LARGE VOCABULARY CONVERSATIONAL SPEECH RECOGNITION WITH THE EXTENDED MAXIMUM LIKELIHOOD LINEAR TRANSFORMATION(EMLLT)MODEL Jing Huang,Vaibhava Goel,Ramesh Gopinath,Brian Kingsbury,Peder Olsen&Karthik Visweswariah IBM T.J.Watson Research Center,Yorktown Heights,NY10598
{jghg,vgoel,rameshg,bedk,pederao,kv1}@https://www.doczj.com/doc/9b5034221.html,
ABSTRACT
This paper applies the recently proposed Extended Maxi-mum Likelihood Linear Transformation(EMLLT)model in a Speaker Adaptive Training(SAT)context on the Switchboard database.Adaptation is carried out with maximum likelihood estimation of linear transforms for the means,precisions(in-verse covariances)and the feature-space under the EMLLT model.This paper shows the?rst experimental evidence that signi?cant word-error-rate improvements can be achieved with the EMLLT model(in both VTL and VTL+SAT training contexts)over a state-of-the-art diagonal covariance model in a dif?cult large-vocabulary conversational speech recognition task.The improvements were of the order of1%absolute in multiple scenarios.
1.INTRODUCTION
The EMLLT model,proposed by Olsen and Gopinath[1,2], estimates the inverse covariance(or precision)matrices of all the Gaussians of an HMM-based acoustic model as a lin-ear combination of rank-one symmetric basis matrices.By choice of the number and nature of these rank one basis ma-trices,the EMLLT model allows one to gradually vary the complexity of the model from diagonal covariances on the one extreme to full-covariances on the other.
The EMLLT model has been shown to yield signi?cant word error rate gains on several speech recognition tasks[1]. However,in all the tasks in that paper the databases used were IBM internal,the baseline acoustic models were of moderate size(ranging from10K–50K Gaussians)and the language models were grammar-based with a wide range of perplexities,but with a relatively small vocabulary.Re-cently Gopinath et al.[3]applied the EMLLT model on the SPINE[4]database and demonstrated the usefulness of these models in a VTL+SAT context.While the SPINE task is based on an n-gram language model,the acoustic model is constrained(about15K Gaussians)by the small size of the training corpus and the language model perplexity is about 30.This paper,in contrast,applies the EMLLT model in both VTL and VTL+SAT contexts on the much larger,more dif-?cult and better understood Switchboard database where our best baseline performance is typically obtained with an n-gram language model of perplexity of about80and an acous-tic model that has about150K Gaussians.
The Switchboard training corpus comprises4870con-versation sides with a total duration of265hours.Typ-ical Switchboard acoustic models have between three and ten thousand context-dependent sub-phone units and150K–180K Gaussian mixture components.Switchboard recogni-tion vocabularies typically contain30K–40K baseforms.
Our primary result is that the EMLLT model yields im-provements in recognition accuracy over our best diagonal-covariance models on the large-scale Switchboard task as well as on the smaller tasks previously reported.
The rest of this paper is organized as follows.Sec-tion2brie?y reviews the EMLLT modeling framework, and describes how feature-space and mean adaptation is carried out in conjunction with this model.Section3 presents our experimental setup and comparisons of VTL and VTL+SAT EMLLT models with corresponding baseline VTL and VTL+SAT models.
2.EMLLT MODEL AND ADAPTATION
This section outlines the EMLLT modeling framework and the adaptation of an EMLLT model.It is essentially a re-view of the work presented in Olsen et al.[1]and Gopinath et al.[3].
In the EMLLT model the d-dimensional acoustic features (be they original MFCC/PLP or canonical VTL+SAT fea-tures)are modeled with Gaussians of a special form.Specif-ically the precision matrix of the j th Gaussian,say P j(=Σ?1
j
)is of the form
CΛj C T,C∈R d×D,Λj∈R D×D,(1)Λj diagonal and d≤D≤d(d+1)/2.The parameters of this model are C,Λj(and of course the means m j and priorsπj). These parameters can be estimated in an ML fashion using a generalized EM algorithm[1].
The means of EMLLT model are adapted using an af?ne transformation,?μs j=A sμj+b s,so as to maximize the likeli-
hood of the observed speaker speci?c acoustic data.Estima-tion of A s and b s is carried out by maximizing an auxiliary function which is similar to the auxiliary function used in the standard MLLR[5].This function,Q MT,is given as[3]
?1/2
j,t
γj(t)(x t?A sμj?b s)T CΛj C T(x t?A sμj?b s).
Q MT(A s,b s)is quadratic and hence strictly concave in the parameters(A s,b s).The difference between this case and standard MLLR is that the problem no longer breaks down into independent sub-problems when one considers one row at a time.For large d(say d=60as in one example in this paper)directly solving this quadratic in d2+d vari-ables is very slow.We use a conjugate-gradient algorithm with pre-conditioning to solve this optimization problem[6]. The pre-conditioner used is the matrix of diagonal elements of the positive-de?nite matrix associated with the quadratic form Q MT.The cost of the algorithm is roughly the cost of computing the gradient once per iteration.A formula for the gradient of Q MT explicitly in terms of the statistics is given in Gopinath et al.[3].
For adaptation of the feature-space an af?ne feature trans-form,?x s=A s x+b s,is used.The auxiliary function Q FT(A s,b s)in this case is also quite like the auxiliary func-tion used in standard f-MLLR[7];it is given as
?
j,t
γj(t)(A s x t+b s?μj)T CΛj C T(A s x t+b s?μj)
+2βlog|det A s|.
Because of the additional log|det A s|term Q F T is not con-cave in(A s,b s).However,considered as a function of one row of A s(with all other parameters?xed)and searching only in the region where det A s has the same sign as the ini-tial point Q MT is a strictly concave function with a unique maximizer which can be found following a technique de-scribed in[7].Once an A s is?xed,a quadratic optimization is carried out for b s.A s and b s are optimized in an alternating fashion until convergence is achieved.
The precision matrices of the acoustic model are trans-formed as P s j=A s P j(A s)T.The auxiliary function in this case is
?
j,t
γj(t)(x(t)?μj)T A s CΛj C T A sT(x(t)?μj)
+2βlog|det A s|.
