柴油机燃油喷射试验系统的动态分析与研究

本文建立了柴油机燃油喷射试验系统的动态特性数学模型，对试验系统的动态响应及其影响因素进行了分析，找出了影响系统工作稳定性的原因，并提出和实施了对试验系统改进和调整的措施，获得了较满意的效果．     

能量管理系统中在线动态安全评估的研究

在线动态安全评估是能量管理系统(EMS)中的重要功能,文章在EMS中实现了一种实用的快速在线暂稳分析方法,通过在广西系统中实际运行证明,结合时域仿真法和直接法的综合法是一种可行的在线动态安全评估方法.分析和改进了预估-校正法,保证暂稳分析方法在多重多时段复杂故障下的快速性和准确性.设计了考虑电力系统复杂模型的在线动态安全评估系统的基本结构和功能,指出时域仿真法是在复杂模型下进行动态安全评估不可缺少的高精度决策工具.     

高速内燃机配气凸轮动态设计探讨

本文用动力学观点分析了内燃机配气机构在弹性变形下的运动规律,提出按理想气门运动规律设计配气凸轮方法.     

工时定额动态参数建模及可视化研究

工时定额数据获取的快速基于动态参数的工时定额计算方法.对影响工时定额计算结果 的诸多参数进行分析,根据参数的性和准确性影响着制造成本和作业计划.传统计算方法效率低、准确性差,为解决这一问题提出了信息表达方式进行分类,建立动态参数计算模型.利用VRML技术构造可视化加工特征模型,将动态参数映射到加工特征模型上,实现工时定额计算参数的图形化拾取.该技术已应用于企业生产过程中,取得良好的效果.     

基于DQN的机场地服人员动态排班研究

针对在繁忙机场的地面服务人员动态排班问题,提出一种基于深度Q网络(DQN)的排班方法．首先以最大化任务执行率和最小化员工工作时间作为目标,建立了优化模型;然后根据目标提出了两种不同的排班方法,进而采用DQN算法,根据生成的航班动态数据,提取6个状态特征作为网络的输入,并拟定合适的奖励机制,使得训练后的模型能够动态地选择最好的分配方法,最终对模型进行求解．将该方法应用在连续7 d的实际排班中,实验结果表明：与人工排班结果相比,该方法平均每天的任务完成数增加了0.43个,员工的总工作时长减少了53 min,DQN的排班结果具有明显优势,提高了机场地面服务的工作效率．     

基于改进量子遗传优化支持向量机的配电网故障分类

针对传统方法在解决现代配电网故障分类时存在的求解速度慢、分类精度差的问题,提出一种结合量子遗传算法的支持向量机配电网故障分类方法。首先采集故障信号并进行S变换处理,将处理结果的均方根与均值作为特征量,以提高特征量辨识度;其次在量子遗传算法的种群更新策略中引入自适应动态旋转角,避免算法在早期陷入局部收敛,增加算法的调参精度。以IEEE33节点配电网模型为研究对象的实验结果表明,所提的特征量提取方法有效提高了支持向量机的故障分类精度,改进后的量子遗传算法通过为支持向量机寻到更优参数从而进一步提高了故障的判别精度和分类速度,验证了方法的有效性与准确性。     

考虑延迟效应的政企应急物资配置动态策略研究

针对应急物资配置对慈善商誉促进存在的延迟效应,构建了延迟动态微分模型,研究了分散、成本分担、集中三种决策模式下政府与企业的应急物资配置策略问题.受延迟效应影响,慈善商誉整体呈现出先递减而后缓慢增长直至稳态的趋势;延迟效应给政企应急物资配置策略及效用带来负面影响,使得政企应急物资配置策略及效用均低于即时效应时的相应情形;...     

企业成长与突破性技术创新：以京东方为例

突破性技术创新是提高企业竞争能力、提升产业发展水平的主要动力。而京东方作为半导体显示产品的领军企业正是借助突破性技术创新,成功扭亏为盈、实现半导体显示技术全面布局。通过深入剖析京东方的成长历程展开探索性单案例研究,归纳总结突破性技术创新在这一过程中的作用机制和过程模式。研究发现,当企业发展为拥有雄厚创新资源的领军企业时,更有能力推进突破性技术创新,而突破性技术创新的涌现又可以推动领军企业进一步形成短期难以超越的竞争优势,二者相辅相成、相互促进。研究结论为企业明晰自身所处发展阶段及是否应该将发展重点转移到突破性技术创新提供了依据,同时也为企业提高动态能力提供了建议。     

马氏体沉淀硬化不锈钢0Cr15Ni5Cu3Nb热变形行为与热加工图研究

采用Gleeble-1500D热模拟试验,研究了马氏体沉淀硬化不锈钢0Cr15Ni5Cu3Nb(15-5PH)在850～1250℃ 、0.001～1 s-1条件下的热变形行为和微观组织演化机制.研究结果表明:材料变形过程存在加工硬化、动态软化和流变稳态的特征.利用Arrhenius型双曲正弦方程,建立了15-5PH热变...     

基于动态优先级的奖励优化模型

传统的约束马尔可夫决策过程(constrained Markov decision process, CMDP)模型用来解决多目标决策的困难,但该模型缺乏通用性并且只适用于离散环境。为了解决这一问题,提出一种基于CMDP的改进算法CRODP,与强化学习(reinforcement learning, RL)算法结合,将带约束问题建模为拉格朗日公式,其中包含着深度强化学习的策略参数。然后进一步推导出模型参数的更新公式,并将其作为深度强化学习神经网络的损失函数。模型在学习过程中动态调整约束与主要目标之间的权重以确保最终策略符合给定的约束。在若干机器人平台上与基准的深度强化学习算法进行比较,显示本算法得出的最优策略能够更好地满足相应约束。