基于空载率检测的聚晶金刚石复合片电火花线切割加工研究

针对通过传统峰值电压检测伺服跟踪方法进行电火花线切割聚晶金刚石复合片时出现的切割速度低、切割不稳定、表面质量差且易断丝的现象，提出了一种空载率检测系统控制方法。经试验得知，当空载率为10%时，该方法可得到更好的表面质量和加工稳定性，同时获得较高的切割速度，在相同脉冲宽度下切割聚晶金刚石复合片较传统峰值电压检测伺服跟踪方法的速度提升了20%。     

城市地下市政基础设施普查采集建库系统建设关键技术研究

城市地下市政基础设施普查是基础设施规划建设管理的基础性工作,对于加强城市安全管理、排查城市安全隐患具有重要意义。本文总结了目前城市地下市政基础设施普查中存在的问题,通过构建七大系统功能模块,融合数据模板化管理、智能化地下空间数据核验、数据多源融合采集以及三维管线语义化建模等关键技术,实现了集数据采集、建库、质检、运维于一体的城市地下市政基础设施普查采集建库系统建设,解决了以往系统在城市地下市政基础设施普查中,由于数据标准不统一、规范性不足,数据转换能力差,智能化核验、生产一体化、管线直观性不足等问题,为城市地下市政基础设施普查的顺利开展提供支撑。     

基于放电概率检测的硅晶体电火花线切割加工伺服控制研究

针对往复走丝电火花线切割加工硅晶体时,无法准确判别其极间加工状态、伺服进给速度不能实时响应加工状态变化的问题,提出了一种基于放电概率检测的采样方法,设计并搭建了硅晶体电火花线切割加工伺服控制系统。通过工艺验证证明该伺服控制系统能显著提高硅晶体电火花线切割加工的表面质量、效率及形状精度。     

山东大尹格庄金矿NWW向断裂控矿作用浅析

运用地质观测和统计分析研究,讨论了山东大尹格庄金矿床NWW向大尹格庄断裂的控矿作用.研究表明,大尹格庄断裂对矿化类型、强度和矿体产状都有明显的控制作用.NWW向大尹格庄断裂以北的Ⅱ号矿体群以金矿化为主,断裂南部Ⅰ号矿体群以银矿化叠加早期金矿化为特征.此外,研究还发现,大尹格庄断裂本身也存在金矿化,这对深化对该区矿床成因的认识和指导找矿预测都有一定的意义.     

立井海水砂层冻结施工

在仓上金矿新立矿区主井海水砂层冻结施工中，通过采取降低盐水温度等措施，顺利通过了第四系表土段。介绍了井筒冻结设计及开挖情况，对井筒试挖出水原因进行了分析。     

往复走丝电火花线切割变厚度高效无烧伤切割研究

针对往复走丝电火花线切割机床在变厚度高效切割时出现的切割状况不稳定、表面产生烧伤的问题,提出了一种基于放电状态检测的双重反馈调节控制方法.在第一重反馈时基于空载率等于短路率的原则调节伺服进给速度,保障切割稳定性;在第二重反馈时保障维持一定比例具有击穿延时的火花放电,以避免加工表面烧伤.结果表明:在本试验条件下,对于变厚...     

按输出力特性曲线设计凸轮轮廓曲线

针对以往设计断路器弹簧操动机构均是先确定满足动触头速度特性的输出力特性;再根据所需输出特性按照功或功率相等的等效原则计算动触头各行程下的凸轮轮廓半径;最后拟合出凸轮轮廓曲线。文中以设计真空断路器弹簧操动机构上配备的摆动滚子从动件盘形凸轮合闸行程中的轮廓曲线为模型,在以往的设计方法上提出了利用速度瞬心和微积分原理求得凸轮轮廓曲线的方法,该方法解决了传统设计方法繁琐的重复计算,不仅能方便的得到满足输出力特性曲线的凸轮轮廓,并能快速得到凸轮上各行程的压力角。用该方法得出的真空断路器合闸过程中的凸轮轮廓曲线与实际凸轮轮廓曲线进行对比,验证了方法的正确性,对设计弹簧操动机构中满足理想合闸特性的凸轮轮廓具有一定的借鉴意义。     

减小陀螺测斜仪在冻结钻孔测量中的偏差探讨

冻结钻孔陀螺测斜仪表方便、效率高、精度也高,但常因许多外在因素影响,不能充分发挥仪器性能,使得测量偏差大,给工程质量带来一定的影响。中煤第五建设公司三处在多年的使用中找出了造成偏差大的一些影响因素,并有针对性的解决了有关问题,使钻孔施工质量得到了保证。     

面向停电分类预测的因子分解机模型

可靠的电力供应对于工业生产和居民日常生活至关重要，通过对电力数据平台中的停电数据进行分析和挖掘，可以更好地了解配电网停电的潜在规律。分类预测是数据挖掘和分析中的常见技术，停电分类预测可以为企事业单位的停电规划安排提供决策参考。针对停电分类预测问题，提出一种基于因子分解机（FM）的停电数据分类预测模型。利用决策树算法计算停电数据中不同特征的基尼系数以得出重要性得分，从中筛选与停电预测关联度较大的非稀疏特征。根据不同地区的地理位置关系构建不同地区间的空间位置矩阵，并通过矩阵分解的方式构造不同地区在空间上的地理位置关联特征。为防止FM模型出现过拟合问题，在模型中加入L2-范数正则化。在此基础上，利用随机梯度下降的方法训练FM模型，通过训练完成的FM模型对停电数据进行分类预测。在真实停电数据集上的实验结果表明，该模型在训练数据集和测试数据集上的F1值和准确率分别高达0.90和0.89，优于DNN、SVM、XGBoost等模型。