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。     

基于ERNIE-BiGRU模型的摘要语步自动识别研究

学术文献的摘要是对文献主要内容的浓缩,摘要不同部分的语步具有不同的信息,语步的自动识别和抽取对于学术摘要的后续研究有着重要的应用价值,而目前语步识别的研究相对较少,并且相关算法的效果还需要提高。针对上述问题,该文提出了一种基于ERNIE-BiGRU模型的语步识别算法。该算法首先结合中文句法分析理论提出基于句法依存关系的多语步结构拆分法,对学术文献摘要多语步结构进行自动拆分,获得多个单语步结构;然后构建用于训练的单语步结构语料库,并利用知识增强语义表示预训练模型,训练出句子级词向量;最后将训练出的单语步结构词向量信息输入双向门限循环单元(BiGRU)进行摘要语步自动化识别,取得了良好的效果。实验结果表明,该算法具有较好的鲁棒性和较高的识别精度,在结构化和非结构化摘要上的识别准确率分别达到了96.57%和93.75%。     

两种Skyhook阻尼实现方式在柔性隔振平台中的对比研究

利用Skyhook 阻尼进行柔性隔振平台的主动隔振控制时，可以简单地通过调节控制增益实现对低频段隔振器模态共振响应的抑制，且不影响高频段的隔振性能。在实际使用中，Skyhook 控制有两种常见的实现方式，即积分加速度反馈和积分力反馈。为分析两种实现方式用于柔性隔振平台时所产生的减振效果的差异，基于柔性Stewart 型隔振平台，结合多个ADAMS和MATLAB联合仿真案例开展详细且直观的对比研究。结果表明，对于传统的柔性隔振平台，积分力反馈法会由于实际柔性铰链的残余刚度而不能完全抑制隔振器刚体模态的共振；并且对于有效载荷的低阶模态，同样以抑制低频刚体模态为目的而设计的积分加速度反馈主动控制比积分力反馈法有更好的阻尼效果。最后，给出了对于两种控制方式选取和相应平台设计的意见。     

建筑结构控制爆破拆除的力学分析与应用

应用运动学、动力学理论建立建(构)筑物控爆坍落过程的力学模型,进而研究在非定常约束条件下坍落结构的力学特征。首次提出了采用延时起爆技术时,非自由质点系及其广义坐标应是建立在每一段位上的瞬间虚位移。在此基础上,分析求解运动过程中时控单元的质点自由度,为精确选定爆破部位及时序提供了设计理论和计算依据。同时,结合振动理论,将控爆时差、结构载荷分布调制为振动系统,形成坍落结构梁板单元的强迫振动,充分实现在运动中进一步解体、破碎其自身结构,并形成具有明显缓冲效果的下落过程。应用实践结果证明力学分析是正确的,为工程结构爆破拆除计算机辅助设计及动态模拟技术的有效应用奠定了基础。     

大豆蛋白纳米纤维对铁纳米颗粒的稳态化作用

为明确大豆蛋白纳米纤维的结构形成和扩宽铁强化剂的食品工业应用，以大豆分离蛋白（soy protein isolate，SPI）为原料，通过5 h的酸热处理制备纳米纤维（soy protein isolate fibrils，Fib SPI），系统研究纤维形成前后蛋白结构的变化，并进一步制备铁纳米颗粒（iron nanoparticles，Fe NPs），探究Fib SPI对铁的稳态化作用。研究结果表明：在酸热处理过程中，SPI产生大量的β-折叠结构，其与硫磺素T结合，显示出增强的荧光强度；此外，7S组分先发生降解，利于纤维成核形成，随后11S逐渐被水解，促进纤维生长；同时水解产生大量的小肽组分，提高了产物的还原力。研究进一步利用Fib SPI递送铁纳米颗粒（Fe NPs），发现与原始SPI相比，铁纳米颗粒可在Fib SPI原位形成胶体稳定的铁-大豆蛋白纳米纤维复合物（Fe FibSPI），并以Fe（II）形式存在，其对乳液体系色泽及稳定性的影响较硫酸亚铁或氯化铁小。该研究可为构建新型植物基铁强化剂递送体系提供理论和方法指导。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。