在电子皮带秤的安装现场周围，有时存在固定频率的振动源导致电子皮带秤产生受迫振动。当振动源频率和皮带秤固有频率接近时，皮带秤将发生共振。本文讨论杠杆式皮带秤的振动模型、共振频率分析及解决共振的办法。解决皮带秤共振现象的一种方法就是要消除振动源、采取隔振措施或改变振动源的振动频率；另一种方法就是要改变皮带秤秤体的固有频率。

随着中国铁路的高速发展，各类新型机车和车辆陆续完成并投入使用，为保证机车和车辆的质量及在线路上的安全运营，对计量设备——机车车辆称重台计量性能及检定也提出较高的要求。而为保证机车车辆称重台的顺利检定及投用，现场的安装工作是一个不可小觑的重要环节。本文简单介绍了机车车辆称重台在现场安装时经常会出现的问题及相应的解决措施。

随着机器学习方法的不断发展,形成了各类算法,已有学者将其应用于流体机械的流动计算、流动控制以及优化设计。以深度学习为代表的机器学习方法具有强大的归纳学习能力,能够自主进行特征学习,不仅可以直接利用实验和数值模拟数据,从中挖掘出潜在的流场信息,更可以在优化设计过程中实现自适应的设计参数探索,以实现快速、鲁棒、全局且高效的优化,因此可以作为一种全新的流体机械优化设计方法。本文概述了流体机械气动优化的现状、机器学习方法的研究现状、机器学习在流动计算、流动控制以及流体机械优化设计中的应用现状,并指出了深度学习在流体机械优化设计上的应用前景。

在数据驱动的滚动轴承状态辨识模型构建过程中,针对核极限学习机(Kernel Extreme Learning Machine,KELM)算法中高斯核函数的径向宽度参数σ选取不当极易造成模型分类精度差的问题,提出一种核排列优选核参数σ的滚动轴承状态辨识方法。首先,将测取滚动轴承振动信号经总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)进行分解并计算其能量熵、排列熵来构建高维的特征向量集;然后,初始化核排列(K ernel Target Alignment,KTA)算法参数:最大核排列值Ai和核参数σi,通过判断核矩阵与理想目标矩阵间距离来调节不同的Ai和σi值,来获取两矩阵距离最短时所对应的Ai,此时核参数σi最优。最后,将上述滚动轴承的高维特征向量集作为输入通过KTA-KELM算法的学习,建立基于KTA-KELM的滚动轴承的状态辨识模型。仿真实验结果表明,与KELM、ELM算法相比,KTA-KELM算法将滚动轴承状态辨识的精...