XiaoMi-AI文件搜索系统
World File Search System所提
无线充电系统中面向应用的线圈设计
图 3.11：系统性能比较…………………………………………………………………….56 图 3.12：初级双极线圈和初级单极线圈的互操作性研究…………..58 图 4.1：模拟中的线圈结构…………………………………………………………………………62 图 4.2：所提线圈结构的 MAXWELL 模拟模型概览和正面视图…………………………………………………………………………………….63 图 4.3：用于接收器的空心圆柱体……………………………………………………………………...64 图 4.4：所提线圈结构和同轴线圈结构中的设计变量…………………………………...64 图 4.5：所提线圈结构中的旋转角、同轴线圈结构中的旋转角以及随旋转角变化的互感……………………………………...66 图 4.6：YZ 平面中的磁通密度…………………………………………………………...68 图4.7：ZX 平面的磁通密度………………………………………………………………...68 图 4.8：XY 平面的磁通密度………………………………………………………………...69 图 4.9：线圈参数说明…………………………………………………………………………72 图 4.10：发射器 A 处的全桥逆变器和接收器 c 处的全桥整流器……………..73 图 4.11：接收器 c 和发射器 A 的等效互感模型………………………………..75 图 4.12：第 4.4 节中提出的线圈结构的仿真和实验模型……………………………………………………………………………………77 图 4.13：随气隙变化的自感和互感………………………………..79 图 4.14：实验设置……………………………………………………………………………………80 图 4.15： P out = 1.0 kW 和 CR = 12 Ω 时的波形……………………………………………………81 图 4.16：环境空气条件下 CR 模式和 CV 模式下的系统性能…………...81 图 4.17：三种条件下的系统性能………………………………………………………………...82 图 5.1：所提出的理想线圈结构和仿真模型概述……………………………………………...84 图 5.2：所提出的理想线圈结构和之前的线圈结构中的旋转错位……………………………………………………………………………………86 图 5.3：第 4 章中提出的理想线圈结构和之前的线圈结构的总互感随旋转错位的变化…………………………………………………87 图 5.4：所提出的分段线圈设计……………………………………………………………………...88 图 5.5：所提出的分段线圈设计与之前的线圈设计中总互感随旋转错位的变化错位..………………89 图 5.6：YZ 平面、ZX 平面和 XY 平面的磁场分布………………..90 图 5.7：电路图………………………………………………………………………………92 图 5.8：线圈原型的仿真模型………………………………………………………………95 图 5.9：总互感的模拟和测量结果………………………………………………96 图 5.10：采用所提出的线圈结构的无线充电系统的实验装置…………………………97 图 5.11：系统完全对齐且旋转错位为 30° 时的波形…….97 图 5.12：旋转错位时输出功率和 DC-DC 效率的实验结果……………………………………………………………………………………98
无人机航母着陆采用基于 CFD 的模型...
由于对安全性、高性能操作以及不确定和高度动态环境的要求，无人机自主降落航空母舰的控制问题具有挑战性。本文提出了一种针对此类问题的控制方案，该方案利用模型预测控制 (MPC) 方法，使无人机在其性能极限下也能安全运行。虽然实时计算要求通常会限制基于优化的控制中使用的模型的保真度，但本文证明了高保真计算流体动力学 (CFD) 模型可通过构建基于投影的降阶模型 (ROM) 在 MPC 框架内使用。然后开发了基于 CFD 的 MPC 方案在下滑道跟踪问题中的应用，以证明所提方法的有效性。
航天器制导的深度强化学习
本文介绍了一种名为深度制导的新技术，它利用人工智能的一个分支——深度强化学习，使制导策略可以学习而不是设计。深度制导技术包括一种学习制导策略，该策略将速度命令提供给传统控制器进行跟踪。控制理论与深度强化学习相结合，以减轻学习负担并促进训练系统从模拟到现实的转移。在本文中，在模拟和实验中考虑了一个概念验证航天器姿态跟踪和对接场景，以测试所提方法的可行性。结果表明，这样的系统可以在模拟中完全训练并以相当的性能转移到现实中。
考虑驾驶模式识别的串联混合动力汽车模型预测控制能量管理策略
摘要：本文提出了一种基于驾驶模式识别、驾驶工况预测和模型预测控制的串联式混合动力汽车能量管理策略，以在维持电池荷电状态的同时改善燃油消耗。为了进一步提高计算效率，对模型进行了离散化和线性化，将MPC问题转化为二次规划问题，通过内点法可以有效地求解。利用Matlab/Simulink平台进行仿真，仿真结果验证了状态预测方法的可行性和所提方法的性能。此外，与基于规则的方法相比，预测控制策略成功地提高了混合动力汽车的燃油经济性。
