Semi-supervised gear fault diagnosis using raw vibration signal based on deep learning

In aerospace industry, gears are the most common parts of a mechanical transmission system. Gear pitting faults could cause the transmission system to crash and give rise to safety disaster. It is always a challenging problem to diagnose the gear pitting condition directly through the raw signal of vibration. In this paper, a novel method named augmented deep sparse autoencoder (ADSAE) is proposed. The method can be used to diagnose the gear pitting fault with relatively few raw vibration signal data. This method is mainly based on the theory of pitting fault diagnosis and creatively combines with both data augmentation ideology and the deep sparse autoencoder algorithm for the fault diagnosis of gear wear. The effectiveness of the proposed method is validated by experiments of six types of gear pitting conditions. The results show that the ADSAE method can effectively increase the network generalization ability and robustness with very high accuracy. This method can effectively diagnose different gear pitting conditions and show the obvious trend according to the severity of gear wear faults. The results obtained by the ADSAE method proposed in this paper are compared with those obtained by other common deep learning methods. This paper provides an important insight into the field of gear fault diagnosis based on deep learning and has a potential practical application value.     

基于梯度提升决策树的量子科学实验卫星光学实验预测

量子科学实验卫星在轨运行期间完成4种光学实验，地面监测人员通过遥测参数阈值判断卫星是否进行光学实验、实验类型及实验结果.这种方法需要预先设定大量阈值，并且这些阈值需要根据在轨卫星重新设定，可扩展性较差.针对以上问题，提出一种基于机器学习的光学实验判别方法，将量子科学实验卫星的光学实验监测任务抽象为机器学习中的多元分类问题，构建分类模型，利用量子科学实验卫星的真实历史遥测数据对模型进行训练，并通过真实实验计划对训练得到的模型进行验证.实验结果表明，本文提出的方法在没有专家先验知识的前提下，判别准确率达到99%，可用于量子科学实验卫星光学实验的实时监测任务.提出的基于机器学习的判别方法具有较强的可扩展性，可应用于卫星在轨运行的其他监测任务.      

FET振荡器注入锁相伏特拉级数分析

应用伏特拉级数法分析了电容耦合ＦＥＴ振荡系统在外加信号下的注入锁定现象，推导出输出信号和注入锁定带宽表达式。与一般非线性系统分析方法相比，伏特拉级数法在建立好系统模型后只需进行代数运算，从而避开了求解非线性，非齐次高阶微分方程的复杂过程。     

河北省高校农村生源学生思想现状调查研究

河北省农村人口占总人口的79％，是一个比较典型的农业大省。农村生源大学生，是河北省在校大学生的重要组成部分，占生源的最大比例。大学生是宝贵的人才资源，他们的素质尤其是思想政治素质如何，他们能否成为社会主义事业的合格建设者和可靠接班人，是一个非常重要的问题。因而，科学分析和把握他们的思想政治状况，将会增强我们把握大学生思想脉搏的准确性和说服力。为此笔者选取了河北省八个地市的不同高校，进行了问卷调查、座谈和访谈。对河北省农村生源大学生的思想现状进行了调查。通过统计软件的录入和整理，统计结果比较真实地显示了当前河北省农村生源大学生的思想现状。     

原子时自动测量及数据采集系统

介绍了普通的时间实验室的时频测量,实现自动测量和数据收集的基本系统方案,并以上海天文台原子时实验室为例介绍了实际可行的自动测量和数据收集系统,这个系统高性能、低价格,可应用于国内几乎所有的时间实验室。     

HML系统在商店偏好决策模型中的应用研究

对混合式机器学习系统（HML）进行了全面系统的介绍，并将其运用于服装消费商店偏好决策行为的研究中。采用上海统计局家庭调查网络，对300户家庭进行抽样分析后发现，服装消费商店偏好的主要影响因素是地区、季节、丈夫和妻子的学历、职业以及子女性别。在此基础上，将HML分析所得的结论与传统的研究方法和结果进行了系统比较：从方法上来看，因为属性变量包含间断变量和连续变量两种，因此传统统计分析要运用两种不同的检测方法对影响因素的相关性作出判断，结果需要经过统计学分析，才能得到结论；而HML分析结果比较直观和简单，便于理解。     

以培养适用型人才为宗旨建立新型的校外学习中心管理体系

校外学习中心是远程教学和远程学习的活动基地。校外学习中心必须能适应市场经济形势需求,以培养适用型人才为宗旨,不断完善自身机制,实行规范化管理,不断提高教学管理工作水平,建立起新型的管理体系。     

卫星VLBI观测时延和相位条纹旋转模型研究

空间卫星在绕地球或月球等星体运行时，为了跟踪和控制卫星就要时刻掌握其在空间的位置和运动状态．但由于地球的自转和公转使得卫星和地球之间的相对运动描述关系变得复杂，目标卫星相对地球任意两个观测站的时间差(时延)和多普勒频移(相关条纹旋转)时刻都在改变．VLBI相关处理机是卫星观测和空间探测极为重要的技术手段，其原理以FX和XF两种相关模型处理观测数据．以FX相关模型为基础修正VLBI观测数据的时延补偿和相关条纹旋转的模型，提出对称“1／n Multiplier”时延补偿模型和条纹旋转模型，并且对实际观测数据进行操作和详细分析，对相关相位谱的剩余时延变化趋势和方差分布进行分析，从中找出优选时延补偿和条纹旋转模型．对于精确描述卫星轨道运动状态提供更准确的方法．     

改进的次时间最优控制

本文在[1][2]基础上进一步探讨了次时间最优控制的改进问题,深入地阐明了次时间最优控制的某些特性后,提出了一个新的改进的设计方法。按照这种方法设计控制系统,不但实用而且可以大幅度提高次时间最优控制的最优性。并用实例比较了各种方法,证明了本文提出的方法的优越性。本文提出的方法应用于工程设计,对于提高系统的最优性是非常有效的。