在電力負(fù)荷持續(xù)攀升的背景下 ,特高壓直流輸電線路的建設(shè)也持續(xù)增多 ,城市建設(shè)規(guī)劃難以開辟新的線路走廊 , 需要利用原有500 kv交流線路路徑 ,實現(xiàn)交流線路與直流線路共用原有的線路走廊 。鑒于此 ,對交直流混壓共塔架設(shè)進(jìn)行了電磁環(huán)境和電磁感應(yīng)的研究 ,并采取計算分析的方式進(jìn)行了驗證。
本次演示展示了如何利用“跟蹤”功能,通過使用 AMD Ryzen AI Phoenix 中的 AIE 語言和 AIE API,高效地實現(xiàn)彩色圖像的“反向”處理。
如果你的 Raspberry Pi 在充當(dāng)媒體中心或復(fù)古游戲機(jī)一段時間后被閑置在抽屜里了,那現(xiàn)在是時候給它換個新“工作”了。本指南將帶你完成一項硬件升級,將你閑置的 Raspberry Pi 轉(zhuǎn)變?yōu)橐豢顚I(yè)級、開源的四足機(jī)器人——希沃德小狗版 Raspberry Pi 的大腦。這可不是一般的項目,而是要為閑置的計算核心賦予新的軀體和新的使命。
路燈在無需開啟的情況下也會消耗大量電能。本項目展示了一種使用 Arduino 和 LDR(光敏電阻)的智能自動路燈系統(tǒng),該系統(tǒng)能在夜間自動開啟,在白天自動關(guān)閉,從而有助于降低電力消耗。
針對火力發(fā)電廠汽輪發(fā)電機(jī)組的軸系找正技術(shù)進(jìn)行了詳細(xì)分析 ,探討了軸系找正誤差對機(jī)組運(yùn)行穩(wěn)定性 、設(shè)備壽命和維護(hù)成本的影響。通過采用激光對中法進(jìn)行軸系找正 ,確保機(jī)組的軸系精確對中 ,消除振動和不均勻負(fù)載 ,提高機(jī)組的運(yùn)行效率和穩(wěn)定性。研究表明 ,軸系不對中會增加振動幅度 , 降低機(jī)組效率并加速設(shè)備磨損 ,而精確的找正技術(shù)能夠有效提高機(jī)組的運(yùn)行效率 ,延長設(shè)備使用壽命 ,并減少故障和停機(jī)時間。該研究為優(yōu)化火力發(fā)電廠機(jī)組的安裝質(zhì)量、提升運(yùn)行穩(wěn)定性提供了技術(shù)支持。
走進(jìn)許多理工科實驗室,你就會看到這樣的機(jī)器人:它們通常被當(dāng)作“高級演示品”或一次性教學(xué)輔助工具而被束之高閣。它們演示一個概念,然后就被人遺忘。而 Hiwonder PuppyPi 則旨在打破這種循環(huán)。它并非一種一次性使用的教學(xué)工具;它是一個全面、專業(yè)級別的平臺,能夠?qū)⒒A(chǔ)編程與高級研究之間的差距連接起來。通過結(jié)合樹莓派大腦、強(qiáng)大的 ROS 原生框架以及工業(yè)級的擴(kuò)展性,它從一個課堂上的奇思妙想轉(zhuǎn)變?yōu)榻逃透偧紮C(jī)器人領(lǐng)域創(chuàng)新的強(qiáng)大工具。
你的樹莓派是否仍被安放在一個柜子里,默默地充當(dāng)著網(wǎng)絡(luò)存儲設(shè)備或家庭服務(wù)器的角色?是時候給它賦予一個新的形態(tài)了——一個能夠移動、觀察和互動的形態(tài)。這就是我最新項目的核心內(nèi)容:將 PuppyPi(一款專為學(xué)習(xí)而設(shè)計的開源 ROS 四足機(jī)器人)改造為一個真正實用的家庭助手原型。這并非關(guān)于遠(yuǎn)程控制,而是要創(chuàng)造一個能夠自主巡邏、理解指令甚至能執(zhí)行簡單物理任務(wù)的移動智能體。這就是我如何將一個開發(fā)平臺轉(zhuǎn)變?yōu)榧彝バ鲁蓡T的過程。
針對抽水蓄能電站強(qiáng)迫油循環(huán)水冷主變壓器冷卻器頻繁啟停問題 ,在分析現(xiàn)有控制邏輯基礎(chǔ)上 ,提出基于油溫分段控制的啟停邏輯優(yōu)化方案 。原邏輯為“油溫高二段啟動兩臺輔助冷卻器”, 易導(dǎo)致運(yùn)行過程中冷卻器反復(fù)投切 ,加劇設(shè)備損耗與能耗。因此 ,將啟動邏輯調(diào)整為“油溫高一段啟動一臺輔助冷卻器”,并結(jié)合冷卻器定期輪換機(jī)制 ,實現(xiàn)油溫的提前干預(yù)與精細(xì)化控制?,F(xiàn)場應(yīng)用結(jié)果表明 ,優(yōu)化后油溫高二段觸發(fā)頻次降低90%以上 ,冷卻器啟停次數(shù)減少50% ,年預(yù)估節(jié)省維護(hù)及廠用電費(fèi)約12萬元 , 顯著提升了主變冷卻系統(tǒng)的運(yùn)行穩(wěn)定性、經(jīng)濟(jì)性與設(shè)備壽命。
量化任務(wù)在內(nèi)部使用 AIMET 框架來對模型進(jìn)行量化處理。要完成這一量化操作,需要使用訓(xùn)練數(shù)據(jù)集的一部分。所需校準(zhǔn)數(shù)據(jù)的大小通常在數(shù)千個樣本的量級。
在半導(dǎo)體存儲領(lǐng)域,HBM(高帶寬內(nèi)存)用近十年時間完成了從技術(shù)概念到產(chǎn)業(yè)核心的蛻變,成為 AI 大模型、高端 GPU 等算力密集型應(yīng)用的關(guān)鍵支撐。