Паз вектор next: Вектор ГАЗа — Авторевю

>

Городской автобус ПАЗ 320406-04 Вектор Next

ПАЗ 320406-04 Вектор Next — новая модификация ПАЗ-3204. Этот автобус используется главным образом для городских перевозок на маршрутах с малой и средней интенсивностью. Он немного дороже старых модификаций, но обеспечивает пассажирам больший уровень безопасности и комфорта.

Автобус создан на платформе ГАЗон Next. У него модульный металлический кузов с двумя дверями, новая лицевая маска с панорамным лобовым стеклом, современный и довольно привлекательный внешний вид. Элементы кузова, которые часто повреждаются дорожным щебнем, сделаны из стеклопластика: это позволяет не беспокоиться о коррозии в местах скола краски и заметно увеличить срок службы кузова.

Расчетная вместимость ПАЗ 320406-04 Вектор Next — 53 человека, но посадочных мест всего 17. Все кресла в автобусе расположены на общей платформе, они пластиковые, с высокими спинками и поручнями на них. Интерьер салона довольно простой, но выглядит современнее, чем в старых модификациях ПАЗ «Вектор».

Автобус оснащается дизельным двигателем ЯМЗ 53423 EGR экостандарта Евро-5, который разрабатывался специально для автобусов ПАЗ. Он работает в паре с МКПП Fast Gear, очень простой и недорогой в обслуживании.

Поскольку ПАЗ Вектор Next создавался на платформе ГАЗон Next, ходовая в значительной степени заимствована от него же. В автобусе установлен ведущий мост ГАЗ передняя зависимая рессорная и задняя зависимая пневморессорная подвески. Использование пневмоподвески сзади заметно улучшило амортизацию и сделало «Вектор Next» более удобным для водителя и пассажиров. Тормозная система в ПАЗ 320406-04 практически не изменилась — она по-прежнему пневматическая, тормоза барабанные.

Заказать ПАЗ 320406-04 и другую технику Павловского завода вы всегда можете в нашей компании. Мы предлагаем полную номенклатуру автобусов ПАЗ, оригинальные запчасти и расходные материалы к ним, обслуживание в нашем техцентре. Возможна продажа техники в кредит, лизинг для юридических лиц.

Новости

На Павловском автобусном заводе «Группы ГАЗ» стартовало серийное производство автобусов «Вектор NEXT» длиной 8. 8 метра, работающих на сжатом природном газе (CNG). Данная модификация расширяет линейку газовой техники «Группы ГАЗ», выпускающей высокоэкологичные автобусы и коммерческие автомобили.

«Группа ГАЗ» начала серийное производство автобусов «Вектор NEXT 8.8» CNG (compressed natural gaz – сжатый природный газ) Это самая вместительная модель из флагманской линейки Павловского автобусного завода, работающей на природном газе. Автобус «Вектор NEXT 8.8» рассчитан на 59 мест, включая 23 посадочных места.

«Вектор NEXT 8.8» CNG изготавливается в модификации «Доступная среда», которая включает в себя низкий уровень пола в задней части автобуса, просторную накопительную площадку, крепления для инвалидной коляски, кнопку связи с водителем и механическую аппарель.

Автобус оснащен современным отечественным газовым двигателем ЯМЗ-534 мощностью 170 л.с. экологического стандарта «Евро-5». Газовые баллоны обеспечивают запас хода на одной заправке до 600 км. Благодаря интегральному рулевому управлению и оригинальной передней подвеске «Вектор NEXT 8.8» CNG отличается улучшенной управляемостью и плавностью хода на дорогах различных категорий. Пневматическая тормозная система с дисковыми тормозными механизмами отвечает за надежное замедление автобуса в сложных дорожных условиях. Антипробуксовочная система (ASR) существенно упрощает управление на мокрой дороге или в других условиях недостаточного сцепления колес с дорожным покрытием. Увеличенный межсервисный интервал до 20 000 км, гарантийный срок 3 года, высокий ресурс кузова и агрегатной базы обеспечивают максимально выгодную стоимость владения.

Автобусы «Вектор NEXT» выпускаются на Павловском заводе с 2016 года. На сегодняшний день семейство NEXT включает 8 моделей малого и среднего классов и 11 модификаций размерностью от 7.1 и до 8.8 метров. В том числе – газовые версии длиной 7.1 и 7.6 метров. Вместимость линейки автобусов «Вектор NEXT» – от 39 до 71 пассажиров, автобусы приспособлены для перевозки маломобильных пассажиров, могут использоваться на городских и пригородных маршрутах, эксплуатироваться на дорогах с различными типами покрытия.

Павловский автобусный завод начал выпуск трех новых модификаций автобусов «Вектор NEXT»

29.05.2018

Павловский автобусный завод (ПАЗ) начал серийный выпуск новых модификаций автобусов «Вектор NEXT»: моделей для маломобильных пассажиров, для междугородных перевозок и на газовом топливе. C учетом расширения линейки ПАЗ планирует в этом году увеличить продажи автобусов «Вектор NEXT» на 60%.

Павловский автобусный завод в продолжение развития флагманской линейки автобусов «Вектор NEXT» начал серийный выпуск трех новых модификаций: «доступная среда», междугородный и автобус на сжатом природном газе.

«Вектор NEXT» в модификации «доступная среда» оснащен для удобства маломобильных пассажиров: задняя дверь и накопительная площадка имеют низкопольное исполнение, дверной проем расширен до 0,9 м, автобус оборудован механической аппарелью и местом для инвалидной коляски. Благодаря низкому уровню пола и функции опускания задней подвески, при подъезде к остановке задняя площадка практически совпадает с высотой бордюра, в результате чего в автобус могут беспрепятственно заезжать коляски.

Междугородная модификация «Вектора NEXT» уже в базовой комплектации имеет тонированное остекление кузова, комфортабельные сиденья с регулировкой наклона спинки и ремнями безопасности, кондиционер, багажные полки, аудиосистему, тахограф с блоком средств контроля защиты информации, оборудование ЭРА-ГЛОНАСС, дополнительные поручни и отдельное багажное отделение.

Газовая модификация автобуса оснащена шестью баллонами по 62 л каждый, комплектуется двигателем ЯМЗ-530 экологического стандарта «Евро-5». В газовых двигателях ЯМЗ-530 применены передовые конструктивные решения по компоновке, управлению, работе основных систем, обеспечивающих их надежность и экономичность. Использование газа в качестве топлива обеспечивает экономию эксплуатационных издержек в два раза и снижение количества вредных выбросов в атмосферу по сравнению с аналогичной дизельной техникой.

Производство нового семейства автобусов «Вектор NEXT» началось на Павловском автобусном заводе в июне 2016 года. Автобусы рассчитаны на перевозку от 43 до 53 пассажиров, имеют улучшенную эргономику водительского места, усовершенствованную систему шумоизоляции. Модели могут оснащаться электронными рейсоуказателями, бегущей строкой с информацией о маршруте, автоинформатором, видеосистемой и другими дополнительными опциями по требованию клиента. Автобусы в зависимости от компоновки салона могут работать на городских, пригородных и междугородных маршрутах.

В 2017 году на рынок РФ было поставлено около 1100 автобусов «Вектор NEXT», в том числе в регионы, где будут проходить матчи Чемпионата мира по футболу. Расширение линейки «Вектор NEXT» позволяет более чем на 60% увеличить объем продаж – в 2018 году планируется реализовать около 1700 автобусов этой модели.

Вектор NEXT 7.6 – Технические характеристики

Тип кузова Полунесущий, вагонной компоновки Полунесущий, вагонной компоновки Полунесущий, вагонной компоновки Полунесущий, вагонной компоновки
Мин. радиус разворота, м 6,75 6,75 6,75 6,75
Масса снаряженная/технически допустимая, кг 6150. ..6270/10050 6400/10050 6650/10050 6560/10050
Нагрузка на переднюю/заднюю ось от технически допустимой массы, кг 3500/6550 3500/6550 3500/6550 3500/6550
Общее количество мест (в т.ч. посадочных) 43 (25+1), 50 (21+1), 53 (17+1) 55 (20+1) 41 (25+1) 26 (25+1 сопр.)
Емкость топливного бака/газовых баллонов, л 95 95 95 95
Шасси/мост C40R13, производства ГАЗ C40R13, производства ГАЗ C40R13, производства ГАЗ C40R13, производства ГАЗ
Рулевой механизм Интегрального типа с гидроусилителем Интегрального типа с гидроусилителем Интегрального типа с гидроусилителем ZF, интегрального типа с гидроусилителем
Тормозная система Тормозные механизмы – дисковые с автоматической регулировкой зазоров, привод тормозных механизмов – пневматический, с АВS, ASR Тормозные механизмы – дисковые с автоматической регулировкой зазоров, привод тормозных механизмов – пневматический, с АВS, ASR Тормозные механизмы – дисковые с автоматической регулировкой зазоров, привод тормозных механизмов – пневматический, с АВS, ESC (электронная система курсовой устойчивости) Тормозные механизмы — дисковые с автоматической регулировкой зазоров, привод тормозных механизмов — пневматический, с ABS, ESC (электронная система курсовой устойчивости)
Вентиляция

Естественная, через форточки в окнах боковины и люки в крыше. Принудительная, через накрышные электровентиляторы

Естественная, через форточки в окнах боковины и люки в крыше. Принудительная, через накрышные электровентиляторы

Естественная, через форточки в окнах боковины и люки в крыше. Накрышный кондиционер

Естественная, через форточки в окнах боковины и люки в крыше. Принудительная, через накрышные электровентиляторы

Система отопления Независимый автономный жидкостный предпусковой подогреватель и 3 салонных отопителя Независимый автономный жидкостный предпусковой подогреватель и 3 салонных отопителя Независимый автономный жидкостный предпусковой подогреватель и 3 салонных отопителя Независимый автономный жидкостный предпусковой подогреватель и 3 салонных отопителя
Шины 245/70 R19,5 245/70 R19,5 245/70 R19,5 245/70 R19,5
База, мм 4760 4760 4760 4760

Автобус ПАЗ Vector Next превратили в шикарный автодом

Автобус Павловского автозавода Vector Next переделали в ультракомфортабельный дом на колесах с отдельной спальней, гостиной, туалетом, душевой и полноценной кухней. Изготовлением необычных автокемперов занимается компания «Автоуслуги» из Нижнего Новгорода, которая специализируется на переоборудовании автобусов в спецтранспорт.

За основу автодома взят ПАЗ Vector Next с колесной формулой 4×2 и мотором ЯМЗ мощностью 125 лошадиных сил. Агрегат работает в тандеме с пятиступенчатой «механикой». Внешне ПАЗик отличается от своей заводской версии распашной дверью, вместо стандартных двух пневматических, а также тонированными окнами со шторками, маркизой для защиты авто от дождя и солнца и вентиляционным люком в крыше. Кузов предлагается покрасить в любой цвет, по желанию заказчика.

Внутри — без преувеличения самый настоящий дом. В типовой комплектации салон разделяется на несколько отдельных функциональных зон. Первая — это спальня с двуспальной кроватью и шкафом для одежды. Вторая — туалетная комната с отдельной душевой, унитазом со встроенной кассетой для слива отходов и индикатором, раковиной, зеркалом, ящиком с полками и отдельной вентиляцией.

Третья — полноценная кухня с угловым модулем, в который встроены мойка, настольная плита с газовым баллоном и ящики. Четвертая — гостиная, в которой расположились обеденный стол, три кресла, полка со строенной стиральной машиной, холодильником и микроволновкой.

Для наибольшего комфорта внутренняя обшивка стен выполнена из специального материала с функцией термоизоляции. В качестве напольного покрытия используются линолеум и транспортная доска.

А, чтобы обеспечить максимальную автономность дома на колесах, создатели продумали все коммуникационные системы. Так, для водоснабжения используется 80-литровый бак с нагревателем воды. Наполнять го можно через дополнительный люк на улице. Канализация так же выполнена с помощью бака, слив которого осуществляется через отдельный люк на улице.

