绳驱动并联打磨机构模糊控制策略

船舶坞修作为维护和修复船舶结构的关键环节,在船舶行业中扮演着重要的角色。然而,目前船舶坞修时表面打磨过程依赖于传统的人工作业,存在着效率低、工时长、危险性高等问题。为此,提出了一种新型绳驱动式打磨机构,该机构采用四根绳索驱动打磨装置实现三自由度的运动。首先,通过拉格朗日法建立系统的动力学模型;然后在动力学模型的基础上提出了一种带有绳索张力优化项的Fuzzy-PID(proportional integral derivative)控制策略,该控制策略可以实现精确的轨迹跟踪并保证绳索处于张紧状态;最后,通过数值仿真验证所提控制策略的有效性。结果表明,和绳牵引并联机器人上常用的PID控制相比,所提控制策略控制精度提高25%,具有较高的控制精度和稳定性。本文提出的绳驱动式打磨机构及其控制策略可为大型结构件表面处理和精密制造等应用提供一定理论支持。     

基于文本挖掘的粤港澳大湾区跨境金融人才需求分析

随着《粤港澳大湾区发展规划纲要》中扩大跨境金融业务规划的提出,大湾区企业对跨境金融业务人才的需求更大.使用文本挖掘方法对大湾区企业招聘信息进行分析,可以帮助高校更好地了解跨境金融企业对求职者的需求.针对跨境金融企业的岗位需求、学历需求和职业素质需求,高校可以从加强跨境金融知识普及、课程设置融入大湾区资格考试内容、高校联...     

基于深度学习的通信网络数据关键特征挖掘

深度学习是挖掘数据关键特征的重要技术手段,为准确分析通信网络数据特征,并保障质量,提出基于深度学习的通信网络数据关键特征挖掘方法。选取接入率、可用性以及覆盖率等七个指标作为通信网络质量核心性能指标,将卷积神经网络与径向基神经网络相结合,构建深度学习网络结构,将该性能指标作为标签参数,将所得到的标签参数的聚类与求和结果作为深度网络的标签数据,通过前向传播将标签数据输入卷积神经网络的输入层内,经过不同隐层的变换与映射至输出层位置,并采用量子粒子群算法求解深度学习网络最优参数,输出通信网络数据关键特征挖掘结果。经实验结果表明,所提方法的通信网络数据关键特征挖掘率在95%以上,能够准确预测未来短时间段内的通信网络质量。     

UFPA器件微桥腐蚀工艺的研究

利用硅单晶的各向异性腐蚀技术,研究了UFPA探测器的微桥腐蚀工艺.采用独特的腐蚀装置在厚度为300 μm的硅基片上成功地制备了腐蚀坑深度为260 μm,桥面宽度为2 mm的微桥结构.该装置能有效保护硅基片正面免受腐蚀液的漏蚀,从而可实施热释电薄膜的沉积先于微桥制备的技术线路,对提高器件的成品率具有重要的意义.     

面向主题检索的科技政策扩散识别方法

为满足用户对某一主题下科技政策扩散关系挖掘的分析需求,构建了科技政策扩散识别模型。通过从科技政策文本中提取组织结构相似性特征、语义结构相似性特征、关键词承继性特征及基于Doc2vec的文本相似性特征,实现多个特征的一体化处理;提出了基于识别模型评分的科技政策文本距离计算方法,根据政策间的文本距离与扩散概率的关系,寻找使扩散关系成立的最大文本距离,并将扩散经验值融入识别模型中,实现检索过程中科技政策扩散对和扩散集的自动计算和输出。实验结果表明,所构建的科技政策扩散识别框架能有效地提取出扩散集合。     

延迟焦化装置先进过程控制的应用

大庆石化公司选择了Honeywell公司的先进控制软件包,对延迟焦化装置实施了先进控制。该先进控制系统可准确地处理所有的相关约束,因而能够在不超过生产过程和设备约束的前提下确保控制目标的实现。该先进控制项目的控制目标包括:预估并控制粗汽油的干点以保证产品质量;预估并控制柴油的95%点以保证产品质量;稳定装置操作,尤其是稳定在焦化塔切换期间的装置操作,主要受控变量和产品质量指标波动的方差比原来降低50%;平衡炉子之间以及支路之间的流量,满足炉子负荷和炉子温度约束;轻油收率(LPG 汽油 柴油)提高1%～2%,实现效益最大的优化目标。     

水处理废液利用综合分析

我公司动力分厂现装有3台UG-35/3.82-M6型电站锅炉和一台SHL20-13/350ⅡA型锅炉,其配套水处理工艺为100 m^3/h软化水处理装置和10台60 m^3/h的新鲜水装置。软化水系统再生废液和新鲜水返洗排放废液共计达500 m^3/d。因污水处理系统不够完善,所以废水[H＋]时常超标排放。[第一段]     

利用Web日志挖掘技术构建自适应网站

利用基于图结构Web日志挖掘获得的规则和用户访问模式,使Web站点的结构及站点内的页面进行自身的调整和改善,从而实现站点组织结构的优化.     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题,提出一种基于深度学习的问题帖分类方法,采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型.实验结果表明,基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法,且使用的Adam优化器优于SGD优化器...     

基于CSAGA-LSSVM算法的坦克驾驶模拟训练数据分类挖掘

利用坦克驾驶模拟器进行训练是提高操作技能的重要方法。针对以往驾驶模拟训练采用统计分析方法难以从复杂训练数据中发现知识和规律的不足,提出CSAGA-LSSVM算法对坦克驾驶模拟训练数据进行分析。首先选择关键点快速生成Shapelets,以减少候选Shapelets数量;其次,根据距离和时间间隔对Shapelets进行组合,增强特征辨识能力;然后,设计自适应遗传算法,动态调整交叉、变异概率,寻找最小二乘支持向量机最优参数解,提高分类结果的准确性;与其他分类方法进行实验对比,验证了CSAGA-LSSVM算法的可行性与有效性。最后,将算法应用于某型坦克驾驶模拟器换挡操作数据的分类挖掘,提取不同训练水平人员的操作特征,促进指导个性化训练。