FPDS 产品和服务代码
(2) 应用研究和探索性开发 - 包括所有针对特定问题（不包括重大开发项目）的解决工作。此类工作可能包括相当基础的应用研究，也可能包括相当复杂的面包板硬件、研究、编程和规划工作。因此，它包括调查和小型开发工作。此类工作的主要特点是针对特定问题领域，旨在开发和评估所提解决方案的可行性和实用性并确定其参数。 (3) 高级开发 - 包括所有针对已进入测试硬件开发等阶段的项目的工作。此类工作的主要结果是设计概念和/或原型的验证。
编辑政策 | 先进材料科学评论
利益冲突 为了鼓励透明度而不妨碍出版，所有作者、审稿人和编辑必须声明与稿件相关的任何利益冲突。不应存在影响所提交稿件所含信息发布的合同关系或所有权考虑。对于学术期刊而言，利益冲突是指任何干扰或可以合理地被视为干扰全面客观地呈现、审查或出版研究结果或评论或审查研究结果的文章的行为。当作者、编辑或审稿人在出版物中拥有可能影响其科学判断的经济、个人或职业利益时，就会存在潜在的利益冲突。
用于训练贝叶斯网络进行制造系统故障诊断的数字孪生
摘要：人们提倡智能制造系统利用技术进步，通过快速诊断提高故障抵御能力，从而保证性能。在本文中，我们提出了一种用于设计数字孪生（DT）的协同仿真方法，该方法用于训练贝叶斯网络（BN），以便在设备和工厂层面进行故障诊断。具体而言，协同仿真模型是使用由联网传感器、每台设备的高保真仿真模型和工厂的详细离散事件仿真（DES）模型组成的信息物理系统（CPS）设计的。所提出的 DT 方法能够在虚拟系统中注入故障，从而减轻了昂贵的工厂车间实验的需要。应该强调的是，这种注入故障的方法消除了获取包括故障和正常工厂操作的平衡数据的需要。我们在本文中提出了一种结构干预算法 (SIA)，首先检测所有可能的有向边，然后区分 BN 的父节点和祖先节点。我们在实验室中设计了一个 DT 研究测试台，由配置成装配单元的四个工业机器人组成，每个机器人都有一个可以监测双轴振动的工业物联网传感器。这些机器人的详细设备级模拟器与机器人装配单元的详细 DES 模型集成在一起。生成的 DT 用于进行干预，以学习用于故障诊断的 BN 模型结构。实验室实验通过准确学习 BN 结构验证了所提方法的有效性，并且在实验中，发现所提方法获得的准确性（使用结构汉明距离测量）明显优于传统方法。此外，发现的BN结构对参数的变化是可靠的，例如平均失败时间（MTTF）
使用模糊多准则决策 (FMCDM) 方法分析赞詹市的客户期望和满意度
客户满意度是确定客户期望过程中最重要的一步。在不参考或不获得个人观点的情况下确定客户期望是不可能的。为了确定客户期望，服务供应商使用统计技术并调查了他们的客户。根据研究，没有适当的期望模型框架来优先考虑组织的区域并根据组织的政策和战略做出有利的选择。在本研究中，模糊多准则决策的组合用于最佳选择。本研究中使用的研究方法是描述性和应用性类型，并使用现场方法收集数据。为了确定客户期望，通过随机抽样方法从研究人群（赞詹市的客户）收集了 303 人的数据。为了对客户期望的维度进行排序并对市政区域做出最佳选择，从研究人群（市政工程承包商）收集了 30 人的数据。问卷调查和访谈被用作数据收集工具，证明是有效的。计算中使用了 Expert Choice、基于 Web 的 TOPSIS、SPSS 和 Excel 软件产品。有趣的是，最佳市政区选择完全取决于优先级值最高的标准。根据所提模型阶段的计算，“市政区 2”被选为最佳区域，并获得了客户期望的最高评级。结果表明，所提模型与定义的程序和已知输入具有系统契合度。关键词：客户期望、多标准决策、模糊分析网络过程 (FANP)、模糊 TOPSIS 方法、模糊 ELECTRE 方法。
需求响应的随机优化调度-...
在能源生产向清洁、可持续方向转变的背景下，微电网成为解决环境污染和能源危机问题的有效途径。随着可再生能源的渗透率不断提高，如何协调需求响应和可再生能源发电是微电网调度领域的关键和挑战性问题。为此，本文提出了一种考虑多利益相关方的孤立微电网双层调度模型，其中下层模型和上层模型分别以实时电价环境下用户成本和微电网运行成本最小化为目标。为了求解该模型，本研究结合Jaya算法和内点法（IPM），开发了一种混合分析-启发式求解方法（称为Jaya-IPM），其中下层和上层分别由IPM和Jaya解决，并通过两层之间的迭代获得调度方案。之后上层模型更新的实时电价和下层模型确定的用电计划通过实时定价机制在上下层之间交替迭代，直至得到最优调度计划。试验结果表明，所提方法能够协调可再生能源发电的不确定性和需求响应策略，实现微网和用户的利益平衡；并且利用需求响应可以充分利用负荷侧的灵活性，在保持供需平衡的同时实现调峰。此外，实验证明Jaya-IPM算法在优化结果和计算效率方面优于传统的混合智能算法（HIA）和CPLEX求解器。与HIA和CPLEX相比，所提方法使微网净收益分别提升10.9%和11.9%，用户成本降低6.1%和7.7%；计算时间分别减少约90%和60%。