CN111177936A - 一种降低车辆载重误差的方法及计算机可读存储介质 - Google Patents
一种降低车辆载重误差的方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111177936A CN111177936A CN202010003158.XA CN202010003158A CN111177936A CN 111177936 A CN111177936 A CN 111177936A CN 202010003158 A CN202010003158 A CN 202010003158A CN 111177936 A CN111177936 A CN 111177936A
- Authority
- CN
- China
- Prior art keywords
- weight
- strain gauge
- value
- vehicle
- filtering
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/08—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles
- G01G19/086—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles wherein the vehicle mass is dynamically estimated
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (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)
- Vehicle Body Suspensions (AREA)
Abstract
本发明提供一种降低车辆载重误差的方法及计算机可读存储介质,包括:建立应变计的数值与标准砝码的重量的映射关系;采用Butterworth低通滤波器对所述应变计的数值进行滤波,得到第一次滤波后的应变计的数值;将所述第一次滤波后的应变计的数值进行经验模态分解重构信号得到第二次滤波后的应变计的数值;利用小波变换提取时序重量数据的特征向量;将所述特征向量输入到多分类支持向量分类器模型,识别出车辆运行状态;依据所述车辆运行状态和所述第二次滤波后的应变计的数值实时输出车辆重量。有效的剔除了外界环境带给应变计的误差,使得称重结果更加准确,得到真实平稳的车辆载重。
Description
技术领域
本发明涉及车辆载重技术领域,尤其涉及一种降低车辆载重误差的方法及计算机可读存储介质。
背景技术
根据中国互联网络信息中心(CNNIC)在京发布第44次《中国互联网络发展状况统计报告》显示,中国网络购物用户规模达到6.39亿之多。2018年中国快递业务量达到507.1亿件,据行业预测2019年快递业务将超过600亿件,这将会给快递运输造成不小的压力。快递车辆载重量现主要依赖过地磅来测量,在物流高峰期过磅称重无疑会造成快递积压。随着5G、大数据、以及智能化的加快,实现快递车辆智能化调度将会大幅度提升快递运输效率,也将是必然的趋势。车辆实时载重量作为基础数据支持,无疑是亟待解决的问题。现已有多种测量车辆动态重量的方法,主流的方案是通过安装应变计应变计来实现。但是由于应变应变计受环境影响存在较大误差,因而至今未能充分的应用。
现已有多种车辆动态称重的方案,其中多利用应变应变计数据通过标定应变计系数来实现。但应用于快递车辆的动态秤重,存在以下缺点:快递车辆需要快递员频繁的上下货,快递员自身的重量和搬运货物的过程给应变计带来了较大误差;快递车辆在行驶或者未熄火上货过程中,由于车体高频振动给应变计带来了高频误差。
现有技术中缺乏一种有效的降低车辆载重误差的方法及计算机可读存储介质。
发明内容
本发明为了解决现有的问题,提供一种降低车辆载重误差的方法及计算机可读存储介质。
为了解决上述问题,本发明采用的技术方案如下所述:
一种降低车辆载重误差的方法,包括如下步骤:S1:建立应变计的数值与标准砝码的重量的映射关系;S2:采用Butterworth低通滤波器对所述应变计的数值进行滤波,得到第一次滤波后的应变计的数值;S3:将所述第一次滤波后的应变计的数值进行经验模态分解重构信号得到第二次滤波后的应变计的数值;S4:利用小波变换提取时序重量数据的特征向量;S5:将所述特征向量输入到多分类支持向量分类器模型,识别出车辆运行状态;S6:依据所述车辆运行状态和所述第二次滤波后的应变计的数值实时输出车辆重量。
优选地,还包括:S7:根据实时输出的所述车辆重量形成重量曲线并输出。
优选地,建立应变计的数值与标准砝码的重量的映射关系包括如下步骤:S11:采集数据,所述数据包括:标准砝码重量构成的向量Yi(i∈1,...,N)和对应的应变计数值构成的矩阵Xi,j(i∈1,2,3,...,N;j∈1,2,3,...,M),其中,N代表加载所述标准砝码的总数,M代表所述应变计的总数;S12:多元线性回归建立应变计的数值与标准砝码的重量的映射关系:y=β0+β1x1+β2x2+…+βixi+ε,确定各应变计系数βi(i∈1,2,...M)。
优选地,所述经验模态分解包括:
其中,x(t)为第一次滤波后的应变计的数值,IMFi(t)为固有模态分量,rn(t)为余项;LPk为通过对固有模态IMFi叠加做低通滤波后得到的第二次滤波后的应变计的数值的新模态。
优选地,对所述新模态LPk评估指标如下:
minf=αmin(MMSE)+(1-α)min(SMSE)
