课程文献中心 更多>>

关键词： 分子动力学模拟   超声振动辅助切削   高硅铝合金   应力   晶体相变   刀具磨损  

摘要： 高硅铝合金(Al-30wt%Si)具有较好的物理和化学性质，但由于内部增强相硅颗粒的存在，导致材料加工困难。超声振动辅助切削对改善高硅铝合金材料的可加工性有明显优势，但加工过程中的微观机理仍需研究。利用分子动力学方法分别进行常规切削和超声振动辅助切削高硅铝合金模拟，通过对切削力、温度、应力分布、相变、位错分析，探究表面形成过程和亚表面损伤机理；并通过对金刚石结构识别、刀具形变状态、径向分布函数的分析，进行刀具磨损研究。切削速度与切削力、温度、晶体相变密切相关，超声振动辅助切削可以有效降低切削力和应力，但其温度和晶体相变比例会有所增加；切削深度显著影响切削力、表面形貌以及亚表面损伤，超声振动辅助切削改变了应力大小和位错分布，对提高表面质量、减少亚表面损伤有积极意义。该研究阐述了纳米切削过程中加工参数和力学性能的关系，对切削高硅铝合金的微观损伤机制进行分析，从而为超精密切削难加工材料的切削机理研究提供了微观层面的参考。

摘要： 徐工集团奋力担当发展装备制造、打造大国重器的职责使命,深度聚焦装备制造核心技术领域,大力实施创新驱动发展战略,着力打造科技创新团队,推进数字技术和实体经济深度融合,推动装备制造发展不断攀高向新.

关键词： 航空发动机   故障诊断   卷积神经网络   秃鹰搜索算法   极限学习机  

摘要： 针对航空发动机运行过程中出现的气路故障问题，提出了一种基于卷积神经网络(CNN)结合秃鹰搜索算法(BES)优化极限学习机(ELM)的航空发动机气路故障诊断模型。通过CNN对航空发动机气路数据进行学习并提取出隐藏在数据中的故障特征，引入BES算法对ELM的权重和偏置进行寻优，使用优化后的ELM对CNN所提取的抽象特征进行分类，从而达到故障诊断的目的。实验结果表明，基于CNN-BES-ELM的模型其平均准确率达到了97.80%，较CNN-ELM、CNN和ELM等方法分别提高了2.7%、5.4%和7.35%，较常用的深度学习模型如深度置信网络(DBN)和堆叠自编码器(SAE)，其准确率分别提高了5.4%和3.4%；并且在随机噪声、高斯噪声和椒盐噪声等噪声环境下仍保有90%以上的准确率，整体表现出良好的诊断性能、泛化能力和抗噪能力，为其在航空发动机气路故障诊断中的实际应用提供了理论依据。

关键词： 长距离小直径隧洞   TBM施工风险评价   扎根理论   组合赋权   云模型理论  

摘要： 为解决长距离小直径隧洞TBM施工中存在的风险因素多样且损失重大的问题，本文基于扎根理论质性分析，系统全面地识别长距离小直径隧洞TBM施工的各项风险因素。利用层次分析法-熵权法-博弈论法确定风险因素权重，降低专家主观意见干扰，提高权重确定的准确性。并结合云模型理论，构建了一套长距离小直径隧洞TBM施工风险评价模型。最后以安阳市西部调水工程的长距离小直径隧洞TBM施工为例，在验证所建风险评价模型可行性的同时，确定了该隧洞施工属于较大风险项目，其关键风险因素有风筒破损漏风、掌子面涌水，坍塌、安全意识不到位与应急物资、设备等配置不足等，并提出针对性的风险防控措施。

关键词： 电子机械制动器   行星齿轮减速器   滚珠丝杠   Electronic Mechanical Brake   Planetary Gear Reducer   Ball Screw  

摘要： 电子机械制动器是以电机驱动元件作为制动执行器，代替传统的液压制动方式，来解决液压制动系统存在的响应滞后问题。本文对电子机械制动器进行了设计建模、仿真分析。首先根据汽车参数对电子机械制动器的电机、行星齿轮减速器、滚珠丝杠进行设计。采用CATIA对电子机械制动器各部件进行三维建模，然后利用ANSYS/Workbench对刹车盘和刹车片进行瞬态动力学仿真，验证了模型的有效性和制动效果的稳定性。本研究的建模仿真为电子机械制动器的性能提升和优化设计提供了有力的理论支撑和技术参考，有助于推动其在汽车及相关领域中的广泛应用。

关键词： 故障诊断   白鹭群优化算法   变分模态分解   霍尔顿序列   滚动轴承  

摘要： 在机械设备故障诊断中，输入特征向量的差异会影响诊断精度，为了提高智能制造模式下滚动轴承故障诊断的准确性和可靠性，提出一种基于变分模态分解（VMD）和时频域熵的故障特征提取结合改进的白鹭群算法（IESOA）优化BP神经网络的故障诊断方法。首先，借助变分模态分解，成功解决模式混叠的问题；其次，提取各模态分量的时域香农熵和频域频谱熵构造故障特征向量，作为故障诊断模型的输入；再次，引入霍尔顿序列初始化白鹭种群，增强白鹭群优化算法的全局寻优能力，构建改进的白鹭群算法以优化BP神经网络（IESOA-BP），最后用美国凯斯西储大学轴承数据集进行仿真；研究结果表明，VMD加时频域熵表征故障特征信息更丰富；相较于传统BP、PSO-BP、SSA-BP、ESOA-BP、SCESOA-BP等方法，IESOA-BP方法在滚动轴承故障诊断方面表现出更高的分类准确率和更好的稳定性。

关键词： 梅尔频率倒谱系数   特征融合   互补集合经验模态分解   故障诊断   神经网络  

摘要： 为实现风机叶片异常时的准确监测，提出一种将互补集合经验模态分解与风机叶片声纹特征进行结合的方法。首先，采集到四种异常工作状态以及正常运行状态下的风机叶片的声纹数据，对其进行降噪、分帧和加窗操作的预处理，通过实验比对，选择互补集合经验模态分解算法进行声纹数据的二次降噪，其次，对二次降噪后的帧信号进行模态分解提取模态分量，通过计算模态分量的皮尔逊相关系数筛选有效的模态分量，并对每层的模态分量提取梅尔频率倒谱系数、线性预测倒谱系数、gammatone倒谱系数、短时能量、以及短时平均过零率特征。最后，基于这些特征组合，采用支持向量机、朴素贝叶斯以及神经网络作为故障分类模型对声纹数据进行识别。研究结果表明，基于上述五种声纹特征组合在参数寻优后的神经网络模型下可以实现叶片异常的准确识别，识别准确率达到97.5%，该模型对早期异常的风机叶片识别效果较好，具有较好的泛化性能。