首页> 中国专利> 一种轴销式力传感器及检测轴销所承受径向力的方法

一种轴销式力传感器及检测轴销所承受径向力的方法

摘要

本发明公开了一种轴销式力传感器,包括轴销和至少三个应变片,每个应变片在轴销的不同径向上,每个应变片产生的应变信号单独输出。当轴销承受径向力时,应变片产生应变信号输出,通过计算获得轴销所承受的径向力大小和方向。本发明还提供了检测轴销所承受径向力的方法。本发明解决检测轴销所承受多方向复杂的随机径向力的问题,提高检测的精度和减少测量误差。

著录项

法律信息

  • 法律状态公告日

    法律状态信息

    法律状态

  • 2019-12-06

    未缴年费专利权终止 IPC(主分类):G01L1/22 授权公告日:20160120 终止日期:20181219 申请日:20121219

    专利权的终止

  • 2016-01-20

    授权

    授权

  • 2013-05-29

    实质审查的生效 IPC(主分类):G01L1/22 申请日:20121219

    实质审查的生效

  • 2013-04-24

    公开

    公开

说明书

技术领域

本发明涉及一种传感器,更具体地说涉及一种轴销式力传感器及检测轴销所承受径向力的方法。

背景技术

传统的测试轴销受力的方法是把机械装置中的轴和销改造成为应变式测力传感器(即轴销式传感器)。根据不同用途,方便地安装在两结构联接处,既能起到替代原有轴销的功能,又能起到测力传感器的作用,从而使整个测力系统的机械部件大大简化。这种方法能把该装置系统许多困难的测力问题变得极为简单,而又不需要改变结构和增加零件。轴销式传感器体现了电子衡器小型化、模块化、集成化、智能化的发展方向,是将承载器和传感器合二为一的一种集成结构,是测量轴承、滑轮等构件的径向载荷的专用传感器。因此,轴销式传感器在机械行业有着广泛的应用。

传统的轴销式传感器,双剪型电阻应变计粘贴在轴销的一个方向位置上,通过成惠斯通电桥进行测量,通过简单的力学公式计算获得径向力大小。因此,传统的轴销式传感器,只能检测单方向径向力,无法检测变方向径向力。也就是说,当轴销式传感器设计后,轴销式传感器只能检测一个方向的径向力,其它方向的径向力检测结果误差很大。因此,传统的轴销式传感器,对于变方向载荷的测量却无能为力,对于径向力的方向测量也无能为力。在工程机械工作过程中总是承受多方向复杂的随机载荷。因此,传统的轴销式传感器在工程机械测力方面的应用受到了极大的限制。

发明内容

有鉴于此,本发明提出一种轴销式力传感器及检测轴销所承受径向力的方法,以解决检测轴销所承受多方向复杂的随机径向力的问题,提高检测的精度和减少测量误差。

一方面,本发明提供了一种轴销式力传感器,包括轴销和至少三个应变片,每个应变片在轴销的不同径向上,每个应变片产生的应变信号单独输出。

进一步地,每个应变片均匀布置在轴销的同一个圆周方向上。

进一步地,包括四个应变片,每个应变片均匀布置在轴销的同一个圆周方向上。

进一步地,轴销外表面上开设有多个凹槽,应变片位于凹槽内。

进一步地,沿轴销的轴线开设有通孔,应变片位于通孔的内表面上。

进一步地,每个应变片分别接入一个电桥电路,每个应变信号单独输出。

另一方面还提供了一种检测轴销所承受径向力的方法,包括:

步骤1:在轴销的不同径向上布置有至少三个应变片,每个应变片产生的应变信号单独输出;

步骤2:在标定试验机上对轴销的圆周上进行加载径向力,采集与每个加载径向力对应的应变片的应变信号,

步骤3;建立预测数学模型;通过预测数学模型计算轴销所承受的径向力大小和方向。

进一步地,在步骤2与步骤3之间,还包括建立神径网络模型或者支持向量机模型;将步骤2采集的每个加载径向力对应的应变片的应变信号数据输入到神径网络模型或者支持向量机模型中进行训练;得到径向力大小及方向预测数学模型。

进一步地,在步骤1中,应变片包括四个,每个应变片均匀布置在轴销的同一个圆周方向上。

本发明提出一种轴销式力传感器及检测轴销所承受径向力的方法有益效果在于:其一,可以检测轴销所承受多方向复杂的随机径向力的问题;其二,检测的精度高;其三,可以测量轴销所承受径向力的大小和径向力作用方位。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:

图1为本发明一种轴销式传感器结构示意图;

图2为图1的A—A向示意图;

图3为图1的一种应变片电桥电路接线示意图;

图4为本发明另一种轴销式传感器结构示意图;

图5为图4的A—A向示意图。

具体实施方式

需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

下面结合图1至图3,对本发明的优选实施例作进一步详细说明。如图1和图2所示,一种轴销式传感器,包括轴销1和四个应变片3a、3b、3c、3d,4个应变片均匀布置在轴销的同一个圆周方向上。四个应变片3a、3b、3c、3d通过粘贴工艺粘贴在的四个凹槽2中。凹槽2为四方形,两端采用半圆形过渡结构,该凹槽2结构可以防止轴销1弹性变形时,在凹槽2处应力集中,造成检测轴销1所承受径向力测量不准,提高了检测径向力精度。同时,四个应变片位于同一圆周方向上,可以提高检测轴销1所承受径向力精度,防止测量误差的产生。也可以不均匀布置在同一个圆周方向上,只需要布置在不同径向上,但是测量的精度会差一些。

