水辅助注射成型充填过程中工艺参数影响的数值模拟

基于Hele-Shaw流动模型,对一直管的水辅助注射成型的充填过程的工艺参数的影响进行数值模拟.通过单因素实验法研究了工艺参数对水穿透长度与其厚度分数的影响.结果表明,熔体注射量对水穿透距离影响最大,而熔体温度、模具温度、注水温度、注水压力对水穿透距离与其厚度分数的影响不是很明显.     

压力校直过程的理论模型研究及其实验验证

校直行程的精确计算是全自动校直机的关键技术。文中以矩形截面零件为研究对象,并假定为理想弹塑性材料,依据弹塑性力学理论,通过推导载荷、弯矩、挠度和弹性区长度间的关系,建立压力校直过程的载荷-挠度数学模型。实例计算表明,理论计算结果和有限元计算结果吻合良好。实验结果也证实理论计算具有足够的精确性。该模型有助于全自动校直机的研制。     

回转机械振动模糊故障诊断系统的理论和应用研究

本文提出了处理回转机械故障模糊性的振动模糊诊断法,重点介绍了回转机械振动模糊故障诊断系统的设计思想与功能实现;最后结合现代铁路设备举例验证,结果表明系统的可靠性和准确性令人满意。     

基于自整定PID控制技术的圆盘转动减振控制器设计

本文设计了一个应用于高速圆盘转动减振的控制系统,并首次使用了以ARM9系列S3C2410为核心的嵌入式控制系统,其系统软件设计以LINUX操作系统为设计平台,应用基于模式识别的自整定PID控制技术作为控制方案.克服了传统的圆盘转动减振系统对高速转动减振控制效果差和修改控制参数困难的问题.     

VC＋＋框架下3DMAX SDK和OpenGL实现建模的思路构建

随着经济不断发展,VC＋＋在很多领域中得到了广泛应用,同时,3DMAX SDK和Open GL的联合运用,使求实体之间的差这个问题得到了更有效的解决,使编程效率得到不断提高,具有重要实践意义。本文就3DMAX SDK和Open GL选用的实现思路和实体之间求差的实现思路进行阐述,提出3DMAX SDK和Open GL选用应注意的问题,以为VC＋＋框架下3DMAX SDK和Open GL实现建模提供可参考依据。     

时变参数模型及其在非平稳振动分析中的应用

对时变参数模型TVAR（Time-varying Autoregressive Model）进行了研究，并将其应用于转子实验台非平稳振动信号的分析。TVAR是模型参数随信号统计特性而变化的变参数AR（Autoregressive Model）模型，适用于分析非平稳信号。利用TVAR对调频仿真信号进行分析并与典型时频分析方法进行比较，结果表明TVAR具有时频分辨率高、无交叉干扰项以及对噪声不敏感等优点。基于TVAR分析了转子实验台正常及故障工况下连续变速过程中采集的振动信号，实验表明TVAR能够有效地分析非平稳振动信号，并具有较强的信号特征提取能力，为非平稳工况下转子故障诊断及模态分析等提供了一种有效的分析方法。     

基于PID控制算法的含时滞主动悬架系统仿真研究

采用纯输入时滞表示主动悬架系统的时滞现象,建立含时滞1/4主动悬架系统的动力学模型,用PID策略实施闭环控制,通过Routh-Hurwitz稳定判据推导出系统稳定性条件,得到系统临界稳定时的时滞量大小。通过MATLAB/SIMULINK分别仿真悬架系统对阶跃输入与谐波输入的响应,结果表明,时滞的存在降低了系统控制效果,超过临界时滞时系统失稳,临界时滞量大小与控制器参数、系统其他参数等诸多因素有关,数值算法与仿真步长的选择对计算结果有较大影响。     

计算机教学反思研究

根据教学要求对教学反思进行系统研究,总结出教学反思的方法、实施步骤,形成教学反思式的教学效果评价模式。     

校直机行程计算经验公式的理论依据分析

校直行程计算是压力校直工艺的关键技术，本文阐述了校直行程计算的3种方法。根据压力校直过程的理论模型，通过简化和推导，对校直行程的经验计算公式进行了理论依据分析，给出了经验公式的理论解释，为自动校直机的开发研制提供了技术支持。有限元实例计算证实了分析的正确性。     

基于ICEEMDAN与支持向量机的轴承故障诊断方法

针对DF4型机车轮对轴承不同健康状态的辨识问题,提出改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与灰狼寻优算法优化支持向量机(GWO-SVM)结合的故障识别方法。对机车轮对轴承不同故障信号利用ICEEMDAN方法分解为若干模态分量(IMF);根据相关系数准则将IMFs重构出典型的特征信号,并计算不同状态的特征信号在多尺度上的样本熵值,构成多尺度样本熵MSE特征向量;通过灰狼算法对SVM的核参数c和g进行全局寻优,增强SVM模型的分类性能,实现对轴承故障状态的准确识别。采用某局机务段JL-501机车轴承试验台数据验证所提模型的有效性,结果表明：ICEEMDAN-MSE与GWO-SVM结合的机车轮对轴承故障诊断方法能够准确地对轴承健康状态进行识别,准确率达96.86%;与参数自选的SVM模型和CEEMDAN-MSE+GWO-SVM等模型相比,文中所提方法的故障识别率分别提高了23.57%和3.48%。