2012南京中招计划出炉：热点高中指标占20%
新型钴基高温合金成分设计的研究进展
㊀第43卷㊀第3期2024年3月中国材料进展MATERIALS CHINAVol.43㊀No.3Mar.2024收稿日期:2021-07-29㊀㊀修回日期:2021-11-25基金项目:国家自然科学基金钢铁联合研究基金重点项目(U1960204);国家自然科学基金面上项目(51871042,52171107);中央高校基本科研业务费专项资金项目(N2023026)第一作者:张旭明,男,1998年生,硕士研究生通讯作者:高秋志,男,1981年生,副教授,硕士生导师,Email:neuqgao@马庆爽,女,1989年生,讲师,硕士生导师,Email:maqsneuq@DOI :10.7502/j.issn.1674-3962.202107062新型钴基高温合金成分设计的研究进展张旭明1,2,马庆爽1,2,张海莲3,毕长波4,张会杰1,2,李会军5,高秋志1,2(1.东北大学秦皇岛分校资源与材料学院,河北秦皇岛066004)(2.东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳110819)(3.秦皇岛市道天高科技有限公司,河北秦皇岛066000)(4.东北大学秦皇岛分校控制工程学院,河北,秦皇岛066004)(5.天津大学材料科学与工程学院,天津300354)摘㊀要:传统钴基高温合金的强化机制为固溶强化和碳化物强化,弱于有序γᶄ相沉淀强化的镍基高温合金的强化效果,日本学者发现了有序γᶄ相强化的Co-Al-W 系新型钴基高温合金,其强化效果明显优于传统钴基高温合金㊂由于新型钴基高温合金具有较传统镍基高温合金更高的承温能力以及更加优异的高温抗蠕变性能和抗氧化性能,因此被认为是最具潜力的航空发动机热端材料之一,近年来得到迅速发展㊂基于国内外学者对新型钴基高温合金的研究成果,系统总结多种合金元素(如Ta,Ti,W 和Nb 等)对新型钴基高温合金组织和性能的影响㊂在组织方面,总结合金元素对合金相变温度㊁γᶄ相的体积分数及形态㊁γᶄ相的尺寸㊁γ/γᶄ两相晶格错配度和有害相的影响;在性能方面,总结合金元素对合金抗氧化性能㊁力学性能及抗蠕变性能的影响,以期为新型钴基高温合金的成分设计提供参考㊂最后对新型钴基高温合金成分的高效率设计进行展望㊂关键词:钴基高温合金;成分设计;γᶄ相;组织性能;蠕变中图分类号:TG146.1+6㊀㊀文献标识码:A㊀㊀文章编号:1674-3962(2024)03-0230-08引用格式:张旭明,马庆爽,张海莲,等.新型钴基高温合金成分设计的研究进展[J].中国材料进展,2024,43(3):230-237.ZHANG X M,MA Q S,ZHANG H L,et al .Research Progress on Composition Design of Novel Cobalt Based Superalloy[J].MaterialsChina,2024,43(3):230-237.Research Progress on Composition Design ofNovel Cobalt Based SuperalloyZHANG Xuming 1,2,MA Qingshuang 1,2,ZHANG Hailian 3,BI Changbo 4,ZHANG Huijie 1,2,LI Huijun 5,GAO Qiuzhi 1,2(1.School of Resources and Materials,Northeastern University at Qinhuangdao,Qinhuangdao 066004,China)(2.State Key Laboratory of Rolling and Automation,Northeastern University,Shenyang 110819,China)(3.Qinhuangdao Daotian High Technology Co.,Ltd.,Qinhuangdao 066000,China)(4.School of Control Engineering,Northeastern University at Qinhuangdao,Qinhuangdao 066004,China)(5.School of Materials Science and Engineering,Tianjin University,Tianjin 300354,China)Abstract :The strengthening mechanism of traditionalcobalt-based superalloys is solid solution strengthening and carbide strengthening whereas,both solid solution strength-ening and carbide strengthening are weaker than that of nickel-based superalloys with ordered γᶄprecipitation.Jap-anese scholars discovered a novel type of Co-Al-W superal-loys with ordered γᶄphase strengthening,and its strengthe-ning effect is significantly better than that of traditional co-balt-based pared with traditional nickel-based superalloys,the novel cobalt-based superalloys have higher temperature capability,more excellent high tempera-ture creep resistance and oxidation resistance,therefore,the novel cobalt-based superalloys are considered to be the㊀第3期张旭明等:新型钴基高温合金成分设计的研究进展most potential aeroengines hot side materials and have developed rapidly in recent years.In this review,based on the re-search results of the novel cobalt-based superalloys by scholars at home and abroad,the effects of various alloying elements (such as Ta,Ti,W,Nb and so on)on the structure and properties of novel cobalt-based superalloys were systematically summarized.In terms of microstructure,the effects of alloying elements on transformation temperature,volume fraction and morphology ofγᶄphase,the size ofγᶄphase,the lattice misfit ofγ/γᶄtwo phase and the harmful phase were summarized. Meanwhile,in terms of properties,the effects of alloying elements on oxidation resistance,mechanical property and creep resistance of the alloy were also discussed,it is expected to provide reference for the composition design of novel cobalt-based superalloys.Finally,the high efficiency design of novel cobalt-based superalloys are prospected.Key words:Co-based superalloy;composition design;γᶄphase;microstructure and properties;creep1㊀前㊀言高温合金是指能够在600ħ以上的高温环境下正常工作,承受较为复杂的机械应力,具有稳定性的同时又高合金化的金属材料[1]㊂常见的高温合金有铁基㊁镍基和钴基3种,高温合金具有组织稳定㊁强度高㊁抗氧化性好以及抗蠕变性能优良等特点,目前广泛应用于能源动力㊁航空航天等领域[2-4]㊂随着对高温合金性能要求越来越高,提高高温合金的承温能力尤为重要[5]㊂航空发动机和燃气轮机中应用最成功的是镍基高温合金,由于熔点的限制导致其承温能力的提升极为有限,因此开发承温能力更高的新型高温合金是未来该领域的重点研究方向[6]㊂沉淀强化型钴基高温合金即新型钴基高温合金,相比镍基高温合金具有更加优异的抗蠕变性能㊁抗腐蚀性能㊁耐磨性以及更高的熔点[7],开发潜力大,应用前景广阔[8]㊂实验证明,诸多合金化元素(如: Al,Ta,Ni等)能够提高钴基高温合金强化相的稳定性㊂目前关于合金元素对钴基高温合金组织和性能影响的研究相对独立,部分常见合金元素对钴基高温合金组织和性能的影响还尚未形成统一认识㊂本文系统总结了Ni, Ti,Mo和Cr等常见合金化元素对新型钴基高温合金组织性能的影响,以期为新型钴基高温合金的进一步成分设计和组织调控提供参考,并对该合金成分的设计进行了展望㊂2㊀新型钴基高温合金概述2006年,Sato等[9]开发了具有L12结构γᶄ-Co3(Al, W)强化相的新型Co-Al-W系高温合金,该合金的固㊁液相线温度比镍基单晶高温合金高100~150ħ[10-12]㊂相比常规镍基高温合金,新型Co-Al-W系高温合金具有更强的各向弹性异性[13],相关研究也表明Co-Al-W基新型高温合金的机械性能较为优异[14-17];但是γ/γᶄ两相区过窄[9,18]㊁γᶄ相的高温稳定性低[19-21]以及合金密度大等特点限制了该合金在航天工业中的应用㊂因此在提高新型钴基高温合金相稳定性的同时如何降低其质量密度是当前研究的重要问题[22]㊂钴基高温合金中常见相的晶体学参数如表1所示[5,23]㊂新型钴基高温合金的组织主要由γ-Co基体相和γᶄ-Co3X(X=Al,Ti和Ta等)两相组成㊂其中,γ-Co是面心立方(fcc)的相,高温下fcc结构的Co较为稳定㊂经热处理后的γᶄ相主要呈立方结构,但是由于晶格错配度的改变也可能呈球状[24]㊂一方面,固溶元素含量越高,固溶强化的效果也越显著,Mo和Ni等合金化元素可以提高γᶄ相的溶解温度[9,10,15,25-27];但另一方面,过量的合金化元素会导致有害二次相如β-CoAl㊁χ-Co3W和μ-Co7W6等在基体中析出,降低合金的组织稳定性㊂表1㊀钴基高温合金中常见相的晶体学参数[5,23] Table1㊀Crystallographic parameters of common phases in cobalt based superalloy[5,23]Phase Structure symbol ExampleεA3CoγA1CoγᶄL12Co3(Al,W)μD85Co7W6βB2CoAlηD024Ni3TiχD019Co3W3㊀合金化元素对新型钴基高温合金物理性能及组织的影响3.1㊀合金化元素对新型钴基高温合金相变温度及密度的影响㊀㊀高温合金相变温度的高低决定了合金承温能力的大小㊂合金相变温度越高,承温能力自然也就越高㊂Lass[28]利用CALPHAD热力学数据库探究了Ni元素对新型钴基高温合金的影响机理,结果表明,由于Ni元素倾向分布在γᶄ相中从而提高了γᶄ相的溶解温度,同时也扩大了Co-Al-W-Ni系新型钴基高温合金高温下稳定的γ/γᶄ两相区㊂Chen等[22]测量了分别添加多种合金化元素后的Co-5Al-14V-2X四元合金相变温度,如图1所示,Ti,Nb 和Ta等合金化元素可显著提高γᶄ相溶解温度,而Cr元132中国材料进展第43卷素增加了γᶄ相中Cr 原子与近邻原子的结合能,导致γᶄ相的生成能增加,使γᶄ相的溶解温度降低[29]㊂图1㊀Co-5Al-14V-2X 四元合金的γᶄ相溶解温度㊁固相线温度和液相线温度[22]Fig.1㊀γᶄsolvus,solidus and liquidus temperatures of the Co-5Al-14V-2X quaternary alloys [22]Jin 等[30]利用第一性原理计算了Co 3(Al,M )(M =Ti,V,Cr,Zr,Nb,Mo,Hf,Ta 和W)化合物的稳定性和力学性能,研究发现,大多数化合物都具有比较好的稳定性,Al 是稳定L12结构的重要元素㊂各种成分的钴基合金以及Mar-M-247镍基合金的相变温度如图2所示[15,22,31-34]㊂诸多新型钴基高温合金的相变温度高于传统镍基高温合金,尤其是含有难熔合金化元素的新型钴基高温合金,如Co-9Al-9W㊁Co-5Al-14V 等㊂这是因为Ti,Nb,Ta 和W等难熔合金化元素的加入在新型钴基高图2㊀基于文献整理的各种钴基合金的γᶄ相溶解温度㊁固相线温度和液相线温度[15,22,31-34]Fig.2㊀γᶄsolvus,solidus and liquidus temperatures of various Co-based alloys based on literature reviews [15,22,31-34]温合金中形成了高熔点的化合物,同时作为强γᶄ相形成元素,提高了γᶄ相的体积分数,从而实现了强化效果[26]㊂通常认为,高的γᶄ相溶解温度是提高高温合金服役温度的基础㊂低密度同样是高温结构材料不断追求的目标之一㊂图3为各种钴基高温合金的密度[22,33,35-39]㊂难熔元素的加入导致新型钴基高温合金密度大幅上升,其中Co-9Al-9.8W 高温合金密度最高,可达9.82g㊃cm -3,这是其较高的含W 量导致的㊂实验证明,其他合金化元素(Mo,Cr,V 和Ti 等)代替W 元素后,合金密度大幅下降,甚至可与传统镍基高温合金媲美㊂图3㊀基于文献整理的各种钴基高温合金的密度[22,33,35-39]Fig.3㊀Density of various Co-based superalloys based on literaturereviews [22,33,35-39]3.2㊀合金化元素对新型钴基高温合金中γᶄ相体积分数的影响㊀㊀合金中γᶄ相的体积分数主要由合金化元素向γᶄ相的分配决定,较高的γᶄ相体积分数使合金具有更优异的力学性能[40]㊂Chen 等[22]和Makineni 等[41]对不同Ni 含量的新型钴基高温合金中的γᶄ相体积分数进行了统计,发现γᶄ相的体积分数随着Ni 元素含量的增加大幅提升㊂Cr 元素含量增加会降低γᶄ相的体积分数,Cr 在合金中倾向于分布在γ相基体中[42],同时大量Cr 元素会导致合金中有害第二相的析出,从而消耗大量其他合金化元素,使γᶄ相体积分数降低㊂Ta,Ti 和Nb 等作为强γᶄ相形成元素,在合金中分布于γᶄ相之中,其含量增加可增加γᶄ相的体积分数;而Mo 元素在γ/γᶄ两相之间接近平均分232㊀第3期张旭明等:新型钴基高温合金成分设计的研究进展配,对合金中γᶄ相体积分数的影响较小[22,23,43-45]㊂Wang等[46]通过第一性原理计算发现Ru,Rh,Pd,Ir 和Pt 元素倾向于占据Co 3Ta 中的Co 位,而Re 元素倾向于占据Co 3Ta 中Ta 的位置,从而提高γᶄ的相体积分数㊂应该明确的是,较大的γᶄ相体积分数可增大位错运动的阻力,从而使得合金的瞬时拉伸强度和持久强度提高㊂3.3㊀合金化元素对新型钴基高温合金中γ/γᶄ相晶格错配度的影响㊀㊀新型钴基高温合金中γᶄ相的形态由界面自由能和错配应变能两方面因素共同决定㊂界面自由能与错配应变能之和越小,γᶄ相的形态越稳定㊂一般来说,界面自由能与错配应变能分别与界面面积和γ/γᶄ相的晶格错配度有关,晶格错配度绝对值越大,错配应变能越大[47]㊂新型钴基高温合金中晶格错配度一般为正值,当晶格错配度较小时,γᶄ相的形态由界面自由能主导,体积相同时球体的表面积最小,故γᶄ相倾向于呈球状;当晶格错配度较大时,γᶄ相的形态由错配应变能主导,由于金属弹性一般呈各向异性,故γᶄ相倾向于呈立方状㊂晶格错配度δ可定义为[41]:δ=2(a γᶄ-a γ)a γᶄ+a γ(1)其中,a γᶄ和a γ分别为γᶄ相和γ相的晶格常数㊂Ni 元素使γᶄ相的晶格常数变小,导致晶格错配度减小,促使γᶄ相球化㊂在含W 钴基高温合金中添加Cr 元素,由于Cr 原子占据W 