ROBUST AND ADAPTIVE MODELING OF SOFTWARE AGING
ROBUST AND ADAPTIVE MODELING OF SOFTWARE AGING
Artur Andrzejak
Zuse Institute Berlin(ZIB)
Takustra?e7,14195Berlin
Germany
andrzejak@zib.de
Luis Silva
Dep.Engenharia Informática
Univ.Coimbra
Portugal
luis@dei.uc.pt
Keywords:software aging,self-healing,web services,prediction,machine learning
1.Introduction
The wide-spread phenomenon of software(image)aging is known to cause performance degradation,transient failures or even crashes of applications.
This undesired behavior is especially visible in long-running software such as
web and application servers and enterprise always-on applications-software deployed frequently in Grid and utility computing environments.The manage-
ment costs caused by this problem are considerable as the root causes cannot
be usually?xed due to unavailability of the source code,and since simple replication schemata do not work ef?ciently.
The primary method to?ght aging is software rejuvenation,i.e.a restart of
the aging application periodically or adaptively.The latter approach takes into account the progress of aging and the effects of transient errors in order to?nd rejuvenation schedules which maximize the overall application availability and performance[3].It has obvious advantages over the periodical rejuvenation schema yet it requires aging models which are able to predict the expected performance at least over a part of the rejuvenation cycle.
There are two basic approaches to apply proactive software rejuvenation:
(i)Analytic-based approach;(ii)Measurement-based approach.The?rst ap-proach uses analytic modeling of a system,assuming some distributions for
2
failure,workload and repair-time.A survey about papers that follow this ap-proach can be found in[14].
The measurement-based approach is simpler yet usually more accurate.Here the goal is to collect some data from the system and then quantify and validate the effect of aging in system resources[4,3,8].Our previous work[2]falls into this category.Here we used a spline-based description of the aging pro?les and a statistical test to verify its correctness.
However,the(measurement-based)approaches cited above have some draw-backs:
they require an initial data collection over many rejuvenation cycles to establish a prediction model
they are not adaptive to changes in the aging pro?le over time
they are not robust against transient failures which invalidate the aging model established under error-free conditions
computation of the aging model might be expensive,especially in the case of ARMA-based[8]models.
In this work we propose a schema which solves some of the above disadvan-tages.It is based on usage of computationally ef?cient classi?cation algorithms for predicting application performance x minutes in advance.Several of these algorithms can be trained online and incrementally.This allows for an almost immediate deployment of the aging models and facilitates an automated model adaptation.Furthermore,we use as one of the inputs for the classi?er the cur-rent performance level(or its averages).As a consequence,the predictor can adapt to transient changes of the performance level and minimize prediction errors beyond the“normal scenario”.
The proposed methods are being evaluated via extensive studies on a data set generated by a TPC-W benchmark instrumented with a memory leak injector. To ensure applicability in real situations we use workload traces considered as typical in industrial scenarios.The errors(primarily memory leaks)are injected with each request,yet we inject non-deterministically additional errors in order to test the adaptation to transient failures.In addition to memory leaks we can inject several other type of failures:unterminated threads,unreleased ?le descriptors,IO traf?c,disk space shortage,exceptions and signals,and other.The deployed classi?cation algorithms include Naive Bayes,decision trees,and Support Vector Machines[15].To evaluate the prediction results we use a software framework called StreamMiner[1]which allows for on-line and off-line(batch)prediction experiments with a variety of algorithms.
The results show that the classi?cation algorithms make accurate and sta-tistically signi?cant short-term predictions of the aging processes in TPC-W.
Robust and Adaptive Modeling of Software Aging3 Moreover,their accuracy increases with the number of samples.For longer-term predictions the results could not be evaluated properly as the(irrelevant) predictions crossing the boundaries of rejuvenation cycles in?uence the error measures signi?cantly.In both cases the prediction algorithms are computa-tionally ef?cient and require few milliseconds on a2.16GHz Pentium-M class processor.This con?rms that our approach is a practical and promising way to make the measurement-based aging models more adaptive and robust against failures.
1.1Key Ideas
We assume a scenario of a long-running application such as web service, web server,or an enterprise always-on application.The performance in such a case is typically represented by the throughput(number of served requests per second)or a response latency.We further assume that the application runs in an environment which allows for measuring system utilization and other statistics such as Ganglia[9].The collected data is fed periodically to an aging and rejuvenation manager which creates a model and initiates rejuvenation actions.
Our approach is based on the following elements:
We use a data mining classi?cation algorithm such as Naive Bayes[15]to obtain an implicit model of the aging process.This representation can be used directly to predict a(discretized)value of the targeted perfor-mance indicator in the next x minutes.The advantage of classi?cation algorithms is low training cost for many of them,their high quality and large variety.Furthermore,in this way we can use simultaneous multi-ple data inputs for the model.This can increase accuracy and allow for incorporating potential correlations between different applications,OS components,and even different hosts.
One of the algorithm inputs is the instantaneous value of the performance indicator to be predicted,or some averages thereof.This helps the classi-?er to accommodate for transient performance changes which might be not re?ected by other inputs.For example,assume that the throughput (=performance)drops suddenly by50%due to a very rare bug and this change is not visible from other inputs like number of served requests or CPU usage.Including the current throughput as an input is likely to help the classi?er to“override”the learned aging curve and predict a throughput level adjusted to the currently observed one.
The training of the prediction algorithm takes place incrementally and on-line.In this scenario,the classi?er inputs and the performance in-dicator(prediction target)are recorded on-line(during deployment)and added incrementally as further training examples.In this way,the pre-
4
Figure1.Attribute selection process for a single modeling target
Figure2.The principle of the walk-forward testing
diction algorithm does not need any special off-line training,it can be used productively shortly after the system deployment,and its accuracy increases with time.Furthermore,it is possible to use only the training data from some recent time window in order to adapt to changes in the aging pro?le.
2.Prediction Methods
In this section we describe the details of the used prediction process.Its objective is the prediction of the anticipated value of an aging indicator:a system variable which most accurately describes the progress of running image aging.In our study it is the throughput P(also called performance)of an application server:the maximum number of requests it can serve at a given moment.
