CN116973819A - 一种微波电磁参数三维测试方法、***及储存介质 - Google Patents
一种微波电磁参数三维测试方法、***及储存介质 Download PDFInfo
- Publication number
- CN116973819A CN116973819A CN202311231553.3A CN202311231553A CN116973819A CN 116973819 A CN116973819 A CN 116973819A CN 202311231553 A CN202311231553 A CN 202311231553A CN 116973819 A CN116973819 A CN 116973819A
- Authority
- CN
- China
- Prior art keywords
- data
- gap value
- radiation
- radiation parameter
- neural network
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 230000005855 radiation Effects 0.000 claims description 215
- 239000000463 material Substances 0.000 claims description 185
- 238000004364 calculation method Methods 0.000 claims description 91
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 238000003062 neural network model Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 29
- 230000007613 environmental effect Effects 0.000 claims description 28
- 230000007547 defect Effects 0.000 claims description 19
- 239000007787 solid Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000010998 test method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/12—Measuring magnetic properties of articles or specimens of solids or fluids
- G01R33/1253—Measuring galvano-magnetic properties
-
- 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)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Electromagnetism (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
Abstract
本发明公开了一种微波电磁参数三维测试方法、***及储存介质，属于测量电变量领域，本发明信号接受点的接收辐射参数数据和实时环境数据导入构建的神经网络模型，导出检测材料各偏转角度上的辐射参数，获取材料各偏转角度上的辐射参数，导入辐射参数差距值计算策略中进行辐射参数差距值的计算，获取材料外表数据，导入材料外表差距值计算策略中进行外表差距值的计算，辐射参数差距值和外表差距值代入整体差距值计算公式中进行整体差距值的计算，判断整体差距值是否大于等于设置的差距阈值，这样通过获取待检测微波材料各偏转角的电磁参数和材料的外表数据进行分析判读，对生产微波材料的优劣进行定性定量分析，提高了生产微波材料检测的准确性。
Description
技术领域
本发明属于测量电变量技术领域，具体的说是一种微波电磁参数三维测试方法、***及储存介质。
背景技术
微波材料参数测试是用于评估材料在微波频率范围内的电磁性质和性能的一种重要测试方法，这些参数对于微波通信、雷达、天线设计以及其他微波应用非常关键，现有技术中对微波材料参数测试只能简单检测出微波材料的各个电磁特性数据，无法对各偏转角的电磁参数和材料的外表数据进行分析判读，进而无法对生产微波材料的优劣进行定性定量分析，现有技术中均存在上述问题；
例如在申请公开号为CN112816745A的中国专利中公开一种电动汽车电磁兼容测试台架，电动汽车电磁兼容测试台架仅需通过三组六轴自由度并联机器人联合控制动平台在三维空间内动作，自动且全方位调整动平台的各种不同的俯仰姿态，达到自由且全方位地调节电磁发射模块的俯仰角度的目的，并可通过电磁接收模块位置调整装置对无线充电***的电磁接收模块的位置进行调整，进而能够自由且全方位地调节电磁发射模块与电磁接收模块存在错位或出现角度偏移等多种工况条件下的测试参数，不仅降低测试难度，还大幅度提高测试效率，还可针对电动汽车无线充电***的电磁接收模块和电磁发射模块之间存在错位或角度偏移的真实应用场景，对电动汽车无线充电***进行高效、准确、全面的电磁兼容测试；
同时例如在授权公告号为CN112098732B的中国专利中公开了一种微波电磁参数三维测试***，包括PC控制端分别与三轴运动控制器和矢量网络分析仪相连，用于获取矢量网络分析仪的数据，并根据不同的命令进行控制三轴运动控制器；三轴运动控制器用于根据PC控制端的命令控制三维运动平台的整体运行；矢量网络分析仪和天线装置连接，用于给天线测量装置提供扫频信号和测量不同空间位置的电磁场；天线测量装置位于三维运动平台上，运动到三维运动平台的不同空间位置对待测样品的测量；测距模块用于对待测样品在***内的位置进行采集，保障天线测量装置准确测量到待测样品表面的距离。由此，该申请可在不破坏材料的前提下，快速、准确地对尺寸更大的样品开展测试。
