CN107977730A - 一种多传感器数据融合技术的风速测量方法 - Google Patents
一种多传感器数据融合技术的风速测量方法 Download PDFInfo
- Publication number
- CN107977730A CN107977730A CN201710839244.2A CN201710839244A CN107977730A CN 107977730 A CN107977730 A CN 107977730A CN 201710839244 A CN201710839244 A CN 201710839244A CN 107977730 A CN107977730 A CN 107977730A
- Authority
- CN
- China
- Prior art keywords
- measurement
- biased
- estimation
- data fusion
- wind speed
- 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.)
- Withdrawn
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 64
- 238000000691 measurement method Methods 0.000 title claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 238000011160 research Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种多传感器数据融合技术的风速测量方法,涉及一种风速测量方法,本方法选取有偏估计多传感器数据融合,通过引入较小的偏差改善了融合结果的偏离程度,提高测量结果的准确性和重复性;包括步骤1:综合考虑方差和偏差对测量可靠性的影响,运用岭估计改善最小二乘估计方差的有偏估计方法预测风速的变化趋势;步骤2:采用凸组合融合结构,研究多个相同传感器测量同一单变量未知参数的有偏估计数据融合方法评估其预测可靠性,同时修正预测风速估计值。该方法提高风速监测数据准确性,使风速估计的准确性得到进一步提高。
Description
技术领域
本发明涉及一种风速测量方法,特别是涉及一种多传感器数据融合技术的风速测量方法。
背景技术
多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术,是多学科交叉的新技术,涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。
数据融合将充分利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列获得的多传感器观测数据,在一定准则下进行分析、综合、支配和使用,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更充分的信息。
多传感器数据融合技术的基本原理就像人脑综合处理信息一样,充分利用多个传感器资源,通过对多传感器及其观测信息的合理支配和使用,把多传感器在空间或时间上冗余或互补信息依据某种准则来进行组合,以获得被测对象的一致性解释或描述。
多传感器数据融合是一个新兴的研究领域,是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。利用多传感器数据融合技术对风速进行估计,可以提高了风速测量的准确性。
发明内容
本发明的目的在于提供一种多传感器数据融合技术的风速测量方法,该方法通过采用凸组合融合结构进行多传感器数据融合技术的风速测量,通过理论分析、实例论证、仿真验证的方式论证基于有偏估计多传感器数据融合风速测量方法,提高风速监测数据准确性,使风速估计的准确性得到进一步提高。
本发明的目的是通过以下技术方案实现的:
一种多传感器数据融合技术的风速测量方法,本方法选取有偏估计多传感器数据融合,通过引入较小的偏差改善了融合结果的偏离程度,提高测量结果的准确性和重复性;
所述方法包括以下步骤:
步骤1:综合考虑方差和偏差对测量可靠性的影响,运用岭估计改善最小二乘估计方差的有偏估计方法预测风速的变化趋势;
步骤2:采用凸组合融合结构,研究多个相同传感器测量同一单变量未知参数的有偏估计数据融合方法评估其预测可靠性,同时修正预测风速估计值。
所述的一种多传感器数据融合技术的风速测量方法,所述步骤1综合考虑方差和偏差对测量可靠性的影响,运用岭估计改善最小二乘估计方差的有偏估计方法预测风速的变化趋势;
假设传感器测量模型为式(1),输入噪声w满足相同高斯分布,且与待测未知矢量x不相关,即
和。
所述的一种多传感器数据融合技术的风速测量方法,所述步骤2基于有偏估计的数据融合方法;
采用凸组合融合结构,针对多个相同传感器测量同一单变量未知参数的有偏估计数据融合方法及其测量可靠性;令多传感器测量系统由N个传感器组成,并假设已经获得单传感器的有偏测量值,那么多传感器有偏估计数据融合表示为(18);