2.1Prediction via classi?cation algorithms
We?rst describe the terminology and background on the classi?cation al-gorithms.A classi?er is a function f:V→W which assigns to a vector of values v∈V a label w∈W[15].Here vector v has usually length larger one, and each of its columns corresponds to a speci?c type of an input scalar called attribute.In the setting of this paper,the labels are discretized levels of the throughput P measured at a certain time t .For example,if performance P at
Robust and Adaptive Modeling of Software Aging5 time t is discretized into20levels,label w=1covers P values between0% and5%of the maximum,and label w=20corresponds to P values between 95%and100%of the maximum performance.The attributes in our scenario are application metrics(and functions thereof)collected at some time t Before predictions can take place,classi?er f is presented a set of examples (v,w)(attribute vectors with correct labels)from which it attempts to build a model of relationships between vector values and labels.After this so-called training or?tting phase predictions are performed:a vector v with an unknown label is given,and then the label f(v)is computed.Note that in each training example(w,v)there is some(usually?xed)offset between the times when inputs for w and those for v are collected.This offset is called a lag and it describes how far into the future we wish to predict.For example,if the inputs for the attributes in v are collected10minutes prior to the measurement of the application performance which determines w,the lag is10minutes,and this is the time for which the classi?er is trained to“predict ahead”. It is usually unclear which functions of the raw inputs should constitute the attribute vectors.An approach is to generate many such functions and then prune them until only the signi?cant and mutually uncorrelated ones remain. This so-called attribute selection is an essential step preceding the training process.Due to the phenomenon called“curse of dimensionality”,too many attributes in relation to the number of examples can easily lead to over?tting. We have developed a two-stage process which?rst selects the relevant(corre-lated)inputs/resources(phase A),then computes a pool of functions on traces of these inputs(phase f),and?nally selects the?nal attributes from the pool of functions(phase B),see Figure1.Since phase A is essentially a trace correlation analysis with low running time,we can specify a large set of in-puts/resources(on the order of100)as a potential input.As a by-product of this phase a ranked list of inputs potentially in?uencing the behavior of the tar-get is produced.In phase B we apply the standard mechanism which prefers attributes with high correlation to the target yet low redundancy[6].As noted above,we use currently only two inputs but this scalable selection approach will become essential when additional system metrics are collected. The process of attribute selection is usually time consuming but needs to be performed only once for a prediction target.The subsequent classi?er training and testing require few seconds to minutes depending on the classi?cation tech-nique and size of the input.The deployed framework StreamMiner[1]uses 6 classi?ers from the WEKA library of data mining algorithms[15].This li-brary provides an large set of algorithms ranging from simple decision trees to support vector machines.We have used in our study three major classi?cation algorithms and a“primitive”zero-rule algorithm,all with the default WEKA options.The algorithms are speci?cally: J48-the classical algorithm for generation of a decision tree,in this case a pruned or unpruned C4.5decision tree[11] NaiveBayes-a simple yet computationally ef?cient probabilistic clas-si?er based on applying Bayes’theorem with the(“naive”)assumption that the attributes have independent probability distributions[7] SMO-a Support Vector Machine based on John Platt’s sequential min-imal optimization algorithm[10] ZeroR-the0-R classi?er predicts in our case the mode of the label indices(approximately the mean of discretized throughput given by the training examples)[15].This classi?er has been included for the purpose of base comparison against an unsophisticated prediction schema. 2.2The prediction process In our study the raw data is a series of samples,each composed of the recorded application throughput and the time since last rejuvenation at the sam-pling time(see Section3.1).During a prediction run this data is read in and for each sample a vector of attribute values is computed,together with the dis-cretized(and time shifted)target value.The attributes are functions of the raw inputs determined by selection process described above.For example,the at-tributes for the prediction process with a lag of50samples and the samples1 to2246as training examples had29attributes,including simple moving av-erages(SMA)of lengths2,5,10,20,40,120of the throughput,SMAs of the time since rejuvenation of lengths2,5,10,20,40,60,120,as well as several difference functions of two SMAs on the same input(for example,SMA of length120minus SMA of length2of the throughput). The prediction process consists of the alternating training and prediction