考虑尺寸链约束的枪械典型机构动作可靠性优化

为了研究机构的动作可靠性,并对机构相关参数进行更加有效的优化设计,提出了一种以尺寸链为约束的机构动作可靠性优化方法。以某型号冲锋枪的发射机构为研究对象,在动力学仿真软件ADAMS中建立机构的参数化模型,并进行动作可靠性分析,采用蒙特卡洛随机抽样法得到运动仿真样本值,计算出机构的动作可靠度。按照正交实验的方法,仿真计算出多组参数对应的可靠度。以可靠度为优化目标,综合考虑机构不同状态下的尺寸链约束要求,优化设计出满足要求的更加有效的参数值。     

基于道岔转辙机动作功率曲线关联分析道岔故障

为准确掌握道岔转换设备的工作状况,及时预测其故障趋势,真正实现"状态修",提出一种基于道岔转辙机动作功率曲线关联分析道岔故障的方法.以高速铁路用S700K交流道岔转辙机典型动作功率曲线为例,从道岔转辙机典型动作功率曲线类型、道岔故障关联分析2方面,阐述基于道岔转辙机动作功率曲线关联分析道岔故障的总体思路,道岔转辙机动作功率曲线的提取、数据压缩及相关性分析.结果表明:该方法能够指导关联分析道岔故障,提高实际的道岔检修质量,减少维修成本,为实现"状态修"提供数据支撑.该方法不仅是工程可行的,而且具有良好的应用推广价值.     

等效线性化方法在RC框架结构设计中的应用

为研究罕遇地震作用下等效线性化方法在RC框架结构设计中的应用,基于现有的结构非线性响应的等效线性化方法,通过与RC框架结构非线性时程分析结果对比,分析不同的等效线性化方法计算罕遇地震作用下结构地震响应的有效性,并确定等效线性化参数的取值;按基于等效线性化的设计方法及现行规范方法分别设计了分析算例,通过非线性动力时程分析,对比了框架结构实现预期强震破坏模式的效果。结果表明：同时考虑刚度折减和附加阻尼的割线刚度等效线性法可更好模拟结构强震非线性反应;基于等效线性化的设计方法可更好地实现结构在罕遇地震作用下的预期破坏模式。     

基于深度学习的人—物交互关系检测综述

人—物交互关系检测旨在通过精细化定位图像或视频中产生特定动作行为的人,以及与其产生交互关系的物体,并识别人和物体之间的动作关系来理解和分析人体的行为。人—物交互关系检测是一个非常具有实际应用意义和前瞻性的研究方向,是高层视觉理解的关键基石。随着深度学习的发展,基于深度学习的研究方法引领了近期人—物交互关系检测研究的进步。本文一方面分析空域人—物交互关系检测任务,从数据内容场景、标注粒度两个方面总结和分析当下数据库和基准。然后从两阶段分段式方法和单阶段端到端式方法两个流派出发系统性地阐述当前检测方法的发展现状,分析两个流派方法的特性和优劣,厘清该领域方法的发展路线。其中,两阶段方法包括多流模型和图模型两种主要范式,而单阶段模型包括基于框的范式、基于关系点的范式和基于查询的范式。另一方面,对时空域人—物交互关系检测任务进行总结,分析现有时空域交互关系数据集构造与特性和现有基线算法的优劣。最后对未来的研究方向进行展望。     

采用蒸馏训练的时空图卷积动作识别融合模型

目的 基于深度学习的动作识别方法识别准确率显著提升,但仍然存在很多挑战和困难。现行方法在一些训练数据大、分类类别多的数据集以及实际应用中鲁棒性较差,而且许多方法使用的模型参数量较大、计算复杂,提高模型准确度和鲁棒性的同时对模型进行轻量化仍然是一个重要的研究方向。为此,提出了一种基于知识蒸馏的轻量化时空图卷积动作识别融合模型。方法 改进最新的时空卷积网络,利用分组卷积等设计参数量较少的时空卷积子模型;为了训练该模型,选取两个现有的基于全卷积的模型作为教师模型在数据集上训练,在得到训练好的教师模型后,再利用知识蒸馏的方法结合数据增强技术训练参数量较少的时空卷积子模型;利用线性融合的方法将知识蒸馏训练得到的子模型融合得到最终的融合模型。结果 在广泛使用的NTU RGB + D数据集上与前沿的多种方法进行了比较,在CS(cross-subject)和CV(cross-view)两种评估标准下,本文模型的准确率分别为90.9%和96.5%,与教师模型2s-AGCN(two-stream adaptive graph convolutional networks for skeleton-based action)相比,分别提高了2.4%和1.4%;与教师模型DGNN(directed graph neural network)相比,分别提高了1.0%和0.4%;与MS-AAGCN(multi-stream attention-enhanced adaptive graph convolutional neural network)模型相比,分别提高了0.9%和0.3%。结论 本文提出的融合模型,综合了知识蒸馏、数据增强技术和模型融合的优点,使动作识别更加准确和鲁棒。     

