机电馈能悬挂系统是一种新型悬挂系统,在实现装甲车辆车身减振同时回收地面传递给车身的振动能量。根据摆臂式机电馈能悬挂系统工作原理,建立了相应数学物理模型,基于Adams和AMEsim搭建了减振系统与馈能系统联合仿真模型,分析了行星变...机电馈能悬挂系统是一种新型悬挂系统,在实现装甲车辆车身减振同时回收地面传递给车身的振动能量。根据摆臂式机电馈能悬挂系统工作原理,建立了相应数学物理模型,基于Adams和AMEsim搭建了减振系统与馈能系统联合仿真模型,分析了行星变速器传动比、电池电阻和扭转缓冲器刚度对系统阻尼特性和馈能性能的影响。结果表明:在车速为45 km/h的铺面路、戈壁路、起伏路、砂石路4种路面工况下,车身加速度均方根值平均为4.11 m/s 2,平均馈能功率为1411.57 W,机电馈能悬挂系统有良好的减振性能和可观的馈能功率;随着行星变速器传动比增大,悬挂系统阻尼力矩和馈能功率逐渐增大,且影响显著;随着电池电阻增加,阻尼力矩和馈能功率逐渐降低;扭转缓冲器刚度变化对悬挂系统性能影响较小。展开更多
针对无叶风扇气动噪声过大的问题,开展基于CST(Class Function/Shape Function Transformation,CST)参数化方法的柯恩达面气动噪声敏感性分析。首先,以NACA0012翼型及样条曲线构造柯恩达面,建立无叶风扇的风圈截面及三维模型。然后,通...针对无叶风扇气动噪声过大的问题,开展基于CST(Class Function/Shape Function Transformation,CST)参数化方法的柯恩达面气动噪声敏感性分析。首先,以NACA0012翼型及样条曲线构造柯恩达面,建立无叶风扇的风圈截面及三维模型。然后,通过数值模拟分析柯恩达面处的流动情况及气动噪声,并通过试验验证数值计算的准确性。最后,建立柯恩达面参数化模型,并以气动噪声为目标响应,采用Sobol法与Kriging代理模型相结合的方法,计算参数化模型中Bernstein多项式系数的一阶灵敏度系数和总灵敏度系数,找出对气动噪声影响较大的参数。结果表明,影响柯恩达面处气动噪声的主要因素依次为风圈截面的厚度、前缘半径、后缘厚度。展开更多
针对复杂多变的工作环境给风电机组状态监测带来的挑战,提出了一种基于深度学习和注意力机制组合的状态监测与健康评估方法。首先,将风电机组数据采集与监控(supervisory control and data acquisition,简称SCADA)系统数据进行预处理;其...针对复杂多变的工作环境给风电机组状态监测带来的挑战,提出了一种基于深度学习和注意力机制组合的状态监测与健康评估方法。首先,将风电机组数据采集与监控(supervisory control and data acquisition,简称SCADA)系统数据进行预处理;其次,将卷积神经网络(convolutional neural networks,简称CNN)和长短期记忆网络(long short-term memory,简称LSTM)相结合提取数据的时空特征,并引入注意力机制(Attention)为LSTM分配相应的权重;然后,利用指数加权移动平均来设置阈值,通过分析均方根误差实现风电机组的状态监测;最后,通过实例对风电机组的主轴承、发电机定子和叶片变桨电机状态进行监测分析和健康评估,验证该方法的有效性。展开更多
文摘机电馈能悬挂系统是一种新型悬挂系统,在实现装甲车辆车身减振同时回收地面传递给车身的振动能量。根据摆臂式机电馈能悬挂系统工作原理,建立了相应数学物理模型,基于Adams和AMEsim搭建了减振系统与馈能系统联合仿真模型,分析了行星变速器传动比、电池电阻和扭转缓冲器刚度对系统阻尼特性和馈能性能的影响。结果表明:在车速为45 km/h的铺面路、戈壁路、起伏路、砂石路4种路面工况下,车身加速度均方根值平均为4.11 m/s 2,平均馈能功率为1411.57 W,机电馈能悬挂系统有良好的减振性能和可观的馈能功率;随着行星变速器传动比增大,悬挂系统阻尼力矩和馈能功率逐渐增大,且影响显著;随着电池电阻增加,阻尼力矩和馈能功率逐渐降低;扭转缓冲器刚度变化对悬挂系统性能影响较小。
文摘针对无叶风扇气动噪声过大的问题,开展基于CST(Class Function/Shape Function Transformation,CST)参数化方法的柯恩达面气动噪声敏感性分析。首先,以NACA0012翼型及样条曲线构造柯恩达面,建立无叶风扇的风圈截面及三维模型。然后,通过数值模拟分析柯恩达面处的流动情况及气动噪声,并通过试验验证数值计算的准确性。最后,建立柯恩达面参数化模型,并以气动噪声为目标响应,采用Sobol法与Kriging代理模型相结合的方法,计算参数化模型中Bernstein多项式系数的一阶灵敏度系数和总灵敏度系数,找出对气动噪声影响较大的参数。结果表明,影响柯恩达面处气动噪声的主要因素依次为风圈截面的厚度、前缘半径、后缘厚度。
文摘针对复杂多变的工作环境给风电机组状态监测带来的挑战,提出了一种基于深度学习和注意力机制组合的状态监测与健康评估方法。首先,将风电机组数据采集与监控(supervisory control and data acquisition,简称SCADA)系统数据进行预处理;其次,将卷积神经网络(convolutional neural networks,简称CNN)和长短期记忆网络(long short-term memory,简称LSTM)相结合提取数据的时空特征,并引入注意力机制(Attention)为LSTM分配相应的权重;然后,利用指数加权移动平均来设置阈值,通过分析均方根误差实现风电机组的状态监测;最后,通过实例对风电机组的主轴承、发电机定子和叶片变桨电机状态进行监测分析和健康评估,验证该方法的有效性。
