全驱动机械手的结构采用PC机为上位机,大量的串联结构导致精准传动难度较大,适应负载能力较差。相比之下,欠驱动机械手结构更简单,可实现多于控制输入的自由度,但是,当连杆式欠驱动机械手出现故障时会产生自振,故障特征难以获取,信号残差阈值超出范围时无法精准判定。为此,研究一种连杆式欠驱动机械手故障残差阈值超范围判定方法。构建深度级联卷积神经网络,提取每组故障信号深层意义特征,计算故障信号残差值。利用连接层降维转换,使信号归一化处理。通过插值层提取机械手形状和点级别,输出故障信号预测标签。设计深度级联卷积神经网络信号观测器,跟随机械手运行实时更新数据,设置特征点残差阈值,以此为依据判定该特征点是否为故障点。实验测试结果证明研究方法能够精准根据故障残差信号的输出判断连杆式驱动机械手的故障位...

通过对炮掘、盾构机、悬臂掘进机三种隧道开挖方式进行对比,同时对悬臂掘进机隧道施工工艺及施工适应性进行研究,经过实际的施工应用,总结出悬臂掘进机在隧道施工中的优势,为隧道施工单位在悬臂掘进机施工工序的组织方面提供参考。

事故安全设计是增强系统可靠性的一种新理论方法.根据这一理论并结合继电保护的特点,文中提出了一种设计微机保护装置开关量输出控制单元的新方法,该方法利用互补逻辑网络自检测方法来实现开关量输出控制单元的事故安全.基于事故安全设计的开关量输出控制单元最显著的特点在于它在执行CPU的开关操作指令之前还要校核其指令的正确性,一旦该单元检测出CPU因故障而发出的错误开关操作指令,就立即将其输出锁定在特定安全状态,从而降低了保护装置的误动,增强了系统的可靠性.

为解决液压支架侧推液压缸中的活塞杆毛坯制造生产周期长、材料利用率低、生产成本维持较高的现状,改变一直沿用的锻造工艺和圆钢下料工艺,将锻压墩粗工艺应用在侧推活塞杆的毛坯制造中,在应用实践的过程中,对材料的利用率、生产成本、生产周期的分析对比充分证明了锻压墩粗工艺制造侧推活塞杆毛坯的优势。

研究了数字通信系统中基于DSP器件的BPSK和QPSK的信号调制电路的实现方法,并给出了基于DSP进行数字调制的实验结果,从而证明了其设计的合理性。

采用聚四氢呋喃二醇、4,4’-二苯基甲烷二异氰酸酯和1,4-丁二醇为原料,以不同扩链系数(f值)制备了3种浇注型聚氨酯弹性体(CPU)作为密封件材料。研究了f值对CPU力学性能、耐热老化性能、耐润滑脂性能、耐酸性能、摩擦磨损性能和压缩永久变形率的影响。结果表明:f值为0.95时,CPU的断裂伸长率和撕裂强度最高;f值为0.93时,CPU的拉伸强度最高,耐热老化性能好,对美孚460WT润滑脂和pH为3的稀盐酸耐受性较好,阿克隆磨耗、摩擦系数及压缩永久变形率均最低。

以某移动式煤炭采样车工作装置整体为研究对象，利用SolidWorks建立了工作装置整体三维模型，通过与ANSYS的程序接口将模型导入，在对煤炭采样车3种典型工况分析基础上，结合有限元理论建立了工作装置整体耦合有限元模型，准确模拟工作装置间的销轴连接和液压缸连接，对工作装置进行了强度、变形和模态分析，并结合产品对分析结果进行对比验证。分析结果表明，采用整体集成有限元分析法极大的减小因边界条件及载荷难以确定而造成的计算误差，进一步可以指导工作装置的改进设计。

为简化复杂结构模态分析计算的复杂程度,有效区分复杂结构发生全局振动和局部振动变化的模态阶数,提出一种基于熵值法的目标模态数目确定新方法。分析结构的目标模态并提取目标振型;计算基于目标振型的Fisher信息矩阵;根据Fisher信息矩阵计算提取不同阶模态时的信息熵,计算信息熵的突变特征函数从而确定突变点;由信息熵的变化来表征对应Fisher信息矩阵信息量的变化从而得到结构全局振动和局部振动对应的模态阶数。CRH3型动车组转向架构架仿真结果表明,基于熵值法确定的目标模态数目能够准确计算出构架全局振动的模态数目。

为研究关节式双动火车煤采样机工作装置的动应力特性，保证其工作的可靠性，根据实际采样要求，设计了一条采样头末端点的运动轨迹，采用解析几何法建立了工作装置的运动学正、逆解模型，以MATLAB计算得到的旋转马达角位移、液压缸位移与插入阻力为驱动，在ADAMS中对双动采样过程进行仿真，得出工作装置在采样过程中所受载荷随时间的变化曲线，将动态载荷作为负载，利用ANSYS Workbench进行瞬态动力学分析，得到工作装置的动应力特性。结果表明，工作装置在整个采样过程中满足强度要求，可为结构的优化设计提供理论依据，并对分析实际工况和受力情况复杂的机构强度有一定的指导意义。

针对滚动轴承故障严重程度与复合故障难以准确识别的问题,提出了一个基于提升双树复小波包(Lifting Dual-TreeComplex Wavelet Packet,LDTCWP)和深度小波自编码器(Deep WaveletAuto-Encoder,DWAE)的轴承故障诊断方法。首先,使用迁移学习扩展目标数据量;其次,对轴承振动数据进行3层提升双数复小波包分解,分别计算各子频带信号的样本熵、排列熵和能量矩,作为初始特征向量;最后,将初始特征向量输入DWAE,进行二次特征提取并实现故障诊断。实验结果表明,该方法能有效地对滚动轴承进行多种故障类型和多种故障程度的识别,与传统机器学习方法相比,在目标数据较少的情况下也具有较强的泛化能力、特征提取能力和识别能力。