知识增强的自监督表格数据异常检测方法研究

传统的监督异常检测方法快速发展,为了减少对标签的依赖,自监督预训练方法得到了广泛的研究,同时研究表明额外的内在语义知识嵌入对于表格学习至关重要。为了挖掘表格数据当中存在的丰富知识信息,提出了一种基于知识增强的自监督表格数据异常检测方法（self-supervised tabular data anomaly detection method based on knowledge enhancement,STKE）并进行了改进。提出的数据处理模块将领域知识（语义）、统计数学知识融入到特征构建中,同时自监督预训练（参数学习）提供上下文知识先验,实现表格数据的丰富信息迁移。在原始数据上采用mask机制,通过学习相关的非遮掩特征来学习遮掩特征,同时预测在数据隐层空间加性高斯噪声的原始值。该策略促使模型即使在有噪声输入的情况下也能恢复原始的特征信息。使用混合注意机制有效提取数据特征之间的关联信息。在6个数据集上的实验结果展现了提出的方法优越的性能。     

数控机床操作中常见故障处理

介绍了数控机床在实际操作中出现的各种常见故障,并给出了故障排除方法.     

铝合金稀土转化膜成膜因素对膜层性能的影响

通过正交实验研究了铝合金稀土化学转化膜成膜因素对转化膜性能的影响,获得了以下最佳配方:ρ(CeCl3)= 15 g／L,H2O2的体积分数为50 mL／L,ρ(柠檬酸)=2 g／L,θ=50℃。实验结果表明,H2O2的含量对转化膜厚度和硬度的影响最为显著,在体积分数为50 mL／L时膜厚和硬度的值最大;CeCl3的质量浓度对膜层厚度和膜层Rp值影响较大,随CeCl3浓度的升高膜厚和邱值增加;温度对膜层阻抗谱影响较为明显,随温度升高Rp值下降;柠檬酸的含量对膜层硬度和Rp值都有较大的影响,当其质量浓度为2 g／L时,所得膜层硬度最大、Rp值最高。     

北京玉雕：花开宫廷向众芳

<正>在浩瀚的中华文化园林中徒步,一伸手就容易触碰到玉器这一古老的存在。从祭器、礼器到生活器具、随身饰品,玉器走过了几千年的岁月。玉是大地的舍利,自古深受人们追崇与喜爱,中华玉文化也绵延发展至今。说起现代玉雕,北京玉雕绝对是绕不开的存在。它是中华玉雕文化的代表,是从宫廷走向大众的高雅艺术。如今,北京玉雕早已走入民间,成为广受推崇的雕刻艺术。     

特厚板厚度方向形变传递规律的仿真分析

 基于Gleeble热压缩试验、有限元方法对一种HSLA钢特厚板轧制过程中厚度方向变形向心部传递的规律进行了仿真研究。首次从有限元角度定量揭示出特厚板生产中高温、低速、大压下量的轧制规范机理。仿真所用材料本构模型由Gleeble试验数据结合Arrhenius方程所构建,研究了轧制速度、压下量、轧制温度以及板坯厚度对特厚板厚度方向应变分布的影响规律。结果表明,轧制速度小于1 m/s时（平均应变速率小于 0.33 s－1）,有利于变形向钢板心部传递,削弱截面效应;压下量越大,钢板等效应变越大,且厚度方向最大等效应变出现的位置向心部偏移;轧制温度对等效应变的分布影响不显著,但是高温轧制有利于减小轧机负荷;板坯越厚,变形分布不均匀性越显著。当板坯厚度为500 mm时,截面的最大、最小等效应变差达到0.2。生产中,在设备允许的情况下,建议特厚板的轧制采用高温、低速、大压下量规范。     

氧化锌分散液的制备及机理研究

采用超声解团聚法制备氧化锌分散液,探讨了体系pH对氧化锌分散液的影响,考察了分散剂聚丙烯酸(PAA)用量和超声时间对氧化锌分散液稳定性的作用规律,重点阐述了超声解团聚法形成氧化锌分散液的机理。研究表明:当pH=7、PAA用量1.5%、超声分散时间120min时,氧化锌分散液的分散性和稳定性最好。超声解团聚法制备分散液过程中,经历了润湿、超声解团聚分散、超声后分散液稳定三个阶段,氧化锌粉体会生成较小团聚体,加入分散剂PAA不仅可以提高分散效率,同时可以起到稳定新生成较小团聚体的作用。     

挠性转子平衡中的影响系数修正法

本文提出了用成组加重计算影响系数,提高了平衡效果,减少了平衡中的开车次数,将大大提高大型汽轮机等转子平衡的平衡经济效益。     

一个多站点传送的密钥分发方案

本文提出了一个多站点传送的密钥分发方案,经出了在一个完全保密的方案中用户信息集合大小的下界,并且构造了一个达到该下界的应用方案。     

基于YOLOv5的换向器表面缺陷检测算法研究

在零部件制造和使用过程中,可能会在零部件表面出现缺损现象,而零部件在反复使用过程中其微小缺陷可能扩大甚至使损坏零部件,进而导致零部件所在系统发生故障。以工业用典型零部件换向器为研究对象,提出了基于深度学习算法的零部件缺陷检测方法。研究中,基于KolektorSDD数据集,首先采用Mosaic数据增强方法对换向器缺陷数据集中的数据进行旋转、裁剪等处理,对数据集进行扩充,构建数据集。其次,将构建的数据集划分为训练集和测试集。采用构建的训练数据集,搭建深度学习框架并采用YOLOv5卷积神经网络训练模型,建立换向器表面缺陷识别模型。最后,采用构建的识别模型对测试集中的数据进行测试。结果表明,训练模型性能评价指标平均精确率均值(mAP)及正样本召回率(Recall)均高达95%以上,采用深度学习中YOLOv5目标检测算法对换向器表面缺陷的检测精度可高达90%。