齿轮系统的KV和NSD接触力模型对比研究

采用Kelvin-Voigt(KV)接触力模型和非线性弹簧-阻尼(NSD)接触力模型建立单自由度齿轮传动冲击动力学模型,模型考虑时变刚度和间隙。选取量纲一化的转速比为控制参数,转矩和冲击阻尼比系数为变化量,运用龙格-库塔数值分析方法,求解得到KV模型和NSD模型在相同参数条件下的相图和分岔响应曲线。在低速比条件下,动态响应基本相同;在高速比条件下,不同接触力模型条件下的响应存在差别。采用不同阻尼模型对系统低频响应影响不大,对高频响应的影响比较大,在NSD模型中,随着冲击阻尼系数的改变,共振区的响应会受到影响。     

散乱数据点B样条曲面重构算法的设计与实现

曲面重构是逆向工程的核心环节,由于B样条曲面的局部性,使其成为了曲面重构的首选。详细阐述了B样条曲面构建的理论基础,包括其数学模型和性质。在散乱数据点模型网格划分优化的基础上,提出了基于反求控制点的B样条准均匀双三次曲面重构算法。设计了基于反求控制点曲面重构算法的实现过程,解决了型值点的选取,节点参数化的问题。由于均匀B样条曲面的特点,其曲面网格的四端点不与控制点网格端点重合,为使拟合曲面接近原始曲面,采用了准均匀B样条基进行曲面生成。在VS2008环境下,用C++语言进行程序编写调试,最后给出了算法的运行结果。算法的实现说明了算法的的可行性和可靠性,算法具有速率快、精度高等优点。     

基于KPCA和改进K-means的电力负荷曲线聚类方法

为了提高电力负荷曲线聚类精度,文中提出了一种基于核主成分分析(KPCA)和改进K-means算法的电力负荷曲线聚类方法。该方法首先在划分聚类算法K-means基础上融入密度聚类思想,提出了融合密度思想的K-means算法(DK-means算法),并在电力负荷曲线实验集上对比分析其聚类效果;接着在实验集上比较各种降维算法的降维聚类精度和降维速度;最后分析KPCA+DK-means组合算法的降维聚类能力。结果表明,戴维森堡丁指数(DBI)更适合作为电力负荷曲线聚类评价指标;以DBI为评价指标,与K-means、BIRCH、DBSCAN和EnsClust 4种聚类算法相比,DK-means的聚类精度更高;与LLE、MDS、ISOMAP 3种非线性降维算法相比,KPCA的降维速度更快;KPCA+DK-means组合算法有良好的降维聚类能力,较DK-means在聚类精度和聚类效率上均有提升。KPCA+DK-means组合算法可以实现电力负荷曲线的高效降维、精确聚类,对用电行为模式的准确提取起关键技术支持作用。