Analysis of dynamic and static features of intrinsically safe electromagnetic valves and optimization of influencing parameters
-
摘要: 针对在驱动功率和电磁阀体积约束下存在的电磁铁驱动力不足、电磁阀响应速度慢的问题,分析了电磁阀的动静态特性,通过仿真分析和样机试验验证了提高本安型电磁铁电磁力可明显改善电磁阀的响应特性,确定了通过优化电磁力改善电磁阀响应特性的方案。提出了本安型电磁铁特性评价指标:有效行程指标、平均电磁力指标和静态综合性能指标,解决了因电磁铁行程不同而造成的电磁铁性能评价困难的问题。利用Maxwell电磁仿真软件分析了导向筒深度变化量δa、衔铁半径变化量δb、非工作气隙变化量δc1、非工作气隙变化量δc2、盆口高度变化量δd对电磁铁静态特性的影响,得到不同参数对静态特性的敏感度,为参数优化中尺寸控制范围的选择提供参考依据。通过正交试验结果构建了铁芯结构参数对电磁铁综合特性评价指标的二阶响应面模型,利用遗传算法对铁芯参数进行优化。样机试验结果表明:优化后电磁铁水平段电磁力提升了50%,有效行程提高了26%,本安型电磁阀的开启响应时间缩短了52.5%。Abstract: In response to the problems of insufficient electromagnetic driving force and slow response speed of electromagnetic valves under the constraints of driving power and electromagnetic valve volume, the dynamic and static features of electromagnetic valves are analyzed. Through simulation analysis and prototype experiments, it is verified that improving the intrinsically safe electromagnetic force can significantly improve the response features of electromagnetic valves. A plan to improve the response features of electromagnetic valves by optimizing the electromagnetic force is determined. The evaluation indicators for the features of intrinsically safe electromagnets, including effective stroke index, average electromagnetic force index, and static comprehensive performance index, have been proposed to solve the problem of difficult performance evaluation of electromagnets caused by different stroke. The Maxwell electromagnetic simulation software is used to analyze the effects of changes in guide tube depth, armature radius, non working air gap, non working air gap, and pot mouth height on the static features of the electromagnet. The sensitivity of different parameters to the static features is obtained, providing a reference for selecting the size control range in parameter optimization. A second-order response surface model is constructed based on the results of orthogonal experiments to evaluate the comprehensive features of electromagnets using iron core structural parameters. Genetic