凸组合系数满足 (19);
基于式(18)和式(19)分析多传感器有偏估计数据融合的方差和偏差,进而根据式(17)求解多传感器有偏测量可靠度。
本发明的优点与效果是:
本方法选取有偏估计多传感器数据融合,通过引入较小的偏差改善了融合结果的偏离程度,提高测量结果的准确性和重复性;
图1中可以看出,基于有偏估计多传感器数据融合风速测量方法可以较好地拟合被测风速机组自由流风速测量数据,有效提高了风速监测数据的准确性。
为了进一步定量分析上述方法提高风速监测数据准确性的效果,分别对多传感器数据融合风速测量方法前后风速数据相关性进行对比研究,如图2和图3所示。
图中可以看出,数据融合前机舱风速计与标准测风塔风速监测数据的相关性为0.729,利用有偏估计多传感器数据融合风速测量方法,融合风电场内16台风电机组机舱风速数据,所得到的数据融合风速与标准测风塔风速的相关性为0.8111,有效改善了尾流效应对风速监测数据准确性的影响。实验结果进一步证明了基于有偏估计多传感器数据融合风速测量方法,对提高风速监测数据准确性是行之有效的。
附图说明
图1 数据融合与标准测风塔风速拟合曲线图;
图2数据融合前风速监测数据的相关性;
图3数据融合后风速监测数据的相关性。
具体实施方式
下面结合附图所示实施例对本发明进行详细说明。
本发明方法按如下步骤进行:步骤1:综合考虑方差和偏差对测量可靠性的影响,运用岭估计改善最小二乘估计方差的有偏估计方法预测风速的变化趋势;步骤2:采用凸组合融合结构,研究多个相同传感器测量同一单变量未知参数的有偏估计数据融合方法评估其预测可靠性,同时修正预测风速估计值;
本发明选取有偏估计多传感器数据融合方法具有较高的测量可靠性,通过引入较小的偏差改善了融合结果的偏离程度,提高测量结果的准确性和重复性。
图1中可以看出,基于有偏估计多传感器数据融合风速测量方法可以较好地拟合被测风速机组自由流风速测量数据,有效提高了风速监测数据的准确性。
为了进一步定量分析上述方法提高风速监测数据准确性的效果,分别对多传感器数据融合风速测量方法前后风速数据相关性进行对比研究,如图2和图3所示。
图中可以看出,数据融合前机舱风速计与标准测风塔风速监测数据的相关性为0.729,利用有偏估计多传感器数据融合风速测量方法,融合风电场内16台风电机组机舱风速数据,所得到的数据融合风速与标准测风塔风速的相关性为0.8111,有效改善了尾流效应对风速监测数据准确性的影响。实验结果进一步证明了基于有偏估计多传感器数据融合风速测量方法,对提高风速监测数据准确性是行之有效的。
实施例
步骤1:综合考虑方差和偏差对测量可靠性的影响,运用岭估计改善最小二乘估计方差的有偏估计方法预测风速的变化趋势
假设传感器测量模型为式(1),输入噪声w满足相同高斯分布,且与待测未知矢量x不相关,即
和。
(1)
为了研究问题方便,引入线性模型的典则形式。设是对称矩阵的特征根,且满足。令是对应特征根的标准化正交特征向量,设,、,,那么线性模型可转化为典型形式,表示为
(2)
未知矢量的最小二乘估计为
(3)
与之间满足
(4)
根据假设条件可知测量矢量y满足高斯分布,方差为,可得是y的线性变换,同理是的线性变换,所以亦满足高斯分布[67]。取,可以获得未知矢量x每个元素的无偏测量值:
,(5)
其中,和分别是和的第j个元素。的估计方差矩阵为
(6)
岭估计被用于改善最小二乘估计方差的有偏估计方法。由于无偏测量与最小二乘估计之间是等价的,所以借鉴岭估计的思想,通过引入较小的偏差,改善无偏测量数据的方差,并称之为有偏测量过程。在此基础上解决有偏测量与无偏测量的可靠性定量表示问题。基于以上推导,岭估计可表示为
(7)
典型形式下,岭估计可化简为
(8)
其中,是偏参数。此时式(7)和式(8)分别表示为
(9)
(10)
矩阵K的对角元素取相同值时,广义岭估计退化为岭估计。本发明沿用广义岭估计,其偏差和方差分别为
(11)
(12)
分析式(8)和式(10)可以看出岭估计和广义岭估计均是最小二乘估计的线性变换,变换矩阵分别为和。综合考虑式(5)和式(10),针对广义岭估计可得:
(13)
取,根据式(13)即可获得未知参数的有偏测量值。分析式(13)可知,是的线性变换,由于正态分布的线性组合仍然是正态分布,同时考虑式(7)可得广义岭估计也满足正态分布。特别地,时,典型形式与常规形式具有相同的数学表达式。
为了进一步比较单传感器有偏测量与无偏测量之间的可靠性,同时考虑统一的比较准则,本发明在无偏测量的对称区间内给出有偏测量可靠性的定量表示。
定量表示遵循三个基本原则:
(1)测量数据具有统计特性,所以可靠性定量表示方法应该在给定的数据取值范围内定量地评价测量数据的可靠性。
(2)测量过程中追求的目标应该是小的方差和小的偏差,此时测量结果一定是可靠的。所以有偏测量过程不能由方差或偏差的单一指标衡量测量可靠性,而应该综合考虑方差和偏差的共同作用。
(3)测量可靠性指标既需要量化,又需要给出上界,两者缺一不可,因为如果只量化可靠性、不给出上界,无法判断可靠性与绝对可靠的接近程度。
