基于油缸压力和倾角测试的混凝土泵车臂架载荷谱采集方法研究

来源 :建设机械技术与管理 | 被引量 : 0次 | 上传用户:fanmw960
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
本文提出了一种基于油缸压力和倾角测试的混凝土泵车臂架载荷谱采集方法,该方法通过采集泵车臂架各臂节倾角、臂架油缸有杆腔和无杆腔压力,结合已知的臂架形貌参数,推算获得泵车臂架载荷谱。采用应变片测量臂架直连杆力,对推算获得的载荷谱进行了标定。结果表明:直连杆力测量值与推算值误差较小,基于油缸压力和倾角测试的泵车载荷谱采集方法可进行工程应用。
其他文献
属性图中的社区搜索是一种局部社区发现方法,本质是基于用户提供的查询节点返回包含查询节点且在结构内聚的同时属性与查询属性相似的个性化子图。该任务有助于用户更好地理解社区是如何形成的以及社区形成的原因。提出了一种融合结构-属性交互二部图随机游走机制,有效地支持属性图中的社区搜索。具体地,首先基于网络拓扑结构构建结构概率转移矩阵;其次探索结构与属性交互形成的二部图定义2阶段的节点-属性-节点概率转移矩阵,将其与结构概率转移矩阵有效融合得到属性图的概率转移矩阵;最后设计重启随机游走方法,基于融合结构和属性的并行电
与桥梁结下不解之缘rn1978年,19岁的孟凡超进入重庆建筑工程学院(现重庆交通大学)道桥工程系的桥梁与隧道专业学习,就此开始与桥梁结下了不解之缘.rn孟凡超后来表示,大学期间
期刊
Partial label learning is a weakly supervised learning framework in which each instance is associated with multiple candidate labels,among which only one is the ground-truth label.This paper proposes a unified formulation that employs proper label constra
在长沙地铁6号线六沟垅站的建设工地上,履带吊、汽车吊、旋挖钻、泵车、搅拌车……各式工程机械轰鸣声不绝于耳,阴雨之下却是一片热火朝天的施工景象.rn小江驾驶着2019年购入
期刊
It is our great pleasure to announce the publication of this special section in JCST:“Learning from Small Samples”.rnMachine learning has achieved great succe
期刊
以提升不均衡数据集内少数类样本的分类性能为目标,从样本采样以及分类器优化两方面构建面向不均衡数据集的过抽样数学模型。利用数据分布不均衡条件下的少数类过抽样算法处理不均衡数据集内少数类样本,算法将少数类样本作为中心,利用新生成的虚拟少数类样本改善不平衡数据集内数据不均匀分布情况,将完成处理的少数类样本与多数类样本结合建立新训练样本集合,新训练样本集合输入经过熵值法优化的混合核ε-SVM分类器中训练分
外加剂的掺量控制对混凝土的性能指标起到至关重要的作用,就使得外加剂的秤体结构及卸料方式成为混凝土搅拌站设计及应用中的重要组成部分。本文阐述了外加剂秤体结构及卸料
时间序列具有数据量大、维数高和更新速度快等特点,导致一般的分段线性方法难以刻画原始时间序列的全局趋势特征。针对时间序列的特性,提出了一种基于时态边缘算子的自主分段表示方法(简称APLR_TEO),能够有效刻画出时间序列的形状特征。首先通过时态边缘算子与原始时间序列做卷积并根据关联规则得到边缘极值点;然后根据时序的变化特征,采用趋势转折距离的关联规则进行自主线性分段得到关键点,进而用关键点组成的序列来线性近似表示原始时间序列。实验结果表明,APLR_TEO能够有效地刻画序列的形状特征,针对不同规模的数据集具
Electrocardiogram(ECG)biometric recognition has emerged as a hot research topic in the past decade.Although some promising results have been reported,especially using sparse representation learning(SRL)and deep neural network,robust identification for sma
The 3D object tracking from a monocular RGB image is a challenging task.Although popular color and edgebased methods have been well studied,they are only applicable to certain cases and new solutions to the challenges in real environment must be developed