气相色谱仪日常使用及故障分析与处理

气相色谱分析仪用于分析检测化工原料气和成品气,该仪器在化工领域广泛应用,所以分析人员在学习掌握气相色谱仪的使用及分析操作技术的同时,了解常见故障和具备分析处理能力则尤为重要。     

一种基于模式的故障诊断方法

提出一种改进的基于模式的故障诊断方法。将故障定义为可以用正则表达式描述的模式,避免了传统的用 “特殊”事件表示故障的局限性。将正则表达式转化成等价的确定性有限自动机,便于构造故障模式空间。故障模式 空间包含系统所有的故障信息,可以描述单故障、故障序列、多故障、间歇性故障等多种故障形式。最后给出基于故障 模式空间的可诊断性定义和诊断系统。     

CFRP加固钢筋混凝土柱抗剪承载力灰色关联分析

基于本课题组多年的研究实践，并通过参考国内外的相关研究成果，对碳纤维布加固钢筋混凝土柱抗剪承载力的试验研究成果进行了总结，分析了各种因素对加固后钢筋混凝土柱抗剪承载力的影响，根据18根碳纤维布加固钢筋混凝土柱的抗剪试验资料，应用灰色系统理论，对抗剪承载力及其影响因素进行了关联度分析，分析结果表明，对抗剪承载力影响最大的因子是混凝土抗拉强度，其次是CFRP的抗拉强度、剪跨比、轴压比，影响最小的因子是CFRP配纤率。     

基于注意计算模型的医学图像模糊连接度分割

用模糊连接度分割图像时,种子点多以聚类分析方法自动给定,本文分析了传统聚类法存在的问题,在人类视觉活动机制的启发下,提出新的完全不同于聚类方法的视觉显著点注意引导下的图像分割方法.将图像特征显著点的定位转化为概率密度估计问题,引入新的注意计算模型并结合Mean-Shift处理得到关键特征点.注意模型的特征地图采用图像灰度的对比度构成,迭代计算高斯邻域显著度.从密度估计的角度定位显著点,克服以往偏生理注意模型对定量描述的能力不足,尤其适用医学模糊图像.新的方法能完全自动地定位种子点,有效地分割模糊医学图像,提高准确率.     

关系抽取中基于本体的远监督样本扩充

远监督学习是适合大数据下关系抽取任务的一种学习算法.它通过对齐知识库中的关系实例和文本集中的自然语句,为学习算法提供大规模样本数据.利用本体进行关系实例的自动扩充,用于解决基于远监督学习的关系抽取任务中部分待抽取关系的实例匮乏问题.该方法首先通过定义关系覆盖率和公理容积率,来寻找与关系抽取任务关联性大的本体;然后,借助本体推理中的实例查询增加待抽取关系下的关系实例;最后,通过对齐新增关系实例和文本集中的自然语句,达到扩充样本的效果.实验结果表明:基于本体的远监督学习样本扩充方法能够有效完成样本匮乏的关系抽取任务,进一步提升远监督学习方法在大数据环境下的关系抽取能力.     

基于故障行为的模型诊断方法

提出一种利用故障行为求解所有极小诊断的新方法,并结合带有终止节点的集合枚举树形式化地表达计算过程,逐步生成所有的极小诊断.该方法不用求解冲突集及冲突集的碰集,一次直接求出所有的极小诊断,避免了由于调用基于假设的真值维护系统时的组合爆炸而引起的NP-完全问题.在集合枚举树中添加了终止节点,从而避免了非极小诊断的产生,且不会因剪枝而丢失正确的解.实验结果表明,该算法程序容易编制,且效率较好,可以满足复杂的被诊断对象的实时性要求.     

基于路标隐式分解的前向搜索规划方法

提出一种利用路标信息隐式分解前向搜索过程的规划算法。以路标计数启发式估值的降低作为分界点,将规划任务分解成多个规模更小的子任务,当访问到估值更低的状态时,表明搜索过程完成一个子任务的求解,反复执行这一过程直到路标计数启发式估值降低为零。与其它将路标具体指定为中间目标的分解方法相比,基于路标计数启发式的隐式分解方法能指导前向搜索过程快速向目标方向推进,实现搜索空间的大规模压缩,在求解效率和规划解质量上都有较大提高。     

基于一致性的中心诊断及中心溯因诊断

本文对溯因诊断的过程和中心溯因诊断的过程进行了刻画。将求中心溯因诊断的过程清晰地分为与领域有关的冲突识别及与领域无关的候选产生两大步骤。不仅指出了基于一致性的中心诊断与中心溯因诊断之间的关系，而且论证了中心溯因诊断与本原蕴含／蕴含式的直接关系。显示出基于一致性的中心诊断空间和中心溯因诊断空间不仅可同时计算，而且可用ＡＴＭＳ这类算法来计算，从而将我们的理论结果与实现联系起来。     

基于模型的混杂系统中控制器故障诊断方法

为解决混杂系统中控制器故障诊断问题,提出一种混杂系统故障发生在控制器与设备组件之上的新诊断方法,解决了控制器故障检测与诊断问题,并给出解决上述问题的基本诊断算法.实验结果表明,该算法程序简单且效率较好,对于复杂的被诊断对象可以满足实时性.     

一种用于常识空间信息处理的定性空间关系模型

在空间信息处理中,一些常识空间信息通常结合多方面空间关系,而且这些空间关系是动态变化的.为了有效地表示这些复杂的空间关系,并对其进行推理,提出了一种结合拓扑、方向和大小关系的空间信息处理模型TDSC (topology-direction-size calculus),并基于TDSC模型提出了处理动态空间关系变化的表示推理框架.首先,利用同对象多属性的方法建立了融合大小、拓扑和方向关系的完备至斥基本关系表示;然后提出了复合表生成算法和推理算法,使得原有模型的表示和推理结果可以直接在新模型中使用.同时提出处理动态空间关系的邻域划分图,给出了邻域划分图的自动生成算法,以及TDSC模型的邻域划分图.最后给出基于TDSC模型邻域划分图的表示和推理框架,并结合实例说明框架的正确性和有效性.