基于Lissajous曲线拟合的EFPI光纤传感器腔长解调

为提高非本征光纤珐珀传感器(Extrinsic Fabry-Perot Interferometric, EFPI)腔长解调的精度，基于EFPI传感器反射光谱近似余弦函数的特性，设计了一种基于李萨如图形(Lissajous-Figure)与标准形式椭圆曲线拟合的解调方法。将两组光强信号经过坐标变换拟合为标准椭圆曲线，以减少求解参数；并通过经验模态分解对数据进行分析，去余项后将得到的极值点代入椭圆曲线求解。将离散数据点分别移动5、10、15、20、25个点测试五组不同相移对解调结果的影响并选取其中误差最小的一组对EFPI传感器进行横向负载实验，分别施加5~25 N的应力，通过拟合椭圆曲线的解调方法将计算腔长差与理论腔长差相对比。结果表明，实际腔长差随负载成正比，平均误差值为5.690%左右，可以准确获取 EFPI 的腔长。     

基于Massive MIMO及频谱叠加的5G SA网络上行优化方法

大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)可以有效提升5G SA网络的上行链路数据传输速率以及可靠性。针对5G SA网络上行链路速率和覆盖不均衡的情况,提出了基于大规模MIMO的分组算法,将发送信号矢量进行分组,组内采用最大似然检测,组外采用基于正交三角分解(QR分解)的干扰消除检测,并且结合5G频谱的叠加策略,在降低算法复杂度的同时,有效提升网络覆盖和速率。通过5G SA现网实测,通过MIMO降低分组数量能够提升分组检测性能,结合上行低频段频谱叠加策略能够有效提升5G SA网络上行覆盖30%,提升5G SA网络上行平均速率40%~80%,特别是弱覆盖边缘的网络速率,最高可达600%。     

火花放电原子发射光谱类型标准化校正方式的探讨

在国内,火花放电原子发射光谱分析广泛使用类型标准化进行方法校正。在国外,标准和文献中鲜见使用此方法的相关论述。类型标准化主要采用平移校正和转动校正两种方式,哪种方式更加合理也鲜见报道。国外设备类型标准化的默认设置优先采用转动校正方式,相关国内标准对最优校正方式的规定尚不明确,此默认设置的合理性有待探讨。实验选用低合金钢20CrNi2Mo、R407标准样品和不锈钢317L、0Cr18Ni9标准样品,引用国内相关标准,以正确度临界差为评判依据,模拟类型标准化样品和待测样品“十分接近”和“接近”两种情况下平移校正和转动校正的数据正确度。经数据统计分析,平移校正分析结果均满足要求,转动校正结果在“接近”情况下部分元素不满足要求。结合相关国家标准中元素含量范围和精密度数据进行分析,通过计算允许最大偏倚量并制作曲线图方式展开分析,得出如下结论:在满足文中类型标准化控制要点前提下,分析设置更适合于采用平移校正方式。     

首次职业辐射防护大会的二十年北大核心CSCD

关于这一主题的第一次会议,即职业辐射防护国际会议:保护工人免受电离辐射的照射,于2002年8月26日至30日在瑞士日内瓦举行。会议由瑞士政府主办,国际原子能机构组织,并与国际劳工组织联合召开。会议由欧洲联盟委员会(欧共体)共同主办,并与世界卫生组织、经济合作与发展组织/核能机构、联合国原子辐射影响科学委员会和其他国际组织合作举行。来自70个会员国和13个国际组织的324名代表参加了会议。第一次会议的建议和结论产生了一项关于职业辐射防护的国际行动计划,该计划一直在加速和指导改善全世界职业辐射防护的国际努力。虽然日内瓦会议就当时的职业辐射防护状况提供了非常广泛的国际投入,但许多工作被强调为在医学、天然存在的放射性物质和整个核工业等领域的剩余优先领域和工作场所的具体挑战,在这些领域需要国际社会的注意。     

利用FDM和随机共振检测风机主轴承微弱旋转信号

轴承作为风力发电机设备中重要部件,其健康状态直接影响风力发电机运行的稳定性和现场的安全可靠性.由于风力发电机特殊的工作环境,导致采集到的振动信号中包含大量的噪声干扰,难以准确提取轴承振动信号包含的信息成分,给评估主轴承健康状态带来困难.因此本文采用将傅立叶分解(Fourier decomposition method,FDM)和随机共振(Stochastic resonance,SR)相结合的方式提取信号中微弱的轴承振动信息.首先用FDM将原始信号自适应地分解为一系列包含轴承振动特征的傅立叶频带函数,然后找出相关性大的频带函数进行重构,最后采用SR对重构信号进行分析获得特征频率,判断轴承的健康状态.结果 显示,将两种方法相结合能有效提高输出信噪比,提升特征频率检测的精度,为实现风机轴承早期微弱故障诊断提供帮助.     

一种基于SVD的改进LTS气动数据异常检测方法

用稳健的最小截平方和(LTS)估计检测气动数据中的异常,但气动数据是海量和高维的,使得LTS要求解的矩阵维数很大,造成巨大的时空开销.为此,引入迭代的奇异值分解(ISVD)求解LTS的最小二乘问题,实现更快的异常检测.实证分析采用某飞行器外形数据,分别运用OLS,FastLTS以及ISVD-FastLTS对数据集进行异常检测和对比分析.实验证明,相比于传统方法,ISVD-FastLTS能更加快速且准确地识别异常值.