Formally this optimization problem is equivalent to the op-timization problem in the case of feature space transforms. Thus any method good for one will be good for the other. For the precision transforms we explicitly computed the func-tion and the gradient and used conjugate gradient optimiza-tion function available in a numerical package.
The three types of transformations can be applied in any order iteratively to better match the EMLLT model to a test speaker’s data.Notice that this does not require further recog-nition passes to get improved scripts.Also it is straight-forward to apply these transformations in a class-dependent fashion by appropriately accumulating class dependent statis-tics.
3.EXPERIMENTS ON SWITCHBOARD
3.1.Experimental Setup
Our system architecture has two parallel branches corre-sponding to two different acoustic features:perceptual lin-ear prediction(PLP)cepstral coef?cients and Mel-frequency cepstral coef?cients(MFCC).The12th-order PLP features were computed from an18-?lter Mel?lterbank that covered the125Hz-3.8kHz frequency range.The24MFCC features were computed from a24-?lter Mel?lterbank spanning the0 Hz-4.0kHz frequency range.In both cases,the power spec-tra were smoothed via periodogram averaging,and for the PLP features,the equivalent of1bit of noise was added to the power spectra prior to the Mel binning.Every9consecutive cepstral frames are spliced together and projected down to60 dimensions using a discriminant feature space transformation –LDA for PLP[8]and heteroscedastic discriminant analysis (HDA[9])for MFCC.The range of these transformations is further diagonalized by means of a maximum likelihood lin-ear transform(MLLT[10]).Another difference between the feature streams is that the PLP cepstra are mean and variance normalized on a per side basis(except the energy term which is normalized on a per utterance basis)while the MFCC cep-stra are mean normalized on a per utterance basis and does not have variance normalization.
For training we used the data released by LDC,which in-cludes248hours of Switchboard and17hours of CallHome English.Tests are conducted on the Hub52000evaluation data with40sides of Switchboard1,and Hub52001evalua-tion data with40sides of Switchboard1,40sides of Switch-board2,and40sides of Switchboard2cellular.
Recognition in the MFCC branch is performed with IBM’s stack-search decoder under a trigram language model while recognition in the PLP branch is performed in a lat-tice rescoring setup where initial lattices are generated from the word-internal PLP models and a trigram LM.Two sets of acoustic rescoring experiments were performed:one on the initial trigram lattices and second on the lattices rescored with a four-gram language model.
3.2.Baseline System:VTL and VTL+SAT Models
The baseline VTL and VTL+SAT models are built from the following steps.The VTL warp factors are?rst determined for each training speaker.For this,a?rst-pass decoding
is performed using speaker independent MFCC models.A forced alignment is then carried out against this output to se-lect the frames corresponding to vowels which are used to-gether with a voicing GMM model to determine the speaker warp factor(out of21allowing for20%scaling in either di-rection).Both PLP and MFCC features are then warped ac-cordingly.VTL normalized acoustic models are built in both the MFCC and PLP branches.The next step uses these gender independent VTL models to generate statistics for feature-space transform estimation.The acoustic feature vectors of each speaker are then transformed and the VTL+SAT models are trained on the resulting features.
The MFCC SAT model has about three thousand context-dependent HMM states and about150K Gaussians modeling these states.The PLP VTL+SAT model has about ten thou-sand context-dependent HMM states and about180K Gaus-sians modeling the states.The number of Gaussians were chosen by BIC[11]when the baseline VTL+SAT acoustic models were built.
3.3.EMLLT System on VTL and VTL+SAT Space EMLLT models were built on the VTL MFCC,VTL+SAT MFCC and VTL+SAT PLP feature spaces respectively. These models are in one-to-one correspondence with their associated diagonal covariance baseline models.In princi-ple,for training the EMLLT VTL+SAT model each training speaker’s SAT transform has to be estimated with an EMLLT model.However,in order to save on computation(and to be sure to have results in time for the paper deadline)we de-cided instead to use for each speaker the SAT transform esti-mated for the baseline diagonal covariance VTL+SAT model; at least for the MFCC based models,we were able to ex-perimentally con?rm that this choice had no signi?cant ef-fect on the?nal results as reported in Section3.5.This also meant that at test time we had to use the baseline MFCC/PLP VTL+SAT model to estimate a speaker speci?c feature-space transform.All EMLLT adaptation experiments were then car-ried out on top of this feature-space transform.
The C-matrix in EMLLT was initialized as follows[1]: the HMM states were split into groups based on acoustic-phonetic knowledge,and an MLLT matrix was generated for each group.These matrices were then stacked on top of each other to give?nal C matrix;we did not carry out a likeli-hood based https://www.doczj.com/doc/9b5034221.html,ing this C matrix,Λj parame-ters were updated using the generalized EM algorithm.
3.4.Results and Analysis
Table1compares the performance of the EMLLT model trained on MFCC features in both VTL and VTL+SAT spaces with the baseline model trained with diagonal Gaussians on the same feature space.Results in Table1are on the Hub52000evaluation test set.The EMLLT model had240basis el-ements(i.e.,C is a60×240matrix)corresponding to MLLT directions of four groups of HMM states.The?rst group includes vowels and diphthongs,the second group consists of voiced and unvoiced stops,the third group contains frica-tives and affricates,and the fourth group includes liquids and glides.All EMLLT results reported in this paper had240ba-sis elements.We also performed experiments with120and 480basis elements.As expected the word error rate perfor-mance of the model with240basis elements is signi?cantly better than that of the model with120basis elements.Go-ing from240basis elements to480basis elements gives a marginal improvement in word error rate at double the num-ber of parameters.
Adaptation is performed in the following steps:
a)Statistics for the initial feature space transform are ob-tained using scripts from an initial-pass decode of the test data with a speaker-independent VTL-normalized diagonal Gaus-sian acoustic model.
b)A feature space transform is obtained using the statistics in step a)and the test data is re-decoded with a SAT system c)We generate statistics for mean transforms using the scripts obtained in step b).
d)We generate single or multiple mean transforms and(op-tionally)an additional precision transform using statistics from Step c).The threshold used for generating multiple transforms was50seconds.
Steps b),c)and d)are carried out separately for the EMLLT system and the baseline system.
