TypenΓΌbersicht hydrostatische Sensoren

Sensor: Typ HSA4/HSD4

Sensor: Typ HSD4/INC

Schlauchwaagensensor mit integriertem Inklinometer

Sensor: Typ HSD4-UA [Ultra Accuracy]

Sensor: Typ HSA2

Liquid Levelling Sensor PC5

Sensor: Typ HSA6

Schlauchwaagenmesssystem

Sensor: Typ HSA5

Sensor: Typ HSA7

Schlauchwaagensensor PC7
Sensor Mietpreis-Kalkulator am Beispiel eines HSD4 Sensors

Sensor Mietpreis-Kalkulator

Konfigurieren Sie Menge und Laufzeit – Ihr individueller Preis wird sofort berechnet.

StΓΌckpreis / Monat
–
Monatliche Rate
–
Gesamtkosten
–

Preiszusammensetzung

Basispreis 70,00 € / Stck. / Monat
Mengenrabatt –
Laufzeitrabatt –
Gesamtrabatt –
Ihr StΓΌckpreis –

VollstΓ€ndige Preisstaffel β€” StΓΌckpreis (€/Stck./Monat)

Laufzeit 1–5 Stck. 25 Stck. 50 Stck. 100 Stck. 200 Stck.
Grafana Chart Konfigurator
Schnellspeicher
Anzeigen
Beschriftung
Einheit
Min
Max
Nachkommastellen
Log-Basis
Anzeigen
Position
Anzeigemodus

Berechnungen
Modus
Sortierung
Vorschau Live
Grafana JSON
Chart-Bibliothek 0

Deformationsanalyse an einem Turbinentisch

Hier kΓΆnnen Sie die Ergebnisse einer Verformungsmessung an einem Turbinentisch sehen. Die Messung fand wΓ€hrend einer An- bzw. Abfahrt der Turbine statt. Solche Messungen sind nur mit dem Sensortyp HSA7 und der entsprechenden Software „POCO-Analyzer“ mΓΆglich. Das einzige Verfahren seiner Art, um solche geometrischen VerΓ€nderung wΓ€hrend des Betriebes der Turbine zu messen.

Ein entscheidender Punkt ist hier, die Berechnung von Ausgleichsebenen, auf Grundlage der iterativen Ist- und Sollwertanpassung der ermittelten Vertikalbewegungen (iterated closest point).

Das Iterative Closest Point (ICP)-Verfahren ist ein iterativer Algorithmus zur Registrierung und Ausrichtung von Punktwolken in der 3D-Datenverarbeitung. Ziel ist es, eine optimale Transformation (bestehend aus Rotation und Translation) zu bestimmen, die eine Quell-Punktwolke an eine Ziel-Punktwolke anpasst, um eine mâglichst genaue Überlagerung zu erreichen.

Der Algorithmus basiert auf den folgenden Schritten:

  1. Initialisierung: Eine AnfangsschÀtzung für die Transformation wird festgelegt, um die Punktwolken in eine grobe Übereinstimmung zu bringen.
  2. Zuordnung der Punkte: FΓΌr jeden Punkt in der Quell-Punktwolke wird der nΓ€chstgelegene Punkt in der Ziel-Punktwolke ermittelt. Diese Zuordnungen bilden die Korrespondenzpaare.
  3. Berechnung der optimalen Transformation: Unter Verwendung der Korrespondenzpaare wird eine Transformation (Rotation und Translation) berechnet, die die Summe der quadrierten AbstΓ€nde zwischen den korrespondierenden Punkten minimiert. Dies erfolgt hΓ€ufig durch die LΓΆsung eines Procrustes-Problems mittels Singular Value Decomposition (SVD).
  4. Transformation der Quell-Punktwolke: Die berechnete Transformation wird auf die Quell-Punktwolke angewandt.
  5. Iteration: Die Schritte 2 bis 4 werden wiederholt, bis eine Abbruchbedingung erfΓΌllt ist, beispielsweise wenn die VerΓ€nderung der Transformation zwischen aufeinanderfolgenden Iterationen unter einen vordefinierten Schwellenwert fΓ€llt oder eine maximale Anzahl an Iterationen erreicht ist.

Notwendige numerischen StabilitΓ€t und an den Einzelfall angepasste Algorithmen dienen exakten Berechnung der tatsΓ€chlich vorhandenen Deformationen.