为了优化中小型圆形反射镜在加工、镀膜、装调等阶段的检测中所需的支撑结构，以v型块支撑工作原理设计了支撑位置及支撑点夹角均可调整的分体式支撑。利用有限元方法得到TMA系统中φ136mm非球面次镜面形随支撑点夹角的变化趋势，并根据趋势曲线，确定支撑点夹角为100。状态下，分体式支撑结构引起的镜面面形变化最小（RMS=0．57nm）。利用干涉仪结合补偿器的检测方式，对分体式支撑在不同的支撑点夹角下的镜面面形进行检测。所得结果与有限元方法得到的镜面面形随支撑点夹角变化趋势与试验结果相符，且在100。时分体式支撑引起的镜面面形变化（RMS=0．015wave）明显优于其他角度。再以不同的镜坯材料及反射镜直径尺寸进行仿真对比，结果表明：镜面面形随支撑点夹角的变化趋势与反射镜材料和尺寸无关，趋势曲线幅值随材料弹性模量和...

发动机排气系统噪声主动控制相对于被动控制具有更好的效果。其中控制算法的选取决定了降噪效果的好坏。目前主要应用BP神经网络算法对发动机排气噪声进行控制,但是BP网络算法存在一些缺点,比如容易陷入局部极小值、收敛精度低等。将GA-BP算法引入汽车排气系统噪声主动控制中,建立基于GA-BP神经网络的汽车排气噪声主动控制系统的仿真模型。由仿真结果得出,所提方法能够使BP网络算法的收敛精度明显得到改善,有效地提高了噪声主动控制系统的降噪效果。

在三维建模软件SolidWorks中构建模型, 然后将其导入ANSYS Workbench中建立有限元模型. 对行星轮系进行静力学分析, 得到等效应力、 应变云图, 均在安全范围内.对行星轮系进行模态分析, 得到固有频率和振型, 远离系统特征频率,不会发生共振.研究结果可为后续该减速器系统的动态特性研究与优化提供参考和依据.

针对纯电动汽车驱动桥进行振动噪声研究。通过三维软件建立驱动桥的三维模型，对三维模型进行有限元模态分析，获取驱动桥前6阶固有模态参数。再对纯电动汽车实体驱动桥进行试验模态分析，将两种方法获得的模态参数进行比对，验证了有限元模态分析方法的正确性，再将获得的模态参数与外界激励耦合情况进行研究，为模态分析技术在纯电动汽车领域的应用提供参考。

为了更好地研究轮齿齿根裂纹对齿轮传动系统动态特性的影响,将风力发电机增速齿轮箱中一对啮合轮齿作为研究对象。运用改进能量法计算含有齿根裂纹齿轮的齿轮系统时变啮合刚度,考虑齿侧间隙、时变啮合刚度和传动误差影响,建立含有齿根裂纹故障的齿轮传动系统6自由度动力学模型。利用四阶Runge-Kutta法对建立的齿轮系统微分方程进行积分求解,得到齿轮系统动力学响应。通过幅频响应曲线、时域图及频域图,综合分析了含有不同深度裂纹故障的齿轮传动系统的动力学特性。最后,通过试验验证齿轮系统理论仿真的正确性,从而为风力发电机齿轮箱中的齿轮系统裂纹故障识别提供理论依据。

将离心压缩机简化为三圆盘的转子轴承系统后,通过分析离心压缩机的运转机理,得到影响系统稳定的条件,进行参数优化,使其能够更好地运转。在三圆盘结构转子轴承系统受到Alford力和可倾瓦轴承支撑影响下,对转子轴承系统进行了稳定性分析。

针对汽车厂产品车路试阶段汽车驾驶室内噪声的噪声源定位困难,提出了偏相干分析方法用于准确定位噪声源。主要介绍了偏相干函数的循环迭代的计算方法,同时计算了各个噪声源的偏相干函数,得出不同噪声源对驾驶室内噪声的贡献量。结果表明,偏相干方法能有效识别相干声源,可以快速准确确定主要噪声源位置。

提出用极限逼近的方法求解二斜辊矫直过程中金属棒材的弹复曲率,由于金属棒材在弯曲弹塑性成型中,既有弹性形变,又有塑性形变,导致棒材弯曲成形后会发生回弹。回弹之后为棒材的实际成型,回弹的曲率即为弹复曲率。之前对棒材矫直过程中的弹复曲率的计算大都采用经验公式,这往往是不正确的。针对二斜辊校直中棒材弯曲成型时的回弹曲率与成型时的实际弯曲曲率之间的关系,根据板材中逼近求解弹复曲率方法,运用于二斜辊矫直中求解未知的弹复曲率。

提出了一种基于SMOTE算法和CART决策树的螺栓打紧质量异常检测模型。该方法采用SMOTE过抽样算法处理螺栓打紧工艺数据类间不均衡问题,在此基础上建立CART决策树模型对打紧工艺的特征信息进行数据挖掘,诊断螺栓打紧质量状态。结合网格搜索和模型交叉验证的参数寻优方法对树深和基尼不纯度的阈值进行参数优化验证。最后,利用参数最优训练模型学习曲线和测试集上ROC曲线下面积AUC值对模型性能进行评价。实验结果表明,该组合模型具有优异的异常检测精度,研究成果可为螺栓打紧质量状态的诊断提供有力支撑。

针对轴承发生故障,振动信号会表现出复杂性的情况,运用多尺度排列熵(Multiscale Permutation Entropy,MPE)方法对振动信号进行分析。首先对嵌入维数、延迟时间以及数据长度对排列熵的影响进行了分析,在此基础上分析尺度因子关于多尺度排列熵的影响,然后对滚动轴承振动信号进行更准确的故障特征提取,并利用极限学习机(Extreme Le arning Machine,ELM)方法对其进行故障分类,与神经网络的分类效果相比较,结果显示,极限学习机与多尺度排列熵相结合,可以很好地实现故障诊断。