CN1800809A - 用于评估动态系统的设备和方法 - Google Patents
用于评估动态系统的设备和方法 Download PDFInfo
- Publication number
- CN1800809A CN1800809A CN200610051375.6A CN200610051375A CN1800809A CN 1800809 A CN1800809 A CN 1800809A CN 200610051375 A CN200610051375 A CN 200610051375A CN 1800809 A CN1800809 A CN 1800809A
- Authority
- CN
- China
- Prior art keywords
- sampling
- data
- vehicle
- som
- time
- 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 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims description 134
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 7
- 210000002569 neuron Anatomy 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000011031 large-scale manufacturing process Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Engines (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
一种评估被测试车辆是否按照预期工作的方法。在多个采样时间对该车辆的参数采样以获取多个数据采样。将来自多于一个该采样时间的数据采样包含在采样集中。将该采样集输入到人工神经网络(ANN)中。许多随时间变化的参数，例如机动车辆系统中的响应时间可以被检测和评估。
Description
技术领域
本发明一般涉及质量控制，更具体是涉及评估车辆和其他动态系统。
背景技术
当制造小汽车、卡车和其他车辆时，典型地，对测试车辆的各种系统进行测试以确定该车辆是否符合适用的设计规格以及是否能够按照预期(as intended)而工作。然而，许多车辆系统是动态的；也就是说，它们响应于各种输出而改变。这种系统将会花费时间来响应输入，并且在测试过程中很难捕获这种输入并以有意义的方式来响应。
发明内容
在一个实施例中，本发明涉及一种评估被测试车辆是否能按照预期工作的方法。在多个采样时间对该车辆的参数采样以获得多个数据采样。来自多于一个该采样时间的数据采样被包含在采样集中。该采样集被输入到人工神经网络(ANN)中。
在另一种实施方案中，一种评估被测试车辆随时间的响应是否在预期范围内的方法包括，采样该车辆的参数以获得多个数据采样集。第一个采样集被输入到人工神经网络(ANN)中。第二个采样集包含来自该第一个采样集的数据采样。该第二个采样集被输入到该ANN中。
在另一种配置中，用于评估目标车辆随时间的响应的评估设备包括，从该车辆获取多个数据采样的采样设备。处理器将该数据采样作为多个采样集输入到自组织映射(se1f-organizing map)(SOM)中。该处理器将其中一个数据采样包含在多于一个采样集中。
在又一种配置中，本发明涉及一种用于评估被测试系统中的一个或多个随时间变化的参数的评估设备。采样设备在多个采样时间从该系统获取多个描述该参数的数据采样。处理器将时间序列的数据采样包含在数据集中，并将该数据集输入到自组织映射(SOM)中。
根据下文提供的详细说明，本发明可适用的其他领域将会变得清楚。应当理解，该详细说明和特定示例虽然指示了本发明的示例性实施例，但是仅用于例示的目的，而不是要限制本发明的范围。
附图说明
根据该详细说明和附图，本发明将会被更透彻地理解，其中
图1是根据本发明的一个实施例的用于评估目标车辆系统的评估设备的示意图；
图2是根据本发明的一个实施例的自组织映射(SOM)的示意图；
图3是根据本发明的一个实施例输入到SOM的数据采样集的示意图；
图4是根据本发明的一个实施例的与使用SOM的模拟相关的数据的曲线图；
图5是根据本发明的一个实施例的从图4所示与使用SOM相关的数据中获得的数据的图表。
具体实施方式
以下对本发明的各种实施例的说明实质上仅是示例性的，而决不是为了限制本发明、其应用或用途。在一种实施方案中，本发明涉及使用人工神经网络(ANN)来提供与动态系统即随时间而变化的系统相关的度量。在动态系统中，使该系统的参数响应该系统的输入将花费时间。
当根据本发明的一个实施例实施ANN时，可以检测到在系统输入和稍后时间发生的系统输出之间的关系。虽然本发明的实施例是结合二维自组织映射(SOM)进行描述的，但是本发明并不仅限于此。也可以预见到与其他类型SOM和其他类型ANN相结合的实施例。而且，虽然本发明的实施例是结合评估车辆系统进行描述的，但是本发明可以结合各种动态和/或静态系统而实施，包括但不限于车辆系统。
在图1中用附图标记20概括表示了评估设备的一个实施例。该设备20用于评估目标系统28，例如车辆42的发动机和/或其他部件。采样设备50从该系统28中获得多个数据采样。这些采样可以从车辆42中例如通过引擎传感器、传感电路等获得，并且可以描述系统参数例如后EMF、阻抗、摩擦力等。如下进一步所述，处理器60将该数据采样作为多个采样集输入到ANN 70例如SOM。在一种配置中，如下进一步所述，处理器60将其中一个数据采样包含在多于一个采样集中。
一般地，在ANN中，处理元件(“神经元”)以变化的连接强度连接到该ANN的其他神经元。由于该连接是可以调节的，该ANN“学习”输出适合于手头任务的结果。自组织映射(SOM)70是一种对于执行质量控制很有用的ANN。SOM 70可以用于例如识别制造过程的“正常(normal)”结果是什么。“正常”结果的含义是，例如，所有制造部件都符合规格并且能够按照设计工作。在本配置中，SOM 70被训练以“记住”在一个采样集和另一采样集之间的数据，如下进一步所述。
