人员密集场所火灾亡人事故成因探讨

通过构建火灾亡人事件树、早期确认火灾失败故障树、火场逃生自救失败故障树和外部抢险救援失败故障树,获得了人员密集场所火灾亡人事故因果分析图。对1991年至2007年发生在我国人员密集场所的22起特别重大火灾亡人事故按照因果分析图进行统计分析,得出了人员密集场所火灾亡人事故成因。     

某型坦克抢救车作业装置液压系统故障仿真

采用仿真软件对某型坦克抢救车作业装置液压系统进行建模,仿真研究典型故障情况下的液压系统动态特性,从而初步探索了将仿真技术应用于装甲车辆液压系统故障诊断的有效方法。     

基于遗传算法的MIL-STD-188-220c标准最佳转发树的构造

针对MIL-STD-188-220C标准的路由协议多目的地址最佳转发树问题,提出一种基于遗传算法的优化算法,仿真结果表明,该算法具有收敛快,寻路成功率高的优点。     

基于隐Markov树的序贯故障诊断模型

为了充分利用先验信息和实测信号,提高故障识别率,根据Bayes方法和序贯决策的思想,将实测信号分段,将前一段信号的诊断后验信息作为后一段信号的先验信息,提出了一种基于隐Markov树(hidden Markov tree,HMT)的序贯故障诊断模型.给出了诊断模型的建模步骤、HMT模型的建立方法和Bayes后验概率的计算方法.将模型应用于某型减速器故障诊断的结果表明,对于有先验信息和无先验情况,该序贯模型都可以有效地提高故障识别率.     

基于支持向量机的多分类军事目标识别应用

针对现代战场信息化程度的不断提高,电磁环境日趋复杂,侦查目标难以准确地识别情况,提出了运用支持向量机多分类器对军事侦查目标进行有效识别.结构风险最小化地支持向量机分类方法是小样本情况下统计机器学习的经典,具有速度快、泛化能力强等特点.用该算法建模军事目标的识别问题,达到了较高的识别准确率.所以应用在对侦查目标的识别上具有良好的效果,在军事应用上有较广阔的前景.     

基于粗糙集与神经网络相结合的模拟电路故障诊断

针对当神经网络输入端维数比较大造成在模拟电路故障诊断中BP神经网络结构庞大,从而影响到诊断速度以及正确率的问题,结合粗糙集理论和神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和BP神经网络相结合的模拟电路故障诊断模型。通过对某装备位置调节器板的故障诊断过程表明,该模型简化了网络数据样本的维数,优化了神经网络结构,提高了系统的诊断正确率与诊断速度。     

小波包变换和支持向量机模拟电路故障诊断方法

为提高模拟电路故障诊断效率,将小波包变换和支持向量机结合起来,提出了一种完整的模拟电路故障快算检测和准确定位的方案.利用小波包变换对电路输出电压信号进行多层分解,提取各频带的能量作为故障特征,给出了具体的特征提取方法;利用支持向量机的多分类一对一方法,完成电路的故障定位,同时实现了小波函数的选择.在一模拟电路的故障仿真实验中,通过与BP,RBF和PNN等神经网络对比,结果显示该方法的诊断效率是很高的.     

组合网络与证据理论相结合的电路故障诊断

针对神经网络中两种常用的网络类型BP和Elman,在模拟电路故障诊断中的应用过程的特点——各自网络都有自身缺陷,提出基于BP-Elman神经网络与证据理论相结合的故障诊断方法.首先BP-Elman网络得出其各自的初步诊断结果,经过必要的转换将其转换成证据理论的概率赋值,作为证据组合的依据;证据理论组合规则将初步诊断结果融合得出决策级诊断结果.通过对某装备位置调节器板的故障诊断过程表明,该模型经过尽可能融合有效故障信息,大大提高了系统的诊断精度和诊断正确率,而且有效降低了系统不确定性.     

Optimal production ramp-up in the smartphone manufacturing industry

Motivated by challenges in the smartphone manufacturing industry, we develop a dynamic production ramp-up model that can be applied to economically satisfy nonstationary demand for short-life-cycle products by high-tech companies. Due to shorter life cycles and more rapid evolution of smartphones, production ramp-up has been increasingly critical to the success of a new smartphone. In the production ramp-up, the key challenge is to match the increasing capacity to nonstationary demand. The high-tech smartphone manufacturers are urged to jointly consider the effect of increasing capacity and decreasing demand. We study the production planning problem using a high-dimensional Markov decision process (MDP) model to characterize the production ramp-up. To address the curse of dimensionality, we refine Monte Carlo tree search (MCTS) algorithm and theoretically analyze its convergence and computational complexity. In a real case study, we find that the MDP model achieves revenue improvement by stopping producing the existing product earlier than the benchmark policy. In synthetic instances, we validate that the proposed MCTS algorithm saves computation time without loss of solution quality compared with traditional value iteration algorithm. As part of the Lenovo production solution, our MDP model enables high-tech smartphone manufacturers to better plan the production ramp-up.     

基于数据的故障诊断更新问题分析及应用

机内测试被广泛应用于故障诊断,装备健康管理与预测等领域。本文针对机内测试设备在设计和升级时遇到的分类器更新,样本数量不平衡,硬件条件限制问题,提出了初步解决方案。首先,利用基于密度的聚类和人工免疫的方法处理原始数据,然后提出了基于代表样本点的混合学习方法,最后利用支持向量机和仿真案例验证了本文所提方法。结果表明本文所提方法能够解决上述问题,有助于基于数据的机内测试设备设计与升级。