配电变压器容量选择方法研究

综述了定量计算配电变压器经济容量的主要方法,基于对所述方法分类研究,分析了各个方法的特点及经济性。提出在着眼于配电变压器的运行损耗和初始投资时,应注重局部配电网甚至整个配电网的经济效益,为变压器的容量选择方法提供了参考。     

测井资料远程系统的数据库建立及数据传输

受偏远,环境,地域、交通等限制下,测井作业无法进行资料的及时上传处理。然而随着油田的数字化前中后端的建设,在各采油气厂的井场、增压站、作业区和基地之间建立了数字化网络系统,使井场与测井车、基地间的测井数据实时传输成为可能。文章简述了远程测井系统的设计与实现。根据作业中的需求,在测井车和解释中心建立数据库。创建解释服务中心和测井数据库之间的连接;设计专门的数据传输帧格式和传输协议,保证测井现场的数据能够及时准确传输至解释中心。     

浅谈节能降耗中热能与动力工程的实际运用

随着当前国民经济的快速发展,人们在生产生活中的节能降耗意识也快速提升。该类现象下关于节能降耗中热能与动力工程的实际运用,则引起了广泛的关注。     

基于ANSYS Workbench的机械手关键部件优化

为保证机械手在夹持工件过程中的安全性和稳定性,课题组基于ANSYS Workbench对球形工件夹持机械手的关键部件进行了优化。课题组对机械爪进行了静力学分析,确定了机械爪最优厚度尺寸,验证了其强度、刚度及可靠性;对传动轴进行了模态分析,求解出了传动轴的6阶固有频率和振型,以防止共振对零件造成损伤。结果表明:模拟研究准确评估了夹持过程零件易受损伤的部位,揭示了振动的内在规律,为机械手的设计制造提供了参照。     

离心泵泵腔液体压力分布理论计算及验证

准确描述泵腔液体压力分布是研究叶轮盖板力的核心研究问题,也是泵研究领域中的难题。建立泵腔液体流动模型并提出基本假设,将泵腔液体流动视为轴对称二维黏性层流运动,采用数量级比较法,对泵腔液体运动的Navier-Stokes方程简化,并进行积分求得Navier-Stokes方程的近似解析解,推导出设计工况下泵腔液体压力数学模型。在该数学模型计算中,引入势扬程修正系数,解决了泵腔入口液体压力的计算问题,并给出具体确定方法。以IS80-50-315型离心泵为研究对象,在不同叶轮平衡孔直径下,对设计工况下前后泵腔液体压力进行测试和理论计算,对比分析结果表明,两者结果较为一致。还采用2个典型的泵腔液体压力测试实例,进一步验证了设计工况下泵腔液体压力数学模型的可靠性。该研究成果是对经典泵腔液体压力计算公式的补充与完善。     

基于信息融合的电网作业智能终端定位算法

现有的用于电网作业的智能终端设备在定位时采用GPS和无线基站定位.GPS定位和无线基站定位因在部分区域存在信号弱或者无信号的情况,导致定位误差大,定位漂移.本文提出了AGPS、无线基站定位和行人航位推测相结合的基于粒子滤波的信息融合定位算法,并分析了算法实现原理.实验表明,在GPS信号较弱或者无信号的条件下,智能终端依然可完成高精度定位.     

谐振式无线供电技术在无线传感网中的应用研究

为了研究无线传感网的磁耦合谐振式无线供电技术,根据电路理论,建立了单线圈发射3个线圈接收的电路模型,同时推导和研究了负载电压、传输效率等传输特性与谐振频率、负载电阻、各线圈间的互感系数的关系。利用传输特性公式,通过Matlab仿真,确定了各线圈的电感值,分析了线圈电感值、传输距离和负载电阻值对传输特性的影响。最后通过无线传感网的无线供电实验验证了理论推导和仿真分析的正确性,为电网的无线传感网的谐振式无线供电技术提供了一定依据。     

高炉料面特征提取与聚类分析

布料是高炉上部调节的主要方式,料面形状特征是指导高炉工长做出下一次布料决策的重要依据.本文通过分析高炉雷达实测料面数据,结合专家经验,提出了一种料面特征定义和提取的方法,提取出了能够表征料面形状的6个特征;然后将谱聚类算法引入到料面特征数据的聚类中,建立了料面特征模型库;最后将新的料面特征与模型库数据匹配,为后续高炉布料控制奠定研究基础.在仿真结果中采用真实高炉生产数据,验证了料面特征提取方法的有效性.仿真结果表明谱聚类算法相比传统的K-mean和模糊C均值聚类算法,具有收敛速度快,聚类性能高等特点,能够准确有效地建立料面特征模型库.     

对偶树复小波与空域信息的手势识别分类研究

为提高手势识别中特征获取的有效性,本文提出空域特征与对偶树复小波变换特征相结合的融合特征,主要包括水平位置、竖直位置、长宽比、矩形度、Hu矩7个分量,及11维空域特征与对偶树复小波变换的16维特征进行融合后得到的27维特征。针对分类器优化算法,提出进行训练样本优选的最优距离-支持向量机(BD-SVM)分类方法。最后的实验结果表明,对“1~9”手势进行测试,当采用径向基核函数时,平均识别精度最高,为90.33%,平均识别时间为0.026 s,说明所提出的方法能够较好地进行静态手势识别,具有较高的训练速度和辨识精度。