以上专利均存在本背景技术提出的问题：现有技术中对微波材料参数测试只能简单检测出微波材料的各个电磁特性数据，无法对各偏转角的电磁参数和材料的外表数据进行分析判读，进而无法对生产微波材料的优劣进行定性定量分析，为了解决这些问题，本申请设计了一种微波电磁参数三维测试方法、***及储存介质。
发明内容
针对现有技术的不足，本发明提出了一种微波电磁参数三维测试方法、***及储存介质，本发明通过将待检测的材料固定在转动台上，转动台上设有屏蔽罩，材料发出的微波信号经过屏蔽罩上的输出口传输至信号接收点，信号接收点的接收辐射参数数据和实时环境数据导入构建的神经网络模型，导出检测材料各偏转角度上的辐射参数，获取材料各偏转角度上的辐射参数，导入辐射参数差距值计算策略中进行辐射参数差距值的计算，获取材料外表数据，导入材料外表差距值计算策略中进行外表差距值的计算，辐射参数差距值和外表差距值代入整体差距值计算公式中进行整体差距值的计算，判断整体差距值是否大于等于设置的差距阈值，这样通过获取待检测微波材料各偏转角的电磁参数和材料的外表数据进行分析判读，对生产微波材料的优劣进行定性定量分析，提高了生产微波材料检测的准确性，进一步提高了生产微波材料检测的效率。
为实现上述目的，本发明提供如下技术方案：
一种微波电磁参数三维测试方法，其包括以下具体步骤：
S1、获取环境历史数据、检测材料辐射参数历史数据和信号接收点的接收辐射参数数据；
S2、构建输入为环境历史数据、信号接收点的接收辐射参数数据，输出为检测材料辐射参数的神经网络模型；
S3、将待检测的材料固定在转动台上，转动台上设有屏蔽罩，材料发出的微波信号经过屏蔽罩上的输出口传输至信号接收点；
S4、信号接收点的接收辐射参数数据和实时环境数据导入构建的神经网络模型，导出检测材料各偏转角度上的辐射参数；
S5、获取材料各偏转角度上的辐射参数，导入辐射参数差距值计算策略中进行辐射参数差距值的计算；
S6、获取材料外表数据，导入材料外表差距值计算策略中进行外表差距值的计算；
S7、辐射参数差距值和外表差距值代入整体差距值计算公式中进行整体差距值的计算；
S8、判断整体差距值是否大于等于设置的差距阈值，若是则输出存在缺陷，并标记为次品，若否，则输出不存在缺陷，标记为优品。
具体的，所述S1包括以下具体步骤：
S11、使用环境传感器测量检测材料与信号接收点之间的环境数据，其中环境数据包括温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据；
S12、通过辐射参数采集组件采集待检测材料的辐射参数，其中待检测材料的辐射参数为辐射功率，使用辐射参数采集组件采集信号接收点的接收辐射参数数据，其中采集信号接收点的接收辐射参数数据为辐射功率流密度，同时通过位置采集模块采集信号接收点至待检测材料的距离。
具体的，所述S2的具体步骤如下：
S21、提取温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据变化曲线，同时提取同一时间内待检测材料的辐射参数变化曲线和信号接收点的接收辐射参数数据变化曲线；
S22、构建输入为温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据变化曲线和同一时间信号接收点的接收辐射参数数据变化曲线，输出为同一时间内待检测材料的辐射参数变化曲线的神经网络模型，获取温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据变化曲线波形、同一时间内待检测材料的辐射参数变化曲线波形和同一时间内待检测材料的辐射参数变化曲线的神经网络模型，将每个波形数据在不同时间点下的值作为70%的系数训练集和30%的系数测试集；构建神经网络预测模型，将70%的系数训练集输入所述神经网络模型进行训练，以得到初始神经网络预测模型；利用30%的系数测试集对所述神经网络模型进行测试，输出满足预设波形测试准确度的最优初始神经网络预测模型作为神经网络预测模型，所述神经网络预测模型的表达式为：，其中/>为神经网络第i+1层的输出，k为神经网络第i层的数量，/>为神经网络第i层中第p个数据的占比系数，/>为神经网络中第i层的输入，/>为偏置系数。
具体的，所述S4的具体步骤包括以下内容：
S41、转动台作匀速转动，对转动台转动角度数据进行提取，提取信号接收点的实时接收辐射参数数据和实时环境数据导入构建的神经网络模型中；
S42、从神经网络模型中导出各偏转角度上的辐射参数。
具体的，所述S5中辐射参数差距值计算策略的具体步骤为：
S51、提取检测材料各偏转角度的辐射参数，提取的辐射参数序列为：，其中n为采集的偏转角度个数，/>为/>角度的辐射参数，i属于（1，n）；
S52、求得检测材料各偏转角度上辐射参数的平均值，其计算公式为：，将数据代入辐射参数差距值计算公式中计算检测材料的辐射参数差距值，辐射参数差距值计算公式为：/>，其中/>为第一占比系数，/>为第二占比系数，其中/>，p为设定的标准辐射参数值。
具体的，所述S6的材料外表差距值计算策略的具体步骤为：
S61、通过测量模块测量待检测材料长度、宽度和高度，通过摄像组件对待检测材料的外表进行拍摄，同时对成品材料的长度、宽度、高度和外表图像进行提取；
S62、将待检测材料长度、宽度和高度数据与成品材料的长度、宽度和高度数据代入尺寸差距值计算公式中进行尺寸差距值计算，所述尺寸差距值计算公式为：，其中c,m,z分别代表待检测材料长度、宽度和高度数据，/>分别代表成品材料的长度、宽度、高度；
S63、对待检测材料的外表图像和成品材料的外表图像对应各个像素点的像素值进行提取，代入图像差距值计算公式中计算图像差距值，所述图像差距值计算公式为：，其中/>为成品材料的外表图像像素点个数，/>为待检测材料的外表图像中第j个像素点的像素值，/>为成品材料的外表图像中第j个像素点的像素值；
S64、提取尺寸差距值和图像差距值代入外表差距值计算公式中进行外表差距值的计算，外表差距值计算公式为：。
具体的，所述S7的整体差距值计算公式为：，其中，M为整体差距值，exp（）为e的次数幂，/>为辐射参数差距值占比系数，/>为外表差距值占比系数，/>，且/>。
