排序方式: 共有15条查询结果,搜索用时 15 毫秒
1.
从结构上看永磁真空断路器ISM 总被引:1,自引:0,他引:1
Alexey Chaly 《电气制造》2005,(5):29-32,51
近年来,在中压开关领域里,永磁操动机构真空断路器以其特有的小型化、高可靠性、免维护和长寿命正在成为电器制造企业和运行部门的热点。从结构上和起源上看,现有的永磁机构断路器可以分为两大类,即来自英国的双线圈双稳态永磁机构断路器和来自前苏联军事试验室的单线圈单稳态永磁机构断路器。
前几年进入中国市场的永磁操动机构断路器,基本上都是双线圈双稳态结构,相对于单线圈单稳态结构来说,其设计只是用电磁机构代替了弹簧机构,尚未克服传统断路器机械零件过多的缺点,都具有体积较大、所需操作功率较大的特点。单线圈单稳态永磁机构断路器,即我们今天所知道的ISM,它在结构上取得了突破性改进,体积更小、所需操作功率也小,因而更加能够体现永磁机构真空断路器高可靠性、免维护和长寿命的优点。
特瑞德电气集团创立于1990年,它的前身就是上面提到的前苏联军事科学试验室,创建时它的所有雇员均来自这个试验室,它继承了该试验室在军事领域里的多年研发经验和最高端成果。
本文译自2005年10月发表在第五届输配电技术国际会议上的最新文献,Most Relevant Results from Research and Development in the Field of Medium Voltage Vacuum Circuit Breakers孝AReview。这篇论文的原作者Alexey Chaly,Viktor Poluyanov,Vladimir Zakharov,Helmut Rebstock等都是特瑞德电气集团的技术专家,其中,Alexey Chaly先生现任特瑞德电气集团总裁和技术总监,他在世界真空技术领域久负盎名,是国际科学委员会(PISC)真空放电及绝缘学会(ISDEIV)22名终身会员之一,拥有工程科学博士学位;Viktor Poluyanov先生现任特瑞德电气集团研究试验室主任,他的主要研究方向包括真空开断技术、真空接触技术和使用永磁操动机构的开关设备的设计方案;Vladimir Zakharov先生现任特瑞德电气集团控制模块研发部主任,Helmut Rebstock先生现任特瑞德电气集团北京代表处首席代表。[编者按] 相似文献
2.
篡改检测已经成为数字图像取证的重要方法。虽然大多数情况下数字图像篡改都难以感知,例如区域复制篡改,它将图像中的对象区域复制到不交叠的其它区域,但仍然会留下少许篡改痕迹。提出了一种新的针对图像区域复制篡改的检测模式。其中,利用傅里叶-梅林变换提取图像块的几何不变量特征,相似性匹配则采用余弦相关系数。通过MATLAB仿真实验,验证了该算法不但可以适应平移、旋转及缩放等几何变换,而且能够有效抵抗噪音污染、模糊滤波以及有损JPEG压缩等攻击。 相似文献
3.
OSM15永磁机构真空柱上重合器由澳大利亚特瑞德分公司生产。重合器本体采用先进的永磁机构真空技术,其控制器采用先进的微处理器技术,可向用户提供体积小、质量小、机械和电寿命长、可靠性高的本体,以及操作简便、保护配合灵活、功能强大的控制器。 相似文献
4.
5.
CTP技术是印前技术的又一次飞跃,使印前操作实现了完全数字化.论述了CTP技术的工作原理、特点以及CTP技术的类型和各自优缺点,并通过对CTP技术在我国应用现状的分析,展望了CTP技术在我国的发展趋势. 相似文献
6.
7.
8.
如何区分逼真的计算机生成图像和真实的自然图像,是数字图像取证领域的一个重要研究方向。提出了一种基于谱间相关性的图像真伪鉴别算法。在单CCD数码成像过程中,每个像素只采集单一颜色值,缺失的颜色值通过颜色滤波阵列插值获得,而基于颜色滤波阵列插值的去马赛克方法会引起彩色图像三个颜色分量之间较高的谱间相关性。算法利用小波变换和标准互相关系数提取颜色组件谱间相关性,作为区分和识别特征。通过在标准图像库上的实验测试,表明所提取特征有效捕获了二类图像的差别,并具有较高的检测率。 相似文献
9.
基于小波域奇异值分解的图像拷贝检测 总被引:2,自引:1,他引:1
提出一种基于小波域奇异值分解(SVD)和早期融合技术的数字图像拷贝检测算法。这种基于内容的拷贝检测模式主要面向数字图像被动式取证和数字版权管理等领域。为了提高图像描述特征的效率,算法利用多尺度小波分析提取并融合具有图像全局和局部特征的多尺度奇异值特征向量。实验结果表明,该算法不仅在识别几何变换、信号处理、图像操作处理及组合变换等不同攻击下的图像修改版本时具有较强的鲁棒性和内容辨识性,而且具有较高的检测率。算法可以用于数据库或网络环境下的数字图像盗版检测。 相似文献
10.
深度学习作为人工智能的一个研究分支发展迅速,而研究数据主要是语音、图像和视频等,这些具有规则结构的数据通常在欧氏空间中表示。然而许多学习任务需要处理的数据是从非欧氏空间中生成,这些数据特征和其关系结构可以用图来定义。图卷积神经网络通过将卷积定理应用于图,完成节点之间的信息传播与聚合,成为建模图数据一种有效的方法。尽管图卷积神经网络取得了巨大成功,但针对图任务中的节点分类问题,由于深层图结构优化的特有难点——过平滑现象,现有的多数模型都只有两三层的浅层模型架构。在理论上,图卷积神经网络的深层结构可以获得更多节点表征信息,因此针对其层级信息进行研究,将层级结构算法迁移到图数据分析的核心在于图层级卷积算子构建和图层级间信息融合。本文对图网络层级信息挖掘算法进行综述,介绍图神经网络的发展背景、存在问题以及图卷积神经网络层级结构算法的发展,根据不同图卷积层级信息处理将现有算法分为正则化方法和架构调整方法。正则化方法通过重新构建图卷积算子更好地聚合邻域信息,而架构调整方法则融合层级信息丰富节点表征。图卷积神经网络层级特性实验表明,图结构中存在层级特性节点,现有图层级信息挖掘算法仍未对层级特性节点的图信息进行完全探索。最后,总结了图卷积神经网络层级信息挖掘模型的主要应用领域,并从计算效率、大规模数据、动态图和应用场景等方面提出进一步研究的方向。 相似文献