高性能整数倍稀疏网络行为识别研究

目的 行为识别在人体交互、行为分析和监控等实际场景中具有广泛的应用。大部分基于骨架的行为识别方法利用空间和时间两个维度的信息才能获得好的效果。GCN (graph convolutional network)能够将空间和时间信息有效地结合起来,然而基于GCN的方法具有较高的计算复杂度,结合注意力模块和多流融合策略使整个训练过程具有更低的效率。目前大多数研究都专注于算法的性能,如何在保证精度的基础上减少算法的计算量是行为识别需要解决的关键性问题。对此,本文在轻量级Shift-GCN (shift graph convolutional network)的基础上,提出了整数倍稀疏网络IntSparse-GCN (integer sparse graph convolutional network)。方法 首先提出奇数列向上移动,偶数列向下移动,并将移出部分用0替代新的稀疏移位操作,并在此基础上,提出将网络每层的输入输出设置成关节点的整数倍,即整数倍稀疏网络IntSparse-GCN。然后对Shift-GCN中的mask掩膜函数进行研究分析,通过自动化遍历方式得到精度最高的优化参数。结果 消融实验表明,每次算法改进都能提高算法整体性能。在NTU RGB+D数据集的子集X-sub和X-view上,4流IntSparse-GCN+M-Sparse的Top-1精度分别为90.72%和96.57%。在Northwestern-UCLA数据集上,4流IntSparse-GCN+M-Sparse的Top-1精度达到96.77%,较原模型提高2.17%。相比代表性的其他算法,在不同数据集及4个流上的准确率均有提升,尤其在Northwestern-UCLA数据集上提升非常明显。结论 本文针对shift稀疏特征提出整数倍IntSparse-GCN网络,对Shift-GCN中的mask掩膜函数进行研究分析,并设计自动化遍历方式得到精度最高的优化参数,不但提高了精度,也为进一步的剪枝及量化提供了依据。     

柔性直流输电联接变三重化保护方案研究

针对柔性直流输电联接变三重化保护方案及提高整组动作时间的要求,研究了联接变保护设计、三取二装置设计。为了提高三取二装置的可靠性,装置采用双CPU"与"出口方式,杜绝单一器件或者单一回路的损坏引起的误动。与常规保护相比,三重化保护系统中增加了"三取二"装置,引起了保护整组动作时间变慢。为了提高保护的整组动作时间,采用了联接变差动保护综合优化技术、三取二装置GOOSE组播过滤、网络风暴功能与GOOSE的接收、逻辑运算并行处理技术、启动继电器与出口继电器异步启动技术。基于上述设计,研制的联接变保护装置性能满足GB/T-14285标准和柔性直流输电的要求。     

消除模糊区的同杆双回线自适应重合闸

常规单相重合闸方式无法识别线路瞬时故障与永久故障,当重合于永久故障时,将对系统或相关设备增加一次冲击,并有可能导致直流换相失败。文中提出了一种仅需本回线信息的同杆双回线自适应重合闸判据,工程实用性强。该判据采用故障相故障点恢复电压,通过线路电容参数和多种故障类型下电容耦合电压的大小关系实时计算动作门槛,消除由线路电容参数和故障类型造成的故障性质判别模糊区;引入辅助判据,合理设置重合闸时间,消除由异名相跨线不接地故障造成的模糊区。仿真实验表明文中提出的自适应重合闸判据适用于同杆双回线可能出现的多种故障类型。     

阻尼板对水下航行体的力学影响作用

为更加准确地分析阻尼板对航行体产生的力学影响,分析无界流场状态下无壁面与有壁面时的平板力学.首先建立阻尼板对航行体整体的作用力和力矩关系表达式;其次通过仿真分析阻尼板周边的流场变化,得出阻尼板受到的流体作用力矩随张开时间并不呈简单的线性关系;最后利用FLUENT软件对带阻尼板与不带阻尼板的水下航行体进行数值模拟.结果表明:阻尼板的存在会使水下航行体的轴向附加质量增加并且尾部流速降低,可为阻尼板对水下航行体的力学影响作用分析提供一种思路和方法.     

Maintenance planning using continuous-state partially observable Markov decision processes and non-linear action models

The signs of deterioration in worldwide infrastructure and the associated socio-economic and environmental losses call for sustainable resource management and policy-making. To this end, this work presents an enhanced variant of partially observable Markov decision processes (POMDPs) for the life cycle assessment and maintenance planning of infrastructure. POMDPs comprise a method, commonly employed in the field of robotics, for decision-making on the basis of uncertain observations. In the work presented herein, a continuous-state POMDP formulation is presented which is adapted to the problem of decision-making for optimal management of civil structures. The aforementioned problem may comprise non-linear and non-deterministic action and observation models. The continuous-state POMDP is herein coupled with a normalised unscented transform (NUT) in order to deliver a framework able to tackle non-linearities that likely characterise action models. The capabilities of this enhanced framework and its applicability to the maintenance planning problem are presented via two applications. In a first illustrative example, the use of the NUT is demonstrated within the framework of the value iteration algorithm. Next, the proposed continuous-state framework is compared against a discrete-state formulation for implementation on a life cycle assessment problem.