基于多阶段退化建模的谐波减速器实时可靠性评估与寿命预测

谐波减速器是工业机器人的关键核心部件,其可靠性的实时评估和剩余寿命预测对于提升工业机器人的工作性能和健康监管具有重要意义.作为一种复杂的高精度机械部件,其退化过程表现出明显的多阶段性特点.因此,针对谐波减速器的退化特性,提出基于Gamma过程的多阶段退化模型对谐波减速器性能退化过程进行精确描述.首先,根据谐波减速器退化趋势的变化,进行多阶段退化过程的划分;然后采用历史性能指标数据,基于最大皮尔逊相关系数准则估计模型先验分布的超参数,建立基于Gamma过程的多阶段退化模型.在此基础上,针对在役设备的实际运行特点和工程现场中性能指标数据获取困难的问题,提出采用振动特征来建立高斯过程回归模型,对性能指标值进行精准预测以实现对退化模型后验分布参数的实时更新.最后在此基础上对谐波减速器进行实时可靠性评估和剩余寿命预测.通过对谐波减速器可靠性实验数据的分析表明,所提出的方法能够实现可靠性的实时评估,并且与单一阶段退化模型相比,该方法对剩余寿命的预测精度更高.     

基于Pearson评价法的室内污染源辨识研究

目的从室内污染物的时空分布特性出发,提出基于Pearson评价法的室内污染源辨识策略,从而快速准确辨识室内污染源.方法以Pearson相关系数作为辨识指标以及得分率作为辨识结果的评价标准,先采用控制变量法对Pearson评价法的辨识有效性进行验证,作为后续研究开展的基础,再基于Pearson相关系数指标,对室内16个不同位置的污染源展开位置辨识.结果最终有15个污染源的位置辨识结果准确;辨识效果与辨识时段的选取有关;在0～200 s的统计区间内,整体辨识效果呈现先升高,后略微下降并趋于稳定的趋势;辨识效果最好的时段出现在τ=80～120 s,此段时间内的平均辨识得分率高达94. 375%;在位置辨识准确的前提下,通过计算线性回归方程的斜率完成了对污染源散发强度的辨识,辨识误差保持在±0. 005 g/s的可控范围内.结论 Pearson评价法可以实现对污染源的位置和散发强度的有效辨识.     

“互联网+医疗”支付技术的研究与思考

正近年来",互联网+技术"与医疗健康行业已开始深度融合。在国家政策及技术发展的共同推动之下,我国"互联网+健康医疗"应用已呈现百花齐放之势,以"支付"为切入的"互联网+"技术的发展已趋于完善。本文简要分析了国内外第三方支付的发展现状,以及医疗支付行业的变革,对"互联网+"时代医疗行业费用结算与管理提出新的思考,并对"互联网+"时代下的医疗健康做了进一步的展望。     

酸辣椒的护绿工艺及腌制液配方优化的研究

以青辣椒为原料,采用单因素和4因素3水平正交实验,以△a~*为指标考察青辣椒浸泡前后的色泽变化,得出辣椒绿色防护的最佳条件,即在温度为40℃时, 0.3%柠檬酸和0.06%D-异抗坏血酸钠复合溶液中浸泡45 min,辣椒的绿色防护效果最好.同时通过4因素3水平正交实验,依据感官评价标准,得到了酸辣椒腌制液的最佳配方,即将8%食盐, 2%糖, 0.4%CaCl_2和8%蒜姜(1∶1)加入到pH值为3.5-4.0的腌制溶液中,即可得到风味、口感、质地优良的酸辣椒制品.     

动物胚胎化石中的细胞核

正长期以来,科学家一直期望在细胞学层面研究化石的生物学结构,以增加对早期真核生命演化史的认识。近来,中国科学院南京地质古生物研究所传来了令人振奋的消息:研究人员在贵州瓮安地区胚胎化石亚细胞结构中发现了细胞核结构。这是迄今所发现的最古老的化石细胞核。     

正则ω~2-半群

正则ω~2-半群可分为有核和无核2种情况.获得了无核的正则ω~2-半群的一个刻画,并给出具有真核的正则ω~2-半群的结构定理以及相应于这一结构的同构定理.     

提升农村空巢老人主观幸福感的策略研究

空巢家庭成为一种趋势,农村空巢老人在生活、医疗等各方面上面临诸多的困难,因此,要想提高农村空巢老人的主观幸福感,必须从国家、社会、家庭、个人、心理研究人员等各个方面来综合考虑应对策略。     

翻转教学模式下高校数学课堂提问策略探讨

随着移动通讯和网络技术的快速发展,翻转课堂受到了教育工作者的广泛关注.在翻转教学模式中,课堂提问被赋予了更加重要的作用.本着锻炼学生思维,培养学生自学能力,使之掌握探究式学习方法的目的,从问题意识的重要性,课堂提问的必要性、提问的设计方法以及应注意的问题等方面探讨了翻转教学模式下高校数学课堂中有效的提问策略.     

基于多模态融合技术的用户画像方法

针对当前用户画像工作中各模态信息不能被充分利用的问题, 提出一种跨模态学习思想, 设计一种基于多模态融合的用户画像模型。首先利用 Stacking集成方法, 融合多种跨模态学习联合表示网络, 对相应的模型组合进行学习, 然后引入注意力机制, 使得模型能够学习不同模态的表示对预测结果的贡献差异性。改进后的模型具有精心设计的网络结构和目标函数, 能够生成一个由特征级融合和决策级融合组成的联合特征表示, 从而可以合并不同模态的相关特征。在真实数据集上的实验结果表明, 所提模型优于当前最好的基线方法。