MFCC
Diagonal EMLLT
126.825.2
224.623.1
324.222.6
423.622.6
5-22.3
Table1.Word error rate comparison of diagonal Gaus-sian and EMLLT models on Switchboard2000eval testset: 1)VTL models;2)VTL+SAT models;3)VTL+SAT+1 mean transform;4)VTL+SAT+multiple mean transforms;
5)VTL+SAT+1mean transform+1precision transform.
Table1clearly shows the gains obtained by using the EM-LLT model:at all stages we get a reduction of1%or more absolute in word error rate.We note that although the EMLLT model has roughly2times more parameters than the diagonal Gaussian model,we did not see any gain in performance by building a diagonal covariance MLLT Gaussian model with 300K Gaussians.Table2shows results comparing diagonal and EMLLT models in the PLP VTL+SAT normalized fea-ture space.The results reported in Table2are lattice rescor-ing numbers;the two models are used to rescore the same lat-
tices.The results reported here are for the Switchboard2001 evaluation test set,which has120test speakers.Although the
PLP
Diagonal EMLLT
129.128.4
228.027.2
Table2.Word error rate comparison of VTL+SAT diago-nal Gaussian and EMLLT models on the Switchboard2001 evaluation testset:1)initial trigram lattices;2)rescoring of lattices from1)with4-gram language model and acoustic model adapted with one mean transform.
gains on the2001evaluation test set are smaller than those we see on the2000test set,they are still signi?cant.The reason for the smaller gain in rescoring may be due to the fact that the dynamic range of the likelihoods under the EMLLT model is quite different from that under the baseline model,which may necessitate a re-tuning of the acoustic model weight.This is not critical for the rank-based decoding scheme used in con-junction with the MFCC system.
3.5.SAT Transforms with EMLLT Model
As described in Section3.3to build the VTL+SAT EMLLT model we found it expedient to use the the SAT transform for each training speaker estimated for building the baseline VTL+SAT model.Since then,for the MFCC based system we have built an EMLLT VTL+SAT model where the SAT transform for each training speaker was estimated using the EMLLT VTL model.The performance of this VTL+SAT EMLLT model is similar to the one reported earlier in the pa-per.In fact the precise word error rates with this VTL+SAT EMLLT model on the test data with a SAT transform, SAT+mean transforms and SAT+mean+precision transforms are respectively23.6%,22.9%and22.6%;from Table1the corresponding word error rates with the VTL+SAT EMLLT model described earlier in the paper are23.1%,22.6%and 22.3%respectively.
4.CONCLUSION
In this paper we have compared EMLLT models with cor-responding diagonal covariance Gaussian models on the Switchboard database.The comparisons were made on VTL+SAT normalized MFCC and PLP features with two kinds of decoding strategies-single pass stack decoding and Viterbi lattice rescoring.Experiments were conducted on Hub52000and2001evaluation data.Signi?cant word er-ror rate improvements were observed on both these tests over our best diagonal covariance models and these improvements are not solely attributable to the larger number of parameters in the EMLLT models.Acknowledgment
The authors would like to thank George Saon for building the MFCC VTL+SAT baseline model and Lidia Mangu for providing the initial lattices.
5.REFERENCES
[1]P.A.Olsen and R.A.Gopinath,“Modeling Inverse
Covariance Matrices by Basis Expansion,”Submit-ted to Transactions in Speech and Audio Processing, 2001,https://www.doczj.com/doc/9b5034221.html,/people/r/rameshg/olsen-trans-sap2001-updated.ps.
[2]P.Olsen and R.A.Gopinath,“Modeling Inverse Co-
variance Matrices by Basis Expansion,”in ICASSP,Or-lando,Florida,2002.
[3]R.A.Gopinath,V.Goel,K.Visweswariah,and P.Olsen,
“Adaptation Experiments on the Spine Database with the EMLLT Model,”in ICASSP,Orlando,Florida, 2002.
[4]B.Kingsbury,G.Saon,L.Mangu,M.Padmanabhan,
and R.Sarikaya,“Robust Speech Recognition in Noisy Environments:The IBM SPINE-2Evaluation System,”
in ICASSP,Orlando,Florida,2002.
[5]C.J.Legetter,P.C.Woodland,“Maximum likelihood
linear regression speaker adaptation of continuous den-sity HMMs,”Computer speech and language,1997. [6]J.Shewchuk,“An Introduction to the Conjugate Gra-
dient Method without the Agonizing Pain,”Technical Report CMU-CS-94-125,Carnegie Mellon University, March1994.
[7]M.J.F.Gales,“Maximum likelihood linear transforma-
tions for HMM-based speech recognition,”Technical Report TR291,Cambridge University,1997.
[8]R.O.Duda and P.B.Hart,Pattern classi?cation and
scene analysis,Wiley,1973.
[9]G.Saon,M.Padmanabhan,R.Gopinath,and S.Chen,
“Maximum Likelihood Discriminant Feature Spaces,”
in ICASSP,Istanbul,Turkey,2000.
[10]R.A.Gopinath,“Maximum Likelihood Modeling with
Gaussian Distributions for Classi?cation,”in Proceed-ings of ICASSP,Seattle,USA,1998,vol.II,pp.661–664.
[11]S.Chen and P.S.Gopalakrishnan,“Clustering via the
Bayesian Information Criterion with Applications in Speech Recognition,”in Proceedings of ICASSP,Seat-tle,USA,1998,vol.I.
