葡京娱乐场-富盈娱乐场开户

對(duì)不同注塑工藝參數(shù)下長(zhǎng)直注塑件翹曲變形進(jìn)行模流分析，結(jié)果表明，澆注 遠(yuǎn)端處的翹曲變形量較大，澆注入口處的翹曲變形量較小。保壓時(shí)間的增加，可 以降低塑件的翹曲變形。保壓壓力增加,塑件整體翹曲變形減小，尤其在澆注入 口處比較明顯。熔體溫度從 230°C提高到 270°C，塑件整體翹曲明顯減小，特別 在澆注遠(yuǎn)端處比較明顯。降低模具溫度，對(duì)降低注塑件的翹曲變形有顯著地效果。

本發(fā)明公開了一種基于應(yīng)用性能損失分析的數(shù)據(jù)中心功率配給 方法，數(shù)據(jù)中心管理員通過(guò)廠商或?qū)嶒?yàn)室實(shí)測(cè)獲得服務(wù)器機(jī)型的 CPU 使用率和功率對(duì)應(yīng)關(guān)系的配置信息，服務(wù)器中的監(jiān)控模塊提取 CPU 使 用率數(shù)據(jù)并上報(bào)給中心數(shù)據(jù)庫(kù)，數(shù)據(jù)分析模塊抽取中心數(shù)據(jù)庫(kù)中的 CPU 使用率數(shù)據(jù)，并比照服務(wù)器配置信息，分析計(jì)算服務(wù)器在任意功 率配給下的應(yīng)用性能損失值，計(jì)算完成后，數(shù)據(jù)分析模塊生成功率配 給調(diào)整指導(dǎo)單，用以指導(dǎo)數(shù)據(jù)中心管理員制定服

本發(fā)明公開一種基于云技術(shù)的商品溯源及消費(fèi)流向統(tǒng)計(jì)分析方法及系統(tǒng)，本發(fā)明中采用所述云計(jì)算平臺(tái)與云計(jì)算終端相互協(xié)作的云技術(shù)架構(gòu)，由所述云計(jì)算平臺(tái)負(fù)責(zé)億級(jí)加密二維碼的編碼、壓縮、加密、生成、激活、賦值及管理，并為消費(fèi)者提供商品溯源服務(wù)，為企業(yè)提供消費(fèi)流向統(tǒng)計(jì)分析服務(wù)；所述云計(jì)算終端負(fù)責(zé)賦予商品加密二維碼標(biāo)識(shí)，本發(fā)明利用云技術(shù)強(qiáng)大的計(jì)算能力和性能，以及方便的

本發(fā)明公開一種基于云技術(shù)的商品溯源及消費(fèi)流向統(tǒng)計(jì)分析方法及系統(tǒng)，本發(fā)明中采用所述云計(jì)算平臺(tái)與云計(jì)算終端相互協(xié)作的云技術(shù)架構(gòu)，由所述云計(jì)算平臺(tái)負(fù)責(zé)億級(jí)加密二維碼的編碼、壓縮、加密、生成、激活、賦值及管理，并為消費(fèi)者提供商品溯源服務(wù)，為企業(yè)提供消費(fèi)流向統(tǒng)計(jì)分析服務(wù)；所述云計(jì)算終端負(fù)責(zé)賦予商品加密二維碼標(biāo)識(shí)，本發(fā)明利用云技術(shù)強(qiáng)大的計(jì)算能力和性能，以及方便的

近日，我校數(shù)學(xué)與統(tǒng)計(jì)學(xué)學(xué)院劉磊教授與上海交通大學(xué)朱苗苗教授合作的論文Asymptotic analysis for Sacks-Uhlenbeck$\alpha$-harmonic maps from degenerating Riemann surfaces被Memoirs of the American Mathematical Society接收發(fā)表。

