共查询到20条相似文献,搜索用时 140 毫秒
1.
在汽车内饰车身噪声频响分析中,通过有限元实体单元和RBE3单元建立多孔吸声材料模型,通过MSC Nastran和结合CDH/EXEL的MSC Nastran计算采用多孔吸声材料的内饰车身的噪声进行计算,并比较二者的计算结果.结果表明:CDH/EXEL能使有效提高分析曲线与试验曲线的对标结果的准确性,从而更好地指导车身结构设计. 相似文献
2.
本文依据1100TEU集装箱船的舵机设备布置,采用有限元软件MSC.PATRAN/NASTRAN,对该船舵基座建立局部结构计算分析有限元模型,进行不同工况下的强度计算,得到局部结构强度计算结果,并对结果进行分析。 相似文献
3.
对某白车身建立有限元模,利用MSC Nastran软件进行扭转刚度和模态分析,在此基础上以车身重量为优化目标,在满足扭转刚度要求的条件下对零件厚度进行敏感度分析和优化分析,得到了符合设计要求的改进方案. 相似文献
4.
5.
利用MSC Adams,MSC Nastran,MSC Fatigue软件联合仿真,模拟车身疲劳强度台架试验的7种试验工况,在没有实物样车的情况下对车身的疲劳强度进行预测分析,为车身的开发提供基于CAE的疲劳分析支持. 相似文献
6.
7.
本文依据1100TEU集装箱船的舵机设备布置,采用有限元软件MSC.PATRAN/NASTRAN,对该船舵基座建立局部结构计算分析有限元模型,进行不同工况下的强度计算,得到局部结构强度计算结果,并对结果进行分析。 相似文献
8.
9.
10.
用结构设计软件SolidWorks建立某空间相机镜头的精确几何模型,在几何模型的基础上进行力学模型简化,并使用Patran建立相机镜头的有限元模型,然后使用MSC Nastran对该相机镜头进行静力分析、模态分析和随机振动分析,分析结果与试验结果误差小于5%. 相似文献
11.
12.
13.
在Hypermesh软件中采用板壳单元对车架几何模型进行网格划分,建立车架的有限元模型。根据客车的承载特点和行使工况,对该车车架进行动力学分析。并对车架进行模态计算,得到车架的固有频率和固有振型。配合实验数据,对车架结构的设计提出了合理的改进方案,本文可获得较高的工程应用价值。 相似文献
14.
张东 《计算机测量与控制》2020,28(3):187-191
随着1553B总线技术在靶场武器系统试验中的逐步应用,为解决其遥测参数解析问题,阐述了1553B总线数据结构和特点,定义了标准帧格式,通过消息提取以及数据帧拆分和重组,实现了总线数据帧的参数解析。通过某型武器系统试验的实际应用证明,该方法与原遥测数据处理系统参数解析方法相比,在帧格式和处理流程上保持了一致性,便于系统实现功能整合升级。 相似文献
15.
为解决公交驾驶员调度优化问题,提出一种基于免疫计算的驾驶员调度优化方案。设计驾驶员调度问题的数学模型,给出非劣邻域支配的多目标免疫优化算法的框架、基于实数编码的比例克隆算子和领域变异算子,以及支配抗体的拥挤距离公式,并在仿真环境下进行实验。实验结果表明,该算法能有效地解决公交驾驶员调度优化问题,具有较好的应用价值。 相似文献
16.
17.
LIN(Local Interconnect Network)总线是一种新型低成本汽车车身网络低端通讯总线。通过分析LIN总线的总线负载率,得出单个主节点和多个从节点组成的LIN网络传输报文帧的上限值,并得到实验验证,为如何使用LIN总线以及LIN总线的拓扑结构布局提供了依据。 相似文献
18.
目的 针对LCK(local correntropy-based K-means)模型对初始轮廓敏感的问题,提出了新的基于全局和局部相关熵的GLCK(global and local correntropy-based K-means)动态组合模型。方法 首先将相关熵准则引入到CV(Chan-Vese)模型中,得到新的基于全局相关熵的GCK(global correntropy-based K-means)模型。然后,结合LCK模型,提出GLCK组合模型,并给出一种动态组合算法来优化GLCK模型。该模型分两步来完成分割:第1步,用GCK模型分割出目标的大致轮廓;第2步,将上一步得到的轮廓作为LCK模型的初始轮廓,对图像进行精确分割。结果 主观上,对自然图像和人工合成图像进行分割,并同LCK模型、LBF模型以及CV模型进行对比,结果表明本文所提模型的鲁棒性比上述模型都要好;客观上,对BSD库中的两幅自然图像进行分割,并采用Jaccard相似性比率进行定量分析,准确率分别为91.37%和89.12%。结论 本文算法主要适用于分割含有未知噪声及灰度分布不均匀的医学图像及结构简单的自然图像,并且分割结果对初始轮廓具有鲁棒性。 相似文献
19.
目的 针对LCK(local correntropy-based K-means)模型收敛速度慢,提出新的基于LCK模型的两步快速分割模型。方法 两步快速分割模型包括粗分割和细分割。1)粗分割:先将待分割的原始图像下采样,减少数据量;然后使用LCK模型对采样后的粗尺度图像进行分割,得到粗分割结果及其相应的粗水平集函数。由于数据量的减少,粗分割步骤可以快速得到近似分割结果。2)细分割:在水平集函数光滑性约束下,将粗分割结果及其对应的粗水平集函数上采样到原始图像的尺度,然后将上采样后的粗水平集函数作为细分割的初始值,利用LCK模型对原始图像进行精细分割。因初始值与真实目标边界很接近,所以只需很少迭代次数就能得到最终分割结果。结果 采用F-score评价方法分析自然以及合成图像的分割结果,并与LCK模型作比较,新的模型F-score数值最大,且迭代次数不大于50。结论 粗分割步骤能在小数据量的情况下,快速分割出粗略的目标;细分割步骤在较好的初始值条件下,能够快速收敛到最终的分割结果,从而有效提高了模型的计算效率和精确性。本文算法主要适用于分割含有未知噪声及灰度非同质的医学图像,且分割效率高。 相似文献