考虑移动载荷的起重机主梁整体疲劳寿命场仿真

疲劳强度是起重机金属结构设计的重要内容之一,移动载荷是引发起重机金属结构承受循环应力的主要因素.现有的起重机金属结构疲劳评定中通常忽略了移动载荷的影响,导致寿命预测结果误差很大.为此,文中首先分析了移动载荷在典型起重机工作循环过程中的作用,发现一个起重机工作循环常常包含多个应力循环,致使实际计算点的寿命预测值成倍减小....     

基于中智理论与方向α-均值的图像边缘检测算法

为了提高边缘检测算法对目标边缘细节的保持能力和降低噪声导致的伪边缘等问题,设计了一种基于中智理论与方向α-均值的边缘检测方案。首先,基于中智理论,将图像转换为中智图像,通过真实性、不确定性和虚假性3个要素来表示中智图像,提高了噪声等不确定性信息的表达能力;然后,为了有效地去除了噪声并保持边缘细节,计算中智图像像素的方向掩模,并通过方向平均函数定义了一种方向α-均值算子,并利用生成的方向α-均值算法对图像进行各向异性滤波;最后,构建了一种迭代方程,通过判断梯度的阈值来确定图像像素是否为边缘像素,从而完成边缘检测。实验表明,与当前流行的边缘检测算法比较,所提方法能够更为准确地检测出目标边缘,在不同噪声水平干扰下,其检测结果中所含的伪边缘与不连续边缘信息更少。     

基于小波包能量分析的红外火焰信号识别

在设计红外火焰探测器的过程中,人工光源常常会引起探测器的误报.为有效区分人工光源与火焰信号,本文首先对采集的1种人工光源以及3种火焰信号进行分析,将采集的信号进行小波包4层分解,得到信号的能量谱.通过分析发现选取第2,3,4,7频段的能量值能够将这4种信号有效区分.为进一步验证实验结果,本文将双通道两路信号的第2,3,4,7频段的8个能量值作为一组特征向量,与BP神经网络结合进行模式识别.结果表明,通过这样的方法不仅可以区分火焰和人工光源,同时可以对3种火焰进行识别,其识别的正确率为84.1%.因此,基于小波包能量分析的方法提取这8个能量值作为特征值具有一定的可行性,能有效减少人工光源引起的误报,同时为火焰种类的识别以及以后的灭火自动化提供了新的可能性.     

利用PZT块材制备微型压电悬臂梁采能器的研究

采用压电陶瓷(PZT)片状块材设计并制作了一种可集成于微机电系统的压电悬臂梁能量采集器.介绍了元件的整体制备流程,包括湿法化学蚀刻、反应离子(RIE)干法蚀刻、UV-LIGA等流片技术.该文利用环氧树脂将PZT紧密粘结在基片上的方法步骤和工艺参数作了详细描述,最终获得了2000μm×750μm×500μm(长×底宽×尖...     

现代集成制造模式对数控技术发展的要求

从现代制造业的发展现状出发,分析当今信息时代、知识经济时代的先进制造模式的特征,并讨论现代集成制造模式对数控技术发展的要求.     

基于短训练序列的OFDM时频同步算法

简要介绍几种OFDM同步算法,在此基础上提出一种基于短训练序列的联合CP的时频同步算法,这种算法可以在多径衰落信道的情况下提高OFDM系统的定时和频偏估计的准确性,同时减小系统的误码率,最后利用软件对联合算法在多径信道情况下进行仿真与分析,并且获得良好的仿真结果.     

无线传感器网络基于分簇路由的数据融合研究

无线传感器网络节点资源有限,所以需要采用有效的路由算法与数据融合机制来节省资源,延长网络寿命,提升数据采集效率。LEACH是经典分簇路由协议,针对其在簇头选择机制、数据融合以及簇头与基站通信的路由方面的不足,提出了几点改进方法,在簇头选择的算法中加入了能量控制条件,簇头与基站的路由改为更适合数据融合的多跳反向组播树,并基于信息熵提出了有效数据融合机制。仿真实验表明,改进之后的算法比原LEACH算法更有效地利用了节点资源,延长了网络生存时间。     

薄板激光拼焊间隙CCD检测系统研究

对CCD薄板激光拼焊前间隙检测系统进行了研究，并进行了具体的软硬件设计，该系统克服了以前薄板激光拼焊前间隙控制效率低、实时性差的缺点，在薄板激光拼焊工业应用中具有广泛的应用前景，使薄板拼焊逐渐向自动化、柔性化方向发展。     

基于线阵CCD拼接技术的一维尺寸测量

通过分析基于线阵CCD传感器的一维尺寸测量原理,提出了采用拼接技术测量较大一维尺寸的测量方案,并系统分析了该方案的测量误差。实验表明:采用该方案进行一维尺寸测量时,可以达到较大的测量范围和较高的测量准确度。     

基于LE和DBN算法的轴承故障信号特征提取及诊断

为了提高机械传动系统的运行稳定性,提出了一种基于半监督拉普拉斯特征映射(semisupervised laplacian eigenmap, SLE)和深度置信网络(deep belief network, DBN)算法的故障信号特征提取方法。选择SLE算法提取高维振动信号的流形参数,在DBN内输入流形学习数据实现特征数据二次挖掘的过程,完成不同故障的分类。研究结果表明:采用SLE-DBN模型进行处理时达到了比其余模型更优性能。采用SLE算法可以显著缩短SLE-DBN组合模型运算时间。训练集样本进行识别得到的准确率接近100%,表明模型能够对训练数据起到良好的拟合效果。SLE算法相对MCA与PCA算法表现出了更优特征提取性能,当设置合适参数时可以获得近100%的准确率。当有标签样本数量介于60~120时,DBN网络相对CNN网络表现出了更优分类性能。SLE-DBN模型对于别轴承故障诊断方面都达到了理想分类精度以及实现快速识别的要求。