发动机多楔皮带轮旋压工艺的研究

针对发动机多楔皮带轮大变形成型工艺问题,对塑性变形理论、多楔皮带轮材料本构模型及材料间摩擦类型等方面进行了阐述,对多楔皮带轮旋压过程中的毛坯、旋轮、芯模、尾顶进行了三维建模与装配,并对各零件之间的相对运动进行了分析。根据皮带轮楔型结构特征,基于Deform软件和刚塑性模型,提出了采用冲压和4道旋压工艺的多楔皮带轮成型方案。进行了有限元数值仿真,分析了各道旋压工序的实时动态应力应变状态及成型缺陷。通过模具试制和实际加工,对冲压和4道旋压工艺的方案进行了验证。研究结果表明:多楔带的齿槽和齿状填充饱满,加工的工件外形尺寸与零件图基本吻合,成型效果较好;该旋压工艺方案能较好完成多楔皮带轮成型加工。     

Weibull型无故障数据下综合Bayes置信可靠性评估模型

在无故障数据情况下,将失效概率结合Bayes理论引入置信限,分析了修正后的数据Weibull分布中单侧置信可靠性。其方法是:首先基于Weibull分布采用配分布曲线法进行分析,构造出多层先验分布给出失效概率的综合EBayes估计,结合最小二乘法拟合得到分布参数的估计值;根据参数的统计性质构造置信区间的枢轴量,同时,给出Weibull分布特征参数的区间估计和可靠度置信下限。以经典轴承试验为例,将此方法与其它方法计算结果进行对比,证明了该方法对置信可靠性评估的合理性和可行性。     

基于GAPSO算法的转台齿轮传动多目标优化研究

针对某航空发动机叶片五轴加工机床转台传动系统多目标优化设计问题,以五轴加工机床转台的齿轮总体积和总重合度建立了目标函数,在齿轮的接触应力和弯曲应力为约束条件下建立了优化数学模型。提出了结合PSO算法与GA算法各自优点的GAPSO方法,利用GAPSO算法既有GA算法的强大全局搜索能力又有PSO算法的快速收敛能力的特点,求解了转台齿轮传动系统的多目标优化数学模型,并分别使用PSO算法、GA算法对数学模型进行了寻优求解,最后将3种算法的结果进行了对比分析。研究结果表明:相比PSO算法与GA算法,GAPSO算法的优化效果最佳,转台的齿轮传动系统体积减少27.26%,重合度增加8.10%;优化目标实现了转台的轻量化与提高传动平稳性的目的,为转台的齿轮传动系统的多目标优化设计提供了理论依据。     

基于多层感知器的气液两相流流型识别方法

通过对电阻层析成像数据采集原理和深度学习网络的研究,提出了一种基于阵列电阻值和多层感知器深度学习网络相结合的流型识别方法。利用电阻层析成像系统中的16个电极传感器来获取流型样本数据,并构建出流型识别数据库,然后对多层感知器深度学习网络进行训练,获得可以识别不同流型的网络。实验结果表明,采用阵列电阻值结合多层感知器网络对流型进行学习和识别的方法,流型识别准确率可以达到95%,解决了流型图像生成过程与数据特征预选过程中流型特征损失的问题,流型识别性能得到了提高。     

深调峰工况下锅炉虚假水位预测

  [目的]  火电机组深调峰工况运行“虚假水位”现象严重影响机组安全运行，准确预测虚假水位出现时刻和幅度能够优化控制系统设计。  [方法]  研究思路为:将实际水位看作真实水位和虚假水位两部分的叠加，先根据能量平衡和物质平衡建立汽包水位模型计算出真实水位，再用实际水位减真实水位得到虚假水位，然后利用小波分析燃料量、汽包压力等信号与虚假水位信号在不同时间空间尺度下的相关性。  [结果]  通过对某600 MW机组深调峰负荷段运行数据进行分析，发现通过机理建模有效消除了给水流量和蒸汽流量对虚假水位信号波动的影响；在0.062 5 Hz至0.125 Hz频段，燃料量和汽包压力分别与虚假水位信号呈强相关性。  [结论]  可以辅助判断虚假水位的产生及其波动幅度。     

直驱多轿厢电梯系统的调度控制策略

传统单轿厢电梯系统在服务于高层建筑时因电梯结构的局限性会使高峰客流时段乘客的候梯时间及乘梯时间变得相对较长.为了提高电梯系统的服务性能,结合直线电机在垂直提升系统中的优点,引入目的层预约的思想,建立了直驱多轿厢电梯系统的结构,并对多个轿厢在运行时发生碰撞的可能性进行了预防.通过采用轿厢的服务完成时间对电梯系统进行控制评估,最后将直驱多轿厢电梯群控系统与传统单轿厢系统在相同环境下进行对比仿真分析.仿真结果表明,在电梯系统的服务性能方面,直驱多轿厢电梯群控系统相比于传统单轿厢电梯系统具有更小的乘客候梯时间.     

ELMs和SVMs在多分类问题上的泛化性能比较

多分类问题是机器学习、数据挖掘领域的重要研究内容。在文本分类、语音识别、图像识别、基因检测等方面有广泛的应用。通过在UCI数据集对极限学习机算法ELMs(ELM,KELM)和支持向量机算法SVMs(SVM,LSSVM)在多分类问题上的表现进行详细比较,得出以下结论:ELMs相较于SVM在多分类问题上有更高的分类准确率,而且随着分类数目的增加,ELMs的泛化能力相较于SVM提高越多,但是ELMs对于LSSVM并没有得到上述结论;ELMs相较于SVMs对数据的类别数目不敏感,分类准确率随类别数目增加下降不明显;ELMs相较于SVMs在多分类问题上所需计算代价更小,且拥有更快的学习和训练速度,适用于多分类问题。