Kinetics analysis and strategy of compensation control study for feeding platform of curve saw for wood
-
摘要:目的送料平台是模仿木材锯切时人工送料研发的新型机构，平台末端姿态的准确性是保障锯切质量的关键。但是平台驱动支链多，误差从硬件方面进行控制很难实现，为提高板材曲线锯切时的送料精确度，本文提出一种补偿控制策略。方法运用拉格朗日法建立平台的动力学传递函数，通过动力学解析，分析平台关键部件的运动特征。通过数学解算、模拟仿真等方法，研究末端姿态的误差及其特性，从而建立相应的误差模型；以传统PID控制为基础，融合RBF神经网络进行参数优化，设计适用于送料平台的单神经元PID控制器，用以补偿各支链的驱动位移误差，实现实时补偿控制；运用Matlab和Adams联合仿真的方法对补偿控制策略进行验证和分析，并将成功的算法移植到试验台控制器中进行板材锯切试验。结果经文中设计的单神经元PI经文中设计的单神经元PID算法补偿后，送料平台末端轨迹曲线在X、Y方向偏移误差从补偿前的3 mm降至小于等于1.5 mm，倾斜角误差从补偿前的3.5°降至1.5°，平台末端轨迹曲线与指令曲线相比，在大部分曲线段完全重合。结论文中所设计的单神经元PID补偿控制策略可以有效提高木工锯送料平台末端姿态的准确性，经过补偿控制的送料平台可以实现板材的精密曲线锯切任务。Abstract:ObjectiveFeeding platform is a mechanism designed by imitating manual feeding when sawing wood board. The posture of platform end is the key to ensure sawing quality. A compensation control strategy was proposed in this paper to enhance the accuracy of end posture as the error of platform cannot be simply and efficiently compensated just through hardware.MethodFirstly, Lagrange method was used to establish the dynamic transfer function of the platform. Through dynamic analysis, the motion characteristics of the key components of the platform were analyzed. By simulation and other methods, according to mathematical solution, the error and its characteristics of the end posture were studied, thus a simple error model was established. Secondly, based on the traditional PID control and the parameter optimization function of RBF neural network, a single neuron PID controller suitable for the feeding platform was designed to compensate the driving displacement relation of each branch chain and to carry out real-time compensation control on the mechanism. Finally, the compensation control strategy was verified and analyzed by the joint method of Matlab and Adams, and the algorithm was transplanted to the controller of the feeding platform successively.ResultAfter compensation by the single neuron PID algorithm, the offset error of the end trajectory curve of the feeding platform in X and Y directions was reduced from 3 mm to less than 1.5 mm, and the angle error was reduced from 3.5° to 1.5°, and in most curve segments, the end trajectory curve of the platform completely coincides with the command curve.ConclusionThe SN-PID proposed by this paper can effectively improve the accuracy of the end posture of the woodworking saw feeding platform, and the feeding platform after compensation control can realize the precise cutting task of the wood plate.
-
Keywords:
- feeding platform /
- kinetics /
