摩擦表面边界膜温度特性的神经网络模型

采用非线性变换单元组成的多层前馈神经网络建立了丝杆螺母磨擦副表面边界膜温度特性的磨损自补偿教学模型,该模型可用于准确地预测边界膜对摩擦学特性的影响。采用Ｌ－Ｍ规则进行神经网络学习训练使网络收敛快且误差小,所得网络输出结果与实验结果有较好的吻合性。该神经网络可为工程设计人员进行摩擦学设计提供有效的计算工具。     

关于第14届材料磨损国际会议的简要评述

对第14届材料磨损会议重点涉及的生物摩擦学、金属磨损、表面涂层、冲蚀、纳米摩擦学、复合材料以及磨损监测等研究领域的最新进展进行了评述，对摩擦学领域今后的研究重点进行了展望．     

超声马达摩擦学及其摩擦材料研究进展

超声马达是一种新型原动机，与普通电磁马达不同，这是一种摩擦驱动马达．为了促进超声马达的发展，对其研究中关于定子与转子界面接触驱动特性和摩擦磨损特性，超声波振动对定子和转子接触界面摩擦学特性的影响，转子摩擦材料的选择及其寿命预测等，从摩擦学角度对国内外的研究进展进行了综合归纳与评述，并且针对超声马达摩擦驱动的特点，提出了当前值得重视的一些研究内容．     

芳纶纤维织物摩擦磨损性能的研究

用ＭＭ－２００型摩擦磨损试验机考察了不同条件下芳纶纤维织物的摩擦学性能,并用扫描电子显微镜和Ｘ射线衍射仪对纤维织物的磨损表面、磨屑形貌及结晶性进行了观察和分析．结果表明：随着负荷的增大,织物的摩擦系数略有降低,磨损呈上升趋势;速度对织物的摩擦学性能影响不大;纤维束的挤压变形和磨屑的填充作用导致磨损表面被压实并变得光滑,从而使真实接触面积增大,摩擦条件改善．２５０℃处理后织物中的纤维强度降低,因而磨损增大．     

一种柴油机磨损的预测模型与试验研究

基于磨粒分析的油液监测技术，通常都偏重于从形态学方面进行研究，以获取单颗磨粒的“个体”信息，很少开展磨粒整体统计学方面的“整体”信息研究．其实，研究磨粒“整体”信息具有诸多优点，关键是如何从“整体”信息中获取反映摩擦学系统磨损状态转变和磨损程度分级的特征．通过在８ＮＶＤ４８Ａ－２Ｕ型柴油机上的现场监测试验研究，利用铁谱分析的ＤＬ和ＤＳ值，以及光谱分析的元素浓度值所包含的磨粒“整体”信息，建立了柴油机磨损程度的基准线，构造了磨损趋势校正的灰色预测模型，并且利用预测值和实测值的漂移值，设计了磨损趋势预测值的区间估计方法，以用于预报未来磨损的等级．这种基于磨粒“整体”信息的磨损预测方法，已用于８ＮＶＤ４８Ａ－２Ｕ型柴油机的实际监测，效果较好     

原子力显微镜在纳米摩擦学中应用的进展

近年来，原子力显微镜在纳米摩擦学研究中获得了越来越广泛的应用，已经成为进行纳米摩擦学研究的重要工具之一，有力地促进了纳米摩擦学的发展．因此，对应用原子力显微镜研究纳米摩擦、纳米磨损、纳米润滑、纳米摩擦化学反应和微型机电系统的纳米表面工程等方面所取得的主要进展作了系统的综合归纳与阐述，并且提出了原子力显微镜在纳米摩擦学应用中亟待解决的几个主要问题．     

实现振动解耦的摩擦学行为模拟试验台设计方法

摩擦学行为研究对认识界面摩擦磨损特征，揭示摩擦自激振动产生机理及演变规律，保证摩擦系统的可靠运行具有重要意义.目前的摩擦学行为模拟试验装置由于刚性连接方式对界面摩擦振动响应的干扰，难以精确开展摩擦学行为研究和材料磨损性能评估，亟需隔离摩擦界面与机械连接部件之间的耦合振动.为此，基于气浮轴承设计了1种可实现振动解耦的摩擦学行为模拟试验台，通过锤击试验以及与非振动解耦摩擦试验机的对比试验，测定并验证了试验台振动解耦功能的有效性.锤击试验表明，未充气状态下在气浮轴承轴套处检测到多个频率，而充气状态下仅有较低的单一频率存在.摩擦学对比试验发现，随着法向载荷或往复滑移频率的增加，振动解耦试验台测得的振动加速度均方根变化率线性增加，而非振动解耦试验机的振动加速度均方根变化率呈先增后减的趋势，存在明显差异.因此，该摩擦学行为模拟试验台成功实现了摩擦界面与机械连接部件之间的振动解耦，为进一步精确探究界面摩擦学行为的影响因素和演变规律、揭示摩擦自激振动产生机理以及在对比评估不同材料摩擦磨损性能时排除摩擦学设备的影响方面提供了新的思路及有效的手段.     

