拉索检测爬升装置轻量化设计与动力学性能分析

斜拉桥的自动化、智能化检测是今后的发展趋势,目前已研发的拉索检测机器人都存在质量较大的问题,很难得到工程实际应用.针对课题组前期研制的第一代爬升装置样机质量大、爬升速度较慢等问题,对其进行了受力分析与静应力分析,得出了优化的可能性.提出了零件板厚为优化参数,强度变化率为约束条件的尺寸优化模型,利用差分进化算法求取最优解,得到了机架的最优板厚,同时通过拓扑优化得到各零件最佳结构,以及通过受力分析对螺栓的尺寸与数量进行了优化.优化结果表明爬升装置减重3.9kg,减重比例达到了40％,同时机架的变形量大幅减小,强度满足要求.对优化后的爬升装置进行了动力学仿真分析,结果表明最大爬升角度达到了75度,爬升速度提升了2-4倍,其动力性得到极大的改善.     

复合材料控制臂的多区域铺层结构优化

使用碳纤维复合材料设计某乘用车悬架控制臂,对4个区域的铺层结构进行优化设计.首先以各角度铺层厚度为设计变量对控制臂模态频率、质量和各工况应变能进行优化;然后以前三阶模态频率为目标,弯曲刚度参数作为设计变量优化铺层顺序.针对设计变量间存在的工艺约束条件使样本空间不规则且优化变量较多的问题,利用聚类分析进行试验设计确定训练近似模型需要的样本点,并用高斯过程回归方法建立近似模型以减少计算时间,验证模型R2在0.9以上.两步优化后,对比复合材料初始铺层各性能指标均有不同程度改善,复合材料质量减少11.4％;对比原钢制控制臂,各性能均满足要求,质量降低37.1％.     

基于有限元分析的轮胎振动特性优化

轮胎的振动特性对汽车驾驶室内产生的噪声有显著影响,对轮胎振动特性进行优化有重要意义.以某型轮胎为研究对象,基于有限元方法建立轮胎的动力学模型,求解三种振动条件下的模态固有频率,并通过调整轮胎的结构参数优化轮胎的振动频率,进而有效抑制共振,达到降低汽车驾驶室内噪声的目的.     

湖南广播电视台国际频道新增百万中国香港用户“文化出海”擦亮电视湘军品牌

2021年1月20日00:00,湖南广播电视台国际频道进入中国香港有线网络,新增百万中国香港用户。此外,中国香港150多家四星以上酒店也将同步可以收看到湖南国际频道。其独立运营的湖南省外宣融媒体矩阵现已集结了30余家新媒体平台,并在Youtube、Titter、Instagram、Facebook等海外平台实现自主全维运营。     

对网络摹仿签字的检测与识别研究

互联网时代,不同于传统摹仿签字的网络签字服务发展迅速.本文对当前网络摹仿签字首先进行了收集,接着,分别与摹本进行特征标识和比对,并就如何检测与识别这种摹仿签字进行了研究,最后,得到了对其进行检测与识别的依据和思路,为网络摹仿签字的检测与识别提供了有益的帮助.     

纯电环卫车箱体轻量化的有限元分析方法研究

以16t纯电环卫车箱体为研究对象,通过有限元分析方法的研究,在实现轻量化设计的同时解决了箱体开裂的问题,经实车验证强度满足,同时实现降重40kg,为纯电环卫车的轻量化设计提供了一条可行的途径.     

5G技术在医院智能服务中的应用

纵观当今的发展格局,是科学技术高速发展的时代。随着5G时代的来临,网络技术在各个领域中扮演着越来越重要的角色。特别是在医疗方面,为医院的日常工作奠定了坚实的基础。今天就5G网络技术在医院只能服务中的应用展开谈论。     

基于全局优化与深度学习的条形码识别方法

提出了一种在深度神经网络的基础上结合全局优化方法的条形码识别算法,利用卷积循环网络提取出条码中各字元的特征并进行分类,较传统方法具有更强的适应性与泛化能力,再进一步结合全局优化的方法,以达到充分利用条码结构性先验信息的目的,能显著提升方法的效果,尤其是将全局优化方法引入到神经网络中进行端到端学习,不仅保持了两者的优势同时还进一步提高了识别精度.实验结果证明了所提方法的有效性,达到约99.48％的识别精度,超越了传统的图像处理方法.     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.     

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难.首先利用一个特征映射算法库对振动信号提取特征,并基于Kolnogorov-Smirnov (KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm,BOGA)结合支持向量机分类器(Support Vector Classifier,SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化.通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH_PCAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能.