- single neural PID /
- compensation control
-
为应对全球气候变化，实现《巴黎协定》中在21世纪末将全球平均气温上升幅度控制在2 ℃以内，并且努力限制在工业化前水平的1.5 ℃以内的目标，节能减排已成为世界各个国家可持续发展的必要措施。土地利用的改变对减缓碳排放有着不可忽视的作用[1]，自从REDD + 机制出台以来，森林在减缓气候变化中的作用受到广泛关注[2]。而采用基于自然的措施（森林经营、避免森林转化、造林与再造林等）应对气候变化是一项经济、高效的举措。
基于自然的气候解决方案（NbS）是一种通过不断认识和了解自然规律，采用自然力量去解决问题的方法。在2019年联合国气候行动峰会上，NbS被列为联合国应对气候变化的九大行动之一[3]。尽管NbS这一术语是近10年才提出的，但是过去人类其实已经开展了许多类似的实践，例如通过生态工程造林、营林与再造林来吸收温室气体应对气候变化，通过种植红树林修复海岸带等，这些都是基于自然的解决路径。而针对于复杂的城市生态系统，城市林业、海绵城市等理念也都是基于自然的改善人民生活质量的解决方案[4]。有研究对20种涉及森林、草地、农田与水体等土地利用方案的自然应对气候变化方案的能力进行分析，结果显示到2030年，天然林恢复、减少毁林、森林经营与人工造林等措施是应对气候变化最强有力的解决方案[5]。假设在全球增加10亿hm2的森林，大约可以将自19世纪以来人类排放所有CO2总量的2/3吸收[6]。
当前对森林生态系统碳储量的研究方法已较为成熟。本文以自然的气候解决方案为视角，探讨2009—2014年北京市不同优势树种（组）森林碳储量的时空动态，探讨森林转化、造林与森林经营等林业活动在短期内对北京市森林碳储量、碳固持与碳损失的影响。
1. 研究方法与数据来源
1.1 森林面积及其变化
北京市行政区划矢量数据来自森林资源规划设计调查数据，DEM数据来自地理空间数据云GDEMDEM 30 m分辨率数字高程数据。森林资源基础数据均来自于北京市2009年和2014年森林资源规划设计调查，北京市森林资源规划设计调查数据为北京市全覆盖的小班区划数据，矢量图斑最小单位为小班，数据属性包括地类、林地属性、海拔、地貌、坡向、坡度、土壤厚度、土壤侵蚀、经营类型、起源、植被总覆盖、生态重要性、生态脆弱性、优势树种、树种组成、林分造林年份、林分平均年龄、龄组、林分平均胸径、林分平均树高、郁闭度、林分每公顷株数、郁闭度、自然度、群落结构以及经济林树种、灌草植被类型、散生四旁树相关信息。根据森林小班面积确定森林面积，根据优势树种（组）划分为侧柏（Platycladus orientalis）、落叶松（Larix spp.）、油松（Pinus tabuliformis）、桦木（Betula spp.）、栎树（Quercus spp.）、刺槐（Robinia pseudoacacia）、杨树（Populus spp.）、柳树（Salix spp.）、其他阔叶林、阔叶混交林与针阔混交林，并确定5个林龄组（幼龄林、中龄林、近熟林、成熟林与过熟林）及起源（人工林与天然林），本研究森林仅涉及郁闭度 ≥ 0.2的乔木林地，不包含其他灌木林与竹林地。
由于2009年与2014年森林小班区划范围不同，因此在进行空间叠加分析前，将森林小班矢量图斑通过面转栅格进行栅格化，采用30 m × 30 m网格作为基本单位，然后进行空间叠加分析，以判断森林面积的变化。选取3种不同的自然解决方案措施，分别为森林转化、造林与森林经营。（1）森林转化：2009年为森林，2014年为其他土地利用类型；（2）造林：2009年为其他土地利用类型，2014年为森林；（3）森林经营：2009年与2014年一直为森林。
对北京市DEM数据进行填洼后，选取海拔高度 > 130 m的地区，划定为北京市山地森林范围，其他地区为平原森林范围。数据的处理及制图均在ArcGIS10.4与Rstudio软件中完成。
1.2 森林碳储量、碳固持与碳损失
本文只讨论乔木层生物质碳储量，包括地上和地下生物量。采用IPCC材积源—生物量法[7-9]估算各个优势树种（组）小班的乔木碳储量：
Ct=V×WD×BEF×(1+RSR)×CF (1) 式中：Ct为小班的碳储量（109 kg），V为小班的蓄积量（m3），WD为树木的基本木材密度（t/m3），BEF为生物量扩展因子（无量纲），RSR为根茎比，CF为树种的含碳率（%）。具体生物量、碳计量参数按照不同优势树种（组）及不同林龄组划分，参数（表1）来源于现有文献资料收集及野外实测数据整理[10]。
Cd=CtS (2) 式中：Cd为小班平均碳密度（t/hm2），S为小班的面积（hm2）。
ΔC=Ct2−Ct1t2−t1 (3) 式中：
ΔC 为年固碳量（109 kg/a），数值大小代表了固碳能力的强弱，t1，t2，Ct1 ，Ct2 分别对应不同两个时期与该时期的碳储量。碳损失与碳固持现象分别对应同一地点两期数据碳密度下降与碳密度上升的情况。
CAR=CNMI×ARAM+CR (4) 式中：CAR为避免森林转化的碳固持估计量（109 kg），CNMI为实际情况下森林经营的碳储量净增量（109 kg），CR为实际情况下森林转化造成的碳损失（109 kg），AR为森林转化面积（104 hm2），AM为森林经营的面积（104 hm2）。
表 1 北京市不同森林类型碳储量计算参数表Table 1. Calculation parameters of carbon storage of different forest types in Beijing树种
Tree speciesBEF RSR WD CF 幼龄林
Young forest中龄林
Middle-aged forest近熟林
Near-mature forest成熟林
Mature forest过熟林
Overmature forest幼龄林
Young forest中龄林
Middle-aged forest近熟林
