基于漂木分离效果的鱼脊型水石分离结构参数优化

山洪、泥石流中往往携带有大量漂木,漂木的堵塞作用和冲击作用往往会加剧灾害,并对山洪、泥石流防治工程造成影响。鱼脊型泥石流水石分离结构是一种新型的水石分离结构,对泥石流中粗大颗粒具有良好的分离作用,但该结构对漂木的分离作用和漂木对结构的影响尚未进行研究。本文通过模型实验,研究了引流口的漂木过流能力和水石分离格栅对漂木的分离效果,探讨了该结构对漂木的减灾效果及相关影响因素。实验结果表明水石分离格栅结构参数以及流速对漂木的分离效果有重要影响。根据实验结果提出了基于漂木分离效果的鱼脊型水石分离结构主要参数的优化方法。     

面向沿道路机动的最优路径模型优化

根据“公路”地理实体的数据结构以及机动的特点,对最优路径模型以及模型的影响因子进行解析,提出了改进的最优路径模型影响因子。通过层次分析法,量化改进后的权重体系并通过算例分析验证其合理性;利用改进后的最优路径模型,经验证符合实际情况需求。     

基于畅通度度量的无尺度网络中关键节点的选取方法 

现实世界中大量存在着的无尺度网络的抗蓄意攻击能力的不足,决定了从无尺度网络中选择关键节点的重要性。网络中节点的重要性程度可用将该节点从网络中删除前后,网络的连通性能的变化进行度量。文章提出了无尺度网络畅通度的概念,从3个不同的角度对无尺度网络的畅通度进行评价,构造出无尺度网络畅通度的综合度量公式,构建了无尺度网络的关键节点的选取模型,并利用分布估计算法对模型进行求解。仿真结果表明,利用分布估计算法得到的结果要好于直接选取度数最大的节点作为关键节点的方法。     

认知MIMO干扰信道的联合干扰对齐算法

针对认知MIMO干扰信道的干扰抑制问题,前人的研究往往将其解耦为主用户和次用户的干扰抑制两个独立问题进行设计,因而需要两级处理。首先将这两类干扰的抑制进行联合处理,建立了联合干扰对齐问题模型,然后基于对交替最小化干扰对齐算法的拓展和改进,得出一种迭代的联合干扰对齐算法。理论分析和仿真结果表明,文章算法能有效抑制系统内的干扰,与现有算法相比,干扰抑制性能相当,求解过程简单,信道无需满足互易性。     

延长油田压裂裂缝形态研究

以延长油田七里村基础数据为依据,利用测井、压裂资料计算储层三向地应力剖面,以储层水力压裂时产生垂直裂缝和水平裂缝的破裂压力相等为临界深度,计算临界裂缝深度。通过实例验证该方法的准确性。     

电喷发动机配油转阀的设计及其流场分析北大核心

针对电子喷油器控制难度和精度高的特点,为进一步提高喷油精度,提出一种新型高压共轨喷油器配油转阀,并对阀口流场特性进行数值模拟。介绍转阀结构和工作原理,基于JE4D25A型柴油发动机工作参数,通过理论计算得到阀口关键尺寸,建立阀道流体域物理模型,在Fluent软件下对阀芯转角分别为11.5°、23°和34.5°位置流域模型进行仿真分析,得到流体在阀口处的流动特性。经分析,在怠速和额定转速下,单次配油量分别为0.059 mL和0.078 mL,额定转速下的输出流量比理论计算多6.8%,为后续阀口尺寸优化提供了参考。     

基于机器视觉及深度学习的静脉药物调配机器人药瓶识别北大核心

静脉药物调配机器人需要对数百种不同类型的药物进行调配,不同药物药瓶类型的识别、测量是精准调配的关键。对静脉药物调配机器人在药瓶类型分类、药瓶关键尺寸测量等不同任务要求情况下,运用基于机器视觉方法和深度学习框架YOLOv5s,实现了一种高效稳定的识别测量方法。结合机器视觉方法的测量准确性,深度学习方法对背景、光源的不敏感性,实现配药过程中不同环节药瓶的准确识别、测量。并通过实验定量地检测背景、环境光源对于识别结果的影响。     

基于模糊熵与CS-ELM的供输弹系统早期故障识别北大核心

针对供输弹系统早期采集的信号中成分复杂,故障特征难以提取和识别的问题,提出一种基于模糊熵与布谷鸟改进的极限学习机(CS-ELM)的供输弹系统早期故障预示方法。运用改进的可调品质因子小波变换对信号进行滤波降噪,提取各子带信号的模糊熵特征;选取模糊熵值较大的5个子带进行重构,完成降噪并将其模糊熵组成特征向量;运用CS-ELM对所提取的特征向量进行早期故障预示并与ELM的诊断结果进行对比。试验结果验证了该方法的有效性,其预示准确率达90.7%。     

基于VMD与IFWA-SVM的滚动轴承故障诊断研究北大核心

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。     

基于CNN-RF的嵌入式数控系统故障诊断研究北大核心

采用Stacking集成策略,融合卷积神经网络(CNN)和随机森林(RF)法提出一种故障诊断方法CNN-RF。该方法不仅能准确提取数据集中的数据特征,而且针对数据集中故障数据数量不足的问题能提供平衡数据集误差的有效方法,以提高诊断的准确性。分别采用单独模型和集成后的模型对采集到的嵌入式数控系统实时运行数据进行分析处理。结果表明:利用CNN-RF模型进行嵌入式数控系统故障诊断的准确度较高,验证了该模型的正确性。