Электричество (а значит, отопление и освещение) берется в основном от сети автомобиля, через встроенный преобразователь напряжения 24в-220в. В качестве дополнительного источника питания используется внешнее подключение к электросети через встроенный силовой кабель в боковом люке автодома.

По желанию покупателя интерьер и оснащение дома на колесах могут быть переделаны. Разумеется, за дополнительную плату. Однако компания не разглашает стоимость даже базовой модели, не то что каких-то индивидуальных проектов. Ее нужно запрашивать индивидуально.

При этом стоит отметить, что кемперы — в целом очень нишевый вид транспорта, который вряд ли когда-нибудь станет массовым. А касательно ПАЗика существенным минусом является то, что для управления им необходимо иметь специальные автобусные права.

Кроме того, при всех преимуществах такого автодома, у него все же остается асфальтовая геометрия. То есть, для бездорожья он точно не подойдет. Впрочем, создатели делали его не для этого: главное — комфорт.

Подпишись на наш Telegram-канал

Источник: Автоуслуги

ПАЗ сделал три новых модификации автобуса «Вектор Next»

31.05.2018 8:19

Павловский автобусный завод начал серийный выпуск трех новых модификаций флагманской линейки автобусов «Вектор NEXT»: «доступная среда», междугородный и автобус на сжатом природном газе.

«Вектор NEXT» в модификации «доступная среда» оснащен для удобства маломобильных пассажиров: задняя дверь и накопительная площадка имеют низкопольное исполнение, дверной проем расширен до 0,9 м, автобус оборудован механической аппарелью и местом для инвалидной коляски. Благодаря низкому уровню пола и функции опускания задней подвески, при подъезде к остановке задняя площадка практически совпадает с высотой бордюра, в результате чего в автобус могут беспрепятственно заезжать коляски.

Междугородная модификация «Вектора NEXT» уже в базовой комплектации имеет тонированное остекление кузова, комфортабельные сиденья с регулировкой наклона спинки и ремнями безопасности, кондиционер, багажные полки, аудиосистему, тахограф с блоком средств контроля защиты информации, оборудование ЭРА-ГЛОНАСС, дополнительные поручни и отдельное багажное отделение.

Газовая модификация автобуса оснащена шестью баллонами по 62 л каждый, комплектуется двигателем ЯМЗ-530 экологического стандарта «Евро-5». В газовых двигателях ЯМЗ-530 применены передовые конструктивные решения по компоновке, управлению, работе основных систем, обеспечивающих их надежность и экономичность. Использование газа в качестве топлива обеспечивает экономию эксплуатационных издержек в два раза и снижение количества вредных выбросов в атмосферу по сравнению с аналогичной дизельной техникой.

Производство нового семейства автобусов «Вектор NEXT» началось на Павловском автобусном заводе в июне 2016 года. Автобусы рассчитаны на перевозку от 43 до 53 пассажиров, имеют улучшенную эргономику водительского места, усовершенствованную систему шумоизоляции. Модели могут оснащаться электронными рейсоуказателями, бегущей строкой с информацией о маршруте, автоинформатором, видеосистемой и другими дополнительными опциями по требованию клиента. Автобусы в зависимости от компоновки салона могут работать на городских, пригородных и междугородных маршрутах.

В 2017 году на рынок РФ было поставлено около 1100 автобусов «Вектор NEXT», в том числе в регионы, где будут проходить матчи Чемпионата мира по футболу. Расширение линейки «Вектор NEXT» позволяет более чем на 60% увеличить объем продаж – в 2018 году планируется реализовать около 1700 автобусов этой модели.

Автобус Паз Вектор: производитель, технические характеристики.

Представляем вам Паз Вектор – автобус современного поколения с улучшенными техническими характеристиками. Производство и продажа Vector Next выполняются группой ГАЗ – лидерами автомобильного рынка.

Удобное рабочее место для водителя, комфорт для пассажиров и пониженный уровень шума – вот на что следует обратить внимание в первую очередь во время поездки.

Группа ГАЗ учла все пожелания и предусмотрела выпуск трех основных версий «Вектор Некст»: междугородного, городского/пригородного и туристического.

Особенности и технические характеристики

Отечественные запчасти Паз Вектор Next всегда в свободном доступе, так что проблем с поиском нужных комплектующих быть не должно.

В конструкцию установлен новейший 4-цилиндровый двигатель ЯМЗ-5344, отличительной чертой которого является турбонаддув. Он практически не шумит и имеет низкий уровень вибрации.

Продольно встроенный мотор, максимальная мощность которого составляет 150 л.с, позволяет транспорту динамично разгоняться. Действует технология непосредственного впрыска топлива. Установленный двигатель обладает технологией жидкостного охлаждения и воспламенения в процессе сгорания топлива путем сжатия воздуха.

5-тиступенчатая механика и однодисковое сцепление – это гарант надежности и проходимости. Максимальная скорость, которую Паз Вектор развивает – 100 км/час.

Основа Вектор Next состоит из платформы ГАЗ Next, а нижний элемент кузова и крыша выполнены из пластика.

Автобус функционирует при помощи гидравлического усилителя руля. Пневматическая тормозная система представлена дисковыми тормозами с системой ABS и автоматической регулировкой рабочего зазора.

Для водителя есть собственный вход с дверью, на внутренней стороне которой уместно расположился карман. Само водительское место снабдили удобным сиденьем и компактной панелью с информативным табло и логичным расположением управления.

Благодаря лобовому стеклу обеспечен отличный обзор. Вся комплектация говорит о маневренности автобуса.

Каждая модификация предполагает наличие дополнительных опций: багажные полки, электронные рейсовые указатели, системы пожаротушения и видеонаблюдения, цифрового тахографа, всевозможных вариантов сидений.

колесная формула4х2
расход топлива23 литра на 100 км
кузов вагонного типа (дл., шир., выс.)7645х2445х2915 мм
технически допустимый вес10 000 кг

При желании производитель может изменить вместимость, габариты кузова, высоту пола и даже планировку салона, поэтому разные модификации могут немного отличаться длиной, шириной и высотой.

Описание основных моделей

Автобус Паз 320405 от Группы ГАЗ выделяется тем, что сюда может быть встроен двигатель, отвечающий как экологическому классу Евро-4, так и даже Евро-5.

Выпускаемый производителем Паз 320405 также оснащен ЭРА-ГЛОНАСС, плюс электрическим обогревом наружных зеркал. Пассажирская вместимость городского варианта составляет 17 посадочных мест, 36 стоячих. Для пригородной модели 21 или даже 25 посадочных мест, 29 или 18 стоячих.

В салоне две двери. Действует естественная и принудительная вентиляция. Отопление состоит из независимого автономного жидкостного предпускового подогревателя и трех салонных отопителей.

Отдельно стоит упомянуть Паз 320405-04 Вектор Next, в котором каждое встроенное сиденье идет по классу комфорт и оснащено ремнями безопасности. Тонированные стекла – это отличное решение для междугородних поездок.

В салоне Паз 320405-04 установлено кондиционирование и видеонаблюдение. Действует дисковая тормозная система и задняя пневматическая подвеска. А еще Паз 320405-04 впечатляет вместительным багажным отделением.

Индекс Паз 320414 означает наличие универсальных раздельных сидений с высокой спинкой. Здесь встроены современные светодиодные режимы. Городской автобус Паз 320414 оборудован посадочными местами в количестве 19 (всего 64). Встречается также Паз с пометкой 05 вектор с антивандальными сиденьями.

Пригородный транспорт с пассажирскими местами 23 (57) оснащен системой ЭРА-ГЛОНАСС. Дополнительно возможна установка подъемника для входа людей с ограниченными возможностями.

У автобусного варианта Паз 320414-04 Вектор двигатель помощнее – на 169 лошадиных сил.

Современная модель Паз 320414-05 по сравнению с Паз 320414-04 отличается наличием продвинутой системы отопления. В модификации 320414-05 Паз есть два отопителя и дополнительно установлены конвекторы по боковинам.

Заключение

Выпускаемые Vector автобусы обладают 5ступенчатой ГАЗ коробкой передач. В плане техобслуживания автобус прост тем, что автозапчасти к нему легко найти.

Простота в прохождении техобслуживания, а также маневренность автобуса стали определяющими качествами в пользу его выбора.

Получите рекомендации по музыке с помощью Google Cloud Platform! Часть 2

24 янв 2018 Получите рекомендации по музыке с помощью Google Cloud Platform! Часть 2

Сообщение от Шахин Р. Намин

В части 1 мы узнали о механизмах рекомендаций в целом и рассмотрели способы реализации службы с использованием Google Cloud Platform (GCP). Во второй части серии блогов мы изучаем модель подобия элементов и ее реализацию в TensorFlow.

Это наш первый технический блог из этой серии. Здесь я подробно рассмотрю этап обработки данных, службу рекомендаций и некоторые подсказки о том, как оптимизировать код для получения ответов в режиме реального времени. К концу этого блога вы должны знать, как создать простой механизм рекомендаций по схожести элементов.

Итак, приступим к вечеринке!

Мы хотим рекомендовать песни, которые похожи на другие песни, поэтому для создания нашего механизма рекомендаций по схожести элементов нам потребуется база данных с информацией о песнях.

Набор данных «Миллион песен» (MSD) содержит множество атрибутов для каждой песни. Некоторые из них по своей природе информативны и подходят для визуализации. Например, название песни, исполнитель, альбом, год выпуска и т. Д. Кроме того, некоторая другая существующая информация о песнях относится к музыкальным и звуковым аспектам песен. Среди доступных атрибутов песен в этой группе тембр может оказаться для нас наиболее полезным. Это хорошее представление содержания песни, и, похоже, именно это позволяет нам различать два музыкальных инструмента, когда они играют одну и ту же ноту и с одинаковой амплитудой.Итак, теперь мы нашли особенности содержания наших песен, верно? Не совсем! Проблема в том, что тембры представляют собой поток (последовательность) чисел, а размер последовательности отличается от песни к песне.

Тембры для семпла

Итак, чтобы иметь представление о песнях, мы предварительно обрабатываем тембры песен таким образом, чтобы в итоге получить вектор чисел фиксированного размера. Тембры песен имеют размер (, 12 сегментов, ), где 12 — размеры тембра, а сегмент , отличается от песни к песне, что равно количеству сегментов, на которых вычисляются тембры.Для этой модели подобия предметов мы будем использовать элемент размера 90,

.

, который объединяет среднее значение каждого измерения тембра (12 признаков) и диагональный и нижний треугольник ковариационной матрицы (78 признаков), который показывает дисперсию каждого измерения (диагональные элементы матрицы) и ковариацию каждой пары размерностей тембра . Это составляет 90 элементов для вектора признаков. Обратите внимание, что эти функции используются в нескольких других работах, например прогнозировать год выпуска песен и т. д.

После чтения файлов hdf5 в наборе данных MSD для каждой песни вычисляются средние тембры и ковариационная матрица. Затем функции сохраняются в файл CSV. CSV-файл с характеристиками копируется в GCS, чтобы быть готовым к вычислению рекомендаций по схожести элементов.

Итак, мы извлекли особенности содержания песен. Оставшаяся часть — это ядро ​​системы, механизм рекомендаций.

Для нашей первой системы рекомендаций здесь учтена простая модель подобия.Это вычисляет сходство песен с каждой прослушанной песней, вычисляет среднее значение сходства и возвращает наиболее похожие песни в качестве рекомендованных песен.

