基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

金针菇多糖对微冻大黄鱼及其鱼片品质变化的影响

为研究金针菇多糖（polysaccharide from Flammulina velutipes，FVP）对微冻大黄鱼及鱼片在贮藏期间肌原纤维蛋白性质的变化及水分分布的影响，实验分别选用0.03、0.06、0.09 g/L FVP浸渍处理大黄鱼和鱼片，以无菌水处理为对照组，分析微冻贮藏期间样品的感官指标得分、总挥发性盐基氮含量、总巯基含量、Ca2＋-ATPase活性、蛋白流变学性质以及水分迁移变化规律。结果表明：FVP可有效抑制整鱼总挥发性盐基氮含量上升和感官得分的下降；减缓整鱼及鱼片在微冻过程中总巯基含量、Ca2＋-ATPase活性下降和水分流失；此外FVP还能够延缓大黄鱼因腐败而出现的蛋白凝胶能力减弱。在本实验选取的多糖浓度范围内，0.09 g/L FVP处理组保鲜效果较强。该研究结果可为FVP用于水产品贮运保鲜提供理论参考。     

基于可迁移技能培养的职业生涯管理课程教学改革探索

培养可迁移技能是促进学生适应职场需求的重要教学途径。职业生涯规划课程与学生迁移技能有紧密的联系。高校应当注重从课程内容、创新教学方法与开展实践活动方面探索职业生涯规划课程的教学方法,为高校职业生涯规划课程教学改革提供借鉴,满足学生全面成长需要。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

异种铁素体耐热钢接头界面组织及其影响

综述了铁素体与铁素体异种金属焊缝（dissimilar metal welds，DMWs）接头界面组织及其影响。结果表明，在焊后热处理或运行温度下的铁素体钢DMWs接头的不均匀界面组织中，通常会形成脱碳层和增碳层。在铁素体钢DMWs焊接接头界面组织影响因素中，焊缝金属的化学成分有重要影响；焊后热处理规范（温度和时间）、工作温度下运行时间的影响较为突出；焊接工艺参数的影响亦不可忽略。异种钢接头界面处近缝区裂纹的产生，以及接头的蠕变强度随Larson Miller 参数增大而下降等不利影响，均为异种钢界面碳迁移行为所导致。焊缝成分控制法是接头界面组织控制或改善的必要条件，而脱碳层部位转移法能有效防止裂纹发生，亦是接头安全运行的重要工艺措施之一。     

轻量级电驱水下机械臂设计与运动学分析

设计了一款四功能水下机械臂，并对驱动关节进行了模块化设计和密封测试。为了保证水下机械臂的可靠性，在水下机械臂水下测试前，进行了强度校核和模态分析。为了验证水下机械臂的性能，通过 Ｄ- Ｈ法建立了其运动学模型，在此基础上分别进行了正、逆运动学分析。此外还采用蒙特卡洛法，在正运动学分析的基础上研究了工作空间特点。研究结果将为进一步的运动控制提供有益的帮助。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。