phases.At?rst some set of the?rst S samples is used to build an initial model. Then R predictions are performed for samples S+1till S+R.Here a new model is build which uses at most T samples prior to sample S+R+1, see Figure2.This model is used for the following R predictions for samples S+R+1till S+2R etc.This sequence is repeated until the end of the series. This procedure is known as walk-forward testing.It ensures adaptability to new data due to retraining every R samples,and prevents over?tting since each prediction is made for a sample which has not been previously used for Robust and Adaptive Modeling of Software Aging7 Figure3.Application throughput over all25rejuvenation cycles training.The number of conducted predictions is total number of samples less S. 3.Experimental Evaluation 3.1Experimental setup To evaluate the methods described in Section1.1we are using data obtained from industry-typical web service applications.The data set comes from exper-iments with a Java implementation of the TPC-W benchmark.This benchmark resembles a online book store and uses Tomcat as the container and MySQL as the database.Since the original TPC-W implementation does not show any visible aging problem we have implemented a small fault-injector that works as a resource parasite:it consumes system resources in competition with the application[5].The memory leak of size1024bytes is injected each time a request is served.In addition,we inject non-deterministically memory leaks memory leaks of size1to100kilobytes in order to simulate transient errors and non-deterministic aging effects.The rejuvenation time for the TPC-W software ranged between12and15seconds. To speed-up the occurrence of software aging we deployed a multi-client tool called QUAKE[13].This tool permits the launching of simultaneous multiple clients that execute requests in a server under-test.All together,we have used a cluster of12machines:10running the client benchmark appli-cation,one database server(Katrina)and another server(Nelma)running the aging application.All the machines are interconnected with a100Mbps Eth- 8 Figure4.Application throughput(top)and time since rejuvenation(bottom)over the?rst4 rejuvenation cycles ernet switch.The detailed description of the machines is presented in Table1 (Section4.1.3)of[12]. In these studies,we used the burst distribution to test the maximum through-put of the application and measured this throughput every30seconds.After the request rate slow down to below1requests/s(which took place after approx-imately2hours and15minutes)we restarted the application(i.e.performed rejuvenation).This experiment has been repeated25times.The concatenated throughput plot is shown in Figure3.Figure4shows a more detailed plot of the initial4rejuvenation cycles along with the times since rejuvenation.While the aging curves(throughput curves)are similar in the?rst60%of each cycle, they differ in the remaining part of the cycle due to non-deterministic memory leaks. 3.2Prediction experiments and their evaluation We have used the StreamMiner framework[1]to preprocess the raw data and perform predictions.We have used different combinations of algorithms and settings to conduct all together96prediction runs.The total processing Robust and Adaptive Modeling of Software Aging9 Figure5.Prediction errors over all25rejuvenation cycles(SMO,lag=5min) Figure6.Prediction errors for initial rejuvenation cycles(SMO,lag=5min) time(including attribute selection)was in55minutes using Java1.5.010on a single core of a2.16GHz Intel Core Duo(T2600)laptop running under Win-dows XP.With approximately5250predictions per experiment the amortized time per prediction is on average6.5milliseconds.However,SMO algorithms need a multiple of the time taken by Naive Bayes or J48,and so the latter algorithms are faster than this average. We tested each of the four algorithms described in Section2.1with the com-binations of the following parameters expressed in the number of samples(i.e. 10 Figure7.Prediction errors for?nal rejuvenation cycles(SMO,lag=5min) 30seconds units):lag =0,5,10,25,50,100;maximum training interval length T=3000,6000;model update interval length R=1000,3000.No predictions have been made before sample number245(i.e.S de?ned in Sec-tion2.2equals245)to ensure that at least one whole rejuvenation cycle is used for classi?er training before the?rst prediction.We have used20discretiza-tion levels over the throughput interval[0,60]as the classi?er output labels,i.e. label1corresponds to throughput between0and3,and label20to throughput in[57,60]. Figure5shows the absolute prediction errors(true label index minus pre-dicted label index)for the SMO classi?er( =10,T=6000,R=1000)over the whole prediction range.While the errors become smaller with increasing number of learning data,the algorithm produces large errors at the ends of the rejuvenation cycles,predicting maximum performance.Analysis of this parts shows that this effect can be attributed to different lengths of the rejuvenation cycles:the algorithm has“learned”that when the cycle ends and throughput approaches0,a large throughput surge(after rejuvenation)will follow.How-ever,the exact length of the rejuvenation