原子的位置,导致合金晶格错配度减小而使γᶄ相趋于球状[48,49]㊂Gao 等[50]研究了不同成分钴基高温合金时效后的晶格错配度(图4),发现Cr 元素的加入降低了合金的晶格错配度㊂Ti 是钴基高温合金中γᶄ相形成元素之一,会增大γ/γᶄ两相的晶格错配度进而使合金中γᶄ相倾向于呈立方状㊂Ta 原子掺杂会引起更大的晶格畸变,所以Ta 元素对晶格错配度增加的贡献要大于Ti 元素[51]㊂Hf 也可以增大合金中γ/γᶄ相的错配度,因此同样有利于改善合金强度[52]㊂一般来说,合金化元素的原子半径与Co 原子半径相差越大,引起的图4㊀利用XRD 测量的γ/γᶄ两相之间的晶格错配度[50]Fig.4㊀Lattice misfit between the γ-and γᶄ-phases measured by high-energy synchrotron X-ray diffraction [50]晶格畸变越大,越会导致合金晶格错配度的提高,从而使γᶄ相越倾向于呈立方状㊂Zenk 等[49]发现提高γ/γᶄ两相界面处的晶格畸变,能够有效阻碍合金变形过程中位错的运动,提高合金力学性能㊂凡是能够增大γᶄ相晶格常数的合金元素(如Nb,Ti 和Ta 等),都能增加γᶄ相周围的共格应变,起到强化作用㊂但错配度太大会降低高温下γᶄ相的稳定性,容易聚集长大从而松弛弹性应力[52]㊂晶格错配度越小的γᶄ相则具有更高的高温稳定性,因而此类合金的抗蠕变性能也更加优异[53]㊂3.4㊀合金化元素对新型钴基高温合金中γᶄ相尺寸的影响㊀㊀影响γᶄ相尺寸和长大的因素主要有合金元素的扩散㊁晶格错配度㊁弹性模量等,γᶄ相的尺寸大小对合金的性能也具有至关重要的影响,一般来说γᶄ相的尺寸越小,分布越弥散,合金的性能越好[54]㊂不同含量的合金组织如图5所示,Chen 等[22]研究统计了不同Ni 质量分数(10,20,30)的合金组织中γᶄ相的平均尺寸分别为(324ʃ74),(425ʃ150)和(496ʃ153)nm,发现随着Ni 含量的增加γᶄ相出现了明显的粗化现象㊂图5㊀Co-x Ni-8Al-12V 合金在900ħ固溶退火处理72h 后的SEM 照片[22]:(a)x =10,(b)x =20,(c)x =30Fig.5㊀Field emission scanning electron microscope images of Co-x Ni-8Al-12V quaternary alloys annealed at 900ħfor 72h after solu-tion annealing treatment [22]:(a)x =10,(b)x =20,(c)x =30332中国材料进展第43卷㊀㊀Gao 等[50]对γᶄ相的尺寸统计结果显示,γᶄ相的平均尺寸随Ti 元素含量的增加而增加㊂Ti 原子在合金中的扩散速率比Al 原子更快,降低了两相之间的界面能导致γᶄ相生长的驱动力增大㊂Cr 和Mo 元素都能促进合金中γᶄ相的粗化,且Mo 元素的影响更大㊂Pandey 等[47]认为Lifshitz-Slyozov-Wagner(LSW)模型仅适用于含Ti 量较低的高温合金㊂一般来说,γᶄ相的长大分为2个过程,在时效时间较短即时效初期,γᶄ相依靠原子的扩散进行生长;在时效时间较长即时效后期,γᶄ相主要依靠互相合并进行长大[44,55]㊂3.5㊀合金化元素对新型钴基高温合金中μ相和η相的影响㊀㊀μ相是一种主要由2种不同大小的金属原子构成的拓扑密排相,其结构为D85结构㊂作为一种硬脆相,μ相可能会成为裂纹的形核位置和拓展通道[38],μ相析出的同时会消耗大量的合金元素,减弱合金固溶强化及沉淀强化作用㊂有害相一般在晶界析出,但当Cr 元素的含量足够高时,有害相也会在晶粒内部析出,从而强烈降低合金力学性能㊂图6为不同新型钴基高温合金的显微组织照片㊂可以发现,Cr 元素含量的增加导致W 元素在γ相和γᶄ相中的溶解度降低,促进μ相的沉淀析出[32,36,44]㊂同时有文献表明,Ni 元素能够提高合金的组织稳定性,有效减少μ-Co 7W 6有害相的析出,提高合金的力学性能[56]㊂η相是一种具有D024结构的有害相,与μ相类似,倾向于在晶界析出减弱强化作用,会对合金性能产生不良影响[23]㊂郭建亭[57]认为,Al /Ti 原子数比值是合金中能否形成η相的决定性因素,同时Al +Ti 含量和Al /Ti 原子数比值也是影响合金中γᶄ相体积分数和γᶄ/γ两相晶格错配度的关键因素,一般地,Al +Ti 含量越高γᶄ相体积分数越高,γᶄ/γ两相晶格错配度也越高;Al /Ti 原子数比值越高,γᶄ相体积分数越高,γᶄ/γ两相晶格错配度越低㊂因此要严格控制合金Al +Ti 含量和Al /Ti 原子比,避免η相的析出对合金组织稳定性和力学性能产生不良影响,同时保证钴基合金具有较高的γᶄ相体积分数和较宽的加工窗口㊂图6㊀不同Cr 含量合金固溶处理后的SEM 照片:(a)9Cr-A 合金[36],(b)12Cr 合金[44],(c)8Cr 合金[32],(d)12Cr 合金[44]Fig.6㊀SEM images of alloys with different Cr contents after solution treatment:(a)9Cr-A alloys [36],(b)12Cr alloys [44],(c)8Cralloys [32],(d)12Cr alloys [44]4㊀合金化元素对合金性能的影响4.1㊀合金化元素对钴基高温合金抗氧化性、抗热腐蚀性的影响㊀㊀抗氧化性和抗热腐蚀性也是衡量合金高温性能好坏的一项重要指标[58,59]㊂在新型钴基高温合金中,Al 除稳定γᶄ相外,还能在合金表面形成致密的Al 2O 3氧化薄膜来提高合金的抗氧化性[60]㊂但Ti 的存在会引入空位,降低Al 2O 3的热力学稳定性,从而降低合金的抗氧化性㊂Chung 等[32]证实Cr 降低了合金的氧化层厚度,随着Cr 浓度的增加,更薄的氧化层足以形成耐氧化的表面(图7)㊂同时有实验证明较高的Cr 含量有助于形成结构致密的Cr 2O 3和Al 2O 3,阻止O 进一步扩散到基体中[23]㊂Cr 元素与Al 元素可以协同作用加速Al 2O 3的形成,即降低形成Al 2O 3层所需的临界Al 浓度[36,61]㊂合金表面致密的Al 2O 3和Cr 2O 3氧化层阻断O 向基体的扩散,提432㊀第3期张旭明等:新型钴基高温合金成分设计的研究进展图7㊀不同合金的氧化层截面组织照片[32]:(a)L24-0Cr 合金,(b)L24-12Cr 合金Fig.7㊀Micrographs of oxide layer structure of different alloys[32]:(a)L24-0Cr,(b)L24-12Cr alloys高合金的抗氧化性㊂Chen 等[42]发现6Cr 钴基高温合金并没有优异的抗氧化性,因为合金中γᶄ相的体积分数减小导致γ相基体优先氧化,适当高的γᶄ相体积分数也能提高合金抗氧化性㊂Ni 元素能够促进Cr 2O 3的生长及延缓合金的结节性氧化,提高合金的抗氧化性能[62]㊂此外,Ta 的添加也被证实能在一定程度上提高合金的抗热腐蚀性能[52]㊂4.2㊀合金化元素对新型钴基高温合金力学性能及抗蠕变性能的影响㊀㊀作为结构构件的物质基础,结构材料的性能直接影响到构件能否满足使用要求,因此结构材料的设计往往对其力学性能提出要求㊂图8为Makineni 等[41]测试的Co-10Al-5Mo-2Nb 和Co-30Ni-10Al-5Mo-2Nb Co 基高温合金的拉伸性能,2种合金依靠高γᶄ相含量,室温下强度达到了800MPa,超过了诸多含W 钴基高温合金㊂W 能够引起明显的晶格膨胀,阻止位错运动,同时提高γᶄ相的体积分数,提高合金强度㊂Mo元素在钴基高温合金中易图8㊀不同Co 基高温合金在不同条件下的拉伸应力-应变曲线[41]:(a)室温下Co-10Al-5Mo-2Nb,(b)室温下Co-30Ni-10Al-5Mo-2Nb,(c)870ħ时Co-30Ni-10Al-5Mo-2NbFig.8㊀Tensile stress-strain curves of different Co-based alloys at dif-ferent conditions [41]:(a)Co-10Al-5Mo-2Nb at room temper-ature,(b )Co-30Ni-10Al-5Mo-2Nb at room temperature,(c)Co-30Ni-10Al-5Mo-2Nb at 870ħ与C 形成大量的MoC 碳化物,细小弥散的碳化物也可以改善合金的力学性能,同时也在一定程度上达到细晶强化的效果㊂Ti 会增大γᶄ相的粗化速率,对合金力学性能产生不利影响,但Bocchini 等[63]证明Ti 提高了合金的高温强度,这说明γᶄ相体积分数增大对合金的强度提升效果超过了组织粗化带来的负面影响㊂在Co-Al-W 基合金中,少量的B 元素能够促进富W 硼化物在晶界的析出,起到晶界强化的作用,有利于提高合金的力学性能[64]㊂高温合金需要在高温环境下长时间服役,因此要求它具有优异的抗蠕变性能㊂蠕变是指在恒应力或载荷下所发生的缓慢而连续的塑性变形,关于蠕变的研究对高温合金具有非常重要的意义㊂可通过探究合金化元素对新型钴基高温合金抗蠕变性能的影响及其机理进而对它进行针对性的设计㊂Cr 元素含量的增加显著增大了蠕变最小稳态应变速率[65],Povstugar 等[66]认为当合金中加入Cr 元素以后会生成有害的二次相并改变合金的堆垛层错能,恶化合金的抗蠕变性能,而Ni 能够部分抵消Cr 对合金抗蠕变性能的恶化[44]㊂W 和Nb 元素均能够强烈降低γ相基体的堆垛层错能,有效改善高温合金的抗蠕变性能㊂得益于晶界强化的作用,含B 合金拥有较其他合金更优异的抗蠕变性能㊂在Co-Al-W 基合金中加入Ta 元素能够明显提高合金的蠕变寿命,但与其他元素如Si 和Mo 等同时存在时会析出大量金属间化合物,降低合金抗蠕变性能[67]㊂在合金蠕变的过程中,经常出现γᶄ相的定向粗化,通常称之为筏化[66,68-70]㊂钴基高温合金一般表现出正晶格错配,在压缩状态下γᶄ相会在所施加压应力的垂直方向与拉应力的平行方向发生筏化[71]㊂如图9所示,0Cr 和4Cr 合金中的γᶄ相出现了筏化现象㊂8Cr 合金没有发生筏化是因为大量Cr 原子占据W 原子的晶格后降低了晶格错配度,导致γᶄ相缺乏各向异性的应力场,进而使筏化的驱动力减小[44]㊂5㊀结㊀语高温合金不仅是航空发动机的重要材料,也是能源㊁化工领域高温耐蚀部件的重要材料㊂新型钴基高温合金具有比镍基高温合金更高的γᶄ相溶解温度和熔点,但γᶄ相的高温稳定性还有待提高㊂本文主要针对不同合金化元素对新型钴基高温合金组织性能的影响做了总结梳理㊂Ni 能够有效提高合金性能,但过量的Ni 导致γᶄ相形态改变,新型钴基高温合金中的Ni 含量应保持在30%(原子数分数,下同)以下;Ti,Ta 和Nb 等强γᶄ相形成元素能够大幅提高γᶄ相的体积分数,过量将导致γᶄ相的加速粗化和密度增加,常见钴镍基高温合金中Ti,Ta 和Nb532中国材料进展第43卷图9㊀不同Co基合金蠕变后的SEM照片[44]:(a,b)0Cr,(c,d) 4Cr,(e,f)8CrFig.9㊀Post-creep SEM images of different Co-based alloys[44]:(a,b) 0Cr,(c,d)4Cr,(e,f)8Cr含量为2%~4%;Cr在提高合金的抗氧化性[72]的同时可促进有害相的析出,降低合金力学性能,新型钴基高温合金中Cr含量一般控制在4%~6%以下㊂新型钴基高温合金具有多项优于传统钴基高温合金的性能,是最具潜力的高温合金之一㊂但与发展相对成熟的镍基高温合金相比,新型钴基高温合金的发展和应用仍然具有很大的挑战,如合金的制造工艺以及零件的加工和热处理工艺尚不成熟等㊂目前我国合金成分设计数据库仍然不够健全,但随着计算材料学㊁材料基因工程等领域的发展,CALPHAD㊁第一性原理计算㊁机器学习等方法将在合金的高效设计中发挥更大的作用,将材料计算㊁计算机仿真模拟等多种设计思路与实验相结合有望实现新型钴基高温合金的高通量设计㊂参考文献㊀References[1]㊀杜金辉,吕旭东,董建新,等.金属学报[J],2019,55(9):1115-1132.DU J H,LV X D,DONG J X,et al.Acta Metallurgica Sinica[J], 2019,55(9):1115-1132.[2]㊀LIU Z,GAO Q,ZHANG H,et al.Materials Science&Engineering:A[J],2019,755:106-115.[3]㊀程远,赵新宝,岳全召,等.稀有金属材料与工程[J],2023,52(7):2599-2611.CHENG Y,ZHAO X B,YUE Q Z,et al.Rare Metal Materials and Engineering[J],2023,52(7):2599-2611.[4]㊀JIANG J,LIU Z,GAO Q,et al.Materials Science&Engineering:A[J],2020,797:140219.[5]㊀刘健.元素对γᶄ沉淀强化型钴基高温合金组织及力学性能的影响[D].合肥:中国科学技术大学,2019.LIU J.Effects of Alloying Elements on the Microstructure and Mechan-ical Behavior ofγᶄ-Strengthed Co-Base Superalloys[D].Hefei:Uni-versity of Science and Technology of China,2019.[6]㊀刘兴军,陈悦超,卢勇,等.金属学报[J],2020,56(1):1-20.LIU X J,CHEN Y C,LU Y,et al.Acta Metallurgica Sinica[J], 2020,56(1):1-20.[7]㊀KLEIN L,SHEN Y,KILLIAN M S,et al.Corrosion Science[J],2011,53(9):2713-2720.[8]㊀JINSHAN H,MIN Z,LONGFEI L,et al.Materials Letters[J],2020,262:127042.[9]㊀SATO J,OMORI T,OIKAWA K,et al.Science[J],2006,312(5770):90-91.[10]SUZUKI A.Acta Materialia[J],2008,56(6):1288-1297.[11]WALTER C,HALLSTEDT B,WARNKEN N.Materials Science andEngineering:A[J],2005,397(1/2):385-390.[12]PARK H,LI C,JAKUS A E,et al.Scripta Materialia[J],2020,188:146-150.[13]SUZUKI A,INUI H,POLLOCK T M.Annual Review of MaterialsResearch[J],2015,45(1):345-368.[14]BAUER A,NEUMEIER S,PYCZAK F,et al.Superalloys[J],2012,2012:695-703.[15]AKANE S,GARRET C D,TRESA M P.Scripta Materialia[J],2006,56(5):385-388.[16]LU S,ANTONOV S,LI L,et al.Metallurgical and Materials Transac-tions A[J],2018,49(9):4079-4089.[17]SHI L,YU J J,CUI C Y,et al.Materials Science and Engineering:A[J],2015,620:36-43.[18]BOCCHINI P J,LASS E A,MOON K W,et al.Scripta Materialia[J],2013,68(8):563-566.[19]KOBAYASHI S,TSUKAMOTO Y,TAKASUGI T,et al.Intermetallics[J],2009,17(12):1085-1089.[20]LASS E A,WILLIAMS M E,CAMPBELL C E,et al.Journal ofPhase Equilibria and Diffusion[J],2014,35(6):711-723. [21]LASS E A,GRIST R D,WILLIAMS M E.Journal of Phase Equilib-ria and Diffusion[J],2016,37(4):387-401.[22]CHEN Y,WANG C,RUAN J,et al.Acta Materialia[J],2019,170:62-74.