ZS1756振动筛动态分析

应用ＳＡＰ５Ｐ软件计算矿用振动筛前４０阶固有模态，从提高寿命观点看，第１阶，第３－４阶和第６阶模态应采取抑制措施；从队噪观点看，前６阶模态应给予注意。     

舰用燃气轮机框架模型的模态参数识别

本文采用一次有理正交多项式－多模态曲线合法对一舰用燃气轮机框架模型进行了实验模态分析，以Ｆｏｒｓｙｔｈｅ复合交多项式作为频响函数的理论值，用实测的频响函数建立系数矩阵，来寻找使目标函数最小的最优值，本文在ＨＰ９８２６微机上建立了建立了测试，数据采集及参数识别等系统识别软件，给出了具有工程实用意义的前五阶振动模态参数，识别结果和有限元计算相比较，令人满意。     

固体碱催化戊醛缩合的研究

自制了固体碱催化剂用于催化戊醛缩合反应 ,考察了碱金属、载体、反应温度、反应压力、空速等条件对反应的影响。研究表明 ,以介孔分子筛为载体的催化剂活性尤其是低温活性明显高于以硅胶为载体的催化剂。自制的固体碱催化剂性能稳定 ,在 2 0MPa ,2 60℃ ,1 0h-1条件下连续运转 2 7d,仍能保持转化率高于 90 %、选择性约 80 %的良好效果。     

Divide and Congruence Applied to η-Bisimulation

We present congruence formats for η- and rooted η-bisimulation equivalence. These formats are derived using a method for decomposing modal formulas in process algebra. To decide whether a process algebra term satisfies a modal formula, one can check whether its subterms satisfy formulas that are obtained by decomposing the original formula. The decomposition uses the structural operational semantics that underlies the process algebra.     

连拱坝交叉模态综合法的完备性

对笔者提出的连拱坝动力特性计算的子结构交叉综合法的正确性进行了证明．利用证明子结构子模态向量组成的线性空间是完备的基础上，说明当交叉子结构中所取的截尾模态趋向于完备时，其结果等同于整体计算，并表明近似计算将收敛于正确的结果．     

试验模态分析技术的进展

本文对试验模态分析技术的进展,特别是80年代发展起来的有关新技术进行了综合评述。主要内容有:试验激振技术、频响函数估计方法、试验测试设备、以及各种模态识别方法,包括单输入/多输出和多输入/多输出识别的时域和频域方法。文中强调了试验模态分析技术各环节之间的相互联系、相互影响,对于80年代已成为模态识别主流的多输入/多输出各种方法(包括作者发展的几种方法),用统一方法作了描述。最后提出了若干值得进一步研究的方向。     

大型立式玻璃磨边机整机动态特性分析

大型立式玻璃磨边机的动态特性影响玻璃磨边质量和磨边效率。利用Solidworks软件建立某大型立式玻璃磨边机三维实体模型,导入ANSYS软件中,对整机结构有限元动力学分析,得到该磨边机前六阶模态参数,分析了各阶振型对磨边机动态特性的影响,为磨边机结构的改进设计提供了理论依据。     

地铁车辆轴箱吊耳动态分析和优化

针对某型地铁车辆转向架在被吊起时起保护一系悬挂系统作用的轴箱吊耳在车辆运营中多次发生断裂的问题,用HyperWorks建立吊耳的有限元模型,以试验数据作为输入分析模态频率响应,通过仿真结果与试验结果的对比调整模型,保证模型仿真的准确性.综合分析仿真结果和试验结果,找出引起吊耳模态频率响应过大的原因,利用OptiStruct进行结构拓扑优化,根据优化结果提出4种新方案,并分别对比各方案的静强度、模态频率、模态频率响应和体积等,确定最佳设计方案.     

基于CAE的模态综合法误差分析

为研究用模态综合法进行发动机舱前端模型NVH分析时的误差,用整体计算法和模态综合法分别进行截止频率为100,200,300,1 000,2 000和3 000 Hz的模态计算,并基于模态计算结果进行原点传递函数计算.结果表明:考虑静态补偿的模态综合法计算误差小于不考虑静态补偿的计算误差;子系统模态计算截止频率大于2倍原点传递函数频率时,模态综合法计算误差小于10%;当传递函数频率是截止频率的1/3时,误差可以降低到5%。     

Higher-Order and Modal Logic as a Framework for Explanation-Based Generalization

Certain tasks, such as formal program development and theorem proving, fundamentally rely upon the manipulation of higher-order objects such as functions and predicates. Computing tools intended to assist in performing these tasks are at present inadequate in both the amount of knowledge they contain (i.e., the level of support they provide) and in their ability to learn (i.e., their capacity to enhance that support over time). The application of a relevant machine learning technique—explanation-based generalization (EBG)—has thus far been limited to first-order problem representations. We extend EBG to generalize higher-order values, thereby enabling its application to higher-order problem encodings.Logic programming provides a uniform framework in which all aspects of explanation-based generalization and learning may be defined and carried out. First-order Horn logics (e.g., Prolog) are not, however, well suited to higher-order applications. Instead, we employ Prolog, a higher-order logic programming language, as our basic framework for realizing higher-order EBG. In order to capture the distinction between domain theory and training instance upon which EBG relies, we extend Prolog with the necessity operator of modal logic. We develop a meta-interpreter realizing EBG for the extended language, Prolog, and provide examples of higher-order EBG.