国有大中型企业的授权与控制

为了为企业员工在企业原则的范围内实现企业的目标,企业的高级管理者有必要给员工放权,从而发挥员工的创造性。大型而复杂的企业可以采用诊断控制系统,信念控制系统,边界系统,交互控制系统四种机制来有效激励企业员工。     

某典型折叠机构的磨损寿命研究及优化

针对航空航天柔性机构具有复杂非线性的特点,提出一种在多软件平台下建立柔性机构模型并进行运动学仿真的方法。对某典型折叠机构进行参数化建模及运动学分析,并采用不同可靠性分析方法对折叠机构进行可靠性分析和磨损寿命分析。最后对机构进行磨损寿命优化。优化结果显示机构最大应力水平显著降低,磨损寿命显著提高。     

山区架空输电线路绕击跳闸率的计算研究

采用一种改进的绕击跳闸率计算方法对某山区110 kV易击线路段两个相邻档距范围内的输电线路进行绕击跳闸率的计算分析。此方法在充分考虑沿线路档距方向输电走廊任意点处的海拔高度和地面倾角的情况下,以悬链线方程为依据,计算出输电线路任意点处的导、地线对地实际高度及任意点处所对应的保护角,然后,以输电线路位于山脉不同位置时的绕击跳闸率计算公式为基础,利用MATLAB开发应用程序对输电线路任意档距范围内任意点处的绕击跳闸率进行计算分析,并于实际雷击数据进行比较,其仿真计算结果验证了本文采用的计算方法的正确性,为高海拔山区复杂地形条件下架空输电线路的防雷设计和改造提供参考依据。     

心算负载任务对事件相关电位信号特征影响的研究

事件相关电位是神经科学研究中重要的一种认知电位,也是脑机接口中常用的特征信号之一。心算任务引起的心理负载能够诱发事件相关电位。常用的信号特征主要为时域波形特征。无法全面分析评估特征特点。研究中设计了三种心算任务,时域上研究诱发的事件相关电位的波形特征,频域上利用格兰杰因果关系分析方法研究任务脑功能网络连接,探讨三种心算任务诱发事件相关电位特征信号的效果和特点。为构建基于ERP特征信号的脑机接口新范式提供理论依据和技术支持。     

静止同步补偿器的解耦控制策略

静止同步补偿器（STATCOM）可以起到稳定接入点电压,有效的降低网损率和提高功率因数及防止非线性负荷的作用。但是STATCOM在dq坐标系下是一个非线性、强耦合的系统,为了保证输出电流快速无差的跟踪整定值需要对其进行解耦。通过对STATCOM基本结构进行分析,得到了耦合项的模型。采用模糊免疫PI控制和逆系统相结合的方法对原系统进行线性化的解耦,避免了有功和无功电流的耦合作用。最后运用MATLAB进行仿真,仿真结果表明,所提解耦控制策略具有性能优良、结构简单、容易实现的优点。     

新型Vip3-like蛋白的从头预测建模及其结构域分析

Vip3-like蛋白对小菜蛾等鳞翅目昆虫有杀虫活性,是苏云金芽孢杆菌营养期杀虫蛋白Vip3的同源蛋白.为建立Vip3-like三维结构的理论模型并对其结构域进行生物信息学分析,选择从头预测的方法对Vip3-like蛋白三维结构的理论模型进行预测分析.分析结果表明,Vip3-like蛋白由1个Vip3A-N超家族结构域和3个糖类结合结构域组成.与模式蛋白Vip3Aa相比,Vip3-like是一种分子量更大的蛋白质,且2种蛋白的表面静电势分布也存在差异.其Vip3A-N结构域仅由α螺旋和无规则卷曲组成,没有发现β折叠.3个糖类结合结构域主要由无规则卷曲和β折叠组成,仅存在1个α螺旋结构.结构域分析预示无规则卷曲和β折叠可能在Vip3-like和受体结合的过程中扮演着重要角色.通过比较分析,发现Vip3Aa和Vip3-like蛋白在三级结构上存在较大差异,仅仅在局部结构存在一定的相似性,Vip3-like可能并不属于Vip3Aa类蛋白家族而属于一种全新的Bt营养期杀虫蛋白质.     

超深层走滑断裂带应力场模拟及其开发意义: 以顺北5号断裂带南段为例

为了分析顺北5号断裂带南段应力场平面分布及其开发意义，选取一间房组为研究对象，在岩石力学实验基础上，通过ANSYS软件进行应力场数值模拟，结合地应力驱油理论，对应力场进行了平面分布预测。结果表明：顺北地区一间房组地应力受断裂带控制，最大水平主应力方向为北东-南西向为主，断裂带周围地应力方向变化快，断裂带内最大主应力方向趋向于与断层走向向平行。地应力分布与流体势分布具有一致性，断裂带对应低流体势分布区，为油气有利聚集带。结合一间房组储层发育类型，井轨优化方位根据储层的差异而变化，天然裂缝性储层、基质低渗透性薄储层油气藏水平井的钻井方位应平行于最小主应力方位，基质低渗透性厚储层水平井的钻井方位应与最大主应力方向平行。     

基于LOF-SSA-PSO-LSSVM模型的旅游客流量预测

针对月度旅游客流量影响因素复杂，时间序列数据中可能存在异常值和噪声的特点，提出了一个基于局部异常因子(LOF)和奇异谱分析(SSA)的LOF-SSA-PSO-LSSVM预测模型.数据预处理阶段，对原始序列运用X12季节加法模型消除季节性的影响，采用LOF方法检测季节调整后序列的异常值，并使用线性插值和最小二乘支持向量机(LSSVM)方法来修正异常值，新的待预测序列由修正后的季节调整序列与季节因子序列加和得到.预测阶段，首先采用奇异谱分析(SSA)方法来剔除新的待预测序列中的噪声，然后采用PSO-LSSVM方法对其进行预测.以上海2004年1月至2018年12月旅游客流量序列的预测为例，通过与ARIMA、LSSVM等模型比较，表明LOF-SSA-PSO-LSSVM模型能有效提高旅游客流量的预测精度和稳定性.