弹簧式无级变速链轮的设计

针对变速自行车需要手动换挡,而且手动换挡后存在传动比不匹配当前阻力状况的问题,提出一种利用弹簧力的连续性实现无级变速的机械式自行车无级变速装置的方案,并通过使弹簧力方向与阻力方向之间存在一个变化的夹角的方法,使主动链轮分度圆直径变化量与弹簧压缩量之间呈现非线性关系,扩大可无级变速的有效阻力范围。通过计算得出了主动链轮分度圆直径变化量与弹簧压缩量之间的函数关系式。最后,对方案进行仿真分析,获得应力云图,验证了本方案的可行性。     

多功能智能化在线检测技术的研究

介绍一种性能可靠、操作方便的多功能智能化在线监测仪及检测技术的研究.该仪器和检测技术可用于大型复杂零件或者薄壁弱刚度零件表面加工精度和刀具破损的智能监控.     

基于Unlgraphics环境下复杂曲面加工技术的研究

介绍了一种用三轴联动高速数控铣床加工复杂叶片的新方法．采用Unlgraphics软件建立模型，生成刀具轨迹模型图，进行后置处理，生成数控加工程序代码，并在线进行叶片加工．     

轴用压电式六维大力值测力仪分载研究

分载比的确定是轴用压电式六维大力值测力仪设计的关键.对现有的该类测力仪分载原理进行了分析研究,建立了理论结构模型,基于材料力学、结构力学对各向分载比公式进行了理论推导,得到测力仪各向分载比公式,并通过ANSYS软件对受夹具夹紧力分布影响较大的轴向分载进行仿真分析,修正了轴向分载比公式.设计了静态标定实验,对传感器及测力...     

基于径向基函数神经网络的压电式六维力传感器解耦算法

针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题,     

原发性甲状腺功能减低症与垂体腺瘤的鉴别诊断

概述了六维力传感器研究意义及现状,介绍了构成压电石英六维力传感器的三向力传感器的结构,讨论了4支点三向力传感器在其中的空间布局及其测量原理.对传感器面上六维力标定数据进行回归分析,得出其向间耦合方程,进行了解耦处理.在此基础上,将传感器用于轴上六维力测量,进行标定和解耦分析,验证了该结构的传感器可用于轴上六维力的测量.     

压电石英六维力传感器的解耦研究

概述了六维力传感器研究意义及现状,介绍了构成压电石英六维力传感器的三向力传感器的结构,讨论了4支点三向力传感器在其中的空间布局及其测量原理.对传感器面上六维力标定数据进行回归分析,得出其向间耦合方程,进行了解耦处理.在此基础上,将传感器用于轴上六维力测量,进行标定和解耦分析,验证了该结构的传感器可用于轴上六维力的测量.     

压电式轴上六维力传感器的研制

本文对现有的六维力传感器及其力敏元件进行分析和研究,研制了一种能准确测量轴上空间六维力的新型四支点压电石英并联式轴上六维力传感器.选择压电石英作为四支点六维力传感器的力敏元件,提出了两种不同的力敏元件空间布置方式,对其建立了数学模型和解耦计算,得到作用在轴上的空间六维力.分析了压电石英传感器测量轴上六维力产生偏差的原因,通过实验进行了验证,确定出压电石英六维力传感器的力敏元件相对合理的布置方式,为轴上六维力测量提供了参考依据.     

并联式轴用压电六维力/力矩传感器

针对巨型重载操作装备极端制造中多维大载荷测量的难题,提出一种利用压电石英作为力敏元件的新型并联式轴用压电六维力/力矩传感器。对比各种力敏元件的性能,选择压电石英作为力敏元件可以实现空间力/力矩的动态测量,分析压电石英晶组不同空间布局方式的测量原理,提出并联式轴用压电六维力/力矩传感器的多点测量原理,分别对其建立空间力学模型,并进行解耦计算。设计出高灵敏度、高刚度、高线性度的非组装整体化六维力/力矩传感器新结构。研究并联式轴用压电六维力/力矩传感器的标定方法,并进行静态和动态标定试验,得到六维力/力矩传感器的标定矩阵和误差矩阵。试验表明,该六维力/力矩传感器可以动态测量空间六维力/力矩,具有量程大、线性好、固有频率高、动态性能好和应用场合多等优点。     

融合卷积块注意力模块和Siamese神经网络的人脸识别算法

针对传统人脸识别方法识别性能较差,基于深度学习的方法在非限制条件下识别较为困难,人脸特征区分性弱,识别精度容易受到姿势、表情等方面影响的问题,提出了一种引入卷积块注意力模块的孪生神经网络模型结构。该结构是基于孪生神经网络（Siamese neural network）的基础框架进行改进的,在框架中引入改进的VGG11＿BN模型进行特征提取。该模型是在VGG11结构的基础上引入批归一化（Batch Normalization,BN）技术,在原模型结构的基础上,提出引入CBAM混合注意力机制的特征提取网络;最后,针对目前亚洲人的人脸识别训练较少的情况,采用更加符合亚洲人脸特征的CASIA-FaceV5数据集进行识别训练。实验结果表明：本文算法在人脸识别方面的准确率达到了96.67%,并且在CAS-PEAL-R1人脸数据集上比SRGES,VGG11+siamese算法的准确率分别提升6.05%,6.7%。该算法可以在多因素影响下更好地进行人脸识别验证,具有良好的稳定性。