Pro／Engineer中的圆角特征处理

本文从设计原理的角度结合作者的使用经验，分析了Pro／E中圆角特征的作用、构造方法及注意事项，以利于该特征在众多菜单中理清思路并正确构造圆角特征。     

基于BP算法的液压泵在线状态监测及故障诊断

以液压泵振动信号的５个时域信息；峰值，峰峰值，均方根值，方差和波形系数作为最小诊断参数组合，用ＢＰ神经网络进行信息融合，提出一液压泵的神经网络在线状态监测及故障诊断系统。     

基于特征的锻件分类及特征有限元法

综合分析锻件后引入特征技术并归纳锻件的形状及变形特点 ,提出了锻件特征概念并给出锻件形状特征的一般定义和构成 ;采用面向对象技术表示特征 ,提出了锻件特征类的概念模式和具体的参数化数据模型 ;针对有限元分析中复杂多变的约束条件和载荷状况两个关键性因素的表达 ,提出特征类的关联思想。在基于特征的锻件分类基础上 ,把锻件变形归纳为“挤”或“压”两种特征元 ,提出了采用基于特征的有限元法 ,并综合自适应FEM、并行FEM、智能型FEM共同求解大型复杂锻件的变形模拟问题。     

民航英语特点及翻译策略浅谈

民航英语是专门用途英语的一个分支,民航英语翻译属于应用翻译范畴,应坚持目的性原则。本文从词汇、句法及文体三个层面,分析了民航翻译工作的特点和难点,并结合翻译实践,探讨了翻译方法和翻译策略。     

基于间接法在线能力评估和自主规划技术研究

针对运载火箭推力故障条件下的自主救援任务,研究了一种基于间接法的在线能力评估和自主规划方法.构建了以入轨点能量最大为最优性能指标的最优控制问题.通过数值方法探讨了在满足轨道倾角和入轨点路径角约束条件下,入轨点速度、远地点和近地点跟入轨高度之间的关系,设计了一种与入轨高度相关的特征量来对入轨能力进行评估.以近地点最高为救...     

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

适于黏性计算的自适应笛卡儿网格生成及其应用

复杂外形的黏性网格生成已经成为计算流体力学(CFD)在工程应用中的主要瓶颈,高效而鲁棒的网格生成技术研究显得尤为迫切。使用基于物面外形自适应加密的笛卡儿网格方法生成计算网格,投影方法拟合壁面边界,将投影得到的柱形单元沿法向分层获得适于黏性计算的网格。应用特征恢复技术恢复凹面特征并改善凸面处的网格质量。流场解算中应用最小二乘法重构获得2阶精度,Roe格式计算无黏通量,Holmes-Connell方法计算黏性通量。加入Spalart-Allmaras一方程湍流模型以获得湍流解。上下对称高斯 赛德尔迭代(LU-SGS)格式隐式时间推进,对网格重排序保证格式的稳定性和平衡性。算例显示网格生成方法是快速的和鲁棒的,流场计算精度满足工程需求,因此该方法非常适合应用于实际工程计算。     

基于LMD的包络谱特征值在滚动轴承 故障诊断中的应用

滚动轴承故障振动信号往往是多分量的调幅-调频信号,而传统包络分析方法需要根据经验设置滤波器的中心频率与带宽,因而会带来解调误差.基于此,提出了一种基于局域均值分解(local mean decomposition,简称LMD)的包络谱特征值的滚动轴承故障诊断方法.该方法可以将一个多分量的调幅-调频信号分解成若干瞬时频率具有物理意义的PF (product function,简称PF )分量之和,由于每一个PF分量是分量包络信号和纯调频信号的积,因此可以直接对包络信号进行频谱分析得到包络谱.然后定义信号在包络谱中不同故障特征频率处的幅值比为包络谱特征值,并以此作为特征向量输入到支持向量机分类器中,用以区分滚动轴承的工作状态和故障类型.对滚动轴承正常状态、内圈故障和外圈故障振动信号的分析结果表明了该方法的有效性.      

7050铝合金搅拌摩擦焊接头组织特征研究

针对7050铝合金搅拌摩擦焊接头,给出各组织特征区的定义,并对各特征区的组织状态、晶粒大小、沉淀强化相分布等进行深入的分析。为同材质的铝合金搅拌摩擦焊接头的综合性能评估提供更好的依据。     

转子振动故障的小波能谱熵SVM诊断方法

融合小波能谱熵和支持向量机(SVM)的特点,提出了基于小波能谱熵的SVM故障诊断方法.利用转子试验台对转子典型振动故障进行模拟并采集振动数据,提取其振动信号的小波能谱熵作为特征向量,通过样本训练建立了转子在各种典型振动故障状态下的SVM模型和多类分类器,进而实现了对未知转子振动故障的识别.实际应用表明,提出的转子振动故障诊断方法是可行和有效性的.