cycle is variable and unknown,which obviously leads to the effect that the predictions intended for the next cycle “land”still within the current cycle and cause throughput overestimation. Figures6and7show the initial and?nal part of the above prediction run (together with the performance data).They con?rm that after many learning examples the prediction quality increases.This effect could be observed for all other classi?ers except for ZeroR,however SMO yielded the best results for small lags. Robust and Adaptive Modeling of Software Aging11 Figure8.MSE averages for different lag values and all four classi?ers 3.3Comparing prediction algorithms and their settings To evaluate prediction errors for a whole series we used the well-known Mean Squared Error(MSE)[15]measure applied to differences between the predicted and correct(discretized)throughput values.In?gure8we show MSE averages for different lag values and all four classi?cation methods.Each bar represents an average of MSE values over four prediction runs correspond-ing to all combinations of R=1000,3000and T=3000,6000.As the variance of the correct discretized throughput values ranged between31.95 and32.33(depending on the lag),only cases with MSE value below33indi-cate non-trivial predictions(a random guessing approach would have an MSE value of33or lower).It follows that only predictions with lag of10and lower are non-random.For higher lags(25,50,100)the large MSE values come from predictions crossing the boundaries of the rejuvenation cycles;such pre-dictions are inherently dif?cult if not impossible due to different length of the cycles,see discussion above.As the average rejuvenation cycle length is260, signi?cant fraction of predictions(e.g.100/260=38%for =100)is of this type,which creates MSE values larger than for a random prediction.A more careful analysis with elimination of these prediction cases might have shown whether(intra-cycle)predictions for these high lag values are non-random or not. Figure8shows also that-as expected-the ZeroR predictor has no predictive power,and performs equally badly for all lag values.Furthermore,for ≤10 12 SMO performs slightly better than J48and the NaiveBayes.Interestingly,for =0(i.e.“predictions”for the current moment)none of the classi?ers is sophisticated enough to perform error-free as it would be possible.As the input values are not discretized,the MSEs for this case represent possibly an incorrectly“learned”discretization procedure. As expected,the algorithms perform better for shorter update intervals R= 1000(more frequent adaptation)and shorter maximum training interval T= 6000(adaptation to more recent data).However,the differences are less pro-nounced than across lags.For example,for SMO and lag equal10we have as MSEs:R=3000,T=6000:21.98;R=3000,T=3000:22.36; R=1000,T=6000:19.31;R=1000,T=3000:13.52. 4.Conclusions Our study demonstrated that classi?cation algorithms can serve as accu-rate predictors of the software aging processes,even in face of partial non-determinism and transient failures.The algorithms achieve higher accuracy with larger training data yet provide usable predictions even with little train-ing.Moreover,the amortized computational cost of the algorithms is low and so predictions can be performed even with sub-second periodicity.The study also shown that the major families of classi?ers-decision trees(J48),Bayesian methods(NaiveBayes)and support vector machines(SMO)-perform compa-rably well. Future work will focus on including additional system variables(CPU,mem-ory,disk,network usage and others)into predictions,studies of strongly non-deterministic aging processes,and attacking the problem of large prediction errors for predictions which cross the boundaries of the rejuvenation cycles. 5.Acknowledgments This research work is carried out in part under the FP6Network of Excel-lence CoreGRID and the SELFMAN project,both funded by the European Commission.The authors would like to thank Mehmet Ceyran(ZIB)for his dedication to?xing bugs in StreamMiner and Paulo J.F.Silva(UCO)for the experimental work. References [1]Artur Andrzejak,Mehmet Ceyran,and Stefan Plantikow.Ef?cient analysis and prediction of time series with StreamMiner. [2]Artur Andrzejak and Luis Silva.Deterministic models of software aging and optimal rejuvenation schedules.In10th IFIP/IEEE Symposium on Integrated Management(IM 2007),Munich,Germany,May2007. Robust and Adaptive Modeling of Software Aging13 [3]V.Castelli,R.Harper,P.Heidelberg,S.Hunter,K.Trivedi,K.Vaidyanathan,and W.Zeg- gert.Proactive management of software aging.IBM Journal Research&Development, 45(2),March2001. [4]S.Garg,A.van Moorsel,K.Vaidyanathan,and K.Trivedi.A methodology for detection and estimation of software aging.In Proceedings of the9th Int’l Symposium on Software Reliability Engineering,pages282–292,1998. [5]K.Gross,V.Bhardwai,and R.Bickford.Proactive detection of software aging mech- anisms in performance critical computers.In Proceedings of27th Anual IEEE/NASA Software Engineering Symposium,December2002. [6]M.Hall and L.Smith.Practical feature subset selection for machine learning.In Proceed- ings21st Australasian Computer Science Conference,University of