新型水力分级旋流器的结构设计与原理分析

针对目前水力旋流器分级效果差等问题,对其分级原理以及颗粒运动进行了详细分析研究,然后对新型水力分级旋流器结构进行了结构设计,其主要结构参数包含旋流器直径、进口、溢流口及底流口直径、筒体高度。这为之后水力旋流器的进一步研究提供了理论基础。     

采用GA-BP算法和EMD的滚动轴承故障诊断方法

针对滚动轴承故障识别和分类问题,提出一种采用GA-BP算法结合经验模态分解(EMD)方法的滚动轴承故障识别方法。该方法首先利用EMD方法对不同类型的故障信号进行分解,获得若干个阶次的IMF分量,然后求出其能量占比,并构造相应特征向量组,最后将特征向量组输入遗传算法(GA)优化的BP神经网络中进行训练和测试,进而对故障进行分类和识别。结果表明,该方法能有效提取滚动轴承故障特征信息,并快速地对不同故障类型进行识别。     

多发性骨髓瘤患者基质细胞衍生因子-1α、CD44v6表达的研究

目的 探讨基质细胞衍生因子-1α(SDF-1α)、CD44v6(一种变异的CD44受体)在多发性骨髓瘤(MM)中的表达水平及其与病情进展的关系.方法 用酶联免疫吸附试验(ELISA)检测24例MM患者[14例初发和复发MM患者(初发和复发MM组),10例病情稳定MM患者(病情稳定MM组)]和15位健康骨髓移植供者或非肿瘤良性贫血患者(对照组)的骨髓单个核细胞(MNC)和骨髓基质细胞(BMSC)培养上清的SDF-1 α、CD44v6水平.结果 初发和复发MM组MNC培养上清的SDF-1α、CD44v6表达水平[(7232.41±2644.97)pg/ml和(34.34±13.20)ng/ml]显著高于病情稳定MM组[(2315.49±748.29)pg/ml和(15.69±5.28)ng/m1](t=6.25、t=7.82;均P＜0.05)和对照组[(1149.52±636.06)pg/ml和(4.85±3.62)ng/ml](t=4.60、t=7.61;均P＜0.05).病情稳定MM组SDF-1α、CD44v6水平显著高于对照绀(t=2.99、t=4.87;均P＜0.05).9例初发和复发MM组的BMSC与人类骨髓瘤细胞系细胞U266加入rhIL-6进行混合培养后,SDF-1 α水平[(6180.25±5925.38)pg/ml]显著高于5例对照组BMSC[(1021.13±358.65)pg/ml]和9例初发和复发MM组[(1004.07±727.36)pg/ml](t=2.66、t=2.42;均P＜0.05).而其他BMSC各组问的SDF-1α水平差异无统计学意义(P＞0.05).SDF-1 α与CD44v6两者表达水平呈正相关(r=0.51,P=0.03).结论 SDF-1 α、CD44v6水平升高与MM的病情进展或发病有关,也可能与MM的肿瘤浸润过程有关;而这些体内过程可能需骨髓瘤细胞和BMSC与IL-6、SDF-1α和CD44v6等因素协同完成.     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。     

基于多层降噪处理的轴承故障特征提取方法

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。     

基于ANSYS-Workbench的液压机机架模态分析及拓扑优化

应用SoildWorks三维建模软件建立液压机机架实体模型,采用ANSYS-Workbench有限元软件对液压机机架的一般情况下和预应力状态进行模态分析,计算并分析前8阶固有频率和相应的模态振型。同时,通过静力学分析应力和变形的大致分布,并在此基础上进行拓扑优化,将优化后的模态与优化前模态进行了比较,改善液压机机架的动态特性,同时减轻了机架质量,确定了此方案的可行性。