面向对象有限元并行计算框架PANDA的应用模板

为解决面向对象有限元软件框架PANDA的应用问题,降低使用PANDA框架进行并行应用程序开发的难度,提高软件开发的重用性,从PANDA的框架设计、PANDA的应用模板和应用测试等3方面介绍针对不同物理问题的程序建立机制,即PANDA框架的使用方法--应用模板方法.PANDA框架的开发目前处于初始阶段,为提高其易用性仍需...     

原子模型分析无定型聚合物在单轴拉伸下的机械行为

用原子模型法研究双酚-A-聚碳酸酯无定型态聚合物在单轴拉伸下的机械行为.材料密度、x-ray散射、应力-应变曲线等计算结果与实验数据吻合,证实模型结构正确,力场选择合理.拉伸模拟中构象变化的苯环、碳原子和亚异丙基基团的运动一目了然.能量分析表明,二面角扭转能和VDW相互作用能在拉伸形变中,扮演了比较重要的角色.     

设计模式在有限元软件框架设计中的应用

框架是一组相互协作的类,形成某类软件的一个可复用设计.设计模式描述了软件设计中的共性问题的解决方案,首次把设计模式引入到有限元软件框架设计中,并给出了几种设计模式的具体实现,使有限元软件框架更易于重用和扩展.     

基于CEEMD-WPT的滚动轴承特征提取算法

为实现对滚动轴承振动信号中特征频率成分的精确提取,提出了将互补总体平均经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波包变换(wavelet package transform,简称WPT)相结合即CEMMD-WPT特征信号提取算法。两种方法的结合既有效解决了CEEMD分解后依然存在的模态混叠问题,又消除了进行WPT处理后产生虚假频率分量、频率混淆现象的影响。通过仿真试验验证了该方法的有效性,并应用于实际,取得很好的结果。     

数控加工几何仿真平台

一、引言 数控加工是一个自动过程,需要工艺人员事先确定加工过程的走刀路径.在编写走刀路径的过程中,工艺人员不仅需要考虑如何加工以便生成要求的工件形状与尺寸,同时还要考虑到干涉、过切等诸多问题.由于零件具有复杂的形状,机床是多轴联动,所以工艺人员有时难以靠手工方式编写走刀路径,而且对于走刀路径缺乏进行事先验证的简便方法.     

一种基于Triplet loss的齿轮箱复合故障识别方法

随着设备检测点的数量与采样频率的增加,机械健康监测进入了"大数据"时代。深度学习以其强大的自适应特征提取和分类能力也在机械大数据处理方面取得了丰硕的成果。在故障诊断领域,目前深度学习方法的研究对象均集中于单一故障,而复合故障却鲜有人涉足。复合故障因为其各类故障信号间有耦合,变化的工况(负载,转速)也会对信号产生较大影响,所以难以准确诊断。面对复杂的复合故障,传统的Softmax分类器已不能精确高效的完成故障诊断。提出了一种基于Triplet loss的深度度量学习模型的诊断方法,对齿轮箱的轴承及齿轮这两种目标的故障同时进行诊断。其优势在于通过该模型提取故障信号的特征,再利用Triplet loss度量各类故障之间的距离,使得同类故障特征间的距离很近,异类故障特征间的距离很远,从而高效完成诊断任务。试验结果表明,该方法实现了在多种工况,大量样本下对齿轮箱内轴承和齿轮不同故障的准确诊断。     

聚能切割索切割靶板的数值仿真系统

为了达到聚能切割索有效切割靶板、优化设计参数的目的,采用数字化描述聚能切割索的设计,建立了参数化的数值计算模型,并开发形成了一套聚能切割索的专用仿真系统。通过有限次数的试验,验证了切割索切割靶板过程的数值仿真结果,从而避免大量的切割试验。     

参数对自适应Vold-Kalman阶比跟踪影响的研究

对提出的基于瞬时频率估计的自适应Vold-Kalman阶比跟踪(AVKF_OT)新方法的实现过程进行了详细的描述。对影响AVKF_OT结果的三个主要的参数(权重因子r、滤波带宽BT和跟踪时间RT)进行了详细的分析,讨论了三个参数之间的关系,并以数学方式表达。通过仿真试验和卧式螺旋离心机验证了参数在AVKF_OT实现过程中的影响和作用。     

基于J2EE的棉纺企业综合信息管理系统

对一个大型的分布式棉纺企业综合信息管理系统进行了详细的需求分析,完成了系统体系架构设计和系统总体设计。描述基于J2EE技术构建的6层体系结构,具体叙述了每一层的主要功能,分析架构设计中使用的组件和系统集成等关键技术;根据棉纺企业生产、管理和销售的特点,给出系统的总体设计方案,并描述了各模块的主要功能。系统在企业运行后显著提高企业的生产管理水平和管理效率,降低了生产成本,基本实现了全过程、全员参与的质量管理,企业的产品质量得以大幅度提高。     

基于迁移学习的小样本齿轮箱故障诊断方法

实际工程场景中齿轮箱受工况、环境等因素影响,数据难以满足特征分布相同、训练数据充足等条件,如何在变工况情况下对齿轮故障进行诊断是故障诊断领域一大难点。为此,提出了一种结合Logistic混沌麻雀搜索优化算法(LSSA)与深度置信网络(DBN)的智能故障诊断方法,即LSSADBN。首先,将时域振动信号进行快速傅里叶变换(FFT)转换为频域信号作为训练数据集,运用Logistic混沌映射对SSA种群进行初始化,采用LSSA方法对训练数据集进行DBN结构寻优;使用最优结构DBN对源域训练集进行预训练,并加入少量目标域样本用于反向权重调优,最终实现在小样本情况下对目标域齿轮箱健康状况的准确识别。实验对比结果证明,LSSADBN方法在模型调优阶段具有更快的收敛速度,且针对不同的目标域进行迁移时都具备较高的准确率,LSSADBN方法的研究对小样本情况下的齿轮箱故障诊断具有一定的应用价值。