海洋工程和船舶焊接变形预测方法研究

目前,影响海洋工程和船舶焊接结构质量的重要影响因素之一就是焊接变形,其产生的根本原因就是在焊接过程中因结构体受热不均、热梯度、残余应力等。基于此,本文对焊接变形预测的理论发展进程及其相关理论内涵进行详细阐述,并对基于神经网络的新型焊接变形预测理论的研究发展简单概述。     

TC4ELI钛合金低周疲劳性能研究

研究了具有网篮组织的TC4ELI钛合金材料在不同应变幅值下的低周疲劳性能,给出了TC4ELI钛合金在低周疲劳下的循环应力-应变曲线,拟合出循环应变硬化指数、循环强度系数以及应变-寿命特征系数,并通过光学显微镜进行金相分析,通过扫描电镜进行断口形貌分析。结果表明,TC4ELI钛合金呈现出循环软化的特性;距离疲劳断口1.5 mm处的组织形态与断口处无明显变化,疲劳裂纹以穿晶方式扩展直至断裂;随着应变幅值增大,韧窝变大变深,韧性断裂特征变得更加显著。     

2020年趋势观察:智慧家庭服务

OVUM是一家在世界电信产业界富有权威性的独立/中立咨询顾问公司;从事信息通信技术(ICT)商业策略研究,研究领域涉及电信、IT、广电及互联网4大领域。OVUM拥有30年协助全球电信业制定策略、规划及国家电信法规的丰富经验。OVUM全球电信研究报告在大量有关情报研究的基础上从商业的角度对运营商的网络投资及运营、业务创新、营销策略、政策法规、客户市场需求、新兴技术和前景预测,帮助运营商在不断变化的政策环境和市场环境中稳固地位的同时,更加有效地谋取潜在的商业价值;并为运营商的规划设计单位提供不断更新的全球电信市场动态和战略视野以帮助产品创新。本刊设置OVUM观察专栏,定期发表OVUM的研究成果,包括翔实的相关信息,供信息通信业有关管理、规划、决策人士参考。     

一种舰用橡胶减振器疲劳寿命预测方法研究

针对橡胶减振器在舰船设备应用中常伴随着不可预见的疲劳失效问题,对舰用BE-300型橡胶减振器疲劳寿命预测方法进行了研究。基于连续介质力学理论,通过开展橡胶材料拉伸疲劳试验,建立了减振器橡胶材料的疲劳寿命预测模型;根据减振器橡胶材料的单轴拉伸和单轴压缩试验数据拟合结果,选择2阶多项式本构模型进行了橡胶减振器的有限元仿真;根据有限元仿真计算结果提取了橡胶减振器的最大主应力分量,结合橡胶材料疲劳寿命模型预测了橡胶减振器的疲劳寿命。研究结果表明:选取不同的疲劳损伤参量所得到的寿命预测结果并不相同,以等效应变为损伤参量对橡胶减振器寿命进行预测得到的结果与实际情况较为符合,该方法可用来预测舰用橡胶减振器的疲劳寿命。     

宽幅往复式割草机护刃器梁疲劳寿命分析

针对华德9GQS-4.6型往复式宽幅割草机护刃器梁长宽比大、刚度差,且作业环境荷载复杂,疲劳损伤严重关键问题,对其载荷特性和疲劳寿命展开研究。首先对护刃器梁进行模态分析获得固有频率和振型;在有限元分析的基础上,确定护刃器梁疲劳损伤危险点,搭建测试系统采集割草机作业的时变数据并编制路面谱;利用功率密度与时频分析相结合的疲劳寿命分析方法计算护刃器梁疲劳寿命,得到危险点寿命为2 671 296 h,接近实际工作寿命。     

基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。