基于多传感器数据融合的仿生机械手研究

针对大多数的机械手只能重复执行固定动作,无法自调整和软抓取等特点,设计了基于多传感器数据融合技术的12自由度仿生机械手。机械手利用聚偏氟乙烯(PVDF)传感器采集4根手指的电荷信号,通过电荷/电压(Q/U)转换、调理、采集电路,提取有用信号送至控制器中并对触、滑、热觉和物体空间状态信息进行融合,获得进一步动作指令,控制机械手调整抓握方式。经过测试分析,设计的机械手可在0.5s内抓取任意不规则形状及如生鸡蛋等脆性较高等物体,通过融合信息反映出物体的大致形状,实现机械手的仿生功能。

基于机器学习的离心泵气液两相压升预测

针对离心泵气液两相压升难以准确预测的问题,该研究构建了基于机器学习的离心泵压升预测模型。通过试验获得入口体积含气率、转速和液相流量对离心泵两相压升性能的影响规律,建立气液两相运行条件下离心泵性能基础数据库。根据试验结果,确定以入口体积含气率、转速和液相流量作为输入特征,构建基于线性回归、BP神经网络、支持向量机和随机森林的4种机器学习模型。研究结果表明随机森林预测能力最优,尤其是对于泵喘振区域附近性能的预测,其更能反映出压升的变化趋势,与其他3种模型相比具有更强的预测能力。在总数据集上,随机森林模型所预测压升的平均相对误差、均方根误差和决定系数分别为3.51%、1.06 kPa和0.993,置信水平为94.44%条件下,相对误差不超过±15%。基于随机森林的离心泵气液两相性能预测模型能较好地预测离心泵的两相压升,可为离心泵设计和选型提供参考。