分析了IF钢冶炼过程中渣对钢液中[Al]、[Ti]的氧化机理,在此基础上提出了IF钢加铝脱氧后全氧的预测模型.结果表明,熔渣中(FeO)、(MnO)对钢液的二次氧化存在两种方式.当氧化物在渣中的传质是反应限制性环节时,反应发生在渣/钢界面,生成的脱氧产物分布在渣/钢界面,此时渣的氧化性随时间呈指数下降;当脱氧元素在钢中传质是反应限制性环节时,反应发生在钢液内部.对某厂RH精炼渣的数据作回归得到RH加铝后渣的氧化性随时间指数变化的关系式

以连续定向凝固柱状晶组织BFe10-1-1合金在应变速率为0.01~10s-1和变形温度为25~500℃条件下的压缩试验所得实测数据为基础,采用自适应神经网络模糊推理系统(ANFIS)方法,建立了连续柱状晶组织BFe10-1-1合金压缩变形真应力与变形温度、应变速率和真应变关系的预测模型.结果表明:ANFIS模型预测的流变应力值与试验值之间的平均误差为0.75%,均方根误差为2.13,相关系数为0.9996,很好地反映了实际变形过程的特征,而在相同情况下采用传统回归模型预测的平均误差为6.28%,表明ANFIS模型具有优良的预测精度

基于最优分类线的概念,提出了一种新的模式识别分类器构建方法——判别域界面几何法.该方法利用BP神经网络的高度非线性,将模式类样本数据从高维输入空间映射至二维判别域空间后,采用多边形中轴提取方法,构造模式类间隙多边形的中轴线,延伸至整个二维判别域空间,生成模式类决策边界.以铁路货车车轮用双列圆锥滚子轴承的故障诊断为例,介绍了判别域界面几何法的应用过程.结果表明,判别域界面几何法能在二维判别域空间上给出各不同故障模式类之间明确的界限,这就给操作者直观判断故障模式类别提供了条件

针对滚动轴承故障精密诊断的需要,采用小波包分析方法提取了滚动轴承故障的特征信号,通过小波包分析将高频信号分解到8个频带中,以频带能量作为识别故障的特征向量,应用RBF径向基神经网络建立了从特征向量到故障模式之间的映射,现场采集的数据分析表明,采用小波包和神经网络相结合的方法可以比较准确地识别滚动轴承的故障

在压力为5.2~5.7GPa,温度为1100~1300℃,保温保压时间为15min的条件下,对添加有Y2O3、Al2O3助剂的α-Si3N4微粉进行了高温高压烧结实验,以探索α-Si3N4的相变.对样品进行了X射线衍射、扫描显微观察及密度测量.实验结果表明,α→β相转变开始于1100~1200℃之间,其相转变程度随温度、压力的升高均有所提高,在5.7GPa/1300℃时,发生完全的相转变.相转变完成的烧结样品由长柱状β-Si3N4晶粒组成,晶粒间相互交错,结构均匀致密,断面有明显的晶粒拔出现象.根据实验数据拟合了大致的两相相界方程,并讨论了相关的相变机制

论述37SiMn2MoV调质齿轮轮齿弯曲疲劳强度的可靠性试验研究,该试验是在英国制造的EMR-1603型电磁谐振疲劳试验机上进行的,分4个应力级,每个应力级的试验样本不少于6个。在试验数据基础上,拟合出R-S-N曲线及方程,最后求得不同可靠度下37SiMn2MoV调质齿轮轮齿的弯曲疲劳强度极限

首先以心理动力学中的心理能量概念为基础,分析了情感能量以及表示情感状态的相关参数.然后根据情感能量守恒定律,研究了情感能量分配结构的数学表示方法和情感能量分配模型,进一步分析了情绪状态的变化过程,提出了情绪状态刺激转移过程的隐马尔可夫链及其模型算法;利用MATLAB建立相关情感状态变化的仿真研究平台,进一步研究了情感状态的变化规律.最后根据以上情感模型及其变化规律构建出表情机器头的综合研究平台,仿真结果与机器头实验数据的一致,验证了仿真模型的有效性

为了适应炼钢-连铸生产调度系统对实时性和动态性的要求,用Unifled Modeling Language(UML)对该问题建立了需求模型、静态模型和动态模型,探讨了使用UML建模的特点及关键技术。结果表明,UML能够将系统的结构与数据良好的结合起来,精确体现系统的需求

根据能量守恒、流动和传热传质等原理及定律,建立了球团矿冷却和氧化过程的数学模型,采用三对角矩阵算法对模型进行了求解,基于VisualBasic6.0开发了仿真计算软件.依据现场实测数据对建立的数学模型进行了验证,计算值与实测值之间的最大相对误差为4.8%,说明模型正确可信.利用开发的计算软件对球团矿在环冷机内的热过程进行了仿真计算,得到了环冷机内球团料层的温度分布.仿真研究表明,冷却一段风速、料层厚度、球团粒度和环冷机机速是影响环冷机内部球团料层冷却过程的主要因素.在本文研究条件下,合理操作条件为:料层厚度550～800mm,球团粒度7～16mm,冷却一段风速1.2～2.5m·s-1,环冷机机速1.0～1.5m·min-1

针对非平衡数据集分类中\少数类样本精度难以提高\这一瓶颈问题,提出了一种基于协同进化机制的欠采样方法.此方法将少数类样本与多数类样本划分为两类种群,采用种群协同进化原理,利用提出的动态交叉变异算子自适应协同进化过程,实现种群间自动调节和自动适应.仿真试验结果表明,此采样方法增强了局部随机搜索能力,改善了种群的分布特性,加强了算法的全局收敛能力,在不降低多数类样本分类性能的基础上有效提高了少数类样本的精度.与其他经典重采样方法相比,本文办法抗噪能力好,具有更强的鲁棒性