共查询到18条相似文献，搜索用时 218 毫秒
1.
针对目前已有六维力传感器的不足,基于并联机构设计了一种分流式柔性铰六维力传感器。阐述了传感器的结构,通过等效法和微元法建立了其静力和刚度模型,对刚度模型进行了有限元仿真验证。基于遗传算法进行了结构优化设计,得到了传感器各向同性最优时的结构参数。最后对传感器进行标定实验。实验结果验证了静力模型的有效性,得到了传感器测量精度。传感器测量误差在1. 05%以内,能够精确测量未知外载的六维分量。 相似文献
2.
3.
基于压磁效应原理,对大马力拖拉机电液提升控制专用力传感器的磁路结构进行了研究。分析了该力传感器的工况和现有柱状磁芯型力传感器的磁路工作原理,并针对其不足提出了一种十字芯型的力传感器磁路结构方案,将现有柱状磁芯型力传感器产品的受力维度从二维变为三维,在同等受力变形的基础上增大了磁路结构的变形程度,增加了磁场的偏置程度,提高了传感器的灵敏度与线性度。建立了磁结构的三维模型与磁路数学模型,并基于Matlab/Simulink模块分别建立了柱状磁芯型与十字芯型2种力传感器的系统仿真模型。结果表明,与柱状磁芯型力传感器相比,十字芯型力传感器线性度由1.85%降低为0.08%,灵敏度由0.09 mV/kN提高为0.21 mV/kN,适用于重载荷作用下电液提升系统中力的测量与控制,能够更好地适应恶劣的工作环境,提升拖拉机的耕作效果。 相似文献
4.
5.
6.
CPP桨毂机构电液伺服加载试验台 总被引：2，自引：0，他引：2
提出一种新型加载试验台,可以完全模拟变螺距螺旋桨(CPP)在水中旋转时对桨毂机构产生的各种载荷力和力矩。CPP在不同转速、螺距和航速下所产生的推力、旋转阻力、离心力以及转叶扭矩,可通过多通道电液力(力矩)伺服控制系统,按照相应的载荷谱对桨毂机构实施加载,还可完成静态、动态以及脉动激振载荷力和力矩等加载试验。该加载系统采用立式结构,以大质量圆盘作为基座,被加载桨毂倒立安置在圆盘基座中心。对加载试验装置的关键结构件进行了有限元分析,并对电液伺服加载系统进行频率响应特性仿真分析。试验证明该加载系统能够满足各项加载试验要求。 相似文献
7.
针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升（Extreme gradient boosting,XGBoost）、支持向量机回归（Support vector machine regression,SVR）以及偏最小二乘回归（Partial least squares regression,PLSR）3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法（Pearson correlation coefficient feature variable screening method,R）结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明：喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型（R_XGBoost、R_SVR、XGBoost、SVR、PLSR）中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差（Root mean square error,RMSE）分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。 相似文献
8.
针对频域反射技术(FDR)传感器人工标定数据拟合误差大的问题,引入其他地区数据作为辅助数据,建立了基于迁移学习的自动标定模型。该模型将FDR目标使用地点采集的数据作为源域数据,结合辅助数据与少量源域数据,使用TrAdaBoost算法即可得到准确的FDR传感器标定模型。将面向分类问题的TrAdaBoost算法改进为适用于本文面向回归的TrAdaBoost算法,将TrAdaBoost算法的基学习器由AdaBoost改为XGBoost,改进了更新权重误差率的计算方法。首先使用XGBoost对辅助数据进行训练,得到初始标定模型;然后在目标地点采集少量数据,使用改进后的TrAdaBoost算法对初始标定模型进行校准,即可得到准确的FDR标定模型。将10个不同地区站点数据作为辅助数据,训练得到初始标定模型,将沈阳地区6个站点分别作为目标使用地点,取80%数据作为源域数据,进行模型校正,其余20%数据用于测试。测试结果的平均准确率为99. 1%,说明基于迁移学习的自动标定模型是有效和准确的。 相似文献
9.
土壤含水量传感器数值测定的准确性是其应用于精准灌溉实现农业节水的前提,然而土壤温度的变化对土壤含水量传感器数值采集的偏差具有显著影响.研究的目的在于分析不同土壤温度对土壤含水量传感器测定影响,进一步提出基于XGBoost(eXtreme Gradient Boosting)的土壤含水量传感器温度补偿模型,并验证和对比其预测精度.研究中分别配制土壤含水量为10％、15％、20％、25％、35％的12组梯度湿土土样基准,记录传感器在各土样中0～45℃温度变化过程的读数,并将数据集划分后用于模型训练和测试.结果表明:同一土样基准中土壤含水量传感器读数随着土壤温度的升高而增加,各土样基准类别传感器读数最大值与最小值的变幅为[3.6％,7.9％],平均读数变幅为6.25％;所提出的XGBoost土壤含水量温度校正模型能够实现对传感器土壤含水量温度影响的补偿,对测试集的均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)分别为0.013％、0.825％、1.165％和0.973.此外,与其他基于树和常用的机器学习模型对比结果显示研究提出的XGBoost温度校正模型具有最佳预测精度. 相似文献
10.
