，pc表示分配系数，sp表示所述传感器测量值，T表示所述传感器测试温度，Z1表示所述传感器理想值，Z2表示所述传感器输出值；
根据所述训练集得到子训练集，根据所述子训练集通过计算得到对应子神经网络的隐含层节点，计算所述隐含层节点，计算公式为：其中，Yn表示所述隐含层节点，α、β和γ表示预设系数因子，Wn表示第n个所述子训练集中的所述传感器测量值，Un表示第n个所述训练集中的所述传感器输出值，m表示m个所述子训练集，round()表示取整函数；
子训练集的个数m的计算公式为：其中，m表示所述子训练集的个数，round()表示取整函数，k表示中间变量，N表示子训练集维数
根据所述隐含层节点通过所述子神经网络处理得到传感器权值向量，根据所述传感器测量值和所述传感器分辨率通过所述子神经网络计算得到误差均值，计算所述误差均值，计算公式为：其中，E表示所述误差均值，n表述所述隐含层节点的个数，K表示所述传感器分辨率，si表示所述传感器测量值；
根据所述传感器权值向量和所述误差均值通过所述神经网络模型处理得到所述传感器权值矩阵。
通过数据处理模块处理得到传感器权值向量、误差均值和传感器权值矩阵，通过神经网络结合称重传感器数据提高了数据处理的精度，进一步保障了电子秤的测量精度。
步骤S3具体涉及误差补偿模块，根据所述传感器测量值得到传感器测量数据矩阵，根据所述传感器理想值得到传感器理想数据矩阵，根据所述传感器测量数据矩阵和所述传感器理想数据矩阵通过所述误差补偿模型基于最小二乘法拟合得到所述误差补偿输出值，公式为：其中，H表示所述误差输出补偿值，E表示单位矩阵，F表示所述传感器理想数据矩阵，H0表示所述传感器测量数据矩阵，G表示所述传感器权值矩阵。
通过设置误差补偿模块，通过误差补偿模块处理得到误差补偿输出值，实现了称重传感器的误差补偿，提高了电子秤的误差校准效率和校准精度。
步骤S4具体涉及数据验证模块，将所述误差补偿输出值通过归一化线性函数处理得到归一化补偿输出值，所述归一化线性函数为：其中gh＝gh-1+vh，gh表示偏置量，vh表示分类标准相关常数，a和b表示与所述误差补偿输出值相关的权重向量，Q表示预设参数，x表示所述误差补偿输出值，F(x)表示所述归一化补偿输出值。
根据所述归一化补偿输出值通过计算均方根误差得到误差补偿评分，计算公式为：其中，R表示所述误差补偿评分，n表示系数因子，Si表示所述归一化补偿输出值，Ti表示所述传感器温度值
通过数据验证模块得到误差补偿评分，根据误差补偿评分评价误差补偿的精度、准确度，可根据误差补偿评分对神经网络模型进行调整，实现了电子秤中称重传感器的误差补偿，提高了误差补偿效率，进一步提高了电子秤测量精度和管理效率。
更进一步地，本申请还提供一种用于电子秤的误差补偿系统，包括：
数据采集模块，用于获取称重传感器数据，所述称重传感器数据包括传感器测量值、传感器理想值、传感器输出值；
数据处理模块，用于通过分辨率模型计算所述称重传感器数据得到称重传感器分辨率，将所述称重传感器数据作为训练集，根据所述训练集通过训练得到神经网络模型，根据所述传感器测量值和所述称重传感器分辨率分别通过所述神经网络模型处理得到传感器权值矩阵；
误差补偿模块，用于根据所述传感器权值矩阵得到误差补偿模型，将所述传感器测量值和所述传感器理想值分别输入误差补偿模型得到误差补偿输出值；
数据验证模块，用于将所述误差补偿输出值通过归一化处理得到归一化补偿输出值，根据所述归一化补偿输出值通过计算均方根误差得到误差补偿评分。
本发明的工作原理及使用流程：
通过数据采集模块获取称重传感器数据，通过分辨率计算称重传感器数据得到称重传感器分辨率，将称重传感器数据作为训练集，根据训练集通过训练得到神经网络模型，根据传感器测量值和称重传感器分辨率分别通过神经网络模型处理得到误差补偿模型，将传感器测量值和传感器理想值通过误差补偿模型处理得到误差补偿输出值，将误差补偿输出值通过归一化线性函数处理得到归一化补偿输出值，根据归一化补偿输出值通过计算均方根误差得到误差补偿评分。
本发明实施例中的方法包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围。
Claims (7)
1.一种用于电子秤的误差补偿方法，其特征在于，包括以下步骤：
S1：获取称重传感器数据，所述称重传感器数据包括传感器测量值、传感器理想值、传感器输出值、传感器温度值；
S2：根据所述称重传感器数据通过分辨率模型计算得到称重传感器分辨率，将所述称重传感器数据作为训练集，根据所述训练集通过训练得到神经网络模型，根据所述传感器测量值和所述称重传感器分辨率分别通过所述神经网络模型处理得到传感器权值矩阵；
S3：根据所述传感器权值矩阵得到误差补偿模型，将所述传感器测量值和所述传感器理想值通过所述误差补偿模型处理得到误差补偿输出值；
S4：将所述误差补偿输出值通过归一化线性函数处理得到归一化补偿输出值，根据所述归一化补偿输出值通过计算均方根误差得到误差补偿评分，计算公式为：其中，R表示所述误差补偿评分，n表示系数因子，Si表示所述归一化补偿输出值，Ti表示所述传感器温度值。
