摘要：针对工程实际中齿轮振动信号受噪声污染严重导致其异常状态难以准确识别的问题,提出了一种基于变分模态提取(variational mode extraction,VME)和多尺度一维卷积(multiscale one-dimensional convolution,M1DCNN)融合长短时记忆神经网络(long short-term memory,LSTM)的齿轮异常状态智能识别新方法。首先,采用VME方法分别对采集到的齿轮处于正常状态、轮齿碎裂、齿轮断齿、齿根裂纹以及齿轮磨损等5种状态的原始振动信号进行预处理,去除原始振动信号中的噪声干扰,提取齿轮不同状态的主模态分量作为齿轮状态的特征信息;其次,由提取的齿轮状态主模态分量构建训练数据集与测试数据集;最后,设计了M1DCNN-LSTM异常状态识别模型,并采用所构建的数据集对设计的异常状态识别模型进行了测试试验验证。结果表明,所提出的方法可以很好地实现齿轮异常状态智能识别效能,异常状态识别准确率达99.25%,明显高于其他相关齿轮异常状态识别方法。

摘要：针对人为选定参数造成神经网络故障诊断性能不稳定问题与麻雀搜索算法(sparrow search algorithm,SSA)种群初始化时由于随机性造成寻优范围缩小和算法容易陷入局部最优等问题,采用反向学习(opposition-based learning,OBL)对SSA算法中麻雀种群初始化过程进行优化,扩大搜索范围,并结合随机游走策略(random walk,RW)对寻优过程中的最优麻雀施加扰动,提高算法的局部搜索能力,降低算法陷入局部最优的风险。在此基础上,采用基于反向学习和随机游走策略的麻雀搜索算法(sparrow search algorithm based on oppositionbased learning and random walk,BRWSSA)优化门控循环单元(gate recurrent unit,GRU)的隐含层节点个数,设计了一种基于BRWSSA-GRU的发动机滑油系统故障诊断模型。为了验证所设计的故障诊断模型的有效性,还设计了GRU和SSA-GRU两种故障诊断模型。最后,采用相同的滑油系统数据集对GRU、SSA-GRU和BRWSSA-GRU3种不同的故障诊断模型的有效性进行了对比试验验证。结果表明,提出的BRWSSA-GRU故障诊断模型的诊断准确率明显优于GRU和SSA-GRU方法,BRWSSA-GRU故障诊断模型的有效性得到验证。

摘要：结合盐穴储气库造腔的特点,围绕造腔设计的腔体目标和实施工艺,提出对注油管、采卤管的井口压力和密度进行实时监测,利用监测的数据进行数学建模,以计算出造腔过程中油水界面实时深度。现场应用表明,采用该方法计算得到的油水界面实时深度误差可控制在±5m,在一定程度上满足了储气井造腔阶段油水界面监测需要,也为盐穴储气库造腔过程中的油水界面深度实时监测提供了一种辅助方法。

摘要：叶面积指数(LAI)是生态研究中的一项重要参数,因大气等条件影响,遥感LAI时序数据存在着质量低、连续性差等问题。针对这种情况,提出了基于ArcGIS Engine和ENVI/IDL的LAI时序数据重建系统构建方案,采用C#/IDL混合编程技术,引入项目组提出的综合滤波算法,实现了遥感和GIS数据联合处理与分析,可识别和修复MODIS LAI时序产品的低质量数据和异常点,重建出整体稳定性较好的高质量数据。采用空间数据库引擎技术构建的LAI空间数据库,可实现对LAI遥感影像、土地覆盖数据、质量控制文件等异构数据的统一管理。LAI数据重建的系统化简化了操作步骤,并在可视化处理的同时,高效地为全球或区域环境变化、植被动态监测、土地覆盖变化和物候信息提取等生态环境研究提供更加完善的基础数据。

摘要：在《声屏世界》2017年第8期撰文指出,新闻聚合类媒体是一个信息分发平台,其大部分内容都是借助网络爬虫技术,从各大媒体、网站等内容生产方那里进行信息抓取,并通过机器算法进行信息的分发。在新闻生产过程中,新闻聚合类媒体用机器算法代替了人工编辑。在今日头条团队中,编辑的人数非常少,却有约1500名工程师,其中大约800名工程师专攻算法设计和资料分析。

摘要：加强现代化建设的关键是人才,本文对当前培训行业及企业学习的发展趋势作出分析,旨在探究企业管理培训中心创新发展的有效策略。

摘要：针对地铁换乘节点、变电所偏离车站主体等特殊情形车站,结合实际工程,分析比较多种情况下的接地网设计方案,提出合理的特殊情形车站接地网设计方案。

摘要：这是一片曲折连绵的海港．远远望去．像一条神气无比的飞龙．又像一条象征着和平与收获的彩带。阳光把慈祥又美丽的海港照得金灿灿的，贝壳在太阳光下也闪闪发光。一棵棵椰子树笔直的站在那儿．像一位位严厉的士兵守护着海港妈妈。海浪拍打着海岸，发出了。哗——哗——“的声音．海风吹来“呼——呼——”的声音，他们一起唱着海港新谱的《渔歌》。