在图2中详细示出了SOM 70。SOM 70包括多个处理元件或神经元128，每个神经元通过相邻关系134连接到相邻神经元128。该神经元128和关系134定义了SOM 70的拓扑(也成为结构)。
在用于评估该系统28之前，通过以下方式训练SOM 70。多个采样集被输入到SOM 70。采样集可以是，例如从采样点收集的数据值的向量，该采样点例如与前面结合图1所述的车辆42的发动机和/或其他部件相关。在训练期间，SOM 70接收多个采样集，每个采样集例如从“正常”车辆获取，该“正常”车辆例如是符合一组给定规格的预先指定的车辆。基于这种采样集中的数据值，神经元128可以更新一个或多个相邻关系134的权重。
对于多个采样集重复前述的采样和向SOM 70输入采样集的过程，该多个采样集适合于训练该SOM 70以识别例如从“正常”车辆获取的数据值中的“正常”相互关系。最后，神经元128将通过重新加权相邻关系134而减少神经元128之间的距离。
以前述方式训练之后，SOM 70就可以用于评估系统。该SOM可以例如易受从被测试目标车辆获得的数据，例如从车辆42的系统28获得的数据。对于从目标车辆获得的每个采样集，该SOM可以定位与该采样集中的数据最匹配的神经元。该SOM还可以表示该数据距离最近的神经元有多近。通过集合这些SOM结果，就可以提供度量以指示被测试车辆是否按照预期工作。从而可以识别出不按设计预期工作的车辆。
如前结合图1所述，系统28被采样以获取多个数据采样集。该采样集被输入到SOM 70，该SOM 70对于每个采样集确定哪个神经元128距离该输入数据最近。
在图3中用附图标记200概括表示了根据本发明的一个实施例的示例性数据采样集。第一和第二采样集204和212每个均包含从前述的系统28采样的多个数据值218。特别地，在本发明的一个实施例中，在多个采样时间对系统28进行采样以获取至少多个数据采样218。例如，采样集204在位置222包含通过采样设备50在采样时间n从系统28获得的数据采样dn。该数据采样dn表示例如在系统28中测量的电压。应当注意的是，采样集204还在位置226包含通过采样设备50在紧邻采样时间n之前的采样时间n-1从系统28获得的数据采样dn-1。从而在集合204中可以包含一个或多个在前测量的电压值。例如，集合204包含在采样时间n，...n-m获得的电压值dn，...dn-m。该采样时间n，...n-m可以例如通过根据被采样的一种参数而变化的预定时间间隔来分隔。
因而，采样集212在位置222包含通过采样设备50在采样时间n之后的采样时间n+1从系统28获得的数据采样dn+1。以同样的方式，采样集212的位置226和232分别包含数据采样在采样时间n和n-m+1获得的dn和dn-m+1。
从而处理器60将来自多于一个采样时间的数据采样包含在采样集中，该采样集输入到SOM 70。从而可以训练SOM 70以评估例如系统在时间n-m的输入和系统在时间n的输出之间的关系。不同的表达为，将采样集n输入到SOM 70。来自采样集n的数据的至少一部分被包含在输入到SOM的采样集n+1中。
现在将对根据本发明的一个实施例使用SOM的例子进行说明。如下进一步所述，在测试中模拟九个发动机。五个发动机(具体地，TestMotor_1到TestMotor_5)被预先指定为符合规格(即“正常”)。其他四个发动机(具体地，Tes tMotor_BackEMF_Var、TestMotor_Friction_Var、TestMotor_InertiaResistance_Var和TestMotor_Resistance_Var)包含预设为在“正常”分布之外的值的参数。例如，TestMotor_BackEMF_Var具有预设为在“正常”分布之外的后EMF增益。
SOM处理表示1000个采样时间的输入，每个采样时间以1秒间隔与在前和在后的采样时间隔开。对于每个发动机和每个采样时间输入到SOM的采样数据值包含输入参考电压Vc(ref)。输入到SOM的采样数据值还包含发动机输出例如最后五个电压采样、最后五个电流采样和最后五个发动机速度采样。
在图4中用附图标记300概括表示了与上述模拟相关的数据的曲线图。该曲线图300在x轴304表示前面的采样时间，在y轴308表示到SOM的最近神经元的距离。可以看出，对于“正常”发动机TestMotor_1到TestMotor_5，到最近神经元的距离小于具有在“正常”分布之外的参数值的其他四个发动机的这种距离。换句话说，例如可以使用SOM区分Vc(ref)采样之后在几秒的时间周期内显示非“正常”输出的发动机。
使用本发明的各种实施方案，许多不同的度量都是可能的。例如，在图5中以附图标记400概括表示的图表显示了多种数据，包括在图4中表示的所有1000个采样时间的结果的平均408。从而可以对于图4中所示的所有前述数据比较到最近神经元的平均距离。
前述设备和方法的实施例允许相对于动态系统例如汽车或卡车使用SOM以识别在大规模生产中的变化。ANN可以用于一次评估多个参数，并且从而能够检测通过单个参数比较不能检测的参数相对精细的变化或组合。SOM能够学习什么是“正常”或预期的，然后比较来自大规模生产的车辆的数据以便更容易发现车辆参数中的不明显的变化。
前述方法和设备可以用于车辆试生产中以确定试验车辆是否能够与研发车辆同样运行。实施例还可以用于线末端(end-of-line)测试以识别在制造过程中的变化。从该范围中的车辆中采集的数据可以与从经销商或远程信息数据收集系统收集的数据相比较。许多随时间变化的参数，包含但不限于各种响应时间，可以被检测和评估。此外，通过评估这些参数获得的信息对于检测环境和/或随应用变化的参数例如温度、湿度和/或与车辆在山区中的工作相关的参数是有用的。
