基于二维量度的复杂设备预防性维修决策优化

针对使用与维修具有两个测量维度的复杂设备,开展了其预防性维修决策的优化研究。基于二维量度的故障模式,给出了二维故障率的定量描述方法;分析了其预防性更换过程的基本过程,探讨了二维量度下更换周期对维修效果的影响,并从经济性角度建立了二维工龄更换费用模型;最后,采用算例的形式,对某设备维修决策同时考虑日历使用时间和行驶里程的情况,进行了二维更换间隔期的优化求解,从而验证了所建立方法与模型的实用性。     

基于灰色加权马尔科夫的部队集成训练效果预测

针对GM(1,1)预测模型误差较大的问题,在GM(1,1)模型的基础上引入加权马尔科夫模型构建了部队集成训练效果预测模型。该模型以GM(1,1)模型存在的预测残差作为划分马尔科夫状态的依据,通过加权处理对预测结果进行修正。实例分析结果表明,该模型算法简单,易于实现,可以较大地提高部队训练效果预测精度,为部队开展科学有效的实战化训练提供了有力的数据支撑。     

英国高等教育大众化经验及借鉴价值

英国高等教育的水平居世界前列,其发展从精英化阶段到大众化阶段再到普及化阶段,经历了较长的发展历程.在英国高等教育大众化阶段,高等教育所采取的相关措施、制定的相关法案对解决大众化阶段高等教育监管、经费等问题都提供了切实可行的办法,为正处于高等教育大众化阶段的中国提供了一定的理论支持.借鉴英国大众化阶段所采取的相关措施,避免走弯路,实施科学发展战略,对我国高等教育大众化发展具有推进作用.     

水顶油顺序输送油水混合模型研究

顺序输送是利用一条管道输送多种油品,因其可最大限度发挥管道输送潜能而被广泛应用。按照前后行液体不同可分为水顶油、油顶水和不同油品间顺序输送等,其中水顶油顺序输送主要用于管道撤收前的排空作业。对水顶油顺序输送油水混合过程进行了分析,建立了油水混合模型,利用CFD对其进行数值求解,并将仿真结果与前期理论分析进行了对比,两者吻合较好。所得结论可为机动管线水顶油排空作业提供科学指导。     

一种基于动态循环筛选模型的指标体系建立方法

针对评估中指标体系构建问题,提出一种层次网指标体系模型,对其中底层指标集的确立问题提出一种基于动态循环筛选模型的指标集选取方法,该方法在每一轮的循环过程中,通过评价专家专业度对专家集进行了优化,通过数据信息熵评价数据有效度系数,进而得到指标的重要度。指标集的双重优化确保了专家集的专业性和指标集的合理性,实际算例分析证明了此方法的可行性和有效性。     

一种新的离差最大化的舰艇编队对空目标威胁评估

现代海战中,空中目标对于舰艇编队的威胁日益严重。及时、准确地评估空中目标威胁是舰艇编队提高生存能力的关键。传统目标威胁评估方法有的依赖于专家的主观判断,有的需要大量准确性较高的训练样本数据,从而使实际运用受到局限。提出了一种新的基于离差最大化的威胁评估方法,它适用于威胁评估指标权重完全未知,通过仿真算例验证了该方法的合理性和有效性。     

一种自适应Harris角点检测算法

针对传统算法检测效果不理想的问题,提出了一种基于自适应非最大抑制策略的Harris角点检测算法;通过设置抑制半径与角点响应函数的局部最大值关联,减小抑制半径获取角点。算法有效解决了阈值选取和"聚簇"的问题。实验表明,该算法检测出的角点均匀分布,能很好地适应特征匹配等实际应用。     

基于油液分析的装备状态多阶段组合预测模型

状态预测是状态维修的关键步骤之一。针对装备状态变化规律复杂、特点难易准确掌握的关键问题,以延时时间概念和两阶段预知模型为基础,提出了根据不同阶段特点采用不同预测方法的多阶段组合预测模型。通过油液分析及其相关规定,对装备运行阶段进行了具体划分,给出了适应各阶段特点的预测方法。最后,通过实例验证了该模型的有效性。     

单晶硅反射镜激光能量吸收系数与衬底表面质量的关联

高能激光系统中,单晶硅基底反射镜的能量吸收系数是影响系统性能的关键指标。衬底加工质量对镀膜后元件激光能量吸收系数影响显著。通过测试不同衬底粗糙度、划痕密度的单晶硅反射元件,分析衬底表面典型加工特征(粗糙度、划痕)对激光能量吸收系数的影响规律,认为粗糙度与吸收系数正相关,粗糙度均方根从0.668nm降低至0.345nm会使吸收系数降低28.0%。少量划痕对吸收系数的直接影响并不明显,吸收系数均值变化在3.1%以内。但表面划痕会诱发激光损伤,划痕密度较大时会引起后续能量吸收持续增大,辐照400s后,吸收系数较辐照100s时增大18.3%。     

电气火灾统计分析研究

通过对比分析近10年来的火灾统计数据,找出了近几年我国电气火灾发生和发展的特点及规律.根据电气火灾原因分布规律,发现电气线路火灾在电气火灾中占有最大比例;根据电线电缆火灾原因统计数据,分析出发生的电线电缆火灾中,外因引发重大火灾的概率和数量更大.