基于电极法的土壤硝态氮检测中,共存氯离子、温度变化、土壤水分是影响检测精度的重要因素。为消除干扰因素影响,进行测量模型的研究,基于电极检测原理与最小二乘法多元线性回归进行建模的理论分析,并研究考虑土壤水分影响后湿土直测的校正方法;开展建模集溶液检测实验,探讨各干扰因素对检测结果的影响,并根据建模集64个观测值分别建立25℃的一元线性回归模型(基础模型)、25℃的多元线性回归模型(硝酸根与氯离子浓度同时测量)和5~30℃的多元温度校正模型(温度变化较大时硝酸根与氯离子浓度同时测量);开展验证集溶液检测实验,验证并比较3种模型的可适用性;并开展不同含水率的湿土直测实验,验证湿土直测校正公式的准确性。结果表明,在温度变化、氯离子共存的条件下,25℃的多元线性回归模型效果最佳(硝酸根离子与氯离子浓度的测量误差分别在-8.37%和-12.03%内),满足多组分现场速测的精度要求;用湿土直测校正公式代替繁琐费时的土壤前处理,可有效减小土壤水分引起的误差。因此,利用多元线性回归模型结合湿土直测校正公式进行电极法土壤硝态氮的检测,可减小干扰因素影响、有效提高现场检测的时效性与准确性。 相似文献
11.
小麦脱皮机转子是小麦脱皮机的核心结构,脱皮机转子在运转时会受到离心载荷的作用,进而引起转子纵梁的变形。文中通过对转子模型的有限元分析,对转子在高转速工况下的离心变形及应力分布进行研究,分析结果表明在沿纵梁长度1/2处转子纵梁的变形量最大,其应力值在安全范围内。采用灵敏度分析方法及响应面优化理论,对转子纵梁通过预弯施加变形补偿。通过优化补偿,当控制节点P1,P4,P5,P6,P9分别取205.56 mm,210.52 mm,208.21 mm,203.48 mm,209.67 mm时,转子纵梁在受载后的平直度最佳。转子在离心载荷作用下的纵梁沿轴向的平直度同未补偿的纵梁比较最大提高84%,仿真结果验证该方法能有效地抑制转子纵梁在离心载荷下的变形,从而提高脱皮机转子工作的可靠性与稳定性。 相似文献
12.
内燃机实时测功装置传感器的研究 总被引：3，自引：0，他引：3
采用光电耦合非接触式信号传输技术，设计了一种用于实时测试内燃机功率的传感器，具有测量实时性好、精度高、抗干扰能力强、体积小、安装方便等特点。对传感器的工作原理进行了分析，给出了部分试验结果，并介绍了研制中的一些关键技术。 相似文献
13.
针对拖拉机防护装置静态试验设备调节繁琐、自动化程度和作业效率低等问题,设计了拖拉机防护装置自动静载试验系统。该试验系统由机械加载及辅助系统、液压系统和测控系统等组成,采用一次性夹持固定拖拉机防护装置,通过三维移动加载立柱、压垮横梁以及手动/遥控调节、自动加载等方式,实现拖拉机防护装置在不同工况下的静载试验。利用该试验系统对WD1104型轮式拖拉机驾驶室进行了水平纵向加载、侧向加载和2次垂直压垮试验,试验结果表明,系统性能稳定,纵向加载和侧向加载下的能量控制误差分别为0.55%、0.03%,垂直后压垮和垂直前压垮试验压垮力控制误差分别为0.63%、0.16%,满足相关标准对试验设备的要求。 相似文献
14.
随着棉花种植和收获的机械化程度提高,获取准确的产量图,分析田间产量数据,变得尤为重要,而采棉机作业时在输棉管道处监测产量是一种有效、可行的方法。现有光电对射式棉花测产传感器在作业中会有粘液遮挡检测通道、环境光影响等问题,面对复杂的田间作业环境,传感器标定普遍采用线性或多项式模型,精度和抗干扰性表现不够理想。针对上述现状,本文首先在传感器的结构和电路设计上做了抗干扰改进。然后在传感器标定过程中,尝试使用随机森林回归模型(Random forest regression, RFR),对实验样本进行训练、测试。在分析模型的表现后,提出了麻雀算法(Sparrow search algorithm, SSA)改进的随机森林回归模型,以均方误差作为适应度,对模型进行优化。经过验证,在相同验证集下,优化后的模型有更好的检测精确度。通过研究寻优上下界范围,平衡运行时间和检测精度,得到最优检测模型。该模型在验证集上表现良好,决定系数R2为0.99,平均绝对百分比误差(MAPE)为6.34%。台架实验结果表明,不同风速下最大误差为9.21%,平均误差为8.33%,改进后的传感器及检测... 相似文献
15.
