首页 / 专利库 / 分销网络和设备 / 发电厂 / 风力发电场 / 风力发电机组 / 海上风力发电机 / 重力基础 / 基于MEMS加速度计的水平倾角仪误差补偿方法及系统

基于MEMS加速度计的平倾仪误差补偿方法及系统

阅读:633发布:2020-05-08

专利汇可以提供基于MEMS加速度计的平倾仪误差补偿方法及系统专利检索,专利查询,专利分析的服务。并且本 发明 请求 保护一种基于MEMS 加速 度计 的 水 平倾 角 仪误差补偿方法及系统,包括以下步骤:(1)完成水平倾角仪的 硬件 平台设计;(2)基于设计的十二 位置 静态翻滚方案,采集每一位置下MEMS加速度计三轴输出值并做均值化处理,建立基于十二位置法的MEMS加速度计误差补偿模型,对加速度计预处理,将预处理后的MEMS加速度计三轴输出值作为RBF神经网络的输入,而真实值作为网络的输出,经训练后建立基于RBF神经网络的MEMS加速度计误差补偿模型,进一步提高MEMS加速度计的输出 精度 ;(3)利用补偿后的MEMS加速度计三轴测量值与 重 力 加速度 之间的三角函数关系解算出水平倾角;(4)提出采用最小二乘法建立水平倾角仪测量误差与 温度 之间的函数关系式,用于水平倾角仪的温度补偿,本发明精确度高。,下面是基于MEMS加速度计的平倾仪误差补偿方法及系统专利的具体信息内容。

