RH精炼真空槽设备的研究

针对某钢厂RH精炼装置中真空槽上口处密封件更换频繁、真空槽下料口隔热接头翻板阀回转轴经常卡死造成处理中断等问题,本文提出真空槽上口处密封件阶梯形支口结构方式和带冷却的截止型隔热接头的改进方案。改造后提高了RH设备的稳定性,大大降低了生产故障率,有效地节约生产和备件成本。     

世伟洛克收购RHPS B.V.

<正> 世伟洛克公司近期对外宣布,作为策略的一部分其已收购RHPS B.V.公司,此收购扩展了世伟洛克公司为全球流体系统技术客户提供的产品和服务范围。RHPS公司是一家高质量调压阀产品制造商,其产品主要用于石油和天然气、化工/石化、替代燃料、半导体、生物制药和其他高要求的应用领域。有关收购的具体细节并无透露。"对RHPS团队能加入世伟洛克我们表示高兴和欢迎,"世伟洛克总裁兼首席执行官Arthur F. Anton先生说     

中国通用电缆宣布在中国成立第十个全球研发中心

全球三大线缆制造商之一的美国通用电缆公司日前宣布，将在中国成立第十个全球研发中心。中心总面积近千平方米，预计将于2014年第四季度落成。     

截面线特征直接提取的离散曲率法

特征提取是逆向工程的重要步骤,其中截面线特征点的弱化是需要解决的关键问题.提出用离散曲率法提取特征点,曲率表达式包含了高斯核函数曲线,选用了合适的离散尺度因子.根据一阶和二阶离散曲率曲线的局部极值点,确定出截面线特征点集,进行特征点的融合,输出最终的截面线特征点集.通过与文献算法的输出进行比较,表明本算法提取的截面线特征点不容易有漏检和误检,能最大限度地与原有形状特征元保持一致.仿真输出实例证实了本算法的适用性和有效性.     

创新实践 锲而不舍——访舍弗勒大中华区董事总经理兼工业事业部总裁勾建辉博士

MM：含弗勒是一家拥有百余年历史的公司,时间的积累使舍弗勒散发出独特的魅力。您认为推动舍弗勒发展的重要动力有哪些？     

着眼可持续发展 深化根植本土战略

2012年4月27日,全球领先的技术和服务供应商博世集团举行了年度新闻发布会,博世集团董事、亚太区负责人瑞世轲先生以及博世（中国）投资有限公司总裁陈玉东博士出席发布会,公布了博世集团2011年的业务表现。     

食品中丙烯酰胺缓解研究进展

食品加工过程中丙烯酰胺的含量成为近几年国际研究的热点。控制丙烯酰胺产生的方法主要有缓解、阻断和消除。对国内外近10年有关食品中丙烯酰胺缓解方面的研究进行了系统总结。     

铁姆肯公司召开第七届中国区供应商大会

铁姆肯公司于2014年4月11日召开第七届中国区供应商大会,与中国区供应商分享铁姆肯公司在供应链管理、质量要求和供应商合作关系等方面的理念。来自铁姆肯公司中国区供应商的近百人参加了本次以“携手共进,变赢未来”为主题的大会。     

考虑调峰与储能特性的抽蓄电站服务电网综合评价

在“双碳”总目标的引领下,新能源进入高速发展阶段,但其随机性和不稳定性给电网带来影响,需要配备大规模可灵活性调节的储能进行保障。抽水蓄能作为电力系统的主要调节电源,在促进新能源消纳、调峰、储能等方面发挥着重要作用;而综合评价抽蓄电站服务电网的能力,对于引导抽蓄电站合理运行和布局,以更好地发挥其作用具有重要意义。传统的抽水蓄能评价模型无法量化评价抽蓄的储能和促双碳的作用,该文提出了一种考虑调峰与储能特性的抽蓄电站服务电网综合评价方法。针对抽水蓄能调峰和储能的特点及其对双碳的促进作用,提出相关指标,建立抽蓄电站综合评价指标体系;由属性层次模型确定各层次指标的权重,引入物元可拓理论构建考虑调峰与储能特性的抽蓄电站服务电网综合评价模型;通过实例对所采用的综合评价模型进行验证分析。研究结果量化了抽蓄电站的储能和促双碳作用,可为“双碳”背景下抽水蓄能的综合评价提供支撑。     

基于知识蒸馏的目标检测模型增量深度学习方法

随着万物互联时代的到来,具备目标检测能力的物联网设备数量呈爆炸式增长。基于此,网络边缘产生了海量的实时数据,具有低时延、低带宽成本和高安全性特点的边缘计算随之成为一种新兴的计算模式。传统的深度学习方法通常假定在模型训练前所有数据已完全具备,然而实际的边缘计算场景中大量的新数据及类别往往随时间逐渐产生和获得。为了在训练数据成批积累和更新的条件下在资源有限的边缘设备上高效率地完成目标检测任务,本文提出了基于多中间层知识蒸馏的增量学习方法（Incremental Learning method based on knowledge distillation of Multiple Intermediate Layers,ILMIL）。首先为了能够适当地保留原有数据中的知识,提出了包含多个网络中间层知识的蒸馏指标（Multi-layer Feature map、RPN and RCN Knowledge,MFRRK）。ILMIL将教师模型和学生模型的中间层特征的差异加入模型训练,相比于现有的基于知识蒸馏方法的增量学习,采用ILMIL方法训练的学生模型可以从教师模型的中间层学习到更多的旧类信息来缓解遗忘;其次ILMIL利用MFRRK蒸馏知识完成现有模型的增量训练,避免训练使用多个独立模型带来的资源开销;为进一步降低模型复杂度以高效地在边缘设备上部署推理,可在知识蒸馏前进行剪枝操作来压缩现有模型。通过在不同场景和条件下的实验对比,本文方法可在有效降低模型计算和存储开销的前提下,缓解已有知识的灾难性遗忘现象,并维持可接受的推理精度。