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.     

海量数据同步的处理技巧与实战

数据时代的到来,给银行应用通过文件同步数据带来了挑战,文件的增大导致处理时间过长.针对此问题,介绍了海量数据的常见处理技巧,基于案例测试单记录同步、批量同步、多线程单记录同步、多线程批量同步4种方案,并对不同大小文件的用时进行了统计和分析,为银行提供了技术路线,以帮助实现应用间快速数据同步.     

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。     

非光滑凸问题投影型对偶平均优化方法的个体收敛性

对于一般凸问题,对偶平均方法的收敛性分析需要在对偶空间进行转换,难以得到个体收敛性结果.对此,文中首先给出对偶平均方法的简单收敛性分析,证明对偶平均方法具有与梯度下降法相同的最优个体收敛速率Ο(lnt/t).不同于梯度下降法,讨论2种典型的步长策略,验证对偶平均方法在个体收敛分析中具有步长策略灵活的特性.进一步,将个体收敛结果推广至随机形式,确保对偶平均方法可有效处理大规模机器学习问题.最后,在L1范数约束的hinge损失问题上验证理论分析的正确性.     

具有良好时频性能的电力系统次同步振荡模态在线辨识算法

介绍了一种适用于电力系统次同步振荡在线监测的非平稳信号模态辨识算法,该算法综合了经典IIR窄带滤波器组算法及经验模态分解(empirical mode decomposition,EMD)算法的优点,利用次同步振荡分析获得的预知频率信息,对可能导致模态混叠的相邻模态做数字滤波器(Infinite Impulse Response,IIR)预处理,再经EMD获得无混叠的固有模态分量IMF1.该算法具有理想的窄带选频特性,且能够快速反映次同步振荡及机组扭振发生最初的时域过程,计算量很小,可用于现场在线提取SSO模态特征,有利于更好地实现对次同步振荡的稳定性判别及闭环控制、机组扭振保护等.最后,利用PSCAD产生的仿真数据及某电厂发生次同步振荡的现场数据验证了该算法的有效性.     

速率加载历史对铁磁性材料压磁磁场演变规律的影响

以往的研究已经证明加载速率会对铁磁性材料的力学行为和周围压磁磁场产生影响，为了进一步研究历史加载速率对后续压磁磁场演变规律的作用，对Q345工程结构钢进行了一系列循环拉伸试验，采用磁通仪对试件压磁磁场进行在线监测，研究试件在经历不同的历史加载速率后，其压磁磁场的演变规律。结果表明：加载速率历史是影响压磁磁场演变的重要因素之一。     

空间曲线的特征识别与高质量非均匀采样

为避免传统均匀采样方法因忽视曲线重要特征而生成不理想的采样结果,获得给定数量且由特征点和辅助点组成的采样点序列,提出基于特征识别的高质量空间曲线非均匀采样方法.首先使用抛物线插值法得到曲线上所有曲率极大值点和挠率极大值点的近似位置,经筛选后产生特征点,以更好地抓住空间曲线的轮廓特征.然后定义基于弧长、曲率和挠率加权组合的特征函数,并以此自适应地选取曲线上的辅助点.与3种主流采样方法比较的实验结果表明,该方法能够获得更高质量的采样结果且具有更好的实用性,从而进一步改善空间曲线的B样条拟合效果.     

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。     

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。