CN105740553A - 一种电动执行机构的测试系统的转矩测试方法 - Google Patents
一种电动执行机构的测试系统的转矩测试方法 Download PDFInfo
- Publication number
- CN105740553A CN105740553A CN201610073732.2A CN201610073732A CN105740553A CN 105740553 A CN105740553 A CN 105740553A CN 201610073732 A CN201610073732 A CN 201610073732A CN 105740553 A CN105740553 A CN 105740553A
- Authority
- CN
- China
- Prior art keywords
- torque
- algorithm
- actuating mechanisms
- sample
- electric actuating
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L3/00—Measuring torque, work, mechanical power, or mechanical efficiency, in general
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种电动执行机构的测试系统的转矩测试方法,涉及电动执行机构的检测和测试领域,尤其涉及对电动执行机构进行测试的测试系统的转矩的测试方法的改进。提出了一种同时兼具了实时性、高效性、精准性、科学性,且具有工作流程智能化、逻辑清晰和误差极小的特点的电动执行机构的测试系统的转矩测试方法。利用回归模型分析的思想采用多种算法来模拟逼近转矩的标定曲线,很好的解决了由于机械磨损、惯性冲击、加工精度等干扰因素带来的一系列问题,大大降低了传统的线性标定轨迹带来的误差。更精确更高效更科学的完成电动执行机构调试系统的转矩标定以及电动执行机构转矩大小测试。让标定转矩更加精确,使得测量的电动执行机构的转矩值更加精确可靠。
Description
技术领域
本发明涉及电动执行机构的检测和测试领域,尤其涉及对电动执行机构进行测试的测试系统的转矩的测试方法的改进。
背景技术
目前,现有技术中对测试系统的转矩标定通常采用分段式的折线来进行标定,最后将电动执行机构的转矩值通过直线方程进行计算得出。然而,此类通过折线进行标定通常存在着以下问题:一、由于机械磨损、惯性冲击、加工精度等实际存在的且不可避免的干扰因素的存在,其标定轨迹不可能是线性关系,折线标定显然具有较大的误差;二、在标定过程中通常也存在着一定的人为的干扰因素,极易出现因人工手动操作延时或提前而导致标定值和实际转矩值出现较大偏差的问题;三、通过折线进行标定,其折线的结构受样本点的数量影响极大,为提高其标定的准确性,通常需选取大量的样本点,具有费时费工的缺陷。
这样,现有技术中的标定方法并不具备科学性和合理性,也不能有效满足工业自动化发展的实时性、高效性、精准性、科学性、智能性的要求。
发明内容
本发明针对以上问题,提出了一种同时兼具了实时性、高效性、精准性、科学性,且具有工作流程智能化、逻辑清晰和误差极小的特点的电动执行机构的测试系统的转矩测试方法。
本发明的技术方案为:按以下步骤进行标定:
1)、建立原始样本集:对测试系统进行转矩加载;从而得若干由一一对应的电流和转矩构成的原始样本,所有原始样本的集合记为原始样本集;
2)、建立原始样本子集:将所述原始样本集分为若干原始样本子集;
3)、滤波:对每个原始样本子集、通过滤波算法进行滤波处理,得由若干二次样本构成的二次样本集,待用;
4)、建模:在计算机中建立数学模型;
5)、建立学习过程:在计算机中编写样本学习算法的程序,从而建立所述数学模型的学习过程;
6)、样本学习:将二次样本集输入数学模型中,并根据步骤5)中编写的样本学习算法的程序进行学习,得标定曲线的曲线函数;
7)、转矩测试:通过测试系统对电动执行机构进行转矩测试,并根据标定曲线计算出电动执行机构的所有转矩数据。
步骤3)中的滤波算法包括高斯低通滤波算法、卡尔曼滤波算法、限幅滤波算法、中值滤波算法、均值滤波算法、粒子滤波算法和复合滤波算法。
所述步骤4)中的样本学习算法包括纵向距离最短算法、误差绝对值和最小算法、误差模最大值最小算法、均方误差最小算法和极大似然估计算法。
所述数学模型通过如下公式表达:其中a和T(a)为模型的输入参数,a表示电流,T(a)表示转矩,c为模型的控制参数,ε0,ε1,ε2,···εc为力矩标定函数表达式系数,输出结果为转矩计算函数,用如下公式表达:y=εcxc+εc-1xc-1+···ε2x2+ε1x+ε0。
所述数学模型为BP神经网络模型。
本发明利用回归模型分析的思想采用多种算法来模拟逼近转矩的标定曲线,很好的解决了由于机械磨损、惯性冲击、加工精度等干扰因素带来的一系列问题,大大降低了传统的线性标定轨迹带来的误差。
