热连轧多加热炉设定模型自学习参数计算及优化

在有多座加热炉的热连轧生产线中,加热炉之间存在较大的工况差异,给产品精度和生产的稳定性带来不利影响。为有效解决上述问题,笔者提出对热连轧设定模型自学习参数分炉进行计算,并采用指数平滑法平滑震荡的参数,在上述基础上对不同的自学习参数分别采用长遗传、短遗传方法进行优化处理。实践证明,采用该方法后,针对不同产品规格和不同工艺制度,过程控制系统能够按照加热炉进行很好的自适应,提高了产品精度。     

TCP Offload系统的设计与实现

网络带宽的迅速发展使主机协议处理开销成为系统整体性能的瓶颈。为了提高网络应用的性能、降低主机系统的资源占用，该文采用网卡子系统分担主机的网络包收发和TCP协议处理，设计实现了一个TCP offload系统，分析了一般TCP offload系统在性能和实施的困难，给出系统设计的基本原则，介绍了系统在通信接口、资源管理、事件管理和用户接口等方面的实现。系统测试结果表明，网卡能处理高速的网络应用，在一些情况下甚至达到线速。     

Assel轧管机轧制力计算研究

分析金属在Assel轧管机轧制时的变形特征,将轧制过程分为减径部分和减壁部分,建立其轧制力与轧制力矩的数学模型;依据该数学模型计算出不同钢种的轧制力和轧制力矩,并将计算值与现场实测值进行对比,以验证数学模型的准确性。最后根据前述数学模型,用Matlab软件编制专用的Assel轧管机力能计算软件。     

二辊立式斜轧穿孔机轧制力试验研究

介绍了二辊立式斜轧穿孔机的轧制特点,通过对穿孔机轧辊和管坯接触面任意微小截面计算再求和的方法,忽略顶头和规圆区影响,沿轧制线方向进行简单积分,计算变形接触面积,推导出适用于二辊立式穿孔机轧制力工程计算的简化计算式;并与现场实测轧制力数据进行对比,验证了工程计算公式可以作为穿孔机设计的参考依据。     

基于智能网卡的网络数据获取平台优化技术*

利用智能网卡作为其网络数据报文捕获平台,并在其上完成部分TCP/IP 协议卸载,以在尽量减少主机资源占用的前提下提高海量网络流实时处理系统的处理能力.为了充分挖掘系统潜能,对智能网卡的网络驱动进行深入研究,并作了各种优化和系统测试.测试表明优化效果显著,在主机CPU占用为零的前提下,报文捕获性能达到线速(148.8×104 pps).     

电话银行的用户体验研究

电话银行已经应用到越来越多的行业,使用该类系统的人群数量也在逐步增加。但是设计开发这些系统时,并没有考虑到用户体验。作者通过开发的测试工具对电话银行系统的进行用户测试,发现当前交互语音应答系统的用户体验并不容乐观。本文介绍了利用该工具对用户使用电话银行的行为进行分析,结果表明电话银行的用户体验存在一些问题。针对这些客观事实,作者分析了问题产生的原因,同时还对问题的解决提出了一些改进建议。     

基于晶体塑性有限元的AZ31镁合金室温变形过程织构及孪生演化

研究了AZ31镁合金塑性变形过程中因不同晶体取向导致的各向异性和拉压不对称性,探索了塑性变形过程中织构演变规律、孪生和力学性能之间的关系。采用晶体塑性有限元建立具有不同晶体取向的AZ31镁合金模型,通过室温单轴压缩和拉伸实验相结合的方法,发现晶体的塑性变形行为在很大程度上取决于晶体取向,不同的晶体取向导致了镁合金塑性变形行为的各向异性,轴向屈服强度和抗拉强度高,径向屈服强度和抗拉强度低。镁合金塑性变形过程中,随着应变量的增加,孪晶激活体积分数不断上升,因不同加载方向导致晶粒c轴发生不同转动,径向孪晶激活体积分数高,轴向孪晶激活体积分数低;孪晶的激活直接导致了织构的极密度发生偏移,径向孪晶激活体积分数高,所以径向的织构的极密度偏移更大。在镁合金塑性变形过程中,出现明显孪晶的点与应力突变的点相吻合,当孪晶激活体积分数达到一定值时,应力发生突变,此时晶体取向发生变化,新的滑移系启动,反映了滑移和孪晶机制耦合对力学性能的影响。     

顶头与顶杆连接装置的探讨

对传统和改进后的顶头与顶杆连接装置进行了探讨分析。改进后的连接装置可实现顶头的快速更换,是一种可循环使用的快速连接装置。     

无缝钢管斜轧穿孔顶头表面缺陷非接触在线检测方法

针对无缝钢管斜轧穿孔顶头表面缺陷在线检测的现实需求，提出了一种基于激光扫描、空间点云数据处理及深度学习的非接触测量方法。根据无缝钢管产线特点确定了检测位置、系统构成和顶头轮廓数据采集方案，并引入迭代最近点（ICP）配准方法，实现了测量点云与标准CAD模型的配准。针对头部缺陷设计了相应的分类数集和渐变形态，使用点云深度学习方法实现了缺陷精确分类和量化预警。针对表面磨损缺陷，设置磨损深度上限阈值以实现磨损程度的精确监测。为验证系统可靠性，搭建了顶头检测物理模拟平台，并利用3D打印技术定制了含有不同缺陷特征的顶头实物模型。测试结果表明，表面轮廓检测误差在0.06 mm以内，头部缺陷分类精度可达97.7%、准确度可达98.1%，满足在线检测要求。