超声振动切削中的自动调谐技术研究

在超声振动切削中,由于系统的发热及加工负载的变化,机械谐振系统的谐振频率会在较大范围内发生变化.若超声波电源的工作频率不能自动跟踪机械系统的谐振频率,超声振动切削就无法持续稳定地进行.为了解决上述问题,分析了超声振动切削系统的组成,剖析了系统中超声换能器的电阻抗特性,提出了根据换能器中电压和电流的相位差来调整超声波电源工作频率的自动调谐方法,并设计了相应的自动调谐系统.试验结果表明:该自动调谐方法在加工条件变化的情况下能使切削系统始终工作在谐振状态,实现连续稳定的振动切削.      

惯组减振系统抗冲击性能优化方法研究

为实现降低惯性仪表在大量级半正弦冲击下响应幅值的目标，开展惯组减振系统抗冲击性能优化方法的研究，建立半正弦冲击下的本体加速度幅值方程，通过有限元仿真分析进一步得出减振系统频率与本体加速度幅值的关系，并进行了试验验证，为后续惯组产品的减振系统设计提供了依据。     

基于AMESim的热气防冰系统笛形管设计与仿真

笛形管是飞机热气防冰系统的重要组成部分，笛形管上的孔径、孔间距以及笛形管的引气入口参数决定了防冰供气流量的大小及分配，从而影响防冰性能。本文基于多学科系统建模仿真平台AMESim，建立了笛形管流量分配仿真分析模型，对机翼热气防冰系统笛形管结构参数进行迭代设计。设计参数包括笛形管管径、喷孔孔径及孔间距等参数，最终获得了能够平衡设计状态点防冰热载荷的结构参数和引气流量分配，得到了防冰系统的引气压力制度。本文提出的基于AMESim的笛形管迭代设计方法可为热气防冰系统中笛形管的设计与优化提供参考。     

基于深度学习的电力数据分析研究

针对传统电力数据分析方法存在适用范围有限、模型复杂等导致电器分类准确率较差的问题,提出了一种基于多层堆叠长短期记忆(Long short-term memory,LSTM)网络的电力数据分析模型。首先,根据电力数据的频谱图、Mel频率倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)和Mel频谱图提取电力数据的特征,然后将其应用于深度学习模型并提高分类任务的性能,从而改善过拟合问题。其次,建立了一个多层堆叠LSTM模型,从而有效提高模型的分类和回归能力。最后,提出了一种改进的软独热编码和多尺度训练方法,从而防止峰值概率分布,提高模型的泛化能力。实验阶段,以家庭电力数据集为例,对所提模型进行验证。仿真结果表明,所提模型软独热编码及多尺度训练对加快训练效果具有一定效果,最终分类准确率到达89.85%。