[23]LLEWELYN S C H,CHRISTOFIDOU K A,ARAULLO-PETERS V J,et al.Acta Materialia[J],2017,131:296-304.[24]BANTOUNAS I,GWALANI B,ALAM T,et al.Scripta Materialia[J],2019,163:44-50.[25]BAUER A,NEUMEIER S,PYCZAK F,et al.Scripta Materialia[J],2010,63(12):1197-1200.[26]OOSHIMA M,TANAKA K,OKAMOTO N,et al.Journal of Alloys&Compounds[J],2010,508(1):71-78.632㊀第3期张旭明等:新型钴基高温合金成分设计的研究进展[27]POLLOCK T M,DIBBERN J,TSUNEKANE M,et al.JOM[J],2010,62(1):58-63.[28]LASS E A.Metallurgical and Materials Transactions A[J],2017,48(5):2443-2459.[29]CHEN M,WANG C Y.Journal of Applied Physics[J],2010,107(9):093705[30]JIN M,MIAO N,ZHAO W,et putational Materials Science[J],2018,148:27-37.[31]RUAN J,XU W,YANG T,et al.Acta Materialia[J],2020,186:425-433.[32]CHUNG D W,TOININ J P,LASS E A,et al.Journal of Alloys andCompounds[J],2020,832:154790.[33]ZHANG Y,FU H,ZHOU X,et al.Intermetallics[J],2019,112:106543.[34]ZHANG Y,FU H,ZHOU X,et al.Materials Science and Engineer-ing:A[J],2018,737:265-273.[35]MAKINENI S K,NITHIN B,CHATTOPADHYAY K.Scripta Materia-lia[J],2015,98:36-39.[36]LI W,LI L,ANTONOV S,et al.Journal of Alloys and Compounds[J],2020,826:154182.[37]QU S,LI Y,HE M,et al.Materials Science and Engineering:A[J],2019,761:138034.[38]LIU J,YU J J,YANG Y H,et al.Materials Science and Engineering:A[J],2019,745:404-410.[39]PHILIPPE T,VOORHEES P W.Acta Materialia[J],2013,61(11):4237-4244.[40]REYES T F L,DUNAND D C.Journal of Materials Research andTechnology[J],2021,11:2305-2313.[41]MAKINENI S K,NITHIN B,CHATTOPADHYAY K.Acta Materialia[J],2015,85:85-94.[42]CHEN Y,XUE F,WANG C,et al.Corrosion Science[J],2019,161:108179.[43]XU W W,SHANG S L,WANG C P,et al.Materials&Design[J],2018,142:139-148.[44]NG D S,CHUNG D W,TOININ J P,et al.Materials Science and En-gineering A[J],2020,778:139108.[45]PYCZAK F,BAUER A,GOKEN M,et al.Journal of Alloys andCompounds[J],2015,632:110-115.[46]WANG C,LI K,HAN J,et al.Journal of Alloys and Compounds[J],2019,808:151068.[47]PANDEY P,RAJ A,BALER N,et al.Materialia[J],2021,16:101072.[48]OMORI T,OIKAWA K,SATO J,et al.Intermetallics[J],2013,32:274-283.[49]ZENK C H,NEUMEIER S,STONE H J,et al.Intermetallics[J],2014,55:28-39.[50]GAO Q,JIANG Y,LIU Z,et al.Materials Science and Engineering:A[J],2020,779:139139.[51]YAN H Y,COAKLEY J,VORONTSOV V A,et al.Materials Scienceand Engineering:A[J],2014,613:201-208.[52]郭建亭.高温合金材料学[M].北京:科学出版社,2010:152.GUO J T.Materials Science and Engineering for Superalloys[M].Bei-jing:Science Press,2010:152.[53]MANIAR G N,BRIDGE J E.Metallurgical Transactions[J],1971,2(1):95-102.[54]CHEN J,GUO M,YANG M,et putational Materials Science[J],2021,191:110358.[55]SAUZA D J,DUNAND D C,SEIDMAN D N.Acta Materialia[J],2019,174:427-438.[56]周鹏杰,宋德航,吴海斌,等.航空材料学报[J],2019,39(6):73-80.ZHOU P J,SONG D H,WU H B,et al.Journal of Aeronautical Ma-terials[J],2019,39(6):73-80.[57]郭建亭.金属学报[J],2010,46(5):513-527.GUO J T.Acta Mentallurgica Sinica[J],2010,46(5):513-527.[58]GAO Q,LU B,MA Q,et al.Intermetallics[J],2021,138:107312.[59]GAO Q,SHANG H,MA Q,et al.Materials and Corrosion[J],2022,73(4):513-525.[60]YU H,UKAI S,HAYASHI S,et al.Corrosion Science[J],2017,118:49-59.[61]GAO Q,LIU Z,LI H,et al.Journal of Materials Science&Technolo-gy[J],2021,68:91-102.[62]GAO B,WANG L,LIU Y,et al.Corrosion Science[J],2019,157:109-115.[63]BOCCHINI P J,SUDBRACK C K,NOEBE R D,et al.Materials Sci-ence and Engineering A[J],2017,705:122-132. [64]马启慧,王清,董闯.材料导报[J],2020,34(3):03157-03164.MA Q H,WANG Q,DONG C.Materials Reports[J],2020,34(3): 03157-03164.[65]MURAKUMO T,KOBAYASHI T,KOIZUMI Y,et al.Acta Materialia[J],2004,52(12):3737-3744.[66]POVSTUGAR I,ZENK C H,LI R,et al.Materials Science and Tech-nology[J],2016,32(3):220-225.[67]BAUER A,NEUMEIER S,PYCZAK F,et al.Materials Science andEngineering:A[J],2012,550:333-341.[68]COAKLEY J,LASS E A,MA D,et al.Scripta Materialia[J],2017,134:110-114.[69]LI Y,PYCZAK F,PAUL J,et al.Materials Science and Engineering:A[J],2018,719:43-48.[70]XUE F,ZENK C H,FREUND L P,et al.Scripta Materialia[J],2018,142:129-132.[71]CHUNG D W,NG D S,DUNAND D C.Materialia[J],2020,12:100678.[72]高杉,邹俭鹏.稀有金属材料与工程.[J],2022,51(3):814-820.GAO S,ZOU J P.Rare Metal Materials and Engineering[J],2022, 51(3):814-820.(编辑㊀费蒙飞)732。
SELECT中西医结合微创治疗理念在急性胰腺炎治疗中的应用
!()*+!ＳＥＬＥＣＴ中西医结合微创治疗理念在急性胰腺炎治疗中的应用陈 旭１，李 爽１，２，张桂信１，２，张庆凯１，２，尚 东１，２１大连医科大学附属第一医院中西医结合普外科，辽宁大连１１６０１１；２辽宁省胆胰疾病中西医结合诊疗中心，辽宁大连１１６０１１摘要：急性胰腺炎（ＡＰ）是常见的消化系统疾病之一，随着科技的进步，其治疗理念也随之改变，越来越多的微创技术应用于ＡＰ，尤其是对重症急性胰腺炎（ＳＡＰ）的微创治疗。
目前微创治疗ＡＰ的方式繁多，尚未有明确的研究报道某种技术占据明显优势。
中西医结合治疗ＡＰ的疗效已经得到广泛认可。
近年来，作者团队在中西医结合微创治疗ＡＰ方面，积累了丰富的经验并创新性的提出ＳＥＬＥＣＴ诊疗理念（Ｓｐｙｇｌａｓｓ＋ＥＲＣＰ＋Ｌａｐａｒｏｓｃｏｐｙ＋ＥＵＳ＋Ｃｈｏｌｅｄｏｃｈｏｓｃｏｐｙ＋ＴｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅｍｅｄｉｃｉｎｅ，ＳＥＬＥＣＴ），根据ＡＰ的严重程度及病因，选择最佳的多镜联合方式，同时结合中医药治疗，实现中西医结合微创治疗ＡＰ的优势。
现基于ＳＥＬＥＣＴ理念，就ＳＡＰ各个临床分期中的微创治疗方式进行阐述。
关键词：胰腺炎；ＳＥＬＥＣＴ理念；中西医结合疗法；最小侵入性外科手术中图分类号：Ｒ６５７．５ 文献标志码：Ａ 文章编号：１００１－５２５６（２０２０）１２－２６４６－０５ＡｐｐｌｉｃａｔｉｏｎｏｆｍｉｎｉｍａｌｌｙｉｎｖａｓｉｖｅｉｎｔｅｇｒａｔｅｄｔｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅａｎｄＷｅｓｔｅｒｎｍｅｄｉｃｉｎｅｔｈｅｒａｐｙｂａｓｅｄｏｎｔｈｅＳＥＬＥＣＴｃｏｎｃｅｐｔｉｎｔｈｅｔｒｅａｔｍｅｎｔｏｆａｃｕｔｅｐａｎｃｒｅａｔｉｔｉｓＣＨＥＮＸｕ１，ＬＩＳｈｕａｎｇ１，２，ＺＨＡＮＧＧｕｉｘｉｎ１，２，ＺＨＡＮＧＱｉｎｇｋａｉ１，２，ＳＨＡＮＧＤｏｎｇ１，２．（１．ＤｅｐａｒｔｍｅｎｔｏｆＧｅｎｅｒａｌＳｕｒｇｅｒｙａｎｄＩｎｔｅｇｒａｔｅｄＴｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅａｎｄＷｅｓｔｅｒｎＭｅｄｉｃｉｎｅＴｈｅｒａｐｙ，ＴｈｅＦｉｒｓｔＡｆｆｉｌｉａｔｅｄＨｏｓｐｉｔａｌｏｆＤａｌｉａｎＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｄａｌｉａｎ，Ｌｉａｏｎｉｎｇ１１６０１１，Ｃｈｉ ｎａ；２．ＬｉａｏｎｉｎｇＰｒｏｖｉｎｃｉａｌＣｅｎｔｅｒｆｏｒＩｎｔｅｇｒａｔｅｄＴｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅａｎｄＷｅｓｔｅｒｎＭｅｄｉｃｉｎｅＴｈｅｒａｐｙｆｏｒＢｉｌｉａｒｙａｎｄＰａｎｃｒｅａｔｉｃＤｉｓｅａｓｅｓ，Ｄａｌｉａｎ，Ｌｉａｏｎｉｎｇ１１６０１１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｃｕｔｅｐａｎｃｒｅａｔｉｔｉｓ（ＡＰ）ｉｓｏｎｅｏｆｔｈｅｃｏｍｍｏｎｄｉｇｅｓｔｉｖｅｄｉｓｅａｓｅｓ．Ｗｉｔｈｔｈｅａｄｖａｎｃｅｓｉｎｔｅｃｈｎｏｌｏｇｙ，ｔｈｅｔｒｅａｔｍｅｎｔｃｏｎｃｅｐｔｏｆＡＰｈａｓｃｈａｎｇｅｄ，ｍｏｒｅａｎｄｍｏｒｅｍｉｎｉｍａｌｌｙｉｎｖａｓｉｖｅｔｅｃｈｎｉｑｕｅｓｈａｖｅｂｅｅｎａｐｐｌｉｅｄｉｎｔｈｅｔｒｅａｔｍｅｎｔｏｆＡＰ，ｅｓｐｅｃｉａｌｌｙｓｅｖｅｒｅａｃｕｔｅｐａｎｃｒｅａｔｉｔｉｓ（ＳＡＰ）．ＡｌｔｈｏｕｇｈｔｈｅｒｅａｒｅｖａｒｉｏｕｓｄｉｆｆｅｒｅｎｔｍｉｎｉｍａｌｌｙｉｎｖａｓｉｖｅｔｒｅａｔｍｅｎｔｍｅｔｈｏｄｓｆｏｒＡＰ，ｎｏｒｅｌｉａｂｌｅｃｌｉｎｉｃａｌｓｔｕｄｉｅｓｈａｖｅｒｅｐｏｒｔｅｄｔｈａｔｏｎｅｔｅｃｈｎｉｑｕｅｉｓｓｉｇｎｉｆｉｃａｎｔｌｙｂｅｔｔｅｒｔｈａｎｏｔｈｅｒｓ．ＴｈｅｔｈｅｒａｐｅｕｔｉｃｅｆｆｅｃｔｏｆｉｎｔｅｇｒａｔｅｄｔｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅａｎｄＷｅｓｔｅｒｎｍｅｄｉｃｉｎｅｔｈｅｒａｐｙｉｎａｃｕｔｅｐａｎｃｒｅａｔｉｔｉｓ（ＡＰ）ｈａｓｂｅｅｎｗｉｄｅｌｙｒｅｃｏｇｎｉｚｅｄ．Ｉｎｒｅｃｅｎｔｙｅａｒｓ，ｏｕｒｔｅａｍｈａｓａｃｃｕｍｕｌａｔｅｄｒｉｃｈｅｘｐｅｒｉｅｎｃｅｉｎｉｎｔｅｇｒａｔｅｄｔｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅａｎｄＷｅｓｔｅｒｎｍｅｄｉｃｉｎｅｔｈｅｒａｐｙｆｏｒＡＰａｎｄｈａｓｐｒｏｐｏｓｅｄｔｈｅｉｎｎｏｖａｔｉｖｅＳＥＬＥＣＴｃｏｎｃｅｐｔ（Ｓｐｙｇｌａｓｓ，ＥＲＣＰ，Ｌａｐａｒｏｓｃｏｐｙ，ＥＵＳ，Ｃｈｏｌｅｄｏｃｈｏｓｃｏｐｙ，ａｎｄＴｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅＭｅｄｉｃｉｎｅ）ｆｏｒｄｉａｇｎｏｓｉｓａｎｄｔｒｅａｔｍｅｎｔ．ＴｈｅｏｐｔｉｍａｌｃｏｍｂｉｎａｔｉｏｎｏｆｖａｒｉｏｕｓｅｎｄｏｓｃｏｐｉｅｓｉｓＳＥＬＥＣＴｅｄｂａｓｅｄｏｎｔｈｅｓｅｖｅｒｉｔｙａｎｄｅｔｉｏｌｏｇｙｏｆＡＰ，ａｎｄｔｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅｍｅｄｉｃｉｎｅｔｒｅａｔｍｅｎｔｃａｎｂｅｕｓｅｄａｓｗｅｌｌｔｏｒｅａｌｉｚｅｔｈｅａｄｖａｎｔａｇｅｓｏｆｍｉｎｉｍａｌｌｙｉｎ ｖａｓｉｖｅｉｎｔｅｇｒａｔｅｄｔｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅａｎｄＷｅｓｔｅｒｎｍｅｄｉｃｉｎｅｔｈｅｒａｐｙｉｎｔｈｅｔｒｅａｔｍｅｎｔｏｆＡＰ．ＴｈｉｓａｒｔｉｃｌｅｅｌａｂｏｒａｔｅｓｏｎｔｈｅｍｉｎｉｍａｌｌｙｉｎｖａｓｉｖｅｔｒｅａｔｍｅｎｔｍｅｔｈｏｄｓｆｏｒｅａｃｈｃｌｉｎｉｃａｌｓｔａｇｅｏｆＳＡＰｂａｓｅｄｏｎｔｈｅＳＥＬＥＣＴｃｏｎｃｅｐｔ．Ｋｅｙｗｏｒｄｓ：ｐａｎｃｒｅａｔｉｔｉｓ；ＳＥＬＥＣＴｃｏｎｃｅｐｔ；ＴＣＭＷＭｔｈｅｒａｐｙ；ｍｉｎｉｍａｌｌｙｉｎｖａｓｉｖｅｓｕｒｇｉｃａｌｐｒｏｃｅｄｕｒｅｓＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－５２５６．２０２０．１２．００２收稿日期：２０２０－１０－２０；修回日期：２０２０－１０－２９基金项目：国家自然科学基金（８１８７３１５６）；国家重点研发计划“政府间国际科技创新合作／港澳台科技创新合作”重点专项项目（２０１８ＹＦＥ０１９５２００）；２０１９年大连市高层次人才创新支持计划领军人才团队作者简介：陈旭（１９９４－），男，主要从事胆胰疾病方面的研究通信作者：张庆凯，电子信箱：ｄｌｋａｉｙｕ＠１６３．ｃｏｍ；尚东，电子信箱：ｓｈａｎｇｄｏｎｇ＠ｄｍｕ．ｅｄｕ．ｃｎ 急性胰腺炎（ａｃｕｔｅｐａｎｃｒｅａｔｉｔｉｓ，ＡＰ）是多种病因引起的胰酶异常激活，导致胰腺组织自身消化、水肿、出血甚至坏死的炎症反应。
既有城市住区中文物建筑的绿色改造―以天津段祺瑞旧居为例