第三章 随机过程 A 简答题： 3-1 写出一维随机变量函数的均值、二维随机变量函数的联合概率密度（雅克比行列式）的定义式。 3-2 写出广义平稳（即宽平稳）随机过程的判断条件，写出各态历经随机过程的判断条件。 3-3 平稳随机过程的自相关函数有哪些性质功率谱密度有哪些性质自相关函数与功率谱密度之间有什么关系 3-4 高斯过程主要有哪些性质 3-5 随机过程通过线性系统时，输出与输入功率谱密度之间的关系如何 3-6 写出窄带随机过程的两种表达式。 3-7 窄带高斯过程的同相分量和正交分量的统计特性如何 3-8 窄带高斯过程的包络、正弦波加窄带高斯噪声的合成包络分别服从什么分布 3-9 写出高斯白噪声的功率谱密度和自相关函数的表达式，并分别解释“高斯”及“白”的含义。 3-10 写出带限高斯白噪声功率的计算式。 B 计算题： 一、补充习题 3-1 设()()cos(2)c y t x t f t πθ=?+，其中()x t 与θ统计独立，()x t 为0均值的平稳随机过程，自相关函数与功率谱密度分别为：(),()x x R P τω。 ①若θ在（0，2π）均匀分布，求y()t 的均值，自相关函数和功率谱密度。 ②若θ为常数，求y()t 的均值，自相关函数和功率谱密度。 3-2 已知()n t 是均值为0的白噪声，其双边功率谱密度为：0 ()2 N P ω= 双，通过下图()a 所示的相干解调器。图中窄带滤波器（中心频率为c ω）和低通滤波器的传递函数1()H ω及2()H ω示于图()b ，图()c 。
试求：①图中()i n t （窄带噪声）、()p n t 及0()n t 的噪声功率谱。 ②给出0()n t 的噪声自相关函数及其噪声功率值。 3-3 设()i n t 为窄带高斯平稳随机过程，其均值为0，方差为2 n σ，信号[cos ()]c i A t n t ω+经过下图所示电路后输出为()y t ，()()()y t u t v t =+，其中()u t 是与cos c A t ω对应的函数，()v t 是与()i n t 对应的输出。假设()c n t 及()s n t 的带宽等于低通滤波器的通频带。 求()u t 和()v t 的平均功率之比。
3.3控制电焊变压器用接触器的选用 当接通低压变压器负载时，变压器因为二次侧的电极短路而出现短时的陡峭大电流，在一次侧出现较大电流，可达额定电流的15～20倍，它与变压器的绕组布置及铁心特性有关。当电焊机频繁地产生突发性的强电流，从而使变压器的初级侧的开关承受巨大的应力和电流，所以必须按照变压器的额定功率下电极短路时一次侧的短路电流及焊接频率来选择接触器，即接通电流大于二次侧短路时一次侧电流。此类负载使用类别为AC-6a. 3.4电动机用接触器的选用 电动机用接触器根据电动机使用情况及电动机类别可分别选用AC-2～4，对于启动电流在6倍额定电流，分断电流为额定电流下可选用AC-3，如风机水泵等，可采用查表法及选用曲线法，根据样本及手册选用，不用再计算。 绕线式电动机接通电流及分断电流都是2.5倍额定电流，一般启动时在转子中串入电阻以限制启动电流，增加启动转矩，使用类别AC-2，可选用转动式接触器。 当电动机处于点动、需反向运转及制动时，接通电流为6Ie，使用类别为AC-4，它比AC-3严酷的多。可根据使用类别AC-4下列出电流大小计算电动机的功率。公式如下： Pe=3UeIeCOS￠η, Ue：电动机额定电流，Ie：电动机额定电压，COS￠：功率因数，η：电动机效率。 如果允许触头寿命短，AC-4电流可适当加大，在很低的通断频率下改为AC-3类。 根据电动机保护配合的要求，堵转电流以下电流应该由控制电器接通和分断。大多数Y 系列电动机的堵转电流≤7Ie，因此选择接触器时要考虑分、合堵转电流。规范规定：电动机运行在AC-3下，接触器额定电流不大于630A时，接触器应当能承受8倍额定电流至少10秒。 对于一般设备用电动机，工作电流小于额定电流，启动电流虽然达到额定电流的4～7倍，但时间短，对接触器的触头损伤不大，接触器在设计时已考虑此因数，一般选用触头容量大于电动机额定容量的1.25倍即可。对于在特殊情况下工作的电动机要根据实际工况考虑。如电动葫芦属于冲击性负载，重载启停频繁，反接制动等，所以计算工作电流要乘以相应倍数，由于重载启停频繁，选用4倍电动机额定电流，通常重载下反接制动电流为启动电流2倍，所以对于此工况要选用8倍额定电流。 3.5电容器用接触器选用 电容器接通时电容器产生瞬态充电过程，出现很大的合闸涌流，同时伴随着很高的电流频率振荡，此电流由电网电压、电容器的容量和电路中的电抗决定（即与此馈电变压器和连接导线有关），因此触头闭合过程中可能烧蚀严重，应当按计算出的电容器电路中最大稳态电流和实际电力系统中接通时可能产生的最大涌流峰值进行选择，这样才能保证正确安全的
如何选择和运用教学方法 郝慧敏 新课程改革能否顺利进行，关键在于教师能否转变教育观念，形成新的教育理念，而新的教育理念只有落实到教学方法的改革、创新上，才能真正提高课堂教学效益，提高教学质量。 教师如何才能实现教学方法的革新呢？ 教学方法应该是指在教学过程中，教师和学生为实现教学目的、完成教学任务而采用的教与学相互作用的活动方式的总称。它既包括教师的教，也包括学生的学的方法，是教授方法与学习方法的统一。是解决教师如何教，学生如何学，教与学的互动及其调节等的问题。 布鲁纳指出：“任何学科的教学原理都能够按照某种正确的方式，教给任何年龄段的任何儿童”。由此可见，正确的教学方法对完成教学目标有着极其重要的作用。正确的教学方法指最适当的教学方法，最适当的教学方法首先来源于全面、具体地掌握、选择教学方法的依据。 教学方法的选择一般是三个方面的根据：1、根据目前的学习任务，是传授学习知识，还是形成某种技能技巧；2、根据教材内容的特点，是事实性知识，还是理论性知识，是多是少，是科学强的还是艺术性强的，等等； 3、根据学生的年龄特征，是高年级还是低年级，知识基础和心理准备如何。当然还要考虑其他因素，如学校与地方可提供的条件，包括社会条件、自然条件、物质设备等；教师自身条件，学生的年龄特征等。 教学方法既有历史的继承性，又具有时代的特征，教学方法的选择要全面、具体、综合地考虑各种相关的因素进行权衡，加以取舍，在科学技术高度发达、知识激增的今天，尤其是新课改当前，教学方法的选择和运
