基于趋势分析的舰载机预防性维修工作优化技术研究

针对缩减舰上保障规模和提高舰载机的完好率的需求，提出舰载机预防性维修工作优化方法。分析了如何选取优化项目和参数，对比分析了各种趋势分析方法的适用性，采用基于飞参数据的趋势分析方法，刻画系统或部件的性能变化趋势，提供适合单机的舰载机预防性维修工作优化决策支撑，并以典型系统进行了案例应用，形成了一种新的舰载机提高保障效能、提升系统安全性水平的技术途径。     

Morondava盆地西部侏罗纪断陷盆地构造特征

系统分析了Morondava盆地西部侏罗纪断陷盆地构造特征,实可分为东部断陷带、中部断裂构造带和西部侏罗系残留斜坡带,可能存在有断鼻型、背斜型、地层剥蚀尖灭型、断块型、古潜山及岩性圈闭。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

甘肃省陇东地区极端降水的时空特征

为阐明甘肃省陇东地区极端降水的变化规律,利用该地区13个气象台站1961~2015年的逐日降水资料,应用超门限峰值法、反距离加权法、线性倾向估计法、滑动平均法、Mann-Kendall突变分析法、复值Morlet小波分析法研究极端降水的时空变化特征。结果表明,陇东地区各站第95百分位极端降水阈值在27.8mm附近变化,即可以大雨事件作为极端降水事件进行监测;极端降水指数主要表现为从南向北递减的趋势,极端降水事件对环县和崆峒的影响较小;极端降水事件虽然在总量、强度上表现为减小趋势,但其发生频次及对总降水的贡献率逐渐增强;极端降水总量和极端降水强度周期变化均在21年左右能量最强,而极端降水频次和极端降水贡献率周期变化分别在28、5年左右能量最强。     

基于弥散燃料颗粒开裂的金属基体裂纹特征模型

金属基弥散燃料元件在特殊工况下会发生表面起泡失效。燃料颗粒开裂是金属基体开裂的前提条件，只有当金属基体开裂后元件才会发生表面起泡。燃料颗粒开裂后，裂纹宽度和塑性区长度等裂纹特征决定了金属基体开裂行为。基于弹塑性断裂力学和应力平衡条件，建立了基于弥散燃料颗粒开裂的金属基体裂纹特征模型。计算结果表明：裂纹张开位移随退火温度和燃耗深度的升高而增加；裂纹尖端塑性区长度主要与退火温度相关。裂纹张开位移和塑性区长度的计算结果与实验数据均符合较好，验证了金属基体裂纹特征模型的有效性。     

球团矿矿相显微结构鉴别特征分析

为了帮助球团矿矿相鉴别初学者快速和准确的识别球团矿的矿相和显微结构,总结和分析了球团矿矿相在显微镜下和扫描电镜-能谱分析中的鉴定主特征信息。对光学显微镜下球团矿的主要矿相呈现的形状、位置、光学组织颜色等特征进行了区分和识别,同时利用扫描电镜-能谱分析对不同球团矿矿相进行了能谱特征对比,探讨了不同矿相呈现的能谱特征的区别。     

基于客户特征的产品环境需求预测方法研究

针对产品绿色设计中客户需求的模糊性和不确定性,提出了一种基于客户特征的产品环境需求预测方法。通过建立客户环境需求采集模版获取客户信息,采用感性工学及语义差异方法对客户环境需求进行规范化表达,构建了人工神经网络模型挖掘客户特征与客户环境需求之间的关系,帮助企业预测具有不同特征客户的环境需求,采用信息增益量化了各个客户特征对客户环境需求的影响程度。最后以某冰箱企业的客户环境需求分析为例,应用MATLAB进行仿真研究,验证了方法的可行性与有效性。