CN112733284A - 一种汽车线束波纹管波峰切割定位信息融合方法 - Google Patents
一种汽车线束波纹管波峰切割定位信息融合方法 Download PDFInfo
- Publication number
- CN112733284A CN112733284A CN202011531398.3A CN202011531398A CN112733284A CN 112733284 A CN112733284 A CN 112733284A CN 202011531398 A CN202011531398 A CN 202011531398A CN 112733284 A CN112733284 A CN 112733284A
- Authority
- CN
- China
- Prior art keywords
- noise
- noise variance
- iterations
- state
- measurement
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B26—HAND CUTTING TOOLS; CUTTING; SEVERING
- B26D—CUTTING; DETAILS COMMON TO MACHINES FOR PERFORATING, PUNCHING, CUTTING-OUT, STAMPING-OUT OR SEVERING
- B26D5/00—Arrangements for operating and controlling machines or devices for cutting, cutting-out, stamping-out, punching, perforating, or severing by means other than cutting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B26—HAND CUTTING TOOLS; CUTTING; SEVERING
- B26D—CUTTING; DETAILS COMMON TO MACHINES FOR PERFORATING, PUNCHING, CUTTING-OUT, STAMPING-OUT OR SEVERING
- B26D7/00—Details of apparatus for cutting, cutting-out, stamping-out, punching, perforating, or severing by means other than cutting
- B26D7/01—Means for holding or positioning work
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Forests & Forestry (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明涉及汽车线束波纹管波峰切割定位领域,公开了一种汽车线束波纹管波峰切割定位信息融合方法,包括利用光电编码器采集机床工作台直线位移信息,利用位移传感器采集垂直距离波峰检测信息;利用***状态量建立***观测方程,利用量测值建立***量测方程;将光电编码器在静止状态下的噪声方差作为***噪声方差,将位移传感器在静止状态下的噪声方差作为***量测噪声方差;利用改进的自适应Kalman滤波算法在线实时迭代估计机床工作台直线位移。本发明针对汽车线束波纹管切割定位进行多传感器信息融合,设计了一种改进的自适应Kalman滤波算法,能自适应在线实时估计切割定位,不仅大幅降低了噪声估计误差,也提高了波纹管波峰切割定位的精度。
Description
技术领域
本发明涉及汽车线束波纹管波峰切割定位领域,具体地涉及一种汽车线束波纹管波峰切割定位信息融合方法。
背景技术
在汽车、电子、机械设备等领域通用的线束护套是波纹管,在波纹管加工过程中,一般要求切割成规定长度,且切割位置处于波峰处,这可以很好地预防内部电缆被波纹管切割锋利处划伤和损坏。
在波纹管波峰自动定位切割控制***中应用常规Kalman滤波算法时,***噪声和量测噪声统计特性均未知,这使得常规Kalman滤波算法失去最优性,估计精度大大降低,甚至会引起滤波发散。而采用自适应Kalman滤波(Adaptive Kalman Filter,AKF)算法可实现在线同时自适应估计***噪声和量测噪声统计特性,但将该算法应用于实际动态控制***中进行多传感器信息融合解算时,会发现该算法实质上是无法在***噪声和量测噪声统计特性均未知的前提下将二者准确分离并高精度的估计二者方差值。在此情况下,***噪声统计特性误差偏离较大,致使自适应Kalman滤波算法定量识别预测值与新息值时出现误判断,造成状态估计短时精度极低,且易造成滤波发散,不能满足动态***实时在线估计的需要。
发明内容
本发明提供一种汽车线束波纹管波峰切割定位信息融合方法,从而解决现有技术的上述问题。
一种汽车线束波纹管波峰切割定位信息融合方法,包括以下步骤:
S1)利用光电编码器采集机床工作台直线位移信息,利用位移传感器采集垂直距离波峰检测信息;
S2)将机床工作台直线位移信息作为***状态值,利用***状态量建立***状态方程;将垂直距离波峰检测信息作为量测值,利用量测值建立***量测方程;