本發(fā)明提供基于豐度顯著性分析的高光譜圖像解混方法及系統(tǒng)，包括建立待處理的高光譜遙感圖像 的端元光譜庫(kù)；用基于稀疏回歸的混合像元分解方法對(duì)每個(gè)像元進(jìn)行初步混合像元分解并按照豐度值的 大小降序排列，對(duì)排序后的豐度序列進(jìn)行顯著性分析，得到顯著性豐度的臨界值，然后根據(jù)預(yù)設(shè)的顯著 性豐度閾值進(jìn)行判斷組成該像元的稀疏表示端元子集；最后采用豐度約束的最小二乘法再次進(jìn)行混合像 元分解，將結(jié)果作為最終的混合像元分解結(jié)果。本發(fā)明可以得到更為稀疏和準(zhǔn)確的像元表示端元

一種人行橫道線自動(dòng)檢測(cè)分析方法及系統(tǒng)，包括輸入街景的影像，將影像分為訓(xùn)練組和測(cè)試組，利 用訓(xùn)練組訓(xùn)練用于檢測(cè)人行橫道線的分類器；例如分類器對(duì)測(cè)試組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別，通 過(guò)后期處理排除錯(cuò)誤檢測(cè)；利用分類器對(duì)訓(xùn)練組影像進(jìn)行人行橫道線的檢測(cè)識(shí)別，并通過(guò)后期處理排除 錯(cuò)誤檢測(cè)；根據(jù)步驟 4 所得各測(cè)試組影像的識(shí)別結(jié)果和步驟 5 所得各訓(xùn)練組影像的識(shí)別結(jié)果分別統(tǒng)計(jì)檢 測(cè)結(jié)果，包括對(duì)任一張測(cè)試組影像或訓(xùn)練組影像，依照橫坐標(biāo)值的不同，對(duì)每一個(gè)識(shí)別

本發(fā)明公開了一種光學(xué)元件支撐參數(shù)的確定方法，該方法具體為：確定保證面形精度的最少支撐點(diǎn)數(shù)為最優(yōu)支撐點(diǎn)數(shù)，并計(jì)算支撐點(diǎn)的理想支撐力；依據(jù)理想支撐力定義多個(gè)不同支撐力波動(dòng)水平，計(jì)算不同支撐力水平下隨機(jī)支撐力引起的鏡片面形變化；統(tǒng)計(jì)并檢驗(yàn)鏡片面形畸變的隨機(jī)分布規(guī)律，建立不同支撐力水平與光學(xué)元件成像質(zhì)量的映射關(guān)系；根據(jù)質(zhì)量控制標(biāo)準(zhǔn)，確定支撐力的波動(dòng)范圍。本發(fā)明基于蒙特卡洛方法，解析不均勻支撐力作用下鏡片面形畸變的隨機(jī)分布規(guī)律，分析不同隨機(jī)支撐力水平對(duì)光學(xué)元件成像質(zhì)量的影響，從而確定合理的支撐力波動(dòng)范圍，為光