392城市 环境 设计 学术 143 | 06 | 2023摘要：在文物建筑天津段祺瑞旧居的修缮改造工程中，将BIM 整合到建筑设计、施工组织等各方面与各环节中，全程模拟并控制各关键节点；同时融入绿色建筑技术和材料，通过在设计过程中利用计算机软件对不同设计方案的实际效果进行模拟分析与对比优化，结合修缮要求进行改造设计，在采光、通风、节能等方面实现综合提升。
Abstract: In the renovation project of Duan Qirui's former residence in Tianjin, a cultural relic building, BIM was integrated into architectural design, construction organization and other aspects and links, and the key nodes were simulated and controlled throughout the process. At the same time, green building technologies and materials were integrated into the design. During the process, computer software was used to simulate, analyze, compare and optimize the actual effects of different design schemes, and carry out renovation design based on the renovation requirements to achieve comprehensive improvements in lighting, ventilation, and energy saving.关键词：文物建筑改造；BIM ；绿色建筑；段祺瑞旧居Keywords: renovation project of cultural relic buildings; BIM; green building technology; Duan Qirui's former residence1 段祺瑞旧居概况段祺瑞旧居位于原天津日租界宫岛街（今和平区鞍山道38号），约建于1920年。
某双管同沟敷设管线阴极保护系统干扰防护数值模拟研究
某双管同沟敷设管线阴极保护系统干扰防护数值模拟研究陈帅;李洪福;罗小武;肖会会;时彦杰;罗泰星;刘艳明;王晨;吕祥鸿;崔光磊【期刊名称】《材料保护》【年(卷),期】2024(57)6【摘要】为明确同沟敷设管道阴极保护系统相互干扰规律及干扰防护措施,以新疆油田某双管同沟敷设管道(D219和D457)为模型,设置D219管道的涂层破损率为0.1%,D457管道的涂层破损率为0.1%、0.5%、1.0%,采用数值模拟方法对不同阴极保护设计及阴极保护干扰防护措施的有效性及适用性进行评估。
结果表明:采用浅埋阳极单独阴极保护的同沟敷设管道存在阴极保护系统相互干扰,随着干扰管道D457防腐层破损率的增加,其对并行管道D219的干扰程度增强,施加均压线措施可有效降低干扰;采用浅埋阳极联合阴极保护+均压线措施可消除同沟敷设管道阴极保护系统的相互干扰,当双管同沟管道防腐层破损率相差较大(D2190.1%,D4571.0%)时,改善效果较为显著;对于采用深井阳极联合阴极保护的同沟敷设管道,当D457防腐层破损率较大(1.0%)、土壤电阻率较高(50Ω·m)时,其阴极保护效果较差,采用均压线+牺牲阳极措施对阴极保护效果的改善作用不明显,而增大深井阳极输出电流联合均压线措施可显著改善同沟敷设管道的阴极保护效果。
【总页数】12页(P175-185)【作者】陈帅;李洪福;罗小武;肖会会;时彦杰;罗泰星;刘艳明;王晨;吕祥鸿;崔光磊【作者单位】西安石油大学材料科学与工程学院;中国石油新疆油田油气储运分公司;东北大学资源与土木工程学院;东北大学辽宁省深部工程与智能技术重点实验室【正文语种】中文【中图分类】TE832【相关文献】1.深井套管阴极保护干扰的数值模拟研究2.同沟敷设热油管道对土壤温度场影响数值模拟研究3.模拟管线系统中方波脉冲电流阴极保护规律的研究4.油气输送站场内外阴极保护系统间干扰数值模拟5.模拟管线系统中方波脉冲电流阴极保护规律的研究因版权原因，仅展示原文概要，查看原文内容请购买。
基于多模态特征融合的井下人员不安全行为识别
基于多模态特征融合的井下人员不安全行为识别王宇1， 于春华2， 陈晓青1， 宋家威1（1. 辽宁科技大学 矿业工程学院，辽宁 鞍山 114051；2. 凌钢股份北票保国铁矿有限公司，辽宁 朝阳 122102）摘要：采用人工智能技术对井下人员的行为进行实时识别，对保证矿井安全生产具有重要意义。
针对基于RGB 模态的行为识别方法易受视频图像背景噪声影响、基于骨骼模态的行为识别方法缺乏人与物体的外观特征信息的问题，将2种方法进行融合，提出了一种基于多模态特征融合的井下人员不安全行为识别方法。
通过SlowOnly 网络对RGB 模态特征进行提取；使用YOLOX 与Lite−HRNet 网络获取骨骼模态数据，采用PoseC3D 网络对骨骼模态特征进行提取；对RGB 模态特征与骨骼模态特征进行早期融合与晚期融合，最后得到井下人员不安全行为识别结果。
在X−Sub 标准下的NTU60 RGB+D 公开数据集上的实验结果表明：在基于单一骨骼模态的行为识别模型中，PoseC3D 拥有比GCN （图卷积网络）类方法更高的识别准确率，达到93.1%；基于多模态特征融合的行为识别模型对比基于单一骨骼模态的识别模型拥有更高的识别准确率，达到95.4%。
在自制井下不安全行为数据集上的实验结果表明：基于多模态特征融合的行为识别模型在井下复杂环境下识别准确率仍最高，达到93.3%，对相似不安全行为与多人不安全行为均能准确识别。
关键词：智能矿山；行为识别；目标检测；姿态估计；多模态特征融合；RGB 模态；骨骼模态；YOLOX 中图分类号：TD67 文献标志码：ARecognition of unsafe behaviors of underground personnel based on multi modal feature fusionWANG Yu 1, YU Chunhua 2, CHEN Xiaoqing 1, SONG Jiawei 1(1. School of Mining Engineering, University of Science and Technology Liaoning, Anshan 114051, China ；2. Lingang Group Beipiao Baoguo Iron Mining Co., Ltd., Chaoyang 122102, China)Abstract : The use of artificial intelligence technology for real-time recognition of underground personnel's behavior is of great significance for ensuring safe production in mines. The RGB modal based behavior recognition methods is susceptible to video image background noise. The bone modal based behavior recognition methods lacks visual feature information of humans and objects. In order to solve the above problems, a multi modal feature fusion based underground personnel unsafe behavior recognition method is proposed by combining the two methods. The SlowOnly network is used to extract RGB modal features. The YOLOX and Lite HRNet networks are used to obtain bone modal data. The PoseC3D network is used to extract bone modal features. The early and late fusion of RGB modal features and bone modal features are performed. The recognition results for unsafe behavior of underground personnel are finally obtained. The experimental results on the NTU60 RGB+D public dataset under the X-Sub standard show the following points. In the behavior recognition model based on a single bone modal, PoseC3D has a higher recognition accuracy than GCN (graph convolutional network)methods, reaching 93.1%. The behavior recognition model based on multimodal feature fusion has a higher收稿日期：2023-07-16；修回日期：2023-10-27；责任编辑：胡娴。
制造业智能化与企业出口产品质量
第1期(总第375期)2023年1月商㊀业㊀经㊀济㊀与㊀管㊀理JOURNAL OF BUSINESS ECONOMICSNo.1(General No.375)Jan.2023收稿日期:2022-09-27基金项目:国家社会科学基金重大专项课题 完善社会主义市场经济体制研究 (18VSJ024);辽宁省兴辽英才计划项目 新国际政治经济学建设 (XLYC2002042)作者简介:刘文革,男,教授,博士生导师,经济学博士,主要从事国际贸易和地缘政治经济学研究;耿景珠,女,博士研究生,主要从事国际贸易研究;杜明威(通讯作者),男,副教授,经济学博士,主要从事国际贸易及数字经济方面研究㊂制造业智能化与企业出口产品质量:来自中国的微观证据刘文革,耿景珠,杜明威(辽宁大学国际经济政治学院,辽宁沈阳110036)摘㊀要:随着第四次工业革命的到来,工业机器人的使用成为制造业智能化的重要表征,并对出口贸易产生了愈发深远的影响㊂研究使用中国2000 2014年行业层面的机器人应用数据㊁企业层面的机器人进口数据以及中国企业和产品层面的两类微观数据,检验工业机器人对出口产品质量的影响㊂企业和产品层面的实证结果均表明,工业机器人的使用能够显著促进中国出口产品质量升级㊂且在考虑工具变量的因果识别㊁样本选择偏误及多重稳健性检验后依然成立㊂基于进口工业机器人的准自然实验同样稳健,且促进效应随引进时间递增㊂机制分析表明,工业机器人主要通过全要素生产率提振㊁企业创新能力增强和劳动要素升级三个渠道提高企业出口产品质量㊂关键词:工业机器人;出口产品质量;制造业智能化;企业和产品层面中图分类号:F74㊀㊀文献标志码:A㊀㊀文章编号:10002154(2023)01005317DOI:10.14134/33-1336/f.2023.01.005Manufacturing Intelligence and Firms Export Product Quality :Micro Evidence from ChinaLIU Wenge,GENG Jingzhu,DU Mingwei(School of International Economics and International Relations ,Liaoning University ,Shenyang 110036,China )Abstract ︰With the advent of the fourth industrial revolution,the application of industrial robots has become an important indi-cator of the intelligentization of the manufacturing industry,and has had an increasingly profound impact on export trade.Based on China s industry-level robot application data,the enterprise-level robot import data,Chinese industrial enterprise data and customs product data from 2000to 2014,this paper examines the impact of industrial robots on the quality of the exported products.The em-pirical results from the enterprise level and the product level are consistent.The results show that the application of industrial robots can significantly promote the quality upgrading of China s export products.It still holds after considering causal identification of in-strumental variables,sample selection bias and multi-robustness test.Quasi-natural experiments based on imported industrial robots are also robust,and the promotion effect increases with time.Mechanism analysis shows that industrial robots mainly improve the quality of export products through three channels:total factor productivity boost,enterprise innovation capability enhancement,and labor factor upgrading.Key words ︰industrial robot;export product quality;intelligent manufacturing;enterprise and product level45商㊀业㊀经㊀济㊀与㊀管㊀理2023年一、引㊀言入世以来,中国凭借出口导向战略和劳动要素丰裕的比较优势实现了奇迹般的经济腾飞,也在近年内成为全球第一货物贸易大国和第一制造业大国㊂然而,中国企业 高 量低 质 的出口粗放增长模式始终为国内外实践部门和理论部门所诟病㊂与此同时,随着中国劳动力价格的提升㊁人口老龄化的迫近以及其他发展中国家的 低端嵌入 ,中国制造业劳动要素丰裕的比较优势也日趋势弱㊂在此背景下,中共中央国务院在2019年发布的‘关于推进贸易高质量发展的指导意见“提出, 加强质量管理,积极采用先进技术和标准,提高产品质量,推动一批重点行业产品质量整体达到国际先进水平㊂ 这意味着,通过出口产品质量的升级来进一步推动出口贸易的可持续发展已经成为中国制造业转型升级的重要动力和任务㊂而随着全球 机器人革命 的序幕拉开,工业机器人(Industrial Robots)在中国制造业智能化转型的过程中扮演者愈发重要的角色㊂大量已有研究文献表明,具备可重编程性(Reprogrammable)㊁自动控制性(Automatically Controlled)和多任务目标性(Multipurpose)的工业机器人,能够有效提高企业全要素生产率㊁降低产品产出价格㊁缓解人口老龄化的负面影响㊁创造高技术劳动岗位[1-3]㊂自2006年起,国务院及各部委连续发布‘国家中长期科学和技术发展规划纲要“㊁‘关于推进工业机器人产业发展的指导意见“及‘机器人产业发展规划“等多项指导文件,以此来大规模推进中国制造业的智能化转型㊂根据国际机器人联合会(International Federation of Robotics,IFR)的统计数据,中国自2016年以来工业机器人的安装量超过全球总量的20%,现已位居全球第一大工业机器人使用国㊂那么,在制造业智能化的驱动下,大量工业机器人投入中国的制造业中,能否有效地促进中国企业出口产品质量的提升?