Вычисление предметного сходства

Сходства вычисляются по косинусному сходству. Возвращаясь к математике средней школы, косинусное сходство — это значение между -1 и 1 и является косинусом угла между двумя векторами. Если два вектора указывают в одном направлении, их косинусное сходство будет равно 1.Если они находятся в противоположном направлении, подобие будет -1, а если они перпендикулярны, значение подобия будет 0. Обратите внимание, что косинусное сходство — лучшая метрика подобия, чем, скажем, евклидово расстояние, когда размерность пространства велика. Косинусное сходство между двумя векторами A и B составляет:

Масштабирование строк матрицы признаков и более быстрое вычисление сходства

Мы можем использовать математику и линейную алгебру, чтобы оптимизировать вычисление сходства. Всегда полезно вычислять умножения в матричной форме, если мы можем хранить их в памяти. Величины векторов признаков фиксированы и присутствуют во всех вычислениях подобия.

Итак, чтобы ускорить вычисление косинусного сходства, мы можем разделить элементы вектора признаков на величину вектора признаков, чтобы получить масштабированные векторы признаков. Этот процесс называется масштабированием или нормализацией функции. Мы сохраняем и работаем с масштабированными векторами вместо исходных векторов признаков.Если мы работаем с масштабированными векторами, внутреннее произведение двух масштабированных функций дает нам сходство. Поскольку мы вычислили и масштабировали векторы один раз, нам не нужно повторно вычислять величины, поэтому вычисление подобия потребует меньше операций с плавающей запятой. Итак, в качестве нашей первой оптимизации мы сначала масштабируем все векторы функций и сохраняем их. Затем мы вычисляем сходство на основе масштабированных векторов признаков.

Векторизация рекомендаций по песням

До сих пор мы приняли решение использовать косинусное сходство и увидели, что можем вычислить его быстрее, работая непосредственно с нормализованными векторами признаков, а не с самими векторами признаков.Имея это в руках, следующий шаг — найти рекомендуемые песни; Это просто: вы в основном вычисляете сходство каждой отдельной песни в наборе данных с каждой прослушанной песней, вычисляете их среднее значение и возвращаете идентификатор песен, которые имеют наибольшее сходство. В этом есть смысл, не так ли? Да, если вы готовы подождать 10 секунд, чтобы получить ответ!

Миссия провалилась. Но не сдавайся!

Но подождите секундочку! Это означает, что нам нужно написать вложенный цикл для вычисления сходства каждой прослушанной песни с каждой отдельной существующей песней (1 миллион песен), а затем просуммировать сходство для каждой песни в наборе данных.Затем отсортируйте их и верните индекс первой вершины K . Если мы напишем все так наивно, нам понадобится несколько секунд, чтобы ответить на запросы. Поэтому требуется более эффективный способ вычисления. Здесь пригодятся линейная алгебра и матричное умножение.

Мы выполняем все эти вычисления максимально быстро, собирая все в матрицы. Для векторов признаков мы собираем векторы признаков в матрицу, называемую матрицей признаков. Каждая строка матрицы соответствует песне и будет охватывать масштабированный вектор характеристик песни.

Matrix F загружается и вычисляется один раз и сохраняется в памяти при загрузке службы. Кроме того, для каждого запроса создается матрица L с использованием масштабированных векторов признаков прослушиваемых песен. Если индексы прослушанных композиций равны (), то матрица L имеет следующий вид:

Имея эти две матрицы, мы можем вычислить сходство, сначала умножив F на матрицу транспонирования L , а затем суммируя (или усредняя) по каждой строке матрицы. Это приведет к сходству всех песен.

Следующий шаг — вернуть обратно идентификаторы песен с верхними значениями сходства k . Алгоритмически намного быстрее найти первые k элементов в списке, чем отсортировать и выбрать первые k элементов. Мы также воспользуемся этим фактом в нашей реализации.

Итак, напомним, сервис загружает функции из CSV и масштабирует каждый вектор признаков, генерирует матрицу признаков и сохраняет ее в памяти.Затем при получении нового запроса он собирает характеристики прослушанных песен и генерирует матрицу L . Затем он вычисляет сходство для всех 1 миллиона песен и возвращает первые k из них (которых нет в наборе прослушанных песен).

Также обратите внимание, что процесс масштабирования векторов выполняется один раз. Можно выполнить этот процесс и сохранить функции в виде файла CSV и загрузить эту функцию в модель или выполнить масштабирование функций во время чтения данных. Мы написали нашу модель, чтобы она была достаточно общей для работы с любым файлом CSV, и, поскольку этот процесс выполняется один раз, безопаснее выполнять масштабирование независимо от того, масштабировались ли ранее функции или нет. Это гарантирует правильность вычисления сходства и будет работать с функциями, сохраненными в формате CSV.

Итак, теперь вы знаете, как работает подобие предметов. Следующим шагом будет просто реализовать подобие предметов.

Сервис написан на Python и TensorFlow.Обратите внимание, что вычисление сходства элементов может быть вычислено на чистом Python и numpy, но использование TensorFlow позволяет нам использовать очень эффективные матричные / векторные операторы (и графические процессоры для них, если хотите), и конечные результаты будут намного быстрее. Поэтому мы используем TensorFlow для выполнения всех вычислений. Фактически, при использовании TensorFlow с матричной формой мы можем вычислить все сходства для всех 1 миллиона песен и вернуть самые рекомендуемые песни за ~ 0,1 секунды, даже при использовании процессоров, так что это того стоит, не так ли? не так ли?

Итак, давайте рассмотрим процесс подготовки модели TensorFlow.

Подготовка модели TensorFlow

Некоторые основы TensorFlow

Модели в TensorFlow представлены графом вычислений, узлы которого являются вычислительными или математическими операторами, а ребра показывают, откуда берутся входы операции и куда должны идти выходы после применения математического оператора. Операторы в TensorFlow дифференцируемы (это означает, что вы должны иметь возможность вычислять градиенты вывода относительно входных данных оператора), и именно поэтому вы иногда не можете найти в TensorFlow оператор, который соответствует простой задаче. в программировании.

Входы и выходы операции — это ноль или более тензоров (N-мерные массивы). Входные данные модели также предоставляются графу в виде тензоров. Тензоры будут проходить через операторы в графе один за другим, пока не будут получены выходные данные графа. Мы можем напрямую сказать графику, является ли тензор параметром, который можно изучить и / или является ли он частью модели, или он является одним из входных данных и должен предоставляться каждый раз, когда мы хотим запустить график. Параметры модели определяются классом Variable.Вот как вы можете определить тензор переменной для модели.

параметр_переменной1 = tf.Variable (начальное_значение = начальное_значение_np_array, dtype = tf.float32, имя = 'параметр_переменной1')

Другой тип тензоров — это те, которые непосредственно вводятся в граф, то есть входные тензоры. Они определяются оператором Placeholder.

placeholder_param1 = tf.placeholder (dtype = tf.float32, shape = (dim1, dim2), name = 'placeholder_param1')

Как видно из синтаксиса выше, заполнитель не получает никаких входных данных во время объявления.Это связано с тем, что использование модели TensorFlow состоит из двух этапов. Фаза построения — это когда мы представляем граф, а фаза выполнения — выполнение графа с использованием входных данных, предоставленных во время выполнения. Когда заполнитель вводит данные для графика, он получает значения на этапе выполнения. На этапе построения достаточно сообщить графику, что параметр является заполнителем. Если параметр объявлен как заполнитель, график запросит его значение для загрузки во время выполнения.

Граф обычно объявляется путем определения операторов и их входов и выходов. Например, мы можем построить небольшой граф, чтобы сложить элементы двух тензоров следующим образом.

param1 = tf.placeholder (dtype = tf.float32)
param2 = tf.placeholder (dtype = tf.float32)
сумма_результатов = tf.add (параметр1, параметр2)

Чтобы запустить модель и выполнить вычисления (время выполнения), график должен быть запущен в сеансе.

сессия = tf.Сессия ()

Сеанс предоставит методы для загрузки и выполнения графика. После выполнения модели мы можем получить вывод графика (или любого параметра внутри графика) в виде массивов numpy.

np_param_val = session.run (variable_param, feed_dict = {placeholder_param: np_input})

Первый параметр — это результат, который мы ожидаем получить. Значения заполнителей предоставляются параметром feed_dict .

np_param_val = сеанс.запустить (параметр_переменной, feed_dict = {placeholder_param: np_input})

Теперь вернемся к нашему небольшому графику суммирования, мы можем запустить наш график, как показано ниже.

с tf.Session () как сессия:
    sumlation_results_np = sessions.run (sumlation_results, feed_dict = {param1: [[1.0, 2.0], [3.0, 4.0]], param2: [[1.0,1.0], [1.0,1.0]]})

Запуск этого кода вернет

array ([[2., 3.], [4., 5.]], dtype = float32)

Рекомендательная модель в TensorFlow

Теперь у нас достаточно понимания процесса TensorFlow.Давайте теперь рассмотрим реализацию нашей модели TensorFlow подобия элементов.

импортировать тензорный поток как tf
np_features_mat = load_feature_file_and_scale (песни_features_file)
features_tensor = tf.Variable (начальное_значение = np_features_mat, dtype = tf.float32, name = 'features')
no_recom_songs = tf.placeholder (dtype = tf. int32, shape = ())
user_songs_tensor = tf.placeholder (dtype = tf.int32, shape = [None])
###### создание модели
#L матрица
L_transpose_tensor = tf.транспонировать (tf.nn.embedding_lookup (features_tensor, user_songs_tensor))
# вычисление сходства
подобия = tf.transpose (tf.reduce_sum (tf.matmul (features_tensor, L_transpose_tensor), axis = 1))
# измените значения сходства для прослушанных песен на -1 (чтобы они не появлялись в k лучших рекомендуемых песнях)
сходства = tf.scatter_update (сходства, user_songs_tensor, tf.fill ([tf.size (user_songs_tensor)], - 1.0))
# возврат топ k рекомендаций рекомендаций (первое измерение соответствует значению, а второе измерение соответствует индексам.Нам нужны индексы, поэтому [1] в конце.
Recommended_songs = tf.nn.top_k (сходства, k = no_recom_songs) [1]
# конец создания модели

Первый метод в фрагменте кода считывает CSV-файл с функциями построчно, масштабирует их и сохраняет в массивный 2D-массив. Процесс масштабирования строк матрицы признаков записан в numpy, поскольку мы не хотим делать его частью графика. Это потому, что мы не хотим, чтобы это вычисление выполнялось для каждого запроса, и оно должно выполняться один раз, а результаты в дальнейшем используются для ответов на запросы.Но если хотите, вы можете сделать это масштабирование в TensorFlow, как показано ниже:

tf_features_mat = tf.placeholder ('float', shape = (no_songs, noFeatures))
features_tensor = tf.nn.l2_normalize (tf_features_mat, dim = 1)

Следующий шаг — ввести в график переменные и входные данные. Функции представлены как переменный параметр графика TensorFlow. Это связано с тем, что функции рассматриваются как внутренний параметр графика, и мы хотим рассматривать их как переменную внутри модели, а не как входной параметр модели.Кроме того, входные данные запроса, то есть идентификаторы прослушанных песен и количество рекомендуемых песен, представлены как переменные-заполнители, так как они являются входными данными для графика.

Затем мы создаем матрицу, собирая строки тензора признаков с помощью tf. nn.embedding_lookup и транспонируя матрицу. embedding_lookup получает тензор и индексы в качестве входных данных и выбирает строки из матричного тензора, соответствующие индексам, и возвращает новый тензор с выбранными строками.

После подготовки матрицы выполняется вычисление внутреннего произведения тензора признаков и транспонирования матрицы L .Затем мы вычисляем сумму строк, вызывая оператор tf.reduce_sum. Затем вызывается tf.scatter_update, чтобы преобразовать сходство прослушанных песен в -1. Это связано с тем, что на следующем этапе мы вернем K лучших песен, и мы не хотим, чтобы прослушанные песни были среди рекомендуемых. Изменение значений подобия для прослушиваемых песен на -1 гарантирует, что они не будут возвращены как рекомендуемые песни.

Последняя строка обозначает поиск сходства top_k с помощью вызова tf.nn.top_k и возвращает индексы k лучших песен в качестве выходных данных модели. На этом мы закончим построение нашего графа TensorFlow.

