履带式消防车因其高机动性、出色的通过性而常服役于易发生森林火灾的原始森林中,在山丘、沟壑等特殊地理环境下可以轻松通行。某履带式消防车除具有灭火功能外,还具有清障作用,用于清理火灾现场的断树、土石等障碍物,便于其它消防车迅速通过并执行任务。限于动力舱布局的局限性,亟需开发一种新型适用于该消防车驱动起重臂的取力装置。文中从取力装置的边界条件出发,运用理论方法对取力装置的传动齿轮进行设计和强度校核,并且通过有限元软件对取力装置的壳体进行了静力学分析和模态分析。为特种作业车的核心零部件的设计提供了一种思路。

依据高性能和小型化的要求，阐述了DSP在航空发动机参数采集器硬件系统设计中的应用。以TMS320C31 DSP为处理核心，采用复杂可编程逻辑器件（CPLD）对外围扩展电路（A／D、串口扩展芯片16C554和外部存储器等）进行片选和中断控制，从而提供了丰富的模拟接口、方便灵活的数字接口和串行通信接口。利用16C554扩展串口，其硬件接口电路简单；利用复杂可编程器件CPLD设计DSP扩展外设电路的译码电路，可以使设计者在系统内进行编程。本文给出了主要器件具体的硬件选型，并结合其特点阐述了它们在航空发动机参数采集器中的硬件连接及软件操作方法。

针对应急通信系统的需求,本文介绍了一种适用于多种通信设备的多媒体通信终端的软件实现方法.软件采用了面向对象的设计方法,根据通信设备和各种业务的特点,合理的界定了通信模块和各种业务模块之间的职能.在对通信模块接口进行合理抽象的基础上,软件实现了适用于以太网、网络电台和短波电台的通信模块.在通过不同的下层通信设备进行通信时,终端软件只需要选择不同的通信模块就能实现包括语音、视频、短信息、静态图像、电子白板和文件传输在内的多媒体通信.

针对支持向量机中单尺度高斯核算法存在局部风险的问题,提出一种基于核排列的多尺度高斯核算法。利用核排列这一度量标准来选择高斯核函数的尺度,并把多个弱分类器聚集成一个强分类器得到多尺度高斯核,从而构造支持向量机模型。利用UCI数据集Iris Plants、 Wine Recognition等仿真实验结果表明:所提出的基于核排列的多尺度高斯核算法比传统的单尺度高斯核算法具有更高的分类准确率。

对仿鱼形水下机器人进行了设计开发与研究，推出一种具有新型水下推进装置的水下机器人。可以有效地提高推进的效率、减少能量消耗、降低噪声和保护环境。利用曲柄摇杆机构的特点，通过电机的连续转动带动摇杆往复摆动，以实现水下机器人的推进。设计带有急回特性的曲柄摇杆机构，当推进鳍前摆时速度较快，可以迅速复位；当推进鳍后摆动时速度较慢，增加推力作用的时间。运用Solidworks建模，利用MATLAB进行关键结构部件的优化设计。

针对滚动轴承振动信号的不规则性和复杂性,导致轴承状态难以有效识别的问题,提出基于分层核极限学习机（HierarcHical Kernel Extreme Learning MacHine,H-K-ELM）的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）处理后得到一系列IMF本征模态分量,并提取各分量的排列熵PE值组成高维特征向量集;其次,利用高斯核函数的内积来表达ELM算法的隐含层输出函数,然后使用自动编码器对其分层,从而隐含层节点数自适应确定和隐含层阈值与输入权值满足正交条件;最后,将所得高维特征向量集作为H-KELM算法的输入,通过训练建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明：H-K-ELM滚动轴承故障分类模型比ELM、K-ELM故障分类模型具有更高的精度、更强的稳定性。

针对行星齿轮箱振动信号复杂时变调质特点使其＂难表征＂,致使据此构建的状态辨识模型精度低的问题,提出一种基于总体局部均值分解（Ensemble local mean decomposition,ELMD）的能量熵与人工鱼群算法（Artificial fish swarm algorithm,AFSA）寻找支持向量机（Support vector machine,SVM）最优核函数系数组合的行星齿轮箱关键部件的状态辨识方法。首先,利用ELMD分解经形态平均滤波的行星齿轮箱关键部件的振动信号来获取若干窄带乘积函数（Product function,PF）。然后,计算其能量熵来构建高维特征向量集。最后,将其作为输入,通过训练学习建立AFSA优化SVM的行星齿轮箱关键部件状态辨识模型。实验结果表明,所提方法能凸显原信号中的有效故障成份,提高了模型的状态辨识精度。

滚动轴承出现早期故障时,因为背景噪声的影响,故障信号非常微弱,故障信息难以提取,为了能有效检测出轴承故障,提出了最小熵反褶积（Minimum entropy deconvolution,MED）与共振稀疏分解（Resonance sparse signal decomposition,RSSD）相结合的诊断方法。首先,运用最小熵反褶积对含有噪声的轴承故障振动信号进行降噪处理;然后,对处理后的信号进行共振稀疏分解,将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量;最后,将低共振分量进行包络功率谱分析提取故障特征频率。通过信号仿真和实验处理,表明该方法对微弱故障特征提取具有较好的适用性。

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...

针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。