一种微波电磁参数三维测试***，其基于上述一种微波电磁参数三维测试方法实现，其具体包括：控制模块、数据采集模块、神经网络构建模块、转动台控制单元、辐射参数差距值计算模块、外表差距值计算模块、整体差距值计算模块、数据对比模块和缺陷播报模块，所述控制模块用于控制故障异常信号获取模块、数据采集模块、神经网络构建模块、转动台控制单元、辐射参数差距值计算模块、外表差距值计算模块、整体差距值计算模块、数据对比模块和缺陷播报模块的运行，所述数据采集模块用于采集测试过程中环境历史数据、检测材料辐射参数历史数据和信号接收点的接收辐射参数数据，所述神经网络构建模块用于构建输入为环境历史数据、信号接收点的接收辐射参数数据，输出为检测材料辐射参数的神经网络模型，所述转动台控制单元用于控制转动台按照指定转速转动，所述辐射参数差距值计算模块用于获取材料各偏转角度上的辐射参数，导入辐射参数差距值计算策略中进行辐射参数差距值的计算，所述外表差距值计算模块用于获取材料外表数据，导入材料外表差距值计算策略中进行外表差距值的计算，所述整体差距值计算模块用于辐射参数差距值和外表差距值代入整体差距值计算公式中进行整体差距值的计算，所述数据对比模块用于判断整体差距值是否大于等于设置的差距阈值，所述缺陷播报模块用于对检测的结果进行播报。
具体的，所述数据采集模块包括环境数据采集单元、检测材料辐射参数采集单元和信号接收点的接收辐射参数采集单元，所述环境数据采集单元用于通过环境传感器测量检测材料与信号接收点之间的环境数据，所述信号接收点的接收辐射参数采集单元用于通过辐射参数采集组件采集信号接收点的接收辐射参数数据，所述检测材料辐射参数采集单元用于通过辐射参数采集组件采集待检测材料的辐射参数。
具体的，一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种微波电磁参数三维测试方法。
具体的，一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的一种微波电磁参数三维测试方法。
与现有技术相比，本发明的有益效果是：
1、本发明通过将待检测的材料固定在转动台上，转动台上设有屏蔽罩，材料发出的微波信号经过屏蔽罩上的输出口传输至信号接收点，信号接收点的接收辐射参数数据和实时环境数据导入构建的神经网络模型，导出检测材料各偏转角度上的辐射参数，获取材料各偏转角度上的辐射参数，导入辐射参数差距值计算策略中进行辐射参数差距值的计算，获取材料外表数据，导入材料外表差距值计算策略中进行外表差距值的计算，辐射参数差距值和外表差距值代入整体差距值计算公式中进行整体差距值的计算，判断整体差距值是否大于等于设置的差距阈值，这样通过获取待检测微波材料各偏转角的电磁参数和材料的外表数据进行分析判读，对生产微波材料的优劣进行定性定量分析，提高了生产微波材料检测的准确性，进一步提高了生产微波材料检测的效率。
2、本发明通过获取环境历史数据、检测材料辐射参数历史数据和信号接收点的接收辐射参数数据；构建输入为环境历史数据、信号接收点的接收辐射参数数据，输出为检测材料辐射参数的神经网络模型，减小了环境因素对检测结果的干扰，提高了检测材料辐射参数获取的准确性，进一步提高了生产微波材料检测的准确性。
附图说明
图1为本发明一种微波电磁参数三维测试方法流程示意图；
图2为本发明一种微波电磁参数三维测试方法S6步具体流程示意图；
图3为本发明一种微波电磁参数三维测试***整体构架示意图；
图4为本发明一种微波电磁参数三维测试***数据采集模块构架示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例1
请参阅图1-图2，本发明提供的一种实施例：一种微波电磁参数三维测试方法，其包括以下具体步骤：
S1、获取环境历史数据、检测材料辐射参数历史数据和信号接收点的接收辐射参数数据；
在此需要说明的是，S1包括以下具体步骤：
S11、使用环境传感器测量检测材料与信号接收点之间的环境数据，其中环境数据包括温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据；
环境对电磁参数测试的影响是不可忽视的，因为材料和设备周围环境的特性可以影响测试结果的准确性，以下是环境对电磁参数测试可能产生的影响：
1. 温度：材料的电磁参数通常会随温度变化而变化。因此，在进行电磁参数测试时，需要控制环境温度，并在测试报告中记录温度信息。
2. 湿度：某些材料在高湿度环境下可能发生吸湿，导致介电常数和介电损耗发生变化。湿度的变化可以通过恒温恒湿箱或其他湿度控制设备来控制。
3.固有特性：测试设备、连接器、电缆等都具有固有的电磁参数，它们可能在测试过程中对材料的测试结果产生影响；因此，在测试时需要准确地校准仪器和附件，以消除固有特性的影响；
4.样品准备：样品的准备和处理也可能对测试结果产生影响。例如，材料的表面处理、样品的尺寸和形状等因素都可能影响到测试结果的准确性；
为了减小环境对电磁参数测试的影响，需要合理选择测试设备、控制环境条件，并严格按照标准操作程序进行测试。此外，定期校准测试设备，加强样品准备工作，也是保证测试结果准确性的关键；
S12、通过辐射参数采集组件采集待检测材料的辐射参数，其中待检测材料的辐射参数为辐射功率，使用辐射参数采集组件采集信号接收点的接收辐射参数数据，其中采集信号接收点的接收辐射参数数据为辐射功率流密度，同时通过位置采集模块采集信号接收点至待检测材料的距离；
以下通过代码实现该步骤：
from radiometry import Radiometer
from distance import DistanceSensor
# 初始化辐射参数采集组件
radiometer = Radiometer()
# 初始化位置采集模块
distance_sensor = DistanceSensor()
# 获取待检测材料的辐射功率
radiation_power = radiometer.measure_radiation_power()
