纯电动汽车磷酸铁锂电池组的建模及优化

鉴于传统神经网络和支持向量机机理复杂、计算量大的缺陷,很难实时跟踪磷酸铁锂电池组复杂快速的内部反应,影响电池荷电状态的估算精度,提出应用一种简单、有效的极限学习机对一额定容量为100Ah、额定电压为72V的纯电动汽车磷酸铁锂电池组建模,并分别与BP神经网络、RBF神经网络、支持向量机进行对比。随后,以学习时间和泛化性能为优化目标,应用粒子群方法寻找最佳隐层节点个数。结果表明,基于极限学习机的磷酸铁锂电池组模型的学习时间、泛化性能优于BP神经网络、RBF神经网络、支持向量机;隐层节点优化后,模型的学习时间和泛化性能达到最优。     

基于FPGA的激光测速仪信号处理方案设计与实现

为满足高动态环境下的激光多普勒测速仪信号处理需要,提出了一种基于现场可编程门阵列(FPGA)的激光测速仪信号处理方案。在FPGA内部完成全部信号处理的内容,利用快速傅里叶变换(FFT)算法得到信号的频谱,利用能量重心法对离散频谱进行校正,开发采样频率自适应算法,兼顾测量准确度与测量范围的要求,最后将结果通过通用串行总线上传个人计算机显示。程序采用流水线方式设计,提高信号处理速度。经过实验验证,数据更新率达到2.4~24kHz,数据延迟时间为123~1230μs,测量准确度优于8×10-4,测量稳定度优于2.5×10-7。     

基于梯度聚类离散思想的磁流变抛光自适应轨迹

针对磁流变抛光过程中抛光轨迹会引入迭代误差的问题,设计了步长和行距随光学表面梯度自适应变化的光栅线抛光轨迹。首先根据光学元件的表面误差分布,利用标准五点法获得面形各点的梯度值,再基于聚类离散思想将所有面形点根据梯度值大小进行了归类,从而得到轨迹步长和行距随面形误差变化的自适应轨迹。在自研的磁流变加工机床上进行了实验研究,将一块直径50mm的微晶玻璃,从峰谷值为65nm、均方根值为12nm收敛到峰谷值为21nm、均方根值为2.5nm,并且在加工后的表面功率谱密度曲线上没有出现明显的尖峰误差。实验结果表明,这种自适应轨迹能有效抑制中高频误差。     

分子荧光-基于主成分分析优化输入变量的径向基函数神经网络法测定尿液中的诺氟沙星

将主成分分析用于优化径向基函数神经网络的输入变量,用于提高神经网络模型的预测能力。方法能有效地解决分子荧光光谱法测定尿液中诺氟沙星过程中尿液中内源性荧光物质的干扰。在优化条件下,径向基函数神经网络模型对尿液中诺氟沙星的平均预测误差为15.34%,神经网络结构为2∶3∶1。方法已用于测定尿液中的诺氟沙星。     

深海采矿系统中悬臂式立管涡激振动分析

不同于传统的海洋立管, 深海采矿系统中的垂直提升管道可以被视为一个底部无约束的柔性悬臂式立管, 工作过程中同样面临涡激振动和柔性变形问题. 本文采用一种无网格离散涡方法和有限元耦合的准三维时域求解数值模型, 系统性地研究了不同流速下悬臂式立管的涡激振动问题. 结果表明: 悬臂式立管的横向振动模态阶数随折合速度增加而增大, 在一定折合速度范围内主导振动模态保持不变; 当主导模态转变时, 对应的横向振幅会发生突降, 但是当新的高阶模态被激发后, 立管振幅随来流速度增加而再次逐渐增大; 在相同的振动模态下, 立管底部位移均方根值随折合速度线性增加, 主导振动频率在模态转变时会出现跳跃现象; 特别地, 本文讨论了三阶主导模态下悬臂式立管的振动响应, 无约束的立管底部呈现出较大的振动能量, 且振幅的驻波特征随折合速度增加而逐渐增强; 本文比较了两端铰支立管与悬臂式立管的涡激振动响应特征, 两者在振幅和主导振动频率两方面均表现出了相同的变化趋势.      

