增材制造设计(DfAM)下的金刚石晶格结构研究

基于机械零件的增材制造设计,用仿自然式方法设计了一种金刚石晶格结构,对晶胞相对密度和等效弹性模量建立了数学模型,并拟合得到二者关系式,一系列的仿真验证结果显示理论研究所得关系式具有一定的正确性;对金刚石晶格填充结构提出变密度假设,并用仿真和压缩试验的方法进行了验证,结果显示,填充单元密度以受力点为中心渐渐减小的变密度结构拥有更好的抗压性能,同时验证了本文得出的等效弹性模量数学模型具有一定的正确性和适用性.本研究结果可应用于承压机械零件的实体夹层填充,对机械零件进行应力匹配变密度设计,以达到机械结构轻量化的目标.     

煤矿罗茨鼓风机的安装使用与故障分析

对罗茨鼓风机的特点、结构和工作原理进行了论述,对其安装使用与故障维修进行了归纳总结.在新型罗茨鼓风机的设计中,提出了一种由偏心孤和圆线曲线组合的三叶转子齿剖面,其在对新齿轮廓进行几何模型的基础上,提出了螺旋齿轮廓,并对啮合螺旋三叶进行了比较研究.结果 表明,新的螺旋齿轮廓可以创造更大的气流,降低鼓风机压力的峰值.     

机械设备故障规律及运行趋势预测方法综述

对于机械设备的故障运行问题,技术人员应当深入研究机械设备的故障规律,并研究出运行趋势的预测方法,从传感器的检测时间间隔与使用数量等方面加以深入的研究。本文介绍了机械设备运行状态的故障预测方法,并将机械设备运行状态的故障预测方法总结为三个步骤,分别是数据获取、处理与设备寿命预测,结合这些内容,提出了关于机械设备故障运行的一些方法,旨在为相关技术人员提供参考依据。     

探究建盏的审美与文化——以曜变建盏为例

早在我国晚唐五代时期,就开始产生了建盏文化,发展到宋代时期逐渐和茶文化进行了融合,并形成了一些衍生文化。在历史发展过程中,国家的文化也在不断发展,建盏文化从诞生到盛行又走向衰弱,在现代又重新走向复兴,在这个过程中产生了许多建盏珍贵文物,也逐渐成为了陶瓷中的上品。在建盏文化中,最为典型的一种就是曜变建盏,其中更是蕴含了独特的审美和文化。     

变压器内部故障分析及预防措施研究

变压器是供电系统的关键组成部分,由于变压器的运行方式是不间断运行,因此如何维持变压器的安全运行,杜绝事故的发生,是关系到供电安全的重要任务.本文分析了变压器内部系统的常见故障及其产生的原因,并提出了相应的预防措施.     

四参数一体化组合仪常见故障排除

本文主要探究四参数一体化组合仪常见故障及排除措施。研究过程中,以仪器结构概述为切入点,分析组合测井仪故障排除思路,明确故障排除逻辑原理、温度预测及短路测试,以此为研究基础,提出故障排除措施,为相关工作者提供有益借鉴。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

FPGA互连测试中的反馈桥接故障覆盖问题

现场可编程门阵列(FPGA)内部资源众多,其中互连资源出现故障的概率远远高于片内其他资源,而在以往许多互连测试研究中,所生成的测试配置存在无法覆盖反馈桥接故障的难题,所以较难有测试配置实现故障列表的100%覆盖。因此通过约束桥接故障只发生在单个查找表(LUT)内的信号线上,并结合单项函数,对反馈桥接故障模型进行优化改进,从根本上解决难题；然后对优化后的反馈桥接故障设置相应的约束条件,再使用布尔可满足性理论(SAT)生成满足约束条件的测试配置。采用优化后的故障模型对ISCAS"89基准电路进行了测试配置生成实验,结果表明生成的测试向量解决了反馈桥接故障的覆盖难题,并且在实现故障列表的100%覆盖下,优化后的故障模型所需要的测试配置数最少。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。