水分调节对面粉粉质及拉伸性能的影响

通过面粉加工过程中水分调节、测定稳定时间和拉伸长度,从中发现规律性的结论。     

二氧化氯在水处理中的应用

二氧化氯是一种高效的消毒剂,其杀菌能力在高pH值与氨存在的情况下仍很好.二氧化氯不会与水中的腐植酸反应生成卤代烃,是理想的代用消毒剂.本文综述了二氧化氯的性质、制备、应用情况,以及二氧化氯消毒时存在的问题与解决办法.     

工艺纪律与铸件质量

从分析铸造生产的工序“连续性”、“多变性”及“经验性”等特点出发,提出了欲获得高质量的铸件,必须严肃铸造生产的工艺纪律。指出建立与健全各级技术责任制是铸造生产工艺纪律的核心。提出了贯彻铸造生产工艺纪律的有关措施。     

注射成型零件尺寸链的分析与计算

根据尺寸链原理，对在不同成型零件装配过程中，由不同工作尺寸组合和累积形成的工作尺寸的计算，进行分析探讨，提出了采用修配法来保证此类工作尺寸精度要求的判断标准及如何确定其合理的修配补偿量     

联邦学习贡献评估综述

数据不动的联邦学习框架是多个数据持有方合作训练机器学习模型的新范式.多个数据持有方参与联邦学习时的贡献评估是联邦学习的核心问题之一.参与方贡献评估需要兼顾有效性、公平性和合理性等要素,在理论方法与实际应用中均面临多项挑战.贡献评估首先需要明确如何度量数据价值,然而数据估值存在主观性与依赖于实际任务场景的特点,如何设计有效、可靠并对恶意数据鲁棒的数据估值指标是第一大挑战.其次,联邦学习合作中的参与方贡献评估是经典的合作博弈问题,如何制定公平合理的参与方贡献评估方案,实现参与方一致认可的博弈平衡是第二大挑战.最后,参与方贡献评估往往计算复杂度高,同时,联邦学习中围绕模型的数据估值时间开销大,因此,在实践中如何设计高效且准确的近似算法是第三大挑战.近年来,为了有效地解决上述挑战,学术界对联邦学习中的贡献评估问题展开了广泛的研究.首先,简要介绍联邦学习与参与方贡献评估的背景知识;然后,综述数据估值指标、参与方贡献评估方案和相关优化技术;最后,讨论了联邦学习贡献评估仍面临的挑战并展望未来研究的发展方向.     

对电力建设工程中项目管理的探讨

根据电力工程项目实际运作看,控制要点在项目的不同阶段会有不同,但其基础是合同,所以在整体控制中是以合同为基准,基于合同分解后的控制思路结合工程工期进行管理,笔者就项目管理阐述一下自己的观点.     

抽水蓄能机组静止变频起动技术

抽水蓄能机组在水泵运行方式下,同步发电机作为同步电动机在变频控制下起动主要有3个难点:发电机转子初始相位及低频运行时转子相位检测;根据转子所在的位置给相应绕组施加电流,并以正确方向旋转;发电机在低频运行阶段的断流换相问题。经过试验,找到了解决上述问题的方法,且控制简单可靠。     

采用分段加权最小二乘法的井下人员 实时定位系统设计

基于井下无线局域网系统,采用自制无线移动终端扫描AP节点获取MAC地址和信号强度信息RSSI,并同时采集温度、湿度、瓦斯浓度等环境信息数据,通过网络将信息数据传输到地面服务器。利用多边定位建立线性最小二乘模型,把井下巷道分为多个分段,采用分段估计加权值得到动态加权矩阵。通过分段加权最小二乘算法计算出井下人员实时定位数据,最终生成煤矿井下人员周围环境数据库和人员轨迹数据库。试验结果表明,该系统定位平均误差小于1. 88 m。利用修正加权矩阵和分段加权最小二乘算法,能保证井下电磁环境改变时系统定位稳定,且定位精度较高。     

沈阳地铁电客车门控器便携检测装置

地铁车辆的客室车门是地铁运营中使用最多的车辆设备之一,造成地铁车门控制器故障率比较高,更换频繁。从而对车辆维修单位造成很大的维修成本。文章从地铁车辆的车门控制器故障出发,描述了地铁车门控制器检测装置研究成果。     

云原生数据库综述

云基础设施的虚拟化、高可用、可弹性调度等特点,为云数据库提供了开箱即用、可靠可用、按需计费等优势.云数据库按照架构可以划分为云托管数据库(cloud-hosted database)以及云原生数据库(cloud-native database).云托管数据库将数据库系统直接部署到云上虚拟机环境中,具备低成本、易运维、高可靠的优势.在此基础上,云原生数据库充分利用云基础设施弹性伸缩的特点,采用计算存储分离的架构,实现了计算资源和存储资源的独立伸缩,进一步提升数据库性价比.然而计算存储分离的架构为数据库系统设计带来了新的挑战.深入分析云原生数据库系统的架构和技术.首先将云原生OLTP和云原生OLAP的数据库架构按照资源分离模式的差异分别进行归类分析,并对比各类架构的优势与局限.其次,基于计算存储分离的架构,按照各个功能模块深入探讨云原生数据库的关键技术:主要包括云原生OLTP关键技术(数据组织、副本一致性、主备同步、故障恢复以及混合负载处理)和云原生OLAP关键技术(存储管理、查询处理、无服务器感知计算、数据保护以及机器学习优化).最后,总结现有云原生数据库的技术挑战并展望未来研究方向.