提琴用松香室温摩擦学特性的试验性初探

松香是提琴类乐器的琴弓/琴弦间产生黏滑现象并导致琴弦自激振动的物理学基础. 本文作者简要归纳了与松香在提琴类乐器使用中相关的摩擦学内容,初步讨论了评价松香摩擦学特性的试验方法,包括摩擦磨损试验用样品及其制备方法,以及摩擦磨损试验机的选择. 本文中以两种提琴类乐器用松香和一种工业用松香为研究对象,主要考察了热熔法与溶剂法制备的松香涂层和松香块体试样的表面形貌等特征,并探讨了这些特征对松香室温摩擦学特性结果的影响. 研究结果表明:以溶剂法制备松香涂层为研究对象时,摩擦磨损试验有较好的试验重复性;减摩、黏滑现象和粉化磨损现象是松香涂层摩擦学行为的主要特征,这些特征与制备工艺、涂层厚度以及对偶材料有关.      

基于半解析法的钢绞线丝间摩擦学性能研究

为探究钢绞线丝间摩擦学性能，考虑钢绞线丝间摩擦接触和往复滑动行为等因素，基于曲杆理论、Archard磨损理论等，建立了周期弯曲钢绞线丝间摩擦学性能求解模型，采用半解析法实现快速求解，并通过与曲杆理论、有限元仿真结果对比以及磨损试验验证模型有效性，进而研究钢绞线丝间磨损深度、摩擦接触滑移等摩擦学性能参数的分布规律，分析载荷幅值、几何结构以及材料属性等对其丝间摩擦学性能的影响.结果表明：钢绞线丝间磨损发生在弯曲中性层外侧，钢丝未接触或接触但未发生滑移之处不发生磨损；弯曲载荷越大，磨损越严重；侧丝半径、捻角越大，丝间接触压力与接触变形均增大，故而磨损加剧；总磨损深度随钢绞线材料的弹性模量和泊松比增大而增大.     

第21届材料磨损国际会议的总结评述

本文作者总结了第21届材料磨损国际会议概况,对研究最为活跃的滑动磨损、磨粒磨损、腐蚀、润滑、磨损建模与模拟、生物摩擦学以及高分子及高分子基复合材料磨损等研究领域的最新进展进行了评述.基于对本次会议报告的总结和概括,本文作者提出未来可能的研究重点:在生物摩擦学方面与人体疾病相关的组织、器官摩擦学性能值得重点关注;传统摩擦学研究在重现试验现象与总结试验规律的同时,更应深入地分析、归纳和总结其中包含的摩擦学机理;鉴于摩擦学模型对摩擦机理的深入揭示以及对摩擦学实际工程应用的指导,摩擦学建模值得大力发展.     

基于Elman型神经网络的金川二矿地表岩移时序预测 模型

建立于煤矿开采基础之上的矿山开采沉陷理论和预测方法并不适用于象金川这样厚大、陡倾的金属矿床开采的岩移问题,因此,本文探讨利用神经网络来对地表岩移进行预测。根据Elman神经网络能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了利用Elman神经网络建立地表岩移时序预报模型的方法。利用金川二矿区GPS监测所得到的时间序列数据,通过对Elman神经网络模型预测值与GPS实测值之间的比较,结果表明模型预测显示了良好的准确性,特别是在时间步长较短情况下,应用于实际预测一定程度上可以弥补金属矿山岩移预测方法不足的缺憾。     

异常天气条件下潮位过程神经网络补遗预测方法的研究

以异常天气条件下的实测潮位过程为研究对象,根据其为非平稳时间序列的特点,以人工神经网络BP算法作为预测工具,对潮位时间序列中缺失的数据进行补遗建立:差分方法人工神经网络模型;同一海域邻近潮汐测站潮位过程对应预测的去平均值法人工神经网络模型;对增减水现象潮汐过程预测的气象资料数据库人工神经网络模型。以实测资料验证上述方法的可行性,并取得了很好的预测结果。     

Fast Flow Field Estimation for Various Applications with A Universally Applicable Machine Learning Concept