在数据采集系统中,由于数据采集传感器或自动化电气特性因素或现场环境工况等因素的变化,随着时间的推移或生产工况的变化,所采集的数据经常会发生漂移,直接导致标定值和转矩值较大偏差。本发明从两个方面入手来解决上述问题:第一,在选取原始样本的时候控制样本的数量与质量;第二,通过高斯滤波算法对在原始样本进行滤波处理,排除噪声提高精度。
本发明中使用连续、平滑、多变和无限逼近的曲线取代目前分段直线式的转矩标定轨迹。解决了分段式直线标定受样本点数量影响的约束,函数不连续间断点太多等问题。很好的满足了工业自动化发展实时性高效性精确性科学性的要求,是一种稳定、高效、精确的电动执行机构的测试系统的转矩标定方法。
本发明的有益效果在于:能够更精确更高效更科学的完成电动执行机构调试系统的转矩标定以及电动执行机构转矩大小测试。标准转矩传感器的高分辨率能够让标定转矩更加精确,较好的数学模型和样本学习算法完全拟合出标定转矩的轨迹,使得测量的电动执行机构的转矩值更加精确可靠。
附图说明
图1是本发明的标定曲线轨迹图;
图中c是控制参数,样本1为原始样本,样本2为二次样本。
具体实施方式
本发明如图1所示,在下述实施例中以2000Nm的测试系统为背景,所有试验均在该测试系统上完成;
1)、建立原始样本集:通过电动执行机构、磁粉、机械等加载方式对测试系统进行转矩加载;从而得若干由一一对应的电流和转矩构成的原始样本,所有原始样本的集合记为原始样本集;
2)、建立原始样本子集:将所述原始样本集分为若干原始样本子集;
其建立原始样本子集的整体过程为:
1.1)、记录所有原始样本,即原始样本集;
1.2)、选定若干指定转矩值;
1.3)、针对每个指定转矩值,在原始样本集中找出与所述指定转矩值接近的若干原始样本,并分别记录为若干原始样本子集;
在上述原始样本集的具体建立过程中,有效的排除了因人为的干扰因素而记录的误差较大却又未被记录的原始样本,并同时抵消了一些在记录过程中存在的干扰因素(由于人工手动操作的延时或提前而导致读出的转矩值和实际转矩值出现较大的偏差,而步骤1.3)建立了原始样本子集后,则将误差较大的点排除在外),从而有效的降低了误差;
与此同时,步骤1.2)中指定转矩值的数量并不是越多越好,通常在8-12个左右,指定转矩值的数量太多将会增加下述步骤中学习的难度,更重要的是精度会受到影响;具体来说:指定转矩值的数量增加后在指定转矩值附近一小段区域内的函数虽然可以比较准确的反映曲线轨迹,但是最终的标定曲线为了尽可能多的覆盖二次样本,从整个区域上看函数的变化会更复杂(整体标定曲线的平滑性极差)反而影响到数据精度。
3)、滤波:对每个原始样本子集通过滤波算法进行滤波处理,从而使得一个原始样本子集在滤波后得一个二次样本,进而得由若干二次样本构成的二次样本集,待用;
本发明中优先使用的滤波算法是高斯低通滤波算法(如图1中所示,在椭圆形的取值范围内‘x’表原始样本,同一原始样本集中的若干原始样本经高斯低通滤波后形成了如‘*’所示的二次样本),也可以使用其他相类似的算法进行代替,如卡尔曼滤波算法、限幅滤波算法、中值滤波算法、均值滤波算法、粒子滤波算法、复合滤波算法等。高斯滤波实质上是一种信号的滤波器,其噪声是最大的问题,由于误差会累计传递等原因,用于得到信噪比SNR较高的信号输出。与此相关的有Gauss-Laplace变换,其实就是为了得到较好的边缘,先对信号做Gauss平滑滤波,剔除噪声,然后求二阶导矢,用二阶导的过零点确定边缘,在计算时也是频域乘积空域卷积。滤波器就是建立的一个数学模型,通过这个模型来将图像数据进行能量转化,能量低的就排除掉,噪声就是属于低能量部分。
4)、建模:在计算机中建立数学模型和数学模型的控制参数(用于下述第一种多元函数建模过程中);
所述数学模型通过如下公式表达:其中a和T(a)为模型的输入参数,a表示电流,T(a)表示转矩,c为模型的控制参数,ε0,ε1,ε2,···εc为力矩标定函数表达式系数,输出结果为转矩计算函数,用如下公式表达:y=εcxc+εc-1xc-1+···ε2x2+ε1x+ε0。
此外,本发明的数学模型还可以为BP神经网络模型。神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息系统,具有很强的自适应、自学习功能,BP神经网络不仅有输入层节点,输出层节点,而且有隐含层节点。每层上的神经元就是节点单元,网络神经元的传递函数采用对称型S函数,能够实现输入和输出的非线性映射。
5)、建立学习过程:在计算机中编写样本学习算法的程序,从而建立所述数学模型的学习过程;
本发明中优先使用的是纵向距离最短算法进行学习,也可以使用其他相类似的算法,如误差绝对值和最小算法、误差模最大值最小算法、均方误差最小算法或极大似然估计算法等。
6)、样本学习:将二次样本集输入数学模型中,并根据步骤5)中编写的样本学习算法的程序进行学习,得标定曲线的曲线函数;
