高阶间断有限元法的并行计算研究

根据间断有限元法的数据结构特点,基于METIS网格分区技术,设计并行计算策略,在非结构网格上实现了并行高阶间断有限元法。控制方程的数值通量项使用Local Lax-Friedrichs(LLF)格式计算。设计了并行的牛顿-块高斯赛德尔法(Newton-Block GS)来加速收敛,提高迭代效率。并行性能分析表明,所设计的并行算法能够得到较好的加速比和并行效率,有效地节省计算时间,合理分配内存。这使得采用高阶间断有限元法计算更为复杂的问题成为可能。     

基于小波分析与支持向量机的时间序列预测

时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于＂原始时间序列是无噪的＂这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。     

头盔伺服系统的主动柔顺控制

 对头盔伺服系统(HMDPM)主动柔顺控制策略的主要内容——轨迹规划和控制方法进行了研究。首先,采用基于力反馈和滑动杆动力学模型的头部运动预测法进行轨迹规划,该方法利用并联机构(PM)分支杆长与运动平台位姿间的映射关系,通过力反馈信息和6-3UPS并联机构滑动杆动力学模型对头部运动进行预测,为头盔伺服系统的位置控制提供期望轨迹;然后,基于头盔伺服系统的动力学模型对系统的惯性项和非线性项进行了计算,设计了惯性项和非线性项补偿控制器,在进行头部运动跟踪的同时,实现了头盔显示器与头部间接触力的控制;最后,采用SimMechanics模块建立了HMDPM—人交互模型,并进行了相关验证实验。仿真结果表明,基于力反馈和滑动副滑动杆动力学模型的头部运动预测法能实时地、较为准确地预测出头部运动位置;基于动力学模型的惯性和非线性项补偿控制器不仅可以较为准确地跟踪头部运动,而且还能有效地减小头盔显示器与头部间的接触力,降低执行机构的刚度、减少系统摩擦力等非线性因素对使用者的干扰。     

面向单机相依任务调度的GPU并行蚁群算法

蚁群算法是一种具有高度并行特征的群智能算法,串行实现过程中具有收敛速度慢的特点,在将其应用到相依任务序列的单机调度问题中时,以任务在不同作业序下的完成时间为基础,建立了单机调度问题的TSP模型。以任务完成时间最优化为目的,实现了一种求解相依任务单机调度的改进蚁群算法,并基于GPU对其进行了并行化设计。实验表明该算法能够完成相依任务的调度处理,通过并行化得到了较高的加速比。     

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.      

基于改进模糊SVM的转子振动故障诊断技术

首先对常用的隶属度确定方法进行改进,提出了基于改进模糊支持向量机(FSVM)的融合故障诊断方法,并建立了改进FSVM故障诊断数学模型;然后,利用转子振动模拟实验台对四种典型的转子诊断故障进行模拟,并提取其故障信号特征;最后,通过实例计算分析,验证了该方法在转子振动故障诊断方面是可行的和有效的.     

二维Euler方程SCB格式的并行实现

本文讨论二维双曲型守恒律方程组的高分辨ＳＣＢ格式，并应用这些格式求解二维Ｅｕｌｅｒ方程组。计算过程中在江南－Ⅱ型并行计算机上进行的，计算过程运用了许多并行计算技术，计算结果令人满意。     

三坐标测量机系统误差软件补偿方法的研究

在三坐标测量机系统误差各种补偿方法的分析基础上,着重分析研究了系统误差合成法的软件补偿方法;建立了系统误差的数学模型;展示了该方法在产品中的应用效果。文章最后提出了系统误差软件补偿方法的发展方向。     

EBE技术在结构分析中的应用——EBE—CG方法及其并行实现

共轭梯度法(CG法)是求解大型稀疏有限元方程组的有效迭代解法。针对大规模结构分析问题,提出了不形成总刚度矩阵时的EBE-CG法及其并行处理方法。在国内规模最大的大型MIMD分布式系统上的初步数值试验结果表明,并行的EBE-CG法是很有效的。     

超精密加工的动向和思考

叙述了在超精密加工技术向毫微米精度发展之际,必须探索突破的新途径,要充分发挥信息的作用,综合利用各种有关技术的进步,强调创新。