Near-mature forest成熟林
Mature forest过熟林
Overmature forest侧柏 Platycladus orientalis 1.847 1.497 1.233 1.245 1.535 0.218 0.233 0.329 0.384 0.365 0.478 0.510 落叶松
Larix spp.1.644 1.281 1.229 1.150 1.416 0.205 0.211 0.188 0.239 0.284 0.490 0.521 油松
Pinus tabuliformis1.811 1.519 1.468 1.351 1.571 0.247 0.264 0.196 0.234 0.238 0.360 0.521 桦木
Betula spp.1.526 1.395 1.252 1.109 1.180 0.229 0.279 0.235 0.190 0.212 0.541 0.491 栎类
Quercus spp.1.380 1.327 1.360 1.474 1.587 0.260 0.275 0.410 0.281 0.153 0.676 0.500 刺槐
Robinia pseudoacacia1.386 1.386 1.386 1.386 1.386 0.257 0.257 0.257 0.257 0.257 0.441 0.501 杨树
Populus spp.1.496 1.369 1.390 1.460 1.441 0.259 0.227 0.171 0.209 0.149 0.378 0.496 柳树
Salix spp.1.821 1.821 1.821 1.821 1.821 0.288 0.288 0.288 0.288 0.288 0.443 0.485 其他阔叶树
Other broadleaved species1.547 1.495 1.480 1.487 1.514 0.319 0.324 0.330 0.308 0.280 0.513 0.495 阔叶混交林
Broadleaved mixed forest1.547 1.495 1.480 1.487 1.514 0.319 0.324 0.330 0.308 0.280 0.513 0.495 针阔混交林
Coniferous and broadleaved mixed forest1.620 1.474 1.423 1.407 1.512 0.287 0.295 0.299 0.300 0.285 0.489 0.502 注：BEF 为生物量扩展因子，RSR 为根茎比，WD 为树木的基本木材密度(t/m3)，CF 为树种的含碳率。下同。Notes: BEF is the biomass expansion factor, RSR is the ratio of root to shoot, WD is basic wood density of the tree (t/m3), and CF is the carbon content of tree. The same below. 2. 结果与分析
2.1 北京市森林碳储量变化情况
2009年北京市森林面积为32.10 × 104 hm2，2014年增加至40.45 × 104 hm2，5年间净增长8.35 × 104 hm2，年均增长1.67 × 104 hm2/a。2014年与2009年相比，北京市各个区县的森林面积和生物量碳储量均有所增加。其中面积增长最多的为怀柔区，占5年内北京市森林面积总增量的22.9%，其次是延庆区与通州区，分别占比13%与11.7%（图1）。
![]()
图 1 北京市不同区县森林面积增长量占比及碳储量增长量占比Figure 1. Proportion of forest area increase and carbon storage increase in different districts in Beijing2009年北京市森林（乔木层）碳储量为4.96 × 109 kg，平均碳密度为15.45 t/hm2；2014年碳储量为6.41 × 109 kg，平均碳密度为15.84 t/hm2。5年内碳储量净增量为1.45 × 109 kg，年均碳固持量为0.29 ×109 kg/a。北京市各区森林碳储量增长占比较高的分别是顺义区（21.8%）、大兴区（15.6%）及昌平区（10%）。由图1可知，密云区、顺义区、平谷区、昌平区、门头沟区及北京城区森林碳储量的增量占比高于森林面积增量占比，以上区县的森林固碳能力相对较好。
2.2 北京市森林碳密度变化情况
对北京市森林碳密度进行空间显示（图2a和图2b）。2009年北京市森林平均碳密度为15.45 t/hm2，其中山地森林平均碳密度为12.27 t/hm2，平原森林平均碳密度为23.49 t/hm2。2014年北京市森林平均碳密度为15.84 t/hm2，其中山地12.71 t/hm2。平原22.71 t/hm2。2014年北京市森林面积较2009年有所增加，但西北和东南部分区域出现了森林面积增加，但碳密度下降的情况。
将平均碳密度等级分为3类：高碳密度（> 15 t/hm2）、中碳密度（7 ~ 15 t/hm2）低碳密度（< 7 t/hm2）。由图3可知，北京市山地森林5年内各碳密度等级面积均有所增长，其中低碳密度、中碳密度和高碳密度的山地森林面积分别增长占面积总增长量的20.44%、52.46%和27.10%。北京市平原森林5年内各碳密度等级面积也均有所增长，其中低碳密度、中碳密度和高碳密度的平原森林面积分别增长64.39%、4.97%和30.64%。平原森林面积总量在各个碳密度等级的面积均低于山地森林，但两者分布情况不同。以2014年为例，平原地区低、中、高碳密度等级的森林面积占比分别为36.93%、17.25%和45.82%，而山地低、中、高碳密度等级的森林面积占比分别为24.19%、48.97%和26.84%。相比而言，山地森林主要为中碳密度森林，而平原森林高碳密度等级的面积占比较大。
