煤矿锚杆机除尘马达改进

针对煤矿进口锚杆机除尘马达频繁出现故障的情况,通过排查除尘装置的安装方式和监测马达工作时的压力状态,查找故障原因,并制定解决方案。通过马达外接单向阀,可满足马达进油口最低安全压力限制的要求,解决了马达频繁损坏的问题,保障了设备工作的稳定性,提高了工作效率。     

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难.首先利用一个特征映射算法库对振动信号提取特征,并基于Kolnogorov-Smirnov (KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm,BOGA)结合支持向量机分类器(Support Vector Classifier,SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化.通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH_PCAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能.     

《黄酒功能因子与营养保健》出版发行

2022年1月22日,据浙江省绍兴市黄酒行业协会消息,由绍兴文理学院医学院重大专项课题组编写的《黄酒功能因子与营养保健》一书近日正式出版发行,并被列入浙江省医学会公共卫生学分会科普丛书。由医学博士后郭航远、医学博士池菊芳领衔的科研团队自2006年开始,一直致力于绍兴黄酒功能因子与动脉硬化的相关性研究。     

开式与闭式液压系统在TRD工法机上的设计应用

在TRD工法机在使用过程中,驱动装置需要长时间连续高功率高负荷运转,一套可靠的液压系统,在整个设计及使用的环节上显得尤为重要。     

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。     

机织物触感性能仪器测定与主观评价的比较研究

选取12种不同类型和规格的机织物面料,分别采用织物触感测试仪进行柔软度、光滑度和冷暖感指数测试,同时开展人员评分,换算得到主观评价指数。通过数据对比,分别分析了两种评价方式所得结果的差异程度,结果表明,仪器测试的客观评价结果与主观评价结果没有存在显著性差异,为后续进行织物触感特性评价方法标准化研究提供实践基础。     

安徽马钢炼铁总厂在抢修作业时发生事故 致4人死亡

2022年2月6日上午10时20分左右,安徽省马鞍山市马钢炼铁总厂带式焙烧机脱硫脱硝作业区一料仓本体漏灰,1名设备管理人员带领5名作业人进行抢修作业时,灰斗本体突然开裂,大量脱硫灰冒出,4名作业人员从四楼平台被冲击到二楼平台,4人送医院抢救,其中3人抢救无效死亡,1人目前生命体征平稳;另1人手部轻微灼伤;另1人被掩埋,17点被搜救出,已无生命体征。事故原因还在进一步调查分析中。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。