1.一种基于MEMS加速度计的平倾仪误差补偿方法,其特征在于,包括以下步骤:
步骤1、首先将倾角仪固定在转台台面处,通过翻转转台,固定在转台台面的倾角仪处于十二个不同位置,采集每一位置下的MEMS加速度计三轴输出值;
步骤2、其次,对采集到的MEMS加速度计三轴输出值进行均值化处理,利用十二位置下MEMS加速度计三轴输出值以及对应的标称加速度值建立MEMS加速度计的误差补偿模型,对加速度计预处理;
步骤3、然后将预处理后的MEMS加速度计三轴输出值作为RBF神经网络的输入,而三轴真实值作为网络的输出,建立基于RBF神经网络的MEMS加速度计误差补偿模型;
步骤4、最后,利用MEMS加速度计测量值与重力加速度之间的三角函数关系解算出水平倾角,提出利用最小二乘法建立倾角仪测量误差与温度之间的函数关系式,实现对水平倾角仪的温度补偿。
2.根据权利要求1所述的一种基于MEMS加速度计的水平倾角仪误差补偿方法,其特征在于,所述步骤1中,整个系统的ARM处理器作为水平倾角仪的处理中心,通过SPI通信总线采集传感器数据,对数据进行均值滤波以及十二位置法标定,然后将处理后数据通过三角函数等式解算出水平倾角,并利用最小二乘法建立水平倾角仪测量误差关于温度的函数关系式,完成倾角仪的温度补偿,最后利用串口将倾角信息传至上位机做界面显示。
3.根据权利要求1所述的一种基于MEMS加速度计的水平倾角仪误差补偿方法,其特征在于,所述步骤2中,建立MEMS加速度计的误差模型,如公式(1)所示:
公式(1)中Ax、Ay、Az为MEMS加速度计的输出值,ax、ay、az为MEMS加速度计的真实值,ai0(i=x,y,z)是MEMS加速度计的零偏值,x、y、z分别表示加速度计三个轴,ki(i=x,y,z)为MEMS加速度计的比例因子,kij(i,j=x,y,z)为MEMS加速度计的安装误差。
4.根据权利要求3所述的一种基于MEMS加速度计的水平倾角仪误差补偿方法,其特征在于,步骤2十二位置静态翻滚方案,具体包括:利用倾角仪在10秒内以50Hz的采样频率采集每一位置处的MEMS加速度计三轴输出值,在位置1、3、5、7、9、11处,对X、Y、Z轴的输出值分别取均值后可表示为:
其中, 表示第一个位置下的加速度计X轴输出值的均值; 表示第一个位置下,当X轴有输入加速度时,Z轴检测到的加速度与输入加速度的比值; 表示第一个位置下的加速度计X轴的零偏值;
由公式(2)、公式(3)以及公式(4)可得加速度计误差系数为:
同理,在位置2、4、6、8、10、12处也得到一组加速度计误差系数为:
由公式(5)~(10)可得最终的加速度计误差系数为:
令公式(11)~(13)中的α=β=0.5。
5.根据权利要求4所述的一种基于MEMS加速度计的水平倾角仪误差补偿方法,其特征在于,所述步骤3利用上述误差补偿方法对MEMS加速度计预处理,经预处理后的加速度计三轴输出值作为RBF神经网络的输入,而网络的输出即为三轴的真实值,即设定RBF神经网络输入层为3,输出层为3,在十二位置下采集的样本数为6000个,随机选取5900个样本数,先代入基于十二位置法的加速度计误差补偿模型中,其输出值与对应的真实值用于训练网络,而剩余的100个样本数用于验证训练后网络的性能,所设加速度计RBF神经网络的均方误差目标为0.001(g),当训练周期循环至150次时,其均方误差逐渐减少并趋于收敛,从而能够确定网络中的参数,即隐含层到输出层的连接权值ω,隐含层节点的中心c和宽度r,公式(14)为RBF神经网络的激励函数,以及公式(15)为输出层单元的线性组合;
其中,||·||为欧氏距离;c和r是径向基函数的参数,分别代表高斯RBF的中心和宽度;
其中,ωj是隐含层和输出层之间的权重;m是隐含单元的数目。
6.根据权利要求5所述的一种基于MEMS加速度计的水平倾角仪误差补偿方法,其特征在于,所述步骤4中,在步骤3的基础上,利用当地的重力加速度以及MEMS加速度计的测量值建立三角函数等式,可以解算出水平倾角θx、θy,如公式(16)、(17)所示:
公式(16)、(17)中,G为当地的重力加速度, 分别为加速度计的X、Y轴的输
出值。
7.根据权利要求6所述的一种基于MEMS加速度计的水平倾角仪误差补偿方法,其特征在于,所述步骤4中,将水平倾角仪放置在高低温箱内的单轴转台平面,此时倾角仪测量误差等于其实际输出值,提出利用最小二乘法建立温度与倾角仪测量误差的函数关系式,如公式(18)所示:
θi0=k0+k1T+k2T2+…+knTn (i=x,y)      (18)
其中,T为加速度计内置温度传感器测量所得;θi0(i=x,y)为水平倾角仪的输出值;kj(j=1,…,n)为待定系数;n表示待定系数的个数;
通过控制系统所处环境温度范围为65℃~-20℃,步长为5℃,待温度稳定后采集倾角仪中加速度计X轴和Y轴方向的输出值,利用最小二乘法进行多项式拟合,,选择2次阶作为多项式的最高阶,拟合后的多项式如公式(19)、(20)所示:
θx0=0.5061403-0.0090204T+0.0000471T2      (19)
θx0=-0.8580211+0.0065228T+0.0000131T2       (20)
可以得到经温补后,水平倾角仪的测量式,如公式(21)所示:
其中,θx,final、θy,final分别为温补后水平倾角仪的输出值;θx、θy分别为温补前水平倾角仪的输出值;θx0、θy0为水平倾角仪测量误差。
8.一种基于MEMS加速度计的水平倾角仪误差补偿系统,其特征在于,包括:
采集模:用于将倾角仪固定在十二位置转台台面处,采集MEMS加速度计三轴的输出值;
预处理模块:用于对采集到的MEMS加速度计三轴输出值进行均值化处理,利用十二位置静态翻滚方案建立MEMS加速度计的误差补偿模型,对加速度计预处理;
误差补偿模块:用于然后将预处理后的MEMS加速度计三轴输出值作为RBF神经网络的输入,而三轴真实值作为网络的输出,建立基于RBF神经网络的MEMS加速度计误差补偿模型;
温度补偿模块:利用MEMS加速度计测量值与重力加速度之间的三角函数关系解算出水平倾角,提出利用最小二乘法建立倾角仪测量误差与温度之间的函数关系式,实现对水平倾角仪的温度补偿。

