莆田学院2011年《传感与检测》期末考试试题及答案

版权申诉
5星 · 超过95%的资源 3 下载量 143 浏览量 更新于2024-09-10 1 收藏 413KB PDF 举报
"2011年莆田学院《传感与检测》期末考试试卷包含了传感器相关的专业知识,涵盖了填空题和单项选择题,涉及了传感器的灵敏度计算、半导体应变片的工作原理、螺线管式差动变压器的特性、移动电容式传感器的工作关系、磁电式传感器的基本构造、霍尔传感器的灵敏度因素、热电偶的热电势以及莫尔条纹的原理和作用。此外,试题还提到了信息技术的构成和传感器的静态特性指标。" 这份试卷主要测试了以下几个方面的知识点: 1. **传感器系统的灵敏度计算**:系统总灵敏度是各个部分灵敏度的乘积,例如,一个测量系统的灵敏度S1、S2和S3组合后,可以计算出整个系统的总灵敏度及其单位。 2. **半导体应变片**:基于PN结的压阻效应,其灵敏系数通常高于金属应变片。 3. **螺线管式差动变压器传感器**:当衔铁位于中心位置时,理想输出电压应为零,但实际存在非线性误差,这被称为零点残余。 4. **移动电容式传感器**:电容变化与动极板的位移成正比,与角位移成特定函数关系,这涉及到电容器的基本理论。 5. **磁电式传感器**:由磁路、绕组和运动部件构成,其工作原理基于电磁感应。 6. **霍尔传感器**:霍尔传感器的灵敏度与其霍尔系数成正比,与薄片厚度成反比,这与霍尔效应的物理特性有关。 7. **热电偶**:总热电势是塞贝克电势和珀尔帖电势的总和,热电偶用于温度测量。 8. **莫尔条纹**:莫尔条纹的间距与光栅栅距和两光栅刻线夹角的正弦值成正比,由于莫尔条纹间距的变化,它可以显著放大微小的位移,具有放大效应。 9. **信息技术链**:传感器技术是信息技术的重要组成部分,与自动控制、通信和计算机技术一起构成完整的信息链。 10. **传感器静态特性**:包括线性度、灵敏度和重复性,而不包括频域响应,后者是动态特性的指标。 11. **应变式传感器设计**:为了提高灵敏度和减小非线性误差,相邻双桥臂应使用应变量变化相反的应变片。 这份试卷深入浅出地测试了学生对传感器原理和应用的理解,涉及理论与实践的结合,是评估学生对传感与检测课程掌握程度的有效工具。

select substr(c.order_datetime,1,7) `日期` ,d.city_name ,c.order_vehicle_lv2_type `订单车型` ,e.define_vehicle_type`司机车型` ,count(distinct c.driver_id)`完单司机数` ,count(distinct c.order_id)`完单量` from hll_dwb.dwb_order_base_1d_tm c -- 订单表 join (select city_id,city_name,big_area from hll_dim.dim_city) d -- 城市表 on c.city_id=d.city_id join ( -- 司机宽表,分司机车型,全量司机数据 select dt,driver_id,define_vehicle_type from hll_dws.dws_driver_fact_1d_tm where dt between '2023-07-13' and '2023-07-19' and last_complete_cnt_1d > 0 -- 限制当天有过完单司机,缩小查询范围,提高查询速度 ) e on c.driver_id=e.driver_id and to_date(c.order_datetime)=e.dt where c.is_driver_completed=1 and c.order_vehicle_lv2_type in('微面包车','小面包车','中面包车') and c.dt=date_sub(current_date(),1) and c.is_bus_sc=1 --货运小车业务线 and c.is_fake_order=0 --订单是否为刷单,0为否 and d.city_name in ('杭州','成都','上海','重庆','金华','苏州','宁波','南京','北京','绍兴','温州','嘉兴','合肥','徐州','台州','南通','湖州', '临沂','潍坊','镇江','泰州','扬州','无锡','常州','保定','福州','厦门','西安','中山','惠州','佛山','东莞','广州','济南','南宁','昆明', '柳州','南昌','武汉','襄阳','桂林','西宁','江门','清远','郑州','汕头','长沙','石家庄','贵阳','乌鲁木齐','珠海','揭阳','咸阳','德阳', '济宁','太原','盐城','淮安','宿迁','长春','烟台','呼和浩特','兰州','沈阳','深圳','哈尔滨','大连','青岛','淄博','洛阳','天津','莆田','漳州','肇庆','泉州') and to_date(c.order_datetime) between '2023-07-13' and '2023-07-19' group by substr(c.order_datetime,1,7),d.city_name,c.order_vehicle_lv2_type,e.define_vehicle_type

