含氟三环液晶材料相变与分子构造相关性的机械旋转模型研究

报道了含氟双环已烷基置换液晶材料的分子结构与其相变关系的最新研究成果。本研究利用液晶分子的机械旋转模型,通过计算液晶分子的有关力学参数,分析了液晶材料的分子结构与相变的关系,发现该相关性也支持作者前期研究中提出的slim和fat分子结构现象,该结果为液晶分子的机械旋转模型提供了新的证据。

棒状液晶分子相变问题的机械旋转模型研究

综述一种关于棒状液晶材料的分子结构与液晶相的相关关系的研究成果。介绍了有关液晶分子的机械旋转模型。该模型将液晶分子视作一种高速旋转的转子,通过分子参数计算,对液晶材料的相变温度和分子结构之间的关系给出了一种全新的解释。最新研究表明,含氟三苯液晶材料的分子结构中存在slim和fat现象,能够对液晶材料的相变进行合理解释。该模型能够通过简单的模型方法对新型液晶材料的分子设计与合成提供有用的信息。

机械旋转误差对多发脑转移瘤VMAT计划剂量分布的影响

目的:探讨直线加速器的机械旋转误差对单中心多发转移瘤VMAT计划剂量分布的影响。方法:随机选取21例多发脑转移瘤患者,假定患者均采用非共面VMAT放疗计划,分别将治疗床、准直器的角度旋转偏移±0.5°、±1.0°、±1.5°、±2.0°,并通过Eclipse 13.6治疗计划系统模拟机械旋转偏移误差在多发脑转移瘤VMAT计划中对剂量分布的影响。记录并分析不同治疗床、准直器角度旋转偏移下靶区的适形度指数(CI)、剂量梯度跌落指数(GI)、剂量均匀性指数(HI)以及危及器官的最大剂量。结果:当治疗床及准直器角度旋转偏移大于0.5°时,靶区的CI、GI(治疗床除外)及HI指数差异具有统计学意义(P<0.05);危及器官的最大剂量差异无统计学意义(P>0.05)。结论:在设计多发脑转移VMAT计划时应考虑等中心与靶区之间的距离,六维床旋转误差校正阈值为0.5°更为合理。

钻孔机械旋转刀扩底灌注桩的开发与应用

钻孔机械旋转刀扩底灌注桩的开发与应用王玉（沈阳铁路局锦州勘测设计院·锦州·１２１０００）在土建设计中，往往遇到房屋上部荷载较大，而地表层是较厚的软弱土，采用浅基础难以满足地基不变形的要求。为解决这一问题，一般都采用桩基础。目前，常采用的桩基础有：预制...

铝电解机械旋转搅拌式蘸石墨机研发与应用

对原喷吹式蘸石墨机在生产过程中存在问题进行总结分析,结合生产工艺研究开发了机械旋转搅拌式蘸石墨机,解决了原喷吹式蘸石墨机煤油石墨混合液不能均匀涂在钢爪表面的问题,降低了铁炭压降、提高了钢爪与磷铁环分离效率。

机械旋转传动装置回流轴封形式的改进

阐述了机械旋转传动轴密封所存在的问题,提出了一种转轴密封优化技术,解决了油液泄漏问题.

喷洒装置机械旋转构件现场动平衡二次校正控制方法

喷洒装置机械旋转构件过度使用后,会损害其机械性能,产生转子不平衡问题。因这种不平衡缺少可准确衡量的特征参数,所以提出一种喷洒装置机械旋转构件现场动平衡二次校正控制方法。首先提取转子在转动不平衡时的振动幅值及相位;然后基于提取结果,对喷洒装置机械旋转构件进行不平衡校正,并采用影响系数法二次校正构件现场动平衡。实验与分析结果表明,该方法能更精准地提取喷洒装置机械旋转构件振动信号相位、幅值,绘制出时域振动信号波形,二次校正后喷洒装置机械旋转构件两测点振动信号波形逐渐稳定,现场动平衡得到保证。