通过前面的说明，本领域普通技术人员现在能够清楚，本发明的宽泛教导能够以多种形式实现。因此，虽然本发明是结合特定示例进行说明的，但是本发明的实质范围不应被限于此，因为基于对附图、说明书和所附权利要求的学习，其他修改对于熟练技术人员也是显而易见的。
Claims (18)
1.一种评估被测试车辆是否按照预期工作的方法，所述方法包括：
在多个采样时间对该车辆的参数采样以获取多个数据采样；
将来自多于一个该采样时间的数据采样包含在采样集中；和
将该采样集输入到人工神经网络(ANN)中。
2.如权利要求1所述的方法，进一步包括以预定间隔分隔两个采样时间。
3.如权利要求1所述的方法，进一步包括：
将该数据采样包含在多个采样集中；和
将该采样集输入到该ANN中。
4.如权利要求3所述的方法，其中该ANN包含自组织映射(SOM)，所述方法进一步包括训练该SOM以基于该采样集评估该车辆的参数。
5.如权利要求1所述的方法，其中对该车辆的参数采样包括采样与该车辆的发动机相关的数据。
6.一种评估被测试车辆随时间的响应是否在预期范围内的方法，所述方法包括：
对该车辆的参数采样以获取多个数据采样集；
将第一个采样集输入到人工神经网络(ANN)中；
将来自该第一个采样集的数据采样包含在第二个采样集中；和
将该第二个采样集输入到该ANN中。
7.如权利要求6所述的方法，包括：
在多个采样时间对该车辆的参数采样以获取多个数据采样；和
将在其中一个采样时间获取的数据采样包含在采样集中，该采样集还包含在另一采样时间获取的数据采样。
8.如权利要求6所述的方法，其中执行所述输入以训练该ANN。
9.如权利要求6所述的方法，进一步包括训练该ANN以基于在不同采样时间获取的数据采样来评估该车辆的参数。
10.如权利要求6所述的方法，其中该ANN包括自组织映射(SOM)。
11.如权利要求6所述的方法，其中对该车辆的参数采样以获取多个数据采样集包括以预定时间间隔对该车辆的参数进行采样。
12.一种用于评估目标车辆随时间的响应的评估设备，所述设备包括：
采样设备，从该车辆获取多个数据采样；和
处理器，将该数据采样作为多个采样集输入到自组织映射(SOM)中；
其中所述处理器将其中一个数据采样包含在多于一个采样集中。
13.如权利要求12所述的评估设备，其中所述处理器基于与该其中一个数据采样相关的采样时间将该其中一个数据采样包含在多于一个采样集中。
14.如权利要求12所述的评估设备，其中其中一个采样集包括通过所述采样设备在多于一个采样时间获取的数据采样。
15.如权利要求12所述的评估设备，其中所述处理器使用该多个采样集训练SOM。
16.如权利要求12所述的评估设备，其中该目标车辆包括发动机，并且所述采样设备获取与该发动机的工作相关的多个数据采样。
17.一种用于评估被测试系统中的一个或多个随时间变化的参数的评估设备，所述设备包括：
采样设备，在多个采样时间从该系统获取描述该参数的多个数据采样；和
处理器，其
将时间序列的数据采样包含在采样集中；和
将该采样集输入到自组织映射(SOM)中。
18.如权利要求17所述的评估设备，其中所述处理器训练所述SOM以评估该系统在一个时间的输入相对于该系统在另一时间的输出。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US11/031059 | 2005-01-07 | ||
| US11/031,059 US7937197B2 (en) | 2005-01-07 | 2005-01-07 | Apparatus and methods for evaluating a dynamic system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1800809A true CN1800809A (zh) | 2006-07-12 |
| CN100582722C CN100582722C (zh) | 2010-01-20 |
Family
ID=36654488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN200610051375A Expired - Fee Related CN100582722C (zh) | 2005-01-07 | 2006-01-09 | 用于评估动态系统的设备和方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US7937197B2 (zh) |
| CN (1) | CN100582722C (zh) |
| DE (1) | DE102006000916B8 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107678416A (zh) * | 2016-08-01 | 2018-02-09 | 西门子公司 | 用于监控工程设施的运行的诊断装置和方法 |
| CN110843755A (zh) * | 2019-11-19 | 2020-02-28 | 奇瑞汽车股份有限公司 | 一种估测电动汽车制动压力的方法和设备 |
| CN110962828A (zh) * | 2019-12-23 | 2020-04-07 | 奇瑞汽车股份有限公司 | 预测电动汽车制动压力的方法和设备 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234749A (zh) * | 2013-04-09 | 2013-08-07 | 杭州电子科技大学 | 基于人工神经网络的汽车离合器操控舒适度评价方法 |
| CN106248396A (zh) * | 2016-08-31 | 2016-12-21 | 王小兰 | 一种自修正自组织汽车故障监控系统 |
| AT521928B1 (de) * | 2018-11-23 | 2020-10-15 | Avl List Gmbh | Verfahren zur Kalibrierung einer elektronischen Steuereinheit eines Fahrzeugs |
