双流制窄轨电力机车用异步牵引电机设计

将牵引电机应用于双流制窄轨电力机车时,由于窄轨机车轨距小,所以牵引电机安装空间异常狭小,比一般牵引电机在安装空间、电机结构、电磁负荷等方面的要求更加苛刻。针对窄轨双流制电力机车的运用特点和特殊要求进行了分析,提出了牵引电机的设计要求和关键技术难点,并对关键技术难点给出了相应的分析和解决措施。对该牵引电机的制造过程及电机试验测试情况进行了论述。试验结果表明,该牵引电机达到了设计预期,完全能满足设计要求。     

捷联式航空重力测量系统的数据处理方法比较与分析

重力数据处理对获取高精度重力异常值有着重要作用,是重力测量的核心技术。重力仪在搭载运动载体进行重力测量时,载体的高频振动对重力测量数据和GPS数据均会产生不可避免的干扰,导致提取的重力异常粗值含有大量高频噪声。围绕重力数据的处理方法这一核心技术,介绍了FIR低通滤波、零相移滤波、标准Kalman滤波、正反Kalman滤波4种滤波方法的基本原理,运用这4种方法处理了SAG捷联式重力仪的某次实际飞行测量数据,比对了基于SINS/GPS组合导航和SINS/DGPS组合导航的重力测量数据处理结果。通过对本次试验重复测线内符合精度进行比对,验证了4种方法的可行性和优劣性,同时验证了SAG重力仪的测量精度。     

基于滑模变结构和扩张状态观测器的电动舵机复合控制方法

为提高电动舵机伺服系统的鲁棒性,同时解决实际工作中电动舵机不确定负载引起的跟踪精度低的问题,提出了一种采用指数趋近率的滑模变结构控制率结合扩张状态观测器对负载扰动进行实时估计的电动舵机的伺服控制方法,给出了控制器设计方法和试验验证。仿真和试验结果表明,与常规的滑模控制器相比,采用扩张状态观测器的变结构控制能有效提高电动舵机的跟踪性能。     

标准编制中术语定义的常见问题

根据国家标准中对术语的编制要求,指出标准中术语常见问题,并列举多个标准编制过程中的术语问题加以讨论.     

变几何径向透平损失模型及其分析

基于99 mm叶轮实验, 分析了变几何径向透平静叶的各种损失以及不同的损失模型.给出了变几何透平静叶冲角损失的定量分析.通过计算对比不同静叶喉部宽度下叶道边界层摩擦损失, 验证了Glass-man模型在计算叶片流道损失时, 与试验结果是相符的.基于NASA损失模型分析了径向透平静叶的尾缘损失, 损失随着出口边厚度呈线性增加, 减小出口边厚度是减小尾缘损失的有效方法.      

变截面U形通道内肋高对换热特性影响的实验

采用实验方法研究了在定常状态下, 肋的高度对横肋变截面U形通道内的换热特性的影响。通道内肋间距为15 mm, 肋的宽度均为2 mm, 肋的高度分别为1, 1.5, 2 mm和2.5 mm。雷诺数在12 000到56 000之间变化, 采用单元分析法, 以相同形状的无肋通道作为基准, 研究了肋的高度对肋间距为15 mm通道的换热效果及阻力影响, 得到了包括几何参数在内的经验关联式。结果表明, 有肋的通道换热都得到了增强;肋高度的变化对变截面蛇形通道换热的影响不是单调的, 而是呈多峰分布;肋的高度对阻力系数的影响却是随着肋高的增大而增大的。      

高超飞行器进气道/内流道流动特性试验

用Ma∞=7风洞试验的方法研究了一种吸气式高超声速飞行器二维进气道/内流道的流场特征与起动特性.试验结果表明:在来流总压0.5～1.9 MPa、单位雷诺数2.48×106～7>.95×106范围内,进气道起动的前提下,进气道/内流道沿程压力分布受来流总压、雷诺数的影响变化很小;在进气道外压缩段流动未受干扰前进气道隔离段最大可承受反压约为250倍自由来流压力;未加侧板时该进气道具有自起动能力,加侧板后隔离段出口压力有所增加;在设计点工况,该进气道增压比42.9,总压恢复0.27,出口马赫数2.76.      

内埋式弹舱舱门气动载荷计算分析研究

采用中心有限体积法进行空间离散和四步Runge-Kutta显式推进方法进行时间推进数值求解了非定常欧拉方程;采用Delaunay方法生成内埋式弹舱舱盖打开时的非结构网格.数值模拟了内埋式轰炸机弹舱单开舱门在分别打开8°和45°时的复杂流场.通过对上述复杂流场的分析,发现作用于舱门的气动载荷具有使其趋向于关闭的特性,且有随打开角度的增大而减小的趋势.     

一种计算复合材料层合板面外应力的新型线性分析方法

复合材料层合板壳结构的面外应力对于层间分层的起始和扩展具有重要意义。首先简要地给出了经典的非协调位移有限元列式,然后基于修正的H-R变分原理导出了单元面外应力变量与位移变量的关系。面外应力的有限元线性系统为面外应力边界条件的引入提供了方便。同时,通过该线性系统可直接获得节点上唯一且连续的面外应力结果。与非协调位移有限元的结果比较,本文的方法可明显地提高数值结果的精度,且计算效率及资源要求均优于非协调辛元法和非协调广义混合元法。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。