基于嵌入式的机械旋转编码开关信号检测软件设计

嵌入式控制是指将单片机嵌入产品中,对产品起到控制作用。机械式旋转编码开关是通过人工操作旋转方向来控制某个量的增加或减小。虽然产生的信号只有两个,但是干扰信号的存在使信号准确检测变得相对困难。通常使用的检测方法有两种,一是通过中断方式进行外部信号的采集,二是通过查询方式进行信号的检测。本文对两种方法进行比较,进而采用较好的办法进行软件设计,有效滤除抖动带来的干扰信号影响。

XT2007-1机械旋转式油水分离器设计

本文介绍的XT2007-1机械旋转油水分离器是新研发的一种小型油水分离装置,具有结构紧凑、高效、使用方便的特点,特别适用于中小规模企业的含油污水处理。

一种机械旋转式蒸发器的设计研究

为改进现有蒸发器无法进行旋转调节,从而导致对于不同上级机械机构和下级机械结构的位置适应能力较差,并且拆卸和安装不方便的现象,提出了机械旋转式蒸发器,并进行了结构改进分析。

机械旋转轴类件的油封结构参数对油封性能的影响分析

油封结构设计的合理性对于油封综合性能有着较大影响。文章利用ABAQUS软件建立油封的有限元分析模型,采用有限元方法对油封在静态和动态下的密封性能进行模拟,探讨油封结构参数对曲轴油封的性能的影响,进而为结构设计提出理论基础。结果表明,在所分析的油封结构参数范围内,曲轴油封唇口两侧的接触压力呈不对称分布,随着油侧唇角、过盈量和理论接触宽度R值的增大,曲轴油封的最大接触压力呈现减小趋势;随着气侧唇角、弹簧劲度系数和腰厚的增大,曲轴油封的最大接触压力呈现增大趋势;随着过盈量、弹簧劲度系数和腰厚的增大,曲轴油封的单位周长径向力呈现增大趋势。建议安装过盈量δ为0.78 mm,油封腰厚为0.09 mm左右的油封,可缓解油封唇口磨损,弹簧的劲度系数为0.869 N/mm左右具有良好的密封性能;气侧唇角β为30°左右可延长油封使用寿命。

多变工况旋转机械剩余有用寿命深度MAML预测

针对旋转机械剩余有用寿命(Remaining Useful Life,RUL)预测中存在噪声影响以及预测网络泛化性弱的问题,提出一种基于广义互熵(Generalized Correntropy,GC)-卷积神经网络(Convolutional Neural Networks,CNN)-模型无关元学习(Model-Agnostic Meta-Learning,MAML)预测方法。ICNN通常是以振动参数对包含噪声数据的独立工况与具备足够样本数据的RUL开展预测。MAML能够明显增强ICNN初始参数泛化能力并提供大量先验知识,充分适应各类复杂工况。在各组交叉实验中,ICNN-MAML方法优于CNN,MAML学习策略可以在训练集中得到一组初始参数,经过微调后可以达到最优。损失函数消融实验表明,相对CNN方法,ICNN-MAML对预测误差非高斯分布特点起到了弱化作用,并使预测误差基本都在0附近。物理消融实验表明,随着泛化性提升,模型能够对未知与包含少数样本的任务快速学习,加入更多先验工况时获得了更优的预测结果。

基于域泛化的旋转机械故障诊断方法

在实际应用中,旋转机械设备的运行工况通常是不断变化且未知的,这会导致基于域自适应的故障诊断方法性能下降甚至失效。为应对这一挑战,提出了一种基于域泛化的旋转机械故障诊断方法,用于不可见工况下的故障诊断。利用多个可用的源域数据来训练故障诊断模型,通过特征提取器和域分类器之间的对抗性学习获取域不变特征来有效解决域偏移问题,从而使得模型能更好地适应不可见目标域。采用多核最大平均差异(multi-kernel maximum mean discrepancy,MK-MMD)对不同源域之间相同故障类别的特征进行距离度量,从而对齐它们的条件分布,使故障诊断模型获得更好的泛化能力。在轴承数据集和齿轮箱数据集上开展了广泛的实验,结果表明该方法能在不可见工况下取得了较高的诊断精度。