用应把握好以下几个原因： 第一，重视教学方法的总体功能，力求多种教学方法互相配合，科学组合。教学实践证明，每种教学方法都有其适用范围、使用条件及其功能，在教学过程中没有一种教学方法是万能的或孤立存在的，每种教学方法都有其突出的优点，当然也有不足之处，正如前苏联教育理论家巴班斯基所说：“每种教学方法按其本质说都是相对辩证的，既有优点又有缺点，每种教学方法都可能有效地解决某些问题，而解决另一些则无效。每种方法都可能有助于达到某种目的，却妨碍着达到另一种目的。”因此，在全面、具体掌握选择教学方法的依据和了解多种多样的教学方法的基础上，还要正确把握各种教学方法之间的相互相系，相互渗透和转换的辩证关系，对各种教学法进行比较。加以即选、组合，以便发挥其整体功能。在选择教学方法时，可参照考下表对每一种教学方法进分析。 一种教学方法只能服务于一定的具体内容，达到特定的教学目的，而教学内容是丰富多彩的，教学目的是多方面的，只有对多种教学方法进分析、比较，使教学方法互相配合，科学组合，才能高效地完成教学任务。 第二，注重学生的内容活动，立足于学生的智力发展。《基础教育课程改革纲要（试行）》指出：“教师在教学过程中应与学生积极互动，共同发展，处理好传授知识与培养能力的关系，注重培养学生的独立性和自主性，引导学生质疑、调查、探究，在实践中学习，促进学生在教师指导下主动地、富有个性地学习，教师应尊重学生的人格，关注个性差异，满足不同同学的需要，创造能引导学生主动参与的教育环境，激发学生的学习积极性，培养学生掌握和运用知识的态度和能力，使每个学生都能得到充分的发展。”教师选择和运用的教学方法，应该注重引导学生独立探索，倡导学
古今中外学者，专家，莫不把中文工具书视为珍宝，用很生动的语言，描述赞美它是“良师益友”，“案头顾问”，“不说话的导师”，是我们“打开人类知识宝库的金钥匙”，本从中文工具书的概念，作用和使用方法等几个方面浅析如何正确选择和使用中文工具书，并分析它的指导意义。 一、中文工具书的概念 中文工具书，就是作为工具使用的一种特定类型的书籍。具体而言，它是根据一定的社会需要，以特定的编排形式和检索方法，为人们广泛汇集、迅速提供某方面的经过验证的浓缩的基本知识或知识线索，专供查考的特定类型的书籍。例如，词典、手册、指南等工具书。仅供查找有关参考的知识及其查找知识线索。 二、中文工具书的作用 中文工具书的作用，大体可归纳如下几个方面： 1、解决疑难问题 众所周知，在日常读书学习、研究问题、开展工作中，人们往往碰到疑难的字词，重要人物，有关事件，科技名词和述语，所需要数据等问题，查阅有关词典，百科全书，数据手册等中文工具书，即可迎刃而解。 2、指引读书门径 人们在日常自修学习，或者研究，掌握某学科知识，需要查找哪些文献，应阅读哪些文献信息，才能入室登堂，窥究奥秘。可利用百科全书类中文工具书，便可了解有关学科的基本知识，指出深入研究还须参阅哪些文献，从而，为深入学习和掌握有关知识，提供了最佳途径。 3、提供参考资料 人们在学习和研究中，除了必须掌握本学科的基本状况，还须掌握相关学科的学术动态，研究水平，发展概况。例如，有些研究项目，国内可能有不少科研人员从各个角度进行研究，国外也可能有成批学者在探讨，或者已引进其他相关学科研究成果加以解决，我们可查国内外出版的年鉴类中文工具书，便可了解近年来研究概况，发展动态，并提供了应该参考的书目，论文等资料。 4、节省时间精力 各种中文工具书都具有共同功能，就是节省读者查阅获取知识的时间和精力。因为，它们根据一定的社会需要，汇集大量有关文献，提供确实可靠的浓缩知识，并依照特定编
接触器的选型与使用 接触器是一种通用性很强的自动电磁式开关电器，可用于频繁操作和远距离的控制。文章简要介绍了接触器的选用原则、安装及使用。 [关键词]电磁系统触点系统线圈选型与使用 0、引言 接触器是一种通用性很强的自动电磁式开关电器，是电力拖动与自动控制系统中重要的低压电器。它可以频繁地接触和分段交直流主电路及大容量控制电路。其主要控制对象是电动机，也可以控制其他设备，如电焊机、电阻炉和照明器具等电力负荷。它利用电磁力的吸合和反向弹力作用使接触点闭合和分断，从而使电路接通和断开。它具有欠电压释放保护和零压保护，控制容量大，可用于频繁操作和远距离的控制。且工作可靠，寿命长，性能稳定，维护方便。接触器不能切断短路电流，因此通常与熔断器配合使用。 1、接触器的工作原理与结构组成 接触器主要由电磁系统、触点系统、灭弧系统及其它部分组成。 (1)电磁系统：电磁系统包括电磁线圈和铁心，是接触器的重要组成部分，依靠它带动触点的闭合与断开。 (2)触点系统：触点是接触器的执行部分，包括主触点和辅助触点。主触点的作用是接通。 (3)分断主回路，控制较大的电流，而辅助触点是在控制回路中，以满足各种控制方式的要求。 (4)灭弧系统：灭弧装置用来保证触点断开电路时，产生的电弧能可靠的熄灭，减少电弧对触点的损伤。为了迅速熄灭断开时的电弧，通常接触器都装有灭弧装置，一般采用半封式纵缝陶土灭弧罩，并配有强磁吹弧回路。 (5)其它部分：绝缘外壳、弹簧、短路环、传动机构等。 工作原理：当线圈通电时，静铁心产生电磁吸力，将动铁心吸合，由于触头系统是与动
