天津:持续推进“五大体系”建设计量工作取得新进展

一、深化计量法律法规贯彻执行,加强计量技术规范建设1.加强制度建设。一是结合计量领域"双随机、一公开"监管要求,完善随机抽查工作细则,建立健全检查"两库",全面实施计量领域7个"双随机"监管项目。二是为推进服务业诚信计量体系建设,提高服务业诚信计量管理水平,有序推进我市服务业诚信计量分类监管工作.     

基于有限元分析的轮胎振动特性优化

轮胎的振动特性对汽车驾驶室内产生的噪声有显著影响,对轮胎振动特性进行优化有重要意义.以某型轮胎为研究对象,基于有限元方法建立轮胎的动力学模型,求解三种振动条件下的模态固有频率,并通过调整轮胎的结构参数优化轮胎的振动频率,进而有效抑制共振,达到降低汽车驾驶室内噪声的目的.     

纯电环卫车箱体轻量化的有限元分析方法研究

以16t纯电环卫车箱体为研究对象,通过有限元分析方法的研究,在实现轻量化设计的同时解决了箱体开裂的问题,经实车验证强度满足,同时实现降重40kg,为纯电环卫车的轻量化设计提供了一条可行的途径.     

基于全局优化与深度学习的条形码识别方法

提出了一种在深度神经网络的基础上结合全局优化方法的条形码识别算法,利用卷积循环网络提取出条码中各字元的特征并进行分类,较传统方法具有更强的适应性与泛化能力,再进一步结合全局优化的方法,以达到充分利用条码结构性先验信息的目的,能显著提升方法的效果,尤其是将全局优化方法引入到神经网络中进行端到端学习,不仅保持了两者的优势同时还进一步提高了识别精度.实验结果证明了所提方法的有效性,达到约99.48％的识别精度,超越了传统的图像处理方法.     

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难.首先利用一个特征映射算法库对振动信号提取特征,并基于Kolnogorov-Smirnov (KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm,BOGA)结合支持向量机分类器(Support Vector Classifier,SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化.通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH_PCAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能.     

指挥调度系统在急诊科室的应用及其仿真分析

提出了一种基于指挥调度系统的医疗资源调度模型.调度模型综合考虑了内部和外部影响因素,构建了资源需求的优先顺序,并采用Petri网对对系统进行模块化建模,得出了一些符合要求的调度方案,根据采用指挥调度系统选择最优调度方案.仿真结果表明,提出的方法实现资源的动态管理,满足医院随时进行资源调度应急指挥的需求.     

基于PMU的电力系统监控体系结构优化设计

文中提出了一种利用有限数量的相量测量单元(PMU)和相量数据集中器(PDC)设计最优监控结构的方法。通过在大量的设定值场景下,使电力系统可观测性曲线的期望值最大化,同时使通信基础设施成本最小化,最终确定PMU和PDC的最佳位置。提出了一种非线性动态扩展卡尔曼滤波(EFK)状态观测器。这种状态观测器可以将暂态行为转换为由代数微分方程描述的广域电力系统,而无需非线性反演技术。最后以IEEE-5电力系统为例,说明了该方法的有效性。     

坛紫菜蛋白质提取工艺优化及其特性分析

为了开展坛紫菜高值化加工利用，以坛紫菜为原料、蛋白质提取率为评价指标，通过考察提取溶剂、超声时间和功率、料液比、pH等单因素实验、正交试验设计优化超声波提取工艺，对其等电点、乳化性、起泡性等基础特性进行分析，并进行抗氧化活性测定。结果表明，在超声全程时间50 min、超声功率1350 W条件下，坛紫菜蛋白质提取率为60.98%±1.01%。同时通过对所提取的坛紫菜蛋白质特性分析结果显示，坛紫菜蛋白质的等电点为4.5，在等电点附近，坛紫菜蛋白质有较好的泡沫稳定性，可达80.84%±2.95%；抗氧化测定结果显示，坛紫菜蛋白质在5~50 mg/mL范围内具有较强的抗氧化活性，浓度为50 mg/mL时，总抗氧化能力为2.89±0.09 U/mL，ABTS+自由基清除能力相当于0.83±0.08 mmol/L Trolox，DPPH清除率在10 mg/mL时达到68.04%±0.73%。该研究可以为坛紫菜资源的开发利用提供一定的理论依据和技术支持。     

基于NR-Transformer的集群作业运行时间预测

高性能集群的作业调度通常使用作业调度系统来实现，准确填写作业运行时间能在很大程度上提升作业调度效率。现有的研究通常使用机器学习的预测方式，在预测精度和实用性上还存在一定的提升空间。为了进一步提高集群作业运行时间预测的准确率，考虑先对集群作业日志进行聚类，将作业类别信息添加到作业特征中，再使用基于注意力机制的NR-Transformer网络对作业日志数据建模和预测。在数据处理上，根据与预测目标的相关性、特征的完整性和数据的有效性，从历史日志数据集中筛选出7维特征，并按作业运行时间的长度将其划分为多个作业集，再对各作业集分别进行训练和预测。实验结果表明，相比于传统机器学习和BP神经网络，时序神经网络结构有更好的预测性能，其中NR-Transformer在各作业集上都有较好的性能。