# 获取信号接收点的辐射功率流密度
radiation_flux_density = radiometer.measure_radiation_flux_density()
# 采集信号接收点至待检测材料的距离
distance = distance_sensor.measure_distance()
# 打印采集的辐射参数数据
print("辐射功率：", radiation_power)
print("辐射功率流密度：", radiation_flux_density)
print("信号接收点至待检测材料的距离：", distance)
请注意，上述代码仅为演示示例，实际的辐射参数采集组件和位置采集模块的操作可能会有所不同，需要根据使用的具体设备和库的文档进行必要的初始化和参数设置；
S2、构建输入为环境历史数据、信号接收点的接收辐射参数数据，输出为检测材料辐射参数的神经网络模型；
在此需要说明的是，S2的具体步骤如下：S21、提取温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据变化曲线，同时提取同一时间内待检测材料的辐射参数变化曲线和信号接收点的接收辐射参数数据变化曲线；
S22、构建输入为温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据变化曲线和同一时间信号接收点的接收辐射参数数据变化曲线，输出为同一时间内待检测材料的辐射参数变化曲线的神经网络模型，获取温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据变化曲线波形、同一时间内待检测材料的辐射参数变化曲线波形和同一时间内待检测材料的辐射参数变化曲线的神经网络模型，将每个波形数据在不同时间点下的值作为70%的系数训练集和30%的系数测试集；构建神经网络预测模型，将70%的系数训练集输入神经网络模型进行训练，以得到初始神经网络预测模型；利用30%的系数测试集对神经网络模型进行测试，输出满足预设波形测试准确度的最优初始神经网络预测模型作为神经网络预测模型，神经网络预测模型的表达式为：，其中为神经网络第i+1层的输出，k为神经网络第i层的数量，/>为神经网络第i层中第p个数据的占比系数，/>为神经网络中第i层的输入，/>为偏置系数；
这里通过代码实现：以下是构建输入为温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据变化曲线以及同一时间信号接收点的接收辐射参数数据变化曲线，输出为同一时间内待检测材料的辐射参数变化曲线的神经网络模型的Python代码：
python
import numpy as np
import tensorflow as tf
from tensorflow import keras
# 构建训练数据集和标签
temperature_data = [...] # 温度数据
humidity_data = [...] # 湿度数据
air_density_data = [...] # 空气密度数据
particle_diameter_data = [...] # 空气中固体颗粒物直径数据
radiation_data = [...] # 待检测材料的辐射参数数据
# 组合输入数据
input_data = np.array([temperature_data, humidity_data, air_density_data, particle_diameter_data])
# 组合输出数据
output_data = np.array([radiation_data])
# 创建神经网络模型
model = keras.Sequential([
keras.layers.Dense(64, activation='relu', input_shape=(4,)),# 输入层
keras.layers.Dense(64, activation='relu'), # 隐含层
keras.layers.Dense(1) # 输出层
])
# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')
# 拟合模型
model.fit(input_data, output_data, epochs=100)
# 使用模型进行辐射参数的预测
temperature = [...] # 某一时间点的温度数据
humidity = [...] # 某一时间点的湿度数据
air_density = [...] # 某一时间点的空气密度数据
particle_diameter = [...] # 某一时间点的空气中固体颗粒物直径数据
# 构建输入数据点
input_point = np.array([[temperature, humidity, air_density,particle_diameter]])
# 预测辐射参数
predicted_radiation = model.predict(input_point)
# 打印预测结果
print("预测辐射参数：", predicted_radiation)
在上述代码中，需要根据实际情况将温度数据、湿度数据、空气密度数据、固体颗粒物直径数据和辐射参数数据替换为具体的实际数据；还需要根据实际情况进行神经网络模型的构建和参数调整；同时，代码中的训练数据集和标签，以及模型的训练和预测过程也需要根据实际情况进行适当修改；
S3、将待检测的材料固定在转动台上，转动台上设有屏蔽罩，材料发出的微波信号经过屏蔽罩上的输出口传输至信号接收点；
S4、信号接收点的接收辐射参数数据和实时环境数据导入构建的神经网络模型，导出检测材料各偏转角度上的辐射参数；
在此需要说明的是，S4的具体步骤包括以下内容：
S41、转动台作匀速转动，对转动台转动角度数据进行提取，提取信号接收点的实时接收辐射参数数据和实时环境数据导入构建的神经网络模型中；
S42、从神经网络模型中导出各偏转角度上的辐射参数；
S5、获取材料各偏转角度上的辐射参数，导入辐射参数差距值计算策略中进行辐射参数差距值的计算；
在此需要说明的是，S5中辐射参数差距值计算策略的具体步骤为：
S51、提取检测材料各偏转角度的辐射参数，提取的辐射参数序列为：，其中n为采集的偏转角度个数，/>为/>角度的辐射参数，i属于（1，n）；
S52、求得检测材料各偏转角度上辐射参数的平均值，其计算公式为：，将数据代入辐射参数差距值计算公式中计算检测材料的辐射参数差距值，辐射参数差距值计算公式为：/>，其中/>为第一占比系数，/>为第二占比系数，其中/>，p为设定的标准辐射参数值；
S6、获取材料外表数据，导入材料外表差距值计算策略中进行外表差距值的计算；
在此需要说明的是，S6的材料外表差距值计算策略的具体步骤为：
S61、通过测量模块测量待检测材料长度、宽度和高度，通过摄像组件对待检测材料的外表进行拍摄，同时对成品材料的长度、宽度、高度和外表图像进行提取；
S62、将待检测材料长度、宽度和高度数据与成品材料的长度、宽度和高度数据代入尺寸差距值计算公式中进行尺寸差距值计算，尺寸差距值计算公式为：，其中c,m,z分别代表待检测材料长度、宽度和高度数据，/>分别代表成品材料的长度、宽度、高度；
S63、对待检测材料的外表图像和成品材料的外表图像对应各个像素点的像素值进行提取，代入图像差距值计算公式中计算图像差距值，图像差距值计算公式为：，其中/>为成品材料的外表图像像素点个数，/>为待检测材料的外表图像中第j个像素点的像素值，/>为成品材料的外表图像中第j个像素点的像素值；
S64、提取尺寸差距值和图像差距值代入外表差距值计算公式中进行外表差距值的计算，外表差距值计算公式为：；
S7、辐射参数差距值和外表差距值代入整体差距值计算公式中进行整体差距值的计算；
在此需要说明的是，S7的整体差距值计算公式为：，其中，M为整体差距值，exp（）为e的次数幂，/>为辐射参数差距值占比系数，/>为外表差距值占比系数，/>，且/>；
S8、判断整体差距值是否大于等于设置的差距阈值，若是则输出存在缺陷，并标记为次品，若否，则输出不存在缺陷，标记为优品；
在此需要说明的是，本发明通过将待检测的材料固定在转动台上，转动台上设有屏蔽罩，材料发出的微波信号经过屏蔽罩上的输出口传输至信号接收点，信号接收点的接收辐射参数数据和实时环境数据导入构建的神经网络模型，导出检测材料各偏转角度上的辐射参数，获取材料各偏转角度上的辐射参数，导入辐射参数差距值计算策略中进行辐射参数差距值的计算，获取材料外表数据，导入材料外表差距值计算策略中进行外表差距值的计算，辐射参数差距值和外表差距值代入整体差距值计算公式中进行整体差距值的计算，判断整体差距值是否大于等于设置的差距阈值，这样通过获取待检测微波材料各偏转角的电磁参数和材料的外表数据进行分析判读，对生产微波材料的优劣进行定性定量分析，提高了生产微波材料检测的准确性，进一步提高了生产微波材料检测的效率；本发明通过获取环境历史数据、检测材料辐射参数历史数据和信号接收点的接收辐射参数数据；构建输入为环境历史数据、信号接收点的接收辐射参数数据，输出为检测材料辐射参数的神经网络模型，减小了环境因素对检测结果的干扰，提高了检测材料辐射参数获取的准确性，进一步提高了生产微波材料检测的准确性。
实施例2
如图3所示，一种微波电磁参数三维测试***，其基于上述一种微波电磁参数三维测试方法实现，其具体包括：控制模块、数据采集模块、神经网络构建模块、转动台控制单元、辐射参数差距值计算模块、外表差距值计算模块、整体差距值计算模块、数据对比模块和缺陷播报模块，控制模块用于控制故障异常信号获取模块、数据采集模块、神经网络构建模块、转动台控制单元、辐射参数差距值计算模块、外表差距值计算模块、整体差距值计算模块、数据对比模块和缺陷播报模块的运行，数据采集模块用于采集测试过程中环境历史数据、检测材料辐射参数历史数据和信号接收点的接收辐射参数数据，神经网络构建模块用于构建输入为环境历史数据、信号接收点的接收辐射参数数据，输出为检测材料辐射参数的神经网络模型，转动台控制单元用于控制转动台按照指定转速转动，辐射参数差距值计算模块用于获取材料各偏转角度上的辐射参数，导入辐射参数差距值计算策略中进行辐射参数差距值的计算，外表差距值计算模块用于获取材料外表数据，导入材料外表差距值计算策略中进行外表差距值的计算，整体差距值计算模块用于辐射参数差距值和外表差距值代入整体差距值计算公式中进行整体差距值的计算，数据对比模块用于判断整体差距值是否大于等于设置的差距阈值，缺陷播报模块用于对检测的结果进行播报。
如图4所示，在本实施例中，数据采集模块包括环境数据采集单元、检测材料辐射参数采集单元和信号接收点的接收辐射参数采集单元，环境数据采集单元用于通过环境传感器测量检测材料与信号接收点之间的环境数据，信号接收点的接收辐射参数采集单元用于通过辐射参数采集组件采集信号接收点的接收辐射参数数据，检测材料辐射参数采集单元用于通过辐射参数采集组件采集待检测材料的辐射参数。
实施例3
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的一种微波电磁参数三维测试方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种微波电磁参数三维测试方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种微波电磁参数三维测试方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅有的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (12)
1.一种微波电磁参数三维测试方法，其特征在于，其包括以下具体步骤：
S1、获取环境历史数据、检测材料辐射参数历史数据和信号接收点的接收辐射参数数据；
S2、构建输入为环境历史数据、信号接收点的接收辐射参数数据，输出为检测材料辐射参数的神经网络模型；
S3、将待检测的材料固定在转动台上，转动台上设有屏蔽罩，材料发出的微波信号经过屏蔽罩上的输出口传输至信号接收点；
S4、信号接收点的接收辐射参数数据和实时环境数据导入构建的神经网络模型，导出检测材料各偏转角度上的辐射参数；
