基于低分辨率磁滞变化曲线的杆件拉力测量方法

"这篇论文研究了基于低分辨率磁滞变化曲线的杆件拉力测量方法。研究人员利用磁弹效应的基本原理，分析了不同拉力作用下杆件材料磁滞回线的变化，提出了一种改进的磁弹测量技术。通过双套筒线圈式磁弹传感器收集不同拉力下的磁滞回线数据，然后使用小波分析处理磁滞变化曲线，降低维度以获取低分辨率的特征。这些特征被输入到神经网络中进行训练，建立拉力与低分辨率磁滞变化曲线之间的映射关系。实验结果表明，磁滞变化曲线能够直观地反映拉力对磁滞回线各点的影响，且低分辨率特征具有较低的维数，包含全部拉力信息。论文对比了BPNN、RBFNN以及采用线性插值样本训练的RBF神经网络在预测拉力性能上的差异，发现在线性插值样本训练后的RBF神经网络预测效果最佳。最终，该方法被整合到双套筒线圈式杆件拉力测量装置中，实际应用中测量误差仅为0.11%，确定系数为1，满足实际测量需求，验证了方法的有效性和实用性。" 这篇论文的研究主要涉及以下几个知识点： 1. **磁弹效应**：这是一种物质的磁性质随机械应力变化的现象，磁滞回线会因外加力的大小不同而有所变化。论文利用这一效应来检测杆件的拉力。 2. **磁滞回线**：磁化强度与磁场强度的关系曲线，反映了材料的磁特性。在不同拉力作用下，材料的磁滞回线会呈现出不同的形状，这为拉力测量提供了基础。 3. **双套筒线圈式磁弹传感器**：这种传感器能有效地捕捉杆件在不同拉力下的磁滞回线变化，是实施拉力测量的关键设备。 4. **小波分析**：论文采用了小波分析对磁滞变化曲线进行降维处理，提取出具有代表性的低分辨率特征，降低了计算复杂性，同时保留了关键信息。 5. **神经网络**：神经网络被用来学习和构建拉力与低分辨率磁滞变化曲线之间的映射关系。通过训练，网络能够根据输入的磁滞变化曲线特征预测拉力。 6. **误差反向传播神经网络（BPNN）**：传统的神经网络模型，通过反向传播算法优化权重，实现函数拟合和预测。 7. **径向基神经网络（RBFNN）**：一种特殊的神经网络，以径向基函数作为隐藏层的激活函数，擅长处理非线性问题。 8. **线性插值**：在训练RBF神经网络时，采用线性插值样本可以提高网络的预测性能，使其更适应拉力的连续变化。 9. **拉力测量误差和确定系数**：评价测量方法准确性的重要指标，论文中0.11%的误差和1的确定系数表示了高精度的测量结果。 这篇论文介绍了一种创新的基于磁滞回线变化的拉力测量技术，结合了磁弹效应、传感器技术、小波分析和神经网络，实现了高精度的测量，并通过实验验证了其在实际应用中的有效性。这种方法对于提升拉力测量的准确性和效率具有重要意义。