提出了一种基于免疫原理的故障检测及诊断系统模型.通过对检测对象正常工作状态下获得的自己模式串的阴性选择,随机产生初始检测器;利用基于人工免疫的进化学习机制,实现对检测对象异常工作状态下获得的非己模式串进行学习和记忆;利用进化学习结果和系统故障信息库知识,区分和标记不同故障在状态空间上对应的区域.将抗原学习过程中抗体集合变异所产生的各代抗体集合看作随机序列,给出了序列的收敛条件及证明,证明了所提出的动态免疫进化学习算法是概率弱收敛.应用于机床齿轮箱故障检测和诊断问题的实验结果表明了所提出方法的有效性

针对冷连轧机动态变规格特性,提出了以变规格前的带钢张力设定值为控制目标的变规格机架速度控制策略.通过建立张力作用下带钢弹性变形的数学解析模型,推导计算了单步小压下变规格时变规格机架的速度控制规律,并根据流量相等原则对变规格后的冷连轧机前面机架进行速度设定.当变规格前后带钢的几何尺寸或材料特性差异较大时,提出利用楔形段方式完成动态变规格,采用上述张力控制目标策略推导计算了楔形段动态变规格方式每个中间厚度的轧制速度和辊缝设定值控制规律.本策略可将变规格造成的厚度偏差控制在变规格机架之间,同时避免了变规格机架与其他机架轧制因素通过张力的耦合,使轧制过程的动态变规格控制易于实现

冷轧带钢钢卷在平整机上开卷时,带钢表面有时会出现横折印缺陷.为了减小带钢表面的横折印缺陷,通过建立平整机开卷过程有限元模型,研究了冷轧带钢钢卷在开卷过程中应力的大小分布及影响因素,分析了开卷张力、板厚、粘结程度和钢卷半径等与产生横折印的关系,提出了减小带钢在打开过程中的反弯和罩式炉中的粘结程度来克服带钢表面横折印缺陷的途径,并发现增大开卷张力有利于减轻或避免横折印的产生,消除了关于开卷张力与横折印关系的错误认识

提出了一种基于免疫识别原理的径向基函数神经网络学习算法.该算法利用人工免疫系统的识别、记忆、学习等原理,将输入数据作为抗原,抗体为抗原的压缩映射作为径向基函数神经网络模型的隐层中心,输出采用最小二乘法确定权值.通过预报热轧带肋钢筋力学性能的仿真实验结果表明,与K-均值法选择中心点比较,该算法计算量较小,精度高

研究了不同转速和球磨时间对氧化物弥散强化合金粉末的微观形貌和结构的影响.XRD和SEM结果表明:当转速为380r·min-1时,既能提高球磨效率,又可避免粉末在球磨过程中发生团聚.机械合金化中晶粒尺寸和平均颗粒尺寸的减小导致XRD衍射峰的宽化.当球磨时间为30h时,粉末平均粒径随着球磨时间的增加而迅速减小至13.4μm,粉末多呈球形,粒度分布较窄.SEM-EDS结果表明,各合金元素在粉末内部分布均匀

采用贝叶斯统计学原理改进传统神经网络算法,通过在神经网络的目标函数中引入表示网络结构复杂性的约束项,避免网络的过拟合以提高网络的泛化能力.将改进的神经网络应用于济钢1700mm热连轧机带钢厚度预测中,其预报精度、训练时间和网络稳定性均优于传统神经网络预测;然后应用贝叶斯神经网络预测带钢塑性系数;最后将出口带钢厚度和带钢塑性系数的实时预测值综合应用于带钢热连轧厚度控制系统,改进了传统的厚度控制方式,进一步提高带钢质量

熔池中钢液的流动、气泡以及夹杂物的大小都影响着钢液中夹杂物的去除率.研究表明,向上流动的钢液有利于夹杂物的上浮,几乎所有的夹杂物都能在钢液上升流中上浮.向下流动的钢液对夹杂物和气泡的上浮有阻碍作用,当气泡的直径小于1mm时其在钢液中将无法上浮.在钢包精炼吹氩过程中,应使用较小的吹氩量,一方面避免产生过大的气泡而降低底吹气体的利用效率,另一方面减小熔池内的钢液流速,促进气泡和夹杂物的上浮.但吹氩量也不宜过小,必须使气泡保持一定的尺寸来保证其充分上浮.在钢包精炼过程中选择吹氩量时,应综合考虑钢液流速和气泡大小的影响

采用电弧喷涂技术在Q235钢基体上制备了铝涂层,并用完整涂层和局部破坏涂层两种试样进行室内模拟浸泡腐蚀实验,腐蚀介质为3.5% NaCl水溶液,流速为0.6m·s-1,实验温度为50±1℃.结果表明:涂层局部破坏时的腐蚀速度与涂层完好时相差不大;铝涂层表面的均匀腐蚀并不严重,铝涂层的腐蚀主要是由于闭塞电池和活性-钝性腐蚀微电池的联合作用引起的局部腐蚀,主要类型为点蚀,且涂层层状剥落形成蚀坑;腐蚀介质到达基体时,将发生电偶腐蚀,铝涂层会作为牺牲阳极保护基体免受腐蚀

针对保税港区业务背景及服务流程的特点,构建了保税港区服务流程性能管理框架.在此基础上,提出服务流程性能评价模型以及相应的性能评价指标体系.针对保税港区服务流程时效性的特点,提出了相应的实时灰色预测方法,并通过一个应用示例验证了方法的有效性.服务流程性能指标体系综合了保税港区系统中\业务\与\IT\两个层面特点,避免了现有评价方法的片面性.另外,实时性能预测方法能够有效地支持保税港区业务的闭环管理,而且适用面广,可以在其他行业进行推广使用

针对大型齿轮箱低速轴故障信息难以提取的问题,采用小波分析方法对故障数据进行处理以实现信号在时/频域的局域性分析,将其无冗余、无泄漏地分解到一组具有紧支撑性的小波基上.文中采用小波分层突变系数作为判别故障隐患的特征值,并对该特征值进行趋势分析.结果表明:小波变换能有效捕捉冲击信号的时域特征和故障发生的时间历程,用小波分层突变系数所做的趋势图能有效地预测故障发展趋势,避免突发故障