仿生虾桨式推进机构设计

仿生虾桨式机构及其实现

摘要

本文介绍了一种新型水下机器人机构,用于探索海底及其他海洋养殖应用。目前,各种受真实鱼类启发的仿生鱼技术已较为先进,而本文则另辟蹊径,提出一种受虾游泳方式启发的仿生虾机构。聚焦于虾划水肢体的游泳方式,提出一种桨式推进方法,该方法利用虾游泳时腹部的运动。最后,通过开发的原型对推进运动进行了实验,结果得到了表达,并分析了推进力的提升情况。

索引术语

腹足,仿生虾,水下机器人,相位差

一、引言

由于日本是一个四面环海的海洋国家,其海洋资源远比陆地资源丰富。因此,海底勘探正受到科学家和工程师越来越多的关注,以进一步观测水下资源。目前,多种仿生机器鱼正在被开发,旨在为水下机器人[1]的阶段性评估做出贡献。当今用于水下探测的主要推进装置是螺旋桨,其具有多种变体形式,例如不同形状的设计以及可改变叶片方向的类型,已被广泛应用于各种场景。

另一方面,螺旋桨存在一些局限性,例如通过减轻叶片负载可能会加剧空化现象,最大效率的工作范围较小,且当海洋生物接触桨叶时可能对其造成伤害。因此,开发了仿生虾桨式机构,旨在降低风险,该推进装置模仿虾的游泳行为,可在浅水区域无问题地使用。由于虾通过肢体划水前进,这种游泳方式无需高速旋转,不会产生空化现象。

示意图0

示意图1

II. 问题描述与提出的解决方案

桨式推进方法以外环船和挖泥船为代表,通过利用虾类划水的相位差来提高推进力,且不高速旋转,因此不会产生空化现象,航行时的推进效率也不会下降。然而,桨式推进装置存在效率低于螺旋桨的问题。因此,采用类似切割器竞赛中特定操作模式的方法,以从桨式推进装置中获得高驱动力。

与利用升力的螺旋桨不同,划桨式依靠阻力运动。阻力通常是作用在物体表面并阻碍其运动的力。与升力类似,阻力与划水速度的平方成正比,并在与划水方向相反的方向上产生。划桨式利用该力作为驱动力推动物体前进。我们在图1的坐标系中将划桨中心设为原点。虾从后侧开始依次运动游泳腿,角度变化存在相位差,如图2所示。为了对上述运动进行建模,游泳腿模型基于参考生物学研究论文[3]建立。由此生成机械运动,并设计出原型。利用该原型,我们将在二维平面上进行一系列运动实验,例如前进和转向,以验证其有效性。游泳腿角度与时间的关系图如图3所示。

示意图2

示意图3

III. 控制设计与实验结果

由于目标是在二维平面上收集实验数据,因此设计的原型(图4)被认为在水中工作,从而应用了聚苯乙烯泡沫。控制由计算机执行,微控制器控制总共八个伺服电机。准备了一条显示原型轨迹的路径,以验证二维运动的有效性。当时测得的阻力定义为原型的推进力。

描述了原型机动性的验证实验。将带有浮子的主体从乙烯基泳池的水面出发,通过计算机控制进行二维运动,并在乙烯基泳池两端架设三脚架,从正上方拍摄其运动情况,并在中心悬挂一个带小型相机的方框。描述了原型机动性速度提升的验证测试结果。图5中的图表显示了各条操作轨迹的结果。该图是以部件为原点的xy坐标图。

从图中可以看出,所提出的推进装置能够按照轨迹路径移动,并按预期控制运行。

示意图4 直行轨迹 (B) 转弯轨迹)

IV. 结论

本文介绍了一种可控制运动的划桨式推进装置,重点研究了虾类划水的相位差对推进力提升的影响。为了验证所提出的划桨式推进装置的机动性,我们利用开发的原型进行了操作实验,包括二维运动轨迹分析和推进力测量,并评估了该推进方法的有效性。实验还验证了虾的游泳运动中的相位差在提高推进力方面的有效性。仿虾机器人可在图像处理应用领域发挥作用,如水生动物的图像识别、目标检测以及海底水下状况的观测。未来,我们计划将三维要素引入研究内容,并将其发展为可在水下作业的推进装置。

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
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