排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
为了实现无缝钢管生产工艺流程中定(减)径之后矫直之前的控制冷却,采用数值模拟方法研究了20号钢管轧后冷却过程的组织力学性能变化规律。首先采用试验方法测定钢探头在不同冷却介质条件下的温度变化曲线,根据反传热法基本原理计算得出钢探头冷却过程中表面换热系数与工件温度的关系。然后,采用有限差分法建立了钢管冷却过程中的温度场、组织相变及力能性能预测系统,分析了不同冷却工艺条件下钢管的组织状态与力学性能。最后,进行钢管空冷过程的试验分析,测定了不同时刻的温度数据和冷态钢管的力学性能,其计算结果与实测数据吻合良好。该研究结果可为实现无缝钢管控制冷却提供基础性数据。 相似文献
4.
5.
6.
正混凝土搅拌运输车搅拌罐倾斜安装于副车架上,副车架前支座上设有减速器,搅拌罐前端通过螺栓固定在减速器输出法兰盘上,后端浮动支撑在副车架滚轮上。搅拌运输车紧急制动、特别是在坡道上紧急制动时产生的惯性力,主要通过减速器传递给副车架,若减速器限位装置失效或减速器松动,会造成搅拌罐失稳,导致搅拌运输车倾翻。本文介绍搅拌车用减速器限位装置的改进方法。1.传统限位装置混凝土搅拌运输车减速器通过螺栓固定在前支座盖板上,限位装置焊接在盖板前侧,用 相似文献
7.
8.
本文针对混凝土搅拌车滚道与托轮常见故障进行原因分析,并提出解决方法,以保证搅拌车滚道和托轮接触处于最佳状态,延长滚道与托轮的使用寿命。 相似文献
9.
10.
目的 高光谱遥感中,通常利用像素的光谱特征来区分背景地物和异常目标,即通过二者之间的光谱差异来寻找图像中的异常像元。但传统的异常检测算法并未有效挖掘光谱的深层特征,高光谱图像中丰富的光谱信息没有被充分利用。针对这一问题,本文提出结合孪生神经网络和像素配对策略的高光谱图像异常检测方法,利用深度学习技术提取高光谱图像的深层非线性特征,提高异常检测精度。方法 采用像素配对的思想构建训练样本,与原始数据集相比,配对得到的新数据集数量呈指数增长,从而满足深度网络对数据集数量的需求。搭建含有特征提取模块和特征处理模块的孪生网络模型,其中,特征处理模块中的卷积层可以专注于提取像素对之间的差异特征,随后利用新的训练像素对数据集进行训练,并将训练好的分类模型固定参数,迁移至检测过程。用滑动双窗口策略对测试集进行配对处理,将测试像素对数据集送入网络模型,得到每个像素相较于周围背景像素的差异性分数,从而识别测试场景中的异常地物。结果 在异常检测的实验结果中,本文提出的孪生网络模型在San Diego数据集的两幅场景和ABU-Airport数据集的一幅场景上,得到的AUC (area under the curve)值分别为0.993 51、0.981 21和0.984 38,在3个测试集上的表现较传统方法和基于卷积神经网络的异常检测算法具有明显优势。结论 本文方法可以提取输入像素对的深层光谱特征,并根据其特征的差异性,让网络学习到二者的区分度,从而更好地赋予待测像素相对于周围背景的异常分数。本文方法相对于卷积神经网络的异常检测方法可以有效地降低虚警,与传统方法相比能够更加明显地突出异常目标,提高了检测率,同时也具有较强的鲁棒性。 相似文献
1