转向系参数对汽车拖车组合系统稳定性的影响

车身摆振是汽车拖车组合系统中一种复杂的动力学失稳现象，它常常表现为车身折叠、侧滑、侧倾等行为，给道路交通安全带来了巨大的隐患。针对此问题，应用拉格朗日方程建立了考虑牵引车转向系统的汽车拖车组合系统6自由度非线性综合模型，并通过非线性分析方法研究了转向系惯性参数和各个结构刚度、阻尼对汽车拖车组合系统稳定性的影响。结果表明，转向系结构参数对系统稳定性存在不同影响，合理选择转向系结构参数可以有效提高汽车拖车组合系统的动态稳定性。     

夫妻携手战疫情

"爸爸,我想你了,我也想妈妈。你们一定要保护好自己,早点回来……"中石油东方物探装备服务处长庆作业部测量项目长吕宝荣打开手机,听到手机里8岁女儿带着哭腔的语音时,眼泪夺眶而出。新冠肺炎疫情暴发后,吕宝荣又一次冲在了前面。作业场所消毒、配发口罩、上报防疫人员动态信息、宣讲各种防疫知识,他每天像个"陀螺"一样高速运转。     

基于局部特征的青年女性腿部形态分类

为提高女性裤装的合体性与舒适性,采用三维测量法、图像测量法及手工测量法相结合的方式,对236名18~25岁的青年女性腿部形态进行测量,获取20个相关特征变量;通过主成分因子分析得到影响腿部形态的主要特征因子,通过聚类分析得到青年女性腿部形态的分类结果;最后结合膝曲角的正负归纳出各类腿部形态的辨别规则并进行辨别验证。研究得出:影响腿部形态的主要特征因子有水平围度因子、长度因子、小腿围度差因子、腿部曲度因子、腿部轮廓因子和大腿围度差因子;人体腿部形态可分成圆体型、稍扁体型和扁体型3类;以大腿宽厚比、大腿根围膝围比、大小腿长比及膝曲角4个变量建立腿部形态分类规则。     

风电机组变桨轴承的动态柔性特性研究

针对传统变桨轴承方法中的刚性假设不能反应变桨轴承动态运行特点的问题,引入了在线测试与仿真分析技术,对变桨轴承动态柔性特性进行了研究。分析了变桨轴承运行的受载特点,提出了一种基于应变载荷测试与位移传感器的在线测试方法,以测试风电机组不同功率下变桨轴承内外圈轴向位移、径向位移和载荷;建立了考虑周边结构与变桨轴承柔性的变桨系统有限元模型,并以在线测试所得载荷作为有限元分析输入载荷,进行了仿真分析;最终对不同功率下的变桨轴承轴向位移、径向位移测试数据与仿真数据进行了对比分析。研究结果表明:变桨轴承载荷、变桨轴承内外圈轴向位移、径向位移随风轮转动呈现周期性交替变化规律,不同位置变化规律特点不同,体现了变桨轴承的动态柔性特性;该特性可应用于变桨轴承可靠性的研究。     

考虑结构动态变形的缸套-活塞环润滑建模分析

缸套在燃烧冲击和活塞敲击激励下会产生接近表面粗糙度的动态变形,极有可能影响缸套-活塞环组件间的摩擦润滑过程。为了研究缸套动态变形潜在的影响,将动力学仿真获取的缸套内表面的动态变形经过处理后导入到润滑模型中,同时采用数值积分计算的方式对油液压力应力因子和剪切应力因子进行实时计算求解,使仿真计算更加符合实际情况。通过搭建同时考虑缸套变形与油液剪切特性影响的改进润滑模型,计算得到整个工作循环内活塞环上的最小油膜厚度和摩擦力曲线。结果表明:考虑缸套动态变形后的最小油膜厚度和摩擦力曲线出现了明显的波动,而且考虑缸套动态变形后的摩擦力比未考虑之前出现了明显下降。     

基于梯度分布调节策略的Xgboost算法优化

为了解决集成学习模型Xgboost在二分类问题中少数类检出率低的问题，提出了基于梯度分布调节策略的改进的Xgboost算法——LCGHA-Xgboost。首先，通过定义损失贡献（LC）来模拟Xgboost算法中样本个体的损失量；而后，通过定义损失贡献密度（LCD）来衡量Xgboost算法中样本被正确分类的难易程度；最后，提出了梯度分布调节算法LCGHA，依据LCD动态调整样本个体的一阶梯度分布，间接地增大难分样本（主要存在于少数类中）的损失量，减小易分样本（主要存在于多数类中）的损失量，使Xgboost算法偏向对难分样本的学习。实验结果表明,与Xgboost、GBDT、随机森林（Random_Forest）这三大集成学习算法相比，LCGHA-Xgboost算法在多个UCI数据集上的召回率（Recall）值有5.4%~16.7%的提高，AUC值有0.94%~7.41%的提高；在垃圾网页数据集WebSpam-UK2007和DC2010数据集上所提算法的Recall值更是有44.4%~383.3%的提高，AUC值有5.8%~35.6%的提高。LCGHA-Xgboost算法可以有效提高对少数类的分类检出能力，减小少数类的分类错误率。     

ELMs和SVMs在多分类问题上的泛化性能比较

多分类问题是机器学习、数据挖掘领域的重要研究内容。在文本分类、语音识别、图像识别、基因检测等方面有广泛的应用。通过在UCI数据集对极限学习机算法ELMs(ELM,KELM)和支持向量机算法SVMs(SVM,LSSVM)在多分类问题上的表现进行详细比较,得出以下结论:ELMs相较于SVM在多分类问题上有更高的分类准确率,而且随着分类数目的增加,ELMs的泛化能力相较于SVM提高越多,但是ELMs对于LSSVM并没有得到上述结论;ELMs相较于SVMs对数据的类别数目不敏感,分类准确率随类别数目增加下降不明显;ELMs相较于SVMs在多分类问题上所需计算代价更小,且拥有更快的学习和训练速度,适用于多分类问题。