2.3 不同起源、林龄森林面积及碳储量变化情况
北京市人工林广泛分布于山地与平原，天然林主要分布于山地，平原分布极少。对不同林龄的天然林、人工林面积、碳储量与碳密度进行分析。由表2可知，北京市森林以人工林为主，2009年和2014年人工林面积占比分别为54.86%和55.55%。总体上5年内人工林与天然林面积均有所增加，人工林面积增量为0.97 × 104 hm2/a，天然林增量为0.70 × 104 hm2/a，5年内总碳储量分别增加1.02 × 109 kg与0.43 × 109 kg，平均碳密度变化为0.15 t/（hm2·a）与−0.02 t/（hm2·a）。北京市人工林碳储量和平均碳密度均有所增长，而天然林尽管碳储量保持增长，但平均碳密度并未明显增长反而下降。在人工林中，过熟林碳密度明显高于其他林龄组，但中幼龄林占比较大，且过熟林面积有轻微的减少。天然林同样中幼龄林占比较大，所有林龄组面积均有所上升，但天然林不同林龄组间碳密度差别不明显。
表 2 不同林龄人工林、天然林面积碳储量统计表Table 2. Statistical table of carbon storage in plantation and natural forest area of different forest ages起源
Origin林龄
Stand age2009 2014 面积/104 hm2
Area/104 ha碳储量
Carbon storage/
109 kg碳密度/(t·hm−2)
Carbon density/
(t·ha−1)面积/104 hm2
Area/104 ha碳储量
Carbon storage/
109 kg碳密度/(t·hm−2)
Carbon density/
(t·ha−1)人工林
Plantation幼龄林 Young forest 6.11 0.90 14.77 9.94 1.17 11.78 中龄林 Middle-aged forest 5.33 0.95 17.79 5.77 1.27 21.94 近熟林 Near-mature forest 2.87 0.45 15.76 2.93 0.66 22.61 成熟林 Mature forest 2.75 0.56 20.36 3.27 0.76 23.30 过熟林 Overmature forest 0.57 0.24 42.15 0.56 0.27 46.97 合计 Total 17.61 3.10 17.62 22.47 4.12 18.35 天然林
Natural forest幼龄林 Young forest 7.76 0.90 11.64 8.10 0.87 10.80 中龄林 Middle-aged forest 5.02 0.65 13.04 7.22 1.02 14.15 近熟林 Near-mature forest 1.16 0.20 17.53 1.51 0.22 14.47 成熟林 Mature forest 0.49 0.09 18.86 1.03 0.16 15.40 过熟林 Overmature forest 0.06 0.01 13.77 0.13 0.02 13.37 合计 Total 14.49 1.86 12.85 17.98 2.29 12.74 北京市人工林中，成熟林和过熟林平均碳密明显高于其他龄林组。由于北京市人工林当前林龄结构偏低龄化，2014年幼龄林、中龄林和近熟林总面积占比82.96%，未来随着平均林龄的增长，平均碳密度仍有较大的增长潜力，总碳储量也将进一步增加。而天然林各林龄组森林面积均在增长，但平均碳密度变化不大，对于北京市森林碳储量增长的贡献远不及人工林。
2014年北京市人工林平均碳密度为18.35 t/hm2，天然林平均碳密度为12.74 t/hm2，人工林平均碳密度整体高于天然林。对比全国其他省份的研究结果可知（表3），北京市森林平均碳密度远低于全国水平[9]，特别是天然林碳密度。北京市与山东省人工林碳密度高于天然林碳密度，这与全国其他地区有所不同。但二者不同之处在于山东省人工林占比非常大，高达全省森林的80.72%，天然林面积占比相对较低。而北京市人工林面积占比达到55.55%，且人工林碳密度已较接近全国平均水平，这更加突出了北京市天然林的固碳能力较低，而人工林对于北京市森林固碳更加重要。
表 3 全国不同地区人工林、天然林森林碳密度对比Table 3. Comparison of carbon density of plantations and natural forests in different regions地区 Region 碳密度/(t·hm−2) Carbon density/(t·ha−1) 年份 Year 参考文献 Reference 人工林 Plantation 天然林 Natural forest 合计 Total 河南 Henan 22.49 26.72 24.31 2013 [11] 陕西 Shaanxi 18.30 35.45 30.92 2004 [12] 山东 Shandong 27.89 17.56 27.24 2013 [13] 安徽 Anhui 19.04 22.60 20.81 2014 [14] 全国 Nationwide 18.90 44.63 37.28 2010 [9] 北京 Beijing 18.35 12.74 15.85 2014 本文 This study 2.4 不同优势树种（组）的碳储量与碳密度
2009—2014年间（表4），北京市人工林中以油松的面积最大，而面积增长最快的是阔叶混交林，5年间面积增长为0.47 × 104 hm2/a。人工林碳储量最高且增长速度最快的是杨树林，远超出其他优势树种（组）。2009—2014年间，北京市杨树人工林碳储量由0.88 × 109 kg增加至1.54 × 109 kg，5年内总碳储量增加0.66 × 109 kg；平均碳密度由29.23 t/hm2增加至40.64 t/hm2，年均增长2.28 t/（hm2·a），2014年人工杨树林碳密度也明显高于其他人工林优势树种（组）。
表 4 不同优势树种森林面积及碳储量统计表Table 4. Statistical table of forest area and carbon storage of different dominant tree species起源 Origin 优势树种 Dominant tree species 2009 2014 面积/104 hm2
Area/104 ha碳储量
Carbon storage/
109 kg碳密度/(t·hm−2)
Carbon density/
(t·ha−1)面积/104 hm2
Area/104 ha碳储量
Carbon storage/
109 kg碳密度/(t·hm−2)
Carbon density/
(t·ha−1)人工林
Plantation油松 Pinus tabuliformis 5.00 0.56 11.29 5.52 0.56 10.18 杨树 Populus spp. 3.01 0.88 29.23 3.79 1.54 40.64 侧柏 Platycladus orientalis 2.14 0.27 12.45 3.04 0.47 15.31 阔叶混交林
Broadleaved mixed forest1.96 0.36 18.33 4.33 0.80 18.35 针阔混交林
Coniferous and broadleaved mixed forest1.91 0.23 12.13 1.84 0.27 14.72 其他阔叶林
Other broadleaved forest1.21 0.36 29.48 1.77 0.17 9.37 栎类 Quercus spp. 0.78 0.12 15.14 0.09 0.01 12.53 落叶松 Larix spp. 0.75 0.14 18.70 0.62 0.11 18.22 刺槐 Robinia pseudoacacia 0.63 0.09 13.80 0.85 0.10 12.26 柳树 Salix spp. 0.24 0.10 41.33 0.61 0.10 15.91 天然林
Natural forest栎类 Quercus spp. 5.62 0.80 14.20 8.75 1.18 13.50 阔叶混交林
Broadleaved mixed forest3.43 0.41 11.84 3.20 0.46 14.35 其他阔叶林
Other broadleaved forest1.94 0.22 11.42 1.12 0.16 14.22 侧柏 Platycladus orientalis 1.18 0.11 9.39 1.94 0.14 7.01 杨树 Populus spp. 0.72 0.08 11.81 0.50 0.04 9.06 桦木 Betula spp. 0.60 0.11 18.78 0.67 0.13 19.24 针阔混交林
Coniferous and broadleaved mixed forest0.57 0.07 11.66 0.68 0.08 12.27 油松 Pinus tabuliformis 0.43 0.06 14.12 1.03 0.08 8.04 2009—2014年，北京市天然林中栎类的面积最大，且面积增长速度最快，为0.62 × 104 hm2/a，占到天然林面积增长总量的91.79%，总碳储量增加了0.38 × 109 kg。多个优势树种的天然林呈现出面积减少、平均碳密度下降，面积和碳密度同时保持增长的只有桦木和针阔混交林。整体而言，天然林面积增加对北京市森林碳储量的贡献并不明显，5年内天然林面积增加了3.41 × 104 hm2，总碳储量仅增加0.41 × 109 kg。与此同时，北京市人工林中杨树林面积增长总量为0.78 × 104 hm2，总碳储量却增加了0.66 × 109 kg，比所有天然林碳储量总增量还要多。
2.5 森林转化、造林与森林经营对北京市森林碳储量的影响
通过对比2014年与2009年北京市森林分布格局，分析土地利用变化中森林的转入与转出情况，将自然的解决方案分为3类基本措施：森林转化、造林与森林经营。
如图4所示，a表示森林转化为其他土地所造成的碳损失分布状况；b表示造林碳固持分布状况；c表示森林经营过程中的碳密度变化状况。值得注意的是，森林经营对碳密度的影响存在较大的空间异质性，并非全部森林经营区域的碳密度均上升，西北部山地森林出现较大区域碳密度下降情况。
![]()
图 4 不同方案下森林碳密度变化图Figure 4. Variation of forest carbon density under different measures2009—2014年间北京市森林转化为其他土地的面积为1.36 × 104 hm2/a，造林面积为3.04 × 104 hm2/a，森林经营面积为25.66 × 104 hm2（图5）。森林经营在空间上同时存在碳固持与碳损失现象，其中平均碳密度提高的森林经营面积为14.69 × 104 hm2，平均碳密度减小的森林经营面积为10.97 × 104 hm2。5年内森林转化共造成了1.06 × 109 kg的碳损失，造林带来了2.10 × 109 kg的碳固持，森林经营过程中有1.62 × 109 kg的碳固持与1.21 × 109 kg的碳损失，净增量为0.41 × 109 kg。对森林经营过程中表现为碳损失的森林面积进一步分析发现，2009至2014年间平均林龄降低的森林面积占到15.95%，优势树种发生变化的森林面积占森林经营碳损失面积的18.57%。上述情况可能是由于采伐或树种更新造成的结果，但仍提示存在其他重要的因素影响着森林经营过程中的平均碳密度变化。
![]()
图 5 3种自然方案面积、碳储量变化统计图a. 为森林面积变化，b ~ d. 为不同地区碳储量变化。a represents the change of forest area, b−d represent the change of carbon storage in different areas.Figure 5. Statistical figure of total carbon storage change of three nature measures山地森林的3种自然的解决方案中，森林经营面积21.04 × 104 hm2，占到全北京市森林经营面积的81.99%；造林面积8.03 × 104 hm2，森林转化面积仅为4.34 × 104 hm2。2009—2014年间，山地造林带来了0.83 × 109 kg的碳固持，森林转化造成了0.52 × 109 kg的碳损失，森林经营造成了0.96 × 109 kg的碳固持与0.88 × 109 kg的碳损失，净增量为0.08 × 109 kg。总体而言，北京市山地森林中森林转化与造林等人为干扰活动不是很剧烈，但是森林经营活动造成的碳损失较大，占到2009—2014年北京市森林总碳损失的38.36%（包括森林转化）。
北京市平原森林主要为人工林，3种自然的解决方案中造林面积占比最大，2009—2014年间总造林面积为7.17 × 104 hm2，占到同期北京市总造林面积的46.86%。其次为森林经营，面积为4.62 × 104 hm2。森林转化面积最小，为2.46 × 104 hm2。2009—2014年间造林活动对北京市平原森林碳储量变化的影响最大，共增加了1.27 × 109 kg的碳固持；森林转化造成了0.54 × 109 kg的碳损失；森林经营造成了0.66 × 109 kg的碳固持与0.33 × 109 kg的碳损失，碳储量净增量为0.33 × 109 kg，对平原地区碳储量变化影响较小。
在当前北京市森林经营的水平下，假定2009—2014年间避免森林转化现象的发生，会使北京市森林面积总量增加6.80 × 104 hm2，同时增加1.17 × 109 kg的碳储量。实际情况下2009—2014年间由造林与森林经营带来的碳固持量分别为2.10 × 109 kg与0.41 × 109 kg。避免森林转化、造林和森林经营3种方案5年内对森林平均碳密度贡献分别为17.21、13.82与1.59 t/hm2。这表明避免森林转化是当前北京市效果较好的森林固碳方案。
3. 讨论与讨论
3.1 结 论
2009—2014年间，北京市森林面积净增长1.67 × 104 hm2/a，森林生物质碳储量净增长1.45 × 109 kg，年均碳固持量为0.29 × 109 kg/a。
北京市天然林主要分布于山地森林，人工林同时广泛存在于山地与平原。北京市山地森林面积与碳储量总量大，但碳密度低于平原森林。北京市人工林面积总量高于天然林，且人工林平均碳密度明显高于天然林，特别是人工过熟林，拥有较高的碳密度。在不同森林类型中，人工林杨树林的碳储量和平均碳密度增长最快，固碳效果尤为突出。随着林木的生长成熟，北京市森林碳储量仍有较强的增长潜力。
2009—2014年间，北京市由于森林转化造成了1.06 × 109 kg的碳损失，但通过造林带来了2.10 × 109 kg的碳固持。森林经营过程中有1.62 × 109 kg的碳固持与1.21 × 109 kg的碳损失，碳储量净增量0.41 × 109 kg。山地森林以森林经营活动为主，森林转化和造林活动强度较低，但森林经营过程中碳损失现象严重。总体上山地森林碳储量有所增加，但平均碳密度略有降低。平原森林碳储量和平均碳密度增加明显，造林活动的贡献占据主导作用。北京市采取减少森林转化是一种十分有效的增汇措施，其次是造林。对山地森林应主要加强科学的森林经营与管理，并尽可能避免毁林；平原地区应进一步扩大造林范围，并尽可能避免森林转化的发生。
3.2 讨 论
森林恢复目前仍然是应对气候变化的热点话题，如果将全球所有可造林地全部覆盖上森林，将会产生巨大的碳汇，成为迄今为止最为有效的气候变化应对措施[15]。但是树木作为一种容易受到干扰的碳汇，在出现森林火灾、商业性采伐、开发性林地征占等干扰的情况下，较为容易从碳汇转变为碳源，这将失去森林应对气候变化的优势。
对比本文对几种自然解决方案的研究结果发现，2009—2014年间北京市平原地区造林面积只占山地造林面积的89.29%，固碳量却是山地造林的153.01%；而平原地区森林转化面积只占到山区森林转化面积的56.68%，所造成的碳损失量却是山地森林的103.84%。平原森林经营面积仅占山地森林经营面积的21.96%，但平原森林经营造成的碳储量净增量是山地森林经营412.50%。这一方面说明平原地区森林乔木林拥有较强的固碳能力，同时也表明北京市需要重点解决山地森林的经营管理问题。
综合表明，北京市平原森林面积变化相比山地森林更加剧烈，平原地区森林转化与造林对北京市森林碳储量产生了较大的影响，是北京市森林碳储量变化的主要原因。北京市山地森林的造林与森林转化活动较弱，但森林经营过程中的碳损失较大，造成北京市山地森林碳储量增长效果并不明显。
对于北京这样的国际化大都市而言，未来可造林地面积有限，城市扩张与基础建设还可能发生土地利用竞争。当造林面积趋于饱和，北京市森林碳汇的增长则只能由加强森林经营与避免森林转化来继续保持。从这个角度考虑，要使北京市森林乔木林成为应为气候变化的有效手段，避免森林转化与加强森林经营比造林更为重要。应在大力发展造林的基础上，加大森林保护力度、提高森林经营水平，进行科学的森林生态系统管理，尽可能避免在森林经营过程中出现碳损失的现象。
