挖掘方式的分析和最佳选择

在分析底取式挖掘、上取式挖掘、振动式挖掘的挖掘方式对挖掘阻力、挖掘速度的影响和优、缺点的基础上，提出最佳挖掘方式——混合式挖掘，即沿矿堆斜表面挖掘，及实现这种挖掘方式的控制参数，使挖掘阻力最小，对开拓设计思想大有益处。     

延安炼油厂催化裂化装置技术改造

延安炼油厂３０万吨／年催化裂化装置，经过１９９５年７￣８月份技术改造，更换循环斜管，增加干湿联合空冷器，对气压机进行增容技改等一系列措施，使装置处理能力由原设计的３０万吨／年提高到４０万吨／年，轻质油收率由６１．８９％提高到６４．７５％，并降低了能耗，延长了开工周期，取得了显著的经济效益。     

烧结原料的堆取与混匀

湘钢二烧原料场占地10多万平方米,投资近亿元,是仿宝钢设计。自1991年2月28日投产以来,已逐步走向顺行。二烧原料场共有6台堆取料机,分别是:一次堆料机2台,一次取料机2台,混匀堆料机1台,混匀取料机1台。湘钢66种铁原料的成分波动很大,通过合理供料,科学安排料位,开展好一次堆取和混匀堆取工作,达到稳定铁原料化学成分、物理特性的目的,从而降低了烧结矿成     

采用大数据分析建设工程市场信息的新方法

随着招投标过程信息化的快速发展,越来越多的招标、评标、中标信息统一集中在相应交易中心平台网站上进行公示,使采用大数据手段分析建设工程信息成为了可能。采用Web Scraper插件爬取网页内容简便、高效、准确。大数据的介入能很大程度遏制非法围标、串标行为,保证公共资源交易过程的公平、公正,有效打击权力寻租。同时大数据分析以定量、可视化的成果展示了建设工程的市场行为趋势,为政府的宏观调控提供更精确的数据性指导性意见。     

互联网教育中国样本集

正如我们总结的,教育是个庞大而抽象的概念,在与之相关的各个环节上都有层出不穷的创新和努力。我们不可能在有限的版面中对这些公司全部进行报道,而是选取其中具有代表性的几个样本来介绍——没有评论和剖析,而是尽可能的将其模式和产品"揭露"出来,供读者参考和借鉴。而对于这一领域其他公司,筛除众多培训为主业的网站,以及此次并不列入     

基于神经网络扩张的Adaboost人脸检测算法

人脸检测是人脸研究中的重要部分,Adaboost算法检测速度虽快,但错检率和重复检测率仍比较高。本文提出了一种Adaboost算法与神经网络相结合来进行人脸检测的方法,并通过实验表明该方法在原有Adaboost算法的基础上,降低了错检和重复检测率,提高了正负样本判断正确的概率。     

基于VMD和样本熵的电磁式电流互感器故障诊断

针对电磁式电流互感器故障诊断效率低、准确率不高问题,提出一种变分模态分解(VMD)和样本熵相结合的故障诊断方法.将原始故障信号通过VMD分解成一系列本征模函数(IMF)并进行优选,计算其样本熵作为新的互感器特征提取对象的特征值,与常见时频域特征指标组合成新的特征向量输入K近邻分类器进行训练.Matlab仿真实验结果表明,该方法中新的特征指标用于低压电流互感器故障诊断是有效可行的,可为电磁式电流互感器故障诊断提供参考.     

一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法

由于同步电机故障样本数量较少,为解决同步电机故障诊断中普遍存在的样本不平衡问题,提出了一种基于条件生成式对抗网络(CGAN)和卷积神经网络(CNN)的同步电机转子绕组匝间短路故障诊断方法.首先,对传感器收集到的数据进行预处理,对正常样本和故障样本分别添加标签后输入CGAN中生成大量新样本,将生成的新样本与原始样本混合并划分训练集和测试集;然后,利用CNN训练平衡后的数据集,充分、精准地提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过实验证明,与非平衡数据集相比,利用平衡数据集后的故障识别准确率十分稳定且达到99.5％以上,同时与平衡的原始样本数据相比,生成样本避免了噪声和其他干扰,故障诊断的准确率也更高.     

基于智能磨矿介质及CNN和优化SVM模型的球磨机负荷识别方法

当前球磨机负荷检测方法难以准确评估磨机内部变化,给磨机综合运行状态的控制和优化带来较大难度。本文设计了一款内嵌加速度传感器且与钢球介质物理性质相一致的智能磨矿介质用于识别磨机负荷,开展了不同充填率等磨矿条件下的磨矿试验,设计磨矿效果系数划分磨机负荷状态;分别采用了卷积神经网络方法(CNN)和优化的支持向量机(SVM)模型对智能磨矿介质获取的加速度信号进行球磨机负荷识别。基于优化的SVM模型将获取的一维加速度信号进行互补集合经验模态分解算法（CEEMD）去噪、时域特征值和样本熵提取等预处理,将上述磨机负荷的特征向量分别输入GA?SVM、GS?SVM、PSO?SVM分类模型进行训练,研究表明,PSO?SVM模型的识别准确率可达98.33%,但存在训练过程繁琐,耗费时间长的问题。在图像识别领域具有优秀应用能力的CNN模型是把智能磨矿介质检测加速度信号数据转换为二维图片后直接输入基于VGG19网络的CNN模型进行分类识别,磨机负荷分类识别准确率高于优化的SVM模型,可达98.89%,在保证识别准确率的同时有效节约了计算时间。基于CNN的智能磨矿介质球磨机负荷识别方法可为实现球磨机负荷检测与在线评估提供重要解决方案与技术保障。