其中,相似性指标MMSE为LPk的平均均方根误差,MSEj为各所述应变计的均方根误差,j=1,2,…,m为所述应变计个数;平均光滑度指标SMSE为LPk在各点光滑度的平均值,SMSEj为LPk各所述应变计的数值的光滑度平均值;最优指标minf是相似性指标MMSE和光滑度指标SMSE同时取得最小值,α为权重系数,函数min为取最小值。
优选地,利用小波变换提取时序重量数据的特征向量包括如下步骤:S41:缓冲30-60s内所述应变计的数值,根据所述应变计的数值与所述标准砝码的重量的映射关系得到所述应变计的数值对应的原始重量;S42:通过小波变换将时序重量数据转换为时间和频率分布数据,所述时间和频率分布数据即为特征向量。
优选地,所述小波变换的公式为:
其中,a为平移,b为缩放尺度,x(t)为要输入的重量序列,t为时间,Ψ(t)为母小波,选用Morlet,公式如下:
优选地,所述车辆运行状态分类为:上下货和非上下货状态;识别出车辆运行状态包括如下步骤:得到的所述特征向量x及所述特征向量对应的车辆运行状态向量w,分类函数如下:
其中,sign属于符号函数,当括号内数值大于0时输出1,小于等于0时输出-1,K是核函数本发明取Gaussian核函数:
其中,σ是核函数的超参数,x表示输入空间值,xi表示特征空间值,
0≤αi≤C
C>0是SVM算法的惩罚参数。
优选地,当所述车辆运行状态为上下货状态,则根据所述第二次滤波后的应变计的数值实时输出车辆重量;当所述车辆为非上下货状态,则取最近时刻的上下货状态的车载重量为所述车辆当前的车载重量并输出。
本发明又提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-9任一所述方法的步骤。
本发明的有益效果为:提供一种降低车辆载重误差的方法及计算机可读存储介质,利用Butterworth滤波器和经验模态分解,有效的剔除了外界环境带给应变计的误差,使得称重结果更加准确;根据小波转换将车辆重量序列转化为频率随时间变化的特征信号,输入到支持向量模型判断车辆运行状态,剔除了车辆运行过程中带给应变计的误差,得到真实平稳的车辆载重。
附图说明
图1是本发明实施例中一种降低车辆载重误差的方法。
图2是本发明实施例中又一种降低车辆载重误差的方法。
图3是本发明实施例中车辆的示意图。
图4是本发明实施例中建立应变计的数值与标准砝码的重量的映射关系的方法示意图。
图5是本发明实施例中利用小波变换提取时序重量数据的特征向量的方法示意图。
图6是本发明实施例中应变计的原始数值对应的重量的示意图。
图7是本发明实施例中第一次滤波后的应变计的数值对应的重量的示意图。
图8是本发明实施例中第二次滤波后的应变计的数值对应的重量的示意图。
图9是本发明实施例中依据所述车辆运行状态和所述第二次滤波后的应变计的数值对应的重量的示意图。
其中,1-车头,2-车厢,3-前车桥,4-后车桥,5、5A、5B-应变计。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要说明的是,当元件被称为“固定于”或“设置于”另一个元件,它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件,它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外,连接既可以是用于固定作用也可以是用于电路连通作用。
需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
相关术语解释
Butterworth滤波器:又称最大平坦滤波器,特点是通频带内的频率响应曲线最大限度平坦,没有纹波,而在阻频带则逐渐下降为零,在信号处理过程中往往被优先考虑。
经验模态分解:简称EMD(Empirical Mode Decomposition)该方法是依据数据自身的时间尺度特征来进行信号分解,无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点,EMD方法在理论上可以应用于任何类型的信号的分解,因而在处理非平稳及非线性数据上,具有非常明显的优势,适合于分析非线性、非平稳信号序列,具有很高的信噪比。
如图1所示,本发明提供一种降低车辆载重误差的方法,包括如下步骤:
S1:建立应变计的数值与标准砝码的重量的映射关系;
S2:采用Butterworth低通滤波器对所述应变计的数值进行滤波,得到第一次滤波后的应变计的数值;
S3:将所述第一次滤波后的应变计的数值进行经验模态分解重构信号得到第二次滤波后的应变计的数值;
S4:利用小波变换提取时序重量数据的特征向量;
S5:将所述特征向量输入到多分类支持向量分类器模型,识别出车辆运行状态;
S6:依据所述车辆运行状态和所述第二次滤波后的应变计的数值实时输出车辆重量。
如图2所示,在本发明的一种实施例中降低车辆载重误差的方法,还包括:
S7:根据实时输出的所述车辆重量形成重量曲线并输出。
如图3所示,车头1后面连接车厢2,两个应变计5装在前车桥3的正上方,两个应变计5A装在后车桥4的正上方,两个应变计5B装在后车桥4的后侧方。
在本发明的一种实施例中,应变计可以在前、后车桥对称的安装偶数个,可以多于6个;通过应变计将车桥形变大小转化为应变计模拟信号值,作为模型输入的特征值。在前、后车桥部分,对称地安装偶数个数的应变计应变计可以均匀地获取到由货物带给车厢的受力,避免受力不均衡带来的形变扑捉丢失的情况,造成精度的丧失。
如图4所示,建立应变计的数值与标准砝码的重量的映射关系包括如下步骤:
