2种侧围加强内框总成检具结构对比分析

概述了侧围加强内框总成与周边零件的匹配关系,从检具操作的人机工程出发,描述了侧围加强内框总成检具的2种定位方式和结构设计,对比了2种定位方式对于检测结果的影响,总结了其优点和弊端,结果表明侧围加强内框总成检具采用车内方向朝下的定位方式效果更好。     

使能未来工厂的5G能力综述

5G系统将移动通信服务从移动电话、移动宽带和大规模机器通信扩展到新的应用领域，即所谓对通信服务有特殊要求的垂直领域。对使能未来工厂的5G能力进行了全面的分析总结，包括弹性网络架构、灵活频谱、超可靠低时延通信、时间敏感网络、安全和定位，而弹性网络架构又包括对网络切片、非公共网络、5G局域网和边缘计算的支持。希望从广度到深度，对相关的理论及技术应用做透彻、全面的梳理，对其挑战做清晰的总结，从而为相关研究和工程技术人员提供借鉴。     

某型柴油机水泵、机油泵间隙调整工装的应用

为了方便某柴油机前端水泵和机油泵齿轮间隙的调整,改变以前传统的调整方法,通过长期在装配现场的观察和了解,设计出某柴油机前端水泵和机油泵齿轮间调整工作,经现场使用验证;该工装安全、小巧轻便精度高,改善了装配的劳动强度和装配质量。     

奥钢联板坯铸机驱动力报警问题的分析及改进

浇铸过程中，驱动力报警会导致紧急停浇甚至滞坯事故发生。为防止事故发生，通常采用降速、强冷等措施，但降速造成成本浪费，强冷又产生裂纹等质量缺陷，两者都难以满足生产需要。通过对铸机的各项参数对比分析，找到影响驱动力报警的主要原因为辊缝异常，轻压下模型参数、冷却工艺设置不合理等，通过调整二冷工艺、优化模型参数、加强轻压下区域扇形段辊缝维护，可以达到明显降低驱动力、消除报警的目的，从而保证连铸生产稳定。     

在轨维修后端模块接口机构的研究

在轨维修可以大大的延长空间科学仪器的使用寿命,节省大量的经济成本。为了实现空间望远镜后端模块的在轨操作和更换,设计了一套与之对应的接口机构,能够解决在轨快速定位与安装。根据321运动学定位准则,详细介绍了该接口机构的内部组成和工作原理;然后把该接口机构与后端模块进行组件级有限元仿真,仿真结果表明一阶模态远高于整机基频可以有效地避免发射时候的共振;设计了一套平面内的工装来模拟后端模块,利用等效质量法对整个机构进行重力卸载;搭建实验平台,利用激光跟踪仪来测量整个后端模块的重复定位安装精度,实验数据表明,X,Y,Z 3个方向的重复平移定位误差分别为±5.58μm,±3.24μm及±3.63μm,优于总体指标±10μm;热实验结果表明整个机构可以完全释放由于温度变化产生的形变,具有很高的热稳定性;使入射光线和靶面的相对位置持续稳定,保证了较高的成像质量。为其他空间在轨维护装置提供强有力的参考价值。     

基于SIM卡定位技术的智能儿童背包设计

针对儿童自我保护意识薄弱,监护者难以实时了解儿童位置的问题,介绍了可穿戴设备的物联网技术。从硬件技术、设计原理、面料、款式、色彩以及SIM卡安装位置等方面详细介绍基于SIM卡技术的儿童智能定位背包设计。以真人为试验对象,进行SIM卡定位监测功能测试,分别测试了不同距离以及有无障碍物情况下SIM卡的定位精准度。结果表明,SIM卡元件的测试数据相对误差在-2~3 m,证明SIM卡技术用于儿童背包定位是可行的。     

精密磨床转台静压轴承的强健化设计

针对精密磨床转台静压轴承性能仿真数据与其回转精度实测数据不一致的问题，为提高转台静压轴承的设计水平，提出了静压轴承的强健化设计方法。该方法考虑了轴承结构参数在轴承全生命周期内的变化，分析了半径间隙、油腔尺寸、节流比及润滑油黏度在设计、加工、装配和服役4个阶段的变化规律，重点研究了半径间隙在各阶段对轴承性能造成的影响，给出了转台静压轴承的强健化设计流程。通过一个径向轴承的设计实例对该强健化设计方法进行了说明，并将设计结果与传统设计进行了对比。对比的指标是轴承在4个阶段的刚度、承载力和温升，这3个指标对轴承回转精度有直接影响。研究表明：进行强健化设计后，在生命周期内静压轴承的刚度和承载力的变化量为10%~27%，温度的变化量为0.5%~1.6%，较传统设计更能保证转台回转精度的稳定。     

基于iBeacon蓝牙微定位技术的儿童服装技术探究

针对现有可穿戴智能服装技术发展现状,利用GPS系统在服装上的运用,着重解决传统定位服装可穿戴设备过大、定位功能性单一、服装结构造型不合理、人体着装舒适感差等问题。分别从定位元件、智能功能、服装结构设计、面料选择利用、时尚环保五个角度进行分析,设计了以iBcacon定位元件为中心的新型儿童定位智能化服装,着重解决儿童的出行定位需求以及穿着要求,推动了儿童时尚智能化服装的发展。     

Transfer learning between crop types for semantic segmentation of crops versus weeds in precision agriculture

Agricultural robots rely on semantic segmentation for distinguishing between crops and weeds to perform selective treatments and increase yield and crop health while reducing the amount of chemicals used. Deep‐learning approaches have recently achieved both excellent classification performance and real‐time execution. However, these techniques also rely on a large amount of training data, requiring a substantial labeling effort, both of which are scarce in precision agriculture. Additional design efforts are required to achieve commercially viable performance levels under varying environmental conditions and crop growth stages. In this paper, we explore the role of knowledge transfer between deep‐learning‐based classifiers for different crop types, with the goal of reducing the retraining time and labeling efforts required for a new crop. We examine the classification performance on three datasets with different crop types and containing a variety of weeds and compare the performance and retraining efforts required when using data labeled at pixel level with partially labeled data obtained through a less time‐consuming procedure of annotating the segmentation output. We show that transfer learning between different crop types is possible and reduces training times for up to 80%. Furthermore, we show that even when the data used for retraining are imperfectly annotated, the classification performance is within 2% of that of networks trained with laboriously annotated pixel‐precision data.