| JP6988969B1 (ja) * | 2020-09-15 | 2022-01-05 | 株式会社明電舎 | 自動操縦ロボットを制御する操作推論学習モデルの学習システム及び学習方法 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4937763A (en) * | 1988-09-06 | 1990-06-26 | E I International, Inc. | Method of system state analysis |
| JPH0692914B2 (ja) * | 1989-04-14 | 1994-11-16 | 株式会社日立製作所 | 機器／設備の状態診断システム |
| US5041976A (en) * | 1989-05-18 | 1991-08-20 | Ford Motor Company | Diagnostic system using pattern recognition for electronic automotive control systems |
| SE463338B (sv) | 1989-06-14 | 1990-11-05 | Ludwik Liszka | Saett att oevervaka och/eller diagnosticera aktuella drifttillstaand hos komplicerade maskiner |
| US5402521A (en) * | 1990-02-28 | 1995-03-28 | Chiyoda Corporation | Method for recognition of abnormal conditions using neural networks |
| US5809437A (en) * | 1995-06-07 | 1998-09-15 | Automotive Technologies International, Inc. | On board vehicle diagnostic module using pattern recognition |
| US6175787B1 (en) * | 1995-06-07 | 2001-01-16 | Automotive Technologies International Inc. | On board vehicle diagnostic module using pattern recognition |
| DE4124501C2 (de) | 1991-07-24 | 1994-09-15 | Dieter Prof Dr Ing Barschdorff | Neuronales Netz mit automatischer Installation von Zwischenneuronen |
| US5557686A (en) * | 1993-01-13 | 1996-09-17 | University Of Alabama | Method and apparatus for verification of a computer user's identification, based on keystroke characteristics |
| US5361628A (en) | 1993-08-02 | 1994-11-08 | Ford Motor Company | System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes |
| US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
| JP3647584B2 (ja) * | 1996-12-26 | 2005-05-11 | 富士通株式会社 | 学習型自己定位装置 |
| SE512140C2 (sv) * | 1997-04-01 | 2000-01-31 | Volvo Ab | Diagnossystem och diagnosfunktionsmodul i ett motorstyr system |
| KR20010013968A (ko) * | 1997-06-19 | 2001-02-26 | 스넵-온 이퀴프먼트 리미티드 | 밧데리 테스트 및 등급분류 방법 및 장치 |
| US6131444A (en) * | 1998-09-15 | 2000-10-17 | Chrysler Corporation | Misfire detection using a dynamic neural network with output feedback |
| FI114749B (fi) * | 2000-09-11 | 2004-12-15 | Nokia Corp | Poikkeamien ilmaisujärjestelmä ja menetelmä sen opettamiseksi |
| GB0101043D0 (en) * | 2001-01-15 | 2001-02-28 | Univ Aberdeen | Input parameter selection process |
| JP2003228706A (ja) * | 2002-02-05 | 2003-08-15 | Fuji Xerox Co Ltd | データ分類装置 |
| US6879893B2 (en) * | 2002-09-30 | 2005-04-12 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Tributary analysis monitoring system |
