排序方式: 共有113条查询结果,搜索用时 0 毫秒
81.
82.
球形罐多用于储存气态和液态气体 ,故一般可分为气体用球形罐和液态气用球形罐。在对其材料进行选择时 ,应根据国家有关法规及基准中的规定 ,使其材料具有一定的强度、韧性和可焊性 ,同时还必须满足许用应力的要求。对其不同结构 ,还需作具体考虑。本文对于球形罐有关设计载荷的具体计算方法以及一些附属设备也进行了相应阐述。另外 ,对球形罐的胴体分割、检修孔的开设及耐震设计等方面作了简单介绍。最后 ,对于低温用球形罐的设计也作了简单的说明 相似文献
83.
为研究管束中的流-固耦合问题,利用有限体积法离散大涡模拟的流体控制方程及有限元方法离散结构动力学方程,结合动网格技术,实现计算结构动力学(CSD)与计算流体力学(CFD)之间的联合仿真,建立三维流体诱发弹性管束振动的数值模型。用本模型对单管振动响应进行数值模拟,并与已有实验数据比较证明了模型的合理性后,对三维弹性管的流-固耦合振动进行数值模拟分析。研究结果表明,发生锁定时单管的运动轨迹为"8"字型;两并列管的升力与横向变形幅值相等、相位相反,流体力、振幅随着间距的增加而减小,当间距大于1.5D后,两管间的相互影响基本消失,响应接近单管;两串列管中下游管的升力与振幅随节径比的增大而增大,当间距大于2D后,上游管几乎不受下游管的影响,流体力与振幅接近单管。 相似文献
84.
尽管自2012年SONGS事故以来,流弹失稳对管束结构的危害性和重要性再次引起了重点关注,但对导致这种不稳定现象的根本因素仍未确定。为进一步研究流弹失稳的基本物理机制,以压水堆蒸汽发生器通常采用的平行三角形管束为对象,基于开源CFD(computational fluid dynamics)工具OpenFOAM,同时耦合管的动力学方程,求解具有移动边界的非定常Navier-Stokes(uRANS)方程,建立了研究阻尼控制型不稳定机制的数值模型,进而预测管束的流固耦合振动,揭示影响阻尼控制型不稳定机制的关键参数和流动响应;重点讨论了不同质量阻尼参数下,系统的响应特性、能量输入与耗散,升力与位移间的相干性、相位差、相关系数,升力的频谱特性,主导激励机理。进一步揭示了管束流弹系统中占主导地位的激励机理和关键流动现象,有助于理解管束与流体之间的相互作用机理,同时为工程中使用开源CFD工具OpenFOAM预测流弹失稳行为提供了参考。 相似文献
85.
针对行星齿轮箱模态试验下多自由度、低频、密频的模态参数识别问题,提出一种将经验模式分解(Empirical Mode Decomposition,EMD)与能量算子(Energy Operator,EO)相结合的模态参数识别方法。为了定阶模态和满足能量算子对单分量的要求,采用EMD方法将振动信号分解成多个固有模式函数(Intrinsic Mode Function,IMF)。对各个IMF利用高阶能量算子估算频率,计算各IMF与原信号的相关性并根据频率判断阶次及去除虚假分量。由于阻尼比本质就是反映能量衰减,而能量算子能够追踪系统能量,结合二者提出半周期能量算子法估算模态阻尼比。分析了仿真信号和模态试验信号,并与传统方法进行对比分析,实验结果表明,该方法能有效提取行星齿轮箱各阶次的模态参数,验证了方法的有效性与可行性。 相似文献
86.
为了对超短期风电功率进行准确的预测,本文提出一种基于最小机会损失准则的超短期风电功率组合预测方法。即首先对风电功率时间序列进行EEMD分解,对分解得到的每个IMF分量采用不同优化准则建立组合预测模型进行预测;然后采用最小机会损失准则筛选预测精度最优的模型进行预测;最后对每个IMF分量的预测值进行组合叠加得到预测结果。实验结果表明,与EEMD+ELM、EEMD+BP、EEMD+RBF和EEMD+SVM等预测方法相比较,本文所提出的方法能有效提高超短期风电功率的预测精度。 相似文献
87.
88.
89.
基于迭代广义同步压缩变换的时变工况行星齿轮箱故障诊断 总被引:4,自引:0,他引:4
同步压缩变换在分析频率恒定的单分量信号时改善时频可读性的效果显著,而在分析多分量频率时变信号时存在时频模糊现象,为了解决这一问题,提出迭代广义同步压缩变换方法。通过迭代广义解调分离出各单分量成分,并将时变频率变换为恒定频率。应用同步压缩变换精确估计瞬时频率和时频分布幅值。将各单分量的时频分布叠加获得信号的时频分布。该方法有效改善了同步压缩变换在分析频率时变信号时的时频可读性,并且将其推广应用于多分量信号。应用该方法有效识别了时变工况下行星齿轮箱振动信号的频率组成及其时变特征,准确诊断了齿轮故障。 相似文献
90.
针对齿轮早期故障特征不明显,提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和进化支持向量机相结合的齿轮故障智能诊断方法。利用EEMD能对齿轮振动信号进行自适应的分解成若干本征模式分量(intrinsic mode function,IMFs),并能有效抑制经典经验模式分解可能出现的模式混叠现象。以所得的IMF分量中提取出来的能量特征为输入建立进化支持向量机,判断齿轮的故障状态。结果表明:建立的混合智能诊断方法的分类正确率最高,能有效诊断齿轮早期故障。 相似文献