S5、获取材料各偏转角度上的辐射参数，导入辐射参数差距值计算策略中进行辐射参数差距值的计算；
S6、获取材料外表数据，导入材料外表差距值计算策略中进行外表差距值的计算；
S7、辐射参数差距值和外表差距值代入整体差距值计算公式中进行整体差距值的计算；
S8、判断整体差距值是否大于等于设置的差距阈值，若是，则输出存在缺陷，并标记为次品，若否，则输出不存在缺陷，标记为优品。
2.如权利要求1所述的一种微波电磁参数三维测试方法，其特征在于，所述S1包括以下具体步骤：
S11、使用环境传感器测量检测材料与信号接收点之间的环境数据，其中环境数据包括温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据；
S12、通过辐射参数采集组件采集待检测材料的辐射参数，其中待检测材料的辐射参数为辐射功率，使用辐射参数采集组件采集信号接收点的接收辐射参数数据，其中采集信号接收点的接收辐射参数数据为辐射功率流密度，同时通过位置采集模块采集信号接收点至待检测材料的距离。
3.如权利要求2所述的一种微波电磁参数三维测试方法，其特征在于，所述S2的具体步骤如下：
S21、提取温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据变化曲线，同时提取同一时间内待检测材料的辐射参数变化曲线和信号接收点的接收辐射参数数据变化曲线；
S22、构建输入为温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据变化曲线和同一时间信号接收点的接收辐射参数数据变化曲线，输出为同一时间内待检测材料的辐射参数变化曲线的神经网络模型，获取温度数据、湿度数据、空气密度数据和空气中固体颗粒物直径数据变化曲线波形、同一时间内待检测材料的辐射参数变化曲线波形和同一时间内待检测材料的辐射参数变化曲线的神经网络模型，将每个波形数据在不同时间点下的值作为70%的系数训练集和30%的系数测试集；构建神经网络预测模型，将70%的系数训练集输入所述神经网络模型进行训练，以得到初始神经网络预测模型；利用30%的系数测试集对所述神经网络模型进行测试，输出满足预设波形测试准确度的最优初始神经网络预测模型作为神经网络预测模型，所述神经网络预测模型的表达式为：，其中/>为神经网络第i+1层的输出，k为神经网络第i层的数量，/>为神经网络第i层中第p个数据的占比系数，/>为神经网络中第i层的输入，/>为偏置系数。
4.如权利要求3所述的一种微波电磁参数三维测试方法，其特征在于，所述S4的具体步骤包括以下内容：
S41、转动台作匀速转动，对转动台转动角度数据进行提取，提取信号接收点的实时接收辐射参数数据和实时环境数据导入构建的神经网络模型中；
S42、从神经网络模型中导出各偏转角度上的辐射参数。
5.如权利要求4所述的一种微波电磁参数三维测试方法，其特征在于，所述S5中辐射参数差距值计算策略的具体步骤为：
S51、提取检测材料各偏转角度的辐射参数，提取的辐射参数序列为：，其中n为采集的偏转角度个数，/>为/>角度的辐射参数，i属于（1，n）；
S52、求得检测材料各偏转角度上辐射参数的平均值，其计算公式为：/>，将数据代入辐射参数差距值计算公式中计算检测材料的辐射参数差距值/>，辐射参数差距值计算公式为：/>，其中/>为第一占比系数，/>为第二占比系数，其中/>，p为设定的标准辐射参数值。
6.如权利要求5所述的一种微波电磁参数三维测试方法，其特征在于，所述S6的材料外表差距值计算策略的具体步骤为：
S61、通过测量模块测量待检测材料长度、宽度和高度，通过摄像组件对待检测材料的外表进行拍摄，同时对成品材料的长度、宽度、高度和外表图像进行提取；
S62、将待检测材料长度、宽度和高度数据与成品材料的长度、宽度和高度数据代入尺寸差距值计算公式中进行尺寸差距值计算，所述尺寸差距值计算公式为：，其中c,m,z分别代表待检测材料长度、宽度和高度数据，/>分别代表成品材料的长度、宽度、高度；
S63、对待检测材料的外表图像和成品材料的外表图像对应各个像素点的像素值进行提取，代入图像差距值计算公式中计算图像差距值，所述图像差距值计算公式为：，其中/>为成品材料的外表图像像素点个数，/>为待检测材料的外表图像中第j个像素点的像素值，/>为成品材料的外表图像中第j个像素点的像素值；
S64、提取尺寸差距值和图像差距值代入外表差距值计算公式中进行外表差距值的计算，外表差距值计算公式为：/>。
7.如权利要求6所述的一种微波电磁参数三维测试方法，其特征在于，所述S7的整体差距值计算公式为：，其中，M为整体差距值，exp（）为e的次数幂，/>为辐射参数差距值占比系数，/>为外表差距值占比系数，/>，且/>。
8.一种微波电磁参数三维测试***，其基于如权利要求1-7中任一项所述的一种微波电磁参数三维测试方法实现，其特征在于，其具体包括：控制模块、数据采集模块、神经网络构建模块、转动台控制单元、辐射参数差距值计算模块、外表差距值计算模块、整体差距值计算模块、数据对比模块和缺陷播报模块，所述控制模块用于控制故障异常信号获取模块、数据采集模块、神经网络构建模块、转动台控制单元、辐射参数差距值计算模块、外表差距值计算模块、整体差距值计算模块、数据对比模块和缺陷播报模块的运行，所述数据采集模块用于采集测试过程中环境历史数据、检测材料辐射参数历史数据和信号接收点的接收辐射参数数据，所述神经网络构建模块用于构建输入为环境历史数据、信号接收点的接收辐射参数数据，输出为检测材料辐射参数的神经网络模型。
9.如权利要求8所述的一种微波电磁参数三维测试***，其特征在于，所述转动台控制单元用于控制转动台按照指定转速转动，所述辐射参数差距值计算模块用于获取材料各偏转角度上的辐射参数，导入辐射参数差距值计算策略中进行辐射参数差距值的计算，所述外表差距值计算模块用于获取材料外表数据，导入材料外表差距值计算策略中进行外表差距值的计算，所述整体差距值计算模块用于将辐射参数差距值和外表差距值代入整体差距值计算公式中进行整体差距值的计算，所述数据对比模块用于判断整体差距值是否大于等于设置的差距阈值，所述缺陷播报模块用于对检测的结果进行播报。
