增材制造设计(DfAM)下的金刚石晶格结构研究

基于机械零件的增材制造设计,用仿自然式方法设计了一种金刚石晶格结构,对晶胞相对密度和等效弹性模量建立了数学模型,并拟合得到二者关系式,一系列的仿真验证结果显示理论研究所得关系式具有一定的正确性;对金刚石晶格填充结构提出变密度假设,并用仿真和压缩试验的方法进行了验证,结果显示,填充单元密度以受力点为中心渐渐减小的变密度结构拥有更好的抗压性能,同时验证了本文得出的等效弹性模量数学模型具有一定的正确性和适用性.本研究结果可应用于承压机械零件的实体夹层填充,对机械零件进行应力匹配变密度设计,以达到机械结构轻量化的目标.     

探究建盏的审美与文化——以曜变建盏为例

早在我国晚唐五代时期,就开始产生了建盏文化,发展到宋代时期逐渐和茶文化进行了融合,并形成了一些衍生文化。在历史发展过程中,国家的文化也在不断发展,建盏文化从诞生到盛行又走向衰弱,在现代又重新走向复兴,在这个过程中产生了许多建盏珍贵文物,也逐渐成为了陶瓷中的上品。在建盏文化中,最为典型的一种就是曜变建盏,其中更是蕴含了独特的审美和文化。     

基于图像分割技术的图像数字水印算法研究

针对数字图像水印技术,通过对闭运算得到的图像再进行开运算,使实验得到的图像区域较为完整,采用4×4的正方形结构元素,使得图像区域有更多的白色像素被置为黑色,对图像进行取反操作,能够对图像区域的非连通区域进行填充.希望能够利用精确的图像分割算法,实现对复杂版面的文档图像的有效切割,在一定程度上对图像数字水印的推广起到促进作用.     

基于GR4J-LSTM混合模型的洪水预报研究

为提高洪水过程预报的准确性，将概念性水文模型GR4J (modèle du Génie Ruralà4 paramètres Journalier)的预报流量耦合到长短时记忆神经网络(Long Short-Term Memory Neural Network, LSTM)中，构建了GR4J-LSTM混合模型，并与GR4J、LSTM模型进行对比。基于2012～2019年陆水水库汛期与洪水事件相关的数据集，并结合欧洲中期天气预报中心的3 h预报降水产品，驱动GR4J-LSTM混合模型，预报陆水水库3～12 h预见期的入库流量。最后采用平均影响值(Mean Impact Value, MIV)算法评估输入变量的相对重要性。结果表明：GR4J、LSTM和GR4J-LSTM模型均具有较好的模拟预报能力，但GR4J-LSTM混合模型的预报性能最优，既可以学习GR4J模型的产汇流过程，又提高了洪水预报的精度。研究成果可为洪水预报方案制定提供参考。     

基于离线参数调整的古籍图像二值化算法

古籍退化对古籍图像二值化带来较大挑战,为此,提出一种基于离线参数调整的古籍图像二值化算法。算法分为两步,估计古籍图像背景局部均值,结合基于拉普拉斯能量的二值化算法对古籍进行二值化;根据迭代弗里德曼竞赛算法设计一种离线参数调整方法优化算法中的参数配置。所提算法在H-DIBCO 2016和H-DIBCO 2018数据集上的综合实验结果均优于其它二值化算法,验证了所提算法的有效性。     

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SVD和SSA-VMD降噪的轴承故障特征提取

针对强噪声背景下轴承故障特征提取困难的问题，提出一种基于奇异值分解和参数优化变分模态分解联合降噪的轴承故障特征提取方法(SSVMD)：首先，对原始信号进行奇异值分解(Singular Value Decomposition，SVD)处理，运用奇异值差分谱法选取有效奇异值并将原始信号重构得到初步降噪信号；其次，为防止故障信息丢失，将残余信号进行麻雀算法(Sparrow Search Algorithm，SSA)优化的变分模态分解(Variational Mode Decomposition，VMD）算法处理，得到最佳的模态个数K和惩罚参数α，选取峭度值最大、包络熵最小的IMF分量与初步降噪信号叠加得到最终降噪信号，并对信号进行包络分析；最后，通过仿真和试验数据分析得出，该方法能在信噪比很低的情况下降低噪声含量并提取轴承故障特征，为设备的状态监测和故障诊断提供理论依据。     

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。