回转窑动态检测及托轮磨削的应用

我公司3#回转窑Φ4.8 m×74 m，三档支撑，带液压挡轮，斜度4％，设计产量5?000~6?000 t/d。回转窑运行过程中，筒体存在晃动现象，在窑尾密封处观察较为明显，晃动幅度约±20 mm，甚至导致三档托轮基础及周围栏杆也随之晃动。     

基于稠密变形场能量优化的非刚性在线体积重建方法

针对动态非刚性在线重建存在的重建漂移问题,提出了一种基于单个RGB-D传感器的稠密变形场在线融合策略,实现了对非刚性几何形状的动态重建.通过局部平滑和输入约束处理,将空间的最优变形转换为非线性正则变分优化问题,并使用数据并行闪存优化策略,以摄像机捕获速率,实现对非刚性场景的在线跟踪重建.通过实验表明,本文方法实现了对非刚性场景的鲁棒跟踪,减少了在线重建过程中的漂移现象,适用于快速运动和缺乏几何特征的场景重建.     

动态限星算法对RTK定位的耗时改进

差分卫导实时动态定位(RTK)依靠 Kalman 滤波功能的实现，当滤波器阶数过高时，会带来计算量的激增，这就会影响定位的耗时。当运算平台能力有限却需要较低的计算时间耗时，动态限星算法能够有效地将 RTK 的计算耗时降低至合适的耗时需求。运动平台实测结果表明，动态限星算法优化后的 RTK 定位耗时较优化前减少了 50%。     

工艺参数对动态流量控制法挤压弯管应力的影响

采用有限元模拟和实验研究了挤压钛合金弯曲管件。通过实验验证了工件的形状和尺寸精度,并通过有限元模拟分析了工艺参数对挤出过程中变形体的平均压应力分布情况和挤出弯管件的曲率半径的影响规律。结果表明:有限元模拟中,弯管件的曲率半径误差为6.03%,弯管直径误差为3.82%;在靠近定径带处,平均压应力呈非均匀分布;在焊合腔内,靠近细分流孔区域的平均压应力小于靠近粗分流孔区域的平均压应力,平均压应力的大小顺序在通过粗、细分流孔前后相反;在模具结构固定不变时,弯管件的曲率半径随挤压速度的减小而增大,不随挤压温度的变化而变化。     

基于情境感知工具辅助碎片化学习行为的研究

碎片化学习难以集中记录,存在无法迅速定位到自己需要的学习内容等用户体验问题.传统方法不能采集真实情境下的用户数据,无法满足研究人员的研究需求.基于此,开发一种基于用户行为的捕捉工具——CAUX(Context-Aware User Experience,CAUX),设计了具有情境感知能力的数据采集模块,自动捕捉指定App内的用户行为数据.CAUX对用户干扰性低,可以辅助研究人员捕捉典型的碎片化学习行为.对利用CAUX采集到的数据进行处理,并结合人工方法进行分析,可以发现不同情境下的用户行为和用户体验问题.     

梯度铝蜂窝夹芯板的力学行为

梯度分层铝合金蜂窝板是一种有效的吸能结构,本工作在梯度铝蜂窝结构的基础上根据梯度率的概念,通过改变蜂窝芯层的胞壁长度,设计了4种质量相同、梯度率不同的铝蜂窝夹芯结构。通过准静态压缩实验,并结合非线性有限元模拟准静态及冲击态下梯度铝蜂窝夹芯结构的变形情况及其力学性能,分析对比了相同质量下梯度铝蜂窝夹芯结构在准静态下的变形模式以及冲击载荷下分层均质蜂窝结构和不同梯度率的分层梯度蜂窝结构的动态响应和能量吸收特性。结果表明:在准静态压缩过程中,铝蜂窝梯度夹芯板的变形具有明显的局部化特征,蜂窝芯的变形为低密度优先变形直至密实,层级之间的密实化应变差随芯层密度的增大而逐渐减小;在高速冲击下,梯度蜂窝板并非严格按照准静态过程中逐级变形直至密实,而是在锤头冲击惯性及芯层密度的相互作用下整体发生的线弹性变形、弹性屈曲、塑性坍塌及密实化;另外,在本工作所设计的梯度率中,当梯度率为γ₁=0.0276时,梯度蜂窝夹芯板的吸能性达到最好,相较于同等质量下的均质蜂窝夹芯板,能量吸收提高了10.63%。     

采煤机滚筒速度对采煤机动态响应的影响分析

针对采煤机滚筒进行煤岩的截割过程中,容易引起振动作用,不利于采煤机稳定工作的问题,基于滚筒的进给速度及旋转速度,建立滚筒与煤岩的动力学模型,分析不同的进给速度及旋转速度对采煤机动态响应的影响,为选择合理的参数提供依据.     

基于NR-Transformer的集群作业运行时间预测

高性能集群的作业调度通常使用作业调度系统来实现，准确填写作业运行时间能在很大程度上提升作业调度效率。现有的研究通常使用机器学习的预测方式，在预测精度和实用性上还存在一定的提升空间。为了进一步提高集群作业运行时间预测的准确率，考虑先对集群作业日志进行聚类，将作业类别信息添加到作业特征中，再使用基于注意力机制的NR-Transformer网络对作业日志数据建模和预测。在数据处理上，根据与预测目标的相关性、特征的完整性和数据的有效性，从历史日志数据集中筛选出7维特征，并按作业运行时间的长度将其划分为多个作业集，再对各作业集分别进行训练和预测。实验结果表明，相比于传统机器学习和BP神经网络，时序神经网络结构有更好的预测性能，其中NR-Transformer在各作业集上都有较好的性能。