使能未来工厂的5G能力综述

5G系统将移动通信服务从移动电话、移动宽带和大规模机器通信扩展到新的应用领域，即所谓对通信服务有特殊要求的垂直领域。对使能未来工厂的5G能力进行了全面的分析总结，包括弹性网络架构、灵活频谱、超可靠低时延通信、时间敏感网络、安全和定位，而弹性网络架构又包括对网络切片、非公共网络、5G局域网和边缘计算的支持。希望从广度到深度，对相关的理论及技术应用做透彻、全面的梳理，对其挑战做清晰的总结，从而为相关研究和工程技术人员提供借鉴。     

2种侧围加强内框总成检具结构对比分析

概述了侧围加强内框总成与周边零件的匹配关系,从检具操作的人机工程出发,描述了侧围加强内框总成检具的2种定位方式和结构设计,对比了2种定位方式对于检测结果的影响,总结了其优点和弊端,结果表明侧围加强内框总成检具采用车内方向朝下的定位方式效果更好。     

导管架平台上部组块双船拆除

为研究复杂海域环境中海洋平台双船拆除方法的安全性与可操作性,采用水动力数值计算与水池模型试验相结合的方法进行研究。将双船水动力耦合计算与水池模型试验进行对比,在相对理想海况下,结合与实际工况接近的规则波作用,进行驳船水动力性能变化与运动响应的幅值分析。在受力分析方面,对甲板耦合装置进行改良设计,对比试验数据与数值计算数据,得到受力在合理范围内的结论。研究内容为实际施工的合理性提出一定的指导性意见。     

分布式光纤在相似模型实验中的铺装与定位研究

为了解决分布式光纤在相似模型实验中的铺装方法以及光纤位置与被测模型的对应关系问题，提高测量结果的准确性，通过描述一个完整的分布式光纤测量相似模型变形的实验实例，给出了一种相似材料模型实验中分布式光纤的铺装方法，详细表述了铺装前光纤标记方法和整个铺装过程。给出了温度标记定位实验的详细步骤，并对定位实验结果及误差进行了详细分析，确定了光纤在模型中的实际位置，且定位误差不超过5 cm，定位精度较高。为采用分布式光纤测量模型实验内部变形的研究者提供了一种可借鉴的分布式光纤铺装、定位及分析方法。     

电力系统自动化发展方向分析

计算机技术、控制技术及信息技术的发展,电力系统自动化面临着空前的变革,多媒体技术、智能控制技术将迅速进入电力系统自动化领域。     

基于机器视觉的运煤车车号识别技术研究

在铁路运煤装车过程中为了快速、准确地识别车号,提出一种基于机器视觉的运煤车车号识别技术。将连通区域提取与投影分割法结合,实现车号的粗定位、细分割,并对图像中的断裂字符进行二次分割,构建了基于BP神经网络的分类模型进行车号识别,提升了煤炭装车的效率和精度。     

基于DSP的智能电源控制单元设计与实现

本文利用TI公司TMS320F28335芯片高效的浮点运算能力,结合片上丰富的外设,设计并实现了一种具有高可靠性的智能电源控制单元。该控制单元周期性地对各片上外设进行自检维护,完成多路负载通道控制、电压、电流的实时监控,并对故障进行指示、处理和上报,同时提供人机交互界面更新状态信息。经过验证,该控制单元工作稳定,具备良好的工程应用价值。     

三维增材鞋面印花机对位平台的冗余驱动控制策略

针对自动鞋面印花机在进行对版时定位精度低,影响鞋面印刷质量的问题,提出了基于冗余驱动的印花机对位平台。在原有的三轴并联机构对位平台的基础上通过增加1个Y轴,有效地提高了对位平台Y向的刚度和承载能力,从而提高了印花机对位平台的定位精度。由于冗余驱动机构运动过程中存在机构运动耦合,利用几何法进行解耦,提出了基于电子凸轮的控制策略。同时提出了对机构换向间隙补偿的控制策略,进一步提高对位平台的定位精度,保证了鞋面的印刷质量。经过实验验证,改进后的印花机对位平台Y向定位精度提高了85.7%,Z向旋转定位精度提高了72.9%,X向和Y向换向间隙分别提高了50% 和75%,Z向旋转换向间隙提高了42.86%。     

基于SVM的充填体强度与采场稳定性需求智能匹配研究

为解决矿山充填体强度的设计问题,提高矿山充填体的强度动态调整能力,本文通过调查国内百座矿山现场充填体强度实际数据,采用SVM方法建立充填体强度智能预测模型,对70组训练样本数据进行训练,采用BP神经网络模型与SVM模型的预测结果进行比较。结果表明：SVM预测模型的最大误差为3.52%,平均误差为2.41%。BP预测模型的最大误差为10.98%,平均误差为7.01%。SVM模型比BP模型预测精度更高,误差更小。采用SVM模型对三山岛金矿充填体强度进行预测,一步骤回采矿房充填体强度1.02MPa,推荐灰砂比1:12,二步骤回采矿房充填体强度0.86MPa,推荐灰砂比1:16。现场采场充填效果良好,未发生充填体失稳现象。基于SVM的充填体强度智能匹配模型能够在满足采场稳定性的前提下,减少充填成本,提高矿山的经济效益。     

A novel adaptive convolutional neural network for fault diagnosis of hydraulic piston pump with acoustic images

As an essential part of hydraulic transmission systems, hydraulic piston pumps have a significant role in many state-of-the-art industries. Thus, it is important to implement accurate and effective fault diagnosis of hydraulic piston pumps. Owing to the heavy reliance of shallow machine learning models on the expertise and experience of engineers, fault diagnosis based on deep models has attracted significant attention from academia and industry. To construct a deep model with good performance, it is necessary and challenging to tune the hyperparameters (HPs). Since many existing methods focus on manual tuning and use common search algorithms, it is meaningful to explore more intelligent algorithms that can automatically optimize the HPs. In this paper, Bayesian optimization (BO) is employed for adaptive HP learning, and an improved convolutional neural network (CNN) is established for fault feature extraction and classification in a hydraulic piston pump. First, acoustic signals are transformed into time–frequency distributions by a continuous wavelet transform. Second, a preliminary CNN model is built by setting initial HPs. The range of each HP to be optimized is identified. Third, BO is employed to select the optimal combination of HPs. An improved model called CNN-BO is constructed. Finally, the diagnostic efficiency of CNN-BO is analyzed using a confusion matrix and t-distributed stochastic neighbor embedding. The classification performance of different models is compared. It is found that CNN-BO has a higher accuracy and better robustness in fault diagnosis for a hydraulic piston pump. This research will provide a basis for ensuring the reliability and safety of the hydraulic pump.