S11:采集数据,所述数据包括:标准砝码重量构成的向量Yi(i∈1,...,N)和对应的应变计数值构成的矩阵Xi,j(i∈1,2,3,...,N;j∈1,2,3,...,M),其中,N代表加载所述标准砝码的总数,M代表所述应变计的总数;
S12:多元线性回归建立应变计的数值与标准砝码的重量的映射关系:
y=β0+β1x1+β2x2+…+βixi+ε
确定各应变计系数βi(i∈1,2,...M)。
在本发明的一种实施例中,N至少为15.
Butterworth滤波器又称,最大平坦滤波器,因其在通带频率响应平坦在信号处理过程中往往被优先考虑。考虑到输出车载重量的实时性,对应变计数据每隔30-60秒进行一次滤波操作。理论上,滤波器阶数越高越接近理想滤波器,但同时考虑到Gibbs效应和滤波器性能。最终采用4阶Butterworth带通滤波器对应变计做低通滤波。滤波器的规格设计如下:
Fpass=F(F=0.2Hz),Fstop=1.05F,Apass=3dB,Astop=40dB。
可以理解的是,应用于滤波和EMD信号时间序列越长越好,但考虑到数据实时输出,实验后折中为每30秒进行一次。
经验模态分解(EMD),是一种新型自适应信号时频处理方法,特别适用于非线性非平稳信号的分析处理。,所述经验模态分解包括:
其中,x(t)为第一次滤波后的应变计的数值,IMFi(t)为固有模态分量,rn(t)为余项;LPk为通过对固有模态IMFi叠加做低通滤波后得到的第二次滤波后的应变计的数值的新模态。
为进一步剔除人为操作带给应变计误差,选取最优降噪光滑模型来评估各固有模态分量重构的新模态LPk,评估指标如下:
minf=αmin(MMSE)+(1-α)min(SMSE)
其中,相似性指标MMSE为LPk的平均均方根误差,MSEj为各所述应变计的均方根误差,j=1,2,…,m为所述应变计个数;平均光滑度指标SMSE为LPk在各点光滑度的平均值,SMSEj为LPk各所述应变计的数值的光滑度平均值;最优指标minf是相似性指标MMSE和光滑度指标SMSE同时取得最小值,α为权重系数,函数min为取最小值。
在本发明的一种实施例中,α取为0.3。
如图5所示,由于S2和S3中对数据进行滤波丢失了一定特征,利用小波变换提取时序重量数据的特征向量包括如下步骤:
S41:缓冲30-60s内所述应变计的数值,根据所述应变计的数值与所述标准砝码的重量的映射关系得到所述应变计的数值对应的原始重量;
S42:通过小波变换将时序重量数据转换为时间和频率分布数据,所述时间和频率分布数据即为特征向量。
缓冲时间的取值范围主要考虑到两个方面:1、小波提取特征向量的有效性;2、车辆运行状态切换时的时间延时。
波变换的公式为:
其中,a为平移,b为缩放尺度,x(t)为要输入的重量序列,t为时间,Ψ(t)为母小波,选用Morlet,公式如下:
得到的特征向量,输入到多分类支持向量分类器中,将所述车辆运行状态分类为:上下货和非上下货状态;识别出车辆运行状态包括如下步骤:
得到的所述特征向量x及所述特征向量对应的车辆运行状态向量w,分类函数如下:
其中,sign属于符号函数,当括号内数值大于0时输出1,小于等于0时输出-1,K是核函数本发明取Gaussian核函数:
其中,σ是核函数的超参数,x表示输入空间值,xi表示特征空间值,
0≤αi≤C
C>0是SVM算法的惩罚参数。
当所述车辆运行状态为上下货状态,则根据所述第二次滤波后的应变计的数值实时输出车辆重量;
当所述车辆为非上下货状态,则取最近时刻的上下货状态的车载重量为所述车辆当前的车载重量并输出。
本方法利用Butterworth滤波器和经验模态分解,有效的剔除了外界环境带给应变计的误差,使得称重结果更加准确;根据小波转换将车辆重量序列转化为频率随时间变化的特征信号,输入到支持向量模型判断车辆运行状态,剔除了车辆运行过程中带给应变计的误差,得到真实平稳的车辆载重。
本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在一种具体的实施例中,取车辆一段时间内的应变计的数值,并采用本发明的方法得到每个步骤中对应的车载重量数据图。
如图6所示为根据原始应变应变计数据计算得车辆载重,有着不能忍受的噪声干扰。图7为经过Butterworth滤波器之后得车辆载重,可以看到一些高频噪声污染已剔除。图8为再经过EMD重构应变计信号后得车辆载重,基本剔除了噪声污染,载重曲线平稳,上下货过程清晰。图9为经向量机模型判断后车辆载重,除上下货过程车辆载重均为锁定状态,车辆重量曲线更加真实。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干等同替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。
Claims (10)
1.一种降低车辆载重误差的方法,其特征在于,包括如下步骤:
S1:建立应变计的数值与标准砝码的重量的映射关系;
S2:采用Butterworth低通滤波器对所述应变计的数值进行滤波,得到第一次滤波后的应变计的数值;
S3:将所述第一次滤波后的应变计的数值进行经验模态分解重构信号得到第二次滤波后的应变计的数值;
S4:利用小波变换提取时序重量数据的特征向量;
S5:将所述特征向量输入到多分类支持向量分类器模型,识别出车辆运行状态;
S6:依据所述车辆运行状态和所述第二次滤波后的应变计的数值实时输出车辆重量。
2.如权利要求1所述的降低车辆载重误差的方法,其特征在于,还包括:
S7:根据实时输出的所述车辆重量形成重量曲线并输出。