Western Australia, Perth,Australia,February1996. [7]George H.John and Pat Langley.Estimating continuous distributions in Bayesian classi- ?ers.In Proc.11th Conference on Uncertainty in Arti?cial Intelligence,pages338–345. Morgan Kaufmann,1995. [8]L.Li,K.Vaidyanathan,and K.Trivedi.An approach for estimation of software aging in a web-server.In Proceedings of the2002International Symposium on Empirical Software Engineering(ISESE’02),2002. [9]Matthew L.Massie,Brent N.Chun,and David E.Culler.The ganglia distributed monitor- ing system:Design,implementation and experience.Parallel Computing,30(7):817–840, July2004.https://www.wendangku.net/doc/a19971635.html,/711465.html. [10]J.Platt.Fast training of support vector machines using sequential minimal optimization. In B.Sch?lkopf,C.J.C.Burges,and A.J.Smola,editors,Advances in Kernel Methods —Support Vector Learning,pages185–208,Cambridge,MA,1999.MIT Press. [11]J.R.Quinlan.C4.5:Programs for Machine Learning.Morgan Kaufmann,San Mateo, CA,1993. [12]Luis Moura Silva,Javier Alonso,Paulo Silva,Jordi Torres,and Artur https://www.wendangku.net/doc/a19971635.html,ing virtualization to improve software rejuvenation.In IEEE International Symposium on Network Computing and Applications,Cambridge,MA,July2007.accepted to IEEE International Symposium on Network Computing and Applications,Cambridge,MA, July2007. [13]S.Tixeuil,W.Hoarau,and L.M.Silva.An overview of existing tools for fault-injection and dependability benchmarking in grids.Technical Report TR-0041,CoreGRID Technical Report,2006. [14]K.Vaidyanathan and K.S.Trivedi.A comprehensive model for software rejuvenation. IEEE Trans.Dependanble and Secure Computing,2(2):1–14,April-June2005. [15]Ian H.Witten and Eibe Frank.Data Mining:Practical machine learning tools and tech- niques.Morgan Kaufmann,San Francisco,2nd edition edition,2005. 文件编号：MYH.03/BA.ZD-05.42-2012(B) 文件编号：MYH.03/BA.ZD-05.42-2013(C) 有毒及可燃气体报警器的管理规定 文件会签表 目录 1 目的 (4) 2 适用范围 (4) 3 编制依据 (4) 4 术语和定义 (4) 5 组织与职责 (4) 6 管理要求 (5) 7 制度执行与检查 (6) 8相关文件 (6) 9 记录 (6) 10 其它 (7) 1 目的 为了规范对有毒及可燃气体检测报警器的管理，有效预防中毒、爆炸事故的发生，特制定本规定。 2 适用范围 本规定适用于公司各生产装置有毒及可燃气体报警器仪表的管理。 3 编制依据 3.1 中华人民共和国主席令第二十八号《中华人民共和国计量法》 3.2 1987 年 2 月 1 日国家计量局发布《中华人民共和国计量法实施细则》 3.3 国发〔1987〕31号《中华人民共和国强制检定的工作计量器具检定管理办法》3.4 JJG693-2011《可燃气体检测报警器检定规程》 3.5 JJG695-2003《硫化氢气体检测报警器检定规程》 3.6 JJG915-2008《一氧化碳气体检测报警器检定规程》 3.7 中国神华煤制油化工有限公司《仪表及自动化控制设备管理办法（试行）》 4 术语和定义 本规定所指的报警器指生产现场所安装的固定式一氧化碳气体检测报警器、硫化氢气体检测报警器及可燃气体检测报警器。 5 组织与职责 5.1 机械动力部 5.1.1 负责报警器的年度强制检定。 5.1.2 负责对报警器运行状况和维护及检修质量的检查。 5.1.3 负责报警器运行指标（安装率、使用率、完好率）的考核评比。 5.2 机电仪中心 5.2.1 负责报警器的日常维护、维修工作。 动力电池智能制造技术 内容来源网络，由“深圳机械展（11万㎡，1100多家展商，超10万观众）”收集整理！ 更多cnc加工中心、车铣磨钻床、线切割、数控刀具工具、工业机器人、非标自动化、数字化无人工厂、精密测量、数控系统、3D打印、激光切割、钣金冲压折弯、精密零件加工等展示，就在深圳机械展. 1新能源汽车动力电池的智能制造 我国已成为名副其实的全球最大的新能源汽车市场。动力电池作为最为核心的关键零部件，它的相关技术必须与电动汽车的发展相适应。新能源汽车能走多远，最终取决于动力电池能走多远。综合各类电池的技术优势及发展趋势，锂离子电池在混合动力汽车、插电式混合动力汽车和纯电动汽车领域，将会有越来越广泛的应用。该类电池技术对新能源汽车产业发展的意义重大。 当前国内生产动力电池的企业约有上百家，但由于自动化程度低，不少企业呈现出生产效率低、产品良品率低和运营信息互联互通效率低的“三低”特点。这使得动力电池在技术以及一致性问题上一直很难有实质性突破，严重影响了动力电池的整体性能，也制约了我国新能源汽车产业的发展。 基于此，动力电池的智能制造应运而生。什么是动力电池的智能制造？它是指，动力电池生产智能工厂综合运用ERP系统、MES系统等软件，并实现全周期生产的可视化、自动化、智能化。未来，包括动力电池在内的新能源汽车制造，未来必然走向大规模和智能化，呈现高精度、高速度和高可靠性的“三高”特点。而以无人 化、可视化和信息化为代表的“三化”是实现“三高”的利器，亦是智能制造的范畴。 2动力电池工艺装备智能制造技术的发展水平 作为动力电池制造环节必需的工具，动力电池生产工艺装备对动力电池规模化生产条件下的技术发展起着极为关键的作用，近年来动力电池装备产业发展势头迅猛。结合动力电池生产工艺流程，我们将从动力电池电芯生产的前、中、后各段工序以及电池组模组及系统装配工序对动力电池装备产业的智能制造技术发展现状进行分析。 1.动力电池电芯生产前段工序的技术水平 作为动力电池整条产线最为关键的环节，生产前段工序对动力电池产品品质一致性和性能稳定性产生直接影响。动力电池电芯生产前段工序是指实现锂离子动力电池从原材料输送到模切的极片加工成型的过程。自动加料系统、搅拌机、涂布机、辊压机和模切机等是动力电池制造过程的核心工艺装备。 由于前段工艺装备对动力电池性能影响较大，各项技术指标要求高，且设备技术复杂程度高，前几年国产装备技术相对较为落后，在效率、精度、稳定性等方面与国外还存在一定差距，尤其是涂布机。近年来随着行业技术日趋成熟，国内装备行业快速发展，自动加料系统、大容积自动搅拌机、高速涂布机、高速模切机等高端设备逐步实现国产化，并在实际应用中产生了较好效果。 表1. 国内电池电芯前段工序设备情况 可燃气体报警器 可燃气体报警器也叫气体泄露检测报警仪器。当工业环境中可燃或有毒气体泄露时，当气体报警器检测到气体浓度达到爆炸或中毒报警器设置的临界点时，可燃气体报警器就会发出报警信号，以提醒工作采取安全措施，并驱动排风、切断、喷淋系统，防止发生爆炸、火灾、中毒事故，从而保障安全生产． 工作原理可燃气体探测器有催化型、红外光学型两种类型。催化型是利用难熔金属铂丝加热后的电阻变化来测定可燃气体浓度。当可燃气体进入探测器时，在铂丝表面引起氧化反应（无焰燃烧），其产生的热量使铂丝的温度升高，而铂丝的电阻率便发生变化。红外光学型是利用红外传感器通过红外线光源的吸收原理来检测现场环境的碳氢类可燃气体！ 『可燃气体报警器用途』主要用于检测空气中的可燃气体，常见的如氢气（H2）、甲烷（CH4）、乙烷（C2H6）、丙烷（C3H8）、丁烷（C4H10）、乙烯（C2H4）、丙烯（C3H6）、丁烯（C4H8）、乙炔（C2H2）、丙炔（C3H4）、丁炔（C4H6）、磷化氢等。 『可燃气体报警器分类』按照使用环境可以分为工业用气体报警器和家用燃气报警器，按自身形态可分为固定式可燃气体报警器和便携式可燃气体报警器。按检测气体种类可分单一型和多种型可燃气体浓度响应的探测器。工业用固定式可燃气体报警器由报警控制器和探测器组成，控制器可放置于值班室内，主要对各监测点进行控制，探测器安装于可燃气体最易泄露的地点，其核心部件为内置的可燃气体 传感器，传感器检测空气中气体的浓度。探测器将传感器检测到的气体浓度转换成电信号，通过线缆传输到控制器，气体浓度越高，电信号越强，当气体浓度达到或超过报警控制器设置的报警点时，报警器发出报警信号，并可启动电磁阀、排气扇等外联设备，自动排除隐患。 便携式可燃气体报警器为手持式，工作人员可随身携带，检测不同地点的可燃气体浓度，便携式气体检测仪集控制器，探测器于一体，小巧灵活。与固定式气体报警器相比主要区别是便携式气体检测仪不能外联其他设备。家用可燃气体报警器也可以叫做燃气报警器，主要用于检测家庭煤气泄漏，防止煤气中毒和煤气爆炸事故的发生。 文档来源为:从网络收集整理.word版本可编辑.欢迎下载支持. 《船舶原理与结构》课程教学大纲 一、课程基本信息 1、课程代码：NA325 2、课程名称（中/英文）：船舶原理与结构/Principles of Naval Architecture and Structures 3、学时/学分：60/3.5 4、先修课程：《高等数学》《大学物理》《理论力学》 5、面向对象：轮机工程、交通运输工程 6、开课院（系）、教研室：船舶海洋与建筑工程学院船舶与海洋工程系 7、教材、教学参考书： 《船舶原理》，刘红编，上海交通大学出版社，2009.11。 《船舶原理》（上、下册），盛振邦、刘应中主编，上海交通大学出版社，2003、2004。 《船舶原理与结构》，陈雪深、裘泳铭、张永编，上海交通大学出版社，1990.6。 《船舶原理》，蒋维清等著，大连海事大学出版社，1998.8。 相关法规和船级社入级规范。 二、课程性质和任务 《船舶原理与结构》是轮机工程和交通运输工程专业的一门必修课。它的主要任务是通过讲课、作业和实验环节，使学生掌握船舶静力学、船舶阻力、船舶推进、船舶操纵性与耐波性和船体结构的基本概念、基本原理、基本计算方法，培养学生分析、解决问题的基本能力，为今后从事工程技术和航运管理工作，打下基础。 本课程各教学环节对人才培养目标的贡献见下表。 三、教学内容和基本要求 课程教学内容共54学时，对不同的教学内容，其要求如下。 