基于HMFDE和t-SNE的旋转机械故障诊断方法

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。

基于自适应深度残差网络的旋转机械故障诊断方法

针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故障诊断中。首先,在采集的振动信号中增加不同强度的噪声,再经DFIF分解得到若干个本征模态函数(intrinsic mode function,IMF)分量,选取综合评价指标值最小的IMF分量作为输入样本;其次,提出了自适应残差单元(adaptive residual building unit,ARBU),ARBU通过计算各个通道的最优系数,自适应地放大故障敏感特征和抑制无关特征,能够更好地替代传统的残差单元;最后,基于ARBU构造AResNet,输入样本经过AResNet得到故障诊断结果。将所提方法应用于噪声背景下旋转机械的故障诊断中,在两个不同数据集中进行了验证。研究结果表明,与现有方法相比,所提方法具有更高的噪声鲁棒性、稳定性和更优的计算效率,且能够更好地解决旋转机械在噪声背景下故障特征难以有效挖掘的问题。

基于注意力机制的互特征融合旋转机械故障检测技术

旋转机制在生产生活中的应用愈加广泛;但旋转机械存在应用环境较为复杂,生产环境恶劣,各部件相互影响,单一信号无法完整表现故障特征等问题;针对此问题,研究根据注意力机制构建卷积神经网络,在网络结构中引入自注意力模块,采用多信号源进行数据提取,将不同信号特征互补融合并构建旋转机械故障检测模型,同时使用傅里叶变化进行数据优化;实验结果表明,构建模型的故障分类准确率为99.92%,比第二优的算法高出1.89%,故障检测精度达到了99.64%,数据进行傅里叶变换后的检测精度平均提升了17.32%;由此可得,构建的故障检测模型能够有效提取并融合不同数据采集的故障特征,大幅提升旋转机械的故障检测精度,且将数据特征融合模块加入模型中能够有效减少单独计算的运行成本,提高运算速度,减少因机械故障产生的生产安全事故。

残差胶囊网络在旋转机械故障诊断中的应用研究

针对旋转机械中的故障诊断需求,在传统的胶囊网络中引入残差块和模糊C均值聚类算法,构建残差胶囊网络故障诊断模型。在残差胶囊网络的基础上,引入注意力机制和G-K动态路由算法,构建注意力胶囊网络故障诊断模型。仿真分析表明:两种模型都能对故障进行精准测试,具有较强的表达能力和泛化能力。

工业大数据环境下旋转机械智能故障诊断技术研究

针对旋转机械故障诊断精度较低的问题,提出利用工业大数据对旋转机械的故障进行智能化诊断.研究利用工业大数据对旋转机械的状态进行评估,并且采用深度学习对机械的健康程度进行诊断、监测,对工业大数据环境下的旋转机械诊断的发展趋势进行分析,促使机械故障诊断正式进入大数据时代,实现故障诊断的智能评估.

无量纲与SVM的石化机组旋转机械故障诊断方法

针对石化机组旋转机械故障信息存在非线性、重叠性等特点,提出一种无量纲与支持向量机(Support Vector Machine,SVM)的石化机组旋转机械故障诊断方法。首先对采集的振动信号进行分析并将其无量纲化;接着通过特征选择选取高价值与敏感性强的无量纲特征,降低分类模型复杂度并提高算法速度;最后通过选取合适的SVM分类模型进行分类诊断。结合具有无量纲特征的故障敏感性与SVM的非线性分类性进行诊断分类,并通过石化机组故障诊断实验平台进行验证,表明该方法相比于其他经典分类方法分类效果更好,分类正确率为99.1%,证明了方法的有效性。