由于数据限制，本文仅分析了2009—2014年间的森林转化、造林与森林经营过程，无法从较长时间段的角度来考虑土地利用类型的变化，因而可能会导致上述3种活动的面积不够准确。例如：由于森林转出的土地利用类型未知，可能会将暂时的采伐迹地划入到“森林转化”面积，而并未将其划分到“森林经营”的范畴。研究还发现，北京市森林经营过程中存在较大面积的碳损失情况，通过分析表明平均林龄的降低与优势树种（组）的变化是可能的原因，但并不是其主要因素。由于数据限制，本文未能明确北京市森林经营过程中碳损失的其他主要驱动因素。此外，2012年以来北京市实施了大规模的平原造林工程，造林过程中使用了大量的大树移植。很显然这部分移植来的生物量碳并不能全部视为这一时期内造林所形成的碳固持量，一部分是碳的空间转移的结果。因此本文可能在一定程度上高估了北京市造林实际的碳贡献。
-
![]()
图 1 一种送料平台结构示意图
D、E、F、M、N为丝杠传动组；LD、LE、LF为连杆；Oj为等效锯切点；l1、l2为丝杠长度；l5为连杆LE和夹具铰接点与丝杠E的距离；a为丝杠间距；b为相邻铰接点间距；h为Y向丝杠M与光杆间距；θ'为夹具结构角；θ31为丝杠D和连杆LD夹角；θ32为丝杠E和连杆LE夹角；θ33为丝杠F和连杆LF夹角。D, E, F, M and N are screw drive modules，LD, LE and LF are connecting-rods，Oj is equivalent sawing point, l1 and l2 are length of screw，l5 is distance from joint that clamp and rod LE to screw E，a is distance between adjacent screw，b is the distance between adjacent joint，h is distance between screw M and polish rod of direction Y，θ' is structural angle of clamp，θ31 is included angle between screw D and rod LD，θ32 is included angle between screw E and rod LE，θ33 is included angle between screw F and rod LF.
Figure 1. Diagrammatic sketch of feeding platform
![]()
图 2 支链D结构解析图
OjXjYj为等效锯切点坐标系；lD4为螺母D初始位置到等效锯切点距离；θ为夹具转角；β为d和e夹角；d为连杆LD和夹具的铰接点与等效锯切点间距离；e为夹具底边中心点与等效锯切点间距离；yD为螺母D初始位置到丝杠D右侧的距离；LD为连杆。OjXjYj is coordinate system of equivalent sawing point，lD4 is distance from nut D initial position to equivalent sawing point，θ is rotation angle of clamp，β is include angle of d and e，d is distance from joint of rod LD and clamp to equivalent sawing point，e is distance from center point of clamp’s bottom line to equivalent sawing point，yD is distance from nut D initial position to right of screw D，LD is connection-rod.
Figure 2. Analysis of branched chain D
![]()
图 4 角度调节机构各连杆形变对末端姿态的影响曲线
Figure 4. The curve effected to end posture from deformation of each connect-rod of angle adjusting mechanism
![]()
图 5 丝杠传动误差对连杆转角的影响曲线
Figure 5. Curves effected to angle of joint rotation from transfer motion error of screw
![]()
图 6 支链D单神经元PID控制器方案
yi. 输入信号Input signal；yd. 输出信号Output signal；kp. 比例系数Scale factor；ki. 积分系数Integral factor；kd. 微分系数Differential factor；e. 误差Error；u. 补偿后输入信号Input signal after compensation；f. 干扰信号Disturb signal
Figure 6. Control strategy of SN-PID of branch D
![]()
图 7 Matlab与Adams联合仿真Simulink模型
error_x、error_y、error_1、error_2和error_3为各螺母位移误差；x、y、lD、lE和lF为各螺母输入位移；output_x、output_y、output_1、output_2和output_3为各螺母输出位移；output_j为夹具输出转角。error_x, error_y, error_1, error_2 and error_3 are errors of displacement of each nut. x, y, lD, lE and lF are input displacement of each nut. output_x, output_y, output_1, output_2 and output_3 are output displacement of each nut. output_j is rotation angle of clamp.