Теперь, когда мы построили модель, мы должны подготовить ее к развертыванию в облаке. Как вы увидите в следующем блоге, для этого мы будем использовать TensorFlow. Чтобы подготовить нашу модель к обслуживанию, мы должны сохранить модель и представить сохраненную модель в TensorFlow Serving. Вот как вы можете определить входную и выходную сигнатуру для TensorFlow Serving и сохранить свою модель.

из конструктора импорта tensorflow.python.saved_model как saved_model_builder
builder = saved_model_builder.SavedModelBuilder (путь_экспорта)
pred_input_listened_songs = tf.saved_model.utils.build_tensor_info (user_songs_tensor)
pred_input_no_recommended_songs = tf.saved_model.utils.build_tensor_info (no_recom_songs)
pred_outputs = tf.saved_model.utils.build_tensor_info (рекомендуемые_песни)
prediction_signature = (tf.saved_model.signature_def_utils.build_signature_def (
    input = {
        'listened_songs': pred_input_listened_songs,
        'no_recom_songs': pred_input_no_recommended_songs
    },
    output = {
        'Recom_songs_ids': pred_outputs
    },
    имя_метода = tf. save_model.signature_constants.PREDICT_METHOD_NAME))
legacy_init_op = tf.group (tf.tables_initializer (), name = 'legacy_init_op')
builder.save ()

Здесь мы делаем заставку модели, чтобы можно было сохранить нашу модель. Нам также необходимо представить, что вводится в модель, а что считается выводом.

Выполнение приведенных выше кодов сгенерирует граф вычислений в TensorFlow и сохранит его для обслуживания TensorFlow. Следующий шаг — подготовить кластер в GCP и попросить кластер использовать TensorFlow в качестве службы.Мы обсудим нашу архитектуру на GCP и процесс подготовки нашего обслуживания TensorFlow в части 3 нашей серии блогов.

Я рад, что вы были достаточно упрямы, чтобы зайти так далеко. Подведем итоги.

В этом блоге мы говорили о модели подобия элементов и ее реализации в TensorFlow. Модель — это в основном вычисление сходства между прослушанными песнями и доступными песнями в нашем наборе данных на основе характеристик песен. Хотя модель очень проста (и не требует машинного обучения, если хотите!), Она, похоже, хорошо работает на практике и в режиме реального времени при условии, что мы эффективно реализуем алгоритм.

Сначала мы рассмотрели процесс создания наших функций для модели схожести элементов на основе содержимого. Мы заметили, что нам нужны функции, чтобы можно было сравнивать песни. Затем были предоставлены некоторые подробности о том, как использовать TensorFlow для наших средств, а также фрагменты кода и фрагменты кода.

Это был новый старт в мире технических рекомендаций в нашей серии блогов. В части 3 серии блогов вы сначала узнаете об архитектуре системы на GCP и о том, как использовать нашу модель в TensorFlow Serving.Затем, в последующих блогах, вы более подробно познакомитесь с реальными моделями машинного обучения и их реализацией.

Так что следите за обновлениями!

DLC | Боевой паз

Всем привет!

Надеюсь, вы все по-настоящему взволнованы предстоящим * бесплатным * DLC, Wargroove: Double Trouble ! Мы приближаемся к стадии, когда сможем объявить дату выпуска, а пока давайте познакомим вас с голосовыми талантами новых командиров Double Trouble. Скоро вы услышите их фантастические насмешки и боевые крики на поле боя. Если вам нужно напоминание об оригинальном голосе Wargroove, вы можете узнать больше в нашем предыдущем блоге Role Call.

–

Адриан Воган as Wulfar
Адриан озвучил набор персонажей в видеоиграх, таких как Crawl, Armello, Paradigm, Budget Cuts 1 и 2 и грядущие приключенческие игры Гарольд Палтус и Скиталец .Он также появлялся в нескольких отмеченных наградами конкурсах, которыми он спокойно гордится, а также в некоторых рекламных роликах на радио и телевидении. Когда он не изо всех сил старается быть зловещим или грубым, Адриан тратит свое время на написание биографий от третьего лица, потому что никто другой этого не сделает.
Веб-сайт — Twitter — YouTube

Вы можете узнать больше о Вульфаре в этом обзоре персонажей.

Эйлин Монтгомери as Эррол
Эйлин «EileMonty» Монтгомери — актриса озвучивания, певица и артист YouTube из Великобритании. Некоторые из ее самых известных ролей: Девушка с усами и королева Ванесса в A Hat In Time , Зима в Regalia: Of Men And Monarchs , Никки в Sprint Vector , Леди Тетис в Dust: Elysian Tail , Леди Шера в Love Esquire , Бу Ци и Черная Вдова в Hauntsters и Нереида, Торговец зельями и дополнительные голоса в Apotheon .
IMDB — Twitter — YouTube

Вы можете узнать больше об Эрроле в этом обзоре персонажей.

Вивьен Тейлор as Орла
Вивьен Тейлор — шотландская актриса озвучивания, экрана и театра из Великобритании. Орла — первая автором видеоигры Вивьен, но она озвучила множество женских персонажей в мультсериале OOglies Funsize , удостоенном премии BAFTA CBBC. Она также снялась в таких фильмах, как Застава : Черное солнце и Застава : Восстание спецназа , а также в актерской игре и озвучивании рекламных роликов.Вивьен озвучивала аудиокниги, играя Лавинию Уэйтли в первом в мире звуковом фильме, HP Lovecraft’s Dunwich Horror, , который был удостоен звания «Лучшее на фестивале» на Эдинбургском международном кинофестивале.
Веб-сайт — Twitter — IMDB

Вы можете узнать больше об Орле в этом обзоре персонажей.

Джессика Страус as Vesper
Джессика Страус сделала разнообразную карьеру в озвучивании и имеет честь участвовать в более чем 100 играх.Хотя у нее есть поклонники для многих ее игровых ролей, в настоящее время она наиболее известна как Джури Хан в серии Street Fighter , Amazon / Cassia в Heroes of the Storm и Diablo II (наряду со многими другими ролями Blizzard). , Dr. Hypatia в Dishonored 2 и многие японские RPG, включая Pi в .hack // GU , и это лишь некоторые из них.
Веб-сайт — Twitter — Instagram

Вы можете узнать больше о Веспер в этом обзоре персонажей.

На этом пока все.Не забывайте, что физическая копия Deluxe Edition Wargroove доступна для заказа онлайн или забрала в старых добрых обычных магазинах для Nintendo Switch и PlayStation 4. Вы также можете следить за обновлениями о Wargroove: Double Trouble и Wargroove в целом в Twitter, Facebook, на наших форумах, в сабреддите Wargroove и в вики!

Увидимся!

векторов интервальных классов — ОТКРЫТАЯ МУЗЫКАЛЬНАЯ ТЕОРИЯ

VIII. Техники 20-го и 21-го веков

Брин Хьюз

Качество любой звучности можно грубо оценить количественно, суммируя все содержащиеся в ней интервалы.Для простоты мы будем учитывать только интервальные классы при попытке выполнить эту оценку. Поскольку все интервалы, содержащиеся в звучности, вносят свой вклад в его общее звучание, мы должны найти класс интервалов, сформированный каждым классом высоты тона в наборе, а не только теми, которые находятся рядом друг с другом. Чтобы сделать эту задачу проще и менее подверженной ошибкам, лучше всего составить итоговую диаграмму, чтобы отслеживать задействованные классы интервалов. Начните с одного класса шага и измерьте интервал между ним и каждым другим классом поля в наборе. Запишите каждый из них в своей таблице подсчетов. Повторите этот процесс с каждым другим классом высоты тона, пока все они не будут учтены. Наконец, просуммируйте количество интервальных классов в каждом столбце и скопируйте эти числа в свой вектор интервальных классов.

Вектор класса интервалов сообщает нам, какие интервалы может использовать композитор из определенного набора, что дает нам конкретный звук и / или ассоциации. Некоторые наборы содержат более или менее равномерное распределение всех интервальных классов и особенно ценятся атональными композиторами за эти свойства, в то время как другие особенно тяжелы для той или иной IC и могут не содержать ни одной конкретной IC.

Векторы интервальных классов

также помогают нам устанавливать слуховые аналитические связи между двумя или более наборами, которые могут не казаться непосредственно связанными. Если они разделяют одинаковое распределение интервальных классов, они также будут звучать одинаково в свободном атональном контексте.

Наборы, содержащие большее количество классов поля, будут иметь больше и / или больше номеров в своих ICV, естественно, потому что в игре намного больше интервалов. Один из способов проверить свою работу с вектором интервального класса — это сложить числа.У каждого трихорда есть 3 доступных интервала-класса (и поэтому вектор всегда должен составлять 3), у каждого тетрахорда есть 6 (и, следовательно, должно быть в сумме 6), у каждого пентахорда 10 и так далее.

Процедура определения вектора интервального класса для компьютерного набора

  1. Запишите набор в нормальной форме
  2. Найдите интервальный класс для каждых 2 комбинаций питч-классов в наборе. Запишите свои результаты на счетной таблице.
  3. Подсчитайте количество итогов в каждом столбце (включая нули) и заключите эти итоги в квадратные скобки [].

Чтобы вычислить вектор интервального класса, мы собираемся просто вычислить интервальный класс, созданный каждой комбинацией двух высот в звучности. Давайте сначала попробуем простой пример: трезвучие до мажор. Это намного проще сделать, если мы используем целочисленный циферблат класса высоты тона, поэтому первое, что нам нужно сделать, это переписать нашу мажорную триаду C как целые числа класса высоты тона: C равно 0, E равно 4, а G равно 7. Далее мы рассмотрим интервальный класс для каждой пары целых чисел. Помните, что интервальный класс — это кратчайшее расстояние между двумя классами высоты тона на циферблате.Итак, от 0 до 4 — это интервальный класс 4. От 0 до 7 — интервальный класс 5. Наконец, от 4 до 7 — интервальный класс 3. При записи вектора интервального класса мы записываем «табло», на котором подсчитывается количество каждого из них. интервальный класс по звучности. В векторе интервальных классов есть шесть пробелов, каждое из которых представляет один из шести интервальных классов. В нашем примере триады до мажор имеется 0 интервальных классов 1, 0 интервальных классов 2, 1 интервальных классов 3, 1 интервальных классов 4, 1 интервальных классов 5 и 0 интервальных классов 6.Итак, наш вектор интервального класса — [001110]. Мы заключили вектор в квадратные скобки, чтобы отличать его от других строк целых чисел, которые могут появиться в нашем анализе.

Для нашего второго примера давайте посмотрим на действительно диссонирующий кластерный аккорд: F, F # и G. В целых числах это будет 5, 6 и 7. Далее мы собираемся выяснить класс интервала между каждым пара нот в звучности. От 5 до 6 — интервальный класс 1. От 5 до 7 — интервальный класс 2. Наконец, от 6 до 7 — интервальный класс 1. Таким образом, вместе мы имеем 2 интервальных класса 1, 1 интервальный класс 2 и никаких других интервальных классов.Таким образом, вектор интервального класса равен [210000]

.

Для более склонных к визуальному восприятию, вот видео о векторах интервальных классов.

  1. Скоро в продаже!

Wall Street Journal, март 2020 г. — отмеченный наградами конструктор домов NC Custom Home Builder

Марк Бэтсон

Семья Марка уже сотни лет живет в районе Уилмингтона, передавая местные знания. Его прошлое было связано с морем, с тех времен, когда он был ребенком, работая с отцом на рыбацких лодках, до жизни на воде в течение многих лет.Когда вы думаете о том, как будет жить дом, особенно на воде, ничто не может заменить чей-то непосредственный / непосредственный / повседневный жизненный опыт. Проекты, которые мы проектируем + строим, обычно включают нахождение на воде, в зоне затопления или рядом с ней. К ним относятся переборки, лодочные причалы, конструкции на сваях, бассейны и жилые помещения на открытом воздухе.

Существенным преимуществом для клиентов, работающих с Марком, является то, что он живет той жизнью, которую они ищут каждый день. В его доме есть доки, бассейны и сваи. Он знает, что работает, а что нет.Он знает, что будет не только великолепно выглядеть, но и прекрасно работать. У него есть прямой функциональный опыт, которому нельзя научить; его нужно прожить, чтобы понять.

Марк учился в UNCW. Он получил степень бакалавра истории, изучающей прошлое и его отношение к людям. Отношения с людьми — вот что такое индивидуальное жилищное строительство. Марк применяет уроки из своего прошлого опыта и интуитивно направляет своих клиентов через процесс проектирования / сборки, чтобы создать что-то уникальное.Он видит свою цель в том, чтобы помочь семьям представить, какой могла бы быть их жизнь, воплощенная в реальных условиях, улучшая их жизнь за счет улучшения качества жизни. Обладатель множества наград и признаний, в том числе финалиста премии NAHB Custom Home Builder of the Year 2020 года, Марк обнаружил, что налаживание долгосрочных отношений с клиентами и коллегами — настоящая награда.

Как руководитель, роль Марка — привить понимание того, как следует действовать. Он верит в дух воина, сердце слуги и веселую атмосферу.Его обещание клиенту — никогда не идти на компромисс в отношении качества или крутости. Марк живет в Райтсвилл-Бич со своей семьей из пяти человек, где его заняты маленькие дети. Иногда у него появляются возможности для развлечений, таких как полет, серфинг, подводная охота и другие водные виды спорта. В целом, он хочет оставить наследие, которое положительно скажется на нем, его семье и его сообществе.

Finding Your Groove — Музыка для дизайна / Код для

В какой-то момент каждый попадает в нужный ритм, когда вы чувствуете объединенный фокус и энергию музыки, звучащую в наушниках.Независимо от того, работаете ли вы со строками кода или векторными фигурами, правильная музыка может стать топливом для творчества.

Что касается науки о прослушивании музыки во время работы… Эээ… Ничего определенного. Некоторые исследования показывают, что это контрпродуктивно, но в ряде других наблюдается некоторый рост. Компьютерное программирование, реклама / маркетинг и дизайн также относятся к областям, в которых чаще всего можно слушать музыку на работе.

Итак, я думаю, мы говорим, что есть шанс, что это сработает.

И мне интересно, насколько результаты зависят от того, какую именно музыку вы слушаете.Наиболее важные для меня — своего рода противоречивые — факторы:

  • Flow — Рабочий саундтрек должен быть движущейся звуковой сценой. Резкие изменения и элементы, требующие внимания, отвлекают от реальной задачи. Но плавная смесь на самом деле снижает влияние отвлекающих факторов.
  • Интрига — Если музыка становится слишком однообразной или унылой, она точно так же оттеняет опыт работы. Даже холодная атмосфера требует разнообразия и неожиданных элементов, которые подпитывают творчество.

Сегодня я хотел бы указать вам на пять музыкальных впечатлений, которые достигают непростого баланса. Используйте их для создания собственных творческих плейлистов.

Лофи-пазы

Chillhop зародился в мире компьютерных фанатов благодаря выдающемуся аниме-сериалу «Самурай Чамплу», который привносил современную атмосферу в атмосферу Японии эпохи Эдо, а затем подкреплял ее смешанными звуками мягкого джаза и бум-бап.

Фирменный саундтрек шоу объединил японских ди-джеев и продюсеров, таких как Tsutchie, Nujabes, Force of Nature и Fat Jon.

И этот звук служит основой для распространения стримов «lofi beats», которые долгое время использовались в качестве музыки для работы / учебы. Возникшие с YouTube, часто прямые трансляции узнаваемы по их бездельному аниме-фону — наиболее характерно то, что девушка в зеленом свитере делает заметки рядом со своим бездельничанием кота.

Сама музыка кажется приземленной, но похожей на транс, сочетающей старые школьные сэмплы и басовые ритмы с патиной аналоговых попсов и шипений.Он удобно лежит на заднем плане, но при ближайшем рассмотрении сохраняет интригу.

Оригинальные «ритмы для расслабления / учебы» Lofi Girl остаются важной записью. (Возможно, вы знаете канал YouTube под его прежним названием ChilledCow.) Но вы можете найти бесчисленное количество настроек по теме, в том числе праздничные миксы и одну, перемежающуюся с междометиями злодея Marioverse C-уровня Валуиджи.

lofi.cafe собирает множество лучших прямых трансляций на одном веб-сайте, что идеально подходит для длительных рабочих сессий.

Дальнейшее прослушивание

Переизданный впервые в этом году на виниле и уже пользующийся большим спросом, считайте, что Nujabes Modal Soul требует прослушивания, если вы любите звук chillhop.

Виниловые наборы

Настройка на сжатые цифровые потоки виниловых пластинок кажется своего рода оксюмороническим порождением ада, которое могло появиться только в результате пандемии.

Но есть что-то действительно особенное в аналоговой теплоте и тщательно отобранных тонкостях этого странного маленького поджанра.Для удаленной работы, возможно, они придают некоторый социальный смысл прослушиванию музыки.

Впервые меня зацепило в прошлом году, когда барам, кафе, концертным площадкам и магазинам звукозаписи пришлось закрыть свои двери перед лицом коронавируса. Местный Speakeasy Hi-Fi Lounge In Sheeps Clothing транслировал записи своей коллекции, играемые в их акустически изысканной комнате, чтобы дать ощущение звука в пространстве.

И эти записи позволяют нам разделить навязчиво собранные коллекции, охватывающие регионы, жанры и эпохи.

И вот здесь мой аналоговый журнал входит в комнату.

Концепция этого канала YouTube довольно проста: ведущий ди-джей крутит получасовой (или около того) набор музыки, исследуя определенный регион и эпоху жанра. Вы услышите советский джаз, французский бит 60-х и итальянские саундтреки. С ди-джеем за вертушками каждый сет звучит от начала до конца с точно настроенным потоком. И хотя вы, вероятно, будете знакомы со стилями музыки в широком смысле, вы, несомненно, откроете для себя то, чего никогда раньше не слышали.Это идеальное сочетание уюта и необычности.

Также? Любой сет, посвященный кумбии — разновидности латиноамериканской танцевальной музыки, — просто обязателен для прослушивания.

Дальнейшее прослушивание

Моим любимым открытием на рабочих сессиях в In Sheeps Clothing стал южноафриканский художник индийской электроники Феликс Лабанд. Каждая стилизация звуков и ритмов создает пейзаж, в котором можно потеряться или просто взглянуть на него из окна вашего офиса.

Кураторы

Несмотря на то, что открытие музыки в значительной степени превратилось в товар из-за высокотехнологичных алгоритмов, все же есть смысл иметь во главе человека-эксперта.

Легендарная программа

KCRW Morning Becomes Eclectic с 1977 года является тщательно отобранным саундтреком к жанрам, которые давно путешествуют по Лос-Анджелесу. И она продолжает вращаться, поскольку даже водители из Лос-Анджелеса временно перестали кататься. В поисках новой музыки, старых драгоценных камней и случайного голоса другого человека, шепчущего вам на ухо сладкие названия треков? Подключайтесь к ежедневной утренней трансляции или круглосуточной трансляции Eclectic 24.

На той стороне города, которая ближе к горам, чем к пляжу, Aquarium Drunkard (давний клиент Media Temple) превратился из одного из оригинальных блогов в формате mp3 в полноценный музей музыки.Аквариум Drunkard сочетает в себе широкий спектр джаза, гаража, фолка и многого другого. Все это представлено в подкастах, микстейпах и даже музыкальных видеоклипах.

Весной 2020 года Aquarium Drunkard начал доставлять свои различные музыкальные программы, включая архивы своего давнего радио-шоу Sirius / XM, в форме пронизывающего пандемию потока 24/7 под названием Radio Free Aquarium Drunkard. Этот поток превратился в гораздо более управляемый ежемесячный блок шоу на Dublab.

Вы также можете погрузиться в звуковую среду блога через его плейлисты Spotify. (Не пропустите Lit Up Like a Christmas Tree в декабре.)

Дальнейшее прослушивание

Еще один давний клиент Media Temple, SXSW ежегодно составляет внушительный список многообещающих артистов, играющих на фестивале в Остине. Полноценное прослушивание сотен треков может быть само по себе проектом, и такие магазины, как NPR (обычно), немного урезают его. Ищете новых исполнителей и альбомы для регулярной ротации? Копайся.

CoverTube

Бесчисленное множество артистов получили перерывы в каверах на песни других исполнителей на YouTube: Джастин Бибер, Шон Мендес и Тори Келли пошли по этому пути. И этот сайт уже много лет является рассадником неожиданных решений современных стандартов. Как когда-то темно-дымный клуб был для джаза, YouTube сияет поп-музыкой.

СМИ также вовлекли в игру художников всех мастей из The A.V. Клубный сериал «Под прикрытием» австралийской радиостанции Triple J’s Like a Version.

Но для наших целей я хочу взглянуть на конкретную тенденцию жанровых изгибов.

Пианист Скотт Брэдли добился большого успеха с Postmodern Jukebox, постоянно меняющимся составом музыкантов и певцов, которые переделывают современный поп в более старые жанры. Хотя изменение жанра — не новая концепция, целеустремленный результат находится на совершенно новом уровне. Семилетний выпуск песен PMJ может легко заполнить ежедневное ведро программирования менеджера радиостанции. Пропуская широкий круг современных художников через винтажный фильтр группы, Postmodern Jukebox в конечном итоге связывает их всех вместе.

Вытащив из формулы причуду, Scary Pockets смотрит на поп-монстров сквозь знойную фанковую линзу. Свою яркую душу каверы черпают в электрических органах основателя Patreon Джека Конте и постоянно меняющихся вокалистах. По сути, они представляют собой подключенную к западному побережью версию нью-йоркского ансамбля Скотта Брэдли. И их результат тоже ошеломляет: с 2017 года группа выпускает по несколько компиляций каждый год, переполненных фанк-каверами на целый рабочий день. Вы можете нажать кнопку воспроизведения и знать, что грув прослужит очень долго.

Обе группы охватывают весь мир потокового вещания, поэтому вы можете смотреть их на YouTube, слушать на Spotify и т. Д.

Дальнейшее прослушивание

Pomplamoose захватил большую часть алгоритма YouTube с помощью полнофункциональных гибридных приложений, объединяющих песни разных исполнителей в одну аранжировку. Другой проект Джека Конте — с его клавишами и гримасами «это кайф» — Pomplamoose фокусируется на цитрусовом вокале (и глубоком зрительном контакте) вокалистки Натали Доун. Они также выпускают оригиналы, более традиционные каверы и французские мелодии.Из трех представленных здесь действий Pomplamoose обладает самой приятной атмосферой — без потери изобретательности.

Мастера мэшапов

По общему признанию, все флюиды до сих пор были спокойными. Но иногда нужен серьезный удар по ритму. А в те моменты, когда музыка должна быть энергией, дотянитесь до необычных звуков мэшапа в его более распространенной форме.

Распространение mp3-файлов и дешевого программного обеспечения для редактирования в начале 2000-х позволило ди-джеям и домашним мастерам объединять маловероятные музыкальные пары в почти полностью новые композиции.Как ни странно, вырезание разделений треков из таких игр, как Rock Band, предоставило обширный и странный источник исходного материала, с которым также могли работать mashup-ди-джеи. (Vox назвал работу Нила Чичереги, наиболее известного тем, что использовал именно эти сэмплы, «музыкой, которая звучит как использование Интернета».

Хотя этот странный маленький поджанр нашел свое применение в танцевальных вечеринках, таких как Bootie, часто он также подходит для тренировки в рабочее время.