为研究拖拉机旋耕作业载荷对动力输出传动系振动特性的影响,采用系统动力学建模、台架试验验证、田间试验与仿真分析相结合的方法加以分析。首先,在分析动力输出传动系结构的基础上,建立了描述其载荷传递机理的扭振耦合空间动力学模型,此模型详细考虑了横向和垂向的齿轮啮合传递效应。其次,利用拖拉机PTO加载试验台对模型的仿真结果进行试验验证,验证结果表明：横向和垂向的啮合频率误差最大分别为4.24%和5.12%,满足建模要求。然后,搭建了由无线扭矩传感器、北斗定位系统等组成的作业数据采集系统,分别采集了拖拉机在L1（2.07km/h）、L2（3.10km/h）、L3（5.29km/h）常用挡位下的田间旋耕作业数据,田间试验结果表明：旋耕作业的载荷水平和波动范围均随着作业挡位、行驶速度的升高而增大。最后,利用所建立的动力学模型仿真分析了不同作业挡位PTO负荷对齿轮传递特性的影响,结果表明：拖拉机旋耕作业挡位越高,由PTO载荷波动所引起的传动系振动位移越大,而且主要体现在横向振动。 相似文献
16.
研究了历经不同单调荷载历史后混凝土试件在不同应变速率（10-5/s、10-4/s、10-3/s）下的动态单轴受压试验,对比分析了混凝土应力-应变全曲线,并采用改进后的Weibull统计模型分析了单轴受压损伤特性。试验结果表明：在相同荷载历史下,随着应变速率的提高,混凝土峰值应力及弹性模量明显增加,峰值应变变化不明显;在相同的应变速率下混凝土峰值应力、峰值应变和弹性模量随荷载历史幅值的增加而降低,历经85%的单调荷载历史幅值后,混凝土残余强度降低显著;当单调荷载历史低于某一槛值时,荷载历史对混凝土强度影响较小,但是加载历史高于某一槛值时,混凝土损伤变量随应变速率的提高而增加,混凝土极限抗压强度明显降低。 相似文献
17.
为实现对柑橘叶片病虫药害种类的快速精准识别,针对多种类柑橘病叶设计一种融合注意力机制(Attention mechanism)的双向门控循环单元-循环神经网络(Attention-bidirectional gate recurrent unit-recurrent nural network, Att-BiGRU-RNN)分类模型。该模型在编解码模块分别采用BiGRU和RNN结构,能够利用高光谱数据前后波段光谱信息的关联性,有效提取光谱信息的深层特征;根据不同波段光谱信息的差异性引入注意力机制动态分配权重信息,提高重要光谱特征对分类模型的贡献率,提升模型的分类准确率。获取6类柑橘叶片高光谱信息,构建实验样本集,利用Att-BiGRU-RNN、VGG16、SVM和XGBoost分别建立柑橘病叶分类模型,Att-BiGRU-RNN模型总体分类准确率(Overall accuracy, OA)平均可达98.21%,相较于其他3种模型分别提高4.71、10.95、3.89个百分点,对光谱曲线重合度高的除草剂危害和煤烟病叶片的分类准确率有显著提升。实验结果表明,深度学习方法可有效利用高光谱不同... 相似文献
18.
针对小麦损失监测传感器结构复杂、成本较高的问题,对收获机清选排杂口不同物料运动特性进行研究,揭示小麦与秸秆撞击敏感板的作用规律,从清选抛出物冲击敏感板的力学特性出发,设计一种小麦收获机清选损失监测试验装置。通过离散元分析软件EDEM分析小麦籽粒、50mm秸秆、100mm秸秆撞击敏感板产生的作用力,分析接触力变化曲线,证明可通过判断物料撞击敏感板产生的信号进行损失监测。为增强信号采集准确率,采用两片压电传感器串联的方式,增大损失信号。设计损失监测试验台机械结构及控制系统,使监测装置模拟收获机清选排杂过程且可以实时监测信号,有效提高监测效率。最后,通过不同高度物料运动损失监测试验,得出300mm高度下传感器识别较为精准,对小麦籽粒的识别率达到98.4%,整体监测误差小于5%,损失监测试验装置能够达到设计目的和要求。 相似文献