| US6980874B2 (en) * | 2003-07-01 | 2005-12-27 | General Electric Company | System and method for detecting an anomalous condition in a multi-step process |
-
2005
- 2005-01-07 US US11/031,059 patent/US7937197B2/en not_active Expired - Fee Related
-
2006
- 2006-01-05 DE DE102006000916A patent/DE102006000916B8/de not_active Expired - Fee Related
- 2006-01-09 CN CN200610051375A patent/CN100582722C/zh not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107678416A (zh) * | 2016-08-01 | 2018-02-09 | 西门子公司 | 用于监控工程设施的运行的诊断装置和方法 |
| US10768188B2 (en) | 2016-08-01 | 2020-09-08 | Siemens Aktiengesellschaft | Diagnostic device and method for monitoring operation of a technical system |
| CN110843755A (zh) * | 2019-11-19 | 2020-02-28 | 奇瑞汽车股份有限公司 | 一种估测电动汽车制动压力的方法和设备 |
| CN110962828A (zh) * | 2019-12-23 | 2020-04-07 | 奇瑞汽车股份有限公司 | 预测电动汽车制动压力的方法和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN100582722C (zh) | 2010-01-20 |
| US20060155734A1 (en) | 2006-07-13 |
| DE102006000916B3 (de) | 2007-08-30 |
| US7937197B2 (en) | 2011-05-03 |
| DE102006000916B8 (de) | 2007-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1800809A (zh) | 用于评估动态系统的设备和方法 | |
| CN110795780B (zh) | 一种基于XGBoost算法的斜拉桥有限元修正方法 | |
| CN102192927A (zh) | 一种基于电子鼻技术的空气质量监测系统及其监测方法 | |
| CN110706213B (zh) | 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法 | |
| CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| CN1381721A (zh) | 便携式智能电子鼻及其制备方法 | |
| Shi et al. | Structural damage detection using artificial neural networks and wavelet transform | |
| CN113343360B (zh) | 一种三角臂疲劳寿命的评价方法及装置 | |
| CN110568127B (zh) | 一种基于时域加权的空气污染物浓度监测方法 | |
| CN114993434B (zh) | 一种基于声信号的emd能量熵的车重识别系统和方法 | |
| CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
| CN114323512B (zh) | 一种重载车辆识别方法及系统 | |
| CN111950757A (zh) | 旋转机械关键零部件退化状态趋势预测方法 | |
| CN113836476B (zh) | 一种基于智能手机的路面平整度测量方法 | |
| CN113420362B (zh) | 一种适用于时变中小跨径桥梁的损伤识别方法及装置 | |
| CN114676648A (zh) | 一种基于机器学习的车辆载荷谱预测方法和装置 | |
| CN114266013A (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
| CN110472741B (zh) | 一种三域模糊小波宽度学习滤波系统及方法 | |
| CN113378935A (zh) | 一种用于气体的嗅觉智能识别方法 | |
| CN112949187A (zh) | 整车质量计算方法 | |
| CN113267344A (zh) | 一种汽车abs检测装置及方法 | |
| Krätschmer et al. | AI-based diagnostic tool for offline evaluation of measurement data on test benches | |
| CN112109727B (zh) | 一种面向露天矿区无人驾驶车辆的制动力标定方法 | |
| CN111561929A (zh) | 一种用于车载mems惯性传感器的时延降噪方法 | |
| CN111310914A (zh) | 利用神经网络算法的驾驶状态分析方法及计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100120 Termination date: 20130109 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |