浅析工程用消防水泵运行中三个流量点的重要性

主要阐述国内外消防标准对消防泵的性能要求,消防泵性能要求中零流量点、额定流量点、1.5倍额定流量点的重要性及在消防系统中的应用。     

一类非齐次退化抛物方程的零可控性

介绍了解的适定性、Carleman估计、可观测性不等式和最优控制概念,通过推导证明存在一个控制函数,使原方程的解在t=T时为零,说明此方程具有零可控性.     

基于有限元的低成本塔桅设计及承载能力分析

为研究铁塔公司发布的最新《低成本铁塔标准图集V1.0》的共享改造能力,文章选取了单斜撑三管塔0.65 kN/m2基本风压下的系列塔图,从各塔段的主管应力比和塔顶位移角两个角度,考虑新增天线设备、馈线、爬梯荷载,以及天线设备之间的相互遮挡,利用有限元软件SAP2000对每种塔型进行了常规设计分析和改造增载后的研究分析.由分析结果可知,每种塔型均有可共享改造能力,且随着塔身高度的增加,共享改造的能力逐渐降低.     

采用温控和碘吸收池技术的发射激光稳频技术

多普勒测风激光雷达通过分析系统回波信号的多普勒频移反演出风速，为提高风场探测精度，从稳频技术方面展开研究。在稳频过程中，分别采取措施消除激光频率的长期漂移和短期抖动。针对激光频率的长期漂移，设计并研制了种子激光器温控箱，通过水浴的控温方式大大减小了激光频率的长期漂移，将激光频率稳定在±50 MHz以内；针对激光频率的短期抖动，采用以碘分子吸收池为核心器件的稳频系统，通过半导体控温方式对碘分子吸收池精确控温，控温精度达0.03 ℃，提高了稳频精度，将激光频率进一步稳定在±8 MHz以内，满足±10 MHz以内的设计精度要求。通过搭建多普勒测风激光雷达系统，对发射激光稳频装置进行系统验证，连续4组风场观测结果表明:系统探测高度为17 km，绝大部分方差在4 m/s以下，满足测风激光雷达测量指标的要求。     

自重湿陷性黄土地基预钻孔浸水处理的可靠度设计方法

为解决传统预浸水法存在的浸水时间长、浸水处理范围难以确定等不足,基于土体中水分运移规律,依据可靠度理论、极限状态设计方法及复合 Poisson 过程原理,提出一种消除黄土湿陷性的处理浸水方法——预钻孔浸水法。给出了利用预钻孔浸水法对自重湿陷性黄土地基进行浸水时,水平向及竖直向浸水影响范围的确定模型;在此基础上结合达西定律给出了浸水孔设计参数如孔深、孔间距及浸水孔个数的确定方法。结合铜川某工程,设计进行了现场预钻孔浸水试验,对该方法的合理性进行了验证,并通过现场钻探、现场勘探、室内湿陷性试验等方法对该方法的处理效果进行了评价。该浸水方法具有浸水时间短、浸水影响范围可根据浸水孔布设进行控制等优点,且浸水处理效果良好,完全符合施工要求。     

无蜂窝大规模MIMO中导频欺骗攻击检测方法

在无蜂窝大规模多输入多输出网络中，一方面，接入点（access points， APs）分布式部署导致信道硬化及利好传播现象不再显著，导频欺骗攻击（pilot spoofing attack， PSA）的恶意窃听者可以通过调整导频发送功率，得以模拟信道特性，传统依赖大尺度衰落先验信息的PSA检测技术不再适用；另一方面，基于信息论准则的PSA检测技术，需要比AP数量级高的导频样本进行观测，而信道估计阶段所耗费的时长无疑影响系统的频谱效率。针对这种情况，提出了一种基于信号子空间的欺骗检测（signal subspace based spoofing detection， SSBSD）方法。首先，在合法用户的训练序列上叠加一个随机序列，利用灵活检验准则对信源数量进行估计。其次，利用统计学中的线性收缩原理，对导频样本协方差矩阵进行优化，使观测样本的噪声特征值分布更好拟合信道噪声功率。最后，通过信号的正交补空间对观测矩阵进行投影处理，从而实现PSA检测。经仿真实验与理论分析，SSBSD方法无须大尺度衰落先验信息，也无须与AP数量级相同的导频长度，对PSA的导频发送功率十分敏感，在大尺度衰落未知、大尺度衰落时间相关或频谱资源受限的通信环境中，可以精确检测低电平功率的PSA。      

基于双时间点检测的毫米波雷达人流量监测方法

针对现有基于视频监控的人流量统计方案成本高、算法复杂且不利于个人隐私保护的局限性，利用毫米波雷达体积小、成本低、分辨率高的特点，提出了一种基于双时间点检测的人流量监测方法。该方法先获取人体目标散射点位置和多普勒频移信息来构成点云数据，然后根据多普勒频移正负来判断人体的运动方向，并筛选具有高多普勒频移值的点云数据以降低干扰点对聚类结果的影响；在双时间点对特定区域内人员数量进行统计，并根据双时间点之间所获取的点云数据聚类结果对所统计人员数据进行修正。实验结果表明，该方法能够用匿名的方式以较高的正确率统计人员进出。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。