说明书全文

基于MEMS加速度计的平倾仪误差补偿方法及系统

技术领域

[0001] 本发明属于惯性传感器技术的应用领域,特别涉及一种利用MEMS加速度计解算水平倾斜角以及提高解算倾角精度的方法。

背景技术

[0002] 倾角仪是一种精确的角度测量设备。检测系统倾斜的一种常用方法是对陀螺仪进行积分,虽然这种方法直截了当,但与零点偏置稳定性有关的误差会随着积分周期的增加而快速累积。在某些应用中,如整个时间范围内作用于系统的净加速或是重力,那么可以使用微机电系统(MEMS)加速度计来测量倾斜的静态角度,且MEMS加速度计倾角仪具有全天候、干扰小、精度高等优点。本文研究的水平倾角仪,大量应用于消费电子中的水平检测,以及汽车工业中的电子稳定控制系统
[0003] 目前,国内外在提高水平倾角仪精度方面研究较多。沙承贤等人[沙承贤,李杰,翟成瑞,等.基于MEMS加速度传感器的数字倾角仪设计[J].传感器与微系统,2010(06):141-143.]设计的“单摆式”倾角仪结构复杂、制造工艺难度大、测量范围小、瞬态响应差、稳定速度慢;张杰[张杰.基于MEMS陀螺仪和加速度计的动态倾角传感器[J].机械设计与制造,
2012(09):146-148.]设计的基于MEMS陀螺和加速度计的倾角仪,虽然高精度的陀螺倾角仪测量精度很高,但是其测量误差会随时间累积,且价格昂贵;Schmidt R等人[Schmidt R,O'Leary P,Ritt R,et al.MEMS based inclinometers:Noise characteristics and suitable signal processing[C]//2017IEEE International Instrumentation and Measurement Technology Conference(I2MTC).IEEE,2017.]虽然对倾角仪的传感源做了离线的标定补偿,但没有考虑传感源的随机误差以及温度对其影响,倾角仪精度还有待提高,而本发明先是通过均值滤波对加速度计三轴输出值做预处理,削弱随机误差的影响,然后将处理后的加速度计三轴输出值作为RBF神经网络的输入,而三轴真实值作为网络的输出,进一步消除随机误差的影响;并建立水平倾角仪测量误差关于温度的函数关系式,消除温度对倾角仪输出的影响。

