高分子量聚L-乳酸的合成和表征

采用丙交酯开环聚合合成聚L-乳酸(PLLA),研究了引发剂用量、聚合时间对聚L-乳酸分子量的影响.采用FTIR、DSC、TG分析方法对聚乳酸的结构和热性能加以表征.研究结果表明通过对聚合时间以及引发剂用量的控制,合成出高分子量聚L-乳酸.FTIR分析结果证实了聚L-乳酸的结构,DSC分析表明合成出的聚L-乳酸玻璃化转变温度为62℃,结晶度达到42.3%;TG分析表明聚L-乳酸热分解温度为299℃.     

基于GLCT及CPA-SVM的变转速齿轮泵健康状态分类研究

针对齿轮泵变转速工况，提出广义线性调频小波变换(Generallinearchirplettransform,GLCT)和食肉植物算法(Carnivorous plant algorithm,CPA)优化支持向量机(Support vector machines,SVM)相结合的齿轮泵健康状态分类识别方法。首先选取4组磨损量不同的轴套，利用改造试验台采集不同状态下齿轮泵的振动信号；然后，引入GLCT时频分析方法消除转速变化的影响，提取瞬时旋转频率，进行角度域重采样，提取角度域中峰值指标、脉冲指标、峭度指标，与阶次谱方均根值、阶次域阶次幅值作为特征参数；最后，引入CPA对SVM两个参数c和g优化的分类方法，进行齿轮泵的健康状态进行分类识别，为了进一步验证算法有效性将其与SVM和极限学习机(Extreme learning machine,ELM)两种方法进行比较。结果表明，提出的分类方法平均准确率可达93.75%以上，能有效提高分类识别准确率。     

连铸方坯免加热直接轧制技术的研究与应用

连铸方坯免加热直接轧制技术由于坯料不经过加热炉加热，故比传统的经加热炉加热轧制生产工艺节能减排且降低成本。但由于直轧开轧温度低于常规轧制温度，轧件的变形抗力会有所增加，轧制力也增加，最终使棒线区粗、中轧机组电机超负荷运行，影响设备使用寿命；同时，由于直轧坯料头、中、尾温度相差较大(最大温差可达100℃),不利于棒线区轧制工艺以及成品负偏差率、力学性能以及金相组织的稳定；再有，连铸区流与流之间拉速相差较大，导致不同铸坯之间温度相差较大，不利于棒线区轧制工艺的稳定。针对以上问题，介绍了棒线材免加热直接轧制的关键技术，即在连铸区提高拉坯速度，优化连铸出坯节奏(阶梯出坯)、优化二冷区水量；在棒线区增设温度不合坯料剔除程序，优化无间隔轧制技术，优化粗、中轧压下量，采用预穿水分段控冷等措施，保证了直轧工艺的顺利进行，实现了批量生产。     

变电设备红外测温特殊案例分析

针对变电站电容式电压互感器电磁单元发热和电抗器接地装置发热两类常见而特殊的案例进行阐述、分析, 并提出相应故障判断方法及治理建议,以对此两类特殊案例的红外测温诊断提供参考.     

隧道施工防水板焊接失效分析和工艺优化

在地下隧道的施工中，防水板的铺设和焊接是隧道防水施工的重要工作步骤。文中针对在防水板焊接中可能出现的焊枪位置偏差、防水板和热熔衬垫的压紧力不足、热熔衬垫和防水板熔接不可靠等问题，通过对防水板施工工艺的分析，采用预期失效分析法(AFD)对隧道防水板自动焊接装置进行了失效分析，并给出了相应的解决方法，实现了对防水板焊接装置的优化，提升了整体施工工艺的可靠性。     

无人机飞行数据异常检测算法综述

针对无人机（UAV）机载健康状态监测领域的UAV飞行数据异常检测问题，首先阐述了UAV飞行数据的特点、常见的飞行数据异常类型及对异常检测算法的要求；然后梳理了UAV飞行数据异常检测算法的研究现状，并归为3大类：基于先验知识的定性异常检测算法、基于模型的定量异常检测算法和基于数据驱动的异常检测算法，同时分析了各类算法的应用场景和优缺点；最后总结了UAV飞行数据异常检测算法目前存在的问题和挑战，展望了未来UAV飞行数据异常检测领域的重点发展方向，为新的研究提供了参考思路。     

基于COSNet的伪装目标分割

近年来，对伪装目标进行精准识别的军事需求不断加大，使得伪装目标分割(COS)技术应运而生。由于伪装目标与背景的融合度较高，COS比传统的目标分割难度更大。为更加精准地分割出伪装目标，构建完备的军用伪装目标数据集(MiCOD),并提出一种基于人类视觉系统的COS网络—COSNet。COSNet由特征提取模块、聚焦放大模块、多尺度特征图融合模块3部分组成。针对性设计的聚焦放大模块包含关键点聚焦模块和感受野放大模块，关键点聚焦模块通过模拟人类注意力高度集中的观察过程减少虚警率，而感受野放大模块通过仿生人类视觉感受野机制以增大观测范围、提升分割精度。损失函数方面，依据聚焦放大模块设计了更适用于伪装目标识别的关键点区域加权感知损失，以给予伪装目标更高的关注度。大量定量和定性实验结果表明：在自建数据集MiCOD上，与其他目标分割模型对比，COSNet在8个评价指标上均达到最优效果，分割精度明显提升；当模拟真实的战场环境时，COSNet平均灵敏度Sen_mean为0.622,平均特异度Spe_mean为0.670,漏检率和虚警率均低于其他算法。     

基于贝叶斯深度学习的外啮合齿轮泵健康状态识别研究

液压泵健康状态的精准识别是液压元件预防性维护的一部分。采用贝叶斯算法对长短时记忆网络(Longshort-term memorg, LSTM)进行优化，构建一种基于贝叶斯长短时记忆网络(Bayesian-LSTM)的外啮合齿轮泵健康状态识别模型，完成了对外啮合齿轮泵健康状态的识别。首先运用改进的变分模态分解(Improved variational modal, IVMD)方法对蕴含丰富健康信息的样本泵振动信号进行分解重构，基于时域、频域及时频域对重构信号进行特征提取，将所选特征归一化处理后构造了能够表征振动信号的特征矩阵。最后将归纳好的特征矩阵与标签输入到Bayesian-LSTM(以下简称BDL)模型中进行训练，进而得到外啮合齿轮泵健康识别模型，为验证BDL模型在外啮合齿轮泵健康状态识别上的优越性，将其与LSTM模型及RNN模型进行对比。结果表明，BDL模型对样本泵的预测精度达到了98.3%以上，相比LSTM模型及RNN模型优势明显，可以为深度学习在液压元件状态识别的应用提供参考。