使用不同材质冲压模具的生产成本分析比较方法

硬质合金模具在冲压生产中的应用越来越多,由于目前缺少相关的经济性分析方法,因此在选择时存在很大的盲目性。通过对冲压生产过程进行综合分析,推导出计算生产冲压件成本的基本方法,并编写出相应算法。用这种算法可以分别计算出使用钢制模具和硬质合金模具的冲压件成本,然后根据成本曲线找出经济临界点,对于指导模具选择和降低冲压件成本具有重要的意义。     

基于BP神经网络的建筑物用电能耗预测

建筑节能是当今城市建设和社会发展的前沿和研究热点,对建筑的能耗现状进行综合分析与评估是进行节能改造或节能设计的前提和基础,而建立反映能耗变化的预测模型是从宏观尺度上分析认识建筑能耗变化与发展特性、为公共建筑节能工作提供决策依据的有效途径和重要手段.研究针对常规BP网络算法收敛速度慢、易陷入局部最小点的缺点,采用了具有较快收敛速度及稳定性的LM算法进行预测,构造了基于BP神经网络的建筑物用电量预测模型.以某市公共建筑原始用电能耗统计数据作为样本,并采用MATLAB对预测模型进行了仿真预测.结果显示:误差在允许范围内.     

酚醛泡沫板脆性与粉化性能实验

目的研究胶粘剂对酚醛泡沫板脆性与粉化性的危害,提出通过界面剂处理来阻断胶粘剂对酚醛泡沫板损害的方法．方法采用断裂力和回弹率两种方法测试酚醛泡沫板的脆性,砂纸粉末法测试酚醛泡沫板的粉化度,通过红外光谱研究两种性能变化的原因．结果Ca（OH）2浸泡和胶粘剂粘结后出现紫红色物质均对泡沫板的脆性和粉化性能产生负面影响．经Ca（OH）2浸泡与原样相比断裂力减小,回弹率和粉化度增加,最大差值分别为8．12N、4．61％、3．24％．胶粘剂粘结后酚醛泡沫试样断裂力和回弹率均减小,粉化度增加,最大差值分别为20．58N、7．25％、4．49％．自然晾晒、粘结胶粘剂潮湿养护和Ca（OH）2浸泡的酚醛泡沫板粉化度相对于原样依次增大,最大粉化度分别为12．56％、11．02％、8．91％、8．27％．结论界面剂的使用,有效地阻断了胶粘剂和酚醛泡沫板的直接接触,因此能够降低泡沫板脆性破坏与粉化增加速度,可以应用于工程实践中．     

SOAP技术及其安全性扩展分析研究

SOAP(Simple Object Access Language,简单对象访问语言)是一种基于XML(eXtensibleMarked Language,可扩展标识语言)的通信协议。自问世以来,因为其能够采用多种程序设计语言在多操作系统下和多种计算机平台上实现,受到社会广泛关注。本文主要介绍了SOAP技术和SOAP数字签名技术,并指出了其广阔的应用前景。     

通用信息管理用户界面系统

通过介绍植物信息管理系统的接口设计，向用户展示了一个基于ＭＳＣ的用户界面生成软件包，它可以嵌入任何使用ＭＳＣ语言及数据库管理系统开发的信息管理应用系统。     

"任务驱动法"在《网页制作》中的应用

教师以讲授为主,不能充分发挥学生学习的积极性和主动性,易使学生丧失对学习的兴趣."任务驱动法"以一个个的具体任务为线索,让学生自己提出问题,激发了学习的兴趣.从而达到提高教学效果的目的.     

形式美法则在园林中的应用

本文阐述形式美法则在园林设计中的重要性,并介绍其在园林设计中的应用和表现,以增强人们对形式美法则的认识与理解,提高对园林设计的审美和创造力。     

炼钢-连铸动态调度中基于规则的时间调整方法(续完)

为了保证炼钢-连铸生产在动态扰动情况下的稳定性,针对生产调度中频繁发生的时间偏差类动态事件,提出了基于规则的时间调整方法。首先,结合炼钢-连铸生产工艺技术,定义了多个柔性可调的缓冲时间;然后,建立了减少过程等待时间、缩短工序处理时间和相邻工序间运输时间、延长紧前炉次浇注时间、推迟浇次或浇次中部分炉次开浇时刻等规则及相应的数学模型。根据偏差时间的长短,通过调用规则,可以有效消除时间偏差引起的扰动,生成优化的动态调度时间调整方案。仿真算例表明了该方法的有效性。     

炼钢-连铸动态调度中基于规则的时间调整方法(待续)

为了保证炼钢-连铸生产在动态扰动情况下的稳定性,针对生产调度中频繁发生的时间偏差类动态事件,提出了基于规则的时间调整方法。首先,结合炼钢-连铸生产工艺技术,定义了多个柔性可调的缓冲时间;然后,建立了减少过程等待时间、缩短工序处理时间和相邻工序间运输时间、延长紧前炉次浇注时间、推迟浇次或浇次中部分炉次开浇时刻等规则及相应的数学模型。根据偏差时间的长短,通过调用规则,可以有效消除时间偏差引起的扰动,生成优化的动态调度时间调整方案。仿真算例表明了该方法的有效性。     

深度学习的快速磁共振成像及欠采样轨迹设计

目的 快速成像一直是磁共振成像（MRI）技术中的焦点之一,现有多通道并行成像和部分k空间数据重建都是通过减少梯度编码步数来降低数据的获取时间,两者结合起来更能有效地提高扫描速度。然而,在欠采样倍数加高的情况下,依然有很严重的混叠伪影,因此研究一种在保证成像精度的前提下加快成像速度的方法尤为重要。方法 基于卷积神经网络的磁共振成像（CNN-MRI）方法利用大量现有的全采样多通道数据的先验信息,设计并线下训练一个深度卷积神经网络,学习待重建图像与全采样图像之间的映射关系,从而在线上成像时,欠采样所丢失数据能被训练好的网络进行预测。本文探讨了对于深度学习磁共振成像的可选择性欠采样方式,提出了一种新的欠采样轨迹方案。为了判断本文方法的性能,用峰值信噪比（PSNR）、结构相似度（SSIM）以及均方根差（RMSE）来作为衡量的指标。结果 实验结果表明,所提出欠采样方案的综合性能要优于传统欠采样轨迹,PSNR要高出12 dB,SSIM高出近0.1,RMSE要降低0.020.04左右。此外重建结果还与经典的并行重建方法GRAPPA（geneRalized autocalibrating partially parallel acquisitions）、SPIRiT（iterative self-consistent parallel imaging reconstruction from arbitrary k-space）以及SAKE（simultaneous autocalibrating and k-space estimation）作比较,从视觉效果以及各项量化指标得出本文方法能重建出更准确的结果,并且重建速度要快5倍以上。结论 深度学习方法能很好地在线下训练时从大量数据集中提取并学习到有价值的先验信息,所以在线上测试时能在较短时间内重建出优于经典算法的高质量结果;提出的1维低频汉明滤波欠采样方案则有利于提升该网络的性能。