发明内容

[0004] 本发明旨在解决以上现有技术的问题。提出了一种基于MEMS加速度计的水平倾角仪误差补偿方法及系统。本发明的技术方案如下:
[0005] 一种基于MEMS加速度计的水平倾角仪误差补偿方法,其包括以下步骤:
[0006] 步骤1、首先将倾角仪固定在转台台面处,通过翻转转台,固定在转台台面的倾角仪处于十二个不同位置,采集每一位置下的MEMS加速度计三轴输出值;
[0007] 步骤2、其次,对采集到的MEMS加速度计三轴输出值进行均值化处理,利用十二位置下MEMS加速度计三轴输出值以及对应的标称重力加速度值建立MEMS加速度计的误差补偿模型,对加速度计预处理;
[0008] 步骤3、然后将预处理后的MEMS加速度计三轴输出值作为RBF神经网络的输入,而三轴真实值作为网络的输出,建立基于RBF神经网络的MEMS加速度计误差补偿模型;
[0009] 步骤4、最后,利用MEMS加速度计测量值与重力加速度之间的三角函数关系解算出水平倾角,提出利用最小二乘法建立倾角仪测量误差与温度之间的函数关系式,实现对水平倾角仪的温度补偿。
[0010] 进一步的,所述步骤1中,整个系统的ARM处理器作为水平倾角仪的处理中心,通过SPI通信总线采集传感器数据,对数据进行均值滤波以及十二位置法标定,然后将处理后数据通过三角函数等式解算出水平倾角,并利用最小二乘法建立水平倾角仪测量误差关于温度的函数关系式,完成倾角仪的温度补偿,最后利用串口将倾角信息传至上位机做界面显示。
[0011] 进一步的,所述步骤2中,建立MEMS加速度计的误差模型,如公式(1)所示:
[0012]
[0013] 公式(1)中Ax、Ay、Az为MEMS加速度计的输出值,ax、ay、az为MEMS加速度计的真实值,ai0(i=x,y,z)是MEMS加速度计的零偏值,x、y、z分别表示加速度计三个轴,ki(i=x,y,z)为MEMS加速度计的比例因子,kij(i,j=x,y,z)为MEMS加速度计的安装误差。
[0014] 进一步的,步骤2十二位置静态翻滚方案,具体包括:利用倾角仪在10秒内以50Hz的采样频率采集每一位置处的MEMS加速度计三轴输出值,在位置1、3、5、7、9、11处,对X、Y、Z轴的输出值分别取均值后可表示为:
[0015]
[0016]
[0017]
[0018] 其中, 表示第一个位置下的加速度计X轴输出值的均值; 表示第一个位置下,当X轴有输入加速度时,Z轴检测到的加速度与输入加速度的比值; 表示第一个位置下的加速度计X轴的零偏值。
[0019] 由公式(2)、公式(3)以及公式(4)可得加速度计误差系数为:
[0020]
[0021]
[0022]
[0023] 同理,在位置2、4、6、8、10、12处也得到一组加速度计误差系数为:
[0024]
[0025]
[0026]
[0027] 由公式(5)~(10)可得最终的加速度计误差系数为:
[0028]
[0029]
[0030]
[0031] 令公式(11)~(13)中的α=β=0.5。
[0032] 进一步的,所述步骤3利用上述误差补偿方法对MEMS加速度计预处理,经预处理后的加速度计三轴输出值作为RBF神经网络的输入,而网络的输出即为三轴的真实值,即设定RBF神经网络输入层为3,输出层为3,在十二位置下采集的样本数为6000个,随机选取5900个样本数,先代入基于十二位置法的加速度计误差补偿模型中,其输出值与对应的真实值用于训练网络,而剩余的100个样本数用于验证训练后网络的性能,所设加速度计RBF神经网络的均方误差目标为0.001(g),当训练周期循环至150次时,其均方误差逐渐减少并趋于收敛,从而能够确定网络中的参数,即隐含层到输出层的连接权值ω,隐含层节点的中心c和宽度r,公式(14)为RBF神经网络的激励函数,以及公式(15)为输出层单元的线性组合;
[0033]
[0034] 其中,||·||为欧氏距离;c和r是径向基函数的参数,分别代表高斯RBF的中心和宽度;
[0035]
[0036] 其中,ωj是隐含层和输出层之间的权重;m是隐含单元的数目。
[0037] 进一步的,所述步骤4中,在步骤3的基础上,利用当地的重力加速度以及MEMS加速度计的测量值建立三角函数等式,可以解算出水平倾角θx、θy,如公式(16)、(17)所示:
