怀洪新河西坝口节制闸工作闸门振动原因分析

针对西坝口节制闸工作闸门在启闭和持住状态中出现的振动现象,通过对工作闸门进行闸门动力特性测试、闸门振动响应测试、水流脉动频率测试及闸门流固耦合分析,得出闸门在运行过程中各项参数的特征值和变化情况,找到了振动产生的原因。     

基于纯电动汽车的双输入双向DC/DC变换器设计

由于目前复合电源系统中只用一个单输入DC/DC变换器存在稳定性差,蓄电池使用寿命短的现象,而使用两个单输入DC/DC变换器又存在结构复杂、可靠性差的缺陷.因此设计了一种基于纯电动汽车的双输入双向DC/DC变换器,该变换器通过将蓄电池、超级电容作为双输入电源接入其中,使二者的输出电压更加稳定,有效地保护了蓄电池,延长了其使用寿命.同时,只使用一个DC/DC变换器使系统结构得到简化,提高了可靠性.对所提出的DC/DC变换器在纯电动汽车不同工况下的工作情况进行了分析,最后通过Matlab/Simulink进行了仿真验证,结果表明所提出的DC/DC变换器能够满足电动汽车的要求.     

基于FPGA的TDM over IP的设计

设计一种TDM over IP的技术系统。该系统用FPGA将E1数据包通过串并转换到千兆以太网数据包,经IP网传输到终端设备,再通过并串转换将以太网数据包转换成E1数据包完成传输。经过软件和硬件测试验证了此系统在千兆以太网上传输的可行性,系统没有出现误码,固有输出抖动是0.55UI,最大峰值抖动指标均满足ITU-G.823标准要求。     

完善培训机制 塑造培训品牌

通过分析新员工的培训需求,可以树立正确的培训目标,从而有利于采用合适的培训方法,制定完善的培训机制。作为新入职的员工,最渴望就是要了解公司的现状,公司未来的发展．自己在公司有哪些机会,需要付出什么,又将得到什么？因此新员工培训的目的主要是使他们能了解企业,尽快融入企业,胜任工作,产生绩效,即加速实现个人和企业的协同发展,同时塑造培训品牌。     

提高材料疲劳寿命的激光处理技术

激光淬火、激光冲击和激光表面合金化．这三种激光表面处理新技术用于改善航空结构钢３０ＣｒＭｎＮｉＳｉ２Ａ、航空铝合金７４７５、２０２４等材料的疲劳寿命结果表明：三种技术各有自己的特点和适用范围，其提高疲劳寿命的机理也有所不同。     

活塞杆疲劳裂纹声发射监测的实验研究

介绍声发射技术用于活塞杆疲劳裂纹的监测研究,分析声发射信号与活塞杆疲劳裂纹扩展过程的关系。通过实验结果表明,采用声发射技术可以对活塞杆疲劳裂纹进行监测,证明声发射技术在活塞杆监测上的可行性。     

LD钢剪切刀具失效分析

LD钢剪切刀在使用过程中因悬臂梁断裂而失效,导致其工作周期不稳定。对失效的剪切刀进行了断口分析、化学成分分析、硬度检测、力学性能测试和金相检验,以确定悬臂梁断裂的原因。结果表明:断裂的悬臂梁有粗大的网状碳化物,同时偏析严重,导致材料的挠度和冲击韧度明显低于正常值,从而过早断裂。     

一种基于EQ规则的组合服务运行时自适应方法

组合服务通常运行在开放、变化和不确定的互联网环境中.动态复杂的运行环境,使得组合服务的执行具有不确定性和不可靠性,从而制约了服务组合技术的实际可用性.针对该问题,面向环境的分析与建模,提出了一种基于EQ规则的组合服务运行时自适应方法.该方法在记载组合服务的执行日志和各备选服务的运行环境数据的基础上,挖掘得到反映“一个备选服务在特定的环境状态下所表现出的质量会如何”的EQ规则库,从而指导组合服务如何响应实时产生的各类环境变化事件,以驱动组合服务的运行时自适应,保障其可靠运行.仿真实验结果表明:该方法能够提高组合服务在动态环境中的服务质量,增强其运行稳定性,是一种有效的组合服务运行时自适应方法.     

一种基于服务选取的SBS云资源优化分配方法

获取满足全局优化目标的资源分配策略,是影响云环境中基于服务的软件系统(service-based software system,简称SBS)运行时优化效果的关键.然而,由于SBS内部复杂的业务逻辑关系和云环境中的资源约束,现有分配方法无法得到最优资源分配量.以满足SLA约束和最小化资源成本为目标,根据不同资源状态对应不同组件服务性能的特点,将组件服务可能的资源分配量、相应性能及成本转换为备选逻辑服务集,进而提出了一种云环境中基于服务选取的SBS资源优化分配模型,并设计了一种求解模型的混合遗传算法.算法采用整数编码以提高求解效率,并在选择算子中引入了精英保留策略,从而保证收敛到全局最优解.为提高遗传算法的局部搜索能力、加快收敛速度,以局部搜索策略改进了标准变异算子.实验验证了所提出的资源优化分配模型和求解算法的有效性,并表明:与分支定界法及精英保留策略遗传算法相比,混合遗传算法能够在较大规模的问题上快速获得具有较低资源成本的资源分配策略.     

一种大数据环境中分布式辅助关联分类算法

在很多现实的分类应用中,新数据的类标需要由领域专家最终确定,而分类器的分类结果仅起辅助作用.另外,随着大数据所隐含价值越发被人们重视,分类器的训练会从面向单一数据集逐渐过渡到面向分布式空间数据集,大数据环境下辅助分类也将成为未来分类应用的重要分支.然而,现有的分类研究缺乏对此类应用的关注.大数据环境中的辅助分类面临以下3个问题:1) 训练集是分布式大数据集;2) 在空间上,训练集所包含的各局部数据源的类别分布不尽相同;3) 在时间上,训练集是动态变化的,会发生类别迁移现象.在考虑以上问题的基础上,提出一种大数据环境中分布式辅助关联分类方法.该方法首先给出一种大数据环境中分布式关联分类器构建算法,在该算法中,通过横向加权考虑分类数据集在空间上的类别分布差异,并给出"前件空间支持度-相关系数"的度量框架,改进关联分类算法面对不平衡数据的性能缺陷;然后,给出一种基于适应因子的辅助关联分类器动态调整方法,能够在分类器应用过程中充分利用领域专家实时反馈的结果对分类器进行动态调整,以提升其面向动态数据集的分类性能,减缓分类器的退化和重新训练的频率.实验结果表明,该方法能够面向分布式数据集较快地训练出有较高分类准确率的关联分类器,并在数据集不断扩充变化时提升分类性能,是一种有效的大数据环境中辅助分类应用方法.