Narrow Grooves Make Tuning Fork Gyroscope Easier to Achieve Tactical-Grade
Notice bibliographique
Résumé
This paper proposes a novel piezoelectric detection method based on flexible hinges with narrow grooves, which significantly enhances the sensitivity and resolution of tuning fork gyroscope (TFG) and makes it reach tactical-grade specifications. Aimed to elevate the performance of the classic TFG to tactical-grade, we introduced narrow grooves to the vibration arms in sensing direction to amplify stress concentration effects under Coriolis force, thereby improving the charge-output efficiency on sensing PZT pieces and achieving a high Signal-to-Noise Ratio. Through simulation, we optimized the parameters of the narrow grooves (1mm width and 1.7mm depth finally). And the experiment shows that a 690% improvement in sensing coefficient has been achieved. It also demonstrates that major breakthroughs have been staged in the modified TFG (M-TFG) compared to the classic TFG (C-TFG): sensitivity is increased by 520% and reached to 92.2 mV/(°/s), ARW is optimized to 0.03°/√h, bias drift is reduced to 5.43°/h, and resolution is improved by nearly an order (about 0.0048°/s/√Hz to 0.00048°/s/√Hz). Notably, the modified gyroscope (M-TFG) exhibits excellent long-term stability while meeting tactical-grade specifications with a practical bandwidth of 100Hz. This research provides an innovative solution for low-cost and high-performance TFGs, with close-loop excitation and open-loop detection. At the same time, we also verified the structural optimization's efficacy in sensitivity increase, resolution improvement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».