[0038]
[0039]
[0040] 公式(16)、(17)中,G为当地的重力加速度,Ax***、Ay***分别为加速度计的X、Y轴的输出值。
[0041] 进一步的,所述步骤4中,将水平倾角仪放置在高低温箱内的单轴转台平面,此时倾角仪测量误差等于其实际输出值,提出利用最小二乘法建立温度与倾角仪测量误差的函数关系式,如公式(18)所示:
[0042] θi0=k0+k1T+k2T2+…+knTn(i=x,y)  (18)
[0043] 其中,T为加速度计内置温度传感器测量所得;θi0(i=x,y)为水平倾角仪的输出值;kj(j=1,…,n)为待定系数;n表示待定系数的个数。
[0044] 通过控制系统所处环境温度范围为65℃~-20℃,步长为5℃,待温度稳定后采集倾角仪中加速度计X轴和Y轴方向的输出值,利用最小二乘法进行多项式拟合,,选择2次阶作为多项式的最高阶,拟合后的多项式如公式(19)、(20)所示:
[0045] θx0=0.5061403-0.0090204T+0.0000471T2  (19)
[0046] θx0=-0.8580211+0.0065228T+0.0000131T2  (20)
[0047] 可以得到经温补后,水平倾角仪的测量式,如公式(21)所示:
[0048]
[0049] 其中,θx,final、θy,final分别为温补后水平倾角仪的输出值;θx、θy分别为温补前水平倾角仪的输出值;θx0、θy0为水平倾角仪测量误差。
[0050] 一种基于MEMS加速度计的水平倾角仪误差补偿系统,其包括:
[0051] 采集模:用于将倾角仪固定在十二位置转台台面处,采集MEMS加速度计三轴的输出值;
[0052] 预处理模块:用于对采集到的MEMS加速度计三轴输出值进行均值化处理,利用十二位置静态翻滚方案建立MEMS加速度计的误差补偿模型,对加速度计预处理;
[0053] 误差补偿模块:用于然后将预处理后的MEMS加速度计三轴输出值作为RBF神经网络的输入,而三轴真实值作为网络的输出,建立基于RBF神经网络的MEMS加速度计误差补偿模型;
[0054] 温度补偿模块:利用MEMS加速度计测量值与重力加速度之间的三角函数关系解算出水平倾角,提出利用最小二乘法建立倾角仪测量误差与温度之间的函数关系式,实现对水平倾角仪的温度补偿。
[0055] 本发明的优点及有益效果如下:
[0056] 本发明针对基于MEMS加速度计倾角仪的输出精度受加速度计测量误差以及温度的影响,利用基于十二位置法的加速度计误差补偿模型对加速度计测量值预处理,预处理后的加速度计三轴输出值以及真实值作为RBF神经网络的训练样本,从而建立基于RBF神经网络的加速度计误差模型,进一步提高加速度计的输出精度。并提出利用最小二乘法建立倾角仪测量误差与温度之间的函数关系,从而消除了温度对倾角仪输出精度的影响。本发明使得倾角仪的输出值更加接近于真实值,最终实现了一种精度高达0.005°的水平倾角仪设备。
[0057] 本发明的创新点主要体现在步骤2和步骤3上。针对步骤2提出一种基于RBF神经网络的加速度计误差补偿模型,相比于传统误差补偿方法(多元线性回归),RBF神经网络能够拟合更加复杂的非线性函数关系,在提高MEMS加速度计输出精度方面取得了显著的效果;针对步骤3,不是从温度对传感器件影响的角度考虑,而是从对水平倾角系统影响的角度考虑,能够更加直观地描绘出温度对水平倾角仪的影响,易于建立关于温度误差项的函数关系式,消除温度对系统的影响。
附图说明
[0058] 图1是本发明系统硬件框图
[0059] 图2是本发明提供优选实施例总体算法框图。
[0060] 图3是十二位置静态翻转示意图。
[0061] 图4是RBF神经网络结构示意图。
[0062] 图5是MEMS加速度计的网络训练性能图。
[0063] 图6是MEMS加速度计的X轴预测输出。
[0064] 图7是补偿前后MEMS加速度计输出对比图。
[0065] 图8是水平倾角仪测量原理图。
[0066] 图9是倾角测量误差与温度的关系图。
[0067] 图10是不同温度下倾角仪输出示意图。

