当前位置: 首页 > news >正文

测量进液泵的线性误差

  • 使用电子千分之测量泵箱推进线性

泵箱的线性误差测量

01【进液泵的线性分析】

一、前言

昨天初步测量了电子千分尺的通讯协议, 以及将它固定在馈液泵箱上面, 测量泵泵箱运动的距离 下面是泵箱的推进杆儿, 上面是电子千分尺,它可以测量泵箱推进杆的行进距离, 下面利用这套装置测量整个行程过程中, 正向推进杆的线性误差, 也分别测量在不同的推进步进的长度下, 这个误差的变化情况, 从而可以让我们认识到这个误差是系统固有的,还是随机变化的。

二、测量结果

1、行进1步结果

首先测量泵箱推杆从最底往上走1000步的对应的电子千分之的读数, 每步形成单位是1, 对应步进电机一个完整的电周期, 换算成原有的四拍驱动器,实际上对应是4步。 通过线性拟合计算出泵箱行进过程的线性误差, 整体上这个线性误差呈现周期波动的规律。 最大波动值大约是8.5微米, 根据现在灯箱进液管的参数, 每微米对应的输出0.2微升, 由此也可以计算出泵箱输出液体的误差大约是在1.7微升, 这个误差是由步进推杆的误差波动所引起的。

▲ 图2.1 从最低位置采集到的1000个数据

▲ 图2.2 线性误差分析

接下来再次测量1000步对应的电子千分尺输出数据, 这是在上次测量位置的基础上, 再往上行进1000步, 计算对应的线性误差。 可以看到这一次测量的线性误差的模式和前面有所不同。 其中的变化规律形成了新的模式, 而且最大的先驱误差达到了14微米, 比之前前1000步的新误差大了将近一倍。

▲ 图2.3 连接上次测量重新测量1000步的数据

▲ 图2.4 测量1000对应的线性误差

2、行进5步结果

接下来重新测量这一次每次往上行进5步, 共测量500个数据, 计算千位值返回数据的线性误差, 可以看到整体上它的波动呈现两种, 一种是短周期的波动, 一种是长周期的波动。 最大的线性误差,达到17.5微米, 这可能是1000步测量两倍, 也许这是在更大范围内线性误差的增加结果。 因为后面500步对应的推杆形成达到了原来 2500 的行程, 所以整体的线性误差月增加了2倍。

▲ 图2.5 从底部往上走500步,每步为5圈对应的测量数据

▲ 图2.6 不仅线性误差

接下来从底部重新进行测量, 这一次每步推进的距离为10, 测量200步的电子千分尺示出的数据, 对应的线性误差和前面每步上升距离为5所对应的线性误差几乎是一致的。 由此我们也可以初步得到结论, 对应的测量结果中的线性误差, 也许是由整个传动界结构以及其中的丝杠的误差所引起的。

▲ 图2.7 从底部测量200步数据,每步为上升距离为10

▲ 图2.8 泵箱对应的线性误差

这次再从底部往上测量125个数据, 每个数据分箱往上行进20步, 计算测量的电子纤维尺输出的距离数据的线性误差, 可以看到它们的误差变化范围和前面分别不仅距离为1、 5、10、以及20都是一样的。

▲ 图2.9 从底部开始测量125个数据, 每个数据上升20步,对应电子千分尺输出数据

▲ 图2.10 测量结果对应的线性误差曲线

论 ※


本文使用电子千分尺再次测量了溃液泵箱行进过程中的线性误差,测量了上升步骤,分别为15、 10、 20等距离下,同样量程的线性误差。可以看到对应的不同步骤下,线性误差的波动规律大体相同,由此也能反映出泵箱推进泵。传动。过程中存在着固有的系统误差。


■ 相关文献链接:

  • 使用电子千分之测量泵箱推进线性

● 相关图表链接:

  • 图2.1 从最低位置采集到的1000个数据
  • 图2.2 线性误差分析
  • 图2.3 连接上次测量重新测量1000步的数据
  • 图2.4 测量1000对应的线性误差
  • 图2.5 从底部往上走500步,每步为5圈对应的测量数据
  • 图2.6 不仅线性误差
  • 图2.7 从底部测量200步数据,每步为上升距离为
  • 图2.8 泵箱对应的线性误差
  • 图2.9 从底部开始测量125个数据, 每个数据上升20步,对应电子千分尺输出数据
  • 图2.10 测量结果对应的线性误差曲线
http://www.jsqmd.com/news/1087881/

相关文章:

  • 传统流行由明星主导,编程抓取普通素人穿搭传播数据,证明短视频素人种草影响力赶超明星。
  • DEXO:区块链与TEE构建的安全物联网数据交易方案
  • 2026 Java后端面试题汇总(附答案详解·完整版)
  • WindowResizer:终极Windows窗口尺寸管理工具,彻底解决无法调整大小的窗口问题
  • TMS320F28035 EPWM触发ADC采样的精准时序设计与实践
  • Neuralangelo:面向工业级CAD可用的神经隐式几何重建
  • 如何解决量化投资中的特征工程瓶颈:Alpha158因子库的技术解析
  • 微信硅麦特性测量:S15OT421-005
  • Python pytest自动化测试结果实时推送Slack:7步构建RPA通知流水线
  • 3分钟终极指南:用免费开源工具Ofd2Pdf轻松解决OFD格式兼容难题
  • 微信好友检测终极指南:3分钟快速发现谁删了你
  • 瑞萨RA系列MCU电容触摸开发实战:从CTSU驱动到抗干扰优化
  • 5步解决Unity手游逆向难题:Il2CppDumper实战指南
  • Cursor AI破解工具深度解析:如何突破试用限制获得永久Pro功能
  • Anthropic Layer Zero:大模型推理的确定性加速层解析
  • LabVIEW NIPM安装报错排查:从日志分析到系统配置的实战指南
  • 用AI开发Chrome插件的真实踩坑记录:拼多多开票工具做出来了,但过程不是网上说的那么简单
  • 如何轻松抢到B站会员购热门门票:5个自动化抢票技巧指南
  • 3步搭建你的全平台B站观影站:PiliPlus跨平台客户端深度体验指南
  • 维盟路由器PPPoE服务配置实战:从租户断网到全楼恢复的排查与设置
  • 联想拯救者BIOS深度解锁:终极性能调优与隐藏功能开启指南
  • Android逆向实战:脱壳与反调试核心技术解析
  • 三步配置Chrome for Testing:终结Web自动化测试的浏览器版本之痛
  • 如何用Lean引擎在5天内搭建专业量化交易系统
  • 550+免费插件:让RPG Maker游戏开发变得简单又有趣的终极方案
  • GPT Plus 低价方式还能不能选?长期使用先看这几个风险
  • 创业团队技术选型:在有限预算下做出不后悔的架构决策
  • 彻底解决数据库慢查询:深入B+树索引与执行计划优化
  • 深度学习优化器原理与工业级调优实战指南
  • PHP反序列化漏洞:从CTF实战到代码审计的深度解析