algorithm is used to optimize the iron core parameters. The prototype test results show that the optimized electromagnetic force in the horizontal section of the electromagnet has increased by 56%, the effective stroke has increased by 26%, and the opening response time of the intrinsically safe electromagnetic valve has been shortened by 52.5%.
-
0. 引言
煤矿在综采过程中会产生大块煤,过大的煤块会导致带式输送机的出煤口堵塞,进而造成槽内积煤过多、煤体溢流、输送链磨损等危害,严重威胁煤矿生产安全[1-2]。因此,对带式输送机上大块煤进行实时精准检测,可降低带式输送机发生故障的风险,保障煤矿生产安全并提高生产效率。
传统的煤块检测方法通常需要人工提取煤块的颜色、纹理等特征,该过程消耗人力物力,且效率较低。张渤等[3]通过OpenCV对图像进行预处理,再进行灰度化操作和阈值分割,去除背景部分,对输送带上运动的煤块进行标记,实现了大块煤检测。然而,煤矿生产中的复杂场景和多变工况使得传统方法往往无法实现较高的检测精度,且在处理大规模数据集时,人工提取特征容易引入误差。近年来,随着人工智能发展,基于深度学习的煤块检测方法得到大量研究[4],其中YOLO系列模型[5]在煤块检测场景应用广泛。杜京义等[6]提出了融入Canny算子的大块煤检测方法,降低了煤块边缘检测误差,有效统计了大块煤数量。叶鸥等[7]提出了一种融合轻量级网络和双重注意力机制的改进YOLOv4模型,通过引入MobileNet轻量级网络模型,并嵌入具有双重注意力机制的卷积块注意模块,提高了煤块检测精度和速度。沈科等[8]在YOLOv5s模型中嵌入自校正卷积(Self-Calibrated Convolutions,SCConv),提高了检测实时性。张旭辉等[9]通过改进YOLOv5s模型检测输送带上的煤块,再通过DeepSORT跟踪实现煤块滞留和堵塞行为异常识别。高凯等[10]将YOLOv5主干网络中残差模块替换为递归门控卷积模块(Recursive Gated Convolution Block,GnBlock),提取高阶语义特征,并加入注意力机制提高模型对煤块边缘特征的敏感度,从而提高煤块检测精度。
然而井下环境复杂,存在高粉尘、低光照的特点,且大块煤和普通煤块在外形和颜色上的差异较小,煤块间存在遮挡和堆叠的情况,现有方法对大块煤与普通煤块的区分不够精确,容易出现漏检或误检。本文在YOLOv5模型中引入并行空洞卷积模块和联合注意力模块,提出了一种改进YOLOv5模型,并与PLC联动示警,实现对带式输送机上大块煤的精准检测。
1. 带式输送机大块煤检测方法
1.1 方法原理
带式输送机大块煤检测方法原理如图1所示。首先,利用5G矿用摄像仪采集煤矿带式输送机的输煤视频,并进行抽帧和数据预处理,获得样本图像;其次,对样本图像进行标注(仅标注大块煤),构建大块煤检测的训练集、验证集、测试集;然后,对改进YOLOv5模型进行训练,保存训练结果最优的权重文件;最后,利用训练好的改进YOLOv5模型对摄像仪采集的实时输煤视频进行检测,存储大块煤的位置和数量信息并上传数据库,实时联动PLC示警。
1.2 改进YOLOv5模型
YOLOv5是一种基于深度神经网络的目标检测与定位模型,其主要由输入端(Input)、骨干网络(Backbone)、颈部(Neck)、头部(Detection Head)4个部分组成。骨干网络采用CSPDarknet结构,对传统Darknet结构进行了优化,提高特征提取能力。颈部包括特征金字塔网络(Feature Pyramid Networks,FPN)和路径聚合网络(Path Aggregation Network,PAN),以提高不同尺度特征的表达能力[11];颈部采用CSP(Cross Stage Partial)结构,有助于提升模型的表达能力和检测精度[12]。头部的3个分支分别负责处理不同尺度的特征图。
为提取更多底层的多尺度特征辅助判断[13],对YOLOv5模型进行改进,如图2所示。将骨干网络中第3个和第5个普通卷积模块CBS(由卷积、归一化函数和激活函数组成)替换为并行空洞卷积模块DCBS3(由3个并行的空洞卷积、归一化函数和激活函数组成),并在颈部特征融合过程中加入2个联合注意力模块DCTR(由空洞卷积和注意力模块组成)。
1.2.1 并行空洞卷积模块
