大型钢结构厂房项目快速建造技术研究与应用

文章介绍的滁州创新示范基地一期工程EPC项目为大型钢结构厂房快速建造项目,设计+施工总工期为300日历天.该项目总建筑面积15×104 m2,包含9600 t钢结构,工期极其紧张.故采用永临结合、ALC板装配式墙体、承插型岩棉夹芯板外墙、全过程穿插施工工艺等快速建造技术.实践表明,运用快速建造技术可大幅提高施工效率,降低施工成本,对项目的 快速建造具有明显的推动作用.     

往复活塞式压缩机活塞杆温度高故障分析及改造

针对2台2D40型空气压缩机在实际试机过程中,活塞杆温度过高,导致连锁报警,压缩机不能正常工作的问题进行了详细的故障原因分析;对压缩机技术性能参数进行介绍;对压缩机的损伤情况进行说明并找到改造方案,解决机组运行中活塞杆温度过高的问题,从而提高机组的运行效率,使机组运行安全、稳定。     

基于RPA-LFD法的多黏菌素耐药基因mcr-1可视化快速检测方法建立与应用

目的：建立一种快速、高效、可视化的细菌多黏菌素耐药基因mcr-1检测方法，为其基层检测的展开提供依据和便利。方法：利用重组酶聚合酶扩增结合胶体金侧向流试纸条技术(Recombinase polymerase amplification combined with a lateral flow dipstick,RPA-LFD)，辅以手持式胶体金读数仪；根据mcr-1基因保守序列设计合成一对特异性RPA引物，通过对反应条件和体系的优化，以及特异性试验、灵敏度试验、模拟食样试验和实际样品试验，成功建立了可视化定量检测细菌多黏菌素耐药基因mcr-1的RPA-LFD方法。结果：在引物浓度400 nmol/L，引物比例1:1时，该方法最佳反应条件为Mg²⁺浓度14.0 mmol/L，反应温度37℃，反应时间20 min；灵敏度好，标准曲线方程为y=0.117x+0.051，定量限为10¹～10⁸ copies/μL，检出限为10¹ copies/μL，比PCR法低一个数量级且模拟样品检出结果与PCR法一致。利...     

一种低载噪比突发扩频信号的快速捕获方法实现

针对突发扩频信号用户资源扩大、终端功率降低、系统容量提升等需求,提出了一种低载噪比突发扩频信号的快速捕获硬件实现方法。采用分段匹配滤波器加多普勒并行相干积累的方法,基于硬件实现从算法到工程进行全流程优化设计,最终实现最优的捕获性能。应用结果表明,该硬件设计实现方案的快速捕获性能优越,设计方案正确、可行,已成功应用于工程建设中。     

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。     

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。