1、船舶类型 了解民用船舶、军用舰船、高速舰船的种类、用途和特征。 2、船体几何要素 了解船舶外形和船体型线力的一般特征，掌握船体主尺度、尺度比和船型系数。 3、船舶浮性 掌握船舶的平衡条件、船舶浮态的概念；掌握船舶重量、重心位置、排水量和浮心位置的计算方法；掌握近似数值计算方法—梯形法和辛普森法。 2 新能源电池智能制造装备项目 建议书 投资分析/实施方案 报告说明 受益于新能源电池高能量比、高功率比、高转换率等优点，新能 源电池行业近年来呈高速增长态势。在新能源电池应用领域中，动力 锂电池由于受到新能源汽车行业爆发的影响，动力锂电池行业也快速 增长，成为新能源电池行业增长最快的细分产业。中国锂电池出货量 从2013年的21.04GWh增长到2017年的77.80GWh，复合增长率高达38.67%。根据瑞银集团预计，全球电动汽车动力电池产量将从2018年 的93GWh增长到2025年的973GWh，7年间产量将增长9.5倍。在新能 源电池下游需求旺盛的背景下，新能源电池不断地扩大产能，进行技 改提升产品性能。根据上海有色网（SMM）统计，仅在2018年，国内 有42个新能源电池项目开工，投资总额高达3,143.38亿元，平均单 个项目投资74.84亿元。当期我国新能源电池行业的自动化、智能化 程度较低，存在生产效率低、产品良品率低和运营效率互联互通效率 低等问题，使得电池技术难有实质性突破，严重影响了新能源电池的 整体性能，也制约了下游市场尤其是新能源汽车行业的发展。基于此，新能源电池行业的智能制造应运而生。通过智能制造，新能源电池工 厂可以综合运用EPR、MES系统等软件，实现全周期生产的可视化、自 动化、智能化，实现生产的高精度、高速度及高可靠性。智能制造是 提高新能源电池性能、降低成本，进而推动新能源汽车行业发展的必 由之路。因此，新能源电池快速增长的态势，以及新能源电池生产亟 待升级的现状为智能制造装备在新能源电池制造产业的应用提供了广 阔的市场空间。 本期项目总投资包括建设投资、建设期利息和流动资金。根据谨 慎财务估算，项目总投资41051.31万元，其中：建设投资32350.01 万元，占项目总投资的78.80%；建设期利息311.15万元，占项目总投资的0.76%；流动资金8390.15万元，占项目总投资的20.44%。 根据谨慎财务测算，项目正常运营每年营业收入99200.00万元， 综合总成本费用82277.50万元，净利润9858.66万元，财务内部收益 率14.27%，财务净现值1305.35万元，全部投资回收期5.02年。本期项目具有较强的财务盈利能力，其财务净现值良好，投资回收期合理。 本期项目技术上可行、经济上合理，投资方向正确，资本结构合理，技术方案设计优良。本期项目的投资建设和实施无论是经济效益、社会效益等方面都是积极可行的。 实现“十三五”时期的发展目标，必须全面贯彻“创新、协调、 绿色、开放、共享、转型、率先、特色”的发展理念。机遇千载难逢，任务依然艰巨。只要全市上下精诚团结、拼搏实干、开拓创新、奋力 华北水利水电大学传感器课程设计 天然气泄漏报警装置 学院： 专业： 班级： 学号： 姓名： 指导老师： 时间: 目录 第一章绪论 (4) 一、课题背景及意义 (4) 二、课题目标及实现功能 (5) 第二章传感器原理及设计方案................. . (5) 一、传感器原理 (5) 二、MQ-2气敏器件 (6) 三、设计方案 (7) 四、方案选择 (8) 第三章电路设计 (8) 一、电源 (8) 二、气敏电路 (8) 三、报警电路 (9) 四、总电路 (9) 第四章proteus软件介绍 (10) 第五章总结 (11) 一、实验结果 (11) 二、总结 (12) 参考文献 设计任务 一．题目：天然气泄漏报警装置 工作要求：利用气敏传感器设计一个天然气泄漏报警器，要求有检测、报警输出。 二．设计任务 1.利用气敏传感器测量某环境天然气浓度； 2.当浓度超过设定值时蜂鸣器报警，发光二极管发光； 3.能够根据需要设定上下限报警温度； 4.利用Protel绘制电路图； 5.焊接电路板； 6.撰写说明书。 三．设计成果 1．设计计算说明书一份； 2．电路板一块。 第一章绪论 一.课题背景及意义 随着国家经济的提高，现代化、智能化的多功能建筑越来越多，对建筑的防火安全设计要求也越来越高。近年来，全国燃气行业发展迅猛，液化气、天然气、煤制气等城市燃气作为清洁能源已在工商业和城镇居民用户中得到广泛应用，特别是随着“两气东输”工程的快速进展，燃气行业发展潜力巨大。以“西气东输工程”为开端的大规模天然气利用工程的实施，意味我国城市燃气将大踏步的进入“天然气时代”。我国天然气市场将迎来一个千戟难逄的机会，城市燃气需求的主要增长点将体现在天然气上。2000年党中央国务院提出“两部大开发”的重大战略部署，特别是2002 年“两气东输”第一期工程正式开工。这无疑为发展两部地区的燃气产业带来历史性的机遇。西气东输工程，在西部优势资源和东部广阔市场之间建立起了一座“金桥”，西气东输工程投入使用后，每年供应长江三角洲地区100亿立方米天然气。城市燃气的普及与应用无疑对改善城市的环境质量和提高具名的生活质量发挥了巨大的作用。但是随着燃气的广泛使用，由于燃气泄漏所引发的爆炸、中毒和火灾事故也时有发生，这在某种程度上增加了城市的不安全和不稳定因素。为了使燃气更好地造福于民，造福于社会，减少并杜绝各种因燃气泄漏而引发的爆炸及火灾事故，各燃气使用单位及居民用户选择一种适合的燃气报警器实为必要之举。 “报警早，损失少”，进一步说明了及吋报警的重要性，在家庭里也是如此。一旦发生火灾，提早报警，可以及时将火扑灭，以免小火酿成大火灾。目前常用的有感烟、感温和可燃气体火灾报警器。像家庭中使用煤气、液化石油气和天然气等燃料时，安装一个可燃气体报警器，但出现漏气或者着火时，报警器能够立即鸣笛报警，告之文人及时采取措施。 室内煤气、天然气的泄漏严重危害人的生命健康以及性命财产安全，基于此现实，本设计旨在为家庭用户设计一种能够检测煤气、天然气泄漏的装置，从而减少因煤气和天然气的泄漏造成的事故的发生概率，进而保证人民的生命财产安全，减少不必要的损失。本设计用传感器检测天然气的基本状态，并将气体浓度信号转换为电信号,当室内煤气、天然气达到一定浓度时，该装置发出声光报警信号，提醒用户燃气泄漏，采取相应的应对措施。 石油天然气LPG泄露报警器 石油天然气LPG泄露报警器特点： ★是款内置微型气体泵的安全便携装置 ★整机体积小,重量轻,防水,防爆,防震设计. ★高精度,高分辨率,响应迅速快. ★采用大容量可充电锂电池,可长时间连续工作. ★数字LCD背光显示，声光、振动报警功能. ★上、下限报警值可任意设定，自带零点和目标点校准功能，内置 温度补偿，维护方便. ★宽量程，最大数值可显示到50000ppm、100.00%Vol、100%LEL. ★数据恢复功能，免去误操作引起的后顾之忧. ★显示值放大倍数可以设置，重启恢复正常. ★外壳采用特殊材质及工艺，不易磨损，易清洁，长时间使用光亮如新. 石油天然气LPG泄露报警器产品特性： ★是款内置微型气体泵的高精度的手式安全便携装备; ★进口电化学传感器具有良好的抗干扰性能，使用寿命长达3年; ★采用先进微处理器技术，响应速度快,测量精度高，稳定性和重复性好; ★检测现场具有现场声光报警功能，气体浓度超标即时报警，是危险现场作业的安全保障; ★现场带背光大屏幕LCD显示，直观显示气体浓度/类型/单位/工作状态等; ★全量程范围温度数字自动跟踪补偿，保证测量准确性; ★半导体纳米工艺超低功耗32位微处量器; ★全软件自动校准,传感器多达6级目标点校准功能,保证测量的准确性和线性,并且具有数据恢复功能;★全中文/英文操作菜单,简单实用,带温度补偿功能; ★防高浓度气体冲击的自动保护功能; 石油天然气LPG泄露报警器技术参数： 检测气体：空气中的石油天然气LPG气体 检测范围：0-100ppm、500ppm、1000ppm、5000ppm、0-100%LEL 分辨率：0.1ppm、0.1%LEL 显示方式：液晶显示 温湿度：选配件，温度检测范围：-40～120℃，湿度检测范围：0-100%RH 检测方式：扩散式、流通式、泵吸式可选安装方式：壁挂式、管道式检测精度：≤±3%线性误差：≤±1% 响应时间：≤20秒（T90）零点漂移：≤±1%（F.S/年）恢复时间：≤20秒重复性：≤±1% 信号输出：①4-20mA信号：标准的16位精度4-20mA输出芯片，传输距离1Km ②RS485信号：采用标准MODBUS RTU协议，传输距离2Km ③电压信号：0-5V、0-10V输出，可自行设置 ④脉冲信号：又称频率信号，频率范围可调（选配） ⑤开关量信号：标配2组继电器，可选第三组继电器，继电器无源触点，容量220VAC3A/24VDC3A 传输方式：①电缆传输：3芯、4芯电缆线，远距离传输（1-2公里） ②GPRS传输：可内置GPRS模块，实时远程传输数据，不受距离限制（选配） 接收设备：用户电脑、控制报警器、PLC、DCS、等 报警方式：现场声光报警、外置报警器、远程控制器报警、电脑数据采集软件报警等 报警设置：标准配置两级报警，可选三级报警；可设置报警方式：常规高低报警、区间控制报警 电器接口：3/4″NPT内螺纹、1/2″NPT内螺纹，同时支持2种电器连接方式 防爆标志：ExdII CT6（隔爆型）壳体材料：压铸铝+喷砂氧化/氟碳漆，防爆防腐蚀 防护等级：IP66工作温度：-30～60℃ 工作电源：24VDC（12～30VDC）工作湿度：≤95%RH，无冷凝 尺寸重量：183×143×107mm(L×W×H）1.5Kg(仪 器净重) 工作压力：0～100Kpa 标准配件：说明书、合格证质保期：一年 石油天然气LPG泄露报警器简单介绍： 石油天然气LPG泄露报警器报警器高精度、高分辨率，响应快速，超大容量锂电充电电池，采样距离远，LCD 背光显示，声光报警功能，上、下限报警值可任意设定，可进行零点和任意目标点校准，操作简单，具 有误操作数据恢复功能. 智能型锂电池管理系统（BMS） 产品简介 【系统功能与技术参数】 晖谱智能型电池管理系统（BMS），用于检测所有电池的电压、电池的环境温度、电池组总电流、电池的无损均衡控制、充电机的管理及各种告警信息的输出。特性功能如下： 1.自主研发的电池主动无损均衡专利技术 电池主动无损均衡模块与每个单体电芯之间均有连线，任何工作或静止状态均在对电池组进行主动均衡。均衡方式是通过一个均衡电源对单只电芯进行补充电，当某串联电池组中某一只单体电芯出现不平衡时对其进行单独充电，充电电流可达到5A，使其电压保持和其它电芯一致，从而弥补了电芯的不一致性缺陷，延长了电池组的使用时间和电芯的使用寿命，使电池组的能源利用率达到最优化。 2.模块化设计 整个系统采用了完全的模块化设计，每个模块管理16只电池和1路温度，且与主控制器间通过RS485进行连接。每个模块管理的电池数量可以从1～N（N≤16）只灵活设置，接线方式采用N＋1根；温度可根据需要设置成有或无。 3.触摸屏显示终端 中央主控制器与显示终端模块共同构成了控制与人机交互系统。显示终端使了带触摸按键的超大真彩色LCD屏，包括中文和英文两种操作菜单。实时显示和查看电池总电压、电池总电流、储备能量、单体电池最高电压、单体电池最低电压、电池组最高温度，电池工作的环境温度，均衡状态等。 4.报警功能 具有单只电芯低电压和总电池组低电压报警延时功能，客户可以根据自己的需求，在显示界面中选择0S～20S间的任意时间报警或亮灯。 5.完善的告警处理机制 在任何界面下告警信息都能以弹出式进行滚动显示。同时，还可以进入告警信息查询界面进行详细查询处理。 6.管理系统的设置 电池电压上限、下限报警设置，温度上限报警设置，电流上限报警设置，电压互差最大上限报警设置，SOC初始值设置，额定容量，电池自放电系数、充电机控制等。 7.超大的历史数据信息保存空间 自动按时间保存系统中出现的各类告警信息，包括电池的均衡记录。 8.外接信息输出 系统对外提供工业的CANBUS和RS485接口，同时向外提供各类告警信息的开关信号输出。 9.软件应用 根据需要整个系统可以提供PC管理软件，可以将管理系统的各类数据信息上载到电脑，进行报表的生成、图表的打印等。 