This paper presents an approach for the prediction of incompressible laminar steady flow fields over various geometry types. In conventional approaches of computational fluid dynamics (CFD), flow fields are obtained by solving model equations on computational grids, which is in general computationally expensive. Based on the ability of neural networks to intuitively identify and approximate nonlinear physical relationships, the proposed method makes it possible to eliminate the explicit implementation of model equations such as the Navier–Stokes equations. Moreover, it operates without iteration or spatial discretization of the flow problem. The method is based on the combination of a minimalistic multilayer perceptron (MLP) architecture and a radial-logarithmic filter mask (RLF). The RLF acts as a preprocessing step and its purpose is the spatial encoding of the flow guiding geometry into a compressed form, that can be effectively interpreted by the MLP. The concept is applied on internal flows as well as on external flows (e.g. airfoils and car shapes). In the first step, datasets of flow fields are generated using a CFD-code. Subsequently the neural networks are trained on defined portions of these datasets. Finally, the trained neural networks are applied on the remaining unknown geometries and the prediction accuracy is evaluated. Dataset generation, neural network implementation and evaluation are carried out in MATLAB. To ensure reproducibility of the results presented here, the trained neural networks and sample applications are made available for free download and testing.

     

一种磨损预测的优化算法研究

根据机械部件磨损机理复杂、磨损量预测难精确的特点,提出基于免疫粒子群参数优化的最小二乘支持向量机方法预测磨损量.该算法采用免疫粒子群优化最小二乘支持向量机建模参数,避免了算法陷入局部最优解,实现了精确度高、泛化能力强的磨损量预测模型.对轴承钢试件磨损进行了试验研究,试验数据分析结果表明,基于免疫粒子群的最小二乘支持向量机预测方法优于前向反馈神经网络算法、遗传算法及蚁群算法,预测误差较小,具有很好的预测能力.     

多体系统动力学中关节效应模型的研究进展

在一般的多体系统动力学研究中认为运动关节是理想运动副. 然而,实际中的运动关节不仅含有间隙与摩擦,还有间隙引起的关节元素之间的接触碰撞、局部变形和磨损. 多体系统动力学中的关节效应不仅引起了系统的振动和噪声,减小了系统的可靠性和寿命,而且损失了系统的精度和稳定性. 为此,对近十几年多体系统动力学中关节效应的研究进行了详细分析,总结了关节效应中间隙运动学模型、接触力模型与磨损模型在多体系统动力学中的建模过程. 其中,着重分析了多体系统动力学中关节磨损效应的研究进展,并对常用的Reye'shypothesis 和Archard 磨损模型进行了比较,详细地分析了Archard 磨损模型的演变形式以及主要磨损参数(接触应力,接触面积和滑移距离),特别分析了关键磨损参数接触应力的建模方法,解释了基于Winkler 弹性基础理论在求解接触应力时遇到的困难. 另外,介绍了4 种间隙运动副(转动副、移动副、圆柱副和球面副) 的运动学模型. 分析了考虑关节磨损多体系统动力学模型的一般建模方法,并以平面五杆机构为例说明了其建模过程.最后,简要地展望了多体系统动力学中关节效应模型的发展趋势以及应用前景.      

State estimation of neural networks with time-varying delays and Markovian jumping parameter based on passivity theory

In this paper, the state estimation problem is investigated for neural networks with time-varying delays and Markovian jumping parameter based on passivity theory. The neural networks have a finite number of modes and the modes may jump from one to another according to a Markov chain. The main purpose is to estimate the neuron states, through available output measurements such that for all admissible time-delays, the dynamics of the estimation error is globally stable in the mean square and passive from the control input to the output error. Based on the new Lyapunov?CKrasovskii functional and passivity theory, delay-dependent conditions are obtained in terms of linear matrix inequalities (LMIs). Finally, a numerical example is provided to demonstrate effectiveness of the proposed method and results.     

神经网络在陀螺漂移误差模型辨识中的应用

神经网络具有很强的自学习、自适应能力及非线性变换特性，为模型的辨识提供了一条十分有效的途径。本文基于反向传播（Back-Propagation）网络的研究，将神经网络应用于陀螺漂移误差模型辨识，通过陀螺的实际测试数据对神经网络的加权进行训练，得到了较为满意的结果。     

基于EEMD和SVR的多自由度结构状态趋势预测

由于工程结构的复杂性和引起结构损伤原因的不确定性,结构早期微弱和潜在的损伤难以识别和预测。为此提出了基于聚类经验模式分解(EEMD)和支持向量机回归(SVR)的结构健康状态趋势预测方法。首先对多自由度结构渐进损伤的加速度振动信号进行聚类经验模式分解(EEMD);再进行希尔伯特变换(HT)计算瞬时频率;然后用回归支持向量机对反映结构健康状态的瞬时频率进行趋势预测。详细分析了各种参数对回归和预测精度的影响,提出了这些参数的选用方法和一般原则。研究表明:该方法具有训练样本少的特点;在采用二阶多项式核函数、回归步长m=3~5、误差惩罚因子C=100、敏感因子ε=0.01时,可以准确地和高精度地预测结构状态趋势,预测精度达到0.24781%。     

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。