摩托车无线电骚扰研究

介绍了摩托车无线电骚扰的研究现状及其检测方法,并从理论上对无线电骚扰的产生、传播进行分析,总结其特点,提出了降低摩托车无线电骚扰的措施及发展趋势.     

基于EEMD-HHT的双馈感应发电机定子匝间短路故障研究

采用多回路理论构建电路模型,通过MATLAB进行不同故障的仿真,经分析得出定子匝间短路电流的谐波特性以及电压不平衡故障电流的谐波情况,对比可知二者谐波特性相类似,难以通过故障电流区分两种故障。用EEMD-HHT方法分析处理故障电流后,两种故障所得的现象不同,由此很好地区分了这两种故障情况,在定子匝间短路故障的诊断中,排除了电压不平衡故障的干扰,同时该方法还能得出电机故障的发生时刻,可以为定子匝间短路故障检测提供更加可靠的保障。     

基于探测线圈法的双馈式发电机转子匝间短路槽的定位研究

双馈式感应发电机广泛应用于风力发电领域,发电机转子绕组匝间短路是目前国内外研究的热点之一。由于双馈风力发电机的特殊结构和工作特性,准确定位发生匝间短路故障的槽号存在一定难度。本文从有限元理论出发,利用Ansoft仿真分析正常和转子绕组匝间短路故障后的气隙磁密的变化特性。从磁特性角度出发,分析了故障槽定位的可行性;通过探测线圈和光电装置的结合,对比分析正常与故障下采集信号的差值,即可确定故障槽的位置。     

基于OBE理念下的风景园林设计课程教学发展趋势及模式评估

为了解风景园林设计课程本科教学发展情况,文章运用CiteSpace软件对CNKI数据库中"风景园林设计教学"相关文献从发表时间、发文作者分布、研究机构和研究热点进行统计、整理、分析和归纳,研究本课程发展趋势并结合本校教学,总结风景园林设计课程教学过程中存在的问题.基于成果导向教育理念,以学生为主体,关注学生今后在行业内的发展情况,对风景园林设计课程教学进行教学评估,以期为以后风景园林设计课程本科教学发展提供借鉴.     

基于VMD与KFCM的柴油机故障诊断算法

针对柴油机的故障诊断问题，提出了一种基于变分模态分解（variational mode decomposition，简称VMD）与核模糊C均值聚类算法（kernel fuzzy C-means clustering，简称KFCM）联合的故障诊断方法。首先，针对VMD算法中分解层数K的选择问题进行了自适应优化；然后，从优化VMD算法的分解结果中选取3个关键分量计算最大奇异值，并将其作为3维的特征向量输入KFCM算法中进行分类识别；最后，对仿真信号以及某型柴油机的模拟故障实验信号使用优化VMD、传统VMD和经验模态分解（empirical mode decomposition，简称EMD）方法分别进行分解与识别。结果表明，笔者提出的方法明显改善了模态混叠现象，提高了模式识别的诊断正确率，提出的联合算法具有更好的应用前景。     

基于QSAR模型的食品谱效关系研究:以植物黄酮为例

食品中含有的生理活性物质复杂多样,化学结构相近,含量低,分离分析困难。如何对食品中的生理活性物质进行简单、快速、有效的评价,值得深入研究。本研究以14个黄酮标准品为对象,随机复配得到10组混合样品,通过采集各样品高效液相指纹图谱中的色谱信息及抑制α-葡萄糖苷酶活性的数据,运用逐步回归法构建QSAR数学模型,筛选酶抑制活性显著的化合物。结果表明,该模型筛选出的柚皮苷与染料木素对酶活性有一定的抑制作用,与模型验证结果一致。该方法为食品中生理活性物质的快速筛选及功能性食品的研发与创新提供了新的方法及思路。     

电动轻便摩托车续驶里程工况测试循环的研究

通过对电动轻便摩托车行驶过程中的车速、时间进行采集,以获得大量反映电动轻便摩托车实际道路行驶特征的数据,通过对数据进行分析筛选以确定合理的电动轻便摩托车续驶里程工况测试循环。在底盘测功机上进行了不同工况的续驶里程试验,表明GB/T 24157-2009标准中电动轻便摩托车续驶里程工况法测试循环与我国的道路情况及车辆实际运行情况并不相符。     

基于MADM的多UCAV空战态势威胁评估

在综合考虑了UCAV态势威胁指数和空战能力指数的基础上,建立了威胁评估模型;采用层次分析法(AHP)对威胁权重进行了计算,提出了一种定性与定量相结合的多属性决策(MADM)方法,分别采用逼近于理想排序法(TOPSIS)和直接线性加权法进行了威胁评估和排序;最后给出了具体的仿真算例。计算结果表明,模型考虑的更加全面,算法层次清晰,计算快捷,可以实现高效的多UCAV空战威胁评估。     

电动摩托车及电动轻便摩托车用电机最大连续输出功率测试方法

介绍了电动摩托车的电动机功率的概念,针对国内外不同标准分析了电动机功率的测试方法,给出了国内电动摩托车及电动轻便摩托车用电机最大连续输出功率测试方法。     

基于多重注意力-卷积神经网络-双向门控循环单元的机械故障诊断方法研究

为解决传统机械故障诊断方法需要人工提取特征的不足,提出一种基于多重注意力-卷积神经网络-双向门控循环单元(multiple attention-convolutional neural networksbidirectional gated recurrent unit,MA-CNN-BiGRU)的端到端的故障诊断方法。首先将原始时域数据输入卷积神经网络(convolutional meural networks,CNN)进行初步特征提取并降维,然后将结果重组输入双向门控循环单元(bidirectional gated recurrent unit,BiGRU),可以有效地解决BiGRU对于过长序列数据处理困难的问题。采用美国凯斯西储大学开源轴承数据集进行训练,确定了最佳卷积层数和最佳样本长度约减比例分别为2和1/8。同时,通过在CNN和BiGRU中分别加入卷积注意力模块(convolutional block attention module,CBAM)和序列注意力模块(sequence attention module,SAM),进一步加强了模型对于关键信息的提取能力。最后实测柴油机故障振动信号试验表明:MA-CNN-BiGRU模型可以实现端到端的故障诊断,与变分模态分解(variational mode decomposition,VMD)-核模糊C-均值聚类算法(VMD-kernel fuzzy C-means clustering,VMD-KFCM)、VMD-反向传播神经网络(back propagation neural network,BPNN)和一维CNN等方法进行对比,MA-CNN-BiGRU模型的故障诊断性能更优。