10.参数标准 电压检测精度：0.5％ 电流检测精度：1％ 能量估算精度：5％ 《船舶原理与结构》课程教学大纲 一、课程基本信息 1、课程代码： 2、课程名称（中/英文）：船舶原理与结构/Principles of Naval Architecture and Structures 3、学时/学分：60/3.5 4、先修课程：《高等数学》《大学物理》《理论力学》 5、面向对象：轮机工程、交通运输工程 6、开课院（系）、教研室：船舶海洋与建筑工程学院船舶与海洋工程系 7、教材、教学参考书： 《船舶原理》，刘红编，上海交通大学出版社，2009.11。 《船舶原理》（上、下册），盛振邦、刘应中主编，上海交通大学出版社，2003、2004。 《船舶原理与结构》，陈雪深、裘泳铭、张永编，上海交通大学出版社，1990.6。 《船舶原理》，蒋维清等著，大连海事大学出版社，1998.8。 相关法规和船级社入级规范。 二、课程性质和任务 《船舶原理与结构》是轮机工程和交通运输工程专业的一门必修课。它的主要任务是通过讲课、作业和实验环节，使学生掌握船舶静力学、船舶阻力、船舶推进、船舶操纵性与耐波性和船体结构的基本概念、基本原理、基本计算方法，培养学生分析、解决问题的基本能力，为今后从事工程技术和航运管理工作，打下基础。 本课程各教学环节对人才培养目标的贡献见下表。 三、教学内容和基本要求 课程教学内容共54学时，对不同的教学内容，其要求如下。 1、船舶类型 了解民用船舶、军用舰船、高速舰船的种类、用途和特征。 2、船体几何要素 了解船舶外形和船体型线力的一般特征，掌握船体主尺度、尺度比和船型系数。 3、船舶浮性 掌握船舶的平衡条件、船舶浮态的概念；掌握船舶重量、重心位置、排水量和浮心位置的计算方法；掌握近似数值计算方法—梯形法和辛普森法。 信息工程学院本科生课程设计报告课程名称：电子综合设计 设计题目：气体泄漏报警装置设计 系别：计算机与电子工程系 专业 (方向)：电子信息工程 年级、班： 学生姓名： 学号： 指导教师： 2014 年12 月20 日 气体泄漏报警装置设计 一、【设计目的】 运用所学单片机及现代测控技术知识，设计一个厨房可燃性气体 泄漏情况的检测报警装置，当厨房中天然气（CH 4）或液化石油气（H C 104）浓度大于某个数值（例1000ppm ）时，用蜂鸣器报警并发出控制信号，启动抽油烟机。 二、【产品性能指标】 （1）分辨率：8位； （2）总的不可调误差：ADC0808为±2LSB,ADC 0809为±1LSB ； （3）转换时间：取决于芯片时钟频率，如CLK=500kHz 时，TCONV=128μs ； （4）单一电源:+5V ； （5）模拟输入电压范围： 单极性0～5V ；双极性±5V ,±10V(需外加一定电路)； （6）具有可控三态输出缓存器； （7）启动转换控制为脉冲式(正脉冲)，上升沿使所有内部寄存器清零，下降沿使A/D 转换开始； （8）使用时不需进行零点和满刻度调节。 三、【设计的原理】 1、系统框图 图1 系统框图 如图1所示通过QM-2采集可燃性气体浓度，经ADC0808模数转换把数据传输给单片机AT89C51，单片机通过对ADC0808转换来的数据进行处理，当可燃性气体弄到达到设定为报警浓度时，单片机将驱动报警电路，开启蜂鸣器报警，同时驱动排气电路，开启抽油烟机进行排气，单片机通过实时检测，当浓度降至报警浓度一下，单片机发出信号关闭蜂鸣器和抽油烟机。 2、各模块工作原理的分析与介绍 2.1 气体浓度检测模块 图2 模拟气体浓度检测图 由于在protues中没有QM-2及QM系列气体传感器，所以我们只能用别的器件代替，因为气体浓度传感器QM-2是通过电阻的变化实现对气体感应做出反应，所以我们用一个电位器代替，如图2。 2.2 A/D模数转换模块 SL1091A BMS BMS BMS SOC BMS BMS BMS BMS BMS ? BMS ? ? BMS ? SOC SOH ? ? ? BMS HiL HiL Scienlab BMS HiL 1 Gbps HiL BMS ± 1 mV ± 2 μA BMS 80 μs 1 MHz BMS BMS BMS BMS CAN BMS BMS SOC SOH BMS BMS // PE 1 KV BMS BMS BMS ? ? ? ? / ? ? BMS SOC SOH SOF ? SOC ? SOH ? SOF ? ? ? ? ? ? / SOC ? ? ? ? ? ? ? ? Pt50Pt100 ? ? ? ? ? ? ? ? / CAN ? ? ? ? dSpace National Instruments ? ? ? ? CAN ? ? ? HiL 0 ... 8 V <1 mV ± 5 A± 10 A ± 40 W± 80 W (3 V –> 5 V)< -80 μs 1 kV PE ±10 mA ±2 μA + 0.05% ±5 A ±1 mA + 0.05% RTD Pt100Pt500Pt1000Ni KTY 1 kV PE 0 … 5 kΩ 0.1 Ω ±0.1 Ω ± 0.1% ±100 mV ±10 μV ±0.1% 1 kV PE 1 kΩ … 100 MΩ 1 kΩ … 1 MΩ 1% 1 MΩ … 100 MΩ 2% 1 kV PE 0 … 650 V 24 V / /PWM HiL EtherCAT 1 kHz CAN BMS BMS 可燃气体报警器安装规 为保障石油化工企业的生产安全和/或人身安全,检测泄漏的可燃气体或有毒气体的浓度并及时报警以预防火灾与爆炸和/或人身事故的发生,特制定本规. 详细说明 1.0.1 为保障石油化工企业的生产安全和/或人身安全,检测泄漏的可燃气体或有毒气体的浓度并及时报警以预防火灾与爆炸和/或人身事故的发生,特制定本规. 1.0.2 本规适用于石油化工企业泄漏的可燃气体和有毒气体的检测报警设计. 1.0.3 执行本规时,尚应符合现行有关强制性标准规的规定. 2 术语,符号 2.1 术语 2.1.1 可燃气体combustible gas 本规中的可燃气体系指气体的爆炸下限浓度(V%)为10%以下或爆炸上限与下限之差大于20%的甲类气体或液化烃,甲B,乙A类可燃液体气化后形成的可燃气体或其中含有少量有毒气体. 2.1.2 有毒气体toxic gas 本规中的有毒气体系指硫化氢,氰化氢,氯气,一氧化碳,丙烯腈,环氧乙烷,氯乙烯. 2.1.3 最高容许浓度allowable maximum concentration 系指车间空气中有害物质的最高容许浓度,即工人工作地点空气中有害物质所不应超过的数值.此数值亦称上限量. 2.2 符号 2.2.1 LEL可燃气体爆炸下限浓度(V%)值. 2.2.2 TLV车间空气中有害物质的最高允许浓度值. 3 一般规定 3.0.1 生产或使用可燃气体的工艺装置和储运设施(包括甲类气体和液化烃,甲B 类液体的储罐区,装卸设施,灌装站等,下同)的2区及附加2区,应按本规设置可燃气体检测报警仪. 生产或使用有毒气体的工艺装置和储运设施的区域,应按本规设置有毒气体检测报警仪. 1 可燃气体或其中含有毒气体,一旦泄漏,可燃气体可能达到25%LEL,但有毒气体不能达到最高容许浓度时,应设置可燃气体检测报警仪; 2 有毒气体或其中含有可燃气体,一旦泄漏,有毒气体可能达到最高容许浓度,但可燃气体不能达到25%LEL时,应设置有毒气体检测报警仪; 3 既属可燃气体又属有毒气体,只设有毒气体检测报警仪; 4 可燃气体与有毒气体同时存在的场所,应同时设置可燃气体和有毒气体检测报警仪. 注:2区及附加2区的划分见《爆炸和火灾危险环境电力装置设计规》GB50058. 3.0.2 可燃气体和有毒气体检测报警,应为一级报警或二级报警.常规的检测报警,宜为一级报警.当工艺需要采取联锁保护系统时,应采用一级报警和二级报警.在二级报警的同时,输出接点信号供联锁保护系统使用. 3.0.3 工艺有特殊需要或在正常运行时人员不得进入的危险场所,应对可燃气体和/或有毒气体释放源进行连续检测,指示,报警,并对报警进行记录或打印. 3.0.4 报警信号应发送至工艺装置,储运设施等操作人员常驻的控制室或操作室. 摘要 随着科技的发展，现在家庭做饭烧水已经逐渐告别煤逐渐使用清洁的天然气。天然气的普及给公共生活带来了方便,减少了城市的污染,提高了生活质量和效率,但是同时,天然气也是潜在的“危险品”,一旦发生大面积泄漏,处置不及时就可能引发大爆炸,给居民的生命财产安全带来巨大的威胁。面对燃气泄漏而造成的种种事故威胁，我们需要一个解决办法。使用天然气报警器是对付燃气无形杀手的重要手段之一。 本论文以半导体气敏传感器和单片机技术为核心设计的气体报警器可实现声光报警功能，是一种结构简单、性能稳定、使用方便、价格低廉、智能化的气体报警器，具有一定的实用价值。其中MQ-2气体传感器对天然气的灵敏度高，这种传感器可检测多种含甲烷的气体，是一款适合多种应用的低成本传感器。经AT89C51单片机处理，并对处理后的数据进行分析，是否大于或等于某个预设值(也就是报警限)，如果大于则会自动启动报警电路发出报警声音，反之则为正常状态。 本文主要讨论用气敏传感器个单片机等技术实现室内天然气煤气泄漏报警，为我们的生活提供更大的安全保证也为我们的生活提供方便。 关键词：天然气报警，气敏传感器，单片机 目录 1 绪论 (3) 1.1 课题背景及目的 (3) 1.2国内外研究情况及其发展 (3) 1.3 设计内容级研究方法 (4) 2 系统方案及模块设计 (5) 2.1 设计思路 (5) 2.2 设计框图 (5) 2.3 系统模块设计 (5) 2.3.1 气体浓度检测模块 (5) 2.3.2主控制模块 (6) 3 硬件电路设计 (10) 3.1 气体检测模块的设计 (10) 3.2 单片机模块的设计 (11) 3.3声光报警模块的设计 (12) 4 程序设计 (14) 4.1 主函数程序设计： (14) 5结论 (16) 6附录 (17) 参考文献 (20) 船舶原理试题库 第一部分船舶基础知识 (一)单项选择题 1．采用中机型船的是 A. 普通货船 C．集装箱船D．油船 2．油船设置纵向水密舱壁的目的是 A．提高纵向强度B．分隔舱室 C．提高局部强度 3. 油船结构中，应在 A．货油舱、机舱B．货油舱、炉舱 C. 货油舱、居住舱室 4．集装箱船的机舱一般设在 A. 中部B．中尾部C．尾部 5．需设置上下边舱的船是 B．客船C．油船D．液化气体船 6 B．杂货船C．散货船D．矿砂船 7 A. 散货船B．集装箱船C．液化气体船 8．在下列船舶中,哪一种船舶的货舱的双层底要求高度大 A．杂货船B．集装箱船C．客货船 9．矿砂船设置大容量压载边舱，其主要作用是 A．提高总纵强度B．提高局部强度 C．减轻摇摆程度 10 B．淡水舱C．深舱D．杂物舱 11．新型油船设置双层底的主要目的有 A．提高抗沉性B．提高强度 C．作压载舱用 12．抗沉性最差的船是 A．客船B．杂货船C散货船 13．横舱壁最少和纵舱壁最多的船分别是 B．矿砂船，集装箱船 C．油船，散货船D．客船，液化气体船 14．单甲板船有 A. 集装箱船，客货船，滚装船B．干散货船，油船，客货船 C．油船，普通货船，滚装船 15．根据《SOLASl974 A．20 B．15 D．10 16 A. 普通货船C．集装箱船D．散货船17．关于球鼻首作用的正确论述是 A. 增加船首强度 C．便于靠离码头D．建造方便 18．集装箱船通常用______表示其载重能力 A．总载重量B．满载排水量 C．总吨位 19. 油船的______ A. 杂物舱C．压载舱D．淡水舱 20 A. 集装箱船B，油船C滚装船 21．常用的两种集装箱型号和标准箱分别是 B．40ft集装箱、30ft集装箱 C．40ft集装箱、10ft集装箱 D．30ft集装箱、20ft集装箱 22．集装箱船设置双层船壳的主要原因是 A．提高抗沉性 C．作为压载舱 D. 作为货舱 23．结构简单，成本低，装卸轻杂货物作业效率高，调运过程中货物摇晃小的起货设备是 B．双联回转式 C．单个回转式D．双吊杆式 24. 具有操作与维修保养方便、劳动强度小、作业的准备和收尾工作少，并且可以遥控操 作的起货设备是 B．双联回转式 D.双吊杆式 25．加强船舶首尾端的结构，是为了提高船舶的 A．