第三章制冷技术在食品工业中的应用 第一节食品的冷却 第二节食品的冻结 第三节食品的冻藏 第四节食品的解冻

作为对经典自适应控制改进的控制方法，多模型自适应控制是解决复杂的大范围参数不确定系统的一种有效途径，并在理论和实践中取得了丰富成果。依据控制器集的不同综合策略，其被分为多种类型，本文旨在对加权型的多模型自适应控制进行综述。加权多模型自适应控制的基本思路是采用“分而治之”的办法，离线建立多个局部模型和对应的多个局部控制器，在线加权融合各个局部控制器的控制输出，从而形成全局控制，是实现鲁棒自适应控制的一类重要方法。首先比较详细地介绍了加权多模型自适应控制研究的历史及现状，然后给出相关研究的新进展和一些观点，包括新的加权算法和相应的加权多模型自适应控制系统的稳定性结果等，最后指出未来的几个研究方向

采用西澳大学室内鼓轮式离心机，在预先固结的高岭黏土中开展不同离心力场( 50g，125g 及 250g，g 为重力加速度) 条件下的模型压桩试验、T--bar 试验和静力触探试验，分析了模型桩在贯入过程、静置稳定过程中桩身径向应力( σr ) 的变化规 律，并对后期桩体拉伸载荷阶段的径向应力变化值( Δσr ) 及桩侧摩阻力变化情况行了探讨，揭示了在不同超固结比( OCＲs) 黏 土中静压桩侧摩阻力的演变特性．

第8章自动编程系统概述及Master CaM8.0应用 7.1国内外流行的个人计算机 CADICAM软件 7.2 Mastercam系统筒 7.3 MastercaM的CAD功能 7.4 Master caM的CAM功能

一、准备工作 二、地形图的定向 三、在定地形图上确定立足点 四、考察周围情况 五、填图

针对现行鼓风炉挥发(熔炼)-反射炉还原炼锑工艺存在的流程长、能耗高、低浓度SO2烟气污染等问题,提出了一种基于选冶联合过程的锑提取新工艺——硫化锑精矿还原固硫焙烧直产金属锑.分别以ZnO和碳粉作为固硫剂和还原剂实现对硫化锑矿的固硫还原转化,直接产出金属锑,同时生成硫化锌,再分别分离得到金属锑粉和硫化锌精矿.本文采用控制变量法,分别考察了焙烧温度、碳粉粒度、ZnO配入量、焙烧时间对锑生成率和ZnO固硫率的影响.得到最佳条件如下:焙烧温度800℃、碳粉粒度100~150目、ZnO量为固硫所需理论量、焙烧时间2 h,在此条件下,锑生成率为90.4%,ZnO固硫率为94.8%,其中温度和ZnO加入量对焙烧效果有较大影响;同时对反应产物的分析和过程热力学计算表明焙烧过程分两步进行,即首先发生Sb2S3与ZnO的交互固硫反应生成Sb2O3,其后在高于700℃温度下Sb2O3被大量还原成金属锑.在不同品位的锑精矿综合实验中,均获得了90%左右的锑生成率和88%的固硫率,验证了工艺的可行性.新工艺低温低碳、清洁环保,易于开展工业化生产

第八章碳杂重键的亲核加成 一、包括C=O、C=N、C≡N的碳杂重键化合物是极为重要的一大类有机化合物,亲核加成是碳杂重键的主要反应,也是重要的有机反应,其中尤以C=键的亲核加成最为重要。 二、亲核试剂主要有:(1)亲核中心为N、O、S、等的杂原子亲核试剂;(2)负碳亲核试剂;(3)H亲核试剂

崩塌灾害的早期预警一直是岩土工程领域研究的热点问题之一.传统的监测预警方法监测指标相对单一, 更多关注于加速破坏前兆的识别, 使得崩塌的早期预警存在诸多困难.本文首先引入动力学监测指标, 对岩土体破坏过程中的动力响应进行综述, 得出基于固有振动频率等动力学监测指标可以为危岩体的损伤提供数据支持.随后基于最新的实验研究发现动力学监测指标可以有效反应边坡的物理力学特征的变化, 进而可以实现岩体损伤与稳定性的动态识别和定量判断.在对国内外现状进行综述发现, 基于分离阶段破坏前兆识别的岩块体崩塌灾害预警思路, 具有更好的时效性, 是未来崩塌早期预警的发展方向, 同时对崩塌的早期预警指标体系进行展望, 得出基于动力学指标、静力学指标和环境量指标三位一体的早期监测预警指标体系, 必将在工程监测与灾害预警方面发挥更大潜力, 为从事应对崩塌等脆性破坏灾害预警预防的研究工作者提供有效参考

有机化学是化学专业四大基础课之一,因此 ,对化学专业学生的培养,非常注重他们有机化 学基础知识的认识水平,促使形成有机化学学科 的思维方式。高等有机化学又是在基础有机化学 的基础上,对有机化学反应的认识在理论水平上 有更深入的理解,以利于提高我们在实际应用中 灵活应用的能力。如果我们学习有机化学仅仅是 死记硬背几个有机化学反应式的话,那将在做一 件毫无意义的事情,决不是我们学习高等有机化 学的目的

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要求，严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet，用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度。实验分析表明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升。这为深度神经网络技术应用于工程实际，克服计算机硬件条件限制提供了一条新的途径