本发明基于上述原则给出有偏测量可靠性定量表示,从而说明测量结果以多大程度表示未知参数的真值。
典型形式下未知参数矢量的每个元素的有偏测量方差为
(14)
因为满足正态分布,的概率密度函数为
(15)
因为恒大于零,所以和具有相同的单调性。
(16)
对于待测矢量第个元素的无偏测量为,有偏测量为,概率密度函数为。设的对称区间为,其中,是区间指标。那么有偏测量的可靠性定量表示为
,(17)
针对单传感器有偏测量过程,本发明定义的测量可靠度中同时含有测量偏差项和测量方差项,即综合考虑了方差和偏差对测量可靠性的影响。这是符合测量数据质量分析常理的,因为既然是有偏测量,那么测量数据的质量应该同时取决于测量方差和偏差,而不能单独用方差或偏差某个单一指标衡量测量可靠性。
步骤2:基于有偏估计的数据融合方法研究
本发明采用凸组合融合结构,研究多个相同传感器测量同一单变量未知参数的有偏估计数据融合方法及其测量可靠性。令多传感器测量系统由N个传感器组成,并假设已经获得单传感器的有偏测量值,那么多传感器有偏估计数据融合表示为
(18)
凸组合系数满足
(19)
基于式(18)和式(19)分析多传感器有偏估计数据融合的方差和偏差,进而根据式(17)求解多传感器有偏测量可靠度。
对于N个相同的传感器,其多传感器有偏加权融合的偏差为
(20)
其中,x是未知参数的真值。由于
(21)
多传感器有偏估计数据融合的偏差是每个传感器有偏估计偏差的线性组合。由于待测变量相同,当测量系统由多个相同的传感器组成时,得到
(22)
那么
(23)
由此可知,多个相同传感器有偏估计融合前后不改变估计的偏差。
测量系统由N个相同传感器组成,每个传感器的有偏测量误差不相关,那么多传感器有偏估计数据融合的均方误差为
(24)
其中,var和bias分别是单传感器有偏估计的方差和偏差。
令和,,因为不同传感器的有偏测量误差不相关,所以可以表示为
(25)
给定偏参数之后,凸组合有偏估计数据融合转化为以下优化问题,即寻找最优的凸组合参数W i ,,使有偏估计数据融合均方误差最小。
(26)
当测量系统由多个相同的传感器组成时,即以及
,式(26)的优化问题简化为
(27)
那么目标函数的极值为
(28)
令测量系统中每个传感器有偏测量的方差为var,那么有偏估计数据融合的均方误差化简为
(29)
由此可得,多传感器有偏估计数据融合的方差为
(30)
特别地,当时,式(29)正是单传感器有偏测量的均方误差表达式。
有偏估计多传感器数据融合方法具有较高的测量可靠性,通过引入较小的偏差改善了融合结果的偏离程度,提高了测量结果的准确性和重复性。
Claims (3)
1.一种多传感器数据融合技术的风速测量方法,其特征在于,本方法选取有偏估计多传感器数据融合,通过引入较小的偏差改善了融合结果的偏离程度,提高测量结果的准确性和重复性;
所述方法包括以下步骤:
步骤1:综合考虑方差和偏差对测量可靠性的影响,运用岭估计改善最小二乘估计方差的有偏估计方法预测风速的变化趋势;
步骤2:采用凸组合融合结构,研究多个相同传感器测量同一单变量未知参数的有偏估计数据融合方法评估其预测可靠性,同时修正预测风速估计值。
2.根据权利要求1所述的一种多传感器数据融合技术的风速测量方法,其特征在于,所述步骤1综合考虑方差和偏差对测量可靠性的影响,运用岭估计改善最小二乘估计方差的有偏估计方法预测风速的变化趋势;
假设传感器测量模型为式(1),输入噪声w满足相同高斯分布,且与待测未知矢量x不相关,即
和。
3.根据权利要求1所述的一种多传感器数据融合技术的风速测量方法,其特征在于,所述步骤2基于有偏估计的数据融合方法;
采用凸组合融合结构,针对多个相同传感器测量同一单变量未知参数的有偏估计数据融合方法及其测量可靠性;令多传感器测量系统由N个传感器组成,并假设已经获得单传感器的有偏测量值,那么多传感器有偏估计数据融合表示为(18);
凸组合系数满足 (19);
基于式(18)和式(19)分析多传感器有偏估计数据融合的方差和偏差,进而根据式(17)求解多传感器有偏测量可靠度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710839244.2A CN107977730A (zh) | 2017-09-18 | 2017-09-18 | 一种多传感器数据融合技术的风速测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710839244.2A CN107977730A (zh) | 2017-09-18 | 2017-09-18 | 一种多传感器数据融合技术的风速测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107977730A true CN107977730A (zh) | 2018-05-01 |
Family
