XiaoMi-AI文件搜索系统
World File Search System振动
研究智能材料在土木工程结构的振动控制中的应用
摘要。挑战与自然资源的消耗，自然风光，极端天气条件或人口过多一样严重，需要智能解决方案，尤其是在建筑中。本文回顾了目前在民用结构中应用或开发的基于智能材料的技术，重点是智能材料用于致动或传感。给出了智能材料的定义和分类后，研究的材料（即压电材料，记忆材料，磁性流体）用于建筑和土木工程中的应用。尽管某些材料在应用方面已经非常有利，但另一些材料仍然需要对现实世界的建筑应用进行进一步研究。应在不久的将来通过系统的研究工作来合并这项审查。
26 工作中的振动 - GOV.UK
目录 标题页 修订记录 2 术语和定义 2 范围 3 第 1 部分：指令简介 4 立法 5 国防豁免 6 工作振动政策声明 6 第 2 部分：指导 振动暴露测量和阈值 17 角色和职责 19 记录保留 25 相关文件和指导 25 进一步支持和指导 25 进一步阅读的参考资料 26 附件 A - 振动暴露术语和解释 A-1 附件 B - 振动风险评估流程 B-1 附件 C - 振动危险检查问卷 C-1 附件 D - 振动评估员能力 D-1 附件 E - 管理健康监测 E-1 附件 F - 手臂振动计算器 F-1 附件 G - 豁免证书流程 G-1
支持信息量子振动电子效应...
图 S1：使用 SCAN 函数获得的孤立五金刚烷分子的最低和最高占据分子轨道的模式分辨非谐波测量和电子-声子耦合能量 (EPCE)。上图：根据 100 K 下量子恒温分子动力学模拟获得的轨迹计算出的模式分辨非谐波测量。中图：使用冻结声子方法计算出的最低未占据分子轨道 (LUMO) 的模式分辨 EPCE。下图：使用冻结声子方法计算出的最高占据分子轨道 (HOMO)、HOMO-1 和 HOMO-2 能级的模式分辨 EPCE。
基于脑电图感知的视觉和振动触觉引导的运动意象分类
摘要：运动想象 (MI) 是一种无需实际使用肌肉即可想象运动任务执行的技术。当用于由脑电图 (EEG) 传感器支持的脑机接口 (BCI) 时，它可以用作人机交互的成功方法。本文使用 EEG MI 数据集评估了六种不同分类器的性能，即线性判别分析 (LDA)、支持向量机 (SVM)、随机森林 (RF) 和来自卷积神经网络 (CNN) 系列的三种分类器。该研究调查了这些分类器在静态视觉提示、动态视觉引导以及动态视觉和振动触觉 (体感) 引导的组合指导下对 MI 的有效性。还研究了数据预处理过程中滤波通带的影响。结果表明，在检测不同方向的 MI 时，基于 ResNet 的 CNN 在振动触觉和视觉引导数据上的表现都明显优于竞争分类器。事实证明，使用低频信号特征对数据进行预处理是实现更高分类准确度的更好解决方案。研究还表明，振动触觉引导对分类准确度有显著影响，而相关改进对于结构更简单的分类器尤其明显。这些发现对于基于 EEG 的 BCI 的开发具有重要意义，因为它们提供了有关不同分类器在不同使用环境中的适用性的宝贵见解。
可解释人工智能（XAI）驱动的振动传感方案，用于智能表面磨削过程中的表面质量监测
局部可解释和模型无关解释 (LIME) 是一种可解释的人工智能 (XAI) 方法，用于识别智能磨削过程中预测平均表面粗糙度 (Ra) 的全局重要时频带。智能磨削装置包括一台 Supertech CNC 精密表面磨床，配备一个 Dytran 压电加速度计，沿切线方向 (Y 轴) 安装在尾座主轴上。每次磨削时，都会捕获振动特征，并使用 Mahr Marsurf M300C 便携式表面粗糙度轮廓仪记录地面真实表面粗糙度值。在整个实验中，粗糙度值范围为 0.06 至 0.14 微米。提取磨削过程中收集的每个振动信号的时间频域频谱图帧。建模卷积神经网络 (CNN) 以基于这些频谱图帧及其图像增强来预测表面粗糙度。最佳 CNN 模型能够预测粗糙度值，总体 R2 分数为 0.95，训练 R2 分数为 0.99，测试 R2 分数为 0.81，仅使用 80 组振动信号（对应 4 次实验，每次 20 次试验）。虽然数据量不足以保证在现实场景中达到这样的性能指标，但可以提取这些复杂的深度学习模型捕获的关系背后的统计一致的解释。在开发的表面粗糙度 CNN 模型上实施了 LIME 方法，以识别影响预测的重要时频带（即频谱图的超像素）。基于在频谱图帧上确定的重要区域，确定了影响表面粗糙度预测的相应频率特性。基于 LIME 结果的重要频率范围约为 11.7 至 19.1 kHz。通过基于重要频率范围并考虑奈奎斯特标准将采样率从 160 kHz 降低到 30、20、10 和 5 kHz，证明了 XAI 的强大功能。通过仅提取低于其相应奈奎斯特截止值的时间频率内容，为这些范围开发了单独的 CNN 模型。通过比较模型性能提出了一种适当的数据采集策略，以论证选择足够的采样率来成功且稳健地捕捉磨削过程。© 2023 制造工程师协会 (SME)。由 Elsevier Ltd. 出版。保留所有权利。这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）由 NAMRI/SME 科学委员会负责同行评审。关键词：卷积神经网络；可解释机器学习；XML；可解释人工智能；XAI；局部可解释和模型无关解释；LIME；表面粗糙度；表面磨削；光谱图
