液化气灶旋钮注射模设计与数控仿真加工

随着现代机械工业发展,计算机辅助设计(CAD)和计算机辅助制造(CAM)已显示出巨大的潜力,并广泛应用于产品设计和机械制造中。数控加工技术已广泛应用于模具制造业,其中数控铣削是复杂模具零件的主要加工方法。对于简单的模具零件,通常采用手工编程的方法,但大多数模具的型芯和型腔,往往都具有比较复杂的曲面,要加工这样的曲面,手工编程是难以完成,因此需要借助于CAM软件编制加工程序,如Pro/ENGINEER、NX或MasterCAM等。     

东营三角洲演化特征与岩性圈闭分布规律

东营三角洲是东营凹陷古近系沙河街组沙三段的主要沉积体系之一，为一大型复合三角洲。该三角洲形成的浊积砂体岩性圈闭是东营凹陷沙三段重要的勘探目标，近几年平均每年发现的岩性油藏石油储量超过千万吨。为了给东营三角洲隐蔽油气藏进一步的勘探提供科学依据，运用高分辨率层序地层学理论和分析方法，在建立高频层序地层格架的基础上，研究东营三角洲演化过程、古构造坡折发育类型及不同期次三角洲与构造坡折的配置关系，分析这些因素对岩性圈闭形成的重要作用，认为在进积时期推进距离较远(三角洲进积作用大于加积作用)、退积时期湖泛规模较大条件下发育的三角洲朵叶体易形成具有一定规模的浊积扇．     

基于mastercamX软件印章编程与刻字

基于mastercamX软件对雕刻文字进行录入、编辑处理与数控编程、仿真到有机玻璃材料上实际雕刻加工,扩展数控机床应用范围,实现"一机多用".此方法同样适用于木料、铝料雕刻加工和铜公电极刻字.     

基于UG取暖器外壳型芯数控编程

在数控编程前,应先分析塑件结构和模具结构,再对取暖器动模型芯的实体进行分析,区分清楚实体上的分型面、胶位面、顶杆孔、斜顶孔、镶件等.将动模型芯上不需要数控加工的特征如顶针孔、斜顶孔、螺柱的镶件等进行封堵或者删除.然后对动模型芯上有不同作用的曲面分别进行编程,对于碰穿面应适当留余量,对于胶位面应该加工到位,对于避空面应该...     

PLC自动定位系统在水轮机调速中的应用

正1存在的问题广东韶能集团股份有限公司孟洲坝发电厂位于广东北江干流上游,距韶关市12km,是集发电﹑防洪﹑航运和改善生态环境为一体的综合性低水头大流量水力发电厂,总装机容量5.2万kW,采用灯泡贯流式水轮发电机组,共4台机组。水轮机型号GZTF08-WP-580,发电机型号SFWG11-72/6430。该发电厂于1998年2月建成并投入发电运行,发电机组     

灰色聚类法在圈闭评价中的应用

灰色聚类法从系统内部模糊不清这一基本点出发，避开了人为给定各因素权重这一棘手难题，适用于解决信息量较少的问题，在合浦盆地勘探中，以油源条件（圈闭距低熟区距离，镜质体反射率），储层条件（砂岩厚度，有效孔隙度），保存条件（泥岩厚度，圈闭埋深），圈闭把握值（圈闭面积，构造幅度）等4项基本条件的8项指标作为评价因素，对40个圈闭进行了灰色聚类，其结果与实际勘探结果基本吻合。     

液压机控制系统的自动化改造

<正>1 存在的问题某校实习工厂2台液压机于2015年7月从政府配资拍卖中购得,主要用于对外加工生产和教学实习。该液压机是按20 t冲压力、14 MPa系统液压、32 L/min系统流量、300 mm最大行程进行配置的小型油压机。液压机一般由本体部分、操纵部分和动力部分组成[1]。该液压机的动力部分是由3-PHASE INDUCTION/5.5 kW型三相四极电动机和VDC-1A-F40D型泵浦构成的法兰连接式油压电动机泵;     

灰色聚类法在圈闭评价中的应用

灰色聚类法从系统内部模糊不清这一基本点出发 ,避开了人为给定各因素权重这一棘手难题 ,适用于解决信息量较少的问题。在合浦盆地勘探中 ,以油源条件 (圈闭距低熟区距离 ,镜质体反射率 )、储层条件 (砂岩厚度 ,有效孔隙度 )、保存条件 (泥岩厚度 ,圈闭埋深 )、圈闭把握值 (圈闭面积 ,构造幅度 )等 4项基本条件的 8项指标作为评价因素 ,对 40个圈闭进行了灰色聚类 ,其结果与实际勘探结果基本吻合     

自动打包机抓绳零件加工工艺改进

对自动打包机抓绳零件使用条件进行分析,把材料更换为热作模具钢,根据结构与尺寸特点以电火花线切割加工为主,保证高质量、高效率、低成本的情况下一次完成9个零件加工.     

分布式深度学习的数据传输压缩机制研究综述

分布式深度学习已经成为深度学习领域最热门的研究之一,越来越庞大的数据模型和算法都依赖分而治之思想来处理。分布式深度学习系统在快速发展中遇到了许多挑战,其中最重要的是如何在分布式环境有限的网络带宽中有效地传输大量数据,以充分利用计算资源高效训练高精度的深度神经网络。针对这个问题,从参数同步、模型聚合和梯度压缩3个角度讨论不同的数据传输压缩技术,分别将其用于交错数据传输、减少数据交换频率以及减小单次传输数据量。最后对分布式深度学习的数据传输压缩机制的未来发展趋势进行了讨论和展望。