描述了自级联式感应电动机的数学模型及其控制系统的结构,研制成功该类电机矢量控制系统样机.根据实验结果,分析了其动态和静态品质,得出此种类型电机控制系统完全可以达到与直流电动机控制系统相同性能的结论,提出了自级联式感应电动机进一步的应用前景

利用管式氢处理炉采取固态气相渗氢法进行置氢实验,以研究多孔TC4钛合金置氢过程中吸氢量随置氢温度、置氢时间和相对密度的变化规律,并建立了相应的数学模型.结果表明:当多孔钛合金的相对密度较低时,吸氢量随置氢温度的升高而增加;当相对密度较高时,吸氢量与置氢温度的关系遵循Sievert's定律,与致密钛合金的吸氢特性一致;多孔钛合金随置氢时间的延长,吸氢量增加;随着多孔钛合金相对密度的增加,吸氢量降低

在对新型蓄能器充液阀结构与性能分析的基础上,建立了制动系统充液特性动态分析数学模型,分析了充液过程中充液阀的动态特性及功率消耗,得到了系统参数及充液阀结构参数对充液特性的影响规律.实验验证了仿真模型的正确性

6.1 图像退化原因与复原技术分类化的数学模型 6.2 逆滤波复原 6.3 约束复原 6.4 非线性复原方法 6.5 盲图像复原 6.6 几何失真校正 6.7 实验：图像复原

应用数学物理模拟方法,对板坯连铸结晶器内的钢液流动现象进行了全面详细的研究,同时,研究了不同工艺参数对结晶器内流场的影响.在此基础上,开发了应用微机计算三维两相流动的模拟软件,计算结果与激光测速结果对比分析,证明该软件是可靠的,能用于预测结晶器流场和设计水口的工艺参数.数学模型中对壁面函数方法、压力降阶法等的处理提出了新见解.在此基础上研制了一种新型改进型水口,并作了初步工业实验,效果良好

以西石门铁矿堑沟底部结构诱导冒落法开采边角残留矿体为背景,对堑沟回采矿石量、金属量、品位等指标进行计算,建立了以采出金属量和采出品位为目标的多目标最优化数学模型.结合残矿开采实际情况,选择采出金属量作为最优化问题的主要目标.利用TCL脚本语言对SURPAC软件进行二次开发,并应用其对最优化问题约束条件下堑沟底部结构空间位置的可行方案进行全因子实验.最后得出采切工程布置的最优方案为:堑沟底部结构位于103.1 m水平,与矿体间距为18.65 m.较原设计方案,最优方案采出金属量提高27.79%

采用大涡模拟研究连铸钢水非定常湍流特性，比较了雷诺平均数学模型与大涡模拟数学模型对预测结晶器内钢水湍流运动的影响.模型采用一种低温液态金属模型的超声波多普勒速度仪（UDV）的测量结果进行验证，表明大涡模拟比雷诺平均模拟与实验测量结果更加吻合.瞬态湍流研究表明，大涡模拟优于雷诺平均数学模型，能够捕捉到水口附近高频率的湍流脉动现象.水口出流钢水区域内小尺度湍流结构起支配作用，射流以阶梯状上下摆动向结晶器内扩散.受湍流大尺度作用，结晶器内流场偏流现象始终存在，并且呈周期性变化，随着对流场时间平均的增加，结晶器内的不对称现象逐渐消除

通过热模拟实验、光学金相及透射电镜分析观察，研究了奥氏体化条件、变形温度、变形速率、变形量以及道次间隔时间对曲轴用非调质钢C38N2轧制道次间的静态再结晶体积分数和残余应变率的影响规律.实验结果表明：随着变形温度的升高、变形速率的增大、变形量的增大或道次间间隔时间的增长，静态再结晶的体积分数逐渐升高，道次的残余应变率逐渐降低；原始奥氏体晶粒尺寸增大，静态再结晶体积分数降低，但变化不大；在1250℃以下，随着奥氏体化温度的升高，静态再结晶体积分数降低不明显，但在1250℃以上，奥氏体化温度的升高明显降低了静态再结晶体积分数.通过线性拟合以及最小二乘法，得到静态再结晶体积分数与不同变形工艺参数之间关系的数学模型；对已有残余应变率数学模型进行修正，得到含有应变速率项的残余应变率数学模型，拟合度较好

为了研究铁基载氧体的反应特性,基于未反应缩核模型建立了移动床内铁基载氧体颗粒还原过程的一维数学模型.模型中考虑了铁基载氧体与H2、CO的多级还原反应,气体组分体积分数模拟值与实验值的平均误差为6.9%,总还原度的平均误差为11.2%.研究表明：铁基载氧体在移动床反应器内最终还原度约为23%,主要进行的反应是第一级和第二级还原反应,第一级和第二级还原度分别为95%和40%;提高反应器内温度、选择合适的载氧体粒径及气固比有助于增加反应的深度,提高合成气及铁基载氧体的利用率,载氧体粒径建议取1~2 mm

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径