仪表球阀设计制造要点浅析

从应用的角度描述了弹性补偿密封结构仪表球阀的优势,阐述了弹性补偿密封结构的基本原理;着重从关键零部件的材料选择、整体结构强度、强度试验、弹性阀座密封、阀杆密封等方面分析了仪表球阀设计制造过程中的重点、难点以及容易导致产品性能降低的因素。     

滚动活塞压缩机径向间隙泄漏特性试验研究

利用自主设计的径向间隙等效装置模拟滚动活塞压缩机的径向泄漏通道,在此基础上研究了压缩机主轴转速、活塞径向间隙值、润滑油黏度、径向间隙油膜密封长度等因素对径向间隙工质泄漏特性的影响。利用气体收集装置对等效装置径向间隙泄漏的气体进行收集,同时用高速摄影记录下收集装置里气泡的动态变化过程,并通过图像处理技术获取气泡的面积,进而转换得到气体的泄漏量。试验表明:径向间隙处的气体泄漏量与转速、油膜密封角、润滑油黏度等因素存在着负相关的变化规律,其中气体泄漏量对转速和油膜密封角的变化表现较为敏感,而对润滑油黏度的变化则反应最小;另外,气体泄漏量与径向间隙值呈现明显正相关的关系。     

基于门控联合池化自编码器的通用性文本表征

为了学习文本的语义表征,以往的研究者主要依赖于复杂的循环神经网络(recurrent neural networks, RNNs)和监督式学习方法。该文提出了一种门控联合池化自编码器(gated mean-max AAE)用于学习中英文的文本语义表征。该文的自编码器完全通过多头自注意力机制(multi-head self-attention mechanism)来构建编码器和解码器网络。在编码阶段,提出了均值—最大化(mean-max)联合表征策略,即同时运用平均池化(mean pooling)和最大池化(max pooling)操作来捕获输入文本中多样性的语义信息。为促使联合池化表征可以全面地指导重构过程,解码器采用门控操作进行动态关注。通过在大规模中英文未标注语料上训练模型,获得了高质量的句子编码器。在重构文本段落的实验中,该文模型在实验效果和计算效率上均超越了传统的RNNs模型。将公开训练好的文本编码器,使其可以方便地运用于后续的研究。     

半自磨工艺在金锑矿碎磨中的应用

甘肃某公司选厂处理的金锑共生矿石中黏土矿物含量高,含水率也较高,采用常规破碎工艺存在流程不畅顺、作业环境差、劳动强度大、生产成本高等缺点。2014年该选厂采用半自磨工艺取代常规破碎工艺,该工艺克服了黏土矿物及含水率对碎矿流程的负面影响。该选厂通过持续优化半自磨工作参数及均衡两段磨矿负荷等措施,不断提高系统的磨矿效率,使得选厂磨矿段产能翻番,生产成本大幅度降低,同时降低了劳动强度并改善了生产环境等,取得了良好的经济效益与社会效益。     

自抗扰控制在推力矢量飞机大迎角机动中的应用

为实现推力矢量飞机的大迎角机动控制，提出一种基于自抗扰控制的三通道解耦控制策略.以第三代战机F16公开数据为基础，添加推力矢量模型，利用双发推力矢量喷管组合偏转产生大迎角机动的期望三轴力矩.在纵向、横向和航向通道分别独立设计自抗扰控制器，将系统中未建模动态、不确定性以及通道间的强耦合视作总扰动进行估计并补偿，并在纵向和航向通道引入角速度阻尼反馈项，使原始飞行器开环动力学闭环近似为一个广义对象，降低了自抗扰控制器的设计阶次.选取眼镜蛇机动和赫伯斯特机动两种典型的过失速机动动作进行控制策略验证，数值仿真结果表明，所设计的三通道独立自抗扰控制器能够消除通道间的强耦合，完成推力矢量飞机的大迎角机动控制.蒙特卡罗仿真测试表明，所提控制策略具有较强的鲁棒性.      

自粘性流动树脂对牙本质粘接强度的研究

目的对比新型自粘性流动树脂Constic与目前常用的自酸蚀粘结剂搭配普通复合树脂对牙本质的粘接强度,评估自粘性流动树脂Constic的粘接性能能否满足临床需要。方法收集新鲜拔出的人类磨牙60颗,随机分为3组(A组,B组,C组):A组为自粘性流动树脂Constic、B组为一步法自酸蚀粘结剂幻彩-bond搭配普通流动树脂Filtek Supreme XT Flowable、C组为两步法自酸蚀粘结剂Clearfil SE-Bond搭配Filtek Supreme XT Flowable。测试粘接试样剪切粘接强度并对测试结果进行单因素方差分析(one-way ANOVA,LSD)分析。然后在体式显微镜下放大至50倍进行断裂面观察并进行断裂类型统计。结果3组剪切粘接强度分别为:9.15±2.33MPa(A组),10.79±2.37MPa(B组),13.89±2.56MPa(C组)。A组剪切粘接强度与B组之间的差异无统计学意义(P0.05),但均低于C组(P0.05)。A组和B组主要发生的是粘附破坏,C组以混合断裂为主。结论自粘性流动树脂Constic与一步法自酸蚀粘结剂相似,可满足临床需要。     

基于深度学习的视频跟踪研究进展综述

近年来深度学习迅猛发展，颠覆了语音识别、图像分类、文本理解等领域的算法设计思路。深度学习因其具备强大的特征提取能力，在图像识别领域的成绩尤为突出。然而深度学习与视频监控领域的结合并不多，由于深度模型具有多层网络结构，算法复杂度大，训练和更新模型时比较耗时，很难满足实时性要求。回顾了深度学习的发展史，介绍了最近10年来国内外深度学习主要模型，论述了基于深度学习的目标跟踪算法，指出了各算法的优缺点，最后对当前该领域存在的问题和发展前景进行了总结和展望。