04 工程训练:如何减振

2023-10-17 05:10
文章标签 训练 工程 04 减振

本文主要是介绍04 工程训练:如何减振,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

04 工程训练:如何减振

  • 目录
  • 1 振动信号分析基础
    • 1.1 信号分析系统的组成
    • 1.2 数字信号采集
      • 1.2.1 步骤:
      • 1.2.2 数字信号采集 - 采样
      • 1.2.2 数字信号采集 - 采样定理
      • 1.2.4 数字信号采集:频率混叠
      • 1.2.5 数字信号采集:抗混叠方法
      • 1.2.6 数字信号采集:量化
    • 1.3 信号预处理
      • 1.3.1 信号预处理:剔除异常点
      • 1.3.2 信号预处理:去除均值和趋势项
      • 1.3.3 信号预处理:重采样
  • 2 背景介绍
    • 2.1 振动的危害
    • 2.2 振动机制的复杂性:流固耦合
    • 2.3 机理与减振效果
  • 3 振动机制
  • 4 模态分析
    • 4.1 模态分析概述
    • 4.2 有限元分析
      • 4.2.1 概念
      • 4.2.2 求解过程
      • 4.2.3 结果分析
      • 4.2.4 避免共振
  • 5 实验测量
    • 5.1 实验装置
    • 5.2 传感器固连方式
    • 5.3 实验装置——数据采集系统
  • 6 测量结果分析
    • 6.1 幅值域分析
    • 6.2 频域分析
    • 6.3 时频域分析
  • 7 隔振器设计
    • 7.1 隔振器
    • 7.2 固有频率选择
    • 7.3 隔振实验
  • 8 数字滤波器设计
    • 8.1 滤波器基本概念
    • 8.2 滤波器的选择
  • 9 总结与未来展望

目录

  1. 振动信号分析基础
  2. 背景介绍
  3. 振动机制
  4. 模态分析
  5. 实验测量
  6. 测量结果分析
  7. 隔振器设计
  8. 数字滤波器设计
  9. 总结与未来展望

1 振动信号分析基础

1.1 信号分析系统的组成

在这里插入图片描述

  • 传感器:把需要测量的物理量进行采集(采集的物理量可能是电信号,可能很微弱)
  • 信号适调器:将第一手的电信号进行处理(比如放大)
  • 模数转换:只有数字信号,计算机才能处理
  • 现在的传感器已经集成,这些传感器的输出是计算机可以处理的数字信号

1.2 数字信号采集

  • 数字信号采集:将模拟信号转为数字信号的过程
  • 模拟信号:时域和幅值域都连续的信号
  • 数字信号:时域和幅值域都离散的信号

1.2.1 步骤:

  1. 采样(时域上的离散)
  2. 量化(幅值域上的离散)

1.2.2 数字信号采集 - 采样

采样:将模拟信号在指定时刻采集下来 ,并保持一段时间。

在这里插入图片描述

1.2.2 数字信号采集 - 采样定理

如果要从采样信号中完全重建原信号,则采样频率 𝑓_𝑠至少应为原信号截止频率𝑓_𝑐的两倍,即

在这里插入图片描述

1.2.4 数字信号采集:频率混叠

当采样频率不能满足采样定理要求时,将会发生原信号高频成分(𝒇>𝒇_𝒔/𝟐)被折叠到低频成分上的现象。能相互混淆的频率:在这里插入图片描述

  • f1: 会发生混叠的频率
  • f2: 原信号频率
  • f3: 采样频率

[例]

  • 100 = -400 + 500
  • 100 = -900 + 500*2

在这里插入图片描述

[注] 傅立叶变换
(把一个时域信号,做了傅立叶变换后,会变换成什么?)