3.如权利要求1所述的降低车辆载重误差的方法,其特征在于,建立应变计的数值与标准砝码的重量的映射关系包括如下步骤:
S11:采集数据,所述数据包括:标准砝码重量构成的向量Yi(i∈1,...,N)和对应的应变计数值构成的矩阵Xi,j(i∈1,2,3,...,N;j∈1,2,3,...,M),其中,N代表加载所述标准砝码的总数,M代表所述应变计的总数;
S12:多元线性回归建立应变计的数值与标准砝码的重量的映射关系:
y=β0+β1x1+β2x2+…+βixi+ε
确定各应变计系数βi(i∈1,2,...M)。
6.如权利要求1所述的降低车辆载重误差的方法,其特征在于,利用小波变换提取时序重量数据的特征向量包括如下步骤:
S41:缓冲30-60s内所述应变计的数值,根据所述应变计的数值与所述标准砝码的重量的映射关系得到所述应变计的数值对应的原始重量;
S42:通过小波变换将时序重量数据转换为时间和频率分布数据,所述时间和频率分布数据即为特征向量。
9.如权利要求8所述的降低车辆载重误差的方法,其特征在于,当所述车辆运行状态为上下货状态,则根据所述第二次滤波后的应变计的数值实时输出车辆重量;
当所述车辆为非上下货状态,则取最近时刻的上下货状态的车载重量为所述车辆当前的车载重量并输出。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-9任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010003158.XA CN111177936B (zh) | 2020-01-02 | 2020-01-02 | 一种降低车辆载重误差的方法及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010003158.XA CN111177936B (zh) | 2020-01-02 | 2020-01-02 | 一种降低车辆载重误差的方法及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111177936A true CN111177936A (zh) | 2020-05-19 |
CN111177936B CN111177936B (zh) | 2021-03-23 |
Family
ID=70654360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010003158.XA Active CN111177936B (zh) | 2020-01-02 | 2020-01-02 | 一种降低车辆载重误差的方法及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177936B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111912506A (zh) * | 2020-05-28 | 2020-11-10 | 北京蜂云科创信息技术有限公司 | 一种确定机动车载重状态的方法和设备 |
CN113240821A (zh) * | 2021-04-12 | 2021-08-10 | 西安科技大学 | 基于多信息融合的动态称重货车不停车计费***及方法 |
CN113688351A (zh) * | 2021-08-06 | 2021-11-23 | 北京每日优鲜电子商务有限公司 | 用于检测物品重量的方法、装置、电子设备和可读介质 |
CN113959549A (zh) * | 2021-09-16 | 2022-01-21 | 三一汽车制造有限公司 | 称重数据处理方法、装置及存储介质 |
CN114993434A (zh) * | 2022-05-20 | 2022-09-02 | 湖南科技大学 | 一种基于声信号的emd能量熵的车重识别***和方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901550A (zh) * | 2012-11-15 | 2013-01-30 | 陕西电器研究所 | 一种实现车载动态称重的方法 |
CN107727210A (zh) * | 2017-09-21 | 2018-02-23 | 深圳市汉德网络科技有限公司 | 一种餐厨垃圾车车载称重方法及*** |
-
2020
- 2020-01-02 CN CN202010003158.XA patent/CN111177936B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901550A (zh) * | 2012-11-15 | 2013-01-30 | 陕西电器研究所 | 一种实现车载动态称重的方法 |
CN107727210A (zh) * | 2017-09-21 | 2018-02-23 | 深圳市汉德网络科技有限公司 | 一种餐厨垃圾车车载称重方法及*** |
Non-Patent Citations (2)
Title |
---|
周志锋等: "基于经验模态分解的汽车动态称重数据处理", 《中国机械工程》 * |
张瑞等: "基于神经网络自适应滤波的车辆动态称重***研究", 《公路交通科技》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111912506A (zh) * | 2020-05-28 | 2020-11-10 | 北京蜂云科创信息技术有限公司 | 一种确定机动车载重状态的方法和设备 |
