学科分类
/ 1
9 个结果
  • 简介:对熔体温度进行在线计量是获得高质量聚合物挤出制品的重要前提,也是目前挤出加工领域的主要研究课题之一.然而存在计量精度不高、校准困难、计量成本高、熔流扰动、耐用性不佳等一系列问题,且至今尚未开发出可大规模应用于挤出成型工业的熔体温度在线计量技术.文章对现有的聚合物挤出过程熔体温度在线计量技术进行综述,并对未来有望用于挤出工业生产环境的在线计量技术进行分析和展望,以期为聚合物挤出工业熔体温度在线计量技术的开发和应用提供参考.

  • 标签: 挤出加工 聚合物 熔体温度 在线计量
  • 简介:针对深层超限学习算法在网络层数较浅时样本特征利用率低,和网络层数较深时样本特征经高层抽象后有效性降低的问题,本文提出了两种密集连接的多层超限学习算法:Dense-HELM和Dense-KELM.这种密集连接的网络结构,使样本特征信息在层与层之间被充分利用,能够在不增加网络深度的情况下,显著提高算法的识别精度.最后,对文中提出的两种算法在20组基准数据集上进行实验,结果显示:本文提出的算法可以显著提高算法的识别精度,减少算法的训练时间,这表明所提出的算法具有有效性和实用性.

  • 标签: 密集连接 深度学习 超限学习机 核函数
  • 简介:为了检测医用体外碎石焦点位置的声场特性,判断是否符合国家标准要求,特采用直接测量的方法,使用针式水听器在时间和空间域内进行逐层扫描,寻找焦点位置并测量焦点位置的声压强度;通过能量图直观显示焦点位置的能量分布,通过测量采集到焦点位置连续10次冲击波的声场强度、脉冲上升时间、脉冲宽度.这样所得到的医用体外碎石焦点声场特性符合国家标准的要求.

  • 标签: 医用体外碎石机 焦点声场 水听器 声场特性
  • 简介:本文建立了采用超声波提取-气相色谱-质谱联用检测塑料食品接触材料中的乙二醇醚及其酯类的方法。通过以甲醇为溶剂,超声波萃取乙二醇醚及其酯类,固相硅胶小柱净化,气相色谱一质谱联用仪测定,外标法定量,该方法检测低限在20mg/kg,加标回收率在80%~95%之间,相对标准偏差(RSD)不大于6%,线性范围在10mg/L~1000mg/L,相关系数(r)大于0.999。实验结果表明方法简便、可靠,能满足塑料食品包装材料中的乙二醇醚及其酯类的检测要求。

  • 标签: 微波萃取 气相色谱一质谱法 乙二醇醚及其酯类 塑料
  • 简介:建立了微波萃取-气相色谱法(microwave-assistedextractioncombinedwithgaschromatography,MAE-GC)同时测定塑料食品包装材料中一乙醇胺、二乙醇胺、三乙醇胺、三异丙醇胺和N,N-二乙基乙醇胺等5种有机醇胺的方法。方法采用甲醇作为提取试剂,80℃微波萃取10min,然后将样液蒸发至近干,用甲醇复溶洗脱,洗脱液过滤膜直接上样。在优化条件下,5种目标物在50-3500mg/L浓度范围内线性良好,相关系数均大于0.996,检出限在2-12mg/L之间(S/N=3)。自制阳性样品后进行近等额添加,目标物的平均回收率在79.9%-104%之间,重复性精密度在3.20%-4.84%(n=6)之间。结果表明,方法操作简单快速、重现性好、准确度高。

  • 标签: 微波萃取-气相色谱 有机醇胺 塑料食品包装材料
  • 简介:设计了一种分布式光伏电站数据通讯管理,包括硬件系统和软件系统.硬件系统基于ARM嵌入式处理器设计,通过RS485/232串口对光伏电站终端设备的实时数据进行采集并解析处理,采用以太网/GPRS与光伏电站控制系统的服务器相连,实现数据的远程无线通讯和传输.软件系统基于多任务实时系统Linux,采用模块化设计,包含了任务管理、内存管理、时间管理和同步通信等功能模块.该通讯管理机具有对分布式光伏电站监控数据的实时采集、存储、分析处理、上传和转发等功能.

  • 标签: 分布式光伏电站 数据管理机 嵌入式系统 远程无线 通讯与传输
  • 简介:为解决空气处理机组在故障检测过程中难以获得大量带有类标记样本,且故障样本数据标记代价较高的问题,本文结合支持向量与半监督学习方法,提出了针对空气处理机组故障检测的半监督学习算法.首先利用序列前向选择选出重要的特征作为分类依据,将半监督学习方法引入支持向量的学习过程中,并使用遗传算法寻找支持向量的最佳参数.然后选择类标记置信度高的未标记样本加入训练样本集,利用未标记样本中有利于支持向量的信息,提高学习性能.实验表明,提出的混合算法能够在故障标记样本比较少的情况下达到较高的故障诊断率.

  • 标签: 故障检测 半监督 遗传算法 支持向量机 特征选择 空气处理机组
  • 简介:域自适应算法是一种能有效解决训练集(源域)和测试集(目标域)样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习(DDM-ELM)用于解决域自适应问题.DDM-ELM旨在基于超限学习的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标:1)最小化源域样本的分类误差;2)通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3)利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.

  • 标签: 模式识别 数据挖掘 域自适应 超限学习机
  • 简介:在C-R2A数据处理机上,根据故障现象结合电路原理,用替换法查找故障,并进行元件代换。

  • 标签: 显示缓冲存储器 象点 替换