本成果提出了基于零件批量加工數(shù)據(jù)分析的加工工藝與流程優(yōu)化，主要包括零件加工過(guò)程的工藝數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)算法、基于數(shù)據(jù)和機(jī)理模型相結(jié)合的零件加工精度預(yù)測(cè)、基于機(jī)器學(xué)習(xí)的零件加工工藝優(yōu)化與決策、基于數(shù)據(jù)驅(qū)動(dòng)的零件批量加工工藝優(yōu)化方法驗(yàn)證這四方面。以下是各方面具體對(duì)應(yīng)內(nèi)容： 1）零件加工過(guò)程的工藝數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)算法：在數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)算法方面，搭建了軸類零件全流程加工工況數(shù)據(jù)實(shí)時(shí)采集硬件平臺(tái)，實(shí)現(xiàn)對(duì)加工力、加工振動(dòng)、主軸電流等工況數(shù)據(jù)的實(shí)時(shí)在線獲取。 2）基于數(shù)據(jù)和機(jī)理模型相結(jié)合的零件加工精度預(yù)測(cè)：在航空薄壁件加工精度預(yù)測(cè)方面，對(duì)復(fù)雜曲面加工過(guò)程混合建模與全流程加工精度預(yù)測(cè)等理論開展了深入研究工作；建立了零件單工序/多工序加工精度預(yù)測(cè)混合驅(qū)動(dòng)模型，實(shí)現(xiàn)了加工精度的高效高精預(yù)測(cè)。 3）基于機(jī)器學(xué)習(xí)的零件加工工藝優(yōu)化與決策：在軸類零件全流程加工工藝優(yōu)化與決策方面，圍繞隱馬爾可夫決策過(guò)程、遺傳算法等理論開展了理論研究工作，結(jié)合軸類零件加工過(guò)程開展了優(yōu)化工作；提出了加工參數(shù)自適應(yīng)調(diào)控聯(lián)合決策方法。 4）基于數(shù)據(jù)驅(qū)動(dòng)的零件批量加工工藝優(yōu)化方法驗(yàn)證：構(gòu)建加工數(shù)據(jù)庫(kù)1套，包含機(jī)床設(shè)備、加工刀具、加工參數(shù)、檢測(cè)數(shù)據(jù)等四種類型數(shù)據(jù)。開發(fā)全流程加工智能推理軟件1套（部署于中航發(fā)南方公司柔軸車間），實(shí)現(xiàn)航軸全流程質(zhì)量數(shù)據(jù)感知與工藝優(yōu)化，其中全流程誤差建模與分析模塊實(shí)現(xiàn)了端到端的零件加工質(zhì)量智能推理，可以用于工藝設(shè)計(jì)與現(xiàn)場(chǎng)預(yù)先感知，加工過(guò)程工藝數(shù)據(jù)挖掘模塊實(shí)現(xiàn)基于批量數(shù)據(jù)的多工序誤差流分析，實(shí)現(xiàn)后續(xù)工序加工誤差推理，加工過(guò)程工藝優(yōu)化與智能決策模塊實(shí)現(xiàn)了零件多工序加工質(zhì)量數(shù)據(jù)推理與給定期望指標(biāo)下的加工參數(shù)優(yōu)化。 圖1 本成果對(duì)應(yīng)功能結(jié)構(gòu)示意圖 【技術(shù)優(yōu)勢(shì)】 圍繞航空領(lǐng)域制造的加工質(zhì)量問(wèn)題，開展基于制造過(guò)程數(shù)據(jù)的工藝全流程智能決策技術(shù)與系統(tǒng)的研發(fā)，初步實(shí)現(xiàn)工藝與制造過(guò)程的智能控制。在數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)算法、航空薄壁件加工精度預(yù)測(cè)、軸類零件全流程加工工藝優(yōu)化與決策、零件全流程加工質(zhì)量智能推理與優(yōu)化、智能加工產(chǎn)線智能決策技術(shù)應(yīng)用與推廣等多個(gè)方面實(shí)現(xiàn)了突破，具有顯著的理論價(jià)值與應(yīng)用價(jià)值。 