基于多目标优化车辆盘式制动器优化设计分析

盘式制动器由于其良好的制动效果,无论汽车在何种方向上行驶时,它的制动力矩都不会因此而改变,且在常规制动过程中,平稳性较好而被广泛应用。但其影响因素也很多,其中最重要的是其结构特点和使用要求,故对其内外及加工等因素综合分析,选取某参数为初始值,从而建立目标函数,借助Isight进行优化分析。对优化后的制动器进行建模分析,对结构强度、接触过程力分布、温度场分布等进行校核。结果可知:基于多目标优化得到了满足设计要求和性能指标的最优解,有效地缩短了制动时间,并减少了盘式制动器的外型尺寸;优化后结构的强度、接触应力、温度分布等均满足使用要求,表明优化分析过程及方法的可靠性,为此类设计提供参考。     

非线性脑区相关性分析及动态脑网络构建方法

针对静息态脑功能磁共振的血氧依赖水平信号中的非线性特征,在基于滑动窗口的动态数据分析技术的基础上,本文重点对构建全脑动态特征矩阵过程中的不同非线性相关分析方法展开了对比研究,并给出了构建脑网络中的阈值确定方法。脑网络降维和状态聚类实验结果显示,在阈值参数选择合理的前提下,采用三种非线性分析方法对BOLD信号进行的相关分析均可得到结构规模相似的脑网络,并且其状态转换结果均显现出相似的规律性,从而为下一步展开脑网络的动态特性分析和演化过程研究奠定了基础。      

工程车辆油气弹簧的建模与特性分析

为了研究油气温度的变化对油气弹簧特性的影响,设计了油气弹簧综合性能试验系统和温度间接测试系统,建立了油气弹簧振动模型。首先,采用等价线性化和泰勒展开相结合的方法求得了振动模型的近似解析解,通过与试验数据对比表明,包含温度系数的数学模型更接近于实际情况;然后,在此基础上分析了油气温度的变化对油气弹簧阻尼和刚度的影响。结果表明,油液温度的升高使油气弹簧阻尼力减小,降低了油气弹簧的减振效果;而氮气温度的增加使油气弹簧的刚度增大,增大了油气弹簧的承载能力。     

PLC在换轮库转向架液压控制系统中的应用

介绍了转向架分离装置总体结构及工作原理,分析了该分离装置液压系统工作原理及动作顺序。在此基础上,采用西门子PLC,计算了输入/输出点数,设计了操作面板、顺序功能图和程序。调试后证明设计的控制系统能满足该液压系统的动作要求,可为同类系统的设计提供参考。     

基于t-SNE的脑网络状态观测矩阵降维方法研究

针对基于功能核磁共振重构的脑网络状态观测矩阵维数过高和无特征的特点,对其降维方法展开研究,给出了基于t-SNE的脑网络状态观测矩阵降维算法,并且利用Python实现了降维及可视化平台。实验结果表明,与目前主流的其他降维算法相比较,使用该方法得到的脑网络状态观测矩阵低维空间的映射点有明显的聚类表现,并且在多个样本上的降维结果显现出一定的规律性,从而证明了该算法的有效性和普适性。     

自适应加权t-SNE算法及其在脑网络状态观测矩阵降维中的应用研究

针对目前数据降维算法受高维空间样本分布影响效果不佳的问题,提出了一种自适应加权的t分布随机近邻嵌入（t-SNE）算法。该算法对两样本点在高维空间中的欧氏距离进行归一化后按距离的不同分布状况进行分组分析,分别按照近距离、较近距离和远距离三种情况在计算高维空间内样本点间的相似概率时进行自适应加权处理,以加权相对距离代替欧氏绝对距离,从而更真实地度量每一组不同样本在高维空间的相似程度。在高维脑网络状态观测矩阵中的降维实验结果表明,自适应加权t-SNE的降维聚类可视化效果优于其它降维算法,与传统t-SNE算法相比,聚类指标值DBI值平均降低了28.39%,DI值平均提高了161.84%,并且有效地消除了分散、交叉和散点等问题。     

FBG传感器在重力墙位移监测中的应用

山区公路运营过程中,须掌握重力墙位移的变化,保障公路的安全。通过对重力墙作有限元分析,确定监测区域,并在墙监测区域的表面安装10只光纤光栅位移传感器,横向每隔2m安装一只,设置2个监测段,每段安装5只光纤光栅位移传感器。长期监测表明：重力墙在距离监测起始点0,8,18 m监测点处出现位移的变化较大,最大分别为0.86,0.99,0.69 mm。     

边坡光纤光栅监测与自适应卡尔曼滤波模型

山地变电站往往建设在地质条件复杂性的位置.地表裂变,突起,土体缓变,往往诱发更严重的地质灾害.结合楚雄220 kV边坡变电站的工程实际情况,利用光纤Bragg光栅(FBG)传感器,进而实现了对大型复杂结构环境的多参量、多点监测.通过建立自适应卡尔曼跟踪滤波模型,对边坡表面应变传感器,温度补偿传感器的数据,进行跟踪滤波,从而得到更为有效的监测数据.     

时间约束NMF算法及其在脑动态功能网络降维中的应用

为了保证高维数据中的时间属性在降维过程中得以保持,提出了一种时间约束非负矩阵分解算法（Time constraint Non-negative Matrix Factorization,TNMF）。该算法通过融合时间序列信息、数据维度,分解误差等约束条件,共同构建时间属性约束模型,计算最优基矩阵维度,能在降维的同时最大限度地保留原始高维数据的空间结构和时间序列信息。将其用于脑动态功能网络降维的实验结果表明,该算法在时间特征提取、聚类可视化效果和聚类指标上明显优于目前常用的降维聚类算法。      

基于深度学习的涡流热成像技术在无损检测中的应用

设计实现了一套涡流热成像无损检测系统,对试件进行涡流加热,使用热像仪进行探测,以热图像的形式展示试件温度变化情况来表征试件的损伤特征,并使用基于深度学习网络的智能识别方法诊断试件的损伤程度。该无损探伤方法使用卷积神经网络逐层挖掘可疑缺陷区域的本质特征。实验结果表明:该系统对金属板材试件损伤程度识别的准确率能达到97.3%,证明该系统具有较高的准确率和较好的适应性。