复合冲击频率配合特性模拟研究

目前,对于传统的轴向冲击破岩和扭力冲击破岩机理的研究较多,而复合冲击钻井破岩机理的研究正处于起步阶段,且现有的研究成果极少。鉴于此,利用ABAQUS动力学冲击模块计算平台建立了PDC钻头单齿-岩石相互作用的动力冲击数值模型,考虑切削齿在钻压、转速、交变冲击扭矩和交变轴向冲击力等多个载荷的共同作用下,分析了复合冲击破岩方式、轴向冲击和扭向冲击频率配合方式、钻压等几个因素对复合冲击破岩效果的影响。研究结果表明:岩石单元内部拉应力与压应力破坏区域交替分布;冲击条件相同,且在轴向冲击频率为扭向冲击频率的1/2时,岩石破碎效率最高;如果冲击频率太小,而不能及时有效地破碎钻遇岩石,即发生黏滑振动;如果冲击频率太大,载荷作用时间太短,则破岩过程中冲击能量无法及时分配,冲击力微弱,因此,复合冲击频率配合数量关系存在一个冲击频率极值。复合冲击钻井技术破岩机理的研究为新型钻井工具的进一步开发和优化改进奠定了理论基础。     

湿式摩擦副滑摩过程温度场分析及实验验证

湿式摩擦副滑摩过程温度场与应力场相互耦合作用,温度场分布受到多种因素影响,其中压力、旋转速度、润滑流量作为湿式摩擦副工作参数对其温度场的影响尤为显著。在理论分析基础上,采用有限元数值模拟分析与实验研究相结合的方法,对摩擦界面温度场时空分布特性进行研究,同时研究界面温度场在摩擦副工作压力、相对转速和润滑流量作用下的变化规律。研究表明:在对偶钢片和摩擦片近外径侧更易出现高温和应力集中区,且对偶钢片相对于摩擦片更易出现温度和应力分布不均匀情况;温度场中高温集中区与应力场中应力集中区相对应,最大温度随着压力增加、相对转速增大、润滑流量减少而显著上升,该结果得到试验结果的验证。     

基于卷积神经网络的OFDM-UWB信道环境识别

超宽带（UWB）无线通信技术被广泛应用于室内定位领域,其能识别出多径信道中的非视距信道,有助于去除影响信号的非理想因素,提升定位精度。基于OFDM方案的UWB系统,提出一种利用卷积神经网络对信道估计出的信道冲激响应时频图像进行训练,从而识别出信道环境的方法,将信道识别问题转化为图像识别问题,同时分析时频处理参数对识别结果的影响。仿真结果表明,该方法的识别率随通信系统比特信噪比（EbN0）的增加而提升,当EbN0增加至20 dB时稳定在90%,与传统基于支持向量机的信道识别方法相比获得了10%的性能提升。     

基于六轴MEMS器件姿态测量系统

为了解决噪声和漂移等原因造成的误差不断累积的问题,针对陀螺仪的静态性能以及加速度计的动态性能,提出了一种利用六轴MEMS器件对照相机三脚架的稳定测量系统,介绍了MEMS器件的工作原理,介绍硬件系统和软件系统,完成了基于ADXR450陀螺仪和ADXL355加速度计的检测硬件系统设计,通过传感器获取角速度加速度信息,采用不同的滤波方式对输出结果进行了分析,比较卡尔曼滤波和一阶RC数字滤波;经比较,卡尔曼滤波实时性更好,一阶RC滤波动态响应更好;实验证明,系统静态下更适用于一阶滤波,计算出姿态测量角度误差在0.104°以内,得到理想的姿态信息,能有效地提高检测目标姿态的精度。     

增材制造的研究现状与发展趋势

增材制造（Additive Manufacturing,AM）技术,直接将材料逐渐叠加形成所需要的零件,也称作3D打印,是目前国内外研究的热点,也有人将其称为引起第三次工业革命的新兴制造技术。回顾了增材制造的发展历程,介绍了增材制造的主要类型,论述了国内外发展现状,分析了增材制造的关键技术、发展中的关键问题及其发展趋势。     

基于EEMD能量比和GG聚类的滚动轴承故障诊断

针对滚动轴承故障特征提取困难导致故障类型难以辨识的问题,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和GG(Gath-Geva,GG)聚类的轴承故障诊断方法。首先,使用EEMD分解方法对轴承的振动信号进行分解,结合相关系数原则提取含有主要故障信息的4个固有模态函数(IMF)分量,计算其能量百分比作为特征值,再用GG聚类对特征值进行聚类分析。通过仿真验证了GG聚类的优越性,然后采用文中提出的GG聚类方法与FCM聚类、GK聚类对轴承故障数据的聚类效果进行对比分析,验证了文中所提方法在滚动轴承故障识别中的可行性。     

旋转机械的故障预测方法综述

旋转机械是工业上应用较为广泛的机械.许多大型旋转机械都是石化和电力等行业中的关键设备.首先以烟气轮机为例,阐述了预测维护的重要性;然后将现有的旋转机械故障预测方法整体分为定性分析法和定量分析法两大类,分别介绍了各种方法的实际应用情况;最后,探讨了旋转机械故障预测技术的难点问题以及发展趋势.     

电动舵机的复合自适应非奇异终端滑模控制

非奇异终端滑模控制（NTSMc）能够实现误差的有限时间收敛,但一般NTSMC的控制律采用高增益项来消除系统不确定性的影响,具有较强的保守性．为了降低这种保守性,本文采用复合白适应律对系统的不确定参数进行估计,按照估计值设计复合自适应非奇异终端滑模控制（CANTSMC）,对不确定参数引起的系统动态进行补偿．本方案曾经应用于电动舵机,以补偿不确定参数对模型动态性能的影响．本文证明了闭环稳定性,以及输出跟踪误差在有限时间内的收敛性．通过仿真验证了该方法的有效性．     

基于深度信念网络和多信息融合的复杂机电装备故障诊断方法

针对复杂机电装备故障诊断中存在的数据量大、提取故障特征困难等问题,结合深度学习理论强大的感知与自我学习能力,提出一种基于深度信念网络和多信息融合的复杂机电装备故障诊断方法。将多个传感器的原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性,同时在训练过程采用ReLu激活函数和加入Batch Normalization,减少过拟合出现概率的同时提高了网络收敛的速度。将此方法运用到复杂数控加工中心刀具的故障诊断中,结果表明该方法相比传统BPNN算法和采用Sigmoid激活函数的深度神经网络算法准确率更高。     

基于机器学习的脉搏信号辅助中医预测血压

高血压是脑血管意外、心血管疾病和肾功能损害相关的主要危险因素之一。其症状和警告信号通常是模糊的,往往导致疾病被忽视,被称为“沉默的杀手”。中医脉诊操作明确、方法简单,通过脉搏信号来预测血压,使普通大众对自己的身体情况清楚明朗,早发现早治疗,同时可以促进中医脉诊客观化和科学化发展。本文基于现代化人工智能科学领域的发展,通过多种机器学习模型利用脉搏信号预测血压,以提升中医诊断的准确性,从而促进中医脉诊的现代化发展。实验表明,经过对比不同机器学习模型的结果,模型平均绝对误差可达到0.087,验证了基于机器学习的方法可以促进中医脉诊的客观化,且中医脉诊可以准确的预测人体血压。