10.如权利要求9所述的一种微波电磁参数三维测试***，其特征在于，所述数据采集模块包括环境数据采集单元、检测材料辐射参数采集单元和信号接收点的接收辐射参数采集单元，所述环境数据采集单元用于通过环境传感器测量检测材料与信号接收点之间的环境数据，所述信号接收点的接收辐射参数采集单元用于通过辐射参数采集组件采集信号接收点的接收辐射参数数据，所述检测材料辐射参数采集单元用于通过辐射参数采集组件采集待检测材料的辐射参数。
11.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-7中任一项所述的一种微波电磁参数三维测试方法。
12.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的一种微波电磁参数三维测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311231553.3A CN116973819B (zh) | 2023-09-22 | 2023-09-22 | 一种微波电磁参数三维测试方法、***及储存介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311231553.3A CN116973819B (zh) | 2023-09-22 | 2023-09-22 | 一种微波电磁参数三维测试方法、***及储存介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116973819A true CN116973819A (zh) | 2023-10-31 |
| CN116973819B CN116973819B (zh) | 2023-12-12 |
Family
ID=88481820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311231553.3A Active CN116973819B (zh) | 2023-09-22 | 2023-09-22 | 一种微波电磁参数三维测试方法、***及储存介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116973819B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310353A (zh) * | 2023-11-30 | 2023-12-29 | 淮安苏达电气有限公司 | 一种变电站一、二次回路通流加压故障测试方法及*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060194553A1 (en) * | 2004-10-25 | 2006-08-31 | Ozaki Ernest T | Systems, methods and apparatus for determining a radiated performance of a wireless device |
| WO2010075754A8 (zh) * | 2008-12-30 | 2011-09-29 | 中兴通讯股份有限公司 | 辐射性能测试方法和*** |
| CN112098732A (zh) * | 2020-09-21 | 2020-12-18 | 深圳市环波科技有限责任公司 | 微波电磁参数三维测试***及其方法 |
| CN113162706A (zh) * | 2020-01-22 | 2021-07-23 | 深圳市通用测试***有限公司 | 无线设备的射频性能测试方法及*** |
| US20220090912A1 (en) * | 2020-09-24 | 2022-03-24 | Kla Corporation | Methods And Systems For Determining Quality Of Semiconductor Measurements |
| CN115236100A (zh) * | 2022-06-23 | 2022-10-25 | 中国人民解放军海军士官学校 | 材料传输微波的性能确定方法、装置、设备及存储介质 |
| CN115266731A (zh) * | 2022-07-26 | 2022-11-01 | 安徽沃尔顶密封工业股份有限公司 | 一种o型密封圈生产合格的检测方法 |
| CN115378518A (zh) * | 2022-09-19 | 2022-11-22 | 深圳市中承科技有限公司 | 基于深度学习的射频通信设备空间辐射测试***及方法 |
| CN115752243A (zh) * | 2022-12-01 | 2023-03-07 | 浙江理工大学 | 一种测量数据融合方法 |
| CN115846231A (zh) * | 2022-12-06 | 2023-03-28 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种实验室电池处理方法 |
-
2023
- 2023-09-22 CN CN202311231553.3A patent/CN116973819B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060194553A1 (en) * | 2004-10-25 | 2006-08-31 | Ozaki Ernest T | Systems, methods and apparatus for determining a radiated performance of a wireless device |
| WO2010075754A8 (zh) * | 2008-12-30 | 2011-09-29 | 中兴通讯股份有限公司 | 辐射性能测试方法和*** |
| CN113162706A (zh) * | 2020-01-22 | 2021-07-23 | 深圳市通用测试***有限公司 | 无线设备的射频性能测试方法及*** |