CN113240821A (zh) * | 2021-04-12 | 2021-08-10 | 西安科技大学 | 基于多信息融合的动态称重货车不停车计费***及方法 |
CN113688351A (zh) * | 2021-08-06 | 2021-11-23 | 北京每日优鲜电子商务有限公司 | 用于检测物品重量的方法、装置、电子设备和可读介质 |
CN113959549A (zh) * | 2021-09-16 | 2022-01-21 | 三一汽车制造有限公司 | 称重数据处理方法、装置及存储介质 |
CN114993434A (zh) * | 2022-05-20 | 2022-09-02 | 湖南科技大学 | 一种基于声信号的emd能量熵的车重识别***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111177936B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177936B (zh) | 一种降低车辆载重误差的方法及计算机可读存储介质 | |
EP2502759B1 (en) | Apparatus, method and program for vehicle mass estimation | |
CN111121939B (zh) | 一种高精度车载区域称重方法 | |
Huang et al. | Identification of vehicle suspension shock absorber squeak and rattle noise based on wavelet packet transforms and a genetic algorithm-support vector machine | |
CN113532829A (zh) | 基于改进的rcmde往复压缩机故障诊断方法 | |
CN111209951A (zh) | 一种实时车载称重方法 | |
CN113091872B (zh) | 一种诊断故障传感器的方法与装置 | |
CN111157092A (zh) | 一种车载称重自动标定的方法及计算机可读存储介质 | |
CN111397868B (zh) | 一种基于聚合经验模态分解算法的断路器故障分析方法 | |
Bassiuny et al. | Fault diagnosis of stamping process based on empirical mode decomposition and learning vector quantization | |
Niedźwiecki et al. | System identification based approach to dynamic weighing revisited | |
CN114386452B (zh) | 核电循环水泵太阳轮故障检测方法 | |
Minhas et al. | Improvement in classification accuracy and computational speed in bearing fault diagnosis using multiscale fuzzy entropy | |
CN112256686A (zh) | 一种基于mes的故障数据压缩与预测方法及*** | |
Huang et al. | Soft measurement of ball mill load based on multi-classifier ensemble modelling and multi-sensor fusion with improved evidence combination | |
Li et al. | Application of the refined multiscale permutation entropy method to fault detection of rolling bearing | |
CN113314201B (zh) | 一种神经内科临床护理安全隐患分析方法及*** | |
Zhang et al. | Bearing Fault Diagnosis with Kernel Sparse Representation Classification Based on Adaptive Local Iterative Filtering‐Enhanced Multiscale Entropy Features | |
CN112765703A (zh) | 一种危险品码头结构性能退化评估方法 | |
CN116687406A (zh) | 情绪识别方法、装置、电子设备及存储介质 | |
Schmidt | Tire Pressure Monitoring using Weighted Horizontal Visibility Graphs | |
CN113155422B (zh) | 一种故障检测方法、装置和存储介质 | |
CN112723076A (zh) | 一种电梯导靴故障诊断方法 | |
CN117949821B (zh) | 一种异步电机故障诊断方法及相关设备 | |
CN118094357B (zh) | 基于属性解耦和因子分析的车辆动态称重方法及*** |
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 |