步进电机的细分控制

步进电机是由脉冲供电的一种电机,对应于一个输入脉冲,转子转过一个固定的步距角α,特别适用于数字开环系统。其缺点是精度不高、精度与快速相矛盾,动态中有丢步、振动与噪音较大等,因此,目前常采用各种特殊设计的驱动控制电路来提高运行性能,如闭环控制、Finerol系统等,比较普遍而成熟的则是步距细分控制。一般,按照输入脉冲的分配方式,步进电机各相绕组的电流轮流切换,从而使电机磁场及由此引导的转子作步进旋转。如果输入脉冲每次切换时,只改变相应绕组中额定电     

功率步进电机相数选择的若干问题

开环数控系统具有简单、可靠、易行调整的特点,因而获得了广泛的应用。我国的数控系统中,开环系统占了相当大的比例。步进电机作为开环系统的执行元件是较其他执行元件(如快速离合器等)更具有准确、可靠的优点,因而应用是极为普遍的。早期的步进电机出力较小,不能直接带动负载,多用液压扭矩放大器作为功放元件,整个虿,充变得复杂起来。近几年来,功率步进电机的发展,已有可能在开环系统     

电机的转速稳定度

很多设备对电机的转速稳定要求很高,但有时采用逐步转动的步进电机也能获得很好的效果。因此,对电机的转速稳定度问题应作一定的讨论。通常,转速稳定度N定义为 N=(Ω_(max)-Ω_(CP))/Ω_(CP)=ΔΩ_(max)/Ω_(CP) (1)其中,Ω_(max)、Ω_(cp)、ΔΩ_(max)分别为转速的最大瞬时值,平均值及最大偏差值。角位移θ(t)可表示为时间的周期函数θ(t)=Ω_(CP~t) sub from k=1 to ∞ (θ_(km)cos(k_(ωn)t ρ_k)) =Ω_(CP~t) θ_m(t) (2)其中,θ_(km),k_(ωn),φ_k分别为k次谐波的幅值角频率及相位。因此,瞬时角速度Ω(t)为     

扫视眼动系统的仿真研究

眼动系统在神经系统研究及临床应用上都具有重要作用。该文针对其中的扫视眼动系统，采用仿真的方法对其特性进行了部分研究，得出如下结论：①通过对各种切换方式（包括一、二、三次切换）神经控制信号对系统影响的仿真研究，进一步阐述了神经控制信号是一次切换的时间最优控制信号；②通过神经控制信号脉冲幅度Ｆｐ及切换时间ｔ１对模型输出影响的研究，明确提出了扫视系统神经控制信号的随机性与扫视眼动过程确定性的统一观点；③     

计算机仿真在生理学教学与实验中的应用

生理学教学与实验中必不可少的一项内容就是观察神经细胞动作电位 ,但由于各种客观条件的限制 (实验对象、实验器材等 ) ,使得这一内容实验起来较为困难。该文利用H—H方程 ,在计算机上对神经细胞动作电位的各种特性———阈值、时间总和、空间总和、不应期、适应性等进行模拟 ,使学生看到在生理实验中不宜观察到的现象 ,从而更好地帮助学生理解和掌握有关内容。     

基于参数辨识的药物代谢动力学的分析

药物代谢动力学是研究体内药量及其代谢物的时间变化,并用数学公式加以描述的一门学科.研究药物代谢动力学的最常用方法是"房室模型"(compartment model)理论.其中房室数目的确定、各房室的关系等是首先要解决的问题,该文通过对临床上取得的11例病例口服药物乙胺碘肤酮的实验数据,进行药物代谢动力学的参数辨识,从而进一步确定此药物的房室模型取三室模型更为合理.     

神经计算中坐标变换的网络模型(CMAC)的泛化特性

在神经计算中神经网络的泛化特性是一个非常重要的内容.该文简述了小脑模型 (CMAC--Cerebellar Model Areiculation Controller)的原理和学习算法,并用仿真方法讨 论了在机器人使用的坐标变换关系(输入直角坐标值,输出机器手的关节角度)下CMAC的 泛化性能:当泛化率为1:100时CMAC仍能正常工作.系统的精度虽能满足需要,但是进一 步提高却受到限制.本文还讨论了影响精度的各种因素及可能的改进方法.     

数控机床进给用的伺服系统

本文首先分析了数控机床对进给伺服系统提出的各种要求,指出这些要求兼顾了控制电 机系统及驱动电机系统是极其苛刻的,因而,进给伺服系统成为活跃的研究领域.其次,评述 了区别于国外简易数控装置的某些简易进给伺服系统.本文还对三种比较流行的进给伺服系 统(步进电机系统,小惯量直流伺服电机系统,宽调速直流力矩电机系统)就数控机床的要求及 其本身的特点详细地进行了分析比较,并指出了其应用范围.本文还介绍了用计算机控制的 交流电机系统的基本概念.最后,对进一步研究数控机床进给伺服系统提出了建议.     

小脑模型CMAC网络结构及有关参数的确定

从映射的角度分析了CMAC模型各层神经元之间的关系，根据网络输入向量的量化级数、泛化参数、相邻量化级引起的重叠神经元的个数，从理论上给出了虚拟层神经元数目的范围。对于存在实际层神经元的CMAC模型，讨论了压缩映射对网络学习收敛性的影响。最后通过机器手逆运动学问题的仿真实验，进一步比较说明了在从虚拟层神经元到实际层神经元的压缩映射中不同压缩比对网络学习收敛性及系统运行精度的影响。