铁心联动的，因此动铁心带动三条动触片同时运行，触点闭合，从而接通电源。当线圈断电时，吸力消失，动铁心联动部分依靠弹簧的反作用力而分离，使主触头断开，切断电源。 2、交流接触器的选用原则 接触器作为通断负载电源的设备，接触器的选用应按满足被控制设备的要求进行，除额定工作电压与被控设备的额定工作电压相同外，被控设备的负载功率、使用类别、控制方式、操作频率、工作寿命、安装方式、安装尺寸以及经济性是选择的依据。选用原则如下： (1)交流接触器的电压等级要和负载相同，选用的接触器类型要和负载相适应。 (2)负载的计算电流要符合接触器的容量等级，即计算电流小于等于接触器的额定工作电流。接触器的接通电流大于负载的启动电流，分断电流大于负载运行时分断需要的电流，负载的计算电流要考虑实际工作环境和工况，对于启动时间长的负载，半小时峰值电流不能超过约定发热电流。 (3)按短时的动、热稳定校验。线路的三相短路电流不应超过接触器允许的动、热稳定电流，当使用接触器断开短路电流时，还应校验接触器的分断能力。 (4)接触器吸引线圈的额定电压、电流及辅助触头的数量、电流容量，应满足控制回路接线要求。要考虑接在接触器控制回路的线路长度，一般推荐的操作电压值，接触器要能够在85％～110％的额定电压下工作。如果线路过长，由于电压降太大，接触器线圈对合闸指令有可能不起反映；由于线路电容太大，可能对跳闸指令不起作用。 (5)根据操作次数校验接触器所允许的操作频率。如果操作频率超过规定值，额定电流应该加大一倍。 (6)短路保护元件参数应该和接触器参数配合选用。 (7)接触器和其它元器件的安装距离要符合相关国标，要考虑维修和走线距离。 (8)有特殊要求情况下交流接触器的选用 ①防晃电型交流接触器 电力系统由于雷击、短路后重合闸以及单相人为短时故障接地后自动恢复等原因使供电系统晃电，晃电时间一般在几秒以下。
一．《选择题练习题库》特点： 1．自动出题 2．自动给出答案 3．自动统计正答率 4．自动记住“做错题”的题号，然后从“错题”中，再随机出题；不断重复，直到都最对为止5．可以进行“综合练习”，也可以进行“专题练习”6．可以应用于任意学科 7．具有“打印”功能，可打印“错题本”、“任意专题”，并且在下一页上，自动给出上一页答案。 5．可以进行“综合练习”，也可以进行“专题练习”二．选择题练习题库运行方法 1.双击“选择题考试系统”，在屏幕的左侧上方会有一个“安全警告”，位置见下图箭头所示，点击“安 全警告”右侧的“选项”（见下图）； 2.点击“安全警告”右侧的“选项”后，出现下图提示，请选中“启用此内容”，然后点击“确定”；
3.再点击下图所示中的“运行”；
4.在下图界面中，点击“开始”即可；（首次运行要先点击“初始化”后，再点击“开始”） 5.出现下图所示，就可以用鼠标点击“对应选项”来作答（可以是多选），作答完毕，点击“完成”按钮。
6.用鼠标选中对应选项，然后点击“完成”按钮，软件会自动评判“正确”、“错误”，并给出该题正确答 案、正答率，见下图： 7.点击“下一题”按钮，自动出现下一道题目，继续答卷即可。 8.当退出EXCEL时，会询问是否保存更改，见下图，选择“是”：（这样，软件会记住你的作答情况）
9.再次运行本如软件时，在下图界面中，点击“出题”，本软件自动调出你以前的答题情况，并且可以继 续答题：
10.本系统适用于所有学科，只要改变题库即可！多选也行！ （按照试题模板和答案模板排版，不要改变页面模式，一道题占用一页，答案和试题要一一对应！然后将试题和答案一起发给我；我打包后，再发给你，即可使用！） 11.谢谢您的使用，请多提宝贵建议。（邮箱：dingbin99@https://www.doczj.com/doc/9b5034221.html,）
第四章染发剂的选择及使用方法 第一节染发剂的分类 引言： 有什么样的染发剂可以提供给我们去选择呢？什么样的染发剂才适合顾客的实际情况呢？不同的发质怎样去选择适合发质本身的染发剂。. 一、非氧化染发剂 非氧化染发剂是不与显色剂混合使用的可直接涂到头发上的染发剂。这种染发剂只是在头发中沉淀颜色，产生物理变化，颜色会被一次次地洗掉。 1、临时性染发剂：顾名思义，临时性染发剂用于产生暂时性的颜色变化，并且会随着洗发次数的增加而逐渐褪色。它们是非反应性的直接使用的染发剂，也就是说，它们不需使用化学物来使之显色。它们含有较大的颜色分子，只能覆盖表皮的表面，因此只在头发中产生物理变化（而非化学变化）。产品中不含任何能漂浅头发的物质，配方或头发中也不发生任何化学变化。临时性染发剂不需要进行皮试或过敏测试，因为它们不含碱性衍生物，否则必须进行皮试。 临时性染发剂包括周染、彩色摩丝、彩色啫喱、彩色笔、彩色油、彩色喷发胶、彩色洗发水和冲洗剂等。与其他染发产品不同的是，暂时性染发剂涂到头发中之后，不须冲水。你只要将头发吹干并造型即可。 周染通常是在洗头盆中染发，用于为褪色的头发增加色调，中和掉不想要的色调或对未使用化学手段改变结构的头发暂时性增加色彩。 ⑴、彩色摩丝和彩色啫喱有多种颜色，用于使原有颜色更加鲜艳，为灰白发改善色调以及产生夸张效果。由于彩色摩丝也可增加发量，所以也在造型中使用。 ⑵、彩笔和彩油也有多种颜色，可用于产生各种效果，包括连接新旧发色，以及产生有趣的色彩缤纷的设计。 ⑶、彩色润发油的颜色范围也很广，除了包括为头发增加光泽，还能为头发增加色调或产生特殊的颜色效果。 ⑷、彩色喷发胶是气雾剂，密封罐装，属于易燃物质，所以不要在正在吸烟的人周围使用，也不要在明火周围使用。彩色喷发胶有许多种颜色，它能够快速而方便地在头发中建立颜色，产生特殊效果。 ⑸、染后洗发水和护发素用于染后头发的颜色维护，或增加色调，它们也可用来去除不想要的色调。 2、半永久性染发剂： 这种染发剂是碱性的，一般在洗数次头发后就褪色了，具体褪色情况还取决于头发的多孔性。它们含有大小两种颜 色分子，较小的颜色分子能够穿透头发的表皮层而进入皮质，而非象暂时性染发剂一样只能覆盖在头发表面。由于这些染发剂不使用化学方法来改变发色，所以它们只能沉淀颜色而不能漂浅头发，因此，根据所使用的颜色半永久性染发剂用来直接染发，不需混合，沉淀到头发中的颜色就是染发剂，这种染发剂在褪色的时候不会留下分界线，也不需要补染。 半永久性染发剂包括许多颜色，它们都被称为光泽剂或颜色加强剂，尽管这种染发剂不需与显色剂混合，但如果产 品中含有碱性衍生物成分，就必须先进行皮试。 根据产品中的成分以及头发的多孔性，重复使用半永久性染发剂会改变头发的结构，特别是