煤炭运输过程中的大块煤与普通煤块的主要区别是体积大小。由于带式输送机长度较长,在获取图像时,远处的煤块在图像中的横截面积较小,难以判断是否为大块煤,所以需要加强多尺度特征学习。普通卷积无法很好地识别多尺度特征,因此,提出了并行空洞卷积模块,结构如图3所示(图中k为卷积核大小;s为卷积步长;d为空洞卷积(ConvD)的膨胀率)。通过拼接3个不同膨胀率的空洞卷积特征,得到图像的多尺度信息,扩大感受野[14],有效区分大块煤和普通煤块,提高模型精度。
空洞卷积通过在卷积核元素之间加入一些空洞(补充零)来扩大卷积核,在扩大感受野的同时不丢失空间分辨率[15]。空洞卷积的实际卷积核大小为
$$ {k_d} = k + (k - 1)(d - 1) $$ (1) 空洞卷积的感受野为
$$ T_{l+1}=T_l+(k_d-1)\mathop \prod \limits_{i = 1}^l s_i $$ (2) 式中:$ T_{l+1} $为第l+1层空洞卷积的感受野;$ {s}_{i} $为第i(i=1,2,···,l,l为空洞卷积层数)层空洞卷积的步长。
并行空洞卷积模块中,输入特征图x先通过膨胀率分别为1,2,4的空洞卷积。
$$ \boldsymbol{F}_d=\delta(h(f_{\mathrm{CD}d}({\boldsymbol{x}}))\quad d=1,2,4 $$ (3) 式中:$ {{\boldsymbol{F}}}_{d} $为膨胀率为d的空洞卷积的输出特征向量;$ \delta $(·)为SiLU激活函数;$ h $(·)为归一化函数;$ {f}_{\mathrm{C}\mathrm{D}d} $(·)为膨胀率为$ d $的空洞卷积操作。
之后对相同大小的特征向量进行特征拼接,并通过线性卷积(Conv)保持特征维度不变,得到丰富的多尺度信息。
$$ {{\boldsymbol{y}}_{{\mathrm{cd}}}} = \delta (h({f_{\mathrm{C}}}(g({{\boldsymbol{F}}_1},{{\boldsymbol{F}}_2},{{\boldsymbol{F}}_4})))) $$ (4) 式中:$ {\boldsymbol{y}} $cd为并行空洞卷积模块输出的特征图;$ {f}_{\mathrm{C}} $(·)为普通卷积操作;g(·)为特征拼接操作。
1.2.2 联合注意力模块
煤块间的堆叠、遮挡等现象会导致大块煤难以识别,加入注意力机制可增强模型上下文感知能力及对大块煤的定位能力[16-19]。但注意力机制长距离结构可能导致信息遗漏,且煤块形状不规则导致检测难度大,因此可通过结合空洞卷积来扩大感受野,获取更全面的特征信息。对原始的C3模块进行改进,加入空洞卷积和注意力机制构建联合注意力模块,结构如图4所示。输入特征图依次通过空洞卷积和残差模块(Bottleneck)得到空洞卷积分支输出,并行通过注意力模块(Transformer)得到注意力分支输出,2个分支的输出拼接后通过卷积得到输出特征图。
残差模块包含2个普通卷积模块和1个残差连接,空洞卷积分支输出为
$$ {{\boldsymbol{M}}_{{\mathrm{CD}}}} = g(\delta (h({f_{\mathrm{C}}}(\delta (h({f_{\mathrm{C}}}({{\boldsymbol{F}}_2})))))),{{\boldsymbol{F}}_2}) $$ (5) 注意力模块包含多头注意力层和多层感知器层[20]。多头注意力层输出为
$$ \boldsymbol{A}=\alpha\left(\frac{\boldsymbol{Q}\boldsymbol{K}^{\mathrm{T}}}{\sqrt{n_K}}\right)\boldsymbol{V} $$ (6) 式中:α(·)为Softmax激活函数;$ {\boldsymbol{Q}} $为查询矩阵;$ {\boldsymbol{K}} $为键矩阵;$ {n}_{\boldsymbol{K}} $为键矩阵$ {\boldsymbol{K}} $的维度;$ \boldsymbol{\boldsymbol{V}} $为值矩阵。
多层感知器层输出为
$$ {{\boldsymbol{M}}_{{\mathrm{TR}}}} = \beta (0,{\boldsymbol{A}}{W_1} + {c_1}){W_2} + {c_2} $$ (7) 式中:$ \beta $(·)为ReLU激活函数;$ {W}_{1} $,$ {W}_{2} $为感知器权重;$ {c}_{1} $,$ {c}_{2} $为感知器偏置。
联合注意力模块输出的特征图为
$$ {{\boldsymbol{y}}_{{\mathrm{tr}}}} = \delta (h({f_{\mathrm{C}}}(g({{\boldsymbol{M}}_{{\mathrm{CD}}}},{{\boldsymbol{M}}_{{\mathrm{TR}}}})))) $$ (8) 1.3 PLC联动示警
