嵌入式系统程序调用关系分析设计方法

对嵌入式系统中单线程应用程序的动态执行情况进行研究探讨,以EFI Shell下为例提出了程序动态执行过程中对函数调用深度和执行时间提取的具体实现方法,为开发人直观清晰地了解整个程序的结构和动态执行情况提供了便利。     

基于粒子群优化算法的水下航行器深度控制研究

提出了一种基于粒子群优化算法的水下航行器深度控制器参数优化设计方法。针对水下航行器运动参数变化的特性,采用粒子群优化算法收敛速度快、寻优特性好等特点,将其应用到控制器参数的优化设计中。仿真结果表明,利用粒子群优化算法进行优化设计的水下航行器深度控制器具有良好的控制性能。     

喷淋蚀刻中不锈钢的侧蚀研究

对1Cr18Ni9Ti不锈钢板进行喷淋蚀刻,分析蚀刻深度h、蚀刻初始尺寸D、蚀刻速率、侧蚀率之间关系。实验结果表明,h0.4mm时,蚀刻深度、初始尺寸对蚀刻速率的影响不明显;h0.4mm、D0.5mm时,蚀刻速率随蚀刻深度的增加而减小,初始尺寸越小,减小趋势越明显;蚀刻深度与侧蚀率呈线性关系,而初始尺寸越大,蚀刻深度对侧蚀的影响就越小,并建立了三者之间的关系式。     

近水面拖曳浮标测试系统运动特性研究

通信浮标能提高潜艇通信性能,因此提出一种二级拖曳通信浮标,并设计一种近水面拖曳浮标测试平台。该平台由拖船与升沉补偿装置、拖体与拖缆等组成,可以模拟潜艇运动,用以测试拖曳浮标。为研究测试平台的动力学特性,首先建立测试平台和被测对象的动力学模型及其仿真模型,模型涵盖非线性波浪力计算、柔性脐带缆建模、深度模糊控制、升沉补偿装置以及多体刚柔耦合等,随后基于试验得到的被测对象水动力学参数,对测试平台在不同拖曳速度和拖缆长度下的拖曳试验进行仿真研究。仿真结果表明：拖曳速度增大后,一级拖体稳定深度可减小30%,深度波动幅度无明显变化,而被测对象的稳定深度增加20%以上,深度波动幅度可减小80%以上;一级拖缆的长度增加对一级拖体和被测对象的深度影响可忽略不计;二级拖缆长度的增加会导致一级拖体的深度小幅度增加,但不会影响被测对象的稳定深度及其波动幅度。研究结果可为潜艇拖曳系统测试平台的设计与试验提供理论参考。     

一种气动式深度模拟器设计

提出一种气动式深度模拟器,通过实时检测计算实际模拟压力和设定压力的误差和误差变化率,采用模糊PID算法控制进／排气比例阀的开度,产生期望的压力输出,用来模拟不同海洋深度下的压力。讨论了密闭容器充放气过程的简化模型,并对系统中的关键技术及具体实施方案进行了研究,具有实际使用价值。     

民办院校经济学专业产学研深度融合研究

文章介绍了民办院校的发展历程和现状,分析了民办院校经济学专业产学研深度融合现状及其存在问题,并提出了促进民办院校经济学专业产学研深度融合的路径。研究表明：产学研深度融合对提高民办院校经济学专业教学质量、培养学生的实践能力具有重要意义,但仍存在一些问题,如缺乏深度融合的机制和平台、教师实践经验不足等。因此,需要建立完善的产学研深度融合机制和平台,加强教师实践能力的培养,以提高民办院校经济学专业的教育质量和学生的实践能力。     

深度学习在激光熔覆领域的发展与应用

介绍激光熔覆的基本原理、应用领域和深度学习模型的发展状况,阐述深度学习在激光熔覆领域的应用。深度学习利用神经网络模型监控激光熔覆过程,在熔覆工艺参数优化和熔覆过程质量控制等方面具有较好优势,可有效提升激光熔覆过程的精度和稳定性。     

基于一维ConvNeXt网络的齿轮箱故障诊断

针对齿轮箱发生故障时内部齿轮与滚动轴承受损情况复杂且难以识别的问题,提出一种基于ConvNeXt网络的齿轮箱故障诊断方法。该网络模型以深度可分离卷积为基础框架,构建适用于一维数据的残差块。为了提升网络模型的拟合能力,引入GELU(Gaussian Error Linear Units)激活函数对数据进行非线性变换。使用层标准化对数据进行归一化处理,抑制了中间协变量偏移现象并提升了网络的收敛速度和稳定性。使用DDS(Drivetrain Dynamics Simulator)齿轮箱故障数据集进行实验,结果表明此网络模型大幅降低了网络模型参数量,对齿轮箱各类故障均有较高的识别精度并具有良好的抗噪性。     

船舶舱底含油废水中的超滤膜深度处理研究

船舶舱底的含油废水,主要是由船舶机舱内各种阀件和管路中漏出的废水,或是轮机在运转过程中泄漏的油污组合而成。而超滤膜技术凭借其小空间、低能耗、精简化、高效率的特点,目前在处理船舶舱底含油废水中效果显著。但在运行过程中,膜污染则不可避免,其在实际应用中不仅会造成膜通量下降甚至影响膜的分离特性,进而降低超滤膜工艺的工作效率。同时如果对船舶舱底长期采取化学药剂的清洗,还是会不可避免的对船体本身造成损耗,减少其使用寿命,甚至会导致其过滤性能彻底失效。因此针对船舶舱底含油废水,如何科学合理地采取超滤膜技术对其进行处理,是本文研究的重点。     

深度神经网络在船用齿轮箱故障诊断中的应用

船用齿轮箱故障诊断系统,通常采用的是基于模型的故障诊断方法,需要依赖专家对采集到的振动信号进行分析和判断,且设备的运行状态会随着时间的推移发生变化。传统的故障诊断方法受专家知识和经验的影响较大,难以获得全局最优解,导致其准确率较低。针对该问题,本文基于深度神经网络（DNN）的故障诊断方法,通过大量实验研究,确定了DNN模型中最佳参数和超参数。实验结果表明,在船用齿轮箱故障诊断领域,DNN模型不仅能够有效地对齿轮箱进行故障诊断,而且具有较高的准确率和较快的收敛速度。