图1中,‘—’曲线和‘--’曲线由模型的控制参数c决定。c取10时,最终生成了‘—’曲线;c取2时,最终生成了‘--’曲线。为了在图形显示中看的更清楚更直观,本实施例只给出了c取2和10的轨迹,很明显模型当c=10时,轨迹涵盖了所有的二次样本点,比c取2时更精确。
7)、转矩测试:通过测试系统对电动执行机构进行转矩大小测试,并根据标定曲线计算出电动执行机构的所有转矩数据(各种转矩值,包括额定转矩、最大转矩等等)。
Claims (5)
1.一种电动执行机构的测试系统的转矩测试方法,其特征在于,按以下步骤进行标定:
1)、建立原始样本集:对测试系统进行转矩加载;从而得若干由一一对应的电流和转矩构成的原始样本,所有原始样本的集合记为原始样本集;
2)、建立原始样本子集:将所述原始样本集分为若干原始样本子集;
3)、滤波:对每个原始样本子集通过滤波算法进行滤波处理,得由若干二次样本构成的二次样本集,待用;
4)、建模:在计算机中建立数学模型;
5)、建立学习过程:在计算机中编写样本学习算法的程序,从而建立所述数学模型的学习过程;
6)、样本学习:将二次样本集输入数学模型中,并根据步骤5)中编写的样本学习算法的程序进行学习,得标定曲线的曲线函数;
7)、转矩测试:通过测试系统对电动执行机构进行转矩测试,并根据标定曲线计算出电动执行机构的所有转矩数据。
2.根据权利要求1所述的一种电动执行机构的测试系统的转矩测试方法,其特征在于,步骤3)中的滤波算法包括高斯低通滤波算法、卡尔曼滤波算法、限幅滤波算法、中值滤波算法、均值滤波算法、粒子滤波算法和复合滤波算法。
3.根据权利要求1所述的一种电动执行机构的测试系统的转矩测试方法,其特征在于,所述步骤4)中的样本学习算法包括纵向距离最短算法、误差绝对值和最小算法、误差模最大值最小算法、均方误差最小算法和极大似然估计算法。
4.根据权利要求1所述的一种电动执行机构的测试系统的转矩测试方法,其特征在于,所述数学模型通过如下公式表达:其中a和为模T(a)型的输入参数,a表示电流,T(a)表示转矩,c为模型的控制参数,ε0,ε1,ε2,···εc为力矩标定函数表达式系数,输出结果为转矩计算函数,用如下公式表达:y=εcxc+εc-1xc-1+···ε2x2+ε1x+ε0。
5.根据权利要求1所述的一种电动执行机构的测试系统的转矩测试方法,其特征在于,所述数学模型为BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610073732.2A CN105740553B (zh) | 2016-02-02 | 2016-02-02 | 一种电动执行机构的测试系统的转矩测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610073732.2A CN105740553B (zh) | 2016-02-02 | 2016-02-02 | 一种电动执行机构的测试系统的转矩测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740553A true CN105740553A (zh) | 2016-07-06 |
CN105740553B CN105740553B (zh) | 2019-05-03 |
Family
ID=56244775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610073732.2A Active CN105740553B (zh) | 2016-02-02 | 2016-02-02 | 一种电动执行机构的测试系统的转矩测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740553B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112072979A (zh) * | 2020-09-09 | 2020-12-11 | 扬州电力设备修造厂有限公司 | 一种电动执行机构电磁式转矩测试方法及系统 |
CN117681037A (zh) * | 2024-01-26 | 2024-03-12 | 江西佳时特精密机械有限责任公司 | 基于位移传感器的高精度主轴热伸长闭环补偿方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135466A (zh) * | 2010-11-18 | 2011-07-27 | 西安航空动力股份有限公司 | 一种振动模态测试方法 |
US8265916B1 (en) * | 2006-12-29 | 2012-09-11 | The Mathworks, Inc. | Test environment for accumulating cumulative metric data |
CN103822746A (zh) * | 2014-03-11 | 2014-05-28 | 扬州电力设备修造厂 | 一种电动执行机构调试台转矩动态标定方法 |