通过多次实验发现,当带式输送机上出现超过3块大块煤时几乎无法避免堵塞,因此根据带式输送机上大块煤数量制定合理的PLC联动示警策略,流程如图5所示。检测到大块煤后,根据大块煤数量分为0块、1块、2块、大于2块4种情况,由本地计算机进行逻辑判断并向PLC发送信号指令;之后,PLC对输出端口完成相应的置位和复位操作,连接在PLC输出端口的继电器指示灯则相应点亮(根据大块煤数量亮起不同数量的继电器指示灯),达到3块大块煤时蜂鸣器报警。
2. 实验设置
2.1 实验环境
GPU为NVIDIA RTX 3090;操作系统为Ubuntu 22.04;开源框架为PyTorch;显卡为Cudnn 8.2,Cuda 11.3;PLC为CPU 1214C。
2.2 数据集
2.2.1 数据来源
模拟平台数据集:基于实验室的带式输送机模拟平台,利用KBA12(5G)矿用本安型摄像仪采集带式输送机输煤视频。对采集的17个视频进行抽帧,对原图像进行预处理,最终获得800张分辨率为1 024×768的样本图像。按照7∶2∶1的比例划分数据集,随机选取560张样本图像作为训练集,160张样本图像作为验证集,剩余80张样本图像作为测试集。
煤矿井下数据集:采集国能神东煤炭集团有限责任公司上湾煤矿实际带式输送机输煤过程的视频。井下作业时光照条件较差、输送带运行速度较快,获得的样本图像较为模糊。经过预处理后,得到140张分辨率为1 024×1 024的样本图像,并按照8∶2的比例划分为训练集和验证集。
2.2.2 图像预处理
1) 图像裁剪。带式输送机仅占样本图像的一部分区域,背景包含较多无关因素。为去除无关背景、突出目标区域,对样本图像进行裁剪。
2) 图像增强。通过自适应Gamma校正方法对样本图像每个像素点的亮度进行自适应调整,改善样本图像的亮度和对比度。
2.3 评价指标
为验证模型性能,使用精确率、召回率、平均精度作为评价指标。
精确率P表示被正确检测出的大块煤数量占所有检测为大块煤数量的比例,召回率R表示被正确检测出的大块煤数量占样本中实际大块煤数量的比例。
$$ P=\frac{N_{\mathrm{TP}}}{N_{\mathrm{TP}}+N_{\mathrm{FP}}} $$ (9) $$ R = \frac{{{N_{\mathrm{TP}}}}}{{{N_{\mathrm{TP}}} + {N_{\mathrm{FN}}}}} $$ (10) 式中:$ {N}_{\mathrm{T}\mathrm{P}} $为被正确检测出的大块煤数量;$ {N}_{\mathrm{F}\mathrm{P}} $为误检的大块煤数量;$ {N}_{\mathrm{F}\mathrm{N}} $为没有被检测出的大块煤数量。
交并比阈值设置为0.5时检测的平均精度为
$$ {P_{\mathrm{A}}} = \int_0^1 {P(R){\mathrm{d}}R} $$ (11) 式中$ P\left(R\right) $为精确率−召回率曲线。
3. 实验结果
3.1 改进YOLOv5模型识别结果
为验证改进YOLOv5模型引入并行空洞卷积、联合注意力机制的效果,在原始YOLOv5模型基础上增加不同模块,利用模拟平台数据集进行消融实验,结果见表1。可看出与原始YOLOv5模型相比,仅加入并行空洞卷积模块进行多尺度特征学习后,精确率、召回率、平均精度分别提升0.1%,2.6%,0.9%;仅加入联合注意力模块后,精确率、召回率、平均精度分别提升0.5%,1.6%,0.3%;2种模块均加入后,精确率、召回率和平均精度分别提升0.2%,3.4%,2.0%。
表 1 消融实验结果Table 1. Results of ablation experiments并行空洞卷积模块 联合注意力模块 精确率/% 召回率/% 平均精度/% × × 95.4 90.1 94.3 √ × 95.5 92.7 95.2 × √ 95.9 91.7 94.6 √ √ 95.6 93.5 96.3 为进一步验证本文改进YOLOv5模型性能,在模拟平台数据集上与经典模型Faster R−CNN和其他改进YOLOv5模型进行对比,结果见表2。可看出与YOLOv5模型相比,Faster R−CNN模型召回率和平均精度更低,且检测速度明显更慢;文献[8]由于优化了YOLOv5模型的颈部并删除了颈部和头部的1个特征分支,检测速度有所提升,但对大块煤检测的召回率提升较小;文献[10]和本文由于在YOLOv5模型的颈部加入注意力机制,增大了计算量,导致检测速度有所下降,但检测精度均有所提升,尤其本文提出的改进模型精度提升更加明显。
3.2 PLC联动示警结果