  1. 一系列的频率(该信号里包含率多少频率)
  2. 每个频率下,它的振幅是多大
  3. 每个频率,相位是多少
  • https://www.bilibili.com/video/BV1A4411Y7vj/?spm_id_from=333.788.videocard.0
  • https://www.bilibili.com/video/BV1pW411J7s8?from=search&seid=4610483043952263904

1.2.5 数字信号采集:抗混叠方法

  1. 提高采样频率
    l 将增大数据量,并降低频率分辨率
  2. 采用抗混叠滤波器
    l 采用模拟低通滤波器将不感兴趣或不需要的高频成分滤掉。
  • 由于实际滤波器不是理想滤波器,因此 𝑓_𝑠(2.5~5)𝑓_𝑐
    在这里插入图片描述

1.2.6 数字信号采集:量化

将采样点的信号幅值与一组离散电平值比较,以最接近的电平值代替原信号幅值,并变成有限长的二进制数字序列

  • 因为幅值也是连续的,而计算机无法存取连续,就要幅值离散化。
  • 根据数码寄存器输出的离散电平,与输出信号比较,和哪个电平近就作为采样保持器输出电平的一个近似

在这里插入图片描述

[例]
幅值为 40m/s 的加速度计 8位 256 最小值40/256

1.3 信号预处理

1.3.1 信号预处理:剔除异常点

在数据测量、记录、传输等过程中,因突然受严重噪声干扰、信号丢失、传感器失灵等因素,使记录信号引入一些 异常的虚假值

在这里插入图片描述

1.3.2 信号预处理:去除均值和趋势项

周期大于记录长度的频率成分,称做 趋势项

  • 去除目的:
    • 避免后续处理出现过高的低频分量而溢出。
  • 去除步骤:
    1. 用最小二乘法对信号进行多项式拟合
    2. 减去拟合函数值。
  • 不去除的方法:
    • 别从很低频率开始画,如画图时从 f=0.1 开始画

在这里插入图片描述在这里插入图片描述

如正常功率 0.01级,而低频功率飙到100多,那后面的量就看不见了

1.3.3 信号预处理:重采样

  • 简单的来说,重采样(resample)就是 改变采样率
  • 降低采样率为降采样(downsample),增大采样率为增采样(upsample)。
  • 可以对均匀采样的信号进行重采样,也可以对非均匀采样的信号进行重采样。
  • 均匀点重采样:https://ww2.mathworks.cn/help/signal/examples/resampling-uniformly-sampled-signals.html
  • 非均匀点重采样:https://ww2.mathworks.cn/help/signal/examples/resampling-nonuniformly-sampled-signals.html
  • 重建(数据丢失情况):https://ww2.mathworks.cn/help/signal/examples/reconstructing-missing-data.html

2 背景介绍

2.1 振动的危害

多旋翼飞行器振动的主要危害

  • 飞行控制板极易受到振动信号的干扰,导致控制系统的反馈检测失真,极大影响飞行控制。
  • 而对于一个深度负反馈的自动控制系统,反馈测量受到干扰,对系统是致命的。
    在这里插入图片描述

2.2 振动机制的复杂性:流固耦合

  • 即 振动来源比较复杂
  • 流体与固体两种场之间耦合在一起的力学机制

2.3 机理与减振效果

  • 振动研究、减振的整个处理流程
    在这里插入图片描述

本工作系统地梳理多旋翼飞行器的振动问题,并给出有效且工程上可行的减振方案。所涉及的硬件、单片机程序、实验数据、数据处理程序、滤波器程序、3D模型和模态云图等

在这里插入图片描述

[总结]
隔振器+带阻滤波器能起到一个很好的减振效果,得到这样的结果后,再使用该信号做状态估计,再给到控制器,就能有一个比较好的控制效果

3 振动机制

一个振动系统都由3部分组成:激励系统响应

  • 激励经过系统从某个地方输出响应

在这里插入图片描述

[注]
欧拉-伯努利梁

欧拉-伯努利梁的基本假设:

  • 均匀、连续、各向同性
  • 小形变假设:线弹性材料;𝜎_𝑦 和𝜎_𝑧相对于𝜎_𝑥 很小,可忽略
  • 平面假设:梁具有纵向对称面,弯曲振动始终在这一平面内;且变形后的横截面与轴线保持垂直;
  • 假设梁的长度大于截面高度10倍以上,忽略转动惯量和剪切形变的影响。

4 模态分析

4.1 模态分析概述

  • 模态是指机械结构的固有振动特性,每一个模态都有特定的 固有频率阻尼比模态振型
  • 模态分析就是通过计算或实验的方法来获得这些模态参数的过程。
  • 目的:
    • 对于本任务,观察模态振型找出振幅最小的位置,给惯性测量单元(传感器、飞控)的空间布局提供参考;
    • 并根据获得的固有频率给出避免共振的方法。

