2021电赛备赛(一):2015国赛H题风力摆

大一下学期跟着学长做电赛,又正逢校庆,带队老师需要作品在校庆展示,队长(学院里的竞赛大佬)就选择了风力摆来让我练手(练习PID等).

大一上学期接触了51单片机,寒假开始学习32,开学后参加蓝桥杯嵌入式组,混了个省奖,赛后感觉对32比较熟悉了,但对搭电路,机械结构还很陌生,但在完成了风力摆后对控制题的思路就比较熟悉了.

在制作过程中遇到了一些问题,在这里分享一些我们踩过的坑(不涉及具体知识点)

整个制作过程参考队长当年的方案:

队长当年写的


一.重量:

整个系统对重量比较敏感(毕竟风力不大),制作过程中更换过一次电机(比原来的重),而且供电也从开关电源换成了锂电池,质量大了不少,摆的反应明显变慢了,所以质量越小越好.


二.桨叶:

制作过程中发现桨叶的推力和拉力差距很大(不同桨叶可能不同),我们的桨叶正转产生的推力要远小于反转的拉力(笑死,正转根本推不动),因此电机的转向要特别注意,如下图,如果此时需要摆体向右运动,我们需要控制右侧的电机拉,而不是左侧的电机推.

        

三.电机方向:

千万不要四个电机一起调!!!

我弄来弄去在这耗了一晚上(各种叠加根本弄不明白),最后听了队长的一个一个调,结果很快就调出来了.

大体就是只给一个方向上的PID参数(只有这个方向上的电机响应),调好方向之后再只看另一个方向,就简单多了.


练习往年赛题的确是备赛的好方法,而风力摆又是控制题中非常经典的一个,难度不是很大,资料又比较多.

 附上视频(图片):

 一开始用模块搭的(只录了画圆这一问)

 最后队长画的PCB

 

  • 7
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
此代码为电赛源码-风力摆控制系统 。 一、任务 一长约 60cm~70cm 的细管上端用万向节 固定在支架上, 下方悬挂一组(2~4 只) 直流 风机, 构成一风力摆,如图 1 所示。风力摆上 安装一向下的激光笔, 静止时,激光笔的下端 距地面不超过 20cm。 设计一测控系统, 控制 驱动各风机使风力摆按照一定规律运动,激光 笔在地面画出要求的轨迹。 二、要求 1. 基本要求 (1) 从静止开始, 15s 内控制风力摆做 类似自由摆运动, 使激光笔稳定地 在地面画出一条长度不短于 50cm 的直线段, 其线性度偏差不大于± 2.5cm, 并且具有较好的重复性; (2) 从静止开始, 15s 内完成幅度可控的摆动,画出长度在 30~60cm 间可设 置, 长度偏差不大于±2.5cm 的直线段,并且具有较好的重复性; (3) 可设定摆动方向,风力摆从静止开始, 15s 内按照设置的方向(角度) 摆动, 画出不短于 20cm 的直线段; (4) 将风力摆拉起一定角度(30° ~45° ) 放开, 5s 内使风力摆制动达到静 止状态。 图 1 风力摆结构示意B - 2 / 3 2. 发挥部分 (1) 以风力摆静止时激光笔的光点为圆心, 驱动风力摆用激光笔在地面画 圆, 30s 内需重复 3 次; 圆半径可在 15~35cm 范围内设置, 激光笔画出 的轨迹应落在指定半径±2.5cm 的圆环内; (2) 在发挥部分(1)后继续作圆周运动,在距离风力摆 1~2m 距离内用一 台 50~60W 台扇在水平方向吹向风力摆,台扇吹 5s 后停止, 风力摆能 够在 5s 内恢复发挥部分(1) 规定的圆周运动,激光笔画出符合要求的 轨迹; (3) 其他。
K210是一款基于ARM架构的芯片,由中国飞思卡尔公司开发。作为一款功能强大的边缘计算芯片,K210可用于各种人工智能应用。在电赛中,我们可以使用K210芯片进行数字识别训练。 数字识别是一项常见的人工智能任务,可以在识别手写数字、验证码、车牌号等方面发挥重要作用。使用K210芯片进行数字识别有以下几个步骤: 1. 数据准备:首先,我们需要收集一些已经标注好的数字图片作为训练集和测试集。可以使用各种方法进行数据采集,如在网上下载、自己手写等。将采集的数据集划分为训练集和测试集,确保模型的泛化能力。 2. 数据预处理:在进行数字识别训练之前,我们需要对数据进行预处理。预处理包括图像尺寸调整、灰度化、归一化等操作,以便提高模型的训练效果。 3. 模型选择和训练:K210芯片支持各种深度学习模型,在训练数字识别任务时,可以选择一些经典的模型结构,如卷积神经网络(CNN)。使用K210的硬件特性,我们可以利用其高性能进行模型训练,加快训练速度。 4. 模型评估和优化:训练完成后,我们需要对模型进行评估。可以使用测试集对模型进行测试,计算模型在测试集上的准确率、精确率等指标。如果模型表现不佳,可以通过调整模型结构、优化超参数等方式进行模型优化。 5. 部署和应用:经过训练和优化的模型可以在K210芯片上进行部署和应用,实现数字识别功能。可以通过调用模型进行实时的数字识别,为各种应用场景提供支持。 综上所述,使用K210芯片进行数字识别训练,需要进行数据准备、数据预处理、模型选择和训练、模型评估和优化、部署和应用等步骤。通过充分发挥K210芯片的硬件优势,可以实现高效准确的数字识别任务。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Liweiei

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值