基于知识图谱的核电设备健康管理知识建模与分析

随着信息技术发展,设备健康数据与知识图谱技术结合为设备健康发展带来新的发展机遇,知识图谱利用其多种特异性优势,使企业系统中积累的海量设备维修数据得到有效整合利用.本文提出基于知识图谱的核电设备健康管理知识建模与分析方法,并根据实体关系模型构建维修知识图谱本体框架,同时基于核电企业实际的维修工单数据,从统计分析和关联分析两方面取得良好的实践效果.研究结果表明,知识图谱能够在设备维修知识的集成上解决传统的数据孤岛问题,同时能基于故障的可视化分析为维修人员和管理人员提供决策和知识支持.     

基于Unity3D 的电机拖动仿真系统

为解决电机拖动实验的仿真现实问题，基于虚拟仿真的思想，利用Unity3D 技术，实现了基于Unity3D 的电机拖动仿真系统。通过实验证明，该系统可准确模拟各种电器设备在不同的连接部署情况下电动机的反应情况。用户能通过该系统达到对电机拖动实验的学习、模拟等初步体验，系统可完成不受时空限制的一些实验，有助于提高科学研究效率、准确率以及实验的安全性，降低了实验成本。     

P3HT和Spiro-OMeTAD共混物作为光活性层的杂化太阳电池性能

为降低电荷复合率,提高杂化太阳电池的性能,将P3HT与Spiro-OMeTAD共混后的混合物作为光活性层和空穴传输层,旋涂在Sb_2S_3纳米粒子敏化的TiO_2纳米棒(TiO_2NR/Sb_2S_3)复合膜上,制备成杂化太阳电池。通过SEM、紫外可见吸收光谱、XRD、电化学阻抗图谱、稳态荧光光谱、J-V曲线等手段,对杂化太阳电池的微观结构、光电转换特性进行了表征和测试。结果表明:P3HT与Spiro-OMeTAD共混物比例为15 mg/1 mL时,得到结构为FTO/TiO_2NR/Sb_2S_3/P3HT:Spiro-OMeTAD/Ag杂化太阳电池的电荷负荷率低,电子生命长,能量转换效率达到了4.57%。所制备的杂化太阳电池性能优良,具有良好的应用前景。     

基于三维点云的岩体结构面自动分类与参数计算

结构面间距是岩体稳定性和力学特性分析中的一个重要参数，在岩石力学、采矿工程、边坡监测等领域的数值计算中广泛应用.本文以岩体边坡露头为研究对象，基于非接触测量获得的三维点云数据，提出一种基于密度聚类的结构面细化分类方法；在结构面粗略分组提取的基础上，通过投影变换、散乱点拟合等算法，求得结构面间距和岩体体积节理数.设计开发了结构面细化分类及间距等参数计算与分析原型系统，实际案例分析表明，本文方法可有效实现结构面的自动细化分类，并能够计算出间距等相关参数，可为岩体质量分级和岩体稳定性分析等提供方法支撑.     

哈密翼龙及其3D胚胎化石研究

 翼龙是地球上第一类飞向天空也是唯一绝灭的飞行脊椎动物，人类对其产卵繁殖、生长发育和生活习性等方面的了解还十分有限。本文介绍了一件超过200枚哈密翼龙蛋、胚胎和骨骼化石三位一体保存的重要标本，包括16枚翼龙蛋含有三维立体的胚胎化石。针对这件全世界首次发现的3D翼龙胚胎，研究提出哈密翼龙具有相对早熟的胚胎发育模式，其后肢发育速度较前肢快，孵化之后只能走不能飞；胚胎发育期间牙齿尚未萌出，出生后还需要父母照料；从胚胎到亚成年都具有快速生长的骨骼结构；显示哈密翼龙具有群居的生活习性，白垩纪的湖泊风暴导致其集群死亡并快速埋藏。     

(3+1)维Korteweg-de Vries (KdV)方程的高阶怪波解和多波浪解

基于Hirota双线性形式，一个新的（3+1）维Korteweg-de Vries（KdV）方程的高阶怪波解和多波浪解被得到.通过作图，更直观地展示和讨论了高阶怪波解和多波浪解的动力学性质.     

团簇Co3FeP异构化反应的热力学与动力学研究

为了寻找团簇Co₃FeP的稳定性、结构和内部作用力等规律，利用密度泛函理论，在B3LYP/Lanl2dz的量化水平下对团簇Co₃FeP进行理论计算，得到5种优化构型，并从化学反应热力学与动力学的角度对其异构化反应中的反应物、过渡态和生成物进行了讨论分析。结果表明，所有构型均为C1对称且构型的空间结构对其熵值有影响；构型的稳定性主要由金属原子与非金属原子所决定，并且在常温常压下构型1^（3）、2^（3）和3^（3）可以稳定存在，是大部分异构化反应的最终产物。因此，在实际材料的开发中，不仅需要注意金属原子与非金属原子之间的作用力以确保构型的稳定性，还应首先考虑对稳定构型1^（3）、2^（3）和3^（3）进行相关研究。     

条件故障下3-元n-立方体的容错分析

研究了条件边故障下3-元n-立方体中较大连通分支点的数目，进而证明了3-元n-立方体是(4n－6)-条件边故障强Menger边连通的。最后通过一个反例说明该结果是最优的。     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰，点云密度不均匀，场景复杂多样以及物体之间存在遮挡现象等问题，使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题，提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数，利用核密度估计学习一个密度函数，对非均匀采样的点云数据进行卷积操作。同时，受深度学习在图像领域的启发，引入残差连接、空洞卷积等结构，训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。     

融合码盘和激光雷达的里程计与建图

提出了一种用于自动驾驶汽车的低漂移、低延迟的里程计与高精度建图的算法。该方法融合了多种传感器的测量结果，包括车轮编码器、转向盘转角编码器、激光雷达及可选GPS等的测量结果。里程计算法由车轮里程计和激光里程计组成：前者基于车辆运动学模型，高频、实时估计位姿增量，用于点云去畸变和为后者优化位姿提供可用的初值；后者以较低的频率估计车辆的精确位姿变化，以补偿前者累计的误差，其核心是一种基于角度度量的两阶段特征提取方法。建图算法基于因子图，包含激光里程计因子、回环因子和可选GPS因子，通过增量平滑和建图算法优化全局轨迹，在线生成全局地图，其中GPS因子能够自动对齐GPS坐标系和里程计坐标系，逐步融合GPS测量值，解除了算法初始化过程对于GPS的依赖。所提出的方法在自动驾驶汽车平台数据集上进行了评估，并和已开源的部分相关工作进行对比，结果表明它具有更低的漂移率，在本文进行的最大规模的测试中达到了0.53%。相关代码以开源形式供交流参考（https：//github.com/Saki-Chen/W-LOAM）。