-
2016
- 2016-02-02 CN CN201610073732.2A patent/CN105740553B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8265916B1 (en) * | 2006-12-29 | 2012-09-11 | The Mathworks, Inc. | Test environment for accumulating cumulative metric data |
CN102135466A (zh) * | 2010-11-18 | 2011-07-27 | 西安航空动力股份有限公司 | 一种振动模态测试方法 |
CN103822746A (zh) * | 2014-03-11 | 2014-05-28 | 扬州电力设备修造厂 | 一种电动执行机构调试台转矩动态标定方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112072979A (zh) * | 2020-09-09 | 2020-12-11 | 扬州电力设备修造厂有限公司 | 一种电动执行机构电磁式转矩测试方法及系统 |
CN117681037A (zh) * | 2024-01-26 | 2024-03-12 | 江西佳时特精密机械有限责任公司 | 基于位移传感器的高精度主轴热伸长闭环补偿方法 |
CN117681037B (zh) * | 2024-01-26 | 2024-04-16 | 江西佳时特精密机械有限责任公司 | 基于位移传感器的高精度主轴热伸长闭环补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105740553B (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106444489B (zh) | 基于数字化监测重型装备发动机的监测装置及其监测方法 | |
CN108958032B (zh) | 一种非线性多智能体系统的总量协同一致控制方法 | |
CN112305418B (zh) | 一种基于混合噪声双重滤波的电机系统故障诊断方法 | |
CN102779238A (zh) | 一种基于自适应卡尔曼滤波的无刷直流电机系统辨识方法 | |
CN109492708A (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
CN110687800A (zh) | 一种数据驱动自适应抗干扰控制器结构及其估计方法 | |
CN105740553A (zh) | 一种电动执行机构的测试系统的转矩测试方法 | |
CN103115784A (zh) | 基于LabVIEW平台的主动悬挂台架试验测控系统 | |
CN102722102A (zh) | 基于误差分析的h∞反馈与迭代学习协调控制方法 | |
CN104516991A (zh) | 一种伽马传感器全温度范围补偿方法 | |
CN113675850A (zh) | 一种基于非线性鲁棒估计的电网信息快速精准感知方法 | |
CN113252960A (zh) | 一种适用于直流配电网电流传感器的外磁场干扰抑制方法 | |
CN115342814A (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN103646013A (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
CN110441027B (zh) | 一种控制探针自动跟踪系统零点漂移的修正方法 | |
CN109648556B (zh) | 基于数据驱动的机械臂位置级联分数阶控制方法及系统 | |
CN103644933B (zh) | 模拟量校准系统及方法 | |
Habib et al. | Deep statistical solver for distribution system state estimation | |
CN108895839B (zh) | 烧结机漏风故障在线诊断方法 | |
CN115034147A (zh) | 一种基于数字孪生的智能制造系统 | |
CN114029954A (zh) | 一种异构伺服的力反馈估计方法 | |
CN115526424A (zh) | 基于多源异类信息融合的机床主轴z向热变形预测方法 | |
CN115859891A (zh) | 一种电解铝电解槽仿真模拟参数确定方法 | |
CN110022137B (zh) | 一种简易互补融合滤波及微分估计方法 | |
CN114757111A (zh) | 一种基于数字孪生技术的智能装备健康管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |