务实尚用戒空谈——邓小平演讲的实践性

演讲是一门实用性言态表达艺术,凡演讲总要为着一定的实用目的、针对某个问题而发.毛泽东在《反对党八股》的演讲中曾经指出,一个革命者写文章、发表演说,“总得要提出一个什么问题,接着加以分析,     

力学中的坐标变换

坐标变换在力不中占有重要位置。本文试图通过位移矢量、加速矢量对其进行较系统的讨论。     

矩形管道层流流动近似计算

本文利用变分方法推出了矩形管道中完全发展段层流流动的速度,继而讨论了矩形管道中的流量、沿程阻力系数和压力损失等。实验结果表明,本文的分析是可靠的。     

基于自适应共轭梯度算法的高分辨率谱估计器

基于AR模型的功率谱估计是现代谱估计应用非常广泛的一种方法。通过对一全极点模型的参数估计来实现功率谱估计。提出了一种采用自适应共轭梯度算法来进行参数估计的方法。由于共轭梯度算法采用迭代运算求解Yule-Walker方程,同现有的谱估计算法相比,大大减小了谱估计算法的计算复杂度;随着自相关矩阵阶数的增大,该方法谱估计精度在小信噪比下提高显著。仿真结果表明,这种方法和基于AR模型的其它谱估计方法在不同信噪比下具有几乎相同的分辨率。因此,该谱估计算法具有重要的实用意义,有助于谱估计算法的实时实现。     

联合收割机的正确使用方法

1．前进速度的选择。(1)谷物在乳熟后期腊熟初期或成熟不一致，速度要低些；谷物在腊熟期或腊熟后期或成熟均匀，干燥易脱时，速度可高些。(2)在早晚有雾露或雨后谷物湿润难脱，速度应低些；中午前后。谷物干燥易脱，速度可高些。(3)谷物生长密度大、植株高、产量高时，速度可慢些；谷物稀疏矮小、产量低时，速度可快些。(4)机器使用初期，对某些部位要进行技术状态调整，此时负荷应小些，速度慢些；机器使用后期，技术状态稳定可靠，谷物成熟、干燥，速度可快些，以充分发挥机组作业效率。     

DEAE纤维素色谱法对肺源肝素亚组分的分步梯度分离

利用ＤＥＡＥ－纤维素柱层析分步梯度洗脱，将肝素分为活性高低不同的亚组分，即ＨＰ１、ＨＰ２、ＨＰ３，根据三亚组分特点，使肝素能更加对症、更加安全地应用于临床。     

钢坯磨削温度的若干试验研究

通过使用“可磨式”人工热电偶进行的不同条件下的磨削温度测量试验研究了钢坯磨削工件表层温度,结果表明钢坯被磨削表层温度分布与热强呈三角形分布时的理论分析结果相同,表层峰值温度随磨削压力及磨削功率增大而提高,且随工件进给速度提高而略有降低,峰值温度还随磨削角度减小而提高,90°磨削的峰值温度比0°磨削要低250℃左右,砂轮种类也对峰值温度有重要影响,使用锆刚玉砂轮时磨削温度低于棕刚玉砂轮,试验结果表明高效钢坯磨削的磨削区温度远比普通磨削为高,可达1200℃左右,还从不同方面探讨了磨削高温对钢坯磨削的影响,认为尽管磨削高温有若干不利影响,但对高效钢坯磨削却是重要条件,上述讨论,从一个方面揭示了钢坯磨削机理,并验证了关于钢坯磨削温度的理论分析结果。     

台阶爆破模型试验下破碎岩石抛掷速度规律分析

为了研究台阶爆破破碎岩石抛掷速度的主要影响因素与变化规律,采用量纲分析法确定破碎岩石抛掷速度的主要影响因素,并借助高速摄影系统与台阶爆破模型试验研究不同影响因素下破碎岩石抛掷速度的变化规律.结果表明：破碎岩石抛掷速度的主要影响因素为炸药单耗、最小抵抗线与炸药量的关系(W³/Q)和不耦合系数,抛掷速度对炸药单耗最为敏感,W³/Q与不耦合系数次之;高速摄影图像显示,当爆破作用时间为0.5 ms时,台阶自由面岩石出现位移,当爆破作用时间为2.0 ms时,在爆炸应力波作用下,台阶自由面出现裂缝,破碎岩石的运动形态可分为鼓包运动阶段与抛掷运动阶段,二者之间存在明显的过渡阶段;炸药单耗、W³/Q、不耦合系数与抛掷速度间存在明显的非线性关系,抛掷速度随炸药单耗的增加呈指数函数递增,且存在临界炸药单耗使破碎岩石的抛掷速度出现激增,抛掷速度随W³/Q、不耦合系数的增大呈幂函数递减.     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。