2.根据权利要求1所述的电子秤的误差补偿方法，其特征在于，所述步骤S2具体包括以下步骤：
S201：获取传感器测试温度，根据所述传感器测试温度结合所述称重传感器数据通过计算得到所述称重传感器分辨率，计算公式为：其中，K表示所述称重传感器分辨率，pc表示分配系数，sp表示所述传感器测量值，T表示所述传感器测试温度，Z1表示所述传感器理想值，Z2表示所述传感器输出值；
S202：根据所述训练集得到子训练集，根据所述子训练集通过计算得到对应子神经网络的隐含层节点，根据所述隐含层节点通过所述子神经网络处理得到传感器权值向量，根据所述传感器测量值和所述传感器分辨率通过所述子神经网络计算得到误差均值；
S203：根据所述传感器权值向量和所述误差均值通过所述神经网络模型处理得到所述传感器权值矩阵。
3.根据权利要求2所述的电子秤的误差补偿方法，其特征在于，所述步骤S202具体包括以下步骤：
计算所述隐含层节点，计算公式为：其中，Yn表示所述隐含层节点，α、β和γ表示预设系数因子，Wn表示第n个所述子训练集中的所述传感器测量值，Un表示第n个所述训练集中的所述传感器输出值，m表示m个所述子训练集，round()表示取整函数；
计算所述误差均值，计算公式为：其中，E表示所述误差均值，n表述所述隐含层节点的个数，K表示所述传感器分辨率，Si表示所述传感器测量值。
4.根据权利要求3所述的电子秤的误差补偿方法，其特征在于，所述子训练集的个数m的计算公式为：其中，m表示所述子训练集的个数，round()表示取整函数，k表示中间变量，N表示子训练集维数。
5.根据权利要求1所述的电子秤的误差补偿方法，其特征在于，所述步骤S3具体包括根据所述传感器测量值得到传感器测量数据矩阵，根据所述传感器理想值得到传感器理想数据矩阵，根据所述传感器测量数据矩阵和所述传感器理想数据矩阵通过所述误差补偿模型基于最小二乘法拟合得到所述误差补偿输出值，公式为：其中，H表示所述误差输出补偿值，E表示单位矩阵，F表示所述传感器理想数据矩阵，H0表示所述传感器测量数据矩阵，G表示所述传感器权值矩阵。
6.根据权利要求1所述的电子秤的误差补偿方法，其特征在于，所述步骤S4的所述归一化线性函数为：其中gh＝gh-1+vh，gh表示偏置量，vh表示分类标准相关常数，a和b表示与所述误差补偿输出值相关的权重向量，Q表示预设参数，x表示所述误差补偿输出值。
7.一种用于电子秤的误差补偿系统，其特征在于，包括：
数据采集模块，用于获取称重传感器数据，所述称重传感器数据包括传感器测量值、传感器理想值、传感器输出值；
数据处理模块，用于通过分辨率模型计算所述称重传感器数据得到称重传感器分辨率，将所述称重传感器数据作为训练集，根据所述训练集通过训练得到神经网络模型，根据所述传感器测量值和所述称重传感器分辨率分别通过所述神经网络模型处理得到传感器权值矩阵；
误差补偿模块，用于根据所述传感器权值矩阵得到误差补偿模型，将所述传感器测量值和所述传感器理想值分别输入误差补偿模型得到误差补偿输出值；
数据验证模块，用于将所述误差补偿输出值通过归一化处理得到归一化补偿输出值，根据所述归一化补偿输出值通过计算均方根误差得到误差补偿评分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311457236.3A CN117490819A (zh) | 2023-11-03 | 2023-11-03 | 一种用于电子秤的误差补偿系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311457236.3A CN117490819A (zh) | 2023-11-03 | 2023-11-03 | 一种用于电子秤的误差补偿系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117490819A true CN117490819A (zh) | 2024-02-02 |
Family
ID=89682242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311457236.3A Pending CN117490819A (zh) | 2023-11-03 | 2023-11-03 | 一种用于电子秤的误差补偿系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117490819A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117804670A (zh) * | 2024-02-28 | 2024-04-02 | 深圳市沃感科技有限公司 | 一种板式压力传感器的误差修正方法及装置 |
| 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 |
| CN118687667A (zh) * | 2024-08-23 | 2024-09-24 | 宁波中和衡器有限公司 | 一种长测量范围数字称重传感器的实施方法及系统 |
-
2023
- 2023-11-03 CN CN202311457236.3A patent/CN117490819A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117804670A (zh) * | 2024-02-28 | 2024-04-02 | 深圳市沃感科技有限公司 | 一种板式压力传感器的误差修正方法及装置 |
| 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 |
| CN118687667A (zh) * | 2024-08-23 | 2024-09-24 | 宁波中和衡器有限公司 | 一种长测量范围数字称重传感器的实施方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117490819A (zh) | 一种用于电子秤的误差补偿系统及方法 | |
| Warton et al. | Bivariate line-fitting methods for allometry | |
| CN101858811B (zh) | 高精度压力传感器信号补偿方法 | |
| Rab et al. | Comparison of Monte Carlo simulation, least square fitting and calibration factor methods for the evaluation of measurement uncertainty using direct pressure indicating devices | |
| CN107271081A (zh) | 基于两阶段最小二乘拟合的硅压阻式压力变送器温度补偿方法及装置 | |
| US11215499B1 (en) | Calibration apparatus and method | |
| CN104406715A (zh) | 一种遥感估算地表感热/潜热通量的精度评价方法及系统 | |
| CN116296047A (zh) | 一种单晶硅压力变送器的温度补偿改进方法 | |
| CN111829638B (zh) | 一种体重实时测量方法 | |
| CN112711736A (zh) | 大气密度探测数据的标校方法、装置、存储介质和处理器 | |
| CN110132416B (zh) | 宽波段遥感器在轨光谱定标方法及装置 | |
| Singh et al. | A comparative investigation of pressure distortion coefficient of a pneumatic piston gauge and its associated uncertainty using varied approaches | |
| Rafkin et al. | On the problem of a variable Mars atmospheric composition in the determination of temperature and density from the adiabatic speed of sound | |
| CN113701711B (zh) | 基于北斗定位与气压计的高精度定位方法及系统 | |
| Bartel | Uncertainty in NIST force measurements | |
| CN110672058A (zh) | 结构监测用传感器的在线校准数据序列匹配方法和装置 | |
| CN116681158A (zh) | 基于集成极限学习机的参考作物蒸散量预测方法 | |
| CN112733906B (zh) | 一种全球高分辨率每日地表动量粗糙度长度估算方法 | |
| Krndija et al. | Measuring equipment calibration and determination of the initial calibration interval | |
| CN111693083B (zh) | 在线式温湿度仪表原位校准方法 | |
| CN111123406A (zh) | 手持气象仪温度数据拟合方法 | |
| US20220365245A1 (en) | Output method for electronic wbgt meter, and electronic wbgt meter | |
| CN114136525A (zh) | 六维力传感器的温漂补偿方法、装置、电子设备和介质 | |
| Sharp | Measurement standards | |
| CN105466631A (zh) | 一种活塞式压力计活塞有效面积的检定方法及检定装置 |
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 |