一次性使用无菌导尿管中流量测定的影响因素考察

目的对一次性使用无菌导尿管中流量测定的影响因素进行分析,并对行业标准YY 0325—2016提出修订建议。方法收集16批双腔导尿管,其中一次性使用无菌导尿管6批,一次性使用无菌导尿包10批。根据外径分为4.0 mm(2批)、4.7 mm(1批)、5.3 mm(12批)、6.7 mm(1批)4种规格。通过导尿管流量实验,从导尿管的内径、未接导尿管时水箱流量(以下简称:原始流量)、导尿管排泄孔眼大小三个方面进行考察,并对导尿管内径与导尿管流量关系、原始流量与导尿管流量关系、排泄孔眼与导尿管流量关系进行分析。结果在一定的原始流量下,大致为导尿管内径越大,流量越大。内径较小的导尿管,加大原始流量,对流量结果影响不大。而内径越大的样品,则原始流量对其的影响幅度也越大,流量偏差为58%。内径接近的导尿管,在相同原始流量下,流量与排泄孔眼的面积大小无正相关。结论行业标准YY 0325—2016中所引用的导尿管流量实验方法未考虑原始流量对结果的影响,未规定原始流量上限值。建议行业管理部门针对原始流量对结果的影响进行实验、细化和论证,必要时对原始流量进行区间范围的规定。

原型流量率定下的筒形阀流量特性和过渡过程研究

通过测取筒形阀动水关闭试验过程中机组原始流量和工作水头并进行拟合,得到了高水头水轮机筒形阀不同开度下的流量特性,解决了筒形阀的流量系数率定问题。在此基础上,建立了超长输水发电系统筒形阀动水关闭过渡过程的数学模型,提出了数值分析方法,实现筒形阀过渡过程的仿真研究。数值计算结果与现场试验实测结果进行了对比,一致性较好,为全面揭示超长输水发电系统高水头大型筒形阀的水力动态特性和运行控制方式奠定了基础。

不平衡数据下基于CNN的网络入侵检测

深度学习的自学习能力可以实现入侵检测系统的不断更新及扩展,增强入侵检测系统的防范能力,但目前大部分基于深度学习的网络入侵检测研究都未考虑到数据集类别不平衡问题.针对此问题,提出了一种类别重组技术结合Focal Loss损失函数的处理方法,用于原始网络入侵流量分类.该方法把原始流量生成灰度图输入卷积神经网络CNN进行特征提取学习,类别重组技术保证了训练集中攻击类别间的相对均衡,而Focal Loss损失函数通过影响类别权重提高了CNN模型对复杂样本的关注.在三个CNN模型上进行了实验,macro-f1分别提高了9.41%,1.65%和4.39%,结果表明该方法能够有效处理网络入侵检测中的类别不平衡问题,且明显提高了少数类样本的识别精度.