总纵强B．扭转强度 C．横向强度 26. 肋板属于 A. 纵向骨材 C．连接件D．A十B 27. 在船体结构的构件中，属于主要构件的是：Ⅰ．强横梁；Ⅱ．肋骨；Ⅲ．主肋板；Ⅳ. 甲板纵桁；Ⅴ．纵骨；Ⅵ．舷侧纵桁 A．Ⅰ，Ⅱ，Ⅲ，ⅣB．I，Ⅱ，Ⅲ，Ⅴ D．I，Ⅲ，Ⅳ, Ⅴ 28．船体受到最大总纵弯矩的部位是 A．主甲板B．船底板 D．离首或尾为1／4的船长处 29. ______则其扭转强度越差 A．船越长B．船越宽 C．船越大 30 A．便于检修机器B．增加燃料舱 D．B+C 31 基于SH366000的智能电池管理系统 中颖电子股份有限公司高级工程师张朋翔 摘要：本文结合中颖电子的智能电池管理芯片SH366000，围绕着锂离子电池安全和有效利用的目标，对信息采集、充电方式、SOC估算、安全保护、电芯均衡、人机接口、低功耗设计等方面的实现策略进行了比较与分析，总结了现有智能电池管理系统的不足，对未来的发展方向进行了展望。 关键词：锂离子电池、智能电池管理系统、SH366000、充电管理、电池平衡、电池保护 中图分类号：TM912.6 文献标识码：A Smart Battery System Based on SH366000 Abstract：On the basis of the Li-ion battery of safety and effective use, We analyzed t he existing solution of Signal sample、Charge mode、SOC estimate、Safety protection、Cell balance、Man-machine interface、Low power design etc，summarized its disadvant age， and predicted the develop direction of the future. Key Word：Li-ion Battery、Smart Battery System、SH366000、Charge Management、Ce ll Balance、 Battery Protection 概述 锂离子电池研究始于20世纪80年代，1991年由索尼公司首先推出了民用产品。由于具备能量密度高、体积小、无记忆效应、循环寿命高、自放电率低等诸多优点，锂离子电池目前广泛应用于手机、MP3、笔记本电脑、相机等各种便携式设备。尤其在笔记本供电方面，其优异的高能量优势更是发挥得淋漓尽致。 但是由于能量密度高及特有的化学特性，锂离子电池的安全性和稳定性方面亦存在隐患，如过高温和过充可能会燃烧甚至导致爆炸，过放电可能造成电池本身的损坏。近年来，连续出现的笔记本电脑电池爆炸燃烧事故，导致了全球性的大批量电池召回现象，给生产厂家带来了巨大的经济损失。 为保证电池使用的安全性，在提高电池本身材料性能及加强工艺控制的同时，智能电池管理系统也成为锂离子电池应用研究的重中之重。 本文将结合中颖电子股份有限公司的锂离子电池管理与保护芯片SH366000，对智能电池管理系统中的关键技术进行阐述。 智能电池管理系统 管理制度编号：YTO-FS-PD787 可燃气体泄漏检测报警设施安全管理 规定通用版 In Order T o Standardize The Management Of Daily Behavior, The Activities And T asks Are Controlled By The Determined Terms, So As T o Achieve The Effect Of Safe Production And Reduce Hidden Dangers. 标准/ 权威/ 规范/ 实用 Authoritative And Practical Standards 可燃气体泄漏检测报警设施安全管 理规定通用版 使用提示：本管理制度文件可用于工作中为规范日常行为与作业运行过程的管理，通过对确定的条款对活动和任务实施控制,使活动和任务在受控状态，从而达到安全生产和减少隐患的效果。文件下载后可定制修改，请根据实际需要进行调整和使用。 1 目的与适用范围 为了加强对可燃气体泄漏检测报警设施的管理，及时发现可燃气体泄漏，防止火灾爆炸事故的发生，可燃气体和有毒气体报警器的安全管理。 2 引用法规、标准 《安全生产法》 《危险化学品安全管理条例》 《山东省安全生产条例》 《可燃气体检测报警器检定规程》（JJG693-2004） 《石油化工企业可燃气体和有毒气体检测报警器设计规范》（SH3060-1999） 《危险化学品从业单位安全标准化规范》 3 职责 3.1消防管理部门负责可燃气体泄漏检测报警设施的维护管理； 3.2生产部门电器仪表管理人员负责可燃气体泄漏报警 船舶维修技术实用手册》出版社：吉林科学技术出版社 出版日期：2005年 作者：张剑 开本：16开 册数：全四卷+1CD 定价：998.00元 详细介绍： 第一篇船舶原理与结构 第一章船舶概述 第二章船体结构与船舶管系 第三章锚设备 第四章系泊设备 第五章舵设备 第六章起重设备 第七章船舶系固设备 第八章船舶抗沉结构与堵漏 第九章船舶修理 第十章船舶人级与检验 第二篇现代船舶维修技术 第一章故障诊断与失效分析 第二章油液监控技术 第三章新材料、新工艺与新技术 第三篇船舶柴油机检修 第一章柴油机概述 第二章柴油机主要机件检修 第三章配气系统检修 第四章燃油系统检修 第五章润滑系统检修 第六章冷却系统检修 第七章柴油机操纵系统检修 第八章实际工作循环 第九章柴油机主要工作指标及其测定 第十章柴油机增压 第十一章柴油机常见故障及其应急处理 第四篇船舶电气设备检修 第一章船舶电气设备概述 第二章船舶常用电工材料 第三章船舶电工仪表及测量 第四章船舶常用低压电器及其检修 第五章船舶电机维护检修 第六章船舶电站维护检修 第七章船舶辅机电气控制装置维护检修第八章船舶内部通信及其信号装置检修第九章船舶照明系统维护检修 第五篇船舶轴舵系装置检修 第一章船舶轴系检修 第二章船舶舵系检修 第三章液压舵机检修 第四章轴舵系主要设备与要求 第五章轴舵系检测与试验 第六篇船舶辅机检修 第一章船用泵概述 第二章往复泵检修 第三章回转泵检修 第四章离心泵和旋涡泵 第五章喷射泵检修 第六章船用活塞空气压缩机检修 第七章通风机检修 第八章船舶制冷装置检修 第九章船舶空气调节装置检修 第十章船用燃油辅机锅炉和废气锅炉检修第十一章船舶油分离机检修 第十二章船舶防污染装置检修 第十三章海水淡化装置检修 第十四章操舵装置检修 第十五章锚机系缆机和起货机检修 第七篇船舶静电安全检修技术 第一章船舶静电起电机理 第二章舱内静电场计算 第三章船舶静电安全技术研究 第四章静电放电点燃估算 第五章船舶静电综合分析防治对策 可燃气体和有毒气体检测报警器管理 规定 附件2: 可燃气体和有毒气体检测报警器管理规定 第一章总则 第一条为了加强公司可燃和有毒气体检测报警器（以下简称报警器）管理，确保生产装置实现安全运行，根据《石油化工企业可燃气体和有毒气体检测报警设计规范》（GB50493- ）、中国石油化工集团公司《仪表设备管理规定》（中国石化生〔〕62号），结合公司实际，制定本规定。 第二条本规定所称可燃和有毒气体检测报警器，是指固定式可燃和有毒气体检测报警器。 第三条应用报警器监视生产装置、罐区、液化气站等可燃气体和有毒气体泄露和积聚状况，是预防爆炸和中毒事故的重要手段，必须加强对报警器的管理工作。 第二章分工与职责 第四条公司设备管理部是报警器的主管部门，主要履行以下职责： （一）负责公司新增报警器的实施及投用前的验收检查； （二）负责公司报警器更新、大修计划的审核； （三）负责公司新增、更新、技措项目中报警器的选型审定； （四）负责公司报警器的定期检查考评。 第五条公司安全环保部参与新增报警器的审查和投用前的验收工作，主要履行以下职责： （一）负责对现有报警器拆除、停用制度执行情况进行监督； （二）参与对报警器设计、安装、投用、管理、维修工作的监督； （三）参与新建装置、新增报警器设置的审查。 第六条直属单位设备管理部门是本单位报警器的主管部门，主要履行以下职责： （一）负责报警器年（季）度检修、技措计划的审核和实施； （二）负责组织新增、更新报警器的施工及投用前的验收检查； （三）负责报警器运行状况和维护、检修质量的检查； （四）负责报警器运行指标（安装率、使用率、完好率）的考核； （五）负责正常业务范围内的其它工作。 第七条直属单位安全部门参与本单位新增报警器的审查和投用前的验收工作，主要履行以下职责： （一）负责对现有报警器拆除、停用、临时停用的审查和备案； （二）负责对报警器设计、安装、投用、管理、维修工作的监 动力电池智能制造技术 全面解析 文档编制序号：[KK8UY-LL9IO69-TTO6M3-MTOL89-FTT688] 动力电池智能制造技术 内容来源网络，由“深圳机械展（11万㎡，1100多家展商，超10万观众）”收集整理！ 更多cnc加工中心、车铣磨钻床、线切割、数控刀具工具、工业机器人、非标自动化、数字化无人工厂、精密测量、数控系统、3D打印、激光切割、钣金冲压折弯、精密零件加工等展示，就在深圳机械展. 1新能源汽车动力电池的智能制造 我国已成为名副其实的全球最大的新能源汽车市场。动力电池作为最为核心的关键零部件，它的相关技术必须与电动汽车的发展相适应。新能源汽车能走多远，最终取决于动力电池能走多远。综合各类电池的技术优势及发展趋势，锂离子电池在混合动力汽车、插电式混合动力汽车和纯电动汽车领域，将会有越来越广泛的应用。该类电池技术对新能源汽车产业发展的意义重大。 当前国内生产动力电池的企业约有上百家，但由于自动化程度低，不少企业呈现出生产效率低、产品良品率低和运营信息互联互通效率低的“三低”特点。这使得动力电池在技术以及一致性问题上一直很难有实质性突破，严重影响了动力电池的整体性能，也制约了我国新能源汽车产业的发展。 基于此，动力电池的智能制造应运而生。什么是动力电池的智能制造？它是指，动力电池生产智能工厂综合运用ERP系统、MES系统等软件，并实现全周期生产的可视化、自动化、智能化。未来，包括动力电池在内的新能源汽车制造，未来必然走向大规模和智能化，呈现高 精度、高速度和高可靠性的“三高”特点。而以无人化、可视化和信息化为代表的“三化”是实现“三高”的利器，亦是智能制造的范畴。 2动力电池工艺装备智能制造技术的发展水平 作为动力电池制造环节必需的工具，动力电池生产工艺装备对动力电池规模化生产条件下的技术发展起着极为关键的作用，近年来动力电池装备产业发展势头迅猛。结合动力电池生产工艺流程，我们将从动力电池电芯生产的前、中、后各段工序以及电池组模组及系统装配工序对动力电池装备产业的智能制造技术发展现状进行分析。 1.动力电池电芯生产前段工序的技术水平 作为动力电池整条产线最为关键的环节，生产前段工序对动力电池产品品质一致性和性能稳定性产生直接影响。动力电池电芯生产前段工序是指实现锂离子动力电池从原材料输送到模切的极片加工成型的过程。自动加料系统、搅拌机、涂布机、辊压机和模切机等是动力电池制造过程的核心工艺装备。 由于前段工艺装备对动力电池性能影响较大，各项技术指标要求高，且设备技术复杂程度高，前几年国产装备技术相对较为落后，在效率、精度、稳定性等方面与国外还存在一定差距，尤其是涂布机。近年来随着行业技术日趋成熟，国内装备行业快速发展，自动加料系统、大容积自动搅拌机、高速涂布机、高速模切机等高端设备逐步实现国产化，并在实际应用中产生了较好效果。 表1. 国内电池电芯前段工序设备情况有毒及可燃气体报警器的管理规定
动力电池智能制造技术【全面解析】
可燃气体报警器,气体泄漏报警器
船舶原理及结构课程教学大纲
新能源电池智能制造装备项目建议书
天然气泄漏报警装置
石油天然气LPG气体泄露报警器
智能型锂电池管理系统(BMS)
《船舶原理与结构》课程教学提纲
气体泄漏报警装置设计讲解
Keysight 智能电池管理系统 Battery Management System
可燃气体报警器安装规范方案
室内天然气泄漏报警装置
船舶原理题库
基于SH366000的智能电池管理系统
可燃气体泄漏检测报警设施安全管理规定通用版
船舶维修技术实用手册
可燃气体和有毒气体检测报警器管理规定
动力电池智能制造技术全面解析