ID=62012309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710839244.2A Withdrawn CN107977730A (zh) | 2017-09-18 | 2017-09-18 | 一种多传感器数据融合技术的风速测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977730A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409596A (zh) * | 2018-10-22 | 2019-03-01 | 东软集团股份有限公司 | 预测风速的处理方法、装置、设备和计算机可读存储介质 |
CN109625205A (zh) * | 2019-01-09 | 2019-04-16 | 哈尔滨理工大学 | 一种减摇鳍多反馈升力信号的分步融合方法 |
CN110030999A (zh) * | 2019-05-21 | 2019-07-19 | 杭州鸿泉物联网技术股份有限公司 | 一种基于惯性导航的定位方法、装置、系统和车辆 |
CN112163259A (zh) * | 2020-09-27 | 2021-01-01 | 西南交通大学 | 一种确定典型铁路基础结构风剖面等效风速比的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489046A (zh) * | 2013-09-29 | 2014-01-01 | 中能电力科技开发有限公司 | 风电场短期功率预测方法 |
CN105792110A (zh) * | 2016-03-30 | 2016-07-20 | 上海申腾信息技术有限公司 | 一种多数据来源的数据融合、智能搜索的处理方法 |
CN106874557A (zh) * | 2017-01-12 | 2017-06-20 | 西安电子科技大学 | 一种基于比例分布的风速预测校正方法 |
-
2017
- 2017-09-18 CN CN201710839244.2A patent/CN107977730A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489046A (zh) * | 2013-09-29 | 2014-01-01 | 中能电力科技开发有限公司 | 风电场短期功率预测方法 |
CN105792110A (zh) * | 2016-03-30 | 2016-07-20 | 上海申腾信息技术有限公司 | 一种多数据来源的数据融合、智能搜索的处理方法 |
CN106874557A (zh) * | 2017-01-12 | 2017-06-20 | 西安电子科技大学 | 一种基于比例分布的风速预测校正方法 |
Non-Patent Citations (5)
Title |
---|
刘永广: ""基于多传感器数据融合的输电杆塔健康状况监测系统设计与实现"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
孙志佳: ""基于四旋翼飞行器设施空间环境信息监测关键技术研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
岳元龙 等: ""提高测量可靠性的多传感器数据融合有偏估计方法"", 《自动化学报》 * |
李婷婷: ""多传感器节点数据融合在风电塔筒监测预警中的应用"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
杨昆: ""基于数据融合的风机风量值无线监测技术研究"", 《中国安全生产科学技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409596A (zh) * | 2018-10-22 | 2019-03-01 | 东软集团股份有限公司 | 预测风速的处理方法、装置、设备和计算机可读存储介质 |
CN109409596B (zh) * | 2018-10-22 | 2021-04-13 | 东软集团股份有限公司 | 预测风速的处理方法、装置、设备和计算机可读存储介质 |
CN109625205A (zh) * | 2019-01-09 | 2019-04-16 | 哈尔滨理工大学 | 一种减摇鳍多反馈升力信号的分步融合方法 |
CN110030999A (zh) * | 2019-05-21 | 2019-07-19 | 杭州鸿泉物联网技术股份有限公司 | 一种基于惯性导航的定位方法、装置、系统和车辆 |
CN112163259A (zh) * | 2020-09-27 | 2021-01-01 | 西南交通大学 | 一种确定典型铁路基础结构风剖面等效风速比的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Improved dynamic kernel principal component analysis for fault detection | |