进一步的,在步骤S2)中,***状态方程为xk=xk-1+uk-1+wk-1,xk为k次迭代时的***状态值;uk-1为***输入量,uk-1=δNk-1,***输入量为光电编码器采集的k-1次到k次迭代时的一步增量位移,δ为脉冲当量,Nk-1为脉冲计数值;wk-1为k-1次迭代时***噪声标量;***量测方程为zk=dk+vk;zk为k次迭代时的***量测值,dk为k次迭代时垂直距离波峰检测信息,vk为k次迭代时量测噪声标量。
进一步的,在步骤S4)中,根据***噪声方差和***量测噪声方差并利用改进的自适应Kalman滤波算法在线实时迭代估计机床工作台直线位移,改进的自适应Kalman滤波算法在单个迭代周期内的迭代步骤如下:
进一步的,***噪声标量和量测噪声标量为两个互不相关的高斯白噪声序列。
进一步的,在步骤S2)中,k次迭代时垂直距离波峰检测信息dk为0或d,d为波纹管相邻波峰波谷中点距离。
进一步的,光电编码器为增量式光电脉冲编码器。
本发明的有益效果是:本发明针对汽车线束波纹管切割定位进行多传感器信息融合,设计了一种改进的自适应Kalman滤波算法,根据应用于实际***传感器特性估计***噪声及量测噪声统计特性,应用自适应算法在线实时估计切割定位,不仅大幅降低了噪声估计误差,也大大提高了波纹管波峰切割定位的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本实施例一提供的汽车线束波纹管波峰切割定位信息融合方法流程示意图。
图2为本实施例一提供的汽车线束波纹管传感器波峰定位示意图。
图3为本实施例一提供的利用改进的自适应Kalman滤波算法在线实时迭代估计机床工作台直线位移流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,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方式仅仅用以解释本发明,并不用于限定本发明。
实施例一,一种汽车线束波纹管波峰切割定位信息融合方法,如图1所示,包括以下步骤:
S1)利用光电编码器1采集机床工作台直线位移信息,利用位移传感器采集2垂直距离波峰检测信息,光电编码器为增量式光电脉冲编码器。如图2所示,符号3表示波纹管的波谷,符号4表示波纹管的波峰,位移传感器2为红外(激光)传感器。
在波纹管波峰自动定位切割控制***中,若切割定位信息采用光电编码器、红外或激光位移传感器进行定位,则由光电编码器获得机床工作台直线位移信息,长期精度较高,不存在积分过程,因此本发明将光电编码器采集的信息作为信息融合的预测信息;而红外或激光位移传感器输出的垂直距离波峰检测信息瞬间精度高,在信息融合中将其作为量测信息。
S2)将机床工作台直线位移信息作为***状态值,利用***状态量建立***状态方程;将垂直距离波峰检测信息作为量测值,利用量测值建立***量测方程。
在步骤S2)中,***状态方程为xk=xk-1+uk-1+wk-1,xk为k次迭代时的***状态值,uk-1为***输入量,uk-1=δNk-1,***输入量为光电编码器采集的k-1次到k次迭代时的一步增量位移,δ为脉冲当量,Nk-1为脉冲计数值;wk-1为k-1次迭代时***噪声标量;***量测方程为zk=dk+vk;zk为k次迭代时的***量测值,dk为k次迭代时垂直距离波峰检测信息,k次迭代时垂直距离波峰检测信息dk为0或d,d为波纹管相邻波峰波谷中点距离。vk为k次迭代时量测噪声标量。***噪声标量和量测噪声标量为两个互不相关的高斯白噪声序列。
S3)获取光电编码器在静止状态下的噪声方差,将光电编码器在静止状态下的噪声方差作为***噪声方差获取位移传感器在静止状态下的噪声方差,将位移传感器在静止状态下的噪声方差作为***量测噪声方差静态状态指的是***上电后动态传送波纹管,***处于相对静止的状态。而在传送波纹管和切割的过程中,***则为动态状态。
设计自适应Kalman算法首先应该解决在***噪声和量测噪声统计特性均未知的前提下将二者准确分离并估计出二者方差的问题。在汽车线束波纹管切割定位过程中,***噪声统计特性完全由线束传动***决定,量测噪声统计特性完全由红外(激光)位移传感器特性决定,如果对两种噪声统计特性进行实时估计,这反而会导致滤波发散的问题。本发明在设计改进的自适应Kalman算法时,取光电编码器在静止状态下计算的噪声方差常值作为***噪声方差取红外(激光)传感器在静止状态下计算的噪声方差常值作为量测噪声方差在解决了噪声统计特性未知问题的同时,还大大简化了算法,易于工程实现。和均为常数。
本发明设计的自适应Kalman滤波算法实质上分为两个过程:时间更新过程和量测更新过程。状态一步预测和状态一步预测均方误差更新属于时间更新过程,状态一步预测为根据k-1时刻(对应于k-1次迭代)状态估计更新k时刻状态估计预测值,状态一步预测均方误差更新是对状态一步预测的预测质量优劣做出定量评价。滤波增益更新、线性加权平均状态估计属于量测更新过程,主要是利用k次迭代时的***量测值zk来计算预测值(即时间更新值)的修正量。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
针对汽车线束波纹管切割定位,本发明所设计的一种改进的自适应Kalman滤波算法可根据实际***特性确定***噪声及量测噪声方差,不仅降低了***噪声估计误差,也同时解决了滤波发散的问题。
本发明所设计的一种改进的自适应Kalman滤波算法能够正确判断提供状态预测信息与量测信息传感器(光电编码器和红外(激光)位移传感器)的特性,自适应地调节各传感器的利用权重,保证估计值精度,适合线束波纹管切割定位精度要求较高的情况。
