UML建模技术在智能故障诊断系统中的应用

智能故障诊断系统是电站仿真系统中的重要部分,它根据采集到的数据或经转换过的参数进行推理、判断出发生故障的设备.推理诊断采用专家系统和不确定性推理的技术.本文以UML(统一建模语言)为工具,对智能故障诊断系统进行面向对象分析、设计和建模.     

锰酸锂正极锂离子二次电池纯电动汽车的研制

以100Ah的锰酸锂锂离子二次电池锂离子电池组和30kW交流电机组成了动力系统,研制了MGL6486EV电动汽车。电池组的电压为304V,能量为37kWh,电池组采用了智能管理系统(BMS)和均衡系统。电动机采用全数字适量控制,并具有刹车能量回收和防溜车功能。在充电时智能充电机始终与BMS保持通信联系,以保证电池组安全快速充电。车辆最高车速可达117km/h,0~50km/h加速时间为6·80s,50~80km/h加速时间为7·34s,爬坡度超过20%,续驶里程为204km,百公里耗电仅为19kWh。到目前为止该车辆已运行5万多km。     

基于MEMS技术的平面W型微弹簧刚度特性研究

为了方便平面W型微弹簧的设计和制造,对其刚度特性表征方面进行了研究.运用能量方法推导出平面W型微弹簧弹簧常数计算公式.通过镍质平面W型微弹簧的实际拉伸实验,对推导出的微弹簧弹簧常数计算公式进行了验证,公式计算结果与测试结果基本相符.同时在有限元模拟分析软件———ANSYS中进行了仿真计算,二者一致性很好.在公式和仿真计算的基础上,找出了各结构参数对其刚度的影响规律.研究结果为平面W型微弹簧的优化设计与加工提供了理论指导.     

烟草普通花叶病的发生与药剂防治研究

对烟草普通花叶病的发生与药剂防治进行研究的结果表明 ,花叶病在 4月上旬严重发生 ,于 5月上中旬达到高峰。在选用的几种药剂中 ,病毒必克防治效果最好 ,为 5 5 .6 5 % ;其次是菌克毒克的防效为 5 0 .8% ;金叶宝的防效为 36 .1% ,植病灵的防效最差 ,仅为 0 .9%。     

同步电机在线参数辨识的混合算法

根据输出误差法(OEM)、遗传算法和神经网络的优缺点,提出了一种同步电机参数在线辨识的四步法.由于OEM辨识参数需要较好的初值,文中首先用遗传算法在大范围内进行参数寻优,然后以此值作为OEM的初值进行迭代,再用OEM求得的结果训练人工神经网络,最后通过成功训练的神经网络在线辨识各种运行状态下的电机参数.这样使得传统的OEM参数辨识算法、遗传算法和神经网络在辨识参数方面充分地扬长避短,解决了单一算法的不足.在对一台111kVA、440V同步电机进行的仿真试验中,该方法在保证精度的前提下,辨识时间仅为0 008s.     

气相色谱/质谱法测定饮用水中挥发性有机物

建立了吹扫捕集与气相色谱一质谱联用测定饮用水中13种挥发性有机物的分析方法．该方法的加标回收率在90％～110％之间，相对标准偏差基本小于5．0％，该方法灵敏度高、准确度好，已成功地用于饮用水中挥发性有机污染物的测定，结果令人满意．     

黄脸油葫芦中枢神经系统的组织解剖学研究

应用解剖镜和光镜观察了黄脸油葫芦(Teleogryllus emma (Ohmachi and Matsuura))中枢神经系统的组织解剖学结构，并对脑和各体神经节的组织学结构进行了比较．结果表明，黄脸油葫芦的中枢神经系统由脑、食道下神经节和腹神经索组成；前、中、后脑分化明显，腹神经索包括三对胸神经节、五对腹神经节及纵贯各神经节的神经索；脑和各体神经节的组织学结构相似，由外向内依次是神经鞘、神经细胞层和髓质层；脑的髓质层复杂，其中含有四种由神经细胞球体和神经纤维束形成的脑体，一对蕈状体、一个脑桥体、一个中央体及一对脑腹体。     

桃叶珊瑚甙的体外抗氧化研究

研究了桃叶珊瑚甙对化学体系中产生的自由基的清除作用以及桃叶珊瑚甙对组织匀浆、线粒体、微粒体氧化损伤的保护作用．以Fenton反应和邻苯三酚自氧化反应产生自由基。分光光度法检测．结果显示，桃叶珊瑚甙有较强的清除自由基作用，对组织细胞及亚细胞膜性结构的氧化损伤有较好的保护作用．     

一种基于Lagrange神经网络的盲多用户检测器

提出了一种基于Lagrange神经网络的盲多用户检测器，该检测器以最小平均输出能量为准则，把盲检测问题转化为优化问题，利用神经网络进行有效求解。理论分析和仿真结果表明，该检测器在性能上优于传统的检测器，且计算量少，收敛速度快，便于实时处理。     

非线性时序的混沌特性分析与预测

非线性时间序列相空间重构过程中的参数选择问题以及有效的预测方法一直是该领域研究的热点和难点，基于虚假最近邻域概念，同时确定最佳的嵌入维数m与时间延迟τ，对实际非线性时间序列进行相空间重构，求解出时间序列最在Lyapunov指数LE，验证了其中混沌特性，其可预报尺度为[1／LE]．并应用基于[1／LE]个输入神经元与Kenya提出的m：2m：m：1这两种人工神经网络结构对非线性时间序列进行训练和预测，预测结果的平均误差分别为4％和2％左右，后一种神经网络结构能提供更好的预测结果。