承压含水层非稳定流拉普拉斯变换有限层分析

以有限层法为基础，利用拉普拉斯变换，将时间域上的地下水非稳定流的问题转化到拉普拉斯域求解,提出了求解地下水三维非稳定流的拉普拉斯变换有限层法，建立了拉普拉斯空间中的有限层方程，在求得拉氏空间解的基础上，利用Stehfest数值逆变换方法实现了一步求解给定时刻任意位置的地下水降深。在数值算例验证本文方法的正确性的基础上，讨论了Stehfest数值逆变换中计算项数K的合理取值和计算参数对K取值的影响。本文方法不仅具备将三维问题简化为一维问题求解的优点，而且克服了传统数值方法只能对离散点分别进行数值逆变换的局限性，进一步提高了计算效率。     

承压含水层非稳定流拉普拉斯变换有限层分析

以有限层法为基础,利用拉普拉斯变换,将时间域上的地下水非稳定流的问题转化到拉普拉斯域求解,从而提出了求解地下水三维非稳定流的拉普拉斯变换有限层法。建立了拉普拉斯空间中的有限层方程。在求得拉普拉斯空间解的基础上,利用Stehfest数值逆变换方法实现了一步求解给定时刻任意位置的地下水降深。在数值算例验证本文方法的合理性的基础上,讨论了Stehfest数值逆变换中计算项数K的合理取值和计算参数对K取值的影响。本文方法不仅将三维问题简化为一维问题求解,而且克服了传统数值方法只能对离散点分别进行数值逆变换的局限性,进一步提高了计算效率。     

高性能新型中频节能电源技术探讨

本文论述了IGBT技术特性及技术规格并对国内外现状进行了分析，提出了IGBT在节能方面的优势。     

自适应UPEMD-MCKD轴承故障特征提取方法EI北大核心CSCD

为了准确提取强噪声背景下较微弱的轴承故障特征信息,结合均相经验模态分解(uniform phase empirical mode decomposition, UPEMD)和最大相关峭度解卷积方法(maximum correlated kurtosis deconvolution, MCKD)的优势,提出了一种自适应UPEMD-MCKD轴承故障特征提取方法。该方法将样本熵和峭度指标相结合构建最小熵峭比,采用遗传算法对最小熵峭比的最小值进行搜索,以确定移位数、滤波器长度和周期的最佳参数组合。经均相模态分解方法预处理的含噪信号通过相关性计算选取有效分量进行信号重构,重构信号借助最佳参数组合下的MCKD算法提取故障特征。内圈故障和外圈故障的实例分析表明,所提方法借助UPEMD的噪声抑制能力和最小熵峭比的参数组合寻优评价能力,能够从故障信号中有效的提取出微弱的故障特征。     

钕铁硼氢爆制粉氧化机理分析

在室内静态环境下，通过自然增重实验，研究了烧结钕铁硼、氢爆粉和非氢爆粉氧化速率差异。结果表明，总体氧含量，由于氢的参与和粉体内在化学特性，导致氢爆粉低。     

中心修正投影结合IGWO-SVM的滚动轴承故障分类方法

针对滚动轴承故障分类中全局信息损失和模态识别精度低的问题,提出一种中心修正投影算法(center modified projection, CMP)结合改进的灰狼算法(improved grey wolf optimization, IGWO)优化支持向量机(support vector machine, SVM)的滚动轴承故障分类方法。首先,融合样本高维空间全局分布信息和样本局部信息提出CMP降维算法,利用CMP的信息保留能力,实现轴承信号特征矩阵降维;其次借助钟形收敛曲线不同阶段下降速度的差异性特点以及前进式搜索和包围式搜索模式优化灰狼算法收敛性能,并利用IGWO实现SVM参数的自主寻优;最后采用优化后的SVM进行轴承故障分类识别。该方法充分结合了CMP的特征信息保留能力和SVM的小样本分类性能,有效减弱特征冗余成分对诊断结果的影响。多组对比试验表明,所提方法能有效的去除冗余成分,较好的保留样本空间分布信息,具有较好的分类性能。     

基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法

针对3层小波包分解（Wavelet Packet Decomposition,WPD）忽略了1和2层分解信号以及核极限学习机（Kernel Extreme Learning Machine,KELM）参数选择困难的问题，提出一种基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法。该方法首先对小波包分解中1-3层的14个小波包散布熵（Dispersion Entropy,DE）应用最大相关最小冗余算法（max-relevance and min-redundancy,mRMR）进行特征排序，确定最佳向量维度；然后应用哈里斯鹰优化算法（Harris Hawks Optimization,HHO）实现对KELM参数的优化；最后将最佳维度的小波包散布熵输入到经HHO优化的KELM中进行故障识别。实验结果表明，将m RMR特征选取功能和HHO-KELM聚类功能进行有效结合，可实现故障诊断过程中对分解信号的充分利用，与将只用到第3层分解信号的小波包散布熵输入到KELM的故障分类方法相比，识别准确率提高11.38%。