以液压与气压传动课程为例,线下教学因受时空限制、课时少,重点内容难以展开,而线上教学平台可以提供视频、动画等教学资源,有利于学生自主完成知识学习。基于此,提出一种线上线下混合式教学模式,实现教师对重难点内容的深入讲解,促使学生更好地掌握知识,有效地提高了课程教学质量和效果。

运用动网格技术,对液压缸的流动区域进行数值模拟,使用Fluent中的Profile文件定义活塞杆的运动速度与运动时间。经过数值模拟后,得到液压缸在不同的时间段内计算域的压力及速度云图。模拟仿真的结果能够较好的反应液压缸的内部流场,有助于设计者了解液压缸的内部流场的变化情况。

阐述了深度学习在故障诊断和图像分析、语音识别和文本理解等领域的应用;介绍卷积神经网络、深度置信网络、堆叠自动编码网络、递归神经网络4种典型的深度学习模型;综述近几年深度学习在故障诊断中的模型选择、学习算法和实际应用等方面的研究新进;探讨深度学习在故障诊断中的理论分析、特征提取、优化训练和研究拓展等。

针对石化装置旋转机械故障特征之间呈现模糊性和耦合性导致故障类型识别难的问题,提出基于高价值小样本的石化装置旋转机械故障诊断NN模型。依据故障特征拟合情况,提取高价值小样本故障特征;运用高价值小样本故障特征建立高效的NN模型,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差最小,达到最佳分类效果。研究结果表明:高价值小样本故障特征的训练数据与测试数据具有高度的一致性,故障类型识别的准确率达到98.3%。该方法应用于石化大机组旋转机械表明方法简单有效,高价值小样本特征提取准确,故障识别能力强,可为石化大机组及其他大型设备旋转机械故障诊断提供指导。

针对滚动轴承故障诊断,受启发于传统人工听诊的做法,以及利用传统机器学习方法提取故障特征过度依赖人工、诊断正确率低等问题,提出一种基于深度学习与电子听诊器相结合的滚动轴承故障诊断方法。该方法利用电子听诊器获取轴承不同健康状态下运行的声音信号,以轴承转动周期为数据样本长度,采用重采样数据集增强方法提高模型的泛化性。搭建基于TensorFlow的一维卷积神经网络深度学习模型进行实验验证,并利用t-SNE对分类过程进行可视化,诊断正确

随着旋转机械结构越来越复杂,旋转机械需要承受着长时间的工作,发生故障的可能性增大及故障出现形式趋向于复杂化。因此,对旋转机械故障诊断提出更高的要求。本文作者分析了旋转机械故障诊断国内外研究现状及其研究方法,分析有量纲指标和量纲一指标在其上的运用。展望旋转机械故障诊断的研究方向和待解决的问题。

在教学液压实验台建立的开环控制系统的基础上，采用AMESim仿真软件，建立该开环控制系统的仿真模型，并进行仿真实验，得出活塞杆位移与时间的仿真曲线。同时采集活塞杆实际伸出位移变化的数据，把采集出来的数据进行相关处理后绘制出位移随时间变化曲线，并将其与仿真的位移曲线进行比较分析。

建立了插装阀内部流动区域的能量与流量的数学模型，并利用计算流体动力学软件FLUENT对插装阀的内部流动区域进行仿真，得出了内部流体的压力云图、速度矢量图，同时，在大型液压机上采集了插装阀的阀芯在不同的开度时压差、流量的变化情况，根据采集的实验数据，绘制出压差与流量特性曲线，并对其进行对比分析。

分析了ATOS的LIQZO型二通比例流量插装阀的结构及工作原理;利用AMESim的HCD库搭建其仿真模型;参考厂家提供的特性曲线,详细地探讨了其仿真模型的参数设置,以保证其动静态特性。仿真曲线与样本曲线的对比分析表明,所搭建的仿真模型及所设置的仿真参数是合理可行的。研究成果对其他比例流量插装阀的建模具有借鉴意义。

仿真分析了液压集成块两种不同孔道的流场以及增大阀口的开度、缩短阀口到集成块交叉孔道的距离后的流场。通过对比,增大阀开度及缩短阀口到集成块交叉孔道的距离有助于减小集成块的能量损失,为集成块的设计提供一定的依据。