4.2 有限元分析

4.2.1 概念

先给对象建一个模型,赋予它一些材料属性,对该数学模型使用有限元方法来求解它的模态。

  • 有限元分析(FEA,Finite Element Analysis) 利用有限数量的单元,去逼近无限未知量的真实系统,从而将偏微分方程(无限维)转换为常微分方程(有限维)。
  • 有限元模态分析:将一个弹性连续体的振动问题,离散为一个以有限个节点位移为广义坐标的多自由度系统的振动问题,再用模态叠加法求解
  • 画网格
  • 常用软件:ANSYSABAQUSCOMSOL

详细请参考 https://zhuanlan.zhihu.com/p/56326567

4.2.2 求解过程

在这里插入图片描述

4.2.3 结果分析

分析了固有频率截止到355.53Hz的模态,共50阶模态云图,得到了如下结论:

  1. 大多数模态中,旋翼和脚架的形变最大,原因是二者细长且材料刚度不足。
  2. 机臂形变较大的模态只有三个,观察这三个模态振型,可以看出机臂中间段形变大于外段和内段。进而可以推测机臂中间段平均振幅最强。
  3. 所有模态的机架中部,形变都很小,说明这里是布置飞行控制器所需惯性测量单元的理想位置。
    在这里插入图片描述

4.2.4 避免共振

旋翼的转速由动力系统设计决定,再不能更改的前提下,可以通过改变结构参数避免共振
在这里插入图片描述

  • 改变材质,改变固有频率

5 实验测量

5.1 实验装置

在这里插入图片描述

5.2 传感器固连方式

在这里插入图片描述

5.3 实验装置——数据采集系统

在这里插入图片描述

6 测量结果分析

6.1 幅值域分析

  1. 整个机臂可以看作为一根空间梁,y轴和 z 轴方向为横向弯曲振动问题,x 轴方向为轴向拉压振动问题,力学差异明显。因此,x 轴的平均振幅分布规律明显不同于 y 轴和 z 轴。
  2. 总平均振幅与有限元模态分析的结果大体一致,机臂中间段平均振幅最大,外段和内段小。机架中心平均振幅尽管不是最小,但接近最小值(Arm5)。
    在这里插入图片描述

6.2 频域分析

在这里插入图片描述

  1. x, y 方向,1倍频较大(动不平衡);z方向,电机旋转的2倍频较大(气动力) – 符合振动机制分析
  2. 2个峰的原因:4个旋翼转速不同

6.3 时频域分析

  • 对采集到的加速度信号进行短时傅里叶变换,得到时频谱。可以看出,高亮谱线几乎平行于横轴,有小幅波动,这是因为电机转速并不是恒定的,会有小幅波动,但总体是平稳的
  • 进一步证明了振动信号基频为电机转速这一结论。

在这里插入图片描述

7 隔振器设计

7.1 隔振器

  • 隔振器是连接设备和基础的弹性元件与阻尼元件,用以减少和消除由设备传递到基础的振动力和由基础传递到设备的振动。
  • 在本问题中,基础是机架中部,设备是惯性测量单元。

7.2 固有频率选择

在这里插入图片描述

[注]
频率比 = 振动频率(信号频率) / 隔振器固有频率

  • 频率比越大,放大因子小 —— 希望放大因子是0

7.3 隔振实验

经过隔振器后,已经滤除了绝大多数的振动信号。
在这里插入图片描述

8 数字滤波器设计

8.1 滤波器基本概念

在这里插入图片描述

8.2 滤波器的选择

  • 低通滤波器存在两个缺陷。
    • 一是造成了较大的相位滞后,这种滞后可能导致姿态控制超调甚至发散;
    • 第二点是由于真实的运动信号有非周期项,频域上会铺满整个频谱,低通滤波器的引入使得这部分信号失真。
  • 陷波器通常指二阶带阻滤波器,其设计简单程度和运算速度与二阶低通滤波器相当,适合工程应用。然而由于陷波器只是二阶,能消除的频带过窄。
  • 带宽更宽的带阻滤波器,可以达到更好的效果

[注]
如果电机转速变化了,怎么办?