究竟通过怎样的渠道机制影响中国企业的出口产品质量?在产品层面是否同样具有显著影响?对于不同类型的企业或产品是否存在差异性影响?既有文献分别考察了出口产品质量的影响因素以及工业机器人应用的经济效应㊂一方面,众多学者从贸易自由化[4-5]㊁中间品投入[6-8]㊁政府补贴[9-10]㊁融资约束[11-12]㊁环境管制[13]㊁劳动力价格扭曲[14]等方面对出口产品质量的影响因素及作用机制进行了探讨㊂另一方面,相关文献重点考察了工业机器人对劳动力就业[15-18]㊁收入分配[19-21]㊁制造业发展质量[22]及经济增长[23]等方面的影响效应㊂本文更为关注的是工业机器人贸易效应的相关研究㊂该类文献主要考察了工业机器人使用对进口需求[24]㊁价值链分工[25-27]以及出口产品质量[28-29]的影响效应㊂例如,吕越等(2020)和Alguacil等(2020)分别基于中国和西班牙的微观企业数据,深入探索了工业机器人使用对企业出口贸易利益和价值链嵌入的影响及作用机制[26-27]㊂蔡震坤和綦建红(2021)利用机器人进口数据衡量中国企业层面的工业机器人应用,从而分析工业机器人对出口产品质量的影响[29]㊂本文可能的边际贡献在于:第一,从研究视角来看,既有研究主要从国内制造业发展和国际市场比较两种维度进行考察㊂例如,唐晓华和迟子茗(2021)从国内视角出发,考察了工业智能化对制造业各细分行业发展质量的影响[22];DeStefano和Timmis(2021)利用国家 行业层面的数据实证检验了工业机器人使用对发达国家和发展中国家出口产品质量的差异化影响[28]㊂本文则从中国微观出口的视角出发,基于企业和产品两类微观数据实证检验了制造业智能化对中国出口产品质量的影响效应,丰富了此类研究的经验证据㊂第二,从研究数据来看,本文充分考虑了工业机器人进口无法全面反映工业机器人的投入问题,①以及企业的产品进口与出口产品质量存在较为明显的内生性问题[31-32]㊂因此与蔡震坤和綦建红(2021)的研究不同,本文参考Graetz和Micheals(2018)以及吕越等(2020)的思路[2,26],主要使用IFR提供的工业机器人安装量来衡量制造业智能化水平,并且基于IFR工业机器人数据和海关产品数据构建了更为微观的产品层面研究样本㊂第三,从内生性问题的处理来看,本文综合利用工具变量法(IV)㊁Heckman两阶段模型和渐进式DID模型进行因果推断,降低可能存在的双向因果和样本选择偏误问题㊂第四,从作用机制来看,本文聚焦企业层面深入挖掘了制造业智能化影响出口产品质量的内在机制,包括全要素生产率提振㊁①根据王林辉等(2022)的研究,工业机器人投入=工业机器人进口+国内工业机器人产量-工业机器人出口[30]㊂企业创新能力增强和劳动要素升级三个渠道,并通过微观数据对上述机制进行检验㊂二㊁理论机制分析在充分考虑工业机器人的智能化属性(Intelligent)㊁自学习属性(Self-Learning)㊁任务替代效应(TaskSubstitution)及就业创造效应(Job Creation)的基础上,结合既有相关文献,本文提出工业机器人应用主要通过 提高企业生产率 ㊁ 驱动企业创新 和 推动劳动要素升级 三种渠道影响企业出口产品质量㊂其一,工业机器人能够通过提高企业的生产率,进而提升企业出口产品质量㊂根据IFR 的定义,工业机器人是一类具备可重编程性(Reprogrammable)㊁自动控制性(Automatically Controlled)和多任务目标性(Multipurpose)的智能化设备㊂一方面,工业机器人作为第四次工业革命以来物化性技术进步的典型代表,其自身的智能化属性无疑会优化生产流程㊁提高作业精度及产品合格率,进而提升企业生产效率;另一方面,企业引进并使用工业机器人在一定程度上可以视为一种资本投资,长期的资本积累及自动化深化同样可以带来企业生产效率的改善[18]㊂回顾已有研究,Autor 和Salomons(2018)㊁Acemoglu 和Restrepo(2017)㊁杨光和侯钰(2020)㊁李磊等(2021)基于行业跨国面板数据或企业微观数据的实证研究同样支撑上述观点,即工业机器人使用对全要素生产率存在明显的促进效应[33,34,23,18]㊂结合Hallak 和Sivadasan(2013)的出口产品质量决定理论,企业生产率的提高能够有效促进企业出口产品质量升级[9]㊂因此,综合上述分析,本文认为企业生产过程中引入工业机器人,能够刺激企业全要素增长率的提振,进而促进企业出口产品质量的提升㊂其二,工业机器人的应用能够驱动企业创新,从而提高企业出口产品质量㊂一方面,工业机器人本身就是一种凝聚技术创新的新型生产设备,企业采用工业机器人会改变原有生产流程及加工方式,从而实现工艺创新及产品创新[35-36]㊂另一方面,‘中国工业机器人产业发展白皮书“(2020)指出,工业机器人发展已经处于由机器智能到人工智能的演化阶段,不同于传统的自动化技术,目前已有大量工业机器人具备自学习属性,在进行作业的同时能够采集㊁储存和分析生产过程中各环节所产生的数据,不仅能精确识别复杂化生产过程中存在的问题,帮助企业对生产模式进行创新优化,还能为企业未来研发创新及模拟尝试提供丰富的数据支持,降低创新成本,进而有效提高创新效率和创新产出[37]㊂根据Glass 和Wu(2007)以及施炳展和邵文波(2014)的研究,强化企业的创新能力是推动企业效率改进㊁提高企业出口产品质量的重要渠道[38-39]㊂据此,本文认为企业引入工业机器人能够对企业创新产生积极的正向影响,进而推动企业出口产品质量升级㊂其三,工业机器人在通过资本深化推动生产率提升的同时,还能够推动劳动要素升级,优化企业雇佣结构,从而对企业出口产品质量产生积极的正向影响㊂一方面,在任务模型的分析框架下,劳动力与自动化技术在不同工作环节中具有各自的比较优势[40]㊂当某一生产环节具备单一化㊁重复性㊁高强度等特征时,自动化技术的使用相对于劳动力会更具有比较优势,此时两者存在明显的替代关系[41,17]㊂由此可知,工业机器人的应用无疑能够帮助企业减少对低技能劳动力的需求,优化企业的雇佣结构㊂另一方面,以工业机器人为代表的智能化设备在取代企业部分低技能劳动岗位的同时,还进一步扩大了企业对同智能化技术应用相匹配的高技能劳动力的需求[18,41]㊂这不仅能提高企业雇用拥有专业背景的高技能劳动力的人数,还能够 倒逼 并激励原有的低技能劳动力积极参加相关学习培训,共同促进企业的劳动要素升级㊂根据已有研究,劳动要素升级或人力资本结构高级化能够显著促进企业出口产品质量的提升[42-43]㊂综上,本文认为工业机器人的使用有利于企业的劳动要素升级,进而能够帮助企业实现出口产品质量的提升㊂三㊁研究设计(一)计量模型设定本文在Acemoglu 和Restrepo(2020)的研究基础上[44],构建如下计量模型来检验人工智能对中国企业55㊀第1期㊀㊀刘文革,耿景珠,杜明威:制造业智能化与企业出口产品质量:来自中国的微观证据出口产品质量的影响:Qualityit=β0+β1ln Robot jt+ðControl ijkt+γi+ηj+δk+τt+εijkt(1)其中,i代表企业,j代表行业,k代表地区,t代表年份㊂Quality it表示企业i第t年的出口产品质量, ln Robot jt表示行业j第t年的人工智能水平,Control ijkt表示其他控制变量,包括企业年龄㊁企业规模㊁企业资本密集度,以及行业集聚水平㊂此外,γi为企业固定效应,ηj为行业固定效应,δk为省份固定效应,τt为年份固定效应,εijkt表示随机误差项㊂(二)指标与数据说明1.企业出口产品质量(Quality)㊂本文根据Khandelwal等(2013)和施炳展(2014)提出的需求信息推测法来测度微观产品层面的出口产品质量[45-46],并最终以出口价值为权重将其加总到企业层面㊂其基本思想在于控制产品出口价格后,质量越高的出口产品能够占据更大的市场份额㊂首先,对需求函数两边分别取对数,并进行整理:ln q icft+σln p icft=ψct+νicft(2)其中,q icft表示企业i在第t年所生产的产品f对c国的出口数量,p icft则为该产品的出口价格㊂νicft= (σ-1)lnλicft为包含了产品质量λicft这一重要信息的随机误差项,ψct=ln E ct-ln P ct为包含了产品出口目的国和时间的二维虚拟变量㊂有鉴于OLS估计忽略了产品种类的差异化特征以及质量与价格之间的内生性问题㊂为此,按照施炳展和邵文波(2014)的方法进行如下处理[39]:其一,引入国内市场规模需求控制产品种类的差异化特征,选择各省份实际GDP作为市场规模需求的代理变量;其二,选择除出口目的国(c国)外产品f的平均出口价格作为p icft的工具变量处理内生性问题㊂此外,σ的取值参考Broda和Weinstein (2006)的研究[47]㊂进行上述处理后,式(2)可进一步表示为:lnλ^icft=ν^icftσ-1=ln q icft-ln q^icftσ-1(3)进一步地,参照施炳展(2014)的做法[46],对式(3)进行标准化处理,并以出口额为权重整理得到中国企业层面的出口产品质量:Qualityit =exporticftðicftɪΩexport icft r_lnλ^icft(4)其中,export icft代表企业i在第t年所生产的产品f对c国的出口额,Ω代表企业i在第t年生产的所有产品对所有国家的出口集合,Quality it即为企业i第t年的出口产品质量㊂2.机器人密度(ln Robot)㊂参照Acemoglu和Restrepo(2020)及吕越等(2020)的研究思路[16,26],选取IFR公布的中国各行业当年工业机器人的安装数量测度行业j在第t年的工业机器人密度,并取其自然对数㊂此外,考虑到工业机器人的安装调试与其投入生产活动期间存在一定的时滞效应,本文在稳健性检验中选取行业j在第t年的工业机器人存量对数衡量其在当年的人工智能水平㊂3.其他控制变量㊂借鉴Cheng等(2019)和吕越等(2020)既有文献的做法[48,26],本文在计量模型中加入如下变量控制企业及行业的各项特征:①企业年龄(ln age),计算方法为企业当年年份减去该企业成立年份,并参照既有文献加1后取自然对数;②企业规模(ln scale),选择企业固定资产合计的自然对数进行衡量;③企业资本密集度(ln kl),选择企业固定资产年均余额与员工人数比值的自然对数进行衡量;④企业人力资本密度(human),借鉴梁上坤(2016)以及刘行和赵晓阳(2019)的做法利用企业员工人数与营业收入之比来衡量[49-50];⑤行业集聚水平(hhi),选择行业层面赫芬达尔指数进行衡量,计算方法为:hhi=ðn i=1(total_sale ij/ðn j=1total_sale ij)2,其中total_sale ij是j行业中i企业的营业收入㊂(三)数据来源与描述性统计本文实证分析主要使用如下四套数据:第一套数据为2000 2014年的中国工业企业数据,用以计算企业和行业层面的控制变量以及后文机制分析中所使用的全要素生产率(tfp)等相关变量;第二套数据为中65商㊀业㊀经㊀济㊀与㊀管㊀理2023年国海关总署提供的企业 产品层面交易数据,该数据包含了中国所有进出口企业的每一条贸易信息,在本文中用以计算中国企业的出口产品质量;第三套数据为IFR 提供的世界工业机器人数据,该数据提供了1993 2018年期间全球75个国家(地区)各行业的工业机器人数量,在本文中用以衡量中国各行业的人工智能水平;第四套数据为中国国家知识产权局(SIPO)发布的专利数据库,该数据记载了1985年以来在国家知识产权局申请及公开的所有发明专利㊁外观设计专利和实用新型专利,在后文的机制分析中用以衡量中国企业的创新水平㊂本文数据处理及匹配的主要思路如下:首先,借鉴Brandt 等(2012)的思路[51],剔除总产出㊁工业增加值㊁营业收入㊁固定资产合计㊁企业成立年份㊁员工人数为负或缺失的样本,并且对2000 2014年的15年截面数据进行跨期匹配,根据企业名称㊁法人代码㊁邮政编码㊁电话号码等识别信息整理合并成面板数据集;其次,为了更精确地测度企业 产品层面的出口产品质量,参照施炳展和邵文波(2014)的做法仅保留了中国海关进出口数据中的制造业样本[39],剔除了其中信息损失㊁出口价值链小于50美元㊁出口数量小于1㊁初级品㊁资源品的产品样本,剔除了中间贸易代理商和无工具变量的企业样本;①再次,参考吕越等(2020)的方法整理工业机器人数据中的行业与‘国民经济行业分类“(GB2)的行业对照表[26],并将其匹配到中国工业企业数据库中;②进一步地,对工业企业数据和专利数据的企业名称进行数据清洗,并以整理后的企业名称为桥梁逐年匹配两套数据;最后,为了获得更大样本的中国工业企业与海关企业匹配数据,参考Yu (2015)的方法将整理后的企业数据按照企业名称㊁邮编及电话号码后7位进行两轮次匹配[52],任一轮次匹配成功则纳入面板数据集㊂在按照上述思路整理面板数据后,得到了本文研究所用面板数据,描述性统计信息见表1㊂表1㊀描述性统计变量变量含义观测值平均数标准差最小值最大值Quality 企业出口产品质量4421230.67540.13240.00481.0000ln Robot 机器人密度4421233.18643.21840.00009.9574ln age企业年龄4421232.24800.66260.00005.1874ln scale 企业规模4421239.18661.88480.000019.0262ln kl 企业资本密集度4421233.80591.4110-6.265315.6873human 企业人力资本密度4421230.00610.13630.000089.0000hhi 行业集聚水平4421230.01250.02750.0000 1.0000四㊁实证结果分析(一)基准回归表2汇报了本文基准回归结果㊂表2中第(1)列控制了企业层面的控制变量以及企业固定效应和年份固定效应,从中能够看到本文核心解释变量ln Robot 的估计系数在1%的水平上显著为正,说明工业机器人的使用能够显著促进中国企业出口产品质量的提升㊂在此基础上,第(2)列进一步控制了行业集聚水平和行业固定效应;第(3)列在第(2)列的基础上加入了省份固定效应㊂从第(2)列和第(3)列中能够看到,ln Robot 的估计系数仍在1%的水平上显著为正,即在控制多维度影响因素后,工业机器人的使用对中国企业出口产品质量仍有显著的促进作用㊂这一结论也从微观企业层面印证了DeStefano 和Timmis(2021)的观点,即工业机器人有利于发展中国家出口产品质量升级[28]㊂75㊀第1期㊀㊀刘文革,耿景珠,杜明威:制造业智能化与企业出口产品质量:来自中国的微观证据①②本文将不同年份的海关HS-6位码统一到HS1996版本㊂本文将不同年份的国民经济行业分类代码统一到GB /T4754-2002标准㊂表2㊀基准回归结果(1)(2)(3)ln Robot 0.0038∗∗∗0.0040∗∗∗0.0040∗∗∗(0.0014)(0.0016)(0.0016)ln age 0.1830∗∗∗0.1835∗∗∗0.1835∗∗∗(0.0155)(0.0155)(0.0155)ln scale 0.0961∗∗∗0.0961∗∗∗0.0958∗∗∗(0.0053)(0.0053)(0.0053)ln kl -0.0644∗∗∗-0.0644∗∗∗-0.0641∗∗∗(0.0045)(0.0045)(0.0045)human -0.1675-0.1672-0.1672(0.1068)(0.1068)(0.1068)hhi -0.6517∗∗∗-0.6548∗∗∗(0.1612)(0.1613)cons 5.6835∗∗∗5.6893∗∗∗5.6909∗∗∗(0.0475)(0.0476)(0.0476)企业固定效应是是是年份固定效应是是是行业固定效应否是是省份固定效应否否是样本量442123442123442123R 20.63600.63610.6361㊀㊀注:括号内为聚类到企业层面的稳健标准误;∗㊁∗∗㊁∗∗∗分别表示在10%㊁5%㊁1%水平上显著,下同㊂(二)稳健性检验1.