摘要：为了研究穿爆弹丸内装药的起爆机理,对穿爆弹丸的惯性点火元件进行设计,进行了弹道发射撞击起爆试验。对炸药采用SPH建模,对其他结构采用有限元网格划分,建立了穿靶过程数值模型。根据含能材料在撞击作用下的非冲击起爆判据,采用ANSYS/LS-DYNA软件对装药的惯性撞击特性进行分析,得到了钝化RDX装药的临界起爆能量范围。结果显示:弹丸以394 m/s的速度撞击7.4 mm的靶板时发生爆炸,装药起爆的临界比塑性能在1.42 GPa·μs^1.63 GPa·μs范围内;在弹丸能够有效穿透靶板的情况下,弹丸的着靶速度越低,装药所受惯性冲击力越小,惯性作用持续时间越长,装药越容易被起爆。

摘要：为了实现薄壁件加工中的最小形变,利用UG NX软件的有限元仿真模块,对薄壁件车削加工参数优选进行了研究。通过建立有限元仿真模型,分析某一加工瞬时薄壁件受力变形情况,并通过切削实验对比仿真结果,实验结果表明:仿真模拟数据与实际测量数据具有较高一致性。最后设计了基于有限元仿真模拟的正交实验,优选最佳切削参数组合。

摘要：新型冠状病毒肺炎疫情发生以来,各企事业单位通过采用新一代信息技术助力疫情防控和复工复产收到了显著的效果。本系统是一种基于ECharts的校园疫情防控可视化服务平台,平台自动化获取业务系统和师生上报数据并进行存储,后端运用Spring和Mybaits技术实现业务分层,前端采用axios获取后端动态数据,并通过ECharts可视化图表动态展现了在线课程开设和人员防控相关信息。本系统的开发是利用信息技术提高校园疫情防控工作的一次有益尝试。

摘要：智能化生产和数字化转型成为驱动工业企业高质量发展的有效途径。以某纺织厂智能车间可视化大屏设计与实现为目标,综合考虑政府监管、企业发展不同视角进行了大屏框架总体设计,提出了一种基于"端-边-云"的系统架构,运用大数据技术、3D交互技术、数据可视化技术,对系统进行实现和验证。初步应用表明,该系统较完美地解决了工业生产车间监测可视化问题,实现了流利、实时、雅观的监测可视化。

摘要：实现工业设备的泛在接入、交互协同与高效管理是工业智能化的必要条件。针对工业场景中设备管理杂乱、维保困难、设备利用率低等问题,设计和实现了一种工业设备运维云平台,平台采用B/S架构及层次化的结构设计,包含设备接入、设备管理、数据监控、状态告警、设备维保等典型功能模块。初步实践应用表明,平台具有良好的适用性和扩展性,具有良好的应用前景。

摘要：随着制造业数字化进程的推进,通过云化方式解决生产协同提高生产效益成为迫切需求。文章提出了一种针对汽车零配件行业的协同生产管理云平台的设计和实现方法,系统云端部署,多端使用,实现了人员、资源、生产、质量管理等功能,通过准确、实时地数据采集与生产执行控制,解决了生产过程不透明、人员设备效率低、生产责任不明晰等典型问题,实现了生产过程的可控制、可追溯、可维护,从而实现了降低成本,提升效率的目的。

摘要：针对企业海量数据进行快速、科学地处理分析,及时获取对企业管理和决策有价值的信息成为企业重要关切。文章给出一种基于Spark的大数据分析可视化平台的设计和实现。平台采用GreenPlum作为分布式数据库存储工具,Spark MLlib作为分析建模工具,通过Greenplum-Spark连接器连接存储和分析,加速数据处理过程。同时,平台采用BS架构,前端拖拽式操作实现便捷的分析处理,为终端用户带来良好的使用体验。此外,平台支持集成新模型和可视化图表,具有良好的扩展性。

摘要：当前供应链协同管理成为提高行业效率的重要手段。文章利用工业互联网标识解析体系在工业软件应用中的贯通和衔接能力,给出了一种药品供应链场景下的移动App系统设计,完成批量赋码、标识打码、包装关联、出库入库、信息追溯等应用功能的实现。本App的初步实践应用表明,系统实现了医药行业上下游企业高效协同,提高了产品流通效率,对工业互联网标识解析体系的深化和创新应用进行了有益探索。

摘要：实现工业生产要素的便捷接入与统一管理是推进制造业数字化转型的必要条件。针对工业场景中类型多样的设备接入困难、构建应用不便等问题,设计和实现了一种工业物联使能云平台,平台采用边云协同的分层架构,实现了设备接入、设备生命周期管理、规则引擎与运营监控等典型功能。初步实践应用表明,该平台对构建上层工业智能化应用具有良好的支撑作用。

摘要：针对当前在真实环境中交通标志呈多尺度分布,且图像背景复杂、天气光照多变等多种因素造成识别精度低、识别速度慢等情况。提出了一种基于深度学习神经网络的交通标志识别的设计与实现。首先从公开数据集TT100K中选取出现次数最多的45类交通标志进行识别,接着对图像进行mosaic等图像增强及图像处理。然后在深度学习神经网络中的YOLOv4网络结构上进行改进,使用聚类划分需要检测的目标框尺寸和CIOU对预测结果进行优化,最后使用迁移学习对模型进行训练。通过对模型的评估发现,与现有的方法相比,该模型的识别精度更高,识别速度更快。