施工阶段的质量控制——浅谈市政道路排水工程施工质量管理

近年来,随着国民经济持续、稳定、快速发展,国家对建设工程的投入大幅度增长,城市市政基础设施工程也得到了空前发展,市政单项工程的规模越来越大,使用功能的综合化程度越来越高,新技术、新材料、新设备和新工艺"四新技术"层出不穷,市政行业整体技术水平得到很大提高.     

浮筒式与蜂窝式内浮顶应用比较

对浮简式内浮顶与蜂窝式内浮顶的功能、结构等方面进行了比较,提出发展趋势和市场前景.     

机械设备状态监测无线传感器网络研究进展

通过分析无线传感器网络（wireless sensors network,简称WSN）的优势和潜能,提出将无线传感器网络应用于机械设备状态监测中,以弥补目前有线连接的机械设备状态监测系统的局限性。针对目前机械设备状态监测中所用的无线传感器网络节点硬件性能偏低、采样频率也低、缺乏信号同步采集研究、对大量数据快速可靠传输研究偏少、对于反映机械设备状态最关键的机械振动的监测还难以实现等问题,提出要实现基于无线传感器网络的机械设备状态监测,必须解决高速同步采集、实时可靠传输和能量供应等难题。指出了低成本、低功耗、微型化、网络化、多功能化将是无线传感器网络在机械设备状态监测应用中的发展方向。     

多元位置3值VMAP调制解调器

为同时改善不对称的随机极性甚小幅相(ARP-VMAP)调制信号的频谱利用率和能量利用率,提出了一种多元位置3值VMAP调制方式,设计了基于BP神经网络或支持向量机解调器的接收机。对比和分析了ARP-VMAP调制、3值VMAP调制、多元位置ARP-VMAP调制和多元位置3值VMAP调制信号的功率谱特性、?60 dB带宽、频谱利用率和解调性能。仿真结果表明,新的调制方式不仅提高了频谱利用率,而且显著改善了解调性能。     

机械振动无线传感器网络数据分块大小研究

机械振动无线传感器网络节点因存储容量有限、信道带宽窄导致节点需将高采样频率下产生的大量振动数据进行分块存储、读取与发送,而数据分块大小将直接影响数据存储、读取与发送能耗。为研究各过程数据分块大小与能耗的关系,首先通过实验得出数据存储、读取与发送过程中工作电流、工作时间与数据分块大小间离散关系;然后利用最小二乘法对离散关系进行线性拟合,建立各过程能耗数学模型,结合处理器自身存储容量与通信协议物理层载荷等限制因素,得出使各过程能耗最低的数据分块大小。对比实验结果表明,各过程均采用最优数据分块大小能有效降低机械振动无线传感器网络节点能耗。     

基于信标时序补偿的机械振动无线传感器网络同步触发方法

针对无线传感器网络（WSN）在实现机械振动同步采集过程中,采集节点应该同时触发采集命令,同步触发误差应在一个采样周期内的要求,设计了一种基于信标时序补偿思想的WSN同步触发协议STBTC_P（the Synchronization Trigger protocol based on Beacon Timing Compensation）。协议基于IEEE 802.15.4协议标准开发多跳树状网络,以信标负载方式传输采集命令,在利用集中关联信标分配法避免信标冲突并实现全网时钟同步后,采用基于信标时序补偿思想的同步触发方法实现机械振动采集命令的多跳同步触发,为最终提高机械振动同步采集精度创造使能条件。最后,在自研采集节点WSN-G2上运行STBTC_P协议,并验证了其有效性。     

基于Shapley值修正的服务供应链系统利益分配研究

基于Shapley值的利益分配策略是研究利益分配的有效方法,但其不考虑系统成员在投入等因素方面的差异性,因此在服务供应链系统利益分配过程中,需要进行修正。通过分别考虑投入因素、努力因素和风险因素对其进行修正的基础上,建立了基于Shapely值的服务供应链系统利益分配综合修正模型进行利益分配。     

时钟同步调度的多跳机械振动WSN多信道传输法

针对机械振动无线传感器网络(wireless sensor networks,简称WSNs)在多跳应用中因信道竞争激烈导致大量振动数据传输速率低的问题,提出了一种基于时钟同步调度的多跳机械振动WSN多信道数据传输方法,从时钟同步精度、网络调度效率和信道干扰等方面提高多跳网络数据传输性能。首先,采用基于信标时序补偿的多跳网络时钟同步方法,实现数据传输的全网同步调度;其次,通过父子链路时序轮转的数据传输调度方法,确保节点有效传输时间最大化;然后,采用干扰最小化信道分配方法实现多跳网络传输信道分配,避免邻频干扰对多信道并行数据传输的影响;最后,通过丢包检测重传机制保证数据传输可靠性,避免振动数据丢失。多信道数据传输性能测试结果表明,该方法可以将多跳网络数据传输速率从10kbps提高至70kbps以上,满足多跳机械振动WSN数据传输需求。     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

基于多通道融合及贝叶斯理论的刀具剩余寿命预测方法

刀具监测及可用剩余寿命(RUL)预测对降本增效及保证加工质量意义重大.针对单一传感器预测精度波动大、数据利用率低、可靠性低等问题,提出一种多通道信号融合及贝叶斯更新的刀具剩余寿命预测方法.通过计算多通道信号所提取特征的时间序列与对应时间矢量的斯皮尔曼等级相关系数对特征时序做单调性排序,取单调性得分高的特征用主成分分析进行融合并构建健康因子作为观测数据,基于贝叶斯理论及马尔科夫链蒙特卡洛采样估计退化模型参数,并随着时间推进及监测数据序贯可获,实时在线更新退化模型参数以逐渐逼近刀具磨损退化趋势,同时对每时刻剩余寿命进行迭代估计.所提方法可避免基于深度学习方法需要依赖大量全寿命数据离线训练预测模型且模型对新预测任务适应性有限的局限性.用PHM2010公开数据挑战赛中三槽球头硬质合金铣刀切削不锈钢过程磨损全寿命数据集验证了方法有效性.