内生性问题㊂本文基准回归中使用了工业机器人密度作为核心解释变量检验其对出口产品质量的影响,然而这一结果可能会与企业本身的经营决策或行业整体发展状况相关,进而使得估计结果存在内生性偏误㊂例如,当某行业中大量企业的出口产品质量实现升级,该行业中其他企业为保证在国际市场中的竞争力,可能会通过增加工业机器人的使用来提高其出口产品质量,而同时出口产品质量实现升级的企业也会进一步增加工业机器人的使用降低其边际成本,即出口产品质量的升级也有可能引起行业工业机器人密度的增加㊂为了有效解决这种双向因果关系所引致的内生性问题,本文采用工具变量和两阶段最小二乘法(IV-2SLS)进行稳健性检验㊂在工具变量的选取上,本文利用美国同行业的工业机器人密度(ln Robot _US )作为中国机器人密度的工具变量㊂选取该工具变量的主要原因如下:一方面,中国凭借 世界工厂 的关键作用位居全球价值链 枢纽 地位,而美国则处于全球价值链 链主 地位,两国之间价值链联系较深,上下游之间企业的序贯分工紧密,因此中美两国在制造业环节中的工业机器人密度具有较强的相关性,即满足工具变量与内生变量的相关性假设;另一方面,由于美国的工业机器人密度显然无法直接影响到中国的出口产品质量,因此可以认定本文工具变量选择满足外生性假设㊂表3第(1)列和第(2)列分别报告了本文2SLS 的第一阶段和第二阶段回归结果㊂从第(1)列中能够看到,工具变量ln Robot _US 的估计系数在1%的水平上显著为正,说明美国各行业的工业机器人使用能够显著提升中国各产业的工业机器人使用㊂这也证明了,本文选择的工具变量与内生变量之间存在显著的正相关关系㊂进一步地,从第(2)列中能够看到,核心解释变量ln Robot 的估计系数依然在1%的水平上显著为正,说明本文基准估计结果稳健㊂此外,Kleibergen-Paap rk LM 统计量在1%水平上显著拒绝原假设,再次说明本文工具变量选择通过识别不足检验;Kleibergen-Paap rk Wald F 统计量大于10%水平上的临界值,说明通过弱识别检验㊂2.样本选择偏误㊂有鉴于在基准回归时仅使用了出口企业的样本,这也就导致了在排除非出口企业时85商㊀业㊀经㊀济㊀与㊀管㊀理2023年违背了高斯 马尔科夫随机抽样假定,使得本文基准回归出现样本选择偏误问题(Selection Bias)㊂为了纠正该问题,本文利用Heckman 两阶段模型对全样本进行稳健性检验㊂第一步,参考王海成等(2019)的方法构建出口选择模型[53],被解释变量为企业出口选择(EX ),若企业当期进行出口则EX 为1,反之则为0,利用Probit 模型估计企业选择出口的概率,并计算逆米尔斯比率(IMR );第二步,建立修正后的出口质量模型,将第一步中得到的IMR 作为解释变量加入影响企业出口产品质量的计量方程中,利用双向固定效应模型进行估计㊂此外,为保证Heckman 两阶段模型能够有效识别,需要在第一阶段加入额外的排他性约束变量,该变量仅能影响出口决策模型,而不能影响出口质量模型㊂因此,本文在第一阶段回归中加入上一期企业的出口决策(L.EX )作为排他性变量进行估计㊂表3中第(3)列和第(4)列分别报告了第一阶段和第二阶段回归结果,其中第二阶段模型控制了企业固定效应和年份固定效应㊂从第(3)列中能够看到,ln Robot 的估计系数显著为正,说明工业机器人的使用能够有效提升企业出口的概率㊂由第(4)列回归结果可知,IMR 在1%的显著性水平上拒绝原假设,说明本文基准回归存在样本选择偏误,通过Heckman 两阶段模型进行修正是必要的;同时,核心解释变量ln Robot 的估计系数在10%的显著性水平上为正,且估计系数大小与基准回归结果接近,说明在纠正样本选择问题后本文基本结论依然成立㊂表3㊀稳健性检验(Ⅰ)(1)(2)(3)(4)ln RobotQuality EXQualityln Robot 0.0168∗∗∗(0.0036)0.0084∗∗∗(0.0004)0.0026∗(0.0016)ln Robot _US 0.3879∗∗∗(0.0029)L.EX 1.6570∗∗∗(0.0020)IMR-0.1205∗∗∗(0.0042)Kleibergen-Paap rk LM 统计量6982.010[0.0000]Kleibergen-Paap rk Wald F 统计量8190.359{16.38}样本量4421234421232908796323931控制变量是是是是企业固定效应是是否是年份固定效应是是否是㊀㊀注:Kleibergen-Paap rk LM 统计量用以检验工具变量是否为识别不足(under identification ),中括号内为该统计量的P 值;Kleibergen-Paap rk Wald F 统计量用以检验工具变量是否为弱识别(weak identification ),大括号内为Stock-Yogo 检验在10%水平上的临界值㊂3.基于机器人进口的准自然实验㊂前文研究中工业机器人密度指标来源于IFR 提供的行业数据,该指标能够充分反映中国各行业工业机器人的安装及使用情况,但与此同时,也使得本文研究忽略了行业内不同企业之间是否使用工业机器人的差异性问题㊂为此,本文综合借鉴李磊等(2021)的方法[18],并参考‘2007年海关统计商品分类与投入产出部门分类对照表“,从中国海关数据库中识别出 84695010㊁84795090和84864031 工业机器人进口产品,并将其匹配到中国工业企业数据中㊂①进一步地,为了严谨地95㊀第1期㊀㊀刘文革,耿景珠,杜明威:制造业智能化与企业出口产品质量:来自中国的微观证据①与蔡震坤和綦建红(2021)选择 84864031 84289040 85152120 85153120 85158010 84248920 8479509084795010 共8种HS-8位产品不同,本文按照李磊等(2021)的做法,仅选取了严格符合工业机器人定义的HS-8位产品[18,29]㊂。
张鹏举·我的2012关键词—庆典、盘点
亦或，产品搭台，作品唱戏，二者相辅相成，不可偏废。 无疑，这种模式在一定时期内仍将是企业的经营之道。
关于产品，是指大量承接的一般性设计项目。对此类 项目，在保留底线原则的基础上，主要是关注建筑的 外显质量，如功能合理、技术得当、生态可持续等， 即在不犯错的前提下把建筑“做顺” 。关于作品 , 是指 少量承接的、具有创作空间的特定项目。如果说产品 解决的是策略层面的问题，作品则更多关注的是理念、 内容等核心层面的问题，较前者而言，作品更加触及 到设计的本质。产品的问题往往是明示的，而作品要 解决的问题则常常是隐含的，需要建筑师去深刻挖掘。 如人的心理和生理需要，以及场所、归属、认同感等， 当然也包括时代性、地域性、民族性等范畴的问题， 因而所需要的设计周期也较长。从操作层面上看，作 品的创作是在“做顺”的基础上能够“做熟、做巧” 。 为了此模式的有效运行，接到任务时，需首先从项目 中挑出潜在的 “作品” ， 这是整体过程中最为关键的一步。 挑选的原则，除了项目的性质、对其预期的把控程度、 可能的设计周期以及对项目的喜欢程度外，还需对业 主进行一定程度的考察。而后者往往是成功的基础。
在上述前提下，作为成功的保障，对“作品”将采取 相应的设计策略 ： 首先强化创作室的职能，这是能够 进行多方案比较的一种组织模式。大凡好设计的出炉 都是开放性思维经过碰撞后产生的，而保持思维开放 的有效途径就是多方案比较。其次，为了实现高完成
新起点——在产品中完成作品 面对市场和国情，如果把上述十个建筑看作“作品” ， 其他更多的则属“产品” 。十个作品的创作过程显示了 从产品到作品的不易，期间，有博弈，有妥协，有迂回， 也有共鸣。可以肯定的是，未来相当长的时期内，我 们身处的社会环境不会有本质的改变，故，未来公司 的经营模式仍可总结为“产品 + 作品” ，这既是兼顾维 持运营和有所追求的无奈之举，当然也可能是一种明 智之策。把设计当产品，求得企业的正常运行 ； 把设 计当作品，赢取企业发展的可持续。对此，我们清楚 地认识到，不断得到项目的委托应主要归结于源源不 断的作品，同时，作为产品又必须具备足够的技术分 量和不减分的质量底线。因此，产品为底，作品是魂 ；
媒体资源管理系统和资源管理方法[发明专利]
![媒体资源管理系统和资源管理方法[发明专利]](https://img.taocdn.com/s3/m/e8a09d92f46527d3250ce031.png)
专利名称：媒体资源管理系统和资源管理方法专利类型：发明专利
发明人：李宾,申福龙
申请号：CN201110236977.X
申请日：20110817
公开号：CN102955777A
公开日：
20130306
专利内容由知识产权出版社提供
摘要：本发明公开了一种媒体资源管理系统和资源管理方法，其特征在于包括如下步骤：步骤1、在创建云空间时，为不同云空间定制所需要的关键字组合；步骤2、如果管理员设置了平均分配，则在文件上传时，将文件均匀分发到各个空间上；如果是集中存储，则将文件优先保存到一个磁盘空间上直到达到最小空间后再将保存到第二空间上；步骤3、如果云存储中有本地区的存储服务器则用户的文件要优先保存到本地区的存储服务器空间上，或调整上传使用的存储服务器优先级。
该媒体资源管理方法通过可靠的数字存储方式与结构、规范的编目标引格式与检索、正规的操作流程与管理机制，对资源进行规范的管理。
该系统具有结构简单，运行可靠，而且成本低廉适于广泛推广。
申请人：大连视博科技有限公司
地址：116023 辽宁省大连市高新技术产业园区学子街2号3-4-4
国籍：CN
代理机构：大连东方专利代理有限责任公司
代理人：曲永祚
更多信息请下载全文后查看。
青铜鸣试卷高三数学大联考
摘要：本文以2023届普通高等学校招生全国统一考试青铜鸣12月大联考数学（文科）试卷为例，从试题特点、解题思路及备考建议等方面进行深入剖析，旨在帮助高三学子在备考过程中更好地应对数学大联考。
一、试题特点1. 考察范围全面：试卷涵盖了函数、数列、三角、复数、立体几何、解析几何、概率统计等高中数学各个模块，全面考察学生的知识储备。
2. 难度适中：试卷难度适中，既有基础题，也有具有一定挑战性的题目，有利于选拔优秀学生。
3. 注重能力培养：试题注重考查学生的逻辑思维能力、空间想象能力、运算能力、创新能力等，有助于培养学生的综合素质。
4. 考察学生应变能力：试卷中部分题目具有一定灵活性，要求学生在解题过程中灵活运用所学知识，提高应变能力。
二、解题思路1. 仔细审题：在解题过程中，首先要认真审题，理解题意，确保解题方向正确。
2. 基础知识扎实：对于基础题，要熟练掌握基本概念、公式、定理等，确保解题过程无误。
3. 灵活运用知识：对于具有一定挑战性的题目，要善于运用所学知识，进行灵活变通，提高解题速度。
4. 注重细节：在解题过程中，要注意细节，避免因粗心大意而失分。
三、备考建议1. 夯实基础知识：针对试卷中的基础题，要熟练掌握基本概念、公式、定理等，为解题打下坚实基础。
2. 培养解题技巧：通过大量练习，总结解题技巧，提高解题速度和准确率。
3. 注重培养思维能力：在解题过程中，要注重培养逻辑思维能力、空间想象能力、运算能力等，提高综合素质。
4. 关注热点题型：针对试卷中的热点题型，要深入研究，掌握解题方法，提高应对能力。
5. 合理安排时间：在备考过程中，要合理安排时间，确保每个模块都有足够的复习时间。
总之，青铜鸣试卷高三数学大联考是一次全面考察学生数学素养的考试。
通过深入剖析试题特点、解题思路及备考建议，相信高三学子们能够在备考过程中不断突破自我，取得优异成绩。
基于元学习的变工况轴承故障诊断研究
第４２卷第６期２０２３年１２月沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＬｉｇｏｎｇＵｎｉｖｅｒｓｉｔｙＶｏｌ ４２Ｎｏ ６Ｄｅｃ ２０２３收稿日期:２０２３－０３－０１基金项目:辽宁省教育厅高等学校基本科研项目(ＬＪＫＭＺ２０２２０６１８)作者简介:吴东升(１９７３ )ꎬ男ꎬ教授ꎬ博士ꎬ研究方向为复杂系统的故障诊断和预测ꎮ文章编号:１００３－１２５１(２０２３)０６－００１７－０８基于元学习的变工况轴承故障诊断研究吴东升ꎬ贾德桥ꎬ董岩松(沈阳理工大学自动化与电气工程学院ꎬ沈阳１１０１５９)摘㊀要:针对实际工况下电机轴承振动信号包含强噪声以及故障样本少导致其故障诊断精度低的问题ꎬ提出一种由数据重构(ｄａｔａｒｅｃｏｎｓｔｒｕｃｔｉｏｎꎬＤＲ)与判别空间优化(ｄｉｓｃｒｉｍｉｎａｎｔｓｐａｃｅｏｐｔｉｍｉｚａｔｉｏｎꎬＤＳＯ)相结合的集合型轴承故障诊断方法(ＤＲ￣ＭＬＤＳＯ)ꎬ该方法包含数据重构和元学习两个阶段ꎮ首先ꎬ将不同负载下的原始一维数据进行重构ꎬ减少噪声ꎬ提取隐藏在原始数据中的有用信息ꎻ然后ꎬ构造特征提取器和判别空间优化器ꎬ对特征判别空间进行优化ꎬ提高其容错能力ꎬ以利于元学习ꎮ实验结果表明ꎬ本文提出的ＤＲ￣ＭＬＤＳＯ方法有效提高了模型在有限训练样本下的学习能力ꎬ增强了不同工况下轴承故障诊断的适应性ꎬ提升了故障诊断精度ꎬ具有较好的泛化能力ꎮ关㊀键㊀词:电机轴承ꎻ故障诊断ꎻ数据重构ꎻ元学习中图分类号:ＴＰ２７７.３文献标志码:ＡＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００３－１２５１.２０２３.０６.００３ＦａｕｌｔＤｉａｇｎｏｓｉｓｏｆＢｅａｒｉｎｇｕｎｄｅｒＶａｒｉａｂｌｅＷｏｒｋｉｎｇＣｏｎｄｉｔｉｏｎＢａｓｅｄｏｎＭｅｔａ￣ｌｅａｒｎｉｎｇＷＵＤｏｎｇｓｈｅｎｇꎬＪＩＡＤｅｑｉａｏꎬＤＯＮＧＹａｎｓｏｎｇ(ＳｈｅｎｙａｎｇＬｉｇｏｎｇＵｎｉｖｅｒｓｉｔｙꎬＳｈｅｎｙａｎｇ１１０１５９ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｉｎｖｉｅｗｏｆｔｈｅａｃｔｕａｌｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓꎬｔｈｅｖｉｂｒａｔｉｏｎｓｉｇｎａｌｏｆｍｏｔｏｒｂｅａｒｉｎｇｃｏｎｔａｉｎｓｓｔｒｏｎｇｎｏｉｓｅａｎｄｌｏｗｆａｕｌｔｄｉａｇｎｏｓｉｓａｃｃｕｒａｃｙｃａｕｓｅｄｂｙｓｍａｌｌｆａｕｌｔｓａｍｐｌｅｓꎬａｍｅｔｈｏｄｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｂｅａｒｉｎｇｃｏｍｂｉｎｅｄｗｉｔｈｄａｔａｒｅｃｏｎｓｔｒｕｃｔｉｏｎ(ＤＲ)ａｎｄｄｉｓｃｒｉｍｉ￣ｎａｎｔｓｐａｃｅｏｐｔｉｍｉｚａｔｉｏｎ(ＤＳＯ)ｉｓｐｒｏｐｏｓｅｄ.Ｔｈｉｓｍｅｔｈｏｄｃｏｎｓｉｓｔｓｏｆｔｗｏｓｔａｇｅｓ:ｄａｔａｒｅｃｏｎ￣ｓｔｒｕｃｔｉｏｎａｎｄｍｅｔａ￣ｌｅａｒｎｉｎｇ.Ｆｉｒｓｔｌｙꎬｔｈｅｏｒｉｇｉｎａｌｏｎｅ￣ｄｉｍｅｎｓｉｏｎａｌｄａｔａｕｎｄｅｒｄｉｆｆｅｒｅｎｔｌｏａｄｓｉｓｒｅｃｏｎｓｔｒｕｃｔｅｄｔｏｒｅｄｕｃｅｎｏｉｓｅａｎｄｅｘｔｒａｃｔｕｓｅｆｕｌｉｎｆｏｒｍａｔｉｏｎｈｉｄｄｅｎｉｎｔｈｅｏｒｉｇｉｎａｌｄａｔａ.Ｓｅｃ￣ｏｎｄｌｙꎬｔｈｅｆｅａｔｕｒｅｅｘｔｒａｃｔｏｒａｎｄｄｉｓｃｒｉｍｉｎａｎｔｓｐａｃｅｏｐｔｉｍｉｚｅｒａｒｅｃｏｎｓｔｒｕｃｔｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅｆｅａｔｕｒｅｄｉｓｃｒｉｍｉｎａｎｔｓｐａｃｅａｎｄｉｍｐｒｏｖｅｉｔｓｆａｕｌｔｔｏｌｅｒａｎｃｅｔｏｆａｃｉｌｉｔａｔｅｍｅｔａ￣ｌｅａｒｎｉｎｇ.Ｅｘｐｅｒｉ￣ｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＤＲ￣ＭＬＤＳＯｍｅｔｈｏｄｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒｅｆｆｅｃｔｉｖｅｌｙｉｍ￣ｐｒｏｖｅｓｔｈｅｌｅａｒｎｉｎｇａｂｉｌｉｔｙｏｆｔｈｅｍｏｄｅｌｕｎｄｅｒｌｉｍｉｔｅｄｔｒａｉｎｉｎｇｓａｍｐｌｅｓꎬｅｎｈａｎｃｅｓｔｈｅａｄａｐｔａ￣ｂｉｌｉｔｙｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｂｅａｒｉｎｇｕｎｄｅｒｄｉｆｆｅｒｅｎｔｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓꎬｉｍｐｒｏｖｅｓｔｈｅｆａｕｌｔｄｉ￣ａｇｎｏｓｉｓａｃｃｕｒａｃｙꎬａｎｄｈａｓｇｏｏｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙ.Ｋｅｙｗｏｒｄｓ:ｍｏｔｏｒｂｅａｒｉｎｇꎻｆａｕｌｔｄｉａｇｎｏｓｉｓꎻｄａｔａｒｅｃｏｎｓｔｒｕｃｔｉｏｎꎻｍｅｔａ￣ｌｅａｒｎｉｎｇ㊀㊀轴承在旋转机械中起着重要作用ꎬ由于工作条件恶劣ꎬ轴承很容易发生故障或损坏ꎬ影响机械设备的正常运行ꎬ造成巨大的经济损失甚至人员伤亡ꎮ因此ꎬ轴承故障诊断一直是研究的热点问题[１－３]ꎬ其中智能故障诊断方法尤其受到关注ꎮ传统的智能故障诊断方法包括卷积神经网络(ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓꎬＣＮＮ)㊁支持向量机(ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎬＳＶＭ)等ꎮＣｈａｏ等[４]提出了一种多尺度级联中点残差卷积神经网络ꎬ首先引入一种新的多尺度级联结构提取原始数据中包含的多分辨率特征ꎬ然后在其每个分支中采用改进的中点残差块解决深度网络性能下降问题ꎬ增强了模型的抗噪声鲁棒性ꎮ徐先峰等[５]利用堆栈稀疏自编码的频域深层特征学习能力对轴承故障特征进行处理ꎬ并使用泛化能力强㊁分类速度快的ＳＶＭ作为分类器ꎬ在轴承故障诊断中取得较好的效果ꎮ通常ꎬ在识别故障类型之前ꎬ需要利用信号处理技术从原始振动信号中提取有效特征ꎬ但由于实际工况下运行环境复杂ꎬ振动信号不平稳㊁包含强噪声ꎬ提取器获取的特征可用性较差ꎬ严重影响了传统智能方法的故障诊断结果ꎬ设计一种实用的信号处理方法以有效地提取故障特征成为传统智能方法面临的挑战ꎮ与传统智能故障诊断方法相比ꎬ深度学习方法能够自动学习有价值的特征及进行特征提取[６]ꎬ可避免应用各种信号处理技术ꎬ实现端到端学习ꎮ目前ꎬ深度学习网络已被用于轴承故障诊断ꎬ如深度自编码器㊁深度卷积神经网络(ｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓꎬＤＣＮＮ)等ꎮＺｈｕ等[７]为实现智能轴承故障诊断提出预完全连接的ＤＣＮＮꎬ在ＣＮＮ前增加一个连接层ꎬ降低了信号的复杂性ꎮＬｕ等[８]采用基于堆叠降噪自编码器的分层结构识别旋转机械部件的健康状态ꎬ获得了良好的效果ꎮＪｉａ等[９]提出了一种使用标准稀疏自编码器的连接模型ꎬ该模型在智能轴承故障诊断中得到了有效验证ꎮ以上深度学习方法均假设可以获取丰富的轴承故障数据用于检测ꎬ但实际生产中轴承出现故障后需要立即更换ꎬ难以收集大量的故障样本ꎮ由于轴承故障样本较少ꎬ深度学习模型可能会出现过拟合现象ꎬ导致其性能降低ꎬ通常可采用数据增强㊁删除和正则化等技术解决该问题ꎮ近年来ꎬ研究者开始利用小样本深度学习进行轴承故障诊断ꎮＨａｎ等[１０]开发了一个小样本加权ＣＮＮ集成模型ꎬ该模型表现出比普通ＣＮＮ更好的性能ꎮＬｉ等[１１]采用自适应超环检测器算法ꎬ通过小样本训练实现在线故障诊断ꎮＺｏｕ等[１２]提出了对抗性去噪ＣＮＮꎬ用于有限样本的旋转机械故障检测ꎬ利用对抗机制提高了抗噪声能力ꎬ扩展了训练样本ꎮ上述深度学习方法均未考虑小样本学习范式ꎬ而元学习(Ｍｅｔａ￣Ｌｅａｒｎｉｎｇ)方法能够进行小样本的分类㊁回归及强化学习ꎬ可解决实际样本不足的问题ꎮ因此ꎬ本文提出一种基于元学习的轴承故障诊断方法ꎬ用于变工况下轴承故障诊断ꎮ首先对获取到的原始数据进行数据重构(ｄａｔａｒｅｃｏｎ￣ｓｔｒｕｃｔｉｏｎꎬＤＲ)ꎬ然后进行判别空间优化(ｄｉｓｃｒｉｍｉ￣ｎａｎｔｓｐａｃｅｏｐｔｉｍｉｚａｔｉｏｎꎬＤＳＯ)ꎬ构造判别边界损失和判别聚类损失ꎬ实现相似故障特征的聚合和不同故障类别的分离ꎬ准确提取广义特征ꎬ以增强不同类别特征的可辨性和同类别特征的识别能力ꎬ更利于元学习ꎬ从而对噪声污染严重的有限样本实现准确分类ꎮ本文提出的故障诊断方法简称为ＤＲ￣ＭＬＤＳＯ方法ꎮ１ 数据重构随着深度学习的发展ꎬ包括但不限于自动编码器(ａｕｔｏｅｎｃｏｄｅｒꎬＡＥ)的各种数据驱动方法被用于数据重构ꎮＡＥ作为一种无监督学习模型ꎬ能够通过最小化重构误差[１３]保证网络的输出接近输入ꎬ其目标即是找到一个能在输出和输入之间建立映射关系的恒等函数ꎮ基本自动编码器ＡＥ是一个三层神经网络ꎬ其中中间层用于捕获隐藏在原始数据中的有用特征ꎮ自ＡＥ产生以来ꎬ人们在不同的约束条件下开发了一些ＡＥ的变体ꎬ主要变体是稀疏自编码器(ＳＡＥ)[１４]和去噪自编码器(ＤＡＥ)[１５]ꎮＳＡＥ通过正则性设计约束每层节点的输出为０ꎬ实现数据的稀疏性表达ꎬ对于分类任务更加有效ꎻＤＡＥ使用服从特定分布的噪声信号混入原始数据中ꎬ生成新的输入数据ꎬ目标是重构结果尽可能与原始数据相似ꎬ使模型对噪声环境具有鲁棒性ꎮ本文综合ＳＡＥ和ＤＡＥ的优势ꎬ提出改进稀８１沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４２卷疏降噪自编码器(ｉｍｐｒｏｖｅｄｓｐａｒｓｅｄｅｎｏｉｓｉｎｇａｕ￣ｔｏｅｎｃｏｄｅｒꎬＩＳＤＡＥ)ꎬ采用均方误差和稀疏惩罚项作为数据重构的优化目标ꎬ两个样本之间概率分布的差异采用统计意义上的最大平均差异(ｍａｘｉ￣ｍｕｍｍｅａｎｄｉｆｆｅｒｅｎｃｅꎬＭＭＤ)来评价ꎬ以提高数据重构能力ꎮ数据重构的优化目标ＪＩＳＤＡＥ(Ｗꎬｂ)表达式为ＪＩＳＤＡＥ(Ｗꎬｂ)＝１２ｍðｍｉ＝１( ｈＷꎬｂ(ｘｉ)－ｙｉ ２)＋㊀㊀㊀㊀㊀㊀βðｓ１ｊ＝１ＫＬ(ρ ＾ρｊ)＋ＭＭＤｋ(ＸꎬＹ)(１)式中:ｘｉ(ｉ＝１ꎬ２ꎬ ꎬｎ)表示输入ꎻｙｉ(ｉ＝１ꎬ２ꎬ ꎬｎ)表示输出ꎻｎ为样本总数ꎻｍ为给定样本数ꎻＷ为权重ꎻｂ为偏置ꎻｈＷꎬｂ(ｘｉ)为重构后样本的预测输出ꎻ１２ｍðｍｉ＝１( ｈＷꎬｂ(ｘｉ)－ｙｉ ２)为均方误差项ꎻβðｓ１ｊ＝１ＫＬ(ρ ＾ρｊ)为惩罚项ꎬ其中β为惩罚系数ꎬ＾ρｊ为隐层神经元的第ｊ个激活值ꎬｓ１为隐层神经元的总数ꎬρ为稀疏性参数ꎬＫＬ(ρ ＾ρｊ)表示相对熵ꎬ用于衡量＾ρｊ和ρ之间的距离ꎻＭＭＤｋ(ＸꎬＹ)表示两个样本集Ｘ㊁Ｙ的最大平均差异ꎮＫＬ(ρ ＾ρｊ)计算式为ＫＬ(ρ ＾ρｊ)＝ρｌｏｇρ＾ρｊæèçöø÷＋(１－ρ)ρｌｏｇ１－ρ１－＾ρｊæèçöø÷(２)ＭＭＤｋ(ＸꎬＹ)计算式为ＭＭＤｋ(ＸꎬＹ)＝ １ａðａｖ＝１ϕ(ｘｖ)－１ｂðｂｗ＝１ϕ(ｘｗ) (３)式中:ａ为源域样本数ꎻｂ为目标域样本数ꎻＸ＝{ｘｖ}ａｖ＝１ꎬＹ＝{ｙｗ}ｂｗ＝１ꎬＸ㊁Ｙ服从正态分布ꎻϕ( )为原始特征空间到再生希伯尔特空间的非线性映射ꎮ由于空间维数极高ꎬ无法直接得到ϕ( )ꎬ故引入具有对称正定性质的特征核来求解ꎮＭＭＤ的经验估计公式为ＭＭＤｋ(ＸꎬＹ)＝１ａ２ðａｖ＝１ðａｗ＝１ｋ(ｘｖꎬｘｗ)－２ａｂðａｖ＝１ðａｗ＝１ｋ(ｘｖꎬｙｗ)＋１ｂ２ðａｖ＝１ðａｗ＝１ｋ(ｙｖꎬｙｗ)(４)式中ｋ表示高斯核函数ꎮＩＳＤＡＥ的输出不仅保留了重要的特征ꎬ而且减少了隐藏在输入中的冗余信息ꎮＩＳＤＡＥ数据重构示意图如图１所示ꎮ图１㊀ＩＳＤＡＥ数据重构示意图Ｆｉｇ.１㊀ＳｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆＩＳＤＡＥｄａｔａｒｅｃｏｎｓｔｒｕｃｔｉｏｎ２㊀元学习元学习通过训练学习元知识ꎬ当面对新任务时ꎬ只需要少量的样本就可以进行准确分类ꎮ元学习可以分为三类:基于度量的元学习方法ꎬ该方法侧重于嵌入空间中特征的准确分类ꎬ如原型网络[１６]ꎻ基于模型的元学习方法ꎬ该方法通过设计模型的内部结构或使用另一个模型生成快速学习模型的参数来实现快速学习的目标ꎬ如记忆增强神经网络[１７]ꎻ基于优化的元学习方法ꎬ该方法使模型通过现有的优化算法ꎬ在有限样本条件下能够快速收敛ꎬ以获得良好的预测结果ꎬ如模型不可知元学习[１８]ꎮ本文采用基于度量的元学习方法ꎮ学会学习是元学习的目标ꎬ元学习方法只需要少量的样本就可以学会处理新的任务ꎮ元学习训练过程通常使用Ｎ￣ｗａｙＫ￣ｓｈｏｔｓ将数据集划分为几个任务ꎬ其中每个任务有Ｎ类样本ꎬ有Ｋ个标记样本ꎬ称为支持集ꎬ一个未标记样本ꎬ称为查询集ꎮ利用学习到的元知识ꎬ模型可以在少量样本的帮助下学习对新任务进行分类ꎮ３㊀判别空间优化在故障样本非常有限和背景噪声很大的情况下ꎬ传统的小样本学习方法表现出的性能不佳ꎮ这是因为通用模型只能提取非广义特征ꎬ无法学习有效的元知识ꎮ因此ꎬ本文提出判别空间优化策略以进一步区分不同类型的故障特征ꎬ为小样本轴承故障诊断获取更广义的特征ꎮ判别空间优化过程如图２所示ꎮ判别空间优化由判别边界损９１第６期㊀㊀㊀吴东升等:基于元学习的变工况轴承故障诊断研究失和判别聚类损失组成:采用判别边界损失放大类间距离ꎬ实现不同类型故障特征之间的分离ꎬ形成良好的判别边界ꎻ采用判别聚类损失压缩距离ꎬ实现同类型故障特征之间的聚类ꎬ促进故障特征的聚合效果ꎮ由此在度量空间中对网络提取的故障特征进行优化判别ꎬ以利于元学习ꎮ图２㊀判别空间优化Ｆｉｇ.２㊀Ｄｉｓｃｒｉｍｉｎａｔｅｓｐａｃｅｏｐｔｉｍｉｚａｔｉｏｎ３.１㊀判别边界损失本文在三元损失[１９]的基础上提出判别边界损失ꎮ从训练集中随机选择一个样本作为锚点ꎬ随机选择与锚点相同类别的样本并将其设置为正样本ꎬ其他不同类别的样本则被标记为负样本ꎮ三元损失主要作用是压紧锚点与正样本之间的距离ꎬ并将锚点与负样本之间的距离扩大到理想距离ꎬ三元损失Ｌｔｒｉｐｌｅｔ计算式为Ｌｔｒｉｐｌｅｔ＝ðＮｕｓ＝１[ ｆ(ｘａｓ)－ｆ(ｘｐｓ) ２２－㊀㊀ ｆ(ｘａｓ)－ｆ(ｘｎｓ) ２２＋α](５)式中:Ｎｕ为基数ꎻｆ( )为特征提取器的映射函数ꎻｘａｓ为锚点的第ｓ个样本ꎻｘｐｓ为正点的第ｓ个样本ꎻｘｎｓ为负点的第ｓ个样本ꎻα是正负样本之间的强制差值ꎮ为避免不同类别的故障特征在度量空间中重叠ꎬ判别边界损失选取训练集的所有数据作为优化对象ꎬ即三元损失中的锚点ꎻ选择类的中心点作为优化目标ꎬ将其视为三元损失中的正数ꎬ确定离该类最近的另一类的中心点作为排除目标ꎬ将其作为三元损失中的负数ꎮ选择损失为正数的样本ꎬ确保其边界明确ꎬ优化三元组选择条件ꎮ本文提出的判别边界损失Ｌｂｏｒｄｅｒ计算式为Ｌｂｏｒｄｅｒ＝ðＫｍｐ＝１[ðＮｍｔ＝１ｆϕ(ｘｐｔ)－Ｃｐ ２２－㊀㊀㊀ðＮｍｔ＝１ｆϕ(ｘｐｔ)－Ｃｎｐ ２２＋φ](６)式中:ｆϕ( )为特征提取器的映射函数ꎻＫｍ为类的总数ꎻＮｍ为每个类的样本数量ꎻｘｐｔ为ｐ类的第ｔ个样本点ꎻＣｐ为ｐ类的中心点ꎻＣｎｐ表示与ｐ类最近的类的中心点ꎻφ为Ｃｐ与Ｃｎｐ之间的强制余量ꎮ３.２㊀判别聚类损失上述判别边界损失既能疏离类间距离㊁解决边界重叠问题ꎬ又能优化类内距离ꎬ但其不能减少绝对类内距离ꎮ因此ꎬ本文提出一种减少绝对类内距离的聚类损失方法ꎬ以更好地提取相似样本中具有共性的广义特征ꎬ通过减少类内方差达到聚合效果ꎮ中心损失一般应用于样本数量足够的条件下ꎬ在样本有限的情况下ꎬ采用中心损失无法取得良好的性能ꎻ在传统应用中ꎬ只使用小批次数据计算聚类中心ꎬ在故障诊断的元学习中表现不佳ꎮ为提高有限样本的类内聚类效果ꎬ采用支持集的中心点作为样本中心点ꎬ避免通过中心损失选取的中心点与支持集的中心点相差而产生负聚集效应ꎻ为匹配本文方法的训练过程ꎬ在每个任务中重新计算每个类的中心点ꎮ判别聚类损失Ｌｃｌｕｓｔｅｒｉｎｇ表示每个样本点到该类对应中心点的平均距离ꎬ其计算式为Ｌｃｌｕｓｔｅｒｉｎｇ＝１ＮｍðＫｍｐ＝１ðＮｍｔ＝１ｆϕ(ｘｐｔ)－Ｃｐ ２２(７)３.３㊀总体判别空间损失基于上述判别边界损失和判别聚类损失ꎬ得到判别空间优化损失Ｌ为Ｌ＝Ｌｂｏｒｄｅｒ＋ηＬｃｌｕｓｔｅｒｉｎｇ(８)式中η为判别聚类损失的权重ꎮ判别空间优化损失旨在通过优化不同类别特征的边界来分离不同类别的故障特征ꎬ并通过优化度量空间内的聚类效果获得更广义的特征ꎮ因此ꎬ通过优化判别空间损失ꎬ可有效地提取广义特征ꎬ更好地区分不同类别的特征ꎬ获得更好的容错能力ꎬ在小样本㊁大噪声和可变工况下均可获得良好的性能ꎮ４㊀故障诊断流程本文提出的基于小样本元学习的变工况滚动轴承故障诊断流程如图３所示ꎬ图中ＦＣ表示全连接ꎮ整个故障诊断过程可分为三部分:数据预处理㊁离线建模㊁在线诊断ꎮ具体诊断步骤如下ꎮ０２沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４２卷１)通过测量系统从实验装置中收集数据ꎬ将振动数据导入ＩＳＤＡＥꎬ输出既保留了显著特征ꎬ又减少了隐藏在输入中的冗余信息ꎮ２)在源域中训练特征提取器进行判别空间优化ꎬ然后按照元学习范式构建训练和测试数据集ꎮ３)通过在目标域的新任务支持集中学习少量样本ꎬ进一步优化判别空间ꎬ然后将查询集输入训练良好的模型ꎬ完成故障诊断ꎮ图３㊀变工况滚动轴承故障诊断流程图Ｆｉｇ.３㊀Ｆｌｏｗｃｈａｒｔｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｉｎｖａｒｉａｂｌｅｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓ５㊀实验验证为验证本文方法的有效性ꎬ采用美国凯斯西储大学(ＣＷＲＵ)的开放轴承数据库样本进行实验ꎮ实验中超参数γ设置为０.００００５ꎬ学习率固定为０.００１ꎬ所有的方法均选择优化器Ａｄａｍꎮ为减少误差ꎬ每个实验均进行１０次重复测试ꎬ去掉其中的最小值和最大值ꎬ取剩余８个测试数据的平均值作为最终评价结果ꎮ本文实验所用的环境配置为:ＣＰＵꎬＩｎｔｅｌＣｏｒｅｉ７￣８７００ꎻＧＰＵꎬＩＮＶＩＤＩＡＧＴＸ１０８０Ｔｉꎻ深度学习框架为Ｐｙｔｏｒｃｈꎮ５.１㊀变工况轴承故障诊断实验测试轴承(型号为６２０５￣２ＲＳＪＥＭＳＫＦ)安装在电机的驱动端ꎬ采用加速度传感器在不同负载和不同速度下采集样本数据ꎬ采样频率设置为１２ｋＨｚꎮ每种工况包含正常㊁外衬圈故障㊁内衬圈故障㊁滚子故障共４种不同健康状态的轴承信号ꎬ每种类型的故障包含３种不同程度的损伤ꎬ损伤直径分别为０.００７㊁０.０１４和０.０２１英寸ꎬ故本文所使用的数据集包含了１０种类型的轴承故障ꎮ分别以转速１７９７㊁１７７２㊁１７５０和１７３０ｒ/ｍｉｎ采集数据ꎬ对应的数据集分别命名为Ａ㊁Ｂ㊁Ｃ和Ｄ数据集ꎮ本文将数据集随机划分为元训练数据集㊁元验证数据集和元测试数据集ꎮ每个子集随机抽取５个类别ꎬ每个类别随机抽取５个样本进行５￣ｗａｙ５￣ｓｈｏｔ训练ꎬ随机抽取一个样本进行５￣ｗａｙ１￣ｓｈｏｔ训练ꎬ为验证模型在小样本条件下的有效性ꎬ限制训练集中的样本数量ꎮ为验证本文提出ＤＲ￣ＭＬＤＳＯ方法的优越性ꎬ与其他小样本故障诊断方法进行对比ꎬ包括深度适应网络(ｄｅｅｐａｄａｐｔａｔｉｏｎｎｅｔｗｏｒｋꎬＤＡＮ)㊁领域适应网络(ｄｏｍａｉｎａｄａｐｔｉｖｅｎｅｕｒａｌｎｅｔｗｏｒｋꎬＤＡＮＮ)㊁元迁移学习(ｍｅｔａ￣ｔｒａｎｓ￣ｆｅｒｌｅａｒｎｉｎｇꎬＭＴＬ)和不可知元学习(ｍｏｄｅｌ￣ａｇｎｏｓ￣ｔｉｃｍｅｔａ￣ｌｅａｒｎｉｎｇꎬＭＡＭＬ)ꎬ变工况诊断结果如表１和表２所示ꎮ为验证模型的抗噪声能力ꎬ每类抽取２０个样本进行特征提取和判别空间优化训练ꎬ其余样本用于测试ꎬ并在每个测试样本中添加了额外的高斯白噪声ꎮ实验中信噪比分别设置为０㊁－１㊁－２㊁－３㊁－４㊁－５ｄＢꎬ本文提出的方法与其他方法在不同信噪比下的诊断准确度对比如表３所示ꎮ１２第６期㊀㊀㊀吴东升等:基于元学习的变工况轴承故障诊断研究表１㊀变工况诊断结果(５￣ｗａｙ１￣ｓｈｏｔ)Ｔａｂｌｅ１㊀Ｖａｒｉａｂｌｅｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓｄｉａｇｎｏｓｉｓｒｅｓｕｌｔｓ(５￣ｗａｙ１￣ｓｈｏｔ)任务诊断准确度/％ＤＡＮＤＡＮＮＭＡＭＬＭＴＬＤＲ￣ＭＬＤＳＯＡңＢ７８.８３７５.３７７９.５４８７.７３８９.６２ＡңＣ７２.４５７６.２８８９.６０８５.６９２.６１ＡңＤ６９.５４７５.２５７９.４６８６.７７９５.３２ＢңＡ７４.９４７２.１５８２.５３７５.３４９４.４３ＢңＣ７９.４８８７.９９８６.６４９３.３２９２.２３ＢңＤ６７.４０７６.５９８２.１４８７.７５９７.５５ＣңＡ６５.５６７２.８５７０.２６８０.３７９４.４５ＣңＢ８０.８４７４.１９８７.４８９２.５０９５.３３ＣңＤ７２.５６８７.５４７３.０１９１.１８９６.１８ＤңＡ６４.３５７７.６３８３.７３７６.３０９７.０３ＤңＢ７４.４６７５.３０９０.６６８５.４５９６.３５ＤңＣ８２.２７８６.７７８２.５９８８.４６９７.２８平均７３.５６７８.１６８２.３０８５.９０９４.８７表２㊀变工况诊断结果(５￣ｗａｙ５￣ｓｈｏｔ)Ｔａｂｌｅ２㊀Ｖａｒｉａｂｌｅｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓｄｉａｇｎｏｓｉｓｒｅｓｕｌｔｓ(５￣ｗａｙ５￣ｓｈｏｔ)任务诊断准确度/％ＤＡＮＤＡＮＮＭＡＭＬＭＴＬＤＲ￣ＭＬＤＳＯＡңＢ９０.２５９０.９６８６.６６９３.８５９５.９２ＡңＣ８８.７９８２.７９９０.９３９１.２６９８.１４ＡңＤ８４.２５７８.５７８６.６６８７.７１９８.７１ＢңＡ９０.３２８７.１６８９.０６９３.１２９７.６１ＢңＣ９３.７６９０.８５８６.９３９７.６４９９.６４ＢңＤ８８.３４９１.２２７６.００９３.８６９７.８６ＣңＡ８２.５６８６.３４７３.６１９２.４５９７.４５ＣңＢ９１.２６９２.４４８８.３８９５.７９９９.７９ＣңＤ８９.３６９３.４２９５.２０９６.７４９６.７４ＤңＡ８１.７２７３.２２７６.１０９０.６７９６.６７ＤңＢ８８.５４８２.０７８９.６６９３.５４９５.５４ＤңＣ９０.１５８５.６５８９.８６９２.２１９４.２１平均８８.２８８６.２２８５.７５９３.２４９７.３７表３㊀不同信噪比下的诊断准确度对比Ｔａｂｌｅ３㊀Ａｃｃｕｒａｃｙａｔｄｉｆｆｅｒｅｎｔｓｉｇｎａｌ￣ｔｏ￣ｎｏｉｓｅｒａｔｉｏｓ信噪比/ｄＢ诊断准确度/％ＤＡＮＤＡＮＮＭＡＭＬＭＴＬＤＲ￣ＭＬＤＳＯ０５２.４２８５.５９９５.１７９４.３１９６.２５－１４０.８５５２.１１８５.９６８０.１１９１.６２－２３６.７４４５.８０８４.４９７９.０７８８.０１－３３４.２２４２.７３７９.７５７７.００８７.２２－４３３.１２４０.８４７７.７５７５.１５８６.２３－５２９.５２３４.３９７６.７７７３.８８８４.６７２２沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４２卷５.２㊀实验结果分析由表１和表２可知ꎬ本文提出的ＤＲ￣ＭＬＤＳＯ模型在５￣ｗａｙ１￣ｓｈｏｔ和５￣ｗａｙ５￣ｓｈｏｔ共１２个工况下的诊断均获得了较高的准确度ꎮ５￣ｗａｙ１￣ｓｈｏｔ下的平均准确度为９４.８７％ꎬ５￣ｗａｙ５￣ｓｈｏｔ下的平均准确度为９７.