| CN112098732A (zh) * | 2020-09-21 | 2020-12-18 | 深圳市环波科技有限责任公司 | 微波电磁参数三维测试***及其方法 |
| US20220090912A1 (en) * | 2020-09-24 | 2022-03-24 | Kla Corporation | Methods And Systems For Determining Quality Of Semiconductor Measurements |
| CN115236100A (zh) * | 2022-06-23 | 2022-10-25 | 中国人民解放军海军士官学校 | 材料传输微波的性能确定方法、装置、设备及存储介质 |
| CN115266731A (zh) * | 2022-07-26 | 2022-11-01 | 安徽沃尔顶密封工业股份有限公司 | 一种o型密封圈生产合格的检测方法 |
| CN115378518A (zh) * | 2022-09-19 | 2022-11-22 | 深圳市中承科技有限公司 | 基于深度学习的射频通信设备空间辐射测试***及方法 |
| CN115752243A (zh) * | 2022-12-01 | 2023-03-07 | 浙江理工大学 | 一种测量数据融合方法 |
| CN115846231A (zh) * | 2022-12-06 | 2023-03-28 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种实验室电池处理方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310353A (zh) * | 2023-11-30 | 2023-12-29 | 淮安苏达电气有限公司 | 一种变电站一、二次回路通流加压故障测试方法及*** |
| CN117310353B (zh) * | 2023-11-30 | 2024-02-09 | 淮安苏达电气有限公司 | 一种变电站一、二次回路通流加压故障测试方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116973819B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116973819B (zh) | 一种微波电磁参数三维测试方法、***及储存介质 | |
| CN1278127C (zh) | 无线通信设备的射频性能的产品检测装置和方法 | |
| CN110879212B (zh) | 一种基于近红外光谱监测流化床干燥过程状态的方法 | |
| CN111025032B (zh) | 一种基于升空平台的天线波束测量***及方法 | |
| Soltani et al. | Egg quality prediction using dielectric and visual properties based on artificial neural network | |
| Haddadi et al. | Geometrical optics-based model for dielectric constant and loss tangent free-space measurement | |
| CN117607555B (zh) | 微波天线的电磁参数测试方法、***及储存介质 | |
| CN110146017A (zh) | 工业机器人重复定位精度测量方法 | |
| CN113609749B (zh) | 适用于多场景的基于磁场信号的电流计算方法 | |
| CN107300562B (zh) | 一种测量继电器成品触点间距的x射线无损检测方法 | |
| Lewis et al. | Traditional to modern antenna test environments: The impact of robotics and computational electromagnetic simulation on modern antenna measurements | |
| CN117369349A (zh) | 一种远程监测智能机器人的管理*** | |
| CN117074181A (zh) | 曲面柔性屏的压力测试方法、装置、设备及存储介质 | |
| CN109814076A (zh) | 用于测试检测器的性能的测试***和方法 | |
| CN110793920A (zh) | 一种化学成像与高光谱联用的大气遥测方法 | |
| CN110766561A (zh) | 基于无线层析成像技术的异常粮情检测方法 | |
| CN106770690B (zh) | 一种超声扫描显微镜成像分辨力特性校准装置及校准方法 | |
| JP2000230954A (ja) | 電磁界測定装置および電磁界分布測定方法 | |
| Hagemann et al. | Bias detection and prediction of mapping errors in camera calibration | |
| Martin et al. | Supervised learning applied to microwave imaging system calibration | |
| CN110738180B (zh) | 对检测过程中信号准确度及***精度进行评估的方法 | |
| CN116165446B (zh) | 一种用于电波暗室的电磁波信号管理***及方法 | |
| CN117728906B (zh) | 一种有源天线的抗干扰性能测试***及方法 | |
| CN117630893A (zh) | 测距设备的性能检测方法、装置、终端设备及存储介质 | |
| CN118294079A (zh) | 一种回转窑内部气密性监测方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |