排序方式: 共有20条查询结果,搜索用时 15 毫秒
1.
为研究自适应前馈主动噪声控制FxLMS算法的收敛特性,通过Simulink仿真,表明定收敛因子条件下FxLMS算法在次级通道传递函数已知时,输出声信号能实时跟踪输入噪声源信号的反相信号,残余误差信号能快速减小并达到稳态。 相似文献
2.
3.
为了发展利用植物生物质资源,采用将蔗渣溶于LiCl/DMAc体系并利用溶解于其中的物质与丙烯酰胺进行均相接枝反应以制备蔗渣接枝聚丙烯酰胺。结果表明蔗渣在160℃活化1h,烘干后与100g/L的LiCl/DMAc体系以固液比1∶50混合,然后在160℃加热4h的条件下可以取得81.3%的溶解率。溶液中不但含有纤维素,而且含有半纤维素和木质素。该溶液在30℃、N2环境且丙烯酰胺分两次投料的条件下进行共聚的接枝率达到62.86%。进一步的实验表明蔗渣接枝物的主要成分是纤维素-g-聚丙烯酰胺。这为植物生物质的高值化利用提供了新的途径。 相似文献
4.
5.
6.
热变形是影响磨床加工精度的主要因素,严重制约了机床精度的进一步提高。为了提高热误差预测的精度,提出了一种基于热传导和卷积神经网络的磨床主轴热误差预测方法。根据热传导理论推导出主轴表面和外部环境的温差和热变量的映射关系,揭示了材料热变形本质。然后,建立了以温差为输入和主轴热变形量为输出的神经网络热误差预测模型。该模型拥有4个神经网络层,分别对应温差、热能增量、时间变量以及热变形量。运用反向传播算法对该预测模型进行训练并计算模型参数。最后,基于SINUMERIK 840D数控控制器开发了一套磨床主轴热误差补偿系统,并在某一数控磨床上进行了验证。结果表明,通过主轴热误差补偿后,磨床的加工精度提升了41.7%,验证了本文提出的主轴热误差预测模型的有效性和可行性。 相似文献
7.
针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。 相似文献
8.
9.
10.
研究了利用离子液体1-丁基-3-甲基咪唑氯盐([bmim]Cl)对甘蔗渣中的纤维素直接溶解并再生,考察了温度、NaOH浓度以及溶解时间对溶解率的影响,同时分别通过FT-IR、X射线衍射及热失重对再生纤维素的结构、结晶性及热性能进行了研究。实验表明:温度80℃、NaOH浓度为1%、溶解时间为1.5 h时,离子液体[bmim]Cl对甘蔗渣有最好的溶解性,溶解率可达到48%。离子液体主要溶解甘蔗渣中的纤维素,且为非衍生化的直接溶解,再生后的纤维素结晶形态由纤维素Ⅰ变为Ⅱ,热稳定性能同纯纤维素相比有所降低。 相似文献