家电下乡:到农村市场演练“品牌优势”

如何从家电下乡40多个中标冰箱品牌的围追堵截中突围?如何从点多面广、营销成本巨大的广阔农村市场获利?如何取得信息渠道狭窄、品牌意识淡漠的农村消费者的偏好?美的冰箱在三四级市场快速增长,为推进家电下乡工作提供了可资借鉴的宝贵经验.     

超超临界机组锅炉岛节能效果分析

华电国际邹县发电厂1000MW投产以来,正常运行中燃烧系统存在燃烧不完全,炉渣中存在一些炭状黑色焦块及原煤颗粒等问题。锅炉大修中发现燃烧器内部存在积粉、结焦堵塞一次风通道等情况。通过跟踪观察2008年5月份^#7炉大修后锅炉排渣量增多,掉焦增大,炉渣中飞灰可燃物不正常升高的状况,从锅炉的设计、安装、检修以及运行维护方面等角度,分析了漏热的影响,提出了一些针对性的措施,以利于节能减排。     

用正电子湮灭技术测量塑性形变不锈钢中的位错密度

自从1969年Bergersen和Stott提出捕获模型以来,正电子湮灭技术广泛地应用于晶格缺陷的研究。1978年Baran和Rosen第一次用多普勒展宽谱方法测量了冷加工镍、铜、银和金中的位错密度。Dlubek等人于1976年用角分布方法测量了镍中的位错密度及空位浓度随形变量的变化。他们的工作均限于纯金属。本工作用多普勒展宽谱方法测量了不同形变量下的海水用不锈钢中的位错密度,并给出了正电子比捕获速率。     

基于特征融合宽度学习系统的锌浮选过程工况识别

浮选工况是浮选操作的重要判断依据,如何准确地识别浮选工况对浮选性能的提升有重要意义。基于机器视觉方法是浮选工况识别的主流方法,通常采用大数据技术在浮选工况数据集上建立浮选表层泡沫特征与浮选工况之间的关系模型,工况识别效果与工况数据集密切相关。一旦出现数据集中未包含的新工况,难以获得满意的识别效果。为此,针对当前大部分工况识别方法自适应性不足的问题,本文以锌精选为例,提出一种基于多特征宽度学习的锌浮选工况识别方法,以增量学习方式自适应新出现的工况。首先,根据多特征的不同特性,构建基于多特征宽度学习的锌精选工况识别模型;然后,在浮选状态变化和精选槽故障导致模型识别准确率降低时,通过拓宽特征层、增强层以及输出层的方式调整网络结构以进行增量学习。实验结果表明,本文所提出的基于多特征宽度学习系统的锌浮选工况识别方法具有良好的工况自适应性能,应用价值良好。     

基于长程时空特征与多尺度外观特征的锌精选工况识别北大核心

锌精选作为锌浮选的最后一道流程,其工况直接决定锌浮选最终产品质量。现有基于卷积网络的浮选工况识别方法具备挖掘隐藏特征的能力,取得了良好效果,但仍存在表征能力有限、模型参数大等问题。为此,提出了基于长程时空特征与外观特征的锌精选工况识别模型。首先,提出基于分离三维卷积网络(Separable 3D Convolutional Neural Network,S3D CNN)与注意力机制的泡沫视频相邻帧间短程时空特征提取方法,获得特征聚焦的泡沫视频相邻帧间短程时序信息。然后,在短程时空特征的基础上采用双向卷积长短时记忆网络(Bi-directional Convolutional Long Short-Term Memory,BiConvLSTM)提取泡沫视频帧间的长程时空特征,获取泡沫视频帧间的长程动态时序信息。最后,采用基于残差网络和迁移学习的二维卷积网络提取泡沫图像的多尺度外观特征,并融合长程时空特征,对锌精选工况进行识别。实验结果表明,与现有卷积网络方法相比,所提模型在工况识别精度和模型参数上性能更佳。