The Hood Internet должен заработать вашу пропускную способность как один из самых плодовитых и неизменно качественных продюсеров с более чем 10 микстейпами и многочисленными синглами, выпущенными в эфир.Часто объединяя хип-хоп вокал с инди-рок-инструментами (или наоборот), The Hood Internet создает гибридные приложения, которые, возможно, затмевают их мощные источники. На мой взгляд, это можно увидеть в треке Dead Prez vs Grizzly Bear «Две недели хип-хопа». Ой, ты просто должен это послушать.

The Hood Internet также провел пандемию, уничтожая поп-хиты каждого года, начиная с 1979 года.

Но если вам нужно быстро зарядиться энергией, просто нет лучшей кнопки воспроизведения, чем та, что на безумном шедевре Girl Talk Feed the Animals.(Справедливое предупреждение: это солидный альбом NSFW, наушников или HR.) Girl Talk разбивает исходные сэмплы на мельчайшие порции, иногда обслуживая полдюжины за считанные секунды. И все же он почему-то течет, как водка в открытом баре. Результат? Музыка, которая освобождает вас от восприятия времени, продвигая вас вперед. (Я не под кайфом, обещаю.)

Нужно больше разговоров с девушками? Полнометражный визуальный альбом Girl Walk // All Day достигает высоких высот, в то время как танцоры выходят на улицы Нью-Йорка.

Дальнейшее прослушивание

В «счастливые часы» в офисе Media Temple мы были одержимы DropMix от Harmonix — «игрой», в которой игроки создают свои собственные гибридные приложения, помещая игральные карты на светящуюся доску. Разработчик последовал этой технической магии в прошлом году, создав преступно недооцененный Fuser, который удаляет физические объекты из уравнения и добавляет множество инструментов для большего творческого контроля.

Обе игры дают пощечину, и они позволяют приложить творческие усилия к своему музыкальному опыту (никаких реальных навыков не требуется).

Веб-хостинг для проектирования / Код на

И эй, когда вы ищете опыт веб-хостинга, который дает вам больше времени, чтобы поразить вас с меньшим количеством препятствий на пути, раскрутите что-нибудь с Media Temple.

HAKEN — Vector — КОЛЛЕКЦИЯ ПАХОВНИКА

Их несправедливо назвали Валлийским театром мечты, но это определенно нечто большее. Сформированный еще в 2007 году, это их пятый полноформатный альбом, и он тоже является абсолютным монстром.Слабо связанный с предыдущим альбомом Virus, это концептуальный альбом о докторе, который злобно интересуется своим пациентом.

После закрученного клавишного вступления Clear мы сразу переходим к доброте прог-метала, то есть к The Good Doctor. Стихотворное и музыкальное взаимодействие просто фантастическое. Грув бас-гитары убийственен, и, хотя он находится в том же музыкальном ландшафте, что и Dream Theater, Хакен — это гораздо больше. На самом деле, у них больше общего с Periphery, чем с DT — даже басист Riph, Нолли Гетгуд, является здесь продюсером.Следующим идет удивительный Puzzle Box, и это одна из лучших мелодий, созданных Хакеном. Так много всего происходит, чтобы удержать слушателя в вечности. Все звучит огромно, но ничего не заглушает и имеет кристально чистое звучание. Veil начинается с красивого фортепьянного вступления, а затем выходит мягкая вокальная гармония, а затем БУМ, мы погружаемся в экстремальный прог-метал. Еще один выдающийся трек. Nil By Mouth следует с чрезвычайной тяжестью, чтобы начать работу, затем мы получаем резкий рифф и грув и прекращаем стартовое джентство.И все это, и даже ни малейшего запаха вокала. Host — это предпоследний трек, очень непринужденный и атмосферный. Действительно отличная мелодия для разделения канавок. Последний трек, A Cell Divides, прибывает слишком быстро, и, черт возьми, какое открытие — прежде, чем мы погрузимся в какие-то несвоевременные канавки.

Отличный альбом замечательной молодой группы. Я заметил, что люди, которые следят за мной в Instagram и на которых я подписан в ответ, похоже, любят то, что я называю «металлом и роком в цифрах». Кажется, это больше о симпатиях, чем о музыке.Могу я предложить вам выйти из своей маленькой капсулы времени восьмидесятых и попробовать что-то новое и расширить свой кругозор ?! Попробуйте! Если ваш мозг привык к 4/4, то ваша бороздчатая мышца скажет вам спасибо за это.

9,5 / 10 от Grooveman.

Исследование оптимизации текстур канавок опорного подшипника с использованием алгоритма оптимизации скопления частиц

Механика и промышленность 22 , 1 (2021)

Обычный артикул

Исследование оптимизации текстуры канавок опорного подшипника с использованием алгоритма оптимизации скопления частиц

Сянюань Чжан, Чунпей Лю * и Бинь Чжао

Колледж энергетики и энергетики, Харбинский инженерный университет, Харбин, Китай

* электронная почта: ssdpz041 @ outlook.ком

Поступило: 14 сентябрь 2020 г.
Принято: 18 Декабрь 2020 г.

Аннотация

Это исследование направлено на оптимизацию распределения текстур канавок в опорном подшипнике для снижения его коэффициента трения. Во-первых, создается модель смазки подшипника скольжения с текстурированной канавкой, и для численного решения модели используются итерационные методы конечных разностей и избыточного релаксации. Затем коэффициент трения принимается в качестве функции пригодности, а длины канавок оптимизируются с помощью алгоритма оптимизации роя частиц (PSO) для получения оптимальных распределений.Кроме того, также обсуждается влияние коэффициентов эксцентриситета и скорости вращения на оптимальное распределение текстур канавок. Численные результаты показывают, что оптимальные распределения текстур канавок похожи на трапеции при различных соотношениях эксцентриситета и скорости вращения, а трапеции становятся более тонкими с увеличением отношений эксцентриситета. Также обнаружено, что уменьшение коэффициентов трения за счет оптимальной текстуры канавок более значимо при более низких коэффициентах эксцентриситета. Вкратце, это исследование может дать рекомендации по дизайну текстуры поверхности для улучшения трибологических характеристик подшипников скольжения.

Ключевые слова: подшипник скольжения / текстуры канавок / коэффициент трения / алгоритм PSO

© X. Zhang et al., Размещено на EDP Sciences 2021

Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License (https://creativecommons.org/licenses/by/4.0), которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии, что оригинальная работа правильно процитировано.

1 Введение

В качестве возможного способа сохранения масла и мусора на контактных поверхностях текстуры поверхности изучались в течение последних десятилетий и широко использовались во многих приложениях [1], таких как инструменты для резки вибрации [2], механические уплотнения [3], газовые торцевые уплотнения. [4], скользящий подшипник [5], упорный подшипник [6], поршневые кольца [7] и медицинские устройства [8,9].Эти исследования показали, что нанесение текстуры поверхности может уменьшить износ и увеличить несущую способность, что помогает продлить срок службы механических компонентов, сэкономить энергию и защитить окружающую среду.

Журналы с текстурами поверхности также вызвали общую озабоченность исследователей, и в их исследованиях обычно используется предварительная установка распределения текстуры. Чтобы максимизировать несущую способность и минимизировать момент трения, Шинде и Павар [10] использовали методы реляционного анализа Тагучи и Грея для проектирования текстур канавок с учетом расположения канавок, ширины, зазора, высоты и числа.Их оптимальное решение позволяет увеличить грузоподъемность на 51,01% и снизить момент трения на 9,84%. Канго и др. [11] сравнили характеристики подшипников между канавками и сферическими текстурами при заданных коэффициентах эксцентриситета. Их результаты показали, что по сравнению со сферической текстурой канавки могут показать максимальное снижение эксплуатационных параметров подшипников. Manser et al. [12] показали, что на характеристики подшипника могут положительно повлиять частичные текстуры, а оптимальное расположение зависит от условий работы и геометрических параметров.Yu et al. [13] и Lin et al. [14] показали, что несущая способность может быть увеличена, когда текстуры находятся в восходящей части поля давления, и наоборот. Однако некоторые исследования привели к противоречивым выводам. Тала-Игил и др. [15,16] указали, что дополнительный гидродинамический подъем в подшипнике может быть создан, когда текстуры находятся в понижающейся части поля давления. Шинде и Павар [17] показали среди трех распределений частичных канавок (90 ° –180 °, 90 ° –270 °, 90 ° –360 °), первое распределение может максимизировать увеличение давления, а последнее распределение может минимизировать потери на трение.Их исследование показало, что оптимальное распределение канавок может зависеть от цели оптимизации.

Вышеупомянутые литературные источники внесли важный вклад в исследования текстур, но распределение текстур предустановлено в их исследованиях, что, вероятно, не соответствует глобальному оптимальному дизайну. Чтобы решить эту проблему, исследователи применяют некоторые алгоритмы оптимизации, такие как GA (генетический алгоритм) [18–20] и нейронная сеть [21]. Чтобы спроектировать оптимальный профиль втулки для опорного подшипника, Панг и др.[18] провели многоцелевую оптимизацию (минимальные потери мощности на трение и минимальный расход утечки) с помощью NSGA-II (модифицированная недоминантная сортировка в генетическом алгоритме). Их результаты показали, что оптимальный профиль может быть получен при профиле порядка n = 2, где n — это порядок ряда Фурье и может быть определен постепенным методом увеличения порядков ряда Фурье. Чтобы получить минимальные коэффициенты трения опорного подшипника и ползуна подшипника, Zhang et al. [19,20] приняли GA для оптимизации зоны покрытия круглых ямок.В их исследованиях опорная поверхность делится на определенное количество сеток, а углубления в каждом центре сетки, существующие или нет, помечаются цифрой 1 или 0 соответственно. Затем GA используется для развития процесса решения, и окончательная оптимальная зона покрытия имеет форму полуэллипса. Sinanoğlu et al. [21] экспериментально и теоретически исследовали влияние текстуры поверхности вала на давление пленки и, следовательно, на нагрузку с помощью предложенной нейронной сети. Поверхности вала были двух типов: трапециевидные и пильные.Их результаты показали, что вал с трапециевидной поверхностью имеет большую грузоподъемность, чем вал с пильной поверхностью.

Вышеупомянутые литературные источники показали, что генетический алгоритм и нейронная сеть могут быть успешно использованы при проектировании текстуры поверхности подшипников скольжения, в то время как алгоритм PSO может обеспечить более удобный способ решения этой проблемы. Оптимизация роя частиц (PSO), представленная Эберхартом и Кеннеди [22,23] в 1995 году, представляет собой метод оптимизации, основанный на поведении птиц в стайках / ночевках.С учетом этого алгоритма отдельные участники создают социальную сеть и могут извлечь выгоду из предыдущего опыта и открытий других участников. Алгоритм PSO легче реализовать, потому что рой обновляется только путем обновления векторов скорости и положения частиц, что показывает, что этот подход имеет большие возможности для использования в конструкциях подшипников с воздушной фольгой [24], подшипников качения [25] и магнитореологических ( MR) подшипник [26].

Хотя PSO использовался в некоторых предыдущих исследованиях, немногие ученые приняли этот алгоритм для оптимизации текстуры поверхности подшипника скольжения.Новизна данного исследования заключается в оптимизации распределения текстур канавок в подшипнике скольжения для снижения его коэффициента трения с помощью алгоритма PSO. Также обсуждается влияние коэффициентов эксцентриситета и скорости вращения на оптимальное распределение текстур канавок. В целом идея оптимизации в этом исследовании может быть полезна для подшипников скольжения для улучшения их трибологических характеристик.

2 Описание опорного подшипника с текстурой канавки

Как правило, текстуры, расположенные в области схождения, более благоприятны для улучшения трибологических характеристик [19].В этом исследовании сходящаяся область покрыта текстурами канавок, как показано на рисунке 1. Подробное описание текстур канавок показано на рисунке 2. Подробные параметры опорного подшипника и текстуры канавок приведены в таблицах 1 и 2. Примечание. нефть считается изовязкой несжимаемой жидкостью.