如图3所示,四个应变片3a、3b、3c、3d,每个应变片单独构成电桥电路输出,如应变片3a和三个电阻R1、R2、R3构成电桥电路输出;电源一端连接于应变片3a和电阻R1之间,另一端连接于电阻R2和R3之间;电桥电路输出电路U0一端连接于应变片3a和电阻R3之间,另一端连接于两个电阻R1和R2之间,U0代表Y方向上,应变片3a产生的应变信号输出。同理,应变片3b、3c、3d电桥电路相同。

如图4和图5所示,另一种轴销式传感器与图1和图2所示的轴销式传感器不同在于,轴销1沿轴线方向开设有通孔,在通孔的内表面上粘贴有四个应变片3a、3b、3c、3d,该四个应变片3a、3b、3c、3d直接粘贴在通孔的内表面,轴销1对称设置,轴销1承受径向力后,不会产生应力集中,防止实测数值与实际径向力产生偏差,提高了检测轴销1所承受径向力的精度,同时结构简单,安装方便,而且可以保护四个应变片3a、3b、3c、3d不受到破坏。

轴销式传感器通过采集四个应变片3a、3b、3c、3d产生的应变信号,经过计算获得轴销所承受径向力的大小及力的作用方位角度,从而达到测量轴销圆周360度任何方向的径向力。

上述的轴销式传感器,应变片数量也可以均匀布置在同一圆周上的3个、5个、6个、7个、8个、9个、10个等。

本发明为了检测轴销圆周360度任何方向的径向力和作用力方位角度,还提供一种检测轴销所承受径向力的方法。

(1)首先四个应变片3a、3b、3c、3d采用图4的电桥电路连接方式,每个应变片单独输出,也可以均匀布置3个应变片。

(2)采集训练样本:在标定试验机上对轴销进行加载,分别采集与加载力F(方位角为θ)对应的四个应变片的应变信号,采集的应变信号序列用4×n矩阵X表示,Xij(i=1,2,3,4;j=1,L,n)表示在载荷Fj(方位角为θj)作用下第i个应变片的输出,n表示采样序列的长度,X即为标定试验中采集到的训练样本,F,θ为目标输出。

(3)建立神经网络模型或支持向量机模型:运用Matlab神经网络工具箱,建立神经网络模型或支持向量机模型。

(4)学习训练:将(2)中所述训练样本X和目标输出F,θ输入到(3)中所建模型,对模型进行训练。神经网络和SVM采用不同的训练方法,前者最小化经验风险;后者则最小化期望风险。两者的通用做法都是通过将样本集的输入/输出模式反复作用于模型,使模型按照一定的学习算法自动调节自身的参数,当模型的实际输出满足期望要求时,则认为学习圆满结束。使用训练集中的很多样本重复网络的训练,使得在所有样本上的经验风险或期望风险达到最小时,得到理想的轴销式力传感器的模型。具体来说,首先将训练集中每一个样本(Xj,Fj)、(Xjj),j=1,L,n,输入模型,计算出模型实际输出的力的大小和力的方位角然后求模型对该模型的预测误差然后计算在所有样本上的累计误差最后根据误差dF,dθ(支持向量机中还考虑期望误差),调整权矩阵W,直到对整个样本集来说,误差不超过规定的范围,即得到理想的轴销式力传感器的预测数学模型。

(5)实测应变信号:用轴销式力传感器代替原有结构中的轴销,安装在结构连接处,在结构工作过程中,用应变仪分别采集四个应变片的应变信号,记为Y。

(6)预测阶段:将(5)中所述现场实测应变信号Y作为(4)中所述轴销式力传感器预测模型的输入,预测轴销实际受力大小及力的方位角。也就是说,对实际采集的四个应变值的每一个组合Yj,将其输入训练好的轴销式力传感器模型中,模型都会预测出与Yj相对应的径向力Fj以及力的作用方位角θj,对于研究对象在一段连续工作时间内采集到的应变组合向量Y,将其输入训练好的轴销式力传感器模型中,模型就会预测出研究对象在相应工作时间内承受的径向力F以及力的作用方位角θ。

神经网络技术或支持向量机技术在内的智能识别技术是一种对多源不确定性信息进行综合处理的理论和方法,克服了传统的数据处理方法大多针对单一信息源数据,缺乏对多源信息数据的协同利用、综合处理的缺点。基于数据的机器学习是现代智能识别技术中的重要方面,机器学习的目的是根据给定的训练样本求对某系统输入输出之间依赖关系的估计,使它能够对未知输出作出尽可能准确的预测,即研究从观测数据(样本)出发寻找规律,利用这些规律对未来数据或无法观测的数据进行预测。具体来说,本发明所采用的智能识别技术包括神经网络技术和支持向量机技术。所述的神经网络技术和生物神经网络一样,信息处理是通过神经元来实现的,其实质是一个多输入、单输出的非线性系统,其功能为:对每个输入信息加权;对各加权后的信息求和;通过转移函数求输出。所述支持向量机技术是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势。

上述方法的应变片数量也可以采用位于不同径向上的个5个、6个、7个、8个等。应变片数量越多,测量精度就会越高。

本发明克服了传统轴销式传感器不能测量变方向径向载荷的问题,变方向径向载荷是指轴销圆周360度任何方向径向载荷。使得测量工程机械用滑动轴承、滑轮等装置的变方向径向载荷成为可能,扩大了轴销式传感器的应用范围。结构简单、使用方便,并且通过合理地选择传感器的参数,可以达到很高的测量精度。

以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

去获取专利,查看全文>

相似文献

  • 专利
  • 中文文献
  • 外文文献
获取专利

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号