磁浮轴承系统的数学模型与控制分析

磁浮轴是一种依赖电磁力支承转子的新型无接触轴承,与传统油润滑轴承相比,具有许多优越性。介绍了磁浮轴承的基本原理和结构,在建立磁浮轴承一对径向定位电磁铁单自由度数学模型的基础上,对该不稳定系统进行了ＰＩＤ补偿控制,研究了控制器参数对系统稳定性的影响。     

飞越谜雾

汽车，火车，轮船，飞机等高速交通工具的出现，它们给人类带来了现代的生活节奏，奔波于拥挤的大都市的人们在享受着现代科技带来的高速与高效率的同时，却在上天赐予的“雾”面前大都停止了前进，一意孤行却使生命在一刹那的碰撞之间可能化为乌有。     

车削制造金属纤维时速度对纤维特性的影响

研究了用自旋转车刀制造金属长纤维时，提高切削速度对纤维主要性能指标的影响。试验结果表明：提高切削速度有利于改善纤维的质量，提高纤维的强度，从而提高了纤维的切削效率。     

基于旋转压实法的水泥冷再生混合料性能研究

为更好地模拟水泥冷再生混合料现场施工,采用旋转压实法制备水泥冷再生混合料试件,测试分析其力学性能及稳定性,并与静压成型法进行对比,探讨采用旋转压实法开展水泥冷再生混合料设计的可行性,并基于旋转压实法研究不同再生料掺量(60%、70%、80%)下水泥冷再生混合料的力学性能(抗压强度、劈裂强度及回弹模量)及稳定性能(水稳定性及冻稳定性)。结果表明,随新集料掺量增加,水泥冷再生混合料的最佳含水量降低、最大干密度增加;相同水泥剂量下,掺加新集料后,水泥冷再生混合料的力学强度、稳定性能明显提升;掺加30%新集料的水泥冷再生混合料无侧限抗压强度、劈裂强度及回弹模量相对于未掺加新集料的试件分别提升了约50%、80% 和 45%,软化系数和耐冻系数分别可提升到0.90以上;相对于传统的静压成型方法,旋转压实法制备的水泥冷再生混合料试件的力学性能提升幅度在30%以上,且稳定性能也略有提升。     

一种通用的异步电动机仿真模型

从异步电动机动态数学模型出发，建立了异步电动机在任意同步旋转坐标下的仿真模型，该模型具有精度高、稳定性强，且与电机参数无关；仿真过程中，电机内部状态变量的初始值可以任意设定，并能够计算出几乎所有的电机物理量及其动态变化过程。因此，该模型可以方便地用于对变流装置、电动机及交流传动系统的稳态、动态过程研究。     

梁构件之振动式快速损伤诊断技术

如何能够快速而又准确地进行桥梁损伤诊断,是目前桥梁养护管理单位所关心的问题,文章提出一种梁构件振动式快速损伤诊断技术,此方法以量测结构振动信号配合破坏力学及旋转弹簧的概念,进行损伤位置与劣化程度诊断之计算。并用SAP2000的数值模拟以及实际的铝梁敲击实验进行此损伤诊断方法的验证,实验中的自然频率是藉由频率域分解法（FDD）来计算,由互易定理量测到的力与加速度信号所得到的。最后更进一步地探讨以理论的模态振型及实际量测到的模态振型所计算的损伤位置与劣化程度的结果,以及损伤产生前后可能面临到的系统边界条件改变之问题。     

汽车减振器活塞孔对常通节流孔面积设计的影响

对减振器油液沿程和局部节流损失进行了分析,建立了基于速度特性的减振器常通节流孔面积曲线拟合优化设计方法,利用该方法对活塞孔的影响进行了研究.对常通节流孔面积进行实例优化设计,分别对活塞孔直径和个数的影响及变化规律进行了分析,并对不同活塞孔减振器进行了特性试验.结果表明,基于速度特性的常通节流孔面积优化没计方法及活塞孔的影响分析具有实际指导价值.     

恩梯恩开发出车轮旋转传感器用高磁力橡胶制磁环

恩梯恩（NTN）开发出了用于ABS（防抱死系统）传感器的车轮旋转传感器用高磁力橡胶制磁环,可安装在车轮的轴承上使用。很多汽车的车轮轴承上均装有被称为ABS传感器的车轮旋转传感器,ABS传感器由磁性检测传感器和环状磁环构成。通过将磁环内置于车轮轴承中与轮胎一同旋转,并由磁性传感器感知此旋转引起的磁极变化,来对车轮的速度进行测量。     

压力自适应活塞对天然气-柴油双燃料发动机的影响

为改善天然气-柴油双燃料发动机的动力性能和抑制爆震,研究压力自适应活塞(PSAP)技术.基于遗传算法对碟簧进行优化设计,并在MATLAB/Simulink中建立发动机数值模型.结果 表明,活塞位移主要集中在燃烧行程,预紧力是影响活塞性能的重要因素;PSAP机型在25％、50％和75％负荷下的循环动力过程功相比原机分别增大61 J、88 J和148 J,动力性能有所改善;PSAP机型在90％和100％负荷下的最大压升率相比原机分别下降0.32 MPz/(°)和0.31 MPa/(°),工作粗暴程度和爆震趋势有所减弱.     

基于改进LSTM-SVM的多传感器船舶旋转机械快速故障诊断方法

微小故障的快速诊断是预防和减少重大显著性故障发生的关键.近年来,基于深度学习的智能故障诊断方法已成为船舶旋转机械领域研究的热点.本文提出了一种基于改进的LSTM-SVM的循环神经网络深度学习算法,解决船舶旋转机械在多传感器监测环境下的快速故障诊断问题.该算法首先采用多层堆叠的LSTM网络作为特征提取器捕获多通道时间序列原始数据中的故障微弱特征,然后在网络末端采用非线性支持向量机(SVM)代替传统的Softmax函数作为分类判别器,进一步提升诊断准确率.实验结果表明,提出的方法具有更高的诊断准确率和更快的诊断速度,更适用于多传感器监测环境下微小故障的快速诊断和实时检测.