基于随机森林模型的真空玻璃保温性能预测

真空玻璃的保温性能与传热系数密切相关,但由于环境因素、测量仪器热源温度等不确定因素的干扰,工业领域真空玻璃的传热系数难以测量,大大降低了生产效率和生产精度。通过构建随机森林算法模型预测了真空玻璃的传热系数,通过均方误差(MSE)对结果做了评估。结果表明,MSE为0.004148,随机森林算法是适合本实验的算法,对于真空玻璃传热系数的预测效果良好。通过特征重要性分析,得出了环境因素和主导因素对预测结果的影响,通过将智能算法应用于真空玻璃的生产中,可使测量时间从几小时缩短到5min。

基于RetinaNet深度学习模型的火焰检测研究

鉴于卷积神经网络能够自动学习和获取图像特征,提出一种基于RetinaNet模型的火焰检测算法.首先RetinaNet在残差网络之上使用特征金字塔网络作为骨干网计算和生成丰富的卷积特征金字塔,然后通过分类子网络和边框预测子网络分别对骨干网的输出进行分类和回归,通过调整训练策略和参数,最后在自建数据集上使用该算法得到的火焰检测模型实现了实时的端到端火焰识别与定位,对复杂目标背景下的小火点检测也保持较高的检测准确率,对火灾初期的检测预警有一定的实用意义.

基于随机森林模型的真空玻璃保温性能预测

真空玻璃的保温性能与传热系数(U值)密切相关,而传热系数的测量却因受各种因素的影响难以检测,其中室内温度、真空玻璃的厚度和初始温度等因素都对真空玻璃的传热系数有着不同程度的影响。现阶段真空玻璃的传热系数测定方法非常耗时,且准确率不高,使得真空玻璃的生产效率和精度大大降低。通过采集整理真空玻璃实验室所提供的温度测量数据,构建了一种基于随机森林的真空玻璃传热系数预测的模型,随机森林算法对原始训练集进行有放回的随机抽样,方便构建更加智能的预测模型,该模型可以用于研究真空玻璃的保温性能。同时设计了一种特征重要性分析算法,用于分析与传热系数密切相关的因素。实验结果表明,该模型将测量时间从数个小时降低至20分钟,并且在测试集上的预测均方根误差(RMSE)为0.004148,主导因素的特征重要性占比43.43%,证明本文提出的方法具有良好的预测效果。

基于水基淬火介质的42CrMo偏航齿圈的热处理工艺

针对淬火油污染严重、生产不安全因素等问题,介绍一种新型水基淬火介质,及替代传统油淬的工艺。利用光学显微镜、洛氏硬度计、万能试验机和冲击试验机等手段对不同规格的42CrMo钢在无机高分子水基淬火液中淬火再高温回火后的组织及性能进行了研究,并分析了用无机高分子水溶性淬火介质替代淬火油的可能性。结果表明,42CrMo钢在淬火后的硬度值为55~56 HRC;回火后的硬度值为285 HBW;显微组织主要为粒状索氏体。其抗拉强度、屈服强度、伸长率、断面收缩率等力学性能均达到大型合金钢锻件的JB/T6396技术条件要求。因此,改进后的热处理工艺可以更好地应用于42CrMo钢的淬火,显著提高了偏航齿圈综合热处理质量。