课程文献中心 更多>>

关键词： 汽车制动器系统   多椭球凸模型   不确定性分析   相关性分析   制动噪声  

摘要： 在制动噪声现象中,汽车制动器系统参数不可避免地存在着不确定性和相关性,使得系统响应亦可能同时存在一定的不确定性和相关性,针对该问题开展了制动器系统稳定性响应的不确定性和相关性分析研究。采用多椭球凸模型描述系统参数的不确定性和相关性,以不稳定模态阻尼比表征系统稳定性响应。将多椭球凸模型分别与蒙特卡罗仿真、一阶摄动法和二阶摄动法相结合,提出了三种系统稳定性响应的不确定性分析方法;结合蒙特卡罗仿真和一阶摄动法,分别提出了两种系统不确定响应的相关性分析方法;基于不确定性和相关性分析方法,提出了建立系统响应椭球域的组合方法。通过算例分析验证了方法的有效性。分析结果表明,所提出的方法可有效地求得系统稳定性响应的边界区间、相关系数和椭球域,并且该方法具有较高的计算精度和效率。

关键词： 支护技术   煤矿掘进   应用策略  

摘要： 巷道掘进是煤炭开采重要环节。随着开采深度加大,巷道掘进地质条件越来越复杂,如何确保巷道安全稳定成为煤矿生产的重要问题。锚杆支护技术因安全、有效和快速在煤矿巷道掘进中普遍应用。本文分析锚杆支护技术在煤巷掘进中的应用,并探讨其作用。

关键词： 矩形顶管   复合地层   开挖盲区   刀盘设计   处理装置   预处理技术  

摘要： 为解决组合式旋转刀盘矩形顶管掘进机在复合地层中顶推施工的局限性,依据顶管掘进范围内岩体物理力学性质、横断面及纵轴向分布范围、埋深、地下水赋存情况及地面环境条件等的不同,提出从设备优化设计和盲区预处理两个方面来解决复合地层矩形顶管盲区处理问题。在设备优化设计方面,针对矩形顶管掘进机设计与制造环节,提出从优化刀盘布置和盲区位置增设辅助切削系统两种方法来增强其在复合地层中的适应性;在盲区预处理方面,针对预处理技术,提出3种水平处理方法及地面处理方法。为矩形顶管掘进机复合地层掘进施工提供了新的解决方案。

关键词： 工业大省   新型工业化   先进制造业   主攻方向   农业大省   稳中有进   创新驱动   补链  

摘要： 工业之于经济,是稳大盘的“压舱石”。湖南省统计局近期发布数据,1-7月,全省规模工业增加值同比增长7.0%,其中7月份增长7.5%、比6月份快1.9个百分点,工业运行稳中有进,“压舱石”不断筑牢。近年来,湖南大力推进新型工业化,以先进制造业为主攻方向,创新驱动挖掘产业新增长点,强链补链壮大先进制造业产业集群,数字赋能培育发展新优势,实现了从农业大省到工业大省的跨越,挺起湖南工业脊梁。

关键词： 机电一体化   工程机械   应用  

摘要： 机电一体化作为当前工程机械领域中最为新型的技术,在我国科技进步与发展的推动下,已经在各行业中得到了一定程度的推广与应用,并获得了广泛认可,不仅能够切实提升整体工作效率水平,对于工程机械的发展而言也具有积极的促进作用,能够推动我国工业生产的持续发展。并且也可以在各类科技技术的加持下,进一步发挥出自身的应用优势。本文将对机电一体化在工程机械中的应用进行分析,以供参考。

关键词： 人工智能   汽车故障诊断   预测维护   实时监测  

摘要： 文章旨在分析基于人工智能的汽车故障诊断与预测维护系统的研究,通过分析人工智能在故障诊断中的应用,提出了实时故障诊断算法、自适应故障识别、警报系统的设计以及用户通知和反馈机制等方面的监测技术,并阐述了部件寿命预测和维护建议,以期为提高汽车故障诊断的准确性和可靠性提供一定的参考和借鉴。

关键词： 预裂爆破   切顶卸压   爆破孔   关键层   炸药  

摘要： 高产高效是评价煤矿综合效益的一个重要指标,受煤层采掘破坏的影响,应力荷载向巷道一侧或顶、底板某个位置转移或集中,造成巷道变形或垮塌等问题普遍存在。为消除采煤过程中老顶应力荷载向巷道一侧转移造成的围岩弱化变形,提出超前爆破切顶卸压工艺,设计深孔预裂爆破的爆破工艺及炮眼的合理布置参数,对关键层进行定向预裂爆破。爆破切顶的实施表明,该工艺可实现应力荷载路径的有效切断,巷道围岩变形得到有效控制。

关键词： 人工智能   机械维修   故障诊断   智能机器人  

摘要： 探讨了人工智能在解决机械维修复杂性和效率问题上的潜力。首先,概述了机械维修的现状及其挑战,明确了研究的背景和目标。其次,深入剖析了机械维修技术的基本要素,为后续的人工智能应用提供理论基础。最后,阐述了人工智能,特别是机器学习、深度学习和机器人技术在故障诊断、预防性维护、维修决策支持以及维修过程自动化等方面的实际应用,这些技术通过大数据分析、模式识别和智能决策,显著提升了机械维修的精准度和速度,降低了维修成本和停机时间。

关键词： 机器学习   故障诊断   支持向量机   卷积神经网络  

摘要： 针对电厂设备故障诊断问题进行了基于机器学习方法的研究。利用支持向量机(Support Vector Machine,SVM)和卷积神经网络(Convolutional Neural Network,CNN)等技术,开发了一种高效的故障诊断系统。研究首先进行了数据的采集与预处理,然后通过特征选择和提取,构建并优化了机器学习模型。实验结果表明:此诊断系统在故障诊断的准确率、召回率和F1值等方面均达到了95%以上的指标,显著优于传统方法。研究的创新点在于引入了深度学习技术,并结合电厂设备的实际运行数据,提升了诊断系统的可靠性和实时性。研究成果为电厂设备的故障诊断提供了一种有效的解决方案,具有重要的应用价值。

关键词： 滚动轴承   多故障分类   时空特征   一维全卷积网络   长短时记忆网络  

摘要： 针对滚动轴承多位置、多类型故障诊断面临的挑战,提出一种基于时空特征融合的滚动轴承故障诊断方法。首先利用长短时记忆网络(LSTM)提取轴承数据集的时间序列特征,利用改进的一维全卷积网络(1D-FCN)提取滚动轴承振动加速度信号空间特征,再使用创新全连接层算法融合时空特征、更新网络参数,最后利用所提多分类算法实现对滚动轴承不同位置和不同故障类型的识别。实验结果表明,所提方法和卷积神经网络(CNN)、支持向量机(SVM)等方法相比,具有更显著的特征提取能力,最终的分类准确率优于上述传统方法,证明了该方法的有效性和优越性。