针对经典K–means算法对不均衡数据进行聚类时产生的“均匀效应”问题，提出一种基于近邻的不均衡数据聚类算法（Clustering algorithm for imbalanced data based on nearest neighbor，CABON）。CABON算法首先对数据对象进行初始聚类，通过定义的类别待定集来确定初始聚类结果中类别归属有待进一步核定的数据对象集合；并给出一种类别待定集的动态调整机制，利用近邻思想实现此集合中数据对象所属类别的重新划分，按照从集合边缘到中心的顺序将类别待定集中的数据对象依次归入其最近邻居所在的类别中，得到最终的聚类结果，以避免“均匀效应”对聚类结果的影响。将该算法与K–means、多中心的非平衡K_均值聚类方法（Imbalanced K–means clustering method with multiple centers，MC_IK）和非均匀数据的变异系数聚类算法（Coefficient of variation clustering for non-uniform data，CVCN）在人工数据集和真实数据集上分别进行实验对比，结果表明CABON算法能够有效消减K–means算法对不均衡数据聚类时所产生的“均匀效应”，聚类效果明显优于K–means、MC_IK和CVCN算法
利用离散单元法（Discrete element method，DEM）对球形颗粒群以及非球形颗粒群的筛分过程进行了仿真并开展了实验研究，结果表明球形和非球形颗粒的仿真与实验中筛分效率的变化是一致的，但非球形颗粒的仿真结果与实验结果更接近。正交设计多组模拟试验，分析了各振动参数（振动频率、振幅以及筛面倾角）对颗粒分布曲线、筛分效率以及物料平均运输速度的影响规律。对正交试验表中的数据进行多元非线性拟合，得到筛分效率与振动参数间的关系式；并在此关系式的基础上，对振动参数进行优化设计，得到了最优振动参数且在仿真中得到了验证。研究内容不但为高频振网筛振动参数的设计提供了理论依据，而且为研究高频振动系统的筛分机理提供了实验和仿真数据支持
测试了微型制氧吸附剂的平衡吸附特性,在此基础上选出适合快速真空变压吸附制氧的吸附剂.针对传统的单塔两步快速变压吸附制氧含量低问题,提出了提高产品气氧含量的单塔快速变压吸附制氧的排放气和原料气组合充压流程,并对该流程进行实验研究.结果表明:在单塔快速真空变压吸附制氧过程中,采用排放气和原料气组合充压流程可以有效提高产品气氧含量.充压前排放气的压力和氧含量是影响产品气氧含量的关键参数,采取合适的排放气压力和较高氧含量的排放气可获得更高的产品气氧含量.在吸附和解吸压力分别为240 k Pa和60 k Pa时,采用排放气和原料气组合充压的快速真空变压吸附流程可获得氧体积分数90%的产品气,其产氧率为325.08 L·h-1·kg-1
