二元函数图形绘制及特征分析实验设计

介绍了二元函数及图形的相关数学知识和mathematica软件平台的相关知识，给出了二元函数及图形特征研究的内容与要求，完成了空间图形及交线、截面、相交面的图形的绘制及相关特征分析的实验设计。     

集聚纺集聚区须条等截面部分的力学分析

通过对集聚区内须条的集聚过程分析，建立须条的受力模型，发现须条在集聚过程中会产生附加捻度，并且对影响须条附加捻度的各种因素：异型管开槽长度、负压大小、须条和网格套圈间的摩擦因数以及异型管的曲率半径进行了分析。设计相关实验对集聚区内须条的力学模型进行了验证。结果表明所建立的集聚区内须条的力学模型是正确的。     

成丝的速度与方式和蜘蛛丝力学性能的关系

为了分析蜘蛛丝的力学性能和成丝条件间的关系,研究了不同速度下人工卷取的蜘蛛牵引丝以及蜘蛛垂直下落时分泌的牵引丝的力学性能.研究结果表明,随着卷取速度的增大,蜘蛛丝的断裂强度有一极大值,在高速卷取时强度的变化较低速时平缓.垂直下落时蜘蛛分泌的牵引丝的综合力学性能优异,但断裂强度不一定大于人工卷取的丝.成丝速度和成丝方式都对蜘蛛丝的性能有很大影响.     

矢量数据与位映象数据之间的转换技术研究

以内存缓冲区为虚拟设备,提供了一种与设备无关的矢量数据与位映像数据之间的转换方法.该方法特别适合于嵌入式系统汉字点阵及图形点阵显示以及非标准打印设备的输出等方面的应用.     

助剂对聚氨酯微孔弹性体力学性能的影响

以聚酯POL-2016、聚醚PPG-330N、异氰酸酯MT、MDI-100LL、交联剂乙二醇、TMP等为主要原料，采用半预聚物法制备聚氨酯微孔弹性体．研究了在MT／MDI-100LL体系中各种助剂的用量或种类对聚氨酯微孔弹性体力学性能的影响．随着固化剂TMP用量的增加，微孔弹性体的拉伸强度、100％定伸应力先升后降；而回弹性先稍有降低后升高，扯断伸长率则呈先降后升再降的趋势．当固化剂TMP的加入量为A组分中多元醇质量的1．5％时，试样的综合性能较好．发泡剂用量增加，微孔弹性体的机械强度、回弹性先剧烈下降，当用量大于2％时又略有上升或下降缓慢．泡沫稳定剂用量增加，微孔弹性体的机械强度和回弹性均升高，扯断伸长率也稍有升高．催化剂用量增加，微孔弹性体的力学性能下降而工艺性能提高，因此应控制催化剂的用量．     

Cr-Fe-Mn粉末混合物的机械合金化及其磁交换作用

对主要成分为Cr72Fe18Mn10的粉末混合物进行机械球磨。采用扫描电子显微镜、X射线衍射仪和Mǒssbauer谱仪对球磨不同时间的样品的结构进行研究。研究结果表明：在球磨过程中，存在铁磁性的a—Fe及Fe基的超精细场分布组元和顺磁性的Cr基固溶体，球磨30h能形成顺磁性的纳米晶Cr-Fe-Mn合金；样品的矫顽力随球磨时间的延长先增加后减小，球磨12h时样品的矫顽力最大，为17．313kA／m；球磨样品在高于Cr的奈尔温度退火后场冷却时的矫顽力大于相应的零场冷却时的矫顽力，主要由体系中的铁磁-反铁磁交换作用所引起，其强弱随球磨时间的不同而不同。     

ZK31+0.3Yb镁合金的热力模拟

通过热压缩变形实验, 利用光学显微镜观察, 对ZK31 0.3Yb镁合金变形过程的流变应力和组织演变进行研究. 研究结果表明: 663 K/0.1 s-1是最佳的变形条件, 在此条件下, 合金的流变应力低, 动态再结晶充分激发, 合金的塑性好;当变形温度降至623 K和573 K时, 动态再结晶不能充分激发, 合金变形的流变应力明显提高, 尤其是573 K变形时流变应力达到185 Mpa;而变形温度提高到723 K时, 晶界处形成楔形裂纹, 合金的塑性差;在663 K时变形, 尽管应变速率降低至0.001 s-1, 合金的动态再结晶充分激发, 流变应力下降, 但变形的进程被减缓;当变速率提高到1.000 s-1时, 晶粒间的协调变形不能发挥作用, 合金的塑性最差.     

工程机械零件的可靠性优化设计

通过对机械产品可靠性的评价,分析了传统设计方法与可靠性设计方法在设计思想、设计原理上的区别.运用可靠性理论与最优化设计技术,提出了机械零部件的可靠性优化设计方法.在满足可靠度约束及结构几何约束的条件下,以体积最小作为优化目标函数进行可靠性优化设计,得到了比常规设计更为合理的设计结果.     

微型热光电系统多孔介质燃烧器的数学模拟

针对微型热光电（TPV）系统多孔介质燃烧器进行了数学模拟，探讨了有关多孔介质的质量守恒方程、动量方程、能量方程、组分方程和状态方程等基本控制方程，由数值计算得到了多孔介质燃烧器壁面的温度分布，并与实验数据进行比较。     

基于PD型迭代学习的液压机械手轨迹控制

液压机械手作业系统的任务规划具有重复性,为了对液压机械手作业动作进行有效控制,建立了适合机械手作业系统的迭代自学习控制规律.只要增益Kp、Kd及学习因子α满足一定的条件,则该学习控制就是稳定的.通过对系统数字仿真,结果表明带学习因子的PD型迭代学习控制,较传统的PD控制有更好的动态响应特性,稳态误差小,具有一定的自适应性和鲁棒性.采用这种PD型前向反馈学习控制规律,只要机械手各关节变量的位置锁定,就可在期望的范围内实现抓取和释放动作.因此,该控制算法适合液压机械手系统的控制要求,能对其作业进行有效控制.图6,表1,参8.