本发明能够对汽车线束波纹管切割定位***进行多传感器信息融合,具有精度较高,实时性好,滤波稳定性强的特点。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (6)
1.一种汽车线束波纹管波峰切割定位信息融合方法,其特征在于,包括以下步骤:
S1)利用光电编码器采集机床工作台直线位移信息,利用位移传感器采集垂直距离波峰检测信息;
S2)将所述机床工作台直线位移信息作为***状态值,利用所述***状态量建立***状态方程;将所述垂直距离波峰检测信息作为量测值,利用所述量测值建立***量测方程;
2.根据权利要求1所述的汽车线束波纹管波峰切割定位信息融合方法,其特征在于,在步骤S2)中,所述***状态方程为xk=xk-1+uk-1+wk-1,xk为k次迭代时的***状态值;uk-1为***输入量,uk-1=δNk-1,所述***输入量为光电编码器采集的k-1次到k次迭代时的一步增量位移,δ为脉冲当量,Nk-1为脉冲计数值;wk-1为k-1次迭代时***噪声标量;所述***量测方程为zk=dk+vk;zk为k次迭代时的***量测值,dk为k次迭代时垂直距离波峰检测信息,vk为k次迭代时量测噪声标量。
3.根据权利要求2所述的汽车线束波纹管波峰切割定位信息融合方法,其特征在于,在步骤S4)中,根据***噪声方差和***量测噪声方差并利用改进的自适应Kalman滤波算法在线实时迭代估计机床工作台直线位移,所述改进的自适应Kalman滤波算法在单个迭代周期内的迭代步骤如下:
4.根据权利要求3所述的汽车线束波纹管波峰切割定位信息融合方法,其特征在于,***噪声标量和量测噪声标量为两个互不相关的高斯白噪声序列。
5.根据权利要求2或4所述的汽车线束波纹管波峰切割定位信息融合方法,其特征在于,在步骤S2)中,k次迭代时垂直距离波峰检测信息dk为0或d,d为波纹管相邻波峰波谷中点距离。
6.根据权利要求2所述的汽车线束波纹管波峰切割定位信息融合方法,其特征在于,所述光电编码器为增量式光电脉冲编码器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011531398.3A CN112733284B (zh) | 2020-12-22 | 2020-12-22 | 一种汽车线束波纹管波峰切割定位信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011531398.3A CN112733284B (zh) | 2020-12-22 | 2020-12-22 | 一种汽车线束波纹管波峰切割定位信息融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733284A true CN112733284A (zh) | 2021-04-30 |
CN112733284B CN112733284B (zh) | 2022-12-27 |
Family
ID=75605819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011531398.3A Active CN112733284B (zh) | 2020-12-22 | 2020-12-22 | 一种汽车线束波纹管波峰切割定位信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733284B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115041669A (zh) * | 2022-06-30 | 2022-09-13 | 山东中衡光电科技有限公司 | 用于大型轮带切割设备的控制***和控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006114102A1 (en) * | 2005-04-26 | 2006-11-02 | Aalborg Universitet | Efficient initialization of iterative parameter estimation |
CN104596514A (zh) * | 2015-01-12 | 2015-05-06 | 东南大学 | 加速度计和陀螺仪的实时降噪***和方法 |
CN111024064A (zh) * | 2019-11-25 | 2020-04-17 | 东南大学 | 一种改进Sage-Husa自适应滤波的SINS/DVL组合导航方法 |
WO2020087845A1 (zh) * | 2018-10-30 | 2020-05-07 | 东南大学 | 基于gpr与改进的srckf的sins初始对准方法 |
-
2020
- 2020-12-22 CN CN202011531398.3A patent/CN112733284B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006114102A1 (en) * | 2005-04-26 | 2006-11-02 | Aalborg Universitet | Efficient initialization of iterative parameter estimation |
CN104596514A (zh) * | 2015-01-12 | 2015-05-06 | 东南大学 | 加速度计和陀螺仪的实时降噪***和方法 |
