炼油生产调度研究现状与挑战

调度作为计划层和执行层的纽带,是智能型工厂的主要组成部分.对此,从炼油生产装置调度的角度,对炼油调度问题进行综述与分析.首先对炼油生产调度建模问题的研究现状进行阐述,介绍目前该领域建模方面考虑的因素;其次,对炼油生产调度的各种优化方法进行总结综述;最后,结合目前的信息技术和智能制造的发展趋势,分析炼油生产调度所面临的挑战和未来的研究方向.     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

纳米药物非临床药代动力学的研究策略及关注要点

随着纳米技术的迅速发展，纳米药物的研发已成为目前药物创新的发展方向之一。纳米药物具有基于纳米结构的尺度效应，其药代动力学特征与普通药物相比存在明显差异，其药代动力学研究与普通药物相比也有其特殊性。本文着重探讨纳米药物的非临床药代动力学的研究策略及关注要点，包括受试物、体内/外试验、生物样本分析、数据评价分析等，期望为研发者提供参考。     

基于滚动摩擦作用下玉米颗粒在模拟筒仓卸料中的力链分析（网络首发、推荐阅读）

针对颗粒滚动摩擦作用对筒仓中玉米颗粒的力链空间分布进行研究，通过EDEM离散元软件建立筒仓模型与仿真玉米颗粒模型进行卸粮仿真模拟，并与筒仓卸料实验作流态对比，验证模型与仿真结果的准确性。通过对模拟仓进行切片观察和数据处理，对比分析了不同摩擦情况下力链的细观参数随时间演化规律。模拟结果表明：颗粒间摩擦系数越大，卸粮完成的最终时间越长；颗粒间滚动摩擦系数越小，颗粒由整体流转变为管状流的时间越早。对于有漏斗的筒仓来说，减小颗粒间摩擦会改变整体流和管状流之间的极限，从而增加产生管状流的面积。标准滚动摩擦系数下玉米颗粒在卸料过程中会出现起拱-塌陷效应；减小滚动摩擦，玉米颗粒卸料较稳定，未出现起拱的应力突增、以及拱塌陷的应力衰减；增大颗粒间滚动摩擦不但会增加拱效应，且出现成拱高度距离漏斗口更高。     

直通链路技术的发展与展望

直通链路技术己广泛应用于车联网场景。对于直通链路技术的潜在技术方向给出可行的建议，包括传统直通链路技术的增强方向，如载波聚合、使用非授权频谱等；侧行链路对于中继场景的应用扩展，包括终端到终端之间的中继，以及中继的多链接场景；在高精度定位场景使用直通链路技术。并且，给出直通链路技术与各种新技术的融合应用，如智能反射面与区块链技术，从而解决直通链路技术自身的缺陷。     

小型饮料瓶盖颜色识别系统设计与实现

目的：解决当前饮料瓶盖检测系统功能单一、体积偏大、颜色识别率低的问题。方法：提出一种基于ARM处理器的小型饮料瓶盖颜色识别系统设计方案，通过仿真软件HyperLynx的LineSim工具设计四层PCB板，设置传输线参数并进行阻抗匹配仿真分析；利用编译软件Jupyter Notebook实现阈值设置、目标轮廓检测、目标框出等功能。结果：在强、弱光条件下，识别系统对红、绿、蓝3种颜色瓶盖的识别率达到92.7%。结论：与傅里叶描述子相比，该识别系统识别准确率和精度更高，同时系统也具有人脸识别功能，适用于各种智能应用场景。     

三维石墨烯-碳纳米管/水泥净浆的压敏性能

为了探索三维石墨烯-碳纳米管(G-CNTs)/水泥净浆的压敏性能,采用四电极法研究了荷载作用下GCNTs/水泥净浆的电阻率变化,并分析不同G-CNTs掺量、加载幅度、加载速度以及恒定荷载对电阻率变化的影响。研究表明:随着G-CNTs掺量的增加,电阻率呈先减小后稳定的变化趋势,在G-CNTs掺量由0.2wt%增加至1.6wt%时,电阻率下降51.8%;电阻率与温度呈负相关;G-CNTs掺量高于0.8wt%时可以显著提高水泥净浆的压敏性能,且电阻率变化率与应力应变有明显的对应关系,1.2wt%G-CNTs掺量下试件的应力灵敏系数和应变灵敏系数分别为2.3%/MPa和291;G-CNTs/水泥净浆电阻率变化率幅值随着加载幅度增大而相应增加,其电阻率变化率曲线在不同加载速度以及恒定荷载作用下均与应力-应变曲线一一对应,具有良好的压敏特性。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.