根据神华集团神东矿区的需求,设计了DXH-13.2/5便携式本质安全型电源,详细介绍了该电源的技术指标、结构组成及选型设计。实际应用表明,该电源可为煤矿井下便携式无源仪器仪表提供5 V本安电源,具有容量大、体积小、安全性高等特点。

2018年我国消费金融市场规模约8.45万亿元，预计2020年将达12万亿元，行业前景广阔。 2018-2019年，消费金融项目数量渐增，热度不减，但长尾明显，资本向头部项目集中。 目前从整体来看，消费金融市场竞争格局较为分散，尚未形成垄断局面。在传统银行、持牌消费金融、互联网消费金融领域均有领先的优势企业出现，各具特色，各有所长。 大数据分析、人工智能、物联网和区块链等金融科技的应用正在颠覆金融行业价值链。目前较为成熟的是大数据分析和人工智能，用以解决消费金融领域存在于贷前、贷中和贷后流程中的诸多痛点问题。 随着国内金融行业监管收紧，消费金融领域历经多年规范与洗牌，利润空间收窄，对客户需求和风险点识别要求更加精准，智能风控将成为消费金融发展的关键。

本文介绍了一种以计算机和网络技术为基础的,将测量、监控、继电保护和通讯等功能综合在一起,构成一个资源和信息共享的全微机化变电站自动化系统的设计,该设计应用于兖矿集团新工业园35kV变电站中,首次将车间变电站纳入监控范围,解决了车间变电站由于无人值守而疏于监控的问题,提高了整个供电系统的可靠性。

1952-2021年全国各地区GDP及各产业增长值、占比、人均GDP数据Excel文档。遇到问题可加文件中QQ联系。

针对电流控制方法在静止无功发生器(SVG)上应用的缺陷,提出一种新的电压定向矢量控制方法(VOC).在分析SVG的系统结构和工作原理的基础上,介绍了VOC的基本原理及其控制结构,详细论述了在VOC算法下,无功电流与有功电流解耦过程.运用MATLAB/Simulink工具进行仿真分析,同时将在实验室搭建的系统应用于矿井电网.研究结果表明:基于电压定向矢量控制的SVG具有良好的动态性和实用性,无功补偿效果良好,弥补了以SVPWM为代表的电流控制方式的不足.

分布式电源接入配电系统后会改变配电网故障电流的大小和方向,使配电网故障诊断复杂化。针对该问题,提出了基于故障功率方向判据和Petri网的配电网故障诊断方法。该方法利用上传和实测双重故障信息实现冗余纠错,快速诊断出故障区域,提高了含分布式电源的配电系统故障诊断的准确性、容错性;利用Petri网独特的图形描述和并行处理能力,保证了故障定位模型的通用性和故障诊断的快速性。算例仿真结果验证了该方法的可行性、有效性。

针对现有刚性罐道故障诊断方法不能消除环境因素影响、接头故障识别率较低等问题,以提高罐道故障种类识别精度为目标,提出了基于小波包和BP神经网络的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟台阶突起故障和罐道接头故障这2种典型的罐道故障,采集提升容器振动加速度信号;运用小波包分解对采集的信号进行能量分析并提取故障特征参数,将故障特征参数作为BP神经网络的输入,并选取新的测试样本检测神经网络的诊断效果。测试结果表明,基于小波包分析和BP神经网络的刚性罐道故障诊断方法具有较高的故障识别精度,置信度达到了0.91。

为研究钢丝绳在提升重物时的应力分布规律及其在此工况下的疲劳寿命。首先在Solid Works中建立了某种起重机所采用的6×36+WS结构右交互捻圆股钢丝绳的三维实体模型,然后将其导入ABAQUS中,建立有限元模型,进行有限元分析,得到钢丝绳在千分之二轴向变形时的应力分布规律。最后联合FE-SAFE对钢丝绳进行疲劳分析,得出其疲劳分布情况。结果表明:钢丝绳应力呈空间螺旋状分布,股芯钢丝与内侧钢丝接触处Von-Mises等效应力最大,且此处疲劳寿命值最小,若能提高股芯钢丝性能,将显著提高钢丝绳寿命。

微震监测对矿山安全生产具有重要意义，也得到了广泛应用。针对微震监测数据数量庞大、内容冗杂、实时显示弱、与采掘工程集成度低等问题，开发了一种基于Unity3D平台的微震监测数据分析平台。其主要过程是：收集矿山三维地质坐标、地层岩性等数据建立矿山三维模型，导入到Unity3D引擎当中，对模型添加材质，进行渲染并实现模型坐标数据与现实坐标数据整合，在此基础上利用C#语言编写脚本实现采掘进度的实时模拟，再通过连接SQL server数据库将矿井微震监测数据进行调用，完成整个系统地质数据、采掘数据与微震数据的集成和实时显示。通过调用系统数据，可实现微震数据的相关统计、分析，并分析其与地质条件、采掘活动的相关性。系统在河南义马煤田跃进、常村两矿进行了实际应用，实现了矿井群开采微震监测数据的联合分析。

本文提出了一种使用OPENBCI收集两个手势数据并解码信号以区分手势的实验。 用受试者前臂上的三个电极提取信号，并在一个通道中传输。 利用巴特沃斯带通滤波器后，我们选择了一种新颖的方法来检测手势动作段。 代替使用基于能量计算的移动平均算法，我们开发了一种基于Hilbert变换的算法来找到动态阈值并识别动作段。 从每个活动部分提取了四个特征，生成了用于分类的特征向量。 在分类过程中，我们基于相对较少的样本对K最近邻（KNN）和支持向量机（SVM）进行了比较。 最常见的实验是基于大量数据来追求高度拟合的模型。 但是在某些情况下，我们无法获得足够的训练数据，因此必须探索在小样本数据下进行最佳分类的最佳方法。 尽管KNN以其简单性和实用性而闻名，但它是一种相对耗时的方法。 另一方面，由于支持向量机应用了不同的风险最小化原则，因此在时间要求和识别准确性方面具有更好的性能。 实验结果表明，SVM算法的平均识别率比KNN高1.25％，而SVM比KNN短2.031 s。