透析只需要使用专用的半透膜即可完成。通常是将半透膜制成袋状，就叫做透析袋。 自ThomasGraham1861年发明透析方法至今已有一百多年。透析已成为生物化学实 验室最简便最常用的分离纯化技术之一。在生物大分子的制备过程中，除盐、除少量有机溶剂、除去生物小分子杂质和浓缩样品等都要用到透析的技术。 透析只需要使用专用的半透膜即可完成。通常是将半透膜制成袋状，将生物大分子样品溶液置入袋内，将此透析袋浸入水或缓冲液中，样品溶液中的大分子量的生物大分子被截留在袋内，而盐和小分子物质不断扩散透析到袋外，直到袋内外两边的浓度达到平衡为止。保留在透析袋内未透析出的样品溶液称为“保留液”，袋（膜）外的溶液称为“渗出液”或“透析液”。 透析的动力是扩散压，扩散压是由横跨膜两边的浓度梯度形成的。透析的速度反比于膜的厚度，正比于欲透析的小分子溶质在膜内外两边的浓度梯度，还正比于膜的面积和温度，通常是4℃透析，升高温度可加快透析速度。 透析膜可用动物膜和玻璃纸等，但用的最多的还是用纤维素制成的透析膜，目前常用的是美国UnionCarbide（联合碳化物公司）和美国光谱医学公司生产的各种尺寸的透析管， 截留分子量MwCO（即留在透析袋内的生物大分子的最小分子量，缩写为MwCO）通常为 1万左右。 商品透析袋制成管状，其扁平宽度为23mm～50mm不等。为防干裂，出厂时都用10％ 的甘油处理过，并含有极微量的硫化物、重金属和一些具有紫外吸收的杂质，它们对蛋白质和其它生物活性物质有害，用前必须除去。可先用50％乙醇煮沸1小时，再依次用50％乙醇、0.01mol/L碳酸氢钠和0.001mol/LEDTA溶液洗涤，最后用蒸馏水冲洗即可使用。实 验证明，50％乙醇处理对除去具有紫外吸收的杂质特别有效。使用后的透析袋洗净后可存 于4℃蒸馏水中，若长时间不用，可加少量NaN2，以防长菌。洗净凉干的透析袋弯折时易 裂口，用时必须仔细检查，不漏时方可重复使用。 新透析袋如不作如上的特殊处理，则可用沸水煮五至十分钟，再用蒸馏水洗净，即可使用。使用时，一端用橡皮筋或线绳扎紧，也可以使用特制的透析袋夹夹紧，由另一端灌满水，用手指稍加压，检查不漏，方可装入待透析液，通常要留三分之一至一半的空间，以防透析过程中，透析的小分子量较大时，袋外的水和缓冲液过量进入袋内将袋涨破。含盐量很高的蛋白质溶液透析过夜时，体积增加50％是正常的。为了加快透析速度，除多次更换透析液外，还可使用磁子搅拌。透析的容器要大一些，可以使用大烧杯、大量筒和塑料桶。小量体积溶液的透析，可在袋内放一截两头烧园的玻璃棒或两端封口的玻璃管，以使透析袋沉入液面以下。 检查透析效果的方法是：用1％BaCl2检查(NH4)2SO4，用1％AgNO3检查NaCl、 KCl等。 为了提高透析效率，还可以使用各种透析装置。使用者也可以自行设计与制作各种简易的透析装置。美国生物医学公司（BiomedInstrumentsInc.）生产的各种型号的Zeineh透 析器，由于使用对流透析的原理，使透析速度和效率大大提高。 根据个人使用经验，建议使用透析袋效果比较好，还有具体需要什么规格的 要看你的目的蛋白量有多大，才能决定使用多大的截留分子量的透析袋，一般截 留量越大价格也就会越高，还有就是透析袋宽度的选择，要看你的实验一次需要 透析多少量来决定。目前我的实验室使用的是上海生工的透析袋，宽度70mm普 通型的！
1．接触器的选用原则 (1)按使用类别选用： 中小型工厂的生产实际，90kW及以下的笼型电动机占全厂电机总数的90％以上，基本属于按AC-3使用类别选用。 (2)确定容量等级： 接触器的容量即主触头在额定电压等技术条件下，其额定电流的确定，应注意如下几点： ①工作制及工作频率的影响： 选用接触器时，应注意其控制对象是长期工作制，还是重复短时工作制。在操作频率高时，还必须考虑电弧能量的影响。在水泥厂属于长期工作制，但操作频率不高，应尽可能选用银、银合金或镶银触头的接触器，如CJ20型系列产品。 ②环境条件的影响： 在水泥厂，生产流程的环境是比较恶劣的，粉尘污染严重，通风条件差，工作场所温度较高。因此，对接触器的选择宜采取降容使用的技术措施。在水泥厂，低压多选用380V，高压多选用6000V。 2．接触器额定电流的对表速查 例如一台Y180L-4型220kW电动机，从速查表查得应配用CF20-63型接触器。该电机额定电流42.5A，接触器额定电流63A，按一般AC-3工作类别，该接触器可控制380V电动机功率为30kW，现在控制380V、22kW电动机，属于降容使用，考虑水泥厂生产时间及环境等特点，符合选用要求。 2． 55KW的电机其电流在110A之间,(按经验算法每个千瓦两个电流计算),选CJ20-150型的接触器,按负荷的电流来选择的. 经验算法每个千瓦2.5个电流计算,接触器一般选2倍额定电流. 交流接触器的选用方法 接触器的选用应按满足被控制设备的要求进行，除额定工作电压应与被控设备的额定电压相同外，被控设备的负载功率、使用类别、操作频率、工作寿命、安装方式及尺寸以及经济性等是选择的依据。 选择接触器时应从其工作条件出发，主要考虑下列因素： 1、控制交流负载应选用交流接触器； 2、接触器的使用类别应与负载性质相一致。 