基于声发射原理的矿井掘进机故障诊断技术研究

针对在我国各大矿区广泛应用的EBZ160悬臂式掘进机,基于声发射原理及技术,设计一套掘进机故障诊断声发射检测系统,获得各种故障的声发射数据样本,同时借助小波神经网络的迭代收敛性质,对故障数据样本的精确度进行验证,正确率较高,能够较好地应用于井下掘进机的故障诊断.     

地面驱动螺杆泵井故障诊断方法

为提高地面驱动螺杆泵井的故障诊断效率,提出了一种将小波包与概率神经网络相结合的故障诊断方法.运用小波包技术提取有功功率信号的能量特征,与动液面、瞬时流量、井口回压共同作为特征参数,输入到概率神经网络进行故障诊断.为证明所提诊断方法的优越性,与BP神经网络、径向基神经网络进行对比,结果表明所提方法诊断效率更高、速度更快,更加满足故障诊断实时性的要求;故障诊断实例结果也进一步证明了该方法在地面驱动螺杆泵井故障诊断的可行性.     

分体式散索鞍加工技术研究

开州湖特大桥散索鞍为摆轴式散索鞍,采用分体式结构形式,对其机加工进行分析研究,解决机加工中存在的技术难点,通过制定合理的加工工艺保证了产品的加工质量,为分体式散索鞍的加工制造提供参考。     

基于K-means和SOM的水下传感器数据采集方法

随着海洋资源勘探和海洋污染物监控工作的开展，水文数据的监测和采集等已经成为重要的研究方向。其中，水下无线传感器网络在水文数据采集过程中起着举足轻重的作用。本文研究的是水下无线传感器二维监测网络模型中，传感器节点数据采集的问题，其设计方法是通过自组织映射（Self-organizing mapping，SOM）对传感器节点进行路径最优化处理，结合优化的路径图形和K-means算法找到路径内部聚合点，利用聚合点和传感器的节点得到传感器通信半径内的数据采集点，最后通过SOM得到水下机器人（Autonomous underwater vehicle，AUV）到各个数据采集点采集数据的最优路径。经过实验验证，在水下1 200 m×1 750 m范围内布置52个传感器节点的情景下，数据采集点相比于传感器节点路径规划采用相同的采集顺序得到的路径优化了6.7%；对数据采集点重新进行自组织路径规划得到的路径比传感器结点路径的最优解提高了12.2%。增加传感器节点的数量，其结果也大致相同，因此采用该方法可以提高水下机器人采集数据的效率。     

从技术到应用的提速 2021双千兆网络下的数字生活

“从无到有,从有到优”——2019年~2020年,我们见证了Wi-Fi 6一步步完成对主流消费市场的覆盖,Mesh、OFDMA等新一代网络应用技术潜移默化地优化人们网络体验。而在即将到来的2021年,以5G、千兆光宽带、千兆无线网络、IPv6等为代表的新一代信息通信技术有望加速落地,“三千兆新基建”战略、“双千兆宽带城市”等计划的提出与实施,有望为用户开启一个全新的网络应用时代。     

工作面快速掘进工艺及设备优化研究

为保证掘进效率与采煤效率相匹配、保证煤炭的产出率,在分析当前掘进工艺和掘进设备现状的基础上,分别对自动化、可靠性、生产效率较低的掘进设备进行优化,并对掘进设备相配套的掘进工艺(打眼、支护、运输等)进行优化,从根本上提升掘进工作面的效率和安全性.     

基于固定频率变化分析的火电机组大型立式循环水泵基础检测方法研究

目前国内大型火力发电机组循环水泵主流配置为两台立式混流泵,泵组功率和质量都较大。1000 MW超超临界火电机组的循环水泵普遍采用两台直径2600 mm的立式混流泵,配套的电机功率一般在6000 kW。泵组连同电机的总重量一般都超过120 t。在我国,前期投产的1000 MW火电机组普遍采用进口泵。泵的基础预埋件一般采用无垫铁施工工艺。国内安装单位由于是初次接触这种新的施工工艺,施工经验较少造成了泵组基础施工质量未达到建设标准要求,这就给后期设备运行埋下了一定安全隐患。同时,循环水泵较低的转速和较大的质量又造成基础恶化后不容易被检测出。常规方法只能待泵组解体后将基础台板取出进行检查,工作量和工期都很大,费用十分高昂。本文创造性的引入固定频率变化与基础松动的关系,为大型立式循环水泵基础松动检测提供一种新的思路和方法,大大降低检测的费用和时间。     

一种基于深度学习的智能威胁评估算法

在现代信息化战争中依据战场态势变化进行合理威胁评估，对实现指挥系统自动化具有重要意义。为了克服传统规则算法评估能力的局限，设计了一种基于深度学习的新型智能威胁评估算法。首先设定了防空威胁评估指标选取原则，在此基础上从多个不同角度出发建立了反映空中目标威胁的指标体系，然后构建深度神经网络模型予以解决。新算法的优点在于威胁评估快速可信、易于实现，且对于不断变化的空情威胁可进行持续更新优化。最后，通过典型作战场景的仿真数据验证了模型的有效性和可行性。     

基于深度信念网络的滚动轴承特征迁移诊断

滚动轴承的故障智能诊断研究多是针对同源数据进行，而不同型号、不同工况下的滚动轴承，由于时、频特征差异，加之背景噪声的影响，导致识别准确率偏低。为了解决这一问题，笔者以6307和6205两类深沟球轴承为研究对象，建立了以深度信念网络（deep belief network，简称DBN）为核心的迁移诊断模型，构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数。为了抑制信号传递路径（共振频带差异）和背景噪声的影响，引入最大相关峭度反卷积（maximum correlated kurtosis deconvolution，简称MCKD）方法，并对其关键参数实施了自适应选取。结果表明，由MCKD与DBN联合组成的迁移诊断模型，在3类不同数据源之间的诊断准确率均超过了95%，为滚动轴承的迁移特征诊断提供了一条可行的途径。