高效节能仿生深松部件的试验

借助田鼠爪趾弯曲轮廓形状的测定结果，设计、制作了一种仿生弯曲型深松部件，通过室内大型土槽试验测定了其耕作阻力，结果表明所设计的仿生深松部件减阻效果明显。通过本文的研究为弯曲型深松部件的高效节能改进设计提供了仿生研究的基础。     

轮胎纵向力的神经网络模型

将人工神经网络方法用于轮胎纵向力特性的建模，建立了以滑移(转)率为变量，以垂直载荷为参变量的轮胎纵向力神经网络模型。对轮胎实测数据与神经网络模型预测结果的对比表明，轮胎神经网络模型的精度能满足工程要求，BP前馈神经网络可有效地应用于车辆轮胎纵向力特性的数学建模，且建模过程简单，模型计算较快，预测精度较高。     

履带滑移和转向中心线偏移对车辆稳态转向特性的影响

履带车辆的稳态转向特性直接影响到其工作效率以及安全性。本文建立了履带车辆稳态转向的数学模型并提出了数值求解方法,将履带滑移半径以及转向中心线移动量作为其稳态转向特性的评价指标,并进行了仿真分析,结果表明:随着转向半径和车速的变化,滑移半径以及转向中心线移动量的增大或减小,影响车辆的转向稳定性。     

橡胶履带车辆行走系统的动力学模型及脱轮问题仿真分析

橡胶履带在高速行驶中的脱轮容易导致行走系统部件的损坏和人身财产损失。本文在分析履带车辆行走系统工作原理的基础上,考虑了履带车辆的主要结构,建立了针对其高速行驶中脱轮问题的行走系统动力学模型,分析了第一支重轮垂向位移与行走系统结构参数以及地面激励的联系,并针对某型履带车辆的行走系统进行了计算机仿真和分析。结果表明所建立的动力学模型是可行的,本文方法可为履带车辆行走系统设计和动力学分析提供了参考。     

汽车操纵稳定性研究的数学模型评述

综述了汽车操纵稳定性数学模型的研究现状。指出了汽车操纵稳定性数学模型研究对于汽车操纵稳定性的研究具有重要意义 ,高精度、多自由度以及闭环系统操纵模型的研究是加深操纵稳定性研究的基础 ,对汽车操纵稳定性数学模型研究存在的不足进行了分析论述 ,并对未来的汽车操纵稳定性方面非线性问题的研究和闭环系统的研究发展进行了展望。从而为进一步研究汽车操纵稳定性提供了参考。     

拖拉机动力输出轴载荷经验模态分解软阈值降噪研究

针对拖拉机旋耕作业动力输出轴(PTO)载荷降噪中载荷先验特性预判的问题,提出了PTO载荷经验模态分解(EMD)软阈值降噪方法,得到了PTO载荷相同时域内不同频率固有模态函数(IMF)。利用边界局部特征尺度延拓算法对IMF出现的端点效应进行了抑制,与镜像对称延拓算法和多项式拟合延拓算法比较,在运行时间、正交指数及IMF数量3项评价指标中均占优势。利用IMF分量与载荷相关系数,辨识出前3阶IMF分量为噪声主导分量,对前3阶IMF分量分别进行了软阈值降噪,与剩余分量叠加重构了降噪后的PTO载荷。降噪后的PTO载荷主频为4.492 Hz,与试验中旋耕机刀轴旋转频率相符。与EMD低通滤波降噪算法比较,EMD软阈值降噪算法属于自适应数据驱动,不需要设定截止频率。以含噪信号与噪声误差比(d_(nSNR))为降噪性能评价指标,EMD软阈值降噪算法的d_(nSNR)为12.712 5,小于EMD低通滤波降噪算法的d_(nSNR)值13.266 6,对比结果表明EMD软阈值降噪算法对实测拖拉机PTO载荷降噪效果明显。     

无线通信技术在拖拉机牵引性能测试中的应用

针对拖拉机牵引性能测试系统中,被试车与负荷车之间有线连接繁杂、工作可靠性低及机动性差的问题,采用无线通信技术开发了两车多机通信功能,增强了试验车辆机动性。对自制的数据采集器进行了模拟量通道检测,牵引力通道信号最大误差为3 m V,系统线性度为0. 06%。静态试验结果表明:在良好通信条件下,系统能够进行准确稳定的数据传输,最大有效传输距离为520 m。动态试验结果表明:在两车相距15 m范围内,性能测试系统能够实时进行数据采集、交换及管理。被试拖拉机在无线通信与有线通信测试条件下,试验性能参数最大相对误差为0. 98%,此误差在传感器精度范围内。静动态对比试验结果表明:牵引性能测试系统的振动对无线通信系统的稳定性有一定影响,动态试验数据接收率为97. 36%,能够满足系统稳定性要求。     

拖拉机农具机组性能 CAD 软件开发规范及应用

论述了开发拖拉机农具机组性能ＣＡＤ软件工作的必要性及应遵循的基本原则,在此基础上开发了拖拉机性能预测软件,并通过应用实例说明了软件开发规范化的意义与作用。     

拖拉机发动机能量方程的特征数据拟合法

发动机能量方程是描述发动机转矩、转速和调速器拉杆位移之间关系的方程。本文提出了能量方程的特征数据拟合法。这一方法思路清晰,物理意义明确,所得方程具有满意的拟合精度。     

基于图像Bag-of-Words模型的无载体信息隐藏

介绍一种基于bag-of-words（BOW）模型的无载体信息隐藏方法。该方法使用BOW模型提取图像的视觉关键词（visual words,VW）以表达待隐藏的文本信息,从而实现文本信息在图像中的隐藏。首先使用BOW模型提取图像集中每幅图像的VW,构建文本信息的关键词和VW的映射关系库;然后把每幅图像分为若干子图像,统计每一幅子图像的VW频数直方图,选择频数最高的VW表示该子图像;最后根据构建的文本关键词和子图像VW的映射关系库,搜索出与待隐藏文本信息存在映射关系的子图像序列,将含有这些子图像的图像作为含密图像进行传递。实验结果和分析表明,该隐藏算法在抗隐写分析、鲁棒性和安全性方面均有良好的表现。