振弦传感器计算公式推导及测量原理

弦的振动频率公式是:(泰勒公式推导)

当振弦传感器制作完成以后,钢弦密度ρ、钢弦长度L就会是不再发生改变的常数项,

,所以上式可以简化为

 

f2=K

对于弹性材料,其所受的应力σ与应变ε是线性关系,系数取决于材料的弹性模量E,同样的,在钢弦弹性范围内,其弹性模量是不会发生变化的,所以这个应力与应变之间的系数也会是一个常数,用K"来表示,所以上面的式子可以写为


 

振弦式传感器的测量原理为:

物理量改变传感器受力,传感器受力引起钢弦变形(同应力变化),所以,只要保证传感器的结构变化与内部钢弦的变形是线性关系,就可以实现“所测物理量与钢弦变形量(应变)的线性关系”,设:传感器受力(要测量的物理量)与钢弦应变之间的变形系数为K''',则K'''ε即是要测量的物理量的值,K'K''均为常数,则上式可写为

如果令,则上式可变换为

 

在实验室内,通过对传感器施加一个已知的物理值(比如:对一个振弦式压力传感器施加一个100kN的影响力),通过传感器读数设备可以读取到此时对应的频率f,所以这个K值就可以计算出来。

传感器对被测物体进行监测,实际上是在监测相对变化,假设传感器未受外力影响时或者刚刚安装完成时的频率为f0,被物理变化导致传感器被动变化后频率改变为f1,则被测物理量就分别为:

所以,被测物理量的改变量即为:

被测物理值1-被测物理值0=Kf12-Kf02

如果是压力传感器或者液位传感器(渗压计),传感器不受力时认为是0值,f0即是所谓的“出厂频率”,则计算公式可简化为

又因“频率的平方”会被称为“频模”,所以有时也会写成下面的形式

 

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
卡尔曼滤波是一种用于通过融合多个传感器测量数据来估计物体状态的优化算法。它在估计中考虑了系统的动态模型以及传感器测量噪声,能够在噪声和不确定性环境下提供最优的状态估计。 卡尔曼滤波的原理可以通过以下步骤进行推导: 1. 假设系统是线性的,可以用以下状态方程描述:x(k)=Ax(k-1)+Bu(k)+w(k),其中x(k)是状态向量,A是状态转移矩阵,B是输入控制矩阵,u(k)是控制向量,w(k)是系统过程噪声。 2. 假设测量数据是线性的,可以用以下观测方程描述:z(k)=Hx(k)+v(k),其中z(k)是观测向量,H是观测矩阵,v(k)是测量噪声。 3. 假设状态和测量噪声都是高斯分布,即w(k)~N(0,Q),v(k)~N(0,R),其中Q是系统过程噪声协方差矩阵,R是测量噪声协方差矩阵。 4. 初始化卡尔曼滤波器的状态估计值和协方差矩阵。 5. 递归执行以下步骤: a. 预测步骤:根据当前状态估计值和模型方程,计算预测状态和预测协方差矩阵。即x^- = Ax+Bu,P^- = APA^T + Q。 b. 更新步骤:根据测量值和观测方程,计算卡尔曼增益、估计当前状态和协方差矩阵。即K = P^-HT(HP^-HT + R)^-1,x = x^- + K(z - Hx^-),P = (I - KH)P^-。 6. 返回估计的状态。 卡尔曼滤波是通过不断更新状态估计值和协方差矩阵来提供最优状态估计的。预测步骤利用系统的动态模型来预测下一个状态,更新步骤则将预测值和测量值进行融合,根据测量值的准确性来修正预测值。通过迭代执行预测和更新步骤,卡尔曼滤波能够提供最优的状态估计值。
评论 4
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
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