-
公开(公告)号：CN119475907A
公开(公告)日：2025-02-18
申请号：CN202411606807.X
申请日：2024-11-12
Applicant: 浙江大学
IPC: G06F30/23 , G06F30/27 , G06F17/16 , G01L5/16 , G01L5/00 , G06F111/04 , G06F119/14
Abstract: 本发明公开了一种基于PINN方法与多任务学习的多维力传感器解耦方法，该方法依赖于一种多任务学习解耦模型实现。本发明可以在神经网络解耦方法优势的基础上，提高模型的泛化能力；通过在多个任务上共同训练模型，可以减少过拟合的风险，使模型更具有鲁棒性，并且综合性的提高各种载荷类型下的解耦精度。在所述多任务学习解耦模型的训练过程中，利用最小二乘法与PINN方法得到理论解耦矩阵与最优解偶矩阵，并将所得最优解耦矩阵作为多任务学习神经网络的初始参数，极大提高训练速度的同时，补偿加载系统误差，提升解耦精度。本发明通过在多个任务上共同训练模型，可以使同一传感器在不同工况下进行标定，实现单一传感器对多工况场景的适用。
-
公开(公告)号：CN117760851A
公开(公告)日：2024-03-26
申请号：CN202311805740.8
申请日：2023-12-26
Abstract: 本发明提供了一种软材料双向拉伸试验机及试验方法，所述试验机包括框架，在框架上四边各设有一导轨，框架上安装有上下两层滑轨，每层两根彼此平行，滑轨两端分别通过一滑块a安装在所述导轨上，上下两层滑轨共四根滑轨形成“井”形，且可在导轨上自由滑动，互不干涉，在每根滑轨中部均安装有两个及以上的滑块c，在每个滑块c上安装有一个测力传感器，在测力传感器另一端连接有夹头用于夹持试样边界。本发明通过专门的传动机构设计，使得软材料在相互垂直的两个方向上可以以任意比例进行拉伸，获得较大的自由变形区域，从而可以有效获取软材料在双向拉伸下的应力与应变关系，弥补了目前在软材料双向拉伸试验上的空缺。
-
公开(公告)号：CN119987185A
公开(公告)日：2025-05-13
申请号：CN202510117418.9
申请日：2025-01-24
IPC: G05B11/42
Abstract: 本发明公开了一种快速高精度高稳定的自适应力源控制方法及系统，通过将加载过程分为线性匀速加载、减速加载、稳定控制加载三段，在线性匀速加载阶段，自由设置该加载阶段占比与速度，以实现载荷快速高效达到目标载荷附近，在减速加载阶段，结合瞬时结构刚度、目标载荷距离和自适应安全因子，使得载荷快速稳定进入目标载荷稳定范围，在PID稳定控制阶段，将瞬时刚度矩阵作为影响因子作用到PID控制中；采用该方法能够实现载荷的快速、精准、稳定加载。
-
公开(公告)号：CN119475986A
公开(公告)日：2025-02-18
申请号：CN202411518048.1
申请日：2024-10-29
IPC: G06F30/27 , G01L25/00 , G01L27/00 , G06F30/23 , G06F30/10 , G06N3/0442 , G06N3/047 , G06N3/08 , G06N5/04 , G06F17/11 , G06N7/01
Abstract: 本发明提供了一种基于深度卡尔曼滤波的传感器动态零点校正方法，涉及传感器零点跟踪技术领域。方法包括：获取传感器的电压信号零点输出时间序列数据；将所得数据作为基于卡尔曼滤波的深度学习网络模型的输入，由所述模型对其进行处理，输出数据已经去除了噪声和零点漂移干扰，实现动态零点校正，得到传感器的真实测量值。该基于卡尔曼滤波的深度学习网络模型包括RNN循环神经网络模块、Pyro概率编程模块、变分推断模块；本发明通过利用环境振动来模拟外界的干扰进行实验，结果表明本发明中的深度卡尔曼滤波器模型为测力传感器的动态零点校正提供了新的思路。
-
-
-
Search Results
4
records
(took 0.014 seconds)