本地计算机上部署本文改进YOLOv5模型,对摄像仪采集的视频进行实时检测,获得带式输送机上大块煤数量,并向PLC发送信号指令,由PLC控制继电器执行相应操作,结果如图6所示。检测到只有1块大块煤时,亮起1个指示灯,进行提示;检测到2块大块煤时,亮起2个指示灯,进行警告;检测到3块及以上大块煤时,3个指示灯均亮起,进行报警。
3.3 实际场景检测结果
为验证改进YOLOv5模型的泛化性,在煤矿井下数据集上进行实验,不同模型检测精度对比结果见表3,可看出本文改进YOLOv5模型检测精度最高。
表 3 不同模型检测精度对比结果Table 3. Precision comparison results of different models模型 精确率/% 平均精度/% YOLOv5 88.3 90.9 YOLOv5+SCConv 93.9 94.3 YOLOv5+GnBlock 93.0 95.5 YOLOv5+DCBS3+DCTR 97.0 96.8 实际场景检测结果如图7所示。可看出原始YOLOv5模型和YOLOv5+GnBlock模型出现了漏检,YOLOv5+SCConv模型出现了误检,而本文改进YOLOv5模型有效避免了漏检和误检现象。
4. 结论
1) 为提升大块煤检测精度,对YOLOv5模型进行改进,在骨干网络引入并行空洞卷积模块以扩大感受野、提高多尺度特征学习能力,并在颈部引入联合注意力模块来提高对大块煤的定位能力。
2) 实验结果表明,改进YOLOv5模型的召回率、平均精度相对于原始YOLOv5模型分别提高了3.4%,2.0%,且有效避免了大块煤漏检和误检现象。
-
表 1 仿真材料设置
Table 1 Material settings for simulation
零件名称 材料 壳体 Steel_1010 衔铁 Steel_1010 极靴 Steel_1010 线圈 Copper 骨架 Teflon 表 2 关键尺寸参数变化范围
Table 2 Range of changes in key dimensional parameters
mm 参数 最小值 最大值 颗粒度 $\delta_ {{a}}$ −4 0 0.25 $\delta _{{b}}$ −0.4 0 0.05 $\delta _{{c1}}$ −0.05 0.05 0.01 $\delta _{{c2}}$ −0.05 0.05 0.01 $\delta _{{d}}$ −0.5 0.5 0.2 表 3 试验参数设置及计算结果
Table 3 Experimental parameter settings and calculation results
序号 δa/mm δb/mm δc1/mm δc2/mm δd/mm λ 1 −2 7.75 −0.05 −0.05 0 303.824 2 −2 7.75 −0.05 −0.05 0 337.021 3 −4 7.75 −0.05 0 0 290.789 4 −2 8.5 −0.05 0 −0.5 292.208 5 −2 7 −0.05 0 −0.5 277.848 $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ 49 −2 8.5 −0.05 0 0.5 265.928 表 4 方差分析
Table 4 Analysis of variance
方差来源 P值 方差来源 P值 方差来源 P值 模型 <0.000 1 δaδc1 0.714 6 δc1δd 0.722 1 δa 0.363 6 δaδc2 0.985 2 δc2δd 0.842 0 δb 0.000 4 δaδd 0.910 2 δa2 0.628 2 δc1 0.016 8 δbδc1 0.848 4 δb2 0.021 2 δc2 <0.000 1 δbδc2 0.309 3 δc12 0.436 9 δd 0.000 4 δbδd 0.000 8 δc22 0.875 1 δaδb 0.605 3 δc1δc2 0.883 1 δd2 0.225 5 表 5 参数优化前后对比
Table 5 Comparison before and after parameter optimization
参数 δa/mm δb/mm δc1/mm δc2/mm δd/mm $L$/mm ${F_{{\mathrm{av}}}}$ $\lambda $ 优化前 0 7.879 0.063 0.049 0 33.67 244.8 278.5 优化后 −4 7.5 −0.023 −0.05 0.5 69.31 270.2 339.5 -
[1] 张良,李首滨. 实用智能化采煤控制技术[M]. 北京:应急管理出版社,2022. ZHANG Liang,LI Shoubin. Practical intelligent coal mining control technology[M]. Beijing:Emergency Management Press,2022.