  • 转速改变时,把转速(前提是要能测到转速)传到表达式中,所对应滤波器也随之改变 —— 自适应的带阻滤波器

9 总结与未来展望

未来工作:

  • 隔振器和数字滤波器的引入会导致 相位 的变化,如何在状态估计器(如卡尔曼滤波器)设计时,补偿前两者造成的相位变化,是后期研究的重点。
  • 此外,通过优化飞行器质量分布进行减振,也是后期的研究工作。

这篇关于04 工程训练:如何减振的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/223134

相关文章

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

MiniGPT-3D, 首个高效的3D点云大语言模型,仅需一张RTX3090显卡,训练一天时间,已开源

项目主页:https://tangyuan96.github.io/minigpt_3d_project_page/ 代码:https://github.com/TangYuan96/MiniGPT-3D 论文:https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA,被ACM MM2024接收,只拥有47.8M的可训练参数,在一张RTX

取得 Git 仓库 —— Git 学习笔记 04

取得 Git 仓库 —— Git 学习笔记 04 我认为, Git 的学习分为两大块:一是工作区、索引、本地版本库之间的交互;二是本地版本库和远程版本库之间的交互。第一块是基础,第二块是难点。 下面,我们就围绕着第一部分内容来学习,先不考虑远程仓库,只考虑本地仓库。 怎样取得项目的 Git 仓库? 有两种取得 Git 项目仓库的方法。第一种是在本地创建一个新的仓库,第二种是把其他地方的某个

Jenkins构建Maven聚合工程,指定构建子模块

一、设置单独编译构建子模块 配置: 1、Root POM指向父pom.xml 2、Goals and options指定构建模块的参数: mvn -pl project1/project1-son -am clean package 单独构建project1-son项目以及它所依赖的其它项目。 说明: mvn clean package -pl 父级模块名/子模块名 -am参数

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering)

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering) Power Iteration Clustering (PIC) 是一种基于图的聚类算法,用于在大规模数据集上进行高效的社区检测。PIC 算法的核心思想是通过迭代图的幂运算来发现数据中的潜在簇。该算法适用于处理大规模图数据,特别是在社交网络分析、推荐系统和生物信息学等领域具有广泛应用。Spa

SigLIP——采用sigmoid损失的图文预训练方式

SigLIP——采用sigmoid损失的图文预训练方式 FesianXu 20240825 at Wechat Search Team 前言 CLIP中的infoNCE损失是一种对比性损失,在SigLIP这个工作中,作者提出采用非对比性的sigmoid损失,能够更高效地进行图文预训练,本文进行介绍。如有谬误请见谅并联系指出,本文遵守CC 4.0 BY-SA版权协议,转载请联系作者并注

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录 在深度学习项目中,目标检测是一项重要的任务。本文将详细介绍如何使用Detectron2进行目标检测模型的复现训练,涵盖训练数据准备、训练命令、训练日志分析、训练指标以及训练输出目录的各个文件及其作用。特别地,我们将演示在训练过程中出现中断后,如何使用 resume 功能继续训练,并将我们复现的模型与Model Zoo中的

浙大数据结构:04-树7 二叉搜索树的操作集

这道题答案都在PPT上,所以先学会再写的话并不难。 1、BinTree Insert( BinTree BST, ElementType X ) 递归实现,小就进左子树,大就进右子树。 为空就新建结点插入。 BinTree Insert( BinTree BST, ElementType X ){if(!BST){BST=(BinTree)malloc(sizeof(struct TNo

读软件设计的要素04概念的关系

1. 概念的关系 1.1. 概念是独立的,彼此间无须相互依赖 1.1.1. 一个概念是应该独立地被理解、设计和实现的 1.1.2. 独立性是概念的简单性和可重用性的关键 1.2. 软件存在依赖性 1.2.1. 不是说一个概念需要依赖另一个概念才能正确运行 1.2.2. 只有当一个概念存在时,包含另一个概念才有意义 1.3. 概念依赖关系图简要概括了软件的概念和概念存在的理

多云架构下大模型训练的存储稳定性探索

一、多云架构与大模型训练的融合 (一)多云架构的优势与挑战 多云架构为大模型训练带来了诸多优势。首先,资源灵活性显著提高,不同的云平台可以提供不同类型的计算资源和存储服务,满足大模型训练在不同阶段的需求。例如,某些云平台可能在 GPU 计算资源上具有优势,而另一些则在存储成本或性能上表现出色,企业可以根据实际情况进行选择和组合。其次,扩展性得以增强,当大模型的规模不断扩大时,单一云平