Как показано в таблице 2, θ s , θ e , L c , L g и d g фиксированные, а L a варьируется от 0 до 34 мм.Обратите внимание, что длина канавки 0 мм означает, что канавка отсутствует, а длина канавки 34 мм означает, что самая длинная канавка немного короче ширины подшипника. Номера канавок N g (1)

Согласно вышеуказанным геометрическим параметрам, N г = 13.

рисунок 1

Подшипник скольжения с текстурированной поверхностью.

Рис. 2

Текстуры канавок на внутренней поверхности подшипника.

Таблица 1

Детальные параметры опорного подшипника.

Таблица 2

Геометрические параметры текстур канавок.

3 Смазка модели

3.1 Толщина пленки

Как показано на рисунке 1, толщина пленки h может быть получена по уравнению (2) (2) где c — радиальный зазор, ε коэффициент эксцентриситета ( ε = e / c , e эксцентриситет), ϕ угол наклона, δ текс зазор, добавленный текстурами канавок.

3.2 Уравнение Рейнольдса

Уравнение Рейнольдса в установившихся рабочих условиях показано ниже [19] (3)

, где U, — относительная скорость, µ, — вязкость масла, p, — давление пленки. Для опорного подшипника U, = Rω, , R, — радиус шейки, ω, — угловая скорость. Используемое уравнение Рейнольдса может быть получено заменой переменной x на Rθ в уравнении (3), как выражено в уравнении (4) (4)

3.3 Грузоподъемность

Интегрируйте давление пленки p по всей расчетной области, тогда получается грузоподъемность F b , как выражено в уравнениях (5) и (6) (5) (6)

3.4 Коэффициент трения

Трение f b , возникающее из-за сдвигового воздействия масла, можно рассчитать по уравнению (7) (7)

Тогда коэффициент трения µ f можно рассчитать по уравнению (8) (8)

3.5 Числовая проверка

В численном решении внутренняя поверхность подшипника разделена на прямоугольные решетки, а количество узлов в окружном и осевом направлениях составляет n θ и n y соответственно. Уравнение (4) дискретизируется методом конечных разностей, а давление решается итерационным методом сверхрелаксации. Площадь разрыва масляной пленки определяется граничными условиями Рейнольдса, а давление в масляном отверстии и на обоих концах подшипника равно нулю.Критерий сходимости давления ε p равен 10 −5 , и процесс решения будет прекращен, если | Δ P i | / | P i | < ε p удовлетворяется, тогда коэффициент трения можно рассчитать по уравнениям (5) — (8). Платформа программирования — Intel Xeon E5-2630 с частотой 2,3 ГГц и 64 ГБ оперативной памяти.

Перед последующим анализом необходимо проверить модель. Число Зоммерфельда S вычисляется на основе исследованных опорных подшипников, а результаты сравниваются с Пинкусом и Штернлихтом [27], как показано в Таблице 3.Видно, что числа Зоммерфельда, рассчитанные в этом исследовании, хорошо согласуются с литературными результатами, что свидетельствует о хорошей точности этой модели.

Таблица 3

Сравнение чисел Зоммерфельда с числами Пинкуса и Штернлихта [27].

4 Алгоритм оптимизации роя частиц

Общие исследования считают, что для удобства канавки имеют одинаковую длину. По мнению авторов, канавки разной длины могут принести больше пользы. В этом исследовании длины канавок оптимизированы с помощью алгоритма PSO.На рисунке 3 показан вычислительный процесс PSO, который включает следующие шаги:

(1) Инициализировать рой частиц из 30 частиц, которые будут генерироваться случайным образом. Размер роя Np = 30 выбран из 20, 30, 50 и 70, что может уравновесить противоречие между временем вычисления и разнообразием населения. Размер каждой частицы составляет Н, г, , , а элементы частиц представляют собой канавки произвольной длины.

(2) Рассчитайте приспособленность частиц в соответствии с начальным роем.Коэффициент трения µ f принимается как функция пригодности.

(3) Искать в лучших локальных pbest и глобальных лучших gbest .

(4) Выполните итерационный расчет. Этот шаг является ключевым в алгоритме PSO, который можно разделить на следующие подэтапы:

(4-a) Обновление вектора скорости частицы v id и вектора положения x id (9) (10)

, где i — номер частицы, i = 1, 2, 3,…, 30; d N g размеры, d = 1, 2, 3,…, N g ; ω i инерционный вес.Согласно Ши и Эберхарту [28], PSO имеет наилучшие шансы найти глобальный оптимум, если ω i удовлетворяет 0,9 ≤ ω i ≤ 1,2, здесь ω i = 0,9; c 1 и c 2 факторы обучения, c 1 = c 2 = 2 [28]; r 1 и r 2 случайные числа от 0 до 1 [28]; pbesti T местный лучший; gbest T лучшее в мире; T индекс поколений; T max максимальный индекс поколений.

Необходимо проверить, удовлетворяют ли новые векторы скорости и положения граничным условиям: (11) (12)

, где v max = 4, v min = −4. Диапазон скоростей [-4, 4] определяется посредством множества испытаний, которые могут помочь частицам избежать пролета мимо областей с хорошим решением или попадания в локальное оптимальное решение [29]. x max и x min — максимальная и минимальная длина канавки, x max = 34 мм и x min = 0 мм.

(4-b) Обновить пригодность частиц в соответствии с новым роем.

(4-c) Обновление лучших локальных pbest и лучших глобальных gbest .

(4-d) Выйти из цикла, если T больше T max = 100; В противном случае вернитесь к (4-a) и повторите (4-a) — (4-d).

(5) Выведите окончательное оптимальное решение: gbest и мкФ best .

Рис. 3

Вычислительный процесс алгоритма PSO.

5 Результаты и обсуждения

Уточнение сетки сначала выполняется на основе гладкого подшипника. Коэффициенты трения µ f при ε = 0,2, 0,4, ϕ = 0 различных схем сетки n θ × n y показаны на рисунке 4, который показывает µ f имеет тенденцию постепенно стабилизироваться с более плотной сеткой. Принимая во внимание точность и скорость решения, принята сетка 551 × 177.В этой схеме единая сетка представляет собой примерно квадрат со стороной 0,2 мм.

Рис. 4

Коэффициенты трения µ f различных схем сетки при (а) ε = 0,2, (б) ε = 0,4.

5.1 Оптимальное распределение текстур канавок при фиксированном коэффициенте эксцентриситета

На основании раздела 4 изменения µ f best при ε = 0.1, ϕ = 0 проиллюстрировано на рисунке 5. С увеличением поколений от 1 до 30, µ f best показывает тенденцию к снижению, что указывает на то, что рой продолжает эволюцию. Когда поколение превышает 30, µ f best поддерживает постоянное значение 0,0607, что указывает на то, что рой находился в стабильном состоянии. Постепенные изменения распределений при ε = 0,1, ϕ = 0 показаны на рисунке 6.Он начинается с распределения со случайными длинами канавок, а затем постепенно переходит к окончательному оптимальному распределению, форма которого напоминает трапецию.

Для дальнейшего объяснения оптимального распределения текстур канавок распределение текстур канавок с равной длиной 34 мм дается в качестве справочного материала, а номер канавки совпадает с номером канавки в оптимальном варианте, как показано на рисунке 7.

На рисунке 8 показано распределение давления гладких подшипников с оптимальной текстурой и подшипников с эталонной текстурой при ε = 0.1, ϕ = 0, а на рисунке 9 показано сравнение грузоподъемности, трения и коэффициентов трения между тремя подшипниками. Видно, что подшипники с оптимальной и эталонной текстурой создают большее давление пленки, чем гладкие подшипники, из-за локальных гидродинамических давлений, создаваемых канавками, которые обеспечивают большую несущую способность. Более того, подшипник с оптимальной текстурой также создает большее давление и большую грузоподъемность, чем подшипник с текстурированной поверхностью.Можно объяснить, что для эталонного текстурированного подшипника канавки одинаковой длины могут разрушить создание давления на верхней и нижней границах, то есть канавки, расположенные на верхней и нижней границах, могут здесь подавить создание давления. Напротив, постепенно укорачивающиеся канавки в подшипнике с оптимальной текстурой уменьшают это подавление давления, что приводит к увеличению давления и несущей способности. Между тем трение между тремя подшипниками почти одинаковое. Следовательно, на основе уравнения (8) оптимальный текстурированный подшипник имеет минимальный коэффициент трения, за которым следуют эталонные текстурированные и гладкие подшипники соответственно.

Рис. 5

µ f best в зависимости от поколения до ε = 0,1, ϕ = 0.

Рис. 6

Поступающие изменения распределений при ε = 0,1, ϕ = 0.

Рис. 7

Оптимальное и эталонное распределения текстур грувов.

Рис. 8

Распределение давления при ε = 0,1, ϕ = 0 (a) гладкий подшипник, (b) подшипник с оптимальной текстурой, (c) опорный подшипник с текстурой.

Рис.9.

Сравнение (а) грузоподъемности, (б) трения, (в) коэффициента трения между гладкими, оптимально текстурированными и эталонными текстурированными подшипниками при ε = 0,1, ϕ = 0.

5.2 Влияние коэффициентов эксцентриситета на оптимальное распределение текстур канавок

В разделе 5.1 коэффициент эксцентриситета ε равен 0,1. В этом разделе обсуждается влияние соотношений эксцентриситетов ( ε = 0,1–0,5) на оптимальное распределение текстур канавок и показано на рисунке 10. Можно видеть, что это оптимальное распределение все еще похоже на трапецию с увеличением на ε . , но становится стройнее. Уменьшение коэффициента трения между гладкими и оптимально текстурированными подшипниками δµ f определяется уравнением (13) (13)

Также приведены коэффициенты трения µ f и редукции δµ f .Как показано на рисунке 11, с увеличением ε , δµ f постепенно уменьшается примерно с 30% до 8%, что указывает на то, что уменьшение коэффициентов трения за счет оптимальной текстуры канавок более значимо при более низких коэффициентах эксцентриситета.

Рис. 10

Оптимальные текстуры канавок при ε = 0,1–0,5, ϕ = 0, N = 2000 об / мин.

Инжир.11

µ f и δµ f при ε = 0,1–0,5, ϕ = 0, N = 2000 об / мин.

5.3 Влияние скорости вращения на оптимальное распределение текстур канавок

В разделах 5.1 и 5.2 скорость вращения составляет 2000 об / мин. В этом разделе обсуждается влияние скорости вращения на оптимальное распределение текстур канавок и δµ f . Рассмотрены скорости 500, 1000, 1500, 2500 и 3000 об / мин.Поскольку результаты для этих случаев аналогичны, приведены только случаи 1000 и 3000 об / мин, как показано на рисунках 12–15. Можно видеть, что результаты на рисунках 12–15 аналогичны результатам на рисунках 10 и 11, что указывает на оптимальное распределение текстур канавок и тенденции δµ f , согласованные при различных скоростях вращения.

Рис. 12

Оптимальные текстуры канавок при ε = 0,1–0,5, ϕ = 0, N = 1000 об / мин.

Рис 13

µ f и δµ f при ε = 0,1–0,5, ϕ = 0, N = 1000 об / мин.

Рис. 14

Оптимальные текстуры канавок при ε = 0,1–0,5, ϕ = 0, N = 3000 об / мин.

Рис. 15

µ f и δµ f при ε = 0.1–0,5, ϕ = 0, Н = 3000 об / мин.

6 Выводы

Это исследование направлено на оптимизацию распределения текстур канавок в подшипнике скольжения для снижения его коэффициента трения с использованием алгоритма PSO. Некоторые выводы приведены ниже:

  • Для исследуемого опорного подшипника оптимальное распределение фактур канавки похоже на трапецию. Такое распределение может уменьшить подавление давления, вызванное канавками, расположенными на верхней и нижней границах, которые обеспечивают большее давление пленки и грузоподъемность.Это основная причина снижения коэффициента трения.