[2] 张宏,廉自生,熊晓燕,等. 先导阀电磁铁的吸力特性数值模拟与试验[J]. 煤炭学报,2008,33(3):339-342. ZHANG Hong,LIAN Zisheng,XIONG Xiaoyan,et al. Numerical simulation and experiment of thrust characteristic on electromagnet of pilot valve[J]. Journal of China Coal Society,2008,33(3):339-342.
[3] 李其朋,丁凡. 比例电磁铁行程力特性仿真与实验研究[J]. 农业机械学报,2005,36(2):104-107. LI Qipeng,DING Fan. Simulation and experimental study on force-stroke characteristics of proportional solenoid[J]. Transactions of the Chinese Society of Agricultural Machinery,2005,36(2):104-107.
[4] 柴玮锋,廖瑶瑶,廉自生,等. 矿用电磁阀动静态特性分析[J]. 液压与气动,2020,44(8):42-48. CHAI Weifeng,LIAO Yaoyao,LIAN Zisheng,et al. Analysis of dynamic and static characteristics of mine-used electromagnetic valve[J]. Chinese Hydraulics & Pneumatics,2020,44(8):42-48.
[5] 毛乐园,周连刚. 影响比例电磁铁吸力的结构因素研究[J]. 液压气动与密封,2019,39(2):41-44. MAO Leyuan,ZHOU Liangang. Structure factors study on influencing proportional solenoid suction[J]. Hydraulics Pneumatics & Seals,2019,39(2):41-44.
[6] 董润鹏,庄劲武,胡鑫凯. 基于田口算法的电磁铁结构的优化设计[J]. 电测与仪表,2020,57(15):147-152. DONG Runpeng,ZHUANG Jinwu,HU Xinkai. Optimal design of electromagnet structure based on Taguchi method[J]. Electrical Measurement & Instrumentation,2020,57(15):147-152.
[7] 李勇,丁凡,邵森寅,等. 低功耗力控制型比例电磁铁的研究[J]. 煤炭学报,2009,34(6):849-852. LI Yong,DING Fan,SHAO Senyin,et al. Force-control type proportional solenoid with low power consumption[J]. Journal of China Coal Society,2009,34(6):849-852.
[8] 唐康,许益民. 高频响阀用比例电磁铁仿真优化及制作[J]. 计算机仿真,2019,36(4):157-162. TANG Kang,XU Yimin. Simulation optimization and production of high-frequency valve with proportional solenoid[J]. Computer Simulation,2019,36(4):157-162.
[9] 周如林. 几种矿用本安型电磁先导阀对比分析[J]. 煤矿机械,2020,41(9):73-75. ZHOU Rulin. Comparative analysis of several mine intrinsically safe electromagnetic pilot valves[J]. Coal Mine Machinery,2020,41(9):73-75.
[10] 董建麟,廖瑶瑶,袁红兵,等. 矿用电磁先导阀驱动策略[J]. 液压与气动,2021,45(9):31-37. DONG Jianlin,LIAO Yaoyao,YUAN Hongbing,et al. Driving strategy of mine-used solenoid pilot valve[J]. Chinese Hydraulics & Pneumatics,2021,45(9):31-37.
[11] 魏列江,李彬杰,严晓岚,等. 线圈匝数对高速开关电磁铁响应时间影响研究[J]. 液压气动与密封,2018,38(2):79-82. WEI Liejiang,LI Binjie,YAN Xiaolan,et al. Study on the influence of coil turns on the response time for high-speed switching electromagnet[J]. Hydraulics Pneumatics & Seals,2018,38(2):79-82.
[12] 吴波,廉自生,刘远波. 基于Maxwell的电磁铁吸力特性研究[J]. 太原理工大学学报,2011,42(5):490-493. WU Bo,LIAN Zisheng,LIU Yuanbo. The study of electromagnet thrust characteristics based on Maxwell[J]. Journal of Taiyuan University of Technology,2011,42(5):490-493.
[13] 李派霞,张小军,刘科明. 基于双电压驱动下高速开关阀的特性研究[J]. 液压与气动,2018,42(7):59-64. LI Paixia,ZHANG Xiaojun,LIU Keming. Response characteristics of high-speed on-off valve with double voltage driving[J]. Chinese Hydraulics & Pneumatics,2018,42(7):59-64.
[14] 满军,丁凡,李勇,等. 耐高压大行程高速开关电磁铁的动态特性[J]. 煤炭学报,2010,35(5):871-875. MAN Jun,DING Fan,LI Yong,et al. Dynamic characteristics of high-pressure long-stoke high-speed on-off solenoid[J]. Journal of China Coal Society,2010,35(5):871-875.
[15] 施光林,钟廷修. 高速电磁开关阀的研究与应用[J]. 机床与液压,2001,29(2):7-9,17. SHI Guanglin,ZHONG Tingxiu. On the researches of high speed solenoid on/off valve and its applications[J]. Machine Tool & Hydraulics,2001,29(2):7-9,17.
[16] 杨健康,廉自生,马飞. 影响本质安全型电磁铁静态吸力特性的关键参数分析[J]. 太原理工大学学报,2012,43(5):603-605,609. YANG Jiankang,LIAN Zisheng,MA Fei. An analysis of key parameters that affect the static suction characteristics of the intrinsically safe electromagnet[J]. Journal of Taiyuan University of Technology,2012,43(5):603-605,609.
[17] 熊梦琦. 6通径液压阀用本质安全型防爆电磁铁设计与吸力特性研究[D]. 湘潭:湖南科技大学,2016. XIONG Mengqi. Design and research of attraction characteristic of the intrinsically safe solenoid for 6 way hydraulic valve[D]. Xiangtan:Hunan University of Science and Technology,2016.
[18] 徐龙,吴会刚,王志民. 矿用本安电磁铁性能研究及优化[J]. 煤矿机械,2023,44(9):40-43. XU Long,WU Huigang,WANG Zhimin. Research and optimization on performance of mining intrinsically safe electromagnet[J]. Coal Mine Machinery,2023,44(9):40-43.
[19] 胡经文,马思宇,于瑞,等. 基于磁源重构的本安型电磁铁动态性能优化设计[J]. 华中科技大学学报(自然科学版),2023,51(12):45-51. HU Jingwen,MA Siyu,YU Rui,et al. Research on dynamic characteristics of intrinsically safe water-based solenoid pilot valve[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition),2023,51(12):45-51.
[20] 李再天. 6通径本质安全型电磁换向阀设计与优化研究[M]. 杭州:浙江大学,2022. LI Zaitian. Design and optimization study of 6 diameter intrinsically safe directional solenoid valve[M]. Hangzhou:Zhejiang University,2022.
[21] 陈超鹏,全伟,吴明亮,等. 基于离散元法的油菜移栽垂直入土式成孔部件参数优化[J]. 湖南农业大学学报(自然科学版),2019,45(4):433-439. CHEN Chaopeng,QUAN Wei,WU Mingliang,et al. Parameter optimization of vertical soil-filling hole-forming parts for rapeseed transplantation based on discrete element method[J]. Journal of Hunan Agricultural University (Natural Sciences),2019,45(4):433-439.
-
期刊类型引用(0)
其他类型引用(3)