Figure 7. Simulink model for simulation through Matlab and Adams
![]()
图 10 送料平台试验样机及加工轨迹曲线
Figure 10. Model machine of feeding platform and the curve of trajectory
表 1 夹具转角
θ 与l5关系Table 1 Relationship about rotation angle θ of clamp and l5
θ/rad 0.506 0.454 0.401 0.367 0.349 0.331 0.314 0.297 l5/mm 147 138 134 123 123 117 110 104 θ/rad 0.262 0.244 0.227 0.209 0.175 0.140 0.122 l5/mm 99 95 85 76 65 48 30 
下载: 导出CSV
-
[1] 朱城伟, 朱大昌, 陈健伟, 等. 3-RPS并联机构SMC控制系统仿真[J]. 机械设计与制造, 2018(9):119−122. doi: 10.3969/j.issn.1001-3997.2018.09.033 Zhu C W, Zhu D C, Chen J W, et al. SMC control system simulation of 3-RPS parallel mechanism[J]. Machinery Design & Manufacture, 2018(9): 119−122. doi: 10.3969/j.issn.1001-3997.2018.09.033
[2] 柴保明, 王远东. 3TPT并联机构的误差补偿方法[J]. 机床与液压, 2013, 41(17):85−90. doi: 10.3969/j.issn.1001-3881.2013.17.022 Chai B M, Wang Y D. An error compensating method for 3TPT parallel mechanism[J]. Machine Tool & Hydraulics, 2013, 41(17): 85−90. doi: 10.3969/j.issn.1001-3881.2013.17.022
[3] Ni Y B, Wu N, Zhong X Y, et al. Dimensional synthesis of a 3-DOF parallel manipulator with full circle rotation[J]. Chinese Journal of Mechanical Engineering, 2015, 28(4): 830−840. doi: 10.3901/CJME.2015.0122.051
[4] 秦海宁, 姚单, 杜渝. 3-PRR并联机器人空间位置分析及误差研究[J]. 激光杂志, 2017, 38(12):92−95. Qing H N, Yao D, Du Y. The analysis and error research of 3-PRR parallel robot space position[J]. Laser Journal, 2017, 38(12): 92−95.
[5] Vinoth V, Singh Y, Santhakumar M. Indirect disturbance compensation control of a planar parallel (2-PRP and 1-PPR) robotic manipulator[J]. Robotics and Computer-Integrated Manufacturing, 2014, 30(5): 556−564. doi: 10.1016/j.rcim.2014.03.010
[6] Castillo-Castaneda E, Takeda Y. Improving path accuracy of a crank-type 6-dof parallel mechanism by stiction compensation[J]. Mechanism and Machine Theory, 2008, 43(1): 104−114. doi: 10.1016/j.mechmachtheory.2006.12.002
[7] 夏筱筠, 林浒. 基于双模糊控制算法的数控机床过象限误差补偿方法研究[J]. 小型微型计算机系统, 2018, 39(5):241−245. Xia X J, Lin H. Study on the compensation for the over quadrant error of CNC based on the dual fuzzy control algorithm[J]. Journal of Chinese Computer Systems, 2018, 39(5): 241−245.
[8] 彭志文, 高宏力, 梁超, 等. RBF神经网络补偿的并联机器人控制研究[J]. 机械设计与制造, 2018(3):252−259. doi: 10.3969/j.issn.1001-3997.2018.03.074 Peng Z W, Gao H L, Liang C, et al. Research on parallel robot control based on RBF neural network compensation[J]. Machinery Design & Manufacture, 2018(3): 252−259. doi: 10.3969/j.issn.1001-3997.2018.03.074
[9] Behrad D, Sasan T, Brian S, et al. A novel adaptive neural network compensator as applied to position control of a pneumatic system[J]. Intelligent Control & Automation, 2011, 2(4): 388−395.
[10] Niu K, Wang J, Ting K L, et al. Output error analysis of planar 2-dof five-bar mechanism[J]. IOP Conference Series: Materials Science and Engineering, 2018, 324(1): 1−5.
[11] Si H, Wang L. Error compensation in the five-axis flank milling of thin-walled workpieces[J]. Proceedings of the Institution of Mechanical Engineers, 2019, 233(4): 1224−1234. doi: 10.1177/0954405418780163
[12] Schneider H, Drust M, Puzik A, et al. Compensation of errors in robot machining with a parallel 3D-piezo compensation mechanism[J]. Procedia Cirp, 2013, 7(12): 305−310.
[13] 丁建文, 郝宁仲, 徐兆军, 等. 数控木工曲线带锯机的研制[J]. 木材加工机械, 2005(3):16−19. doi: 10.3969/j.issn.1001-036X.2005.03.004 Ding J W, Hao N Z, Xu Z J, et al. Development of the numerical control woodworking curve band saw[J]. Wood Processing Machinery, 2005(3): 16−19. doi: 10.3969/j.issn.1001-036X.2005.03.004
[14] Niu K J, Wang J, Kwun-Lon T, et al. Output error analysis of planar 2-DOF five-bar mechanism[J]. Applied Mechanics and Materials, 2013, 324(1): 1−5.
-
期刊类型引用(3)
1. 张欢欢，范挺秀，高双成，范丙友，史国安. 2个牡丹切花品种核型、花药形态与花粉特性的比较. 浙江农业学报. 2025(02): 329-337 . 
百度学术
2. 孙榕泽，宋焕芝，蒋珈琦，于晓南. 三倍体芍药品种染色体制片优化和核型分析. 河北农业大学学报. 2024(03): 46-55 . 百度学术
3. 段英姿，客绍英，王晓英，张胜珍，马艳芝. 15个油用紫斑牡丹品种核型及亲缘关系分析. 种子. 2023(07): 96-104 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 2661
- HTML全文浏览量: 1068
- PDF下载量: 51
- 被引次数: 3
