增材制造设计(DfAM)下的金刚石晶格结构研究

基于机械零件的增材制造设计,用仿自然式方法设计了一种金刚石晶格结构,对晶胞相对密度和等效弹性模量建立了数学模型,并拟合得到二者关系式,一系列的仿真验证结果显示理论研究所得关系式具有一定的正确性;对金刚石晶格填充结构提出变密度假设,并用仿真和压缩试验的方法进行了验证,结果显示,填充单元密度以受力点为中心渐渐减小的变密度结构拥有更好的抗压性能,同时验证了本文得出的等效弹性模量数学模型具有一定的正确性和适用性.本研究结果可应用于承压机械零件的实体夹层填充,对机械零件进行应力匹配变密度设计,以达到机械结构轻量化的目标.     

重载校正视域下波束成形算法分析及实现

无线通信技术日新月异,而频谱资源相对有限,在面对持续增加的系统容量需求时形成不适应的局面,此背景下智能天线成为重要的突破口,其在提高频谱利用率以及扩容方面均具有显著的应用效果。智能天线深度整合阵列天线技术和阵列信号处理技术,波束控制能力更强,运行期间受外界干扰的概率较低,常见于通信、地质勘探等领域。波束是阵列处理的关键内容,现阶段已经成为彰显阵列信号处理的重要标志,其建立在各阵元加权的基础上,对其执行空域滤波操作,经过该处理机制后达到增强期望信号、提高稳定性的效果。文章则以宽带DDC信号波束成形技术为立足点,增添了重载校正模块,围绕其展开仿真和测试操作,实际结果表明该理论方法具有可行性,可作为同行的技术参考。     

探究建盏的审美与文化——以曜变建盏为例

早在我国晚唐五代时期,就开始产生了建盏文化,发展到宋代时期逐渐和茶文化进行了融合,并形成了一些衍生文化。在历史发展过程中,国家的文化也在不断发展,建盏文化从诞生到盛行又走向衰弱,在现代又重新走向复兴,在这个过程中产生了许多建盏珍贵文物,也逐渐成为了陶瓷中的上品。在建盏文化中,最为典型的一种就是曜变建盏,其中更是蕴含了独特的审美和文化。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

苏州长风纺织机电科技有限公司

苏州长风纺织机电科技有限公司是原中国航空工业第一集团根据国有大中型企业“主辅分离,辅业改制”,由苏州长风有限责任公司所属苏州长风机电科技有限公司纺仪分公司和苏州市长风机电应用研究所改制而成。公司继承了原苏州长风机电科技有限公司纺织仪器类产品的所有资产经营权及相关产品的知识产权,主要生产纺织工业用高端测试仪器及航空非标测试设备,是集研发、生产、销售于一体的高科技企业。苏州长风纺织机电科技有限公司在纺纱测试领域中有着20多年的专业经验,在研发和生产高品质、高性能的纺织实验室用测试仪器方面已成为一家公认的、值得性赖的厂商。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

新旧钢规下重级钢吊车梁疲劳验算的对比分析

疲劳验算是重级钢吊车梁设计的重要内容,新版《钢结构设计标准》引入疲劳截止限的快速判别法,明确区分正应力幅和剪应力幅,并对验算部位的类别进行重新划分。为了更好地把握重级钢吊车梁的疲劳验算要点,让新钢规可以更有效地指导吊车梁设计,本文对新、旧钢规的疲劳验算进行归纳总结,并结合具体工程实例进行分析计算。结果表明:当吊车梁承受高应力幅时,利用疲劳截止限快速判别出正应力幅一般较容易满足,而剪应力幅较难满足,需按容许应力幅法进一步判断。此外,通过理论公式和Sap2000有限元软件相结合的方法,对3种变截面吊车梁的疲劳验算结果进行对比分析,得出疲劳应力幅大小关系:圆弧突变式>渐变式>直角突变式。其中对于直角突变式吊车梁,其理论计算的疲劳应力集中系数偏大于有限元分析值,验证了新钢规中关于直角突变吊车梁对抗疲劳更为有利的结论。