热弹耦合条件下的齿廓修形设计

为研究热变形对齿轮传动特性的影响,本文推导出了渐开线齿廓上任一点沿啮合线方向的热变形量计算公式,并在此基础上研究了热变形对齿间载荷分配系数、传动误差及齿廓修形的影响。提出了热弹耦合条件下齿廓分段修形和连续修形两种方式,并得到两种方式下修形量的表达式;分析了按两种不同方式进行修形后的载荷分配系数和传动误差。研究结果表明:分段修形可以很好地保持啮合过程载荷分配系数的连续性,消除载荷突变,减小传动误差的波动,使绝对误差趋于恒定;连续修形载荷分配系数连续,载荷突变消失,单齿啮合区稍有增大,误差波动较分段修形增大。本研究可以有效降低齿轮传动过程中的振动噪声,具有一定的应用价值。     

重大行政决策的逻辑转换及其法治化策略:基于大数据思维

大数据和重大行政决策都植根于信息之中,这种契合使得大数据思维在重大行政决策中占据重要地位,并推动重大行政决策向数据依赖、关联关系、普遍参与和全过程保障转变.为有效提升重大行政决策的法治化,强化大数据思维、大数据开放共享、大数据机制建设和大数据监督是应有之策略.     

机器视觉在物体位姿检测中的应用

研究了机器视觉技术在物体位姿检测中的应用.从两个方位架设工业相机采集目标图片,采用张正友基于2D平面靶标的相机标定方法对相机进行标定.使用目标图像减去背景图像和形态学运算的方法进行粗定位,初步检测目标区域.利用Hough变换检测目标直线边缘,依据极线约束原则、灰度相似性以及直线约束进行边缘直线及其端点的匹配.计算出各直线端点的空间三维坐标及其单位方向向量.在已知目标模板的条件下,目标的几何参数已知,利用简单的几何关系求取目标的位姿数据.     

进化算法鲁棒最优解研究综述

在实际应用中,环境往往是不稳定的且易受到噪声的影响.因此,时于许多现实优化问题,一个鲁棒性好的解具有重要的意义.然而,以往关于进化算法(EAs)的研究主要集中在寻找全局最优解,解的鲁棒性却没有得到重视.从单目标鲁棒最优解、多目标鲁棒最优解及效率等方面较全面地分析了目前EAs搜索鲁棒最优解的研究现状.最后对相关研究工作做了展望.     

一种基于邻域的多目标进化算法

种群维护是多目标进化算法的重要组成部分。针对维护方法和运行效率的矛盾,提出一种基于邻域的多目标进化算法（NMOEA）。定义了一个反映个体之间邻近程度的指标--邻域包含关系,利用此关系对个体进行分布适应度分级的赋值,并用动态方法快速地对种群进行维护。通过7个测试问题和3个方面的测试标准,结果表明新算法在较快速地接近真实的最优面的同时,拥有良好的分布性。     

速凝剂对低水胶比浆体早期水化与微观结构的影响

低水胶比、高胶凝材料掺量的超高性能混凝土(UHPC)在常温养护条件下易产生凝结硬化不及时的问题。为促进UHPC在隧道初支、工程结构快速修复中的推广应用,拟采用有碱速凝剂(NA)和无碱速凝剂(AS)提升低水胶比浆体的早期凝结硬化速率。本工作通过水化热、水化溶出离子浓度、凝结时间和抗压强度试验研究速凝剂作用下低水胶比浆体的早期水化行为及凝结硬化规律,采用X射线衍射、SEM形貌观察和EDS能谱等手段对水化产物物相组成及微观结构演变规律进行了分析。结果表明,速凝剂的掺入加快了低水胶比复合胶凝材料浆体的早期水化速率,同时也促进了浆体的凝结硬化;NA对UHPC的促凝效果优于AS,其中NA-2%的1 d抗压强度为53.3 MPa, 28 d强度比为94.9%,而AS-4%的1 d抗压强度为38.9 MPa, 28 d强度比为92.3%;速凝剂促使低水胶比浆体快速生成大量水化产物,进而提高了浆体早期微观结构的致密性,且水化产物物相组成受速凝剂类型的影响较为显著。     

注浆处理灌注桩缺陷的方法

随着我国高层和超高层建筑物的大量兴建,灌注桩在桩基工程中得到广泛应用,但是,大直径灌注桩的质量事故会严重影响其承载力.介绍了桩端注浆处理桩基质量事故的机理及工艺.实践证明,设计合理,施工得当的端桩注浆不仅可以提高大直径灌注桩的承载力,而且能确保其质量稳定可靠.     

一种基于“探测"与“开采"的多目标进化算法

针对实践中多目标优化问题(MOPs)的Pareto解集(PS)未知且比较复杂的特性,提出了一种基于"探测"(Exploration)与"开采"(Exploitation)的多目标进化算法(MOEA)——MOEA/2E。该算法在进化过程中采用"探测"与"开采"相结合的方法,用进化操作不断地探测新的搜索区域,用局部搜索充分开采优秀的解区域,并用隐最优个体保留机制保存每一代的最优个体。与目前最流行且有效的多目标进化算法NSGA-Ⅱ及SPEA-Ⅱ进行的比较实验结果表明,MOEA/2E获得的Pareto最优解集具有更好的收敛性与分布性。     

基于自适应动态规划的移动机器人视觉伺服跟踪控制

针对移动机器人视觉伺服跟踪控制问题,提出一种基于自适应动态规划(Adaptive dynamic programming,ADP)的控制方法.通过移动机器人上的相机拍摄共面特征点的当前图像、期望图像以及参考图像,利用单应性技术得到移动机器人当前的位姿信息与期望的位姿信息(即平移量与旋转角度),从而通过当前与期望的平移旋转之间差值得到系统的开环误差模型.进而,针对此系统设计最优控制器,同时做合适的控制输入变换.在此基础上设计一个基于ADP的视觉伺服控制方法以保证移动机器人完成轨迹跟踪任务.为求出最优控制输入,采用一个评价神经网络近似值函数,通过不断学习逼近哈密顿-雅可比-贝尔曼(Hamilton-Jacobi-Bellman, HJB)方程的解.与以往不同的是,由于系统存在时变项,导致HJB方程也含有时变项,因此需要设计具有时变权值结构的神经网络近似值函数.最终证明在所设计的控制方法作用下,闭环系统是一致最终有界的.