2023-07-22 上传

color0 = ['#FF76A2','#24ACE6'] color_js0="""new echarts.graphics.LinearGradient(0,1,0,0, [{offset:0,color:'#FFCOCB'},{offset:1,color:'#ed1941'}],false)""" color_js1="""new echarts.graphics.LinearGradient(0,1,0,0, [{offset:0,color:'#FFFFFF'},{offset:1,color:'#009ad6'}],false)""" t1=Timeline() for i in range(0,len(data_bj)): corrdy_high = list(data_bj['最高温度'])[i] corrdx = list(data_bj['日期'])[i] corrdy_low = list(data_bj['最低温度'])[i] x_max = list(data_bj['日期'])[i]+datetime.timedelta(days=10) y_max = int(max(list(data_bj['最高温度'])[0:i+1]))+3 y_min = int(max(list(data_bj['最低温度'])[0:i+1]))-3 title_date = listlist(data_bj['日期'])[i].strftime('%Y-%m-%d') c=( Line( init_opts=opts.InitOpts( theme='dark', #设置动画 animation_opts=opts.AnimationOpts(animation_delay_update=800), #设置宽度、高度 width='1500px', height='900px',) ) .add_xaxis(list(data_bj['日期'])[0:i]) .add_yaxis( series_name="", y_axis=list(data_bj['最高温度'])[0:i], is_smooth=True,is_symbol_show=False, linestyle_opts={ 'normal':{ 'width':3, 'shadowColor':'rgba(0,0,0,0.5)', 'shadowBlur':5, 'shadowOffsetY':10, 'shadowOffsetX':10, 'curve':0.5, 'color':JsCode(color_js0) } }, itemstyle_opts={ "normal":{ "color":JsCode( """new echarts.graphics.LinearGradient(0,0,0,1,[{offset:0,color:'#ed1941'},{offset:1,color:'#009ad6'}],false) """), "barBorderRadius":[45,45,45,45], "shadowColor":"rgb(0,160,221)" } }, ) .add_yaxis( series_name="", y_axis=list(data_bj['最低温度'])[0:i], is_smooth=True,is_symbol_show=False, itemstyle_opts=opts.ItemStyleOpts(color=JSCode(color_js1)), linestyle_opts={ 'normal':{ 'width':3, 'shadowColor':'rgba(0,0,0,0.5)', 'shadowBlur':5, 'shadowOffsetY':10, 'shadowOffsetX':10, 'curve':0.5, 'color':JsCode(color_js1) } }, ) .set_global_opts( title_opts=opts.TitleOpts("莆田2022年每日最高最低温度变化\n\n{}".format(title_date),pos_left=330,padding=[30,20]), xaxis_opts=opts.AxisOpts.AxisOpts(type="time",max_=x_max), yaxis_opts=opts.AxisOpts.AxisOpts(min_=y_min,max_=y_max), ) ) t1.add(c,"{}".format(list(data_bj['日期'])[i])) t1.add_schema( axis_type='time', play_interval=100,#播放速度 pos_bottom="-29px", is_loop_play=False,#是否循环播放 width="780px", pos_left="30px", is_auto_play=True, is_timeline_show=False) t1.render_notebook() 代码存在什么问题

2023-06-07 上传