３７％ꎬ均远高于其他四个模型ꎬ且５￣ｓｈｏｔ的准确度高于１￣ｓｈｏｔꎮ这是因为５￣ｓｈｏｔ包含的故障信息比１￣ｓｈｏｔ更为全面ꎬ增强了模型的泛化能力ꎮ本文模型能够提取更多更好的特征用于诊断ꎬ降低了过拟合的程度ꎮ由表３可见ꎬ在不同加噪条件下ꎬ与其他四个模型相比ꎬ本文提出的ＤＲ￣ＭＬＤＳＯ模型诊断准确度均最高ꎬ说明本文模型具有较好的抗噪性ꎮ这是由于其对判别空间进行了优化ꎬ将相似的故障特征更紧密地聚集在一起ꎬ并将不同类别的特征分开ꎬ从而获得了高度容错的判别空间ꎬ当故障特征被重噪声污染时ꎬ不会导致错误分类ꎮ图４为本文方法分别在数据集加噪和不加噪情况下的ｔ￣ＳＮＥ可视化图ꎮ由图４可知ꎬ本文方法聚类效果良好ꎬ且在噪声下也能较好完成故障分类任务ꎮ图４㊀ｔ￣ＳＮＥ可视化图Ｆｉｇ.４㊀ｔ￣ＳＮＥｖｉｓｕａｌｉｚａｔｉｏｎ６㊀结论提出了一种由数据重构和元学习判别空间优化相结合的滚动轴承故障诊断方法ＤＲ￣ＭＬＤＳＯꎬ并在ＣＷＲＵ实验平台上对该方法的性能进行了评估ꎬ得到结论如下ꎮ１)ＤＲ￣ＭＬＤＳＯ的数据重构降低了噪声的影响ꎬ较好实现了故障分类ꎮ２)通过判别空间优化ꎬ在训练过程中学习了更多有用的元知识ꎬ在跨域故障诊断中也表现出了良好的性能ꎮ３)ＤＲ￣ＭＬＤＳＯ只需要少量样本就可以学习区分不同故障的特征ꎬ在噪声环境下也有较好表现ꎬ具有较好的鲁棒性ꎮ参考文献(Ｒｅｆｅｒｅｎｃｅｓ):[１]杨青ꎬ张继云ꎬ吴东升ꎬ等.基于二维图像和自适配归一化ＳＧＡＮ网络的滚动轴承故障诊断[Ｊ].轴承ꎬ２０２１(８):３９－４６.㊀㊀ＹＡＮＧＱꎬＺＨＡＮＧＪＹꎬＷＵＤＳꎬｅｔａｌ.Ｆａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｂａｓｅｄｏｎｔｗｏ￣ｄｉｍｅｎｓｉｏｎａｌｉｍａｇｅａｎｄｓｗｉｔｃｈａｂｌｅｎｏｒｍａｌｉｚａｔｉｏｎＳＧＡＮｎｅｔｗｏｒｋ[Ｊ].Ｂｅａｒｉｎｇꎬ２０２１(８):３９－４６.(ｉｎＣｈｉｎｅｓｅ)[２]魏永合ꎬ宫俊宇.基于ＣＮＮ￣ＬＳＴＭ￣Ａｔｔｅｎｔｉｏｎ的滚动轴承故障诊断[Ｊ].沈阳理工大学学报ꎬ２０２２ꎬ４１(４):７３－７７.㊀㊀ＷＥＩＹＨꎬＧＯＮＧＪＹ.Ｆａｕｌｔｄｉａｇｎｏｓｉｓｉｎｒｏｌｌｉｎｇｂｅａｒ￣ｉｎｇｂａｓｅｄｏｎＣＮＮ￣ＬＳＴＭ￣Ａｔｔｅｎｔｉｏｎ[Ｊ].ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＬｉｇｏｎｇＵｎｉｖｅｒｓｉｔｙꎬ２０２２ꎬ４１(４):７３－７７.(ｉｎＣｈｉｎｅｓｅ)[３]杨青ꎬ叶义霞ꎬ吴东升ꎬ等.基于ＡＣＧＡＮ￣ＤＳＡＮ的变工况滚动轴承故障诊断[Ｊ].轴承ꎬ２０２３(２):９７－１０４ꎬ１２９.㊀㊀ＹＡＮＧＱꎬＹＥＹＸꎬＷＵＤＳꎬｅｔａｌ.ＦａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｕｎｄｅｒｖａｒｉａｂｌｅｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓｂａｓｅｄｏｎＡＣＧＡＮ￣ＤＳＡＮ[Ｊ].Ｂｅａｒｉｎｇꎬ２０２３(２):９７－１０４ꎬ１２９.(ｉｎＣｈｉｎｅｓｅ)３２第６期㊀㊀㊀吴东升等:基于元学习的变工况轴承故障诊断研究[４]ＣＨＡＯＺＱꎬＨＡＮＴ.Ａｎｏｖｅｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔ￣ｗｏｒｋｗｉｔｈｍｕｌｔｉｓｃａｌｅｃａｓｃａｄｅｍｉｄｐｏｉｎｔｒｅｓｉｄｕａｌｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓ[Ｊ].Ｎｅｕｒｏｃｏｍｐｕｔ￣ｉｎｇꎬ２０２２ꎬ５０６:２１３－２２７.[５]徐先峰ꎬ黄坤ꎬ邹浩泉ꎬ等.基于ＳＳＡＥ￣ＳＶＭ的滚动轴承故障诊断方法研究[Ｊ].自动化仪表ꎬ２０２２ꎬ４３(１):９－１４.㊀㊀ＸＵＸＦꎬＨＵＡＮＧＫꎬＺＯＵＨＱꎬｅｔａｌ.ＲｅｓｅａｒｃｈｏｎｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｂａｓｅｄｏｎＳＳＡＥ￣ＳＶＭ[Ｊ].ＰｒｏｃｅｓｓＡｕｔｏｍａｔｉｏｎＩｎｓｔｒｕｍｅｎｔａｔｉｏｎꎬ２０２２ꎬ４３(１):９－１４.(ｉｎＣｈｉｎｅｓｅ)[６]ＺＨＡＯＭＨꎬＴＡＮＧＢＰꎬＤＥＮＧＬꎬｅｔａｌ.Ｍｕｌｔｉｐｌｅｗａｖｅｌｅｔｒｅｇｕｌａｒｉｚｅｄｄｅｅｐｒｅｓｉｄｕａｌｎｅｔｗｏｒｋｓｆｏｒｆａｕｌｔｄｉ￣ａｇｎｏｓｉｓ[Ｊ].Ｍｅａｓｕｒｅｍｅｎｔꎬ２０２０ꎬ１５２:１０７３３１. [７]ＺＨＵＸＸꎬＬＵＯＸＺꎬＺＨＡＯＪＨꎬｅｔａｌ.Ｒｅｓｅａｒｃｈｏｎｄｅｅｐｆｅａｔｕｒｅｌｅａｒｎｉｎｇａｎｄｃｏｎｄｉｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｆｏｒｂｅａｒｉｎｇｖｉｂｒａｔｉｏｎ[Ｊ].ＡｐｐｌｉｅｄＡｃｏｕｓｔｉｃｓꎬ２０２０ꎬ１６８:１０７４３５.[８]ＬＵＣꎬＷＡＮＧＺＹꎬＱＩＮＷＬꎬｅｔａｌ.Ｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｔａｒｙｍａｃｈｉｎｅｒｙｃｏｍｐｏｎｅｎｔｓｕｓｉｎｇａｓｔａｃｋｅｄｄｅｎｏｉｓ￣ｉｎｇａｕｔｏｅｎｃｏｄｅｒ￣ｂａｓｅｄｈｅａｌｔｈｓｔａｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ[Ｊ].ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇꎬ２０１７ꎬ１３０:３７７－３８８. [９]ＪＩＡＦꎬＬＥＩＹＧꎬＧＵＯＬꎬｅｔａｌ.Ａｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎ￣ｓｔｒｕｃｔｅｄｂｙｄｅｅｐｌｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｔｏｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｍａｃｈｉｎｅｓ[Ｊ].Ｎｅｕｒｏ￣ｃｏｍｐｕｔｉｎｇꎬ２０１８ꎬ２７２:６１９－６２８.[１０]ＨＡＮＳꎬＪＥＯＮＧＪ.ＡｎｗｅｉｇｈｔｅｄＣＮＮｅｎｓｅｍｂｌｅｍｏｄｅｌｗｉｔｈｓｍａｌｌａｍｏｕｎｔｏｆｄａｔａｆｏｒｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓ[Ｊ].ＰｒｏｃｅｄｉａＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅꎬ２０２０ꎬ１７５:８８－９５. [１１]ＬＩＤꎬＬＩＵＳＬꎬＺＨＡＮＧＨＬ.Ａｍｅｔｈｏｄｏｆａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎａｎｄｆａｕｌｔｄｉａｇｎｏｓｉｓｗｉｔｈｏｎｌｉｎｅａｄａｐｔｉｖｅｌｅａｒｎｉｎｇｕｎｄｅｒｓｍａｌｌｔｒａｉｎｉｎｇｓａｍｐｌｅｓ[Ｊ].ＰａｔｔｅｒｎＲｅｃ￣ｏｇｎｉｔｉｏｎꎬ２０１７ꎬ６４:３７４－３８５.[１２]ＺＯＵＬꎬＬＩＹꎬＸＵＦＹ.Ａｎａｄｖｅｒｓａｒｉａｌｄｅｎｏｉｓｉｎｇｃｏｎｖ￣ｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｔａｔｉｎｇｍａｃｈｉｎｅｒｙｕｎｄｅｒｎｏｉｓｙｅｎｖｉｒｏｎｍｅｎｔａｎｄｌｉｍｉｔｅｄｓａｍｐｌｅｓｉｚｅｃａｓｅ[Ｊ].Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇꎬ２０２０ꎬ４０７:１０５－１２０. [１３]ＫＯＮＧＸＧꎬＭＡＯＧꎬＷＡＮＧＱＢꎬｅｔａｌ.Ａｍｕｌｔｉ￣ｅｎ￣ｓｅｍｂｌｅｍｅｔｈｏｄｂａｓｅｄｏｎｄｅｅｐａｕｔｏ￣ｅｎｃｏｄｅｒｓｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓ[Ｊ].Ｍｅａｓｕｒｅｍｅｎｔꎬ２０２０ꎬ１５１:１０７１３２.[１４]ＳＨＩＰＭꎬＧＵＯＸＣꎬＨＡＮＤＹꎬｅｔａｌ.Ａｓｐａｒｓｅａｕｔｏ￣ｅｎｃｏｄｅｒｍｅｔｈｏｄｂａｓｅｄｏｎｃｏｍｐｒｅｓｓｅｄｓｅｎｓｉｎｇａｎｄｗａｖｅｌｅｔｐａｃｋｅｔｅｎｅｒｇｙｅｎｔｒｏｐｙｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｉｎｔｅｌ￣ｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓ[Ｊ].ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌＳｃｉ￣ｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬ２０２０ꎬ３４(４):１４４５－１４５８. [１５]ＭＥＮＧＺꎬＺＨＡＮＸＹꎬＬＩＪꎬｅｔａｌ.Ａｎｅｎｈａｎｃｅｍｅｎｔｄｅ￣ｎｏｉｓｉｎｇａｕｔｏｅｎｃｏｄｅｒｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓ[Ｊ].Ｍｅａｓｕｒｅｍｅｎｔꎬ２０１８ꎬ１３０:４４８－４５４.[１６]ＳＮＥＬＬＪꎬＳＷＥＲＳＫＹＫꎬＺＥＭＥＬＲＳ.Ｐｒｏｔｏｔｙｐｉｃａｌｎｅｔｗｏｒｋｓｆｏｒｆｅｗ￣ｓｈｏｔｌｅａｒｎｉｎｇ[Ｃ]//ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ.ＬｏｎｇＢｅａｃｈꎬＵＳＡ:ＭＩＴＰｒｅｓｓꎬ２０１７:４０７７－４０８７.[１７]ＳＡＮＴＯＲＯＡꎬＢＡＲＴＵＮＯＶＳꎬＢＯＴＶＩＮＩＣＫＭꎬｅｔａｌ.Ｍｅｔａ￣ｌｅａｒｎｉｎｇｗｉｔｈｍｅｍｏｒｙ￣ａｕｇｍｅｎｔｅｄｎｅｕｒａｌｎｅｔ￣ｗｏｒｋｓ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３３ｒｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ.ＮｅｗＹｏｒｋꎬＵＳＡ:ＡＣＭꎬ２０１６:１８４２－１８５０.[１８]ＦＩＮＮＣꎬＡＢＢＥＥＬＰꎬＬＥＶＩＮＥＳ.Ｍｏｄｅｌ￣ａｇｎｏｓｔｉｃｍｅ￣ｔａ￣ｌｅａｒｎｉｎｇｆｏｒｆａｓｔａｄａｐｔａｔｉｏｎｏｆｄｅｅｐｎｅｔｗｏｒｋｓ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ.ＮｅｗＹｏｒｋꎬＵＡＳ:ＡＣＭꎬ２０１７:１１２６－１１３５.[１９]ＳＣＨＲＯＦＦＦꎬＫＡＬＥＮＩＣＨＥＮＫＯＤꎬＰＨＩＬＢＩＮＪ.ＦａｃｅＮｅｔ:ａｕｎｉｆｉｅｄｅｍｂｅｄｄｉｎｇｆｏｒｆａｃｅｒｅｃｏｇｎｉｔｉｏｎａｎｄｃｌｕｓｔｅｒｉｎｇ[Ｃ]//２０１５ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ.ＢｏｓｔｏｎꎬＵＳＡ:ＩＥＥＥꎬ２０１５:８１５－８２３.(责任编辑:宋颖韬)４２沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４２卷。
中日名家“日本风情”绘画作品展作品选登
关宏臣1965年12月生于辽宁。
先后毕业于辽宁教育学院、中央美术学院、清华大学美术学院，现为沈阳大学副教授。
齐增波1964年生。
毕业于鲁迅美术学院中国画系。
现为《当代工人》杂志社美术副编审，日本新泻国际艺术学院客座教授。
中日名家“日本风情”绘画作品展关宏臣油画2010年齐增波《佐渡海滨》中国画68cm×48cm作品选登阿兹马东水彩画家，1964年生。
现任日本新潟大学硕士、日本新潟国际艺术学院院长、国际水彩画会委员长，中国沈阳师范大学、鲁迅美术学院、汕头大学、美国北德大学客座教授。
高桥保版画家，1943年生。
现任佐渡版画村美术馆理事长、日本美术家联盟会员、佐渡市博物馆协议会会长、佐渡市景观审议会会长等职。
高桥保祭（空即是色）版画83cm×60cm阿兹马东《雪国》水彩画56cm×38cm 2011年孙术斌1965年生于沈阳，1988年毕业于鲁迅美术学院。
孙宇1973年生于哈尔滨。
先后毕业于鲁迅美术学院、俄罗斯列宾美院素描教学研究班和油画教学研究班。
现任教于沈阳师范大学美术与设计学院。
孙术斌《加茂湖畔》中国画73cm×27cm孙宇《佐渡》油画100cm×80cm田村修二１９５２年生。
师事于青竜社（相当全日展团体）向时田直义画伯(日本画大师),现为院展特待大岛妇美子主宰［土笔会］会员。
徐坚良1955年生于沈阳。
先后毕业于沈阳大学、清华大学美术学院、中央美术学院。
现为辽宁省教育厅编审、沈阳师范大学美术与设计学院客座教授。
田村修二《月明櫻花》日本画65.2cm×50.0cm徐坚良《峡谷幽情》油画120cm×100cm游江滨1962年生于沈阳。
先后毕业于鲁迅美术学院、中央美术学院。
现为沈阳师范大学美术与设计学院教授。
张鹏1961年生于沈阳。
先后毕业于鲁迅美术学院、中央美术学院、武汉理工大学。
现为沈阳师范大学美术与设计学院院长、教授。
游江滨《佐渡海鸟》油画60cm×80cm张鹏《佐渡写生》油画100cm×100cm。
雷你没商量-2012全国十大丑陋雕塑出炉
雷你没商量2012全国十大丑陋雕塑出炉
“2012年首届全国十大丑陋雕塑评选”活动19日在京揭晓。
武汉“生命”雕塑、重庆“记忆山城”吊脚楼、昆明“灵魂出窍”雕塑、昆明大观园“裸女”、北京望京新地标、重庆永州章子怡雕塑、桂林“扶老”雕塑、郑州中原福塔前石雕、西安西法大图书馆前雕塑、赣州“十龙聚龟”雕塑等入选全国十大丑陋雕塑。
延伸阅读：由“秋裤楼”引发批评狂潮建筑审丑时代几时终结？
武汉“生命”雕塑得票第一高居
桂林“扶老”雕塑
重庆“记忆山城”吊脚楼
昆明大观园“裸女”昆明“灵魂出窍”雕塑
赣州“十龙聚龟”
北京望京新地标
西安西法大图书馆前雕塑重庆永州章子怡雕塑
郑州中原福塔前石雕
[文档可能无法思考全面，请浏览后下载，另外祝您生活愉快，工作顺利，万事如意!]。
用VB的图形、声音功能产生多媒体效果的方法
用VB的图形、声音功能产生多媒体效果的方法
王嵬嵬;黄南川
【期刊名称】《智能计算机与应用》
【年(卷),期】1999(000)001
【摘要】@@ 一个具有多媒体效果的软件,能实现图文声并貌,能产生动画效果,往往给人耳目一新的感觉,给人留下很深的印象,因此得到用户的青睐.本文简介用VB 设计多媒体效果的一般方法,并介绍我们设计的一个实例.
【总页数】2页(P25-26)
【作者】王嵬嵬;黄南川
【作者单位】
【正文语种】中文
【中图分类】TP3
【相关文献】
1.浅析增强多媒体教室投影视觉效果和声音播放效果的方法 [J], 胡玉平
2.VB中"调节图形对比度”功能的实现方法 [J], 田晓提;沈海军;田菩提
3.VB中图形平移和缩放功能的实现方法 [J], 陈先明
4.用多种方法实现VB中的声音多媒体效果 [J], 王刚志;王明智
5.以多媒体效果体现VB的图形,声音功能 [J], 吕书清;邓向伟
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2012南京中招计划出炉：热点高中指标占
20%
2012年南京市初中毕业生报名参加中考的近5万人。
从南京市教育局获悉，今年高中阶段各类学校招生计划50015人，其中普通高中22670人，师范学校159人，中职与高职衔接分段培养540人，综合高中1810人，五年制高职4227人，中等专业学校13109人，技工学校7500人。
今年热点高中指标生计划又在去年基础上有所增加，达到4394人，约占全市普通高中招生计划的20%，其中由南京市教育局直接分配的江南八区初中校招生计划1220人，其余指标生招生计划由相关区县教育局分配到本区县的初中校。
今年江苏省还新增了中职与高职衔接分段培养的计划，南京市有3+3学制计划540人。
被录取的学生在中等职业教育学习3年，再进入高等职业教育学习3年。
6年学习期间，由对口试点的中高职院校，统筹制定对口专业中高职理论知识课程和技能训练课程衔接贯通教学体系，系统化培养高级技能人才。
根据南京市有关政策规定，公办普通高中在“三限”政策范围内还可招收少量择校生，而职技类学校招生计划充足，因此，所有参加中考的考生，只要志愿填报得当，服从分配，
均可满足升入高中阶段学校的愿望。
江苏省2012年继续招收五年制高职免费幼儿师范男生，招生计划较前两年增加一倍，培养学校也有所调整。
今年幼师学前教育专业在南京市的招生计划为24名，招收具备南京市户籍的应届初中毕业生，全部在南京幼儿高等师范学校就读。
免费幼儿师范男生和幼儿师范女生面试工作也安排在近期双休日期间进行，地点均在南京幼儿高等师范学校校内，有报考需求的考生可打电话向学校咨询。
今年南京市普通高中科技、体育、艺术特长生，经过网上报名、到招生学校审验获奖证书并领取专业加试准考证等程序后，将于本周末到招生学校参加专业加试。
南京市招生办将于本月底在南京招生信息网上公示各项目专业加试合格考生名单。
同时，需加试外语的普通高中外语学校、中外合作办学项目和国际课程班，加试时间业已确定，这些学校有：南京外国语学校、南京外国语学校仙林分校、南京师范大学附属中学、南京师范大学附属中学江宁分校、金陵中学，有报考愿望的考生要及时关注相关学校的网站，不要错过外语加试时间。