具体实施方式

[0068] 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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
[0069] 本发明解决上述技术问题的技术方案是:
[0070] 基于MEMS加速度计的水平倾角仪误差补偿方法,其特征在于,包括以下步骤:
[0071] 步骤(1),完成水平倾角仪的硬件平台设计;
[0072] 步骤(2),基于设计的十二位置静态翻滚方案,采集每一位置下MEMS加速度计三轴输出值并做均值化处理,建立基于十二位置法的MEMS加速度计误差补偿模型,对加速度计预处理,将预处理后的MEMS加速度计三轴输出值作为RBF神经网络的输入,而真实值作为网络的输出,经训练后建立基于RBF神经网络的MEMS加速度计误差补偿模型,进一步提高MEMS加速度计的输出精度;
[0073] 步骤(3),利用补偿后的MEMS加速度计三轴测量值与重力加速度之间的三角函数关系解算出水平倾角;
[0074] 步骤(4),提出采用最小二乘法建立水平倾角仪测量误差与温度之间的函数关系式,用于水平倾角仪的温度补偿。
[0075] 所述步骤(1)中,整个系统的ARM处理器作为水平倾角仪的处理中心,通过SPI通信总线采集传感器数据,对数据进行均值滤波以及十二位置法标定,然后将处理后数据通过三角函数等式解算出水平倾角,并利用最小二乘法建立水平倾角关于温度的函数关系式,完成倾角仪的温度补偿,最后利用串口将倾角信息传至上位机做界面显示如附图1为本发明的系统硬件框图,如附图2为本发明的总体算法框图。
[0076] 所述步骤(2)中,建立MEMS加速度计的误差模型,如公式(43)所示:
[0077]
[0078] 公式(1)中Ax、Ay、Az为MEMS加速度计的输出值,ax、ay、az为MEMS加速度计的真实值,ai0(i=x,y,z)是MEMS加速度计的零偏值,x、y、z分别表示加速度计三个轴,ki(i=x,y,z)为MEMS加速度计的比例因子,kij(i,j=x,y,z)为MEMS加速度计的安装误差。基于本文设计的十二位置下,如附图3所示,利用倾角仪在10秒内以50Hz的采样频率采集每一位置处的MEMS加速度计三轴输出值。在位置1、3、5、7、9、11处,对X、Y、Z轴的输出值分别取均值后可表示为:
[0079]
[0080]
[0081]
[0082] 由公式(44)、公式(45)以及公式(46)可得加速度计误差系数为:
[0083]
[0084]
[0085]
[0086] 同理,在位置2、4、6、8、10、12处也得到一组加速度计误差系数为:
[0087]
[0088]
[0089]
[0090] 由公式(47)~(52)可得最终的加速度计误差系数为:
[0091]
[0092]
[0093]
[0094] 令公式(53)~(55)中的α=β=0.5。
[0095] 利用上述误差补偿方法对MEMS加速度计预处理,经预处理后的加速度计三轴输出值作为RBF神经网络的输入,而网络的输出即为三轴的真实值,即设定RBF神经网络输入层为3,输出层为3。如附图4为RBF神经网络结构示意图。在十二位置下采集的样本数为6000个,随机选取5900个样本数,先代入基于十二位置法的加速度计误差补偿模型中,其输出值与对应的真实值用于训练网络,而剩余的100个样本数用于验证训练后网络的性能。所设加速度计RBF神经网络的均方误差目标为0.001(g),当训练周期循环至150次时,其均方误差逐渐减少并趋于收敛,如附图5为MEMS加速度计网络训练性能图。从而能够确定网络中的参数,即隐含层到输出层的连接权值ω,隐含层节点的中心c和宽度r。公式(56)为RBF神经网络的激励函数,以及公式(57)为输出层单元的线性组合。
[0096]
[0097] 其中,||·||为欧氏距离;c和r是径向基函数的参数,分别代表高斯RBF的中心和宽度。
[0098]
[0099] 其中,ωj是隐含层和输出层之间的权重;m是隐含单元的数目。
[0100] 未经训练的100个样本代入训练好的RBF神经网络模型中,以加速度计X轴为例,RBF神经网络对MEMS加速度计X轴的预测值与真实值的重合度约为97%,如附图6为MEMS加速度计X轴的预测输出。可得经过训练后的RBF神经网络可以应用在该MEMS加速度计误差补偿上。
[0101] 综上,首先利用十二位置法建立的MEMS加速度计误差模型对MEMS加速度计原始输出值预处理,得三轴输出值Aaxis**(axis=x,y,z),经预处理后的数据代入到已训练好的RBF神经网络模型中,得到最终补偿后的MEMS加速度计三轴数据,即Aaxis***(axis=x,y,z)。如附图7为补偿前后MEMS加速度计三轴输出值的对照。
[0102] 所述步骤(3)中,在步骤(2)的基础上,利用当地的重力加速度以及MEMS加速度计的测量值建立三角函数等式,可以解算出水平倾角θx、θy,如附图8为倾角测量原理。如公式(58)、(59)所示:
[0103]
[0104]
[0105] 公式(58)、(59)中,G为当地的重力加速度,Ax***、Ay***分别为加速度计的X、Y轴的输出值。
[0106] 所述步骤(4)中,将水平倾角仪放置在高低温箱内的单轴转台平面,此时倾角仪测量误差等于其实际输出值。提出利用最小二乘法建立温度与倾角仪测量误差的函数关系式,如公式(60)所示:
[0107] θi0=k0+k1T+k2T2+…+knTn(i=x,y)  (60)
[0108] 其中,T为加速度计内置温度传感器测量所得;θi0(i=x,y)为水平倾角仪的输出值;kj(j=1,…,n)为待定系数;n表示待定系数的个数。
[0109] 通过控制系统所处环境温度范围为65℃~-20℃,步长为5℃,待温度稳定后采集倾角仪中加速度计X轴和Y轴方向的输出值,利用最小二乘法进行多项式拟合,如附图9为二阶拟合效果。选择2次阶作为多项式的最高阶。拟合后的多项式如公式(61)、(62)所示:
[0110] θx0=0.5061403-0.0090204T+0.0000471T2  (61)
[0111] θx0=-0.8580211+0.0065228T+0.0000131T2  (62)
[0112] 可以得到经温补后,水平倾角仪的测量式,如公式(63)所示:
[0113]
[0114] 其中,θx,final、θy,final分别为温补后水平倾角仪的输出值;θx、θy分别为温补前水平倾角仪的输出值;θx0、θy0为水平倾角仪测量误差。如附图10为温补后水平倾角仪的输出。
[0115] 以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