WO2020087845A1 (zh) * | 2018-10-30 | 2020-05-07 | 东南大学 | 基于gpr与改进的srckf的sins初始对准方法 |
CN111024064A (zh) * | 2019-11-25 | 2020-04-17 | 东南大学 | 一种改进Sage-Husa自适应滤波的SINS/DVL组合导航方法 |
Non-Patent Citations (5)
Title |
---|
DONG-KWAN KIM 等: "Nonlinear system identification on shallow foundation using Extended Kalman Filter", 《SOIL DYNAMICS AND EARTHQUAKE ENGINEERING》 * |
张欣: "多旋翼无人机的姿态与导航信息融合算法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
张欣等: "多旋翼姿态解算中的改进自适应扩展Kalman算法", 《光学精密工程》 * |
闫占辉 等: "汽车线束波纹管切割机的设计原理及其应用", 《汽车实用技术》 * |
闫占辉 等: "汽车线束波纹管自动切割控制***的设计", 《机床与液压》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115041669A (zh) * | 2022-06-30 | 2022-09-13 | 山东中衡光电科技有限公司 | 用于大型轮带切割设备的控制***和控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112733284B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11650565B2 (en) | Machine learning device and thermal displacement compensation device | |
US10592824B2 (en) | Machine learning device and thermal displacement compensation device | |
JP5460148B2 (ja) | 測位装置及びプログラム | |
CN112733284B (zh) | 一种汽车线束波纹管波峰切割定位信息融合方法 | |
CN111025250B (zh) | 一种车载毫米波雷达在线标定方法 | |
CN117278643B (zh) | 基于云边协同的车载云标定数据传输*** | |
CN110572779B (zh) | 一种基于ToF模型的基站的***误差估计方法 | |
CN116861313B (zh) | 基于振动能量趋势的卡尔曼滤波工况识别方法、*** | |
Steiner | Grouped data exponentially weighted moving average control charts | |
CN116956200B (zh) | 基于机器学习的灌溉管生产实时检测*** | |
CN108519739B (zh) | 基于对力与位置预测的多时延遥操作***稳定性控制方法 | |
CN116134393A (zh) | 异常检测模型的评估***及评估方法 | |
IT202000024874A1 (it) | Metodo e dispositivo per la stima del tempo di volo | |
CN109101759B (zh) | 一种基于正逆响应面法的参数识别方法 | |
US11463849B2 (en) | Data processing device, data analyzing device, data processing system and method for processing data | |
JPH09128009A (ja) | ニューラルネットワークを使用して反応装置の状態パラメータを検出する方法 | |
Mestre et al. | Measuring the errors of form of industrial surfaces: prediction and optimization | |
CN111090281A (zh) | 一种基于改进粒子滤波算法估算移动机器人精确方位的方法和装置 | |
Kapase et al. | Estimating the period of a step-change in single observation data | |
CN111400931A (zh) | 一种车辆横摆角速度的确定方法及*** | |
CN106990753B (zh) | 一种基于校准体积的机床位移补偿方法和*** | |
CN104868876A (zh) | 一种针对过程噪声协方差矩阵Q未知情况下的Kalman滤波方法 | |
CN112859126A (zh) | 一种基于ufir滤波器的gnss定位漂移处理方法 | |
CN115106837B (zh) | 一种基于智能压板的姿态判定方法及*** | |
CN106477071B (zh) | 一种飞行器fads***的故障判别与滤波处理方法 |
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 |