质点系相对动矩心的动量矩定理

本文证明了质点系相对于动点的动量矩定理，在此基础上分析了几种特殊动点的简单形式的动量矩定理，并通过算例说明其实际应用。     

博世力士乐携尖端绿色解决方案亮相bauma China 2012

11月27日,博世力士乐重磅亮相上海bauma China 2012。现场展出的一系列先进解决方案几乎涵盖工程机械领域的所有应用,印证了博世力士乐伴随中国工程机械行业共同发展,以及帮助本土客户积极应对商业挑战的决心。博世力士乐以"4EE高能效理念"为本次参展主题,带来了以能源系统设计、高能效元件、能量再生、按需使用能源这四大技术支柱作为基石的多元化解决方案。本次展出的液压飞轮能量回收系统HFW、按需提供能量的工作系统EDIS等产品即是博世力士乐践行环保理念的有力     

基于RELAP5的核动力装置故障诊断数据源研究

为解决故障状态下的核动力装置数据源问题,本文建立了核动力装置一、二回路系统的模型,选择秦山一期核电站为对象,利用RELAP5对蒸汽发生器U型管破裂进行计算.通过结果分析可知所建立的模型节点划分是合理的、数据卡编制准确,基于该模型产生的数据可信.将开发的数据与基于神经网络的故障诊断系统联调,诊断测试结果表明数据准确、充分,可以为核动力装置的故障诊断系统的研究提供数据支持.     

基于ARIMA和LSTM组合模型的核电厂主泵状态预测

为了对核电厂主泵的运行过程进行监测和追踪,进而提高主泵的预警能力,提出了基于差分自回归移动平均（ARIMA）和长短期记忆（LSTM）神经网络组合模型的主泵状态预测方法,并用该方法对某核电厂主泵止推轴承温度和可控泄漏流量进行单步和多步预测,以根均方误差（RMSE）为指标对预测精度进行评估。结果表明,所建立的ARIMA和LSTM神经网络组合模型能够对主泵的状态进行准确的预测和追踪,并且组合模型的预测精度要优于ARIMA和LSTM单一模型,尤其在多步预测中,组合模型的优势更加明显。      

交换机故障类型及分析方法

介绍了程控交换机常出现的故障类型并通过实例介绍了交换机出现故障后分析故障的方法。     

基于PCA的主泵传感器状态监测模型

核电厂主泵的主、辅系统中布置了大量的传感器，随着主泵的运行，传感器会出现不同程度的老化或故障。为了改善现有核电厂传感器周期性测试和校准方案的不足，提高运行的安全性与经济性，采用主成分分析（PCA）技术对主泵的传感器进行状态监测。使用某核电厂主泵的运行数据建立PCA监测模型，并利用该模型对传感器的小漂移故障和共模故障进行识别，仿真结果表明该模型对主泵传感器具有很好的监测效果。      

基于模糊神经网络的核动力装置设备故障诊断系统研究

将模糊逻辑与神经网络相结合,对模糊逻辑和神经网络的区别和联系进行了阐述,并探讨了它们之间的结合．模糊神经网络结构及其实现算法,并将这一理论应用于核动力装置故障诊断,建立了基于模糊神经网络的船用核动力装置故障诊断系统。为了验证该系统的有效性,以蒸汽发生器U形管破裂事故为例,进行了仿真实验研究。诊断结果表明该理论方法对此事故完全可以正确识别。     

基于FNN的气动肌肉驱动膝关节康复训练装置自学习控制

针对气动肌肉驱动的膝关节康复训练装置存在时延、非线性和时变特性.将PID控制、模糊控制和神经网络相结合,设计了基于模糊神经网络的复合控制器,并将其应用于膝关节康复训练装置的等速持续被动运动控制中.实验表明:在负载变化干扰下,该控制器具有控制精度高、抗干扰能力强等特性,对提高该类装置的控制特性有借鉴作用.     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.