磁双稳态可提高振动冲击摩擦电能收集器的带宽
摘要：振动产生的机械能广泛存在于周围环境中。可以使用摩擦发电机有效地收集这些能量。然而，由于带宽有限，收集器的效率受到限制。为此，本文对变频能量收集器进行了全面的理论和实验研究，该收集器集成了基于振动冲击摩擦电的收集器和磁非线性，以增加工作带宽并提高传统摩擦电收集器的效率。带有尖端磁铁的悬臂梁与另一个极性相同的固定磁铁对齐，以产生非线性磁排斥力。通过利用尖端磁铁的下表面作为收集器的顶部电极，将摩擦电收集器集成到系统中，而将附有聚二甲基硅氧烷绝缘体的底部电极放置在下方。进行了数值模拟以检查磁体形成的势阱的影响。讨论了结构在不同激励水平、分离距离和表面电荷密度下的静态和动态行为。为了开发具有宽带宽的变频系统，通过改变两个磁体之间的距离来改变系统的固有频率，以减小或放大磁力，从而实现单稳态或双稳态振荡。当系统受到振动激励时，梁会振动，从而导致摩擦电层之间产生撞击。收集器电极之间的周期性接触-分离运动会产生交变电信号。我们的理论发现得到了实验验证。本研究的结果有可能为开发有效的能量收集器铺平道路，该收集器能够在广泛的激励频率范围内从环境振动中获取能量。与传统能量收集器相比，在阈值距离处发现频率带宽增加了 120%。非线性冲击驱动的摩擦电能量收集器可以有效拓宽工作频率带宽并增强收集的能量。
最新模型的锂离子电池与汽油电锯之间的比较，评估了交叉切割中的噪声和振动暴露
1佛罗伦萨大学农业，食品，环境和林业系（Dagri），经圣邦纳文图拉13号，意大利佛罗伦萨50145； francesco.neri@unifin）; niccolo.frassinelli@unifin）; fabio.fabiano@unifin）; enrico.marchi@unifin。 cristiano.foderi@unifin）; elena.marra@unifin。意大利; lucia.bertuzzi@uslcentro.toscana.it 4 Carabinieri武器-Carabinieri Biodivesit - -BioviveriTIt -di Vallombrosa，Vallombrosa，Vallombrosa，50066，佛罗伦萨，意大利佛罗伦萨 * Corpsontadence * corpsontadence：andrea.laschi@unipa.it
航空航天的温度和振动应力测试...
TÜV SÜD America 的 EMC/航空航天部门提供与航空航天和国防技术制造商直接相关的全面的国内和国际合规服务，包括针对各种环境压力（包括温度、湿度和振动）的测试。我们在美国最先进的测试实验室已获得美国实验室认可协会 (A2LA) 的认可，可根据 RTCA/DO-160 和 MIL-STD-810 以及 MIL-STD-461 的要求评估和测试技术，解决与电磁兼容性 (EMC) 相关的问题。
影响BEV汽车电池组的振动负载测试水平
摘要：电池电动汽车（BEV）的车辆市场份额越来越大。为了确保在板座牵引力电池下大部分大部分大部分的安全操作，必须在现实条件下预先开发和测试。当前标准通常不能为环境和终生测试提供足够的现实要求，因为这些要求主要基于具有内燃机（ICE）的汽车测量的数据。在这项工作之前，对两辆电池供电的电动汽车和一辆电池供电的商用迷你卡车进行了振动测量，对各种路面和其他影响。测量数据经过统计评估，因此可以对在电池组壳体测得的振动以及影响参数的散布的各种参数的影响。通过基于现有的测量数据创建负载功能，可以质疑当前标准，并在开发振动过程中获得的新见解，用于对BEV进行现实测试的现实测试。
蛋白质-配体氢键强度模式的量子力学评估：来自半经验紧结合和局部振动模式理论的见解
摘要：氢键 (HB) 是生物系统中最丰富的基序。它们在确定蛋白质-配体结合亲和力和选择性方面起着关键作用。我们设计了两个对药物有益的 HB 数据库，数据库 A 包括约 12,000 个蛋白质-配体复合物，约 22,000 个 HB 及其几何形状，数据库 B 包括约 400 个蛋白质-配体复合物，约 2200 个 HB，它们的几何形状和键强度通过我们的局部振动模式分析确定。我们确定了七种主要的 HB 模式，可用作从头 QSAR 模型来预测特定蛋白质-配体复合物的结合亲和力。据报道，甘氨酸是供体和受体谱中最丰富的氨基酸残基，而 N–H · · · O 是数据库 A 中最常见的 HB 类型。HB 倾向于处于线性范围内，且线性 HB 被确定为最强的。HB 角在 100–110° 范围内的 HB 通常形成分子内五元环结构，表现出良好的疏水性和膜通透性。利用数据库 B，我们发现了 2200 多种蛋白质-配体 HB 的广义 Badger 关系。此外，每种氨基酸残基和配体功能团之间的强度和出现图为新颖的药物设计方法和确定药物选择性和亲和力提供了极具吸引力的可能性，它们也可作为命中到先导化合物过程的重要工具。