利用改装电铃的受迫振动测量液体的粘滞系数

通过改装电铃使小球在蓖麻油中产生受迫振动,用示波器测量液体中振子的谐振频率,求得液体阻尼系数,依据弹性振子在液体中做受迫振动时的受力情况以及斯托克斯公式和阻尼力公式,进而确定了液体粘滞系数.本文所采用的实验方法比传统落球法测得的粘滞系数更加精确且现象明显,提供了一种测量液体粘滞系数的新方法.     

天然气汽车改装中CNG喷射器喷嘴孔径的确定

在压缩天然气汽车(CNGV)的改装过程中,CNG喷射器喷嘴孔径这个工艺参数,极为关键却又难以把握。为了提高安装作业的效率及精度,探究出一种能辅助安装者更快更准地确定所需孔径的方法,提出了以模糊模式识别原理的算法,根据待改装车辆的发动机功率、行驶总里程和当前火花塞使用中的行驶里程这3个指标,对喷嘴孔径的尺寸进行识别,以实现在CNG系统安装前对孔径进行确定。在MATLAB中对该算法进行验证时,发现采用随机性更好的分组抽样且对算法的数据运算过程进一步匹配修正后,孔径的识别精准性显著提高。经过与此前的实际安装记录数据的核对,最终证实了该算法的可行性及准确性。     

广域级电网在运智能电能表的烧损故障关联分析和预测方法

针对智能电能表在运行过程中出现烧损的现象，在对各类因素进行关联分析后， 提出了一种基于XGBoost算法的智能电能表烧损预测方法，以某省份2019—2020年的数据为例进行了测试验证. 采用该方法结合电能表基本信息数据、运行数据和环境数据进行烧损识别，并与K最邻近法（K-NearestNeighbor，KNN）、朴素贝叶斯和支持向量机等传统机器学习算法进行对比. 结果表明，基于极限梯度提升算法（eXtreme Gradient Boosting， XGBoost）的算法精度达到91%，召回率达到66%，综合指标F1达到76.51%，远高于传统算法. 算法模型在进行系统部署的过程中，运用长短期记忆算法（Long Short Term Memory， LSTM）对部分缺失值进行了填充，经试点验证，该模型可较为准确地预测低压台区电能表烧损现象.