应用声强测试技术对发动机噪声源识别的研究

通过对一台增压柴油机的噪声进行声强测试,将测试得到的数据用STARAcoustics声强软件进行处理和分析,得出发动机各个包络面的等声强分布、声强矢量分布和声功率的计算结果;利用这些结果着重分析和识别了该发动机的主要噪声源,确定了其噪声源的位置、主要噪声频率成分和声功率的贡献,为降低发动机噪声提供了改进依据.结果表明,通过与9点法试验结果的定性比较,能够更准确地判断噪声源的位置及其频率分布.     

《工程图学》与创新教育

从创新教育和图学教育的特点出发。目标。对《工程图学》的教学内容、教学方法、力渗透在整个教学过程中。就新形势下如何以培养学生的创新能力和树立创新意识为教学手段等进行了研究和探索。将提高素质与培养创新能     

低压电力系统配电母线N级联锁的算法

在电力系统中，由于开关容量及运行方式限制，通常在低压系统中多采用1段母线、1台变压器运行方式。为了避免这种运行方式在母线检修、故障时可能造成停电的缺点，因此可用断路器将单母线分段。母线经断路器分段后。对重要用户可以从不同段引出两个回路，有两个电源供电。母线分段的数目。可以根据电源数目和容量来分．段数越多，停电的范围越小，所需电气设备越多．一般以4～6段为宜。本文对此配电母线进行N级联锁推导其算法．有利于今后解决多级联锁的问题。     

拖拉机静液压传动系统的特性研究

以某拖拉机静液压传动系统为研究对象,利用功率键合图理论建立了拖拉机静液压传动系统的键合图模型;根据各键合图元的特性方程及基本关系推导得出该系统的状态方程,利用SIMULINK仿真软件对建立的数学模型进行了拖拉机静液压传动系统的动态特性和整车性能的仿真分析。仿真结果表明:犁耕工况下,为获得足够的动力性能及较好的燃油经济性,发动机油门开度应控制在0.8以上;耕深一定时,保证拖拉机正常作业的前提下,油门开度越小,燃油消耗率随着土壤比阻变化时的波动越小,经济性能越好。本仿真分析可为后期进行拖拉机发动机和HST及电控液压悬挂系统的匹配控制研究提供理论基础。     

基于B/S模式的实验室预约系统UML建模与研究

UML作为一种面向对象的标准建模语言,在信息管理系统的建模领域得到了广泛的应用。概述了UML中多种模型图的使用方法和适用范围,重点分析了UML系统建模的主要过程和特点,并以一个实验预约系统为例详细介绍了系统用例模型、静态模型和动态模型的设计过程。     

双吸三元扭曲叶片离心泵的造型

双吸三元扭曲叶片离心泵具有叶片形状复杂与多流道等特征,其三维造型涉及问题较多,在泵的三维造型中具有普遍性.为此,以GAMBIT软件为设计平台,结合一个具体的双吸离心泵的造型实例,介绍了双吸离心泵扭曲叶片叶轮和螺旋形蜗壳等部件三维造型的方法,并给出了创建实体模型的详细步骤及三维模型图;此外,还简要说明了在Gambit软件中建模需要注意的问题.     

利用MATLAB计算切割图中三区域的面积值

切割器是收割机的主要工作部件,它的工作性能直接影响收割机的性能。为此,介绍了利用MATLAB软件对标准往复式切割器在一定工作条件下切割图中3个区域面积的计算方法和计算过程,这将对于切割器的性能评价及工作参数的选择具有重要的作用。     

用Rim2超级家族分子指纹鉴别杂交水稻及预测杂种优势

选用5对Rim2引物对21份籼稻和20份粳稻材料进行了DNA指纹扩增,共扩增出38条谱带,其中多态性谱带26条,多态性水平为69.64%;粳稻平均多态性水平为56.67%,明显高于籼稻。根据Nei’s遗传距离计算获得的聚类树状图表明,参试21份籼稻材料聚为6组,20份粳稻材料聚为7组。亲缘关系分析表明,Rim2分子指纹可以区分多数的籼稻或粳稻材料,且显示出材料的遗传特征。考察部分籼稻和粳稻杂交组合的产量对照优势与双亲间遗传距离的关系,发现杂交粳稻的遗传距离与杂交优势表现出相关性,而杂交籼稻无此相关性。     

棉花抗黄萎病基因的QTL定位

以高感黄萎病的陆地棉品种"邯郸208"与高抗黄萎病海岛棉品种"Pima90"的136个F2单株为作图群体,构建了一个包括17个连锁群、标记间平均间距18.61cM、全长1842.8cM的陆海种间分子标记遗传连锁图,该图约覆盖棉花基因组的36.8%。单因子方差分析和复合区间作图检测到与黄萎病抗性相关的3个QTL,分别位于第四连锁群和第七连锁群上,分别解释表型变异方差的15.39%、54.11%和57.18%。初步认为海岛棉"Pima90"对陆地棉"邯郸208"的黄萎病抗性由两个主效QTL和一个微效QTL共同控制。     

基于YOLO v3与图结构模型的群养猪只头尾辨别方法

在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。