密闭电石炉烟气净化除尘技术研究

本文介绍了密闭电石炉高温烟气含尘情况,高温烟气净化除尘技术方案、工艺流程,对实际运行中的问题进行分析研究.密闭电石炉炉气的回收和综合利用,已签约CDM项目.     

基于曲轴扭振信息识别的柴油机失火气缸判别方法

为解决柴油发动机在高转速、低负荷工况下难以准确判断出发生失火故障的气缸的问题,提出了通过检测曲轴转速信号中的扭振信号起始点来判定失火气缸的故障诊断方法。该方法首先通过分析单缸失火时的转速信号以确定曲轴扭振的自由频率,然后基于该频率构造正弦检测信号,将该检测信号与各缸做功转角范围内的转速信号做内积运算,并得到的内积值作为失火气缸的指示特征。在6缸柴油机上的失火试验证明该方法能够在高转速低负荷情况下准确识别发动机的单缸失火和两缸失火,弥补了传统失火诊断方法工况覆盖率低的不足。     

并行工程在冷冲压模具开发中的应用

说明并行工程运用于冷冲压模具开发必要性和可行性,缩短模具开发周期、提高质量、节约成本等方面意义重大,并通过分析冷冲压工艺的特点,探讨了并行工程应用于冷冲压模具开发的方法.     

煤炭元素分析仪中高灵敏度热导检测器的研究

根据热导检测器的工作原理,分析影响其灵敏度的主要因素,并建立检测器的热平衡模型,可指导优化其性能设计。通过采用四壁直通式流通结构,选用10 kΩNTC热敏电阻作为热敏元件,设计稳定的恒流电源、高精度控温电路和信号处理电路,研制出高灵敏度的煤炭元素分析仪用热导检测器。经测试,检测器基线噪声为1.5μV,30 min内的基线漂移为8μV,灵敏度为12 288 mV·mL/mg,碳元素检出限为28.4μg/g,氢元素检出限为28.8μg/g,氮元素检出限为11.3μg/g,满足高通量煤炭元素分析仪多组分联测需求。     

G115钢650℃时效的组织与性能研究

通过对G115钢经650℃高温时效不同时间后进行拉伸、硬度、冲击试验,并利用SEM及光学显微镜观察其显微组织,研究了G115钢时效后力学性能变化情况.结果表明:G115钢650℃时效后室温屈服强度和抗拉强度呈缓慢下降趋势,硬度值在时效1000h后小幅升高,随后呈缓慢下降趋势;冲击韧性在时效1000h后急剧下降,随后冲击...     

基于数字化电能计量系统检验装置及其可视化应用

在传统的电表中,采样和数据处理模块用于计算测量值和电能,电压和电流电路直接或通过电磁变压器与电表连接,因而对数字电能计量系统进行研究有重要意义.本文通过与传统计量系统的比较,讨论了数字计量系统的应用结构和特点,给出了数字电能表的溯源模型,并通过一系列测试对数字电表的计量特性进行了检验研究,提出了有关检测项目、标准定量值...     

基于GIS的长株潭生态评价系统设计与实现

应用面向对象编程语言C#.NET和COM组件技术,整合GIS组件MapX的空间分析功能和MATLAB的科学计算功能开发了长株潭地区生态地球化学评价系统,实现了科学管理长株潭地区的海量采样数据和评价结果数据,能够实时地评价长株潭地区的环境现状和预测未来几年的发展趋势。文中将探讨系统开发中的主要技术问题,包括确立系统开发的目标,系统分析与设计等。     

OpenAPI出现、起源与现状

在早年刚刚上网的时候,经常感觉到互联网上内容的缺乏,很多想要的都没有。随着网站的逐步增多,崛起了以yahoo为代表的门户,典型的特点就是分类导航,现在中国的hao123和265还在继续扛这面大旗。然而,我们发现导航解决不了我们的问题,我们想要找到一个东西变得日益艰难,这时搜索应运而生,Google也借助搜索形成对Yahoo的巨大挑战。而在这个时候,网站也可以通过投放搜索广告的方式去获得一定的收入。     

生成粉红噪声的ARMA模型

针对现有粉红噪声的生成方法所存在的计算过程复杂,与理想粉红噪声相比偏差较大等问题,本文提出了一种利用自回归滑动平均(Auto-regressive moving average,ARMA)模型法生成粉红噪声的新方法。首先,构造一个待定系数的ARMA模型,并通过Z变换和功率谱估计的公式进行推导;其次,利用已知的粉红噪声模拟滤波器的传递函数H(s)和双线性Z变换法推导出IIR数字滤波器的传递函数H(z),进而得到粉红噪声的ARMA模型;最后,利用MATLAB对生成的粉红噪声进行功率谱估计并与理想的粉红噪声进行对比。由MATLAB仿真结果可知,利用该方法生成的粉红噪声与理想的粉红噪声拟合度更高,完全符合粉红噪声的各项性能要求。     

融合候选区域提取与SSAE深度特征学习的心脏MR图像左心室检测

左心室检测在计算机辅助心脏MR图像诊断方面具有重要价值,针对由于成像质量、部分容积效应、目标复杂多变等因素影响,导致左心室自动检测准确度较低的问题,提出一种融合候选区域提取与栈式稀疏自编码器(SSAE)深度特征学习的心脏MR图像左心室检测方法.在候选区域提取阶段,先用超像素算法产生初始区域,然后对SSAE学习到的深度特征采用层次聚类算法生成候选区域;在检测阶段,先使用SSAE提取候选区域的深度特征,然后训练SVM分类器对候选区域进行分类,并使用难分负样本挖掘算法对模型进行调节.对心脏图谱数据集左心室目标检测的实验结果表明,相对于手工特征及基于候选区域等方法,该方法取得了有竞争力的检测精度.