規(guī)范制定方面，研究了薄壁件加工誤差產(chǎn)生的深層機(jī)理，構(gòu)建了批量零件加工過(guò)程中誤差傳遞的理論模型，探究了機(jī)床、夾具、刀具、加工參數(shù)全方位、多層次的因素對(duì)于零件加工誤差產(chǎn)生的影響規(guī)律，提出了零件加工工藝與流程優(yōu)化策略，形成制定面向航空發(fā)動(dòng)機(jī)大長(zhǎng)徑比軸類零件的決策規(guī)范，規(guī)定軸類零件全流程加工過(guò)程中機(jī)床、刀具、裝夾、加工參數(shù)四個(gè)方面的具體要求。通過(guò)中國(guó)航發(fā)南方工業(yè)有限公司企業(yè)標(biāo)準(zhǔn)體系管理系統(tǒng)制定、修改、審批，形成《航空發(fā)動(dòng)機(jī)軸類零件加工工藝優(yōu)化與決策技術(shù)規(guī)范Q/2B 1586—2022》。 軟件開發(fā)方面，將上述理論成果進(jìn)行高度集成，開發(fā)了零件全流程加工智能推理優(yōu)化軟件（MIO軟件）。軟件集成了四大功能模塊，包括加工工藝數(shù)據(jù)庫(kù)、全流程誤差建模與分析、加工過(guò)程工藝數(shù)據(jù)挖掘、加工工藝優(yōu)化與智能決策。相關(guān)知識(shí)與優(yōu)化規(guī)則形成權(quán)。全流程加工智能推理優(yōu)化軟件以及知識(shí)庫(kù)軟件通過(guò)第三方測(cè)評(píng)，測(cè)評(píng)機(jī)構(gòu)具備MA與CNAS認(rèn)證資質(zhì)，最終形成《零件全流程加工智能推理優(yōu)化軟件第三方測(cè)試報(bào)告》、《智能加工產(chǎn)線工藝全流程智能決策工藝知識(shí)庫(kù)軟件第三方測(cè)試報(bào)告》。 應(yīng)用驗(yàn)證方面，結(jié)合航空發(fā)動(dòng)機(jī)制造具體需求，將相關(guān)成果應(yīng)用到某型號(hào)航空發(fā)動(dòng)機(jī)軸類零件（動(dòng)力渦輪傳動(dòng)軸）加工生產(chǎn)中。將零件全流程加工智能推理優(yōu)化軟件部署在航軸加工車間，在驗(yàn)證產(chǎn)品的加工設(shè)備上部署了數(shù)據(jù)采集裝置，實(shí)時(shí)采集加工過(guò)程數(shù)據(jù)，集成企業(yè)工藝資源數(shù)據(jù)庫(kù)和產(chǎn)品數(shù)字化檢測(cè)系統(tǒng)，獲取機(jī)床、夾具、刀具、產(chǎn)品質(zhì)量等信息，構(gòu)建了加工工藝數(shù)據(jù)庫(kù)，開展了航軸加工工藝分析、現(xiàn)場(chǎng)加工質(zhì)量預(yù)先感知、加工工藝與流程優(yōu)化、現(xiàn)場(chǎng)實(shí)際加工驗(yàn)證等工作。通過(guò)南方公司現(xiàn)場(chǎng)應(yīng)用驗(yàn)證，零件次品率平均降低54.53%。（2019年至2020年優(yōu)化前，次品率為8.38%；2021年6月至2022年5月優(yōu)化后，次品率為3.81%）。相關(guān)應(yīng)用驗(yàn)證通過(guò)了中國(guó)航發(fā)南方公司的效果認(rèn)定，并形成用戶報(bào)告。 【技術(shù)指標(biāo)】 1）采用機(jī)理模型/有限元仿真技術(shù)獲取切削力/熱/柔度/加工誤差數(shù)據(jù)集，構(gòu)建代理模型實(shí)現(xiàn)了切削過(guò)程的毫秒級(jí)預(yù)測(cè)，切削過(guò)程關(guān)鍵物理量的預(yù)測(cè)時(shí)間優(yōu)于10毫秒。 2）建立了機(jī)理模型與小樣本工況數(shù)據(jù)混合驅(qū)動(dòng)的預(yù)測(cè)模型不確定分析與量化模型，提出了貝葉斯框架下的不確定校準(zhǔn)方法，實(shí)現(xiàn)了加工誤差快速（毫秒級(jí)）精準(zhǔn)（偏差小于5微米）預(yù)測(cè)。 3）提出了航軸加工質(zhì)量狀態(tài)估計(jì)方法，建立了現(xiàn)場(chǎng)多源數(shù)據(jù)信息串聯(lián)模型，基于隱馬爾科夫的決策模型，實(shí)現(xiàn)工序間感知平均誤差控制在9.21%內(nèi)。 4）建立了加工次品率與加工參數(shù)約束集間雙向映射互通模型，首次提出了基于隱馬爾科夫模型與遺傳算法的聯(lián)合決策方法框架，聯(lián)合決策優(yōu)化框架保證次品率降低優(yōu)于50%。