卷积神经网络在流场重构研究中的进展

近年来, 随着深度学习在图像处理、语音识别、自动驾驶、自然语言处理等领域迅速发展, 该技术也被越来越广泛地应用于处理具有复杂非线性、高维度、大数据量等特点的流体力学方向. 传统的方法无法有效地处理这些庞大的数据, 深度学习因其具有强大的函数拟合能力, 可以从大量的数据中挖掘有用的信息. 当前, 流体力学深度学习技术有了初步的一些研究成果, 在流动信息特征提取、多源数据信息融合及流场的智能重构等方面具有重要的工程价值, 其应用潜力逐渐得到证实. 如何利用地面风洞试验、数值模拟及飞行试验获取的数据进行深入挖掘, 快速智能感知及重构流场, 可为主动流动控制提供重要指导. 本文主要从深度学习不同类型的网络结构出发探讨了卷积神经网络在流场重构中的研究进展, 文章首先介绍卷积神经网络的一些基本概念以及基本网络结构, 之后简要介绍流场超分辨率重构网络、端到端的映射网络、长短期记忆网络的基本结构与理论, 并详细归纳出他们的改进形式在流场重构领域的一系列研究进展与成果, 最后对文章做出总结并探讨了流场重构深度学习技术所面临的挑战与展望.      

不同细料含量土石混合料塑性行为离散元模拟

土石混合料是指由大粒径的块石和作为填充成分的细粒土组成的二元混合料, 其塑性行为与细料含量密切相关. 目前对细粒含量如何影响土石混合料塑性行为及其细观机制的研究尚不充分, 为此本文开展了不同细料含量土石混合料的二维离散元数值模拟, 基于二阶功失稳准则与细观力学理论, 探究了细料含量对石料骨架土石混合料失稳特性与非关联流动特性的影响, 并揭示了细料含量影响土石混合料塑性力学行为的细观机制. 研究结果表明, 细颗粒可通过限制集合体塑性变形从而起到促进集合体整体稳定的作用; 细颗粒控制颗粒集合体塑性变形的方向(即塑性势面法方向), 随着细料含量增大, 土石混合料的塑性势面法方向和屈服面法方向之间的夹角减小, 非关联流动性减弱, 材料分岔失稳区域变窄; 尽管加入到石颗粒中的部分细颗粒与石颗粒共同承担骨架作用, 但是细颗粒的加入不影响颗粒集合体的力学状态, 不改变材料屈服面法方向. 相关研究结果可为建立考虑细料含量的土石混合料弹塑性本构模型提供理论依据.      

基于FDM-DEM耦合的冲击损伤大理岩静态断裂力学特征研究

为探究循环冲击损伤后大理岩的静态断裂力学特征,基于有限差分（finite difference method,FDM）-离散元（discrete element method,DEM）耦合的建模技术构建了三维分离式霍普金森压杆（split Hopkinson pressure bar,SHPB）数值模型,其中杆件系统和岩石试件分别采用FLAC3D和PFC3D程序建模。利用该模型对中心直切槽半圆盘（NSCB）试样进行了恒定子弹速度下的循环冲击,随后对受损试样进行静态三点弯曲断裂实验。通过编写Fish程序,提取试样断裂面数据,对断裂面进行重构并定量计算表面粗糙度。通过与相关室内实验结果的对比分析,验证了本文数值分析的合理性与可靠性。模拟结果表明,随着循环冲击次数的增加,试样内部微裂纹、破碎颗粒均增加。连接力场分布混乱,部分力链发生断裂。力链的变化是试样力学性能劣化的根本原因。在静态三点弯曲断裂实验中,冲击5次后试样的静态断裂韧度较天然试样产生一定程度的降低。试样在静载过程中产生的微裂纹和碎块的数量随循环冲击次数的增加而增加,断裂面粗糙度随循环冲击次数的增加而增加。     

裂纹反演分析的NMM-Elman神经网络协同方法

裂纹识别是结构健康监测的重要内容。本研究基于反演分析原理,将数值流形方法(NMM)与Elman神经网络相结合开展裂纹识别。NMM用于获取对应裂纹构型下测点的位移数据以供Elman神经网络的学习,在此基础上利用训练好的Elman网络进行了直线裂纹反演。通过2个典型算例证实了NMM-Elman协同方法的可行性和精度,与此同时分析了测点布置方式及输入数据噪声等因素对裂纹反演精度的影响。表明本研究的方法能够准确反演出单一及复杂裂纹的裂尖坐标。本研究的工作为复杂裂纹的高效准确识别提供了一种新的思路和方法。     

卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.