排序方式: 共有26条查询结果,搜索用时 15 毫秒
1.
超细搅拌磨的研发现状及发展趋势 总被引:1,自引:0,他引:1
本文详细介绍了超细搅拌磨的结构及工作原理,分析了超细搅拌磨的发展历史和国内外研究现状,并指出了其今后发展趋势。 相似文献
2.
3.
能耗是超细粉碎过程中备受关注的问题。本实验采用MiniZeta型卧式搅拌磨对重质碳酸钙进行了湿法超细粉碎实验,采用MATLAB数学分析软件,基于罗辛-拉姆勒粒度特性方程研究了不同助磨剂条件下能耗与产品D50和粒度模数的关系,建立了不添加助磨剂、添加Acume 9300和添加六偏磷酸钠3种实验条件下的能耗模型并对其进行了验证。结果表明,D50和粒度模数随能耗的增加呈现出先减小后平缓的趋势。添加助磨剂有利于在低能耗条件下得到D50较小的产品。助磨剂Acume 9300的助磨效果及节能效果优于六偏磷酸钠。3种实验条件下的能耗模型分别为W=0.9115a-1.4479,W=0.4532a-1.1482,W=0.6081a-1.4811,经实验验证所得模型可靠。 相似文献
4.
5.
结合清远市体育馆屋盖工程实践,分析了满堂红支撑在预应力组合扭网壳施工中的受力状况以及预应力张拉过程中对结构的影响,提出设计时应进行施工全过程分析。 相似文献
6.
短时物流需求预测是智慧物流系统的重要组成部分.由于短时物流需求数据具有非平稳性、强随机性、局部突变、非线性等特征,精确预测较为困难.对此,考虑集成经验模态分解(EEMD)、局部均值分解(LMD)、长短期记忆网络(LSTM)以及考虑局部误差校正(LEC),提出用于短时物流需求预测的EEMD-LMD-LSTM-LEC深度学习模型.该预测模型分为两个阶段:第1阶段基于特征分解和特征提取,构建EEMD-LMD-LSTM模型,以降低非线性的原始短时物流需求不平稳及随机变化导致的预测误差;第2阶段构建局部误差校正模型,用于校正第1阶段的预测结果,以减少短时物流需求的局部突变带来的预测误差.实验结果表明,EEMD-LMD-LSTM-LEC短时物流需求预测模型在均方根误差、绝对误差均值、绝对误差百分比和校正决定系数方面,均优于其他11种对比模型,其中包括:数理统计模型-----ARIMA;浅层机器学习模型-----支持向量回归和BP神经网络;深度学习模型-----LSTM和卷积神经网络;组合模型——深度置信网络-LSTM、经验模态分解(EMD)-LSTM、EEMD-LSTM、LMD-LSTM、EMD-LMD-LSTM和EEMD-LMD-LSTM. 相似文献
7.
线性调制状态下的逆变器,存在不能充分利用直流母线电压的问题,为了获得尽可能大的输出电压,一般对逆变器进行过调制控制.由于过调制的非线性,计算复杂,提出新的基于神经网络的SVPWM逆变器,采用线性调制和过调制2种模式,通过限定轨迹双调制模式法,实现在整个调制范围内线性控制.采用资源分配法确定径向基函数的网络结构和参数,设计出较精简的网络实现SVPWM;并将这种逆变器应用于异步电动机控制系统中.最后在Matlab环境下建立基于神经网络的SVPWM逆变器供电的异步电机控制系统仿真模型, 仿真结果表明,该方法简单、高效、控制效果良好,能提高直流母线电压利用率,降低输出电流谐波含量和电机转矩脉动. 相似文献
8.
为准确预测多个站点城轨交通短时客流,提出卷积长短时记忆网络(ConvLSTM)与栈式自编码器(SAE)相结合的深度学习模型SAE-ConvLSTM。考虑了13个影响客流量的外部因素,并通过SAE对其进行逐层提取,获得更具代表性的外部特征。通过ConvLSTM充分提取客流量的时间与空间特征,并融合所获得的外部特征对轨道交通网络中多个站点的短时客流量进行同步预测。同时设计了隐动作蒙特卡洛树搜索方法(LA-MCT),对SAE进行参数寻优。为了验证寻优效果,与遗传算法、粒子群算法,模拟退火算法,以及禁忌搜索算法进行对比。结果表明,LA-MCTS在寻优时间和寻优效果方面均具有优势。此外,以深圳地铁为例进行大量的数值实验,结果显示在预测均方根误差、绝对误差均值、平均绝对百分比误差以及拟合优度方面,所构建的SAE-ConvLSTM模型预测结果均优于浅层机器学习模型—反向传播神经网络、支持向量回归模型、整合移动平均自回归模型,及深度学习模型—长短时记忆网络、卷积神经网络、以及不加入外部特征的ConvLSTM、加外部特征无SAE的ConvLSTM、长短时记忆网络+卷积神经网络(CNN+LSTM)和加外部特征的CNN+LSTM。 相似文献
9.
避免不合格盐水渗入冷凝水,本文对井矿盐热电联产锅炉水电导率异常的可能来源进行了综合分析,从制定应急预案、加强机组排污、锅炉回水监测及自动采样系统查漏补缺、完善锅炉自动采样系统、做好药品验收及改进化验技术等五个方面采取措施进行应对和治理,从而确保制盐预热器设备完好及运行参数稳定。 相似文献
10.
我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明,DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型——GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax. 相似文献