多旋翼无人机自供能振动检测系统【附代码】

✅博主简介擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导毕业论文、期刊论文经验交流。✅ 如需沟通交流扫描文章底部二维码。1单电极不对称分布矢量加速度传感器ASA-TENG的设计与机理针对传统摩擦纳米发电机方向分辨能力差的问题提出了一种基于单电极结合不对称电极分布的矢量加速度检测机制。传感器由固定在基底的铜电极层和可滑动的聚四氟乙烯摩擦层组成其中铜电极被刻意设计成大小不一、间距不等的不对称图案。当无人机受到不同方向的加速度时摩擦层相对于电极的位移轨迹会在不同电极对上产生不同时序和幅值的电荷信号。通过分析四路输出信号的峰值比和相位差即可反推出加速度矢量的方向与大小。建立了ASA-TENG的力电耦合模型推导出开路电压与加速度分量之间的近似线性关系。在多方向加速度实验平台上测得该传感器在0到5g范围内灵敏度为1.2 V/g方向分辨率为15度实现了对无人机机身异常抖动的实时检测。2磁耦合等效弹簧振动传感器AV-TENG与宽频带无线监测系统为了解决传统振动传感器安装复杂且需要外部电源的问题设计了基于磁耦合等效弹簧机制的AV-TENG。该传感器内部包含固定在壳体的钕磁铁和悬浮移动磁铁移动磁铁表面贴有摩擦层壳体内部另一侧固定有电极。当电机振动传递到传感器时移动磁铁在磁斥力作用下形成等效弹簧振子其固有频率可以通过调整磁间距来调节。建立了三磁体耦合非线性运动模型确定了动/静磁体间的最佳线性位置以获得最大的输出电压。实验结果表明AV-TENG的频率响应范围覆盖20Hz到500Hz在100Hz谐振点处输出电压峰值达到18V。将AV-TENG与小型整流滤波电路和低功耗无线发射模块集成构建了无需电池的无线振动传感节点能够在无人机电机转速从5000rpm跃升至12000rpm的过程中实时发送振动强度数据地面站据此可判断电机轴承是否出现磨损。3弹跳球宽频带ME-TENG与深度学习的叶片损伤分类针对旋翼桨叶损伤检测需要多维度振动信息的问题发明了模块化设计的弹跳球式ME-TENG。传感器内部有空腔内含多个不同质量和直径的聚四氟乙烯小球腔体内壁分布着环形交指电极。当无人机电机运转时桨叶的不平衡或损伤会产生宽频带的振动激励空腔内的小球以不同幅度和频率弹跳、滚动从而在电极上产生复杂的混沌电流信号。该信号的时频特征与损伤模式高度相关。为了从多通道ME-TENG输出中自动提取损伤指纹开发了多通道数据采集与分析系统并采用一维卷积神经网络对振动信号进行特征提取然后通过长短时记忆网络捕捉时间序列的动态演变。在叶片模拟损伤裂纹、缺损、表面附着物分类任务中该框架的准确率达到97.3%。相比于传统加速度计ME-TENG无需外部供电且结构极其简单适合在无人机紧凑空间内大量部署。import numpy as np import torch import torch.nn as nn import pywt # ASA-TENG方向解算模拟伪代码 def asa_teng_direction(signal_channels): # 四个通道的信号峰值数组 peaks [np.max(np.abs(ch)) for ch in signal_channels] # 根据不对称电极布局的编码映射方向 if peaks[0] peaks[1] and peaks[2] peaks[3]: angle 45 15 * (peaks[0] - peaks[1])/ (peaks[0]peaks[1]) elif ... angle np.arctan2(peaks[2]-peaks[0], peaks[1]-peaks[3]) * 180/np.pi magnitude np.sqrt(peaks[0]**2 peaks[1]**2 peaks[2]**2 peaks[3]**2) return angle, magnitude # AV-TENG磁耦合等效模型微分方程 def magnetic_spring_dynamics(x, v, m, k_mag, c): # x位移, v速度, m质量, k_mag磁刚度, c阻尼 a (-k_mag * x - c * v) / m return a # ME-TENG多通道CNN-LSTM分类模型 class MultiChannelVibNet(nn.Module): def __init__(self, num_channels4, num_classes4): super().__init__() self.conv nn.Sequential( nn.Conv1d(num_channels, 32, kernel_size3, padding1), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(32, 64, kernel_size3), nn.ReLU(), nn.AdaptiveAvgPool1d(32) ) self.lstm nn.LSTM(64, 64, batch_firstTrue, bidirectionalTrue) self.fc nn.Linear(128, num_classes) def forward(self, x): # x shape: (B, channels, T) feat self.conv(x) # (B, 64, L) feat feat.permute(0,2,1) # (B, L, 64) out, _ self.lstm(feat) out out[:, -1, :] return self.fc(out) # 数据增强模拟不同转速下的振动信号 def speed_variation_augmentation(signal, speed_ratio): # speed_ratio 为新转速/原转速通过线性插值重采样 orig_len len(signal) new_len int(orig_len * speed_ratio) indices np.linspace(0, orig_len-1, new_len) augmented np.interp(indices, np.arange(orig_len), signal) return augmented如有问题可以直接沟通