基于WPD和模糊神经网络的轴承故障诊断

提出一种结合小波包分解和模糊神经网络的故障诊断方法,采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此为学习样本,再利用正交最小二乘学习算法训练模糊神经网络,确定故障诊断系统模型,对轴承故障进行诊断和识别.仿真结果及与其它一些方法比较表明:该轴承故障诊断方法可以有效识别和预测轴承的状态,且学习效率、准确性和可靠性等方面均有较大提高.     

基于小波包变换和人类视觉系统的数字水印算法研究

针对多媒体产品的产权保护问题,利用数字图像为研究对象,采用小波包和人类视觉特性相结合的方法分析研究数字图像水印的生成、嵌入与提取过程,并通过实验对算法嵌入的水印进行攻击,结果表明:本文算法具有很大的嵌入容量,同时具有很好的鲁棒性和适应性。     

"夹心饼干"式弥散型复合燃料板的断裂机理

U3Si2 - Al弥散型复合燃料板元件是新发展的一种低浓化的研究堆燃料。该元件制备工艺复杂 ,使用环境特殊 ,加工环节对燃料板力学性能影响较大。而燃料板的力学性能优劣则是保证研究堆可靠使用的必要条件。因此 ,对研究堆使用的 U3Si2 - Al弥散型复合燃料板元件 ,通过扫描电镜对试件的拉伸断裂断口形貌、断口中芯体与包壳分布进行了分析与检测 ,并且讨论了燃料板的拉伸强度与断口间存在的关系 ,得到了燃料板断裂机理为芯体脆断导致包壳快速失效 ,拉伸断裂的决定因素是芯体的断裂延伸率 ,含 U3Si2 - Al弥散型复合燃料板比非退火态的铸铝延伸率要低。     

基于GM(1,1)模型的齿轮故障识别预测研究

针对齿轮故障诊断问题,提出一种基于灰色预测模型(GM(1,1))的齿轮故障识别预测方法。根据齿轮磨损情况将齿轮故障定义为4种状态：正常齿轮状态、齿根裂纹故障状态、齿面磨损故障状态和断齿故障状态。通过搭建齿轮故障诊断实验台,利用振动传感器采集齿轮工作过程中处于不同磨损状态时的振动加速度信号样本,利用小波降噪、小波分解重构等方法重构特征信号,得到去噪后的信号图像,进而提取振动加速度信号特征数值,并基于GM(1,1)建立齿轮故障识别预测模型。研究表明,该模型预测数值与真实值误差均值在0.56%～0.67%,相对误差均方根值在0.33%～0.43%,其中齿根裂纹状态时相对误差均值为0.67%,相对误差均方根为0.33%;断齿故障状态时相对误差均值为0.67%,相对误差均方根为0.39%;齿面磨损故障时相对误差均值为0.56%,相对误差均方根为0.43%。表明模型预测精度较高,可用于齿轮故障预测研究,为齿轮故障诊断提供了一种新的研究方法及理论依据。     

紧支撑多元向量值小波包的正交性

给出数量矩阵mIr(2≤m∈Z)伸缩的多元向量值小波包的定义及其构造方法.运用代数学理论,算子理论与时频分析方法,讨论多元向量值小波包的正交性,得到多元向量值小波包的正交公式.     

超级节点-MDS资源信息模型的设计与研究

网格开发工具GT4中MDS索引服务的层次式结构已经不能满足大规模网格动态变化的资源服务要求。为了克服MDS的缺陷,将超级节点模型引入GT4,提出一种基于超级节点-MDS的新资源信息模型。对该模型的设计进行了研究,分别从模型假设、定义和结论等方面论述。并描述了单VO内部结构及模型系统结构。该模型将层次式索引分散化,具有分布式的索引结构,克服了MDS易单点失效、扩展性差等缺陷。仿真测试了模型的性能,实验结果表明该模型易于扩展、鲁棒性强。     

我国慈善组织助学模式评析

慈善组织参与助学事务,极大地促进了我国教育事业的发展。本文在对我国慈善组织历史回顾,现状梳理的基础上,探析了我国慈善组织现行的助学模式,发现慈善助学模式存在行政色彩浓厚、重资助轻发展、重感恩轻责任、助学模式单一、评估方法僵化等问题,并提出要建立以项目为平台,以能力建设为手段,以发展为目,以慈善助学包为形式的人性化助学体系。     

三流异型连铸中间包结构优化的数值模拟

根据西宁特殊钢股份有限公司三流异型连铸中间包的结构和操作参数,提出中间包结构的优化方案,应用ANSYS CFX数值模拟软件计算不同控流装置下中间包内的流场和温度场分布,并建立物理模型对数值模拟的结果进行验证,确定最佳的优化方案。结果表明,原型中间包内流场和温度场分布不均匀,3个水口最大温差达3.11K,导致各水口处铸坯质量存在差异;使用U形挡墙后,中间包内钢液的流动特性得以改善,其成分和温度分布更为均匀,3个水口的最大温差仅为0.20K。     

基于卷积神经网络的新奇检测技术在结构损伤识别中的应用

针对新奇检测难以同时识别结构损伤时刻和损伤位置的问题,提出在新奇检测中引入卷积神经网络以实现损伤时刻和损伤位置的一次性确定。首先,采用小波包技术处理结构响应得到小波包能量,并将相邻测点对应频带的能量比作为新奇检测模型的特征向量;然后,以结构健康时的特征向量作为训练数据,建立健康模式下的基于卷积神经网络的新奇检测模型;接着,将结构实时输出的特征向量输入到新奇检测模型,所得输出与健康状态的输出进行对比,并将输出和输入的欧氏距离作为新奇指标;最后,根据新奇指标的变化识别结构损伤时刻和损伤位置。数值模拟和实验室试验验证了该方法的有效性。     

一种适用于混合双极直流输电的纵联方向保护方法

直流输电线路通常是以大电感和直流滤波器作为边界,故障行波在边界发生折射和反射时,其行波能量也会因为电感和滤波器的存在而被吸收,导致区内、外高频行波能量产生差异.当故障发生为正方向故障时,其高频前行波能量小于高频反行波能量;当故障发生为反方向故障时,其高频前行波能量大于高频反行波能量.由此特征提出了一种基于前、反行波高频能量差异的纵联方向保护,该保护采用小波包变换提取行波的高频能量,利用前行波与反行波在区内故障和区外故障时的高频能量差异判别故障.仿真结果表明,该保护能快速准确地识别故障,并且不受故障类型、过渡电阻以及故障发生位置距离和噪声的影响,具有一定的实用性.