Raissi et al. | Statistical process optimization through multi-response surface methodology | |
Kim et al. | A generic health index approach for multisensor degradation modeling and sensor selection | |
Gao et al. | A neural network-based joint prognostic model for data fusion and remaining useful life prediction | |
CN112115419B (zh) | 系统状态估计方法、系统状态估计装置 | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
Shi | In-process quality improvement: Concepts, methodologies, and applications | |
CN107977730A (zh) | 一种多传感器数据融合技术的风速测量方法 | |
Li et al. | A novel localization algorithm based on isomap and partial least squares for wireless sensor networks | |
CN113255584B (zh) | 一种基于边缘计算的故障诊断与监测系统 | |
Chen et al. | A deep learning feature fusion based health index construction method for prognostics using multiobjective optimization | |
CN117272196A (zh) | 一种基于时空图注意力网络的工业时序数据异常检测方法 | |
Ahmad et al. | Two-level sensor self-calibration based on interpolation and autoregression for low-cost wireless sensor networks | |
CN114936528A (zh) | 一种基于变量加权自适应局部构图的极限学习机半监督软测量建模方法 | |
Xu et al. | An extension sample classification‐based extreme learning machine ensemble method for process fault diagnosis | |
CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
CN110532629A (zh) | 一种多模态退化过程的剩余寿命预测方法 | |
CN107437112B (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
Zhao et al. | Satellite unsupervised anomaly detection based on deconvolution-reconstructed temporal convolutional autoencoder | |
Omitaomu et al. | Online support vector regression with varying parameters for time-dependent data | |
CN114818281B (zh) | 一种基于卷积神经网络的剖面反演方法及系统 | |
Zhou et al. | Degradation indicator construction using dual-class component feature fusion recalibration for bearing performance evaluation | |
Li et al. | Multiscale Feature Extension Enhanced Deep Global-Local Attention Network for Remaining Useful Life Prediction | |
Chen et al. | Overview of cyber-physical temperature estimation in smart buildings: From modeling to measurements | |
CN109753018B (zh) | 一种基于云端智能的误差补偿系统及动态补偿方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180501 |
|
WW01 | Invention patent application withdrawn after publication |