AutoCAD应用两技巧

一般AutoCAD用户在使用软件的过程中应当都碰到过这种情况：刚刚对很多图形进行了操作（比如移动），但发现新的位置并不是理想中的位置，要怎么办？一般情况下大家都会先用鼠标去挨个选择刚才选过的图形，再做操作，这样做既费时又费力。实际上，在CAD的选择命令中有一个“p”的选项，意思是重复上一次的选择，这样就非常容易地解决了这个问题。以移动为例，在上次操作之后，     

能量可重复使用的齿轮试验装置

研发背景 近年来,国内的齿轮行业发展迅速,齿轮承载能力试验在其中是一项很重要的内容,传统的功率开放型齿轮试验装置由于其结构简单、配置灵活并易于实现在运转过程中改变载荷,得到了广泛的应用。这种试验装置通常由原动机、被试验的齿轮装置和耗能负载装置三部分组成。     

支持复杂产品知识管理的领域子本体自动提取方法

为解决复杂产品领域本体规模庞大导致本体应用效率低的问题,提出一种支持复杂产品工程的领域子本体自动提取方法.该方法以用户标识的感兴趣节点为起始节点,采用节点相关度的概念替代本体节点之间的结构相似度来构建相关度矩阵,通过相关度迭代扩张更新相关度矩阵,提取相关度较高的节点,还原节点之间的关系后获得一种外扩型的领域子本体;在相关度迭代扩张方面,分别从本体的结构关系和约束关系2个维度进行启发式搜索扩张,并通过扩张因子实现相关度的逐级衰减;在相关度矩阵的更新方面,提出最大扩张和调和扩张2种机制;最后以机器人某领域本体为例对领域子本体的复杂度进行评价,同时给出了不同参数条件下文中方法提取领域子本体的规模和复杂度.     

渐开线圆柱齿轮传动的回差

回差是指输入轴反向转动时,输出轴在运动上滞后于输入轴的现象,也称“回程间隙”。在机器人、伺服系统等需要精密传动的机构中,回差是一项非常关键的指标,但是目前的设计资料中相关方面的介绍是少之又少,很难对设计者有所帮助,我厂有多年生产精密减速器的经验,现在把用过的相关资料整理出来,希望对大家有所帮助。     

基于知识的工艺问题解决方法研究

制造企业生产过程中面临着大量的工艺问题,在分析工艺问题解决过程的基础上,提出了解决工艺问题的知识构成,通过将工艺问题解决流程与解决问题所需要的知识相结合,提出了采用基于知识的多层次工艺问题解决框架,可有效对工艺问题解决过程提供知识支持.另外,提出了一种基于TRIZ矛盾矩阵思想的工艺问题解决方法,该方法通过确定工艺矛盾因素来分析产生问题的本质,进而实现问题的解决乃至创新解决.最后,进行了工艺问题解决平台开发,验证了方法的有效性.     

基于有限元方法的陀螺框架装夹变形分析

基于ANSYS建立了陀螺框架装夹变形的有限元分析模型,对工件装夹方案、夹紧位置与变形的关系以及夹紧力与变形的关系进行了仿真优化分析。基于有限元分析结果,给出了最优的装夹方案、夹紧力的大小范围和施加位置。这种基于有限元的工件装夹变形分析方法对夹具的设计有一定的指导意义。     

一种雷达回波外推短临预报方法仿真

雷达回波外推结果是短临预报的基础,为获取准确短临预报内容,并提升预报内容的时效性,研究基于循环动态卷积的雷达回波外推短临预报方法.在动态卷积神经网络的基础上,参考循环神经网络结构特性,构建循环动态卷积神经网络,在卷积层内引入循环结构,生成外推雷达回波图像同过去一段时间内输入雷达回波图像序列间的相关性.在循环动态子网络内...     

基于微服务的多机器人资源智能云服务平台架构

针对工业机器人云服务平台难以兼容异构通信协议及机器人资源属性描述不统一的问题,提出一种基于微服务的多机器人资源智能云服务平台架构。首先,提出了基于异构协议转换的多机器人智能适配接入方法,以OPC UA统一数据交换协议,实现异构工业机器人的快速接入。然后,提出一种基于扩展信息模型映射的多机器人资源自动虚拟化方法,通过对工业机器人信息模型的扩展定义和一致性映射,构建统一本体模型,实现机器人资源与服务设计解耦。实验表明,该架构能够满足异构工业机器人的高效适配和多机器人资源的统一虚拟化要求,并对微服务节点数量与吞吐量能力关系、业务调度响应时间、业务调度成功率及高并发性能4个指标进行测试验证。     

NGWN行星齿轮减速器双联齿轮的工艺改进

NGWN行星齿轮减速器具有结构紧凑、单级传动比大（一般单级传动比可达100，最高可达500）、承载力大等优点，其结构简图如图1所示。     

基于KL距离的不平衡数据渐进学习算法研究

为解决不平衡数据内在固有性引发的分类结果受强势类影响较大的问题,研究基于KL距离的不平衡数据渐进学习算法,精准地辨识出不平衡数据中的弱势类样本,提高算法分类性能.在深入分析KL距离和欠抽样法的基础上,使用欠抽样法平衡化处理不平衡数据集,采用基于KL距离的不平衡数据半监督学习算法,以渐进模式,通过寻找可靠正例、可靠反例,实现处理后数据集的最终分类.实验结果表明,上述算法的G-mean值始终较高,可极大地提高算法分类性能;所提算法使用后的F-measure值在任何抽样比例下都高于使用前的F-measure值,且在抽样比例较大时,F-measure值呈缓慢上升趋势,能很好地分类出不平衡数据集中的弱势类样本.