  • При увеличении коэффициентов эксцентриситета ( ε = 0,1–0,5) оптимальные распределения текстур канавок становятся более тонкими, а уменьшение коэффициентов трения за счет оптимальных текстур канавок становится более значительным при более низких коэффициентах эксцентриситета.

  • Оптимальные распределения и сокращения коэффициентов трения аналогичны при разных скоростях вращения, что указывает на то, что выводы этой оптимизации имеют определенную универсальность.

В будущей работе авторы будут исследовать оптимальные текстуры канавок для подшипников скольжения, выбирая другие переменные оптимизации (например, глубину и ширину канавки) или другую цель оптимизации (например, повышение температуры), и соответствующие эксперименты будут выполнены для проверить эти исследования.

Номенклатура

D : Диаметр подшипника

B : Ширина подшипника

г ч : Диаметр масляного отверстия

N : Скорость вращения

θ с : Начальная позиция текстурированной области

θ e : Конечное положение текстурированной области

L a : Длина канавки в осевом направлении

л в : Ширина канавки в окружном направлении

л г : Зазор паза в окружном направлении

d г : Глубина канавки

N г : Номера пазов

δ текс : Вариационный зазор, вызванный текстурами канавок

ч : Толщина пленки

c : Радиальный зазор

ε : Коэффициент эксцентриситета

ϕ : Угол отношения

R : Радиус журнала

µ : Вязкость масла

п. : Давление пленки

ω : Угловая скорость журнала

F b : Грузоподъемность

f b : Трение

µ f : Коэффициент трения

ω с : Фактор чрезмерной релаксации

ε п : Допустимая точность решения давления

N p : Размер роя частиц

v id : Вектор скорости частицы

x id : Вектор положения частицы

ω i : Инерционный вес

c 1 , c 2 : Факторы обучения

r 1 , r 2 : Случайные числа от 0 до 1

pbest : Лучшее местное

гбест : Лучшее в мире

v мин : Минимальная скорость

v макс : Максимальные значения

x мин. : Минимальная длина канавки

x макс. : Максимальная длина канавки

Т : Индекс поколений

T макс. : Максимальный индекс поколений

µ f лучшее : Минимум µ f в рое частиц в течение каждого поколения

µ f гладкая : Коэффициент трения гладкого подшипника

µ f оптимальный : Коэффициент трения подшипника с оптимальной текстурой

δµ f : Снижение коэффициентов трения между подшипниками с гладкой и оптимальной текстурой.

Благодарности

Это исследование поддержано Национальным фондом естественных наук Китая (грант №51809057).

Список литературы

  1. Д. Гроппер, Л. Ван, Т.Дж. Харви, Гидродинамическая смазка текстурированных поверхностей: обзор методов моделирования и основные выводы, Tribology International 94, 509–529 (2016). [Google Scholar]
  2. ИКС.Х. Шен, Ю.Л. Ши, Дж. Чжан, К.Дж. Чжан, Г. Тао, Л.Дж. Бай, Влияние параметров процесса на образование микротекстурированной поверхности при фрезеровании с использованием вибрации в направлении подачи, Международный журнал механических наук 167, 105267 (2020) [Google Scholar]
  3. К.Канда, С. Тадзава, Т. Урано, С. Кобаяси, К. Адачи, Возможность как низкого трения, так и низкой утечки за счет текстуры поверхности механических уплотнений в крови, Tribology Letters 68, 1–11 (2020) [Google Scholar]
  4. С. Динг, С. Бай, Термоэластогидродинамическое поведение газовых торцевых уплотнений с наклонным эллипсом и углублениями, Science China Technological Sciences 60, 529–537 (2016) [Google Scholar]
  5. С.Йе, Х. Тан, Й. Рен, Дж. Сян, Исследование несущей способности скользящего подшипника с текстурированной поверхностью аксиально-поршневого насоса, Прикладное математическое моделирование 77, 554–584 (2020) [Google Scholar]
  6. Д.Г. Фуфлиас, А.Г. Харитопулос, К.И. Пападопулос, Л. Кайкцис, Термогидродинамический анализ и трибологическая оптимизация упорного подшипника с изогнутым карманом, Tribology International 110, 291–306 (2017) [Google Scholar]
  7. К. Шен, М.М. Хонсари, Трибологические и герметизирующие характеристики поршневых колец с лазерным каркасом в дизельном двигателе, Tribology Letters 64, 1–9 (2016) [Google Scholar]
  8. Д.Nečas, H. Usami, T. Niimi, Y. Sawae, I. Křupka, M. Hartl, Трение приработки при замене тазобедренного сустава может быть значительно уменьшено: эффект вертлужной впадины с текстурой поверхности, Friction 8, 1137–1152 (2020) [Google Scholar]
  9. ЧАС.Касем, Х. Шрики, Л. Ганон, М. Мизрахи, К. Абд-Рбо, А.Дж. Домб, Текстурирование поверхности резинового поршня для снижения трения в медицинских шприцах, Friction 7, 351–358 (2018) [Google Scholar]
  10. А.Б. Шинде, П. Павар, Многоцелевая оптимизация подшипников скольжения с текстурированной поверхностью, проведенная Тагучи на основе реляционного анализа Грея, Tribology International 114, 349–357 (2017) [Google Scholar]
  11. С.Канго, Р. Шарма, Р. Панди, Сравнительный анализ текстурированных и рифленых гидродинамических подшипников скольжения, Труды Института инженеров-механиков, Часть J: Журнал инженерной трибологии 228, 82–95 (2013) [Google Scholar]
  12. Б.Мансер, И. Белаиди, А. Хамрани, С. Хеллади, Ф. Бакир, Характеристики гидродинамической опоры цапфы при комбинированном влиянии текстурированной поверхности и перекоса цапфы: численный обзор, Comptes Rendus Mécanique 347, 141–165 (2019) [Google Scholar]
  13. Р.Ю., В. Чен, П. Ли, Анализ эластогидродинамической смазки в текстурированном подшипнике скольжения, Труды Института инженеров-механиков, Часть J: Журнал инженерной трибологии 230, 1197–1208 (2016) [Google Scholar]
  14. В.Линь, К. Бао, К. Ли, М.М. Хонсари, Х. Чжао, Исследование переходного поведения подшипников скольжения с текстурой поверхности на основе подхода взаимодействия жидкости и структуры, Tribology International 118, 246–255 (2018) [Google Scholar]
  15. Н.Тала-Игил, М. Фийон, П. Маспейрот, Влияние текстурированной области на характеристики гидродинамического подшипника скольжения, Tribology International 44, 211–219 (2011) [Google Scholar]
  16. Н. Тала-Игил, М. Фийон, Численное исследование теплового и текстурирующего поверхностных эффектов на статические характеристики подшипников скольжения, Tribology International 90, 228–239 (2015) [Google Scholar]
  17. А.Б. Шинде, П.М. Павар, Влияние частичной обработки канавок на характеристики гидродинамического подшипника скольжения, Industrial Lubrication and Tribology 69, 574–584 (2017) [Google Scholar]
  18. X. Pang, J. Chen, S.H. Хуссейн, Численное и экспериментальное исследование обобщенной геометрической конструкции гидродинамического опорного подшипника на основе общего уравнения толщины пленки, Journal of Mechanical Science and Technology 26, 3149–3158 (2012) [Google Scholar]
  19. ЧАС.Чжан, М. Хафези, Г. Донг, Ю. Лю, Дизайн зоны покрытия для текстурированной поверхности подшипника скольжения на основе генетического алгоритма, Journal of Tribology 140, 061702 (2018) [Google Scholar]
  20. Х. Чжан, Ю. Лю, М. Хуа, Д.-у.Чжан, Л.-г. Цинь, Г.-н. Донг, Исследование оптимизации покрытия микротекстур, расположенных на ползунах подшипников, Tribology International 128, 231–239 (2018). [Google Scholar]
  21. К. Синаноглу, Ф. Наир, М.Б. Карамыш, Влияние текстуры поверхности вала на распределение давления в подшипниках скольжения, Journal of Materials Processing Technology 168, 344–353 (2005). [Google Scholar]
  22. Дж.Кеннеди, Р. Эберхарт, Оптимизация роя частиц, Труды Международной конференции IEEE по нейронным сетям 4, 1942–1948 (1995) [Google Scholar]
  23. Р. Эберхарт, Дж. Кеннеди, Новый оптимизатор, использующий теорию роя частиц, Труды Шестого Международного симпозиума по микромашинам и наукам о человеке (1995) [Google Scholar]
  24. Н.Ван, Х.-К. Хуанг, К.-Р. Хсу, Параллельная оптимальная конструкция подшипников из фольги с использованием метода оптимизации скопления частиц, Tribology Transactions 56, 453–460 (2013). [Google Scholar]
  25. С. Панда, С. Панда, П. Нанда, Д. Мишра, Сравнительное исследование оптимальной конструкции подшипников качения, Tribology International 92, 595–604 (2015) [Google Scholar]
  26. Р.Ли, П.Ф. Ду, С. Чжоу, T.X. Чжэн, Эксперимент по оптимизации параметров магнитореологического подшипника, Прикладная механика и материалы 457–458, 597–601 (2013) [Google Scholar]
  27. О. Пинкус, Б. Стернлихт, Теория гидродинамической смазки, McGraw-Hill, Нью-Йорк (1961). [Google Scholar]
  28. Ю.Ши, Р. Эберхарт, Модифицированный оптимизатор роя частиц, Международная конференция IEEE по процедурам эволюционных вычислений, 1998 г., Всемирный конгресс IEEE по вычислительному интеллекту (1998 г.) [Google Scholar]
  29. Ю. Ши, Оптимизация роя частиц, IEEE Connections 8–13 (2004) [Google Scholar]

Цитируйте эту статью как : X.Чжан, Ч. Лю, Б. Чжао, Исследование по оптимизации текстуры канавок опорного подшипника с использованием алгоритма оптимизации скопления частиц, Механика и промышленность 22 , 1 (2021)

Все таблицы

Таблица 1

Детальные параметры опорного подшипника.

Таблица 2

Геометрические параметры текстур канавок.

Таблица 3

Сравнение чисел Зоммерфельда с числами Пинкуса и Штернлихта [27].

Все рисунки

Инжир.4

Коэффициенты трения µ f различных схем сетки при (а) ε = 0,2, (б) ε = 0,4.

По тексту
Рис. 5

µ f best в зависимости от поколения до ε = 0,1, ϕ = 0.

По тексту
Инжир.6

Поступающие изменения распределений при ε = 0,1, ϕ = 0.

По тексту
Рис. 8

Распределение давления при ε = 0,1, ϕ = 0 (a) гладкий подшипник, (b) подшипник с оптимальной текстурой, (c) опорный подшипник с текстурой.

По тексту
Рис.9.

Сравнение (а) грузоподъемности, (б) трения, (в) коэффициента трения между гладкими, оптимально текстурированными и эталонными текстурированными подшипниками при ε = 0.1, ϕ = 0.

По тексту
Рис. 10

Оптимальные текстуры канавок при ε = 0,1–0,5, ϕ = 0, N = 2000 об / мин.

По тексту
Рис. 11

µ f и δµ f при ε = 0,1–0,5, ϕ = 0, N = 2000 об / мин.

По тексту
Рис. 12

Оптимальные текстуры канавок при ε = 0,1–0,5, ϕ = 0, N = 1000 об / мин.

По тексту
Рис 13

µ f и δµ f при ε = 0,1–0,5, ϕ = 0, N = 1000 об / мин.

По тексту
Рис. 14

Оптимальные текстуры канавок при ε = 0,1–0,5, ϕ = 0, N = 3000 об / мин.

По тексту
Рис. 15

µ f и δµ f при ε = 0,1–0,5, ϕ = 0, N = 3000 об / мин.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *