23、石化供应链风险管理与航天器相对运动控制研究

石化供应链风险管理与航天器相对运动控制研究

石化供应链风险传播研究

在石化供应链中,风险传播受到多种因素的影响。

首先是参数对风险传播的影响。当节点的自愈速度等于传播速度时,风险传播范围会稳定在当前水平,形成动态平衡。以参数 $\lambda$ 为例,当 $\lambda = 0.12$ 时,传播范围稳定在 2000 左右,无大规模扩散;当 $\lambda = 0.08$ 时,风险在 $t = 10$ 开始传播,最终传播范围约为 67000。结论是,$\lambda$ 减小时,曲线斜率增大,风险传播速度逐渐加快。对于参数 $\varepsilon$,当 $\lambda$ 设为 0.1 时,若 $\varepsilon$ 为 4500,网络中节点的自愈能力强,可避免风险扩散,稳态风险扩散范围仅为 2200;当 $\varepsilon$ 增大时,风险传播速度加快,最终风险扩散范围也增大到 67000。即 $\varepsilon$ 越大,风险传播的速度和范围越大,网络稳态动态指标越差。

其次是风险源设置的影响:
- 风险源节点等级 :随机选择四个等级中的单个节点作为风险源,设置 $\lambda = 0.1$,$\varepsilon = 5000$,$Rv(0) = 200000$。当风险源为核心企业(如炼油厂)时,风险扩散速度最快;当风险源为一级上游企业时,风险扩散时间最晚。稳态风险传播范围最终稳定在 60000 左右。在相同条件下,不同类型的风险源企业仅影响初始阶段的传播速度,不影响传播范围。
- 初始风险值 $Rv(0)$ :其他参数与上一实验一致,风险源节点为随机选择的单个二级上游

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值