分数阶全变分泊松去噪的快速线性化增广拉格朗日方法

近年来,有关分数阶全变分(FOTV)的图像去噪问题被广为研究。快速傅里叶变换(FFT)是求解相关子问题最常用的方法,但是FFT只适用于周期边界条件。为了能在非周期边界条件下也能实现好的去噪效果,针对FOTV泊松图像去噪模型,结合增广拉格朗日方法(ALM)和线性化技术提出新的算法。实验表明,在周期边界条件下,与采用FFT的增广拉格朗日方法相比,本文提出的算法在达到几乎相同的去噪效果时,收敛速度较快。而且在零Dirichlet边界条件时,也能实现好的去噪效果。     

多级变胞机构的刚度调控分析

刚度调控策略作为实现多级变胞机构的关节柔顺性,提高多级变胞机构的集成度,实现多级变胞机构紧凑化的重要方法,对其进行深入研究有着十分重要的意义.针对多级变胞机构刚度调控复杂的问题,本文通过对弹簧长度、最佳弹簧刚度以及最佳弹簧安装位置的确定,提出了针对多级变胞机构的刚度调控策略.实验结果表明,在一定范围内,最佳弹簧刚度随着安装位置l₃的增大而减小,当最佳弹簧刚度达到最小值后,最佳弹簧刚度随着安装位置l₃的增大而增大,两者之间为非线性关系.     

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。     

超大断面矩形顶管隧道触变泥浆减阻控制技术

以嘉兴市市区快速路下穿南湖大道超大断面矩形顶管工程为例，根据工程特点，通过触变泥浆配比试验确定了制浆剂及泥浆最佳配比范围；顶管机采用了自动注浆系统，实现了注浆压力和注浆量的精确控制，同时优化了管节注浆结构；在掘进过程中根据推力变化情况确定了同步注浆时间和间歇时间，优化了注浆参数。通过采取以上措施，提高了同步注浆质量，实际总推力和理论总推力对比表明本工程减阻效果显著，管节与地层摩擦系数仅有0.086，对今后同类工程具有较大的借鉴意义。     

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.     

利用FDM和随机共振检测风机主轴承微弱旋转信号

轴承作为风力发电机设备中重要部件,其健康状态直接影响风力发电机运行的稳定性和现场的安全可靠性.由于风力发电机特殊的工作环境,导致采集到的振动信号中包含大量的噪声干扰,难以准确提取轴承振动信号包含的信息成分,给评估主轴承健康状态带来困难.因此本文采用将傅立叶分解(Fourier decomposition method,FDM)和随机共振(Stochastic resonance,SR)相结合的方式提取信号中微弱的轴承振动信息.首先用FDM将原始信号自适应地分解为一系列包含轴承振动特征的傅立叶频带函数,然后找出相关性大的频带函数进行重构,最后采用SR对重构信号进行分析获得特征频率,判断轴承的健康状态.结果 显示,将两种方法相结合能有效提高输出信噪比,提升特征频率检测的精度,为实现风机轴承早期微弱故障诊断提供帮助.     

巨型水轮发电机剪断销研发与质量控制

为获得设计需要的巨型水轮发电机剪断销的剪切力,得到剪切力波动受控的批量剪断销,通过拉伸试验、冲击试验、硬度试验和剪断销剪切试验等讨论了全尺寸剪断销剪切试验的可行性,分析了剪切试验时正常剪断和非正常剪断的剪断销材料性能差异,探究了剪断销的剪切力质量稳定性控制方法。结果表明:控制剪断销料坯的布氏硬度波动,可实现间接控制剪断销剪切强度的波动;通过试验总结的六步法可达到控制批量剪断销质量和剪切力波动的目的。     

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。