3、主触头的额定工作电流应大于或等于负载电路的电流；还要注意的是接触器主触头的额定工作电流是在规定的条件下（额定工作电压、使用类别、操作频率等）能够正常工作的电流值，当实际使用条件不同时，这个电流值也将随之改变。 4、主触头的额定工作电流应大于或等于负载电路的电压。 5、吸引线圈的额定电压应与控制回路电压相一致，接触器在线圈额定电压85％及以上时应能可靠地吸合 交流接触器的选用，应根据负荷的类型和工作参数合理选用。具体分为以下步骤： 1．选择接触器的类型 交流接触器按负荷种类一般分为一类、二类、三类和四类，分别记为AC1 、AC2 、AC3和AC4 。一类交流接触器对应的控制对象是无感或微感负荷，如白炽灯、电阻炉等；二类交流接触器用于绕线式异步电动机的起动和停止；三类交流接触器的典型用途是鼠笼型异步电动机的运转和运行中分断；四类交流接触器用于笼型异步电动机的起动、反接制动、反转和点动。2．选择接触器的额定参数 根据被控对象和工作参数如电压、电流、功率、频率及工作制等确定接触器的额定参数。 1）接触器的线圈电压，一般应低一些为好，这样对接触器的绝缘要求可以降低，使用时也较安全。但为了方便和减少设备，常按实际电网电压选取。 2）电动机的操作频率不高，如压缩机、水泵、风机、空调、冲床等，接触器额定电流大于负荷额定电流即可。接触器类型可选用CJl0、CJ20等。
快速选择 通配符, 查找文字 可以使用“特性”选项板、在位文字编辑器和夹点来修改多行文字对象的位置和内容。使用 FIND 命令可以轻松地查找和替换文字。 创建多行文字后，可以使用“特性”选项板进行修改。 ?文字样式指定 ?对正 ?宽度 ?旋转 ?行距 另外，可以使用在位文字编辑器修改单个格式，例如粗体和下划线，还可以修改多行文字对象的宽度。 修改文字位置 使用夹点可以移动多行文字或调整行的宽度。多行文字对象在文字边界的四个角点（某些情况下是在对正点处）显示夹点。 如果使用“特性”选项板移动多行文字，可以同时编辑内容和修改特性。 诸如DIMLINEAR或LEADER之类的命令自动创建多行文字而不需要指定边框；这些多行文字对象在对正点处只显示一个夹点。 需要对齐或移动多行文字对象时，用户可以使用“节点”和“插入”对象捕捉以确保精度。如果OSNAPNODELEGACY系统变量设置为 0，则“节点”对象捕捉将忽略多行文字。 查找和替换文字 要搜索和替换文字，请使用FIND命令。替换的只是文字内容，字符格式和文字特性不变。 使用 FIND 命令时，可以在搜索中使用通配符。 字符定义 #（井号）匹配任意数字字符0123456789 @ (At) 匹配任意字母字符Aa 客厅,选不了数字和符号
.（句点） 匹配任意非字母数字字符 !@#$^&*()* _+在一起的 *（星号） 匹配任意字符串，可以在搜索字符串的任意位置使用 所有字符串 ?（问号） 匹配任意单个字符，例如，?BC 匹配 ABC 、3BC 等等 星期? 星期一、星期二。 ~（波浪号） 匹配不包含自身的任意字符串，例如，~*AB* 匹配所有不包含 AB 的字符串 [ ] 匹配括号中包含的任意一个字符，例如，[AB]C 匹配 AC 和 BC [0-9]) 0)、1)、2)、3)、4)、5)、6)、7)、8)、9)、 [a-z]) a)、……z) [~] 匹配括号中未包含的任意字符，例如，[~AB]C 匹配 XC 而不匹配 AC [~0-9]) 不选择0)、1)、2)、3)、4)、5)、6)、7)、8)、9)、 [~a-z]) 不选择a)、……z) [-] 指定单个字符的范围，例如，[A-G]C 匹配 AC 、BC 等，直到 GC ，但不匹配 HC `（单引号） 逐字读取其后的字符；例如，`~AB 匹配 ~AB 非常见字符需加` 要搜索包含特定单词或词组的图形文件，请使用 Microsoft? Windows? 中的“搜索”工具。除了表和字段以及图形中外部参照中的文字，可以使用“搜索”工具查找所有的文本数据。 参见 o 使用文字样式 o 控制多段线、图案填充、渐变填充、线宽和文字的显示
交流接触器的选用步骤 交流接触器的选用，应根据负荷的类型和工作参数合理选用。具体分为以下步骤： 1.选择接触器的类型 交流接触器按负荷种类一般分为一类、二类、三类和四类，分别记为AC1 、AC2 、AC3和AC4 。一类交流接触器对应的控制对象是无感或微感负荷，如白炽灯、电阻炉等；二类交流接触器用于绕线式异步电动机的起动和停止；三类交流接触器的典型用途是鼠笼型异步电动机的运转和运行中分断；四类交流接触器用于笼型异步电动机的起动、反接制动、反转和点动。 2.选择接触器的额定参数 根据被控对象和工作参数如电压、电流、功率、频率及工作制等确定接触器的额定参数。 1）接触器的线圈电压，一般应低一些为好，这样对接触器的绝缘要求可以降低，使用时也较安全。但为了方便和减少设备，常按实际电网电压选取。 2）电动机的操作频率不高，如压缩机、水泵、风机、空调、冲床等，接触器额定电流大于负荷额定电流即可。接触器类型可选用CJl0、CJ20等。 3）对重任务型电机，如机床主电机、升降设备、绞盘、破碎机等，其平均操作频率超过100次／min，运行于起动、点动、正反向制动、反接制动等状态，可选用CJl0Z、CJl2型的接触器。为了保证电寿命，
可使接触器降容使用。选用时，接触器额定电流大于电机额定电流。4）对特重任务电机，如印刷机、镗床等，操作频率很高，可达600～12000次／h，经常运行于起动、反接制动、反向等状态，接触器大致可按电寿命及起动电流选用，接触器型号选CJl0Z、CJl2等。 5）交流回路中的电容器投入电网或从电网中切除时，接触器选择应考虑电容器的合闸冲击电流。一般地，接触器的额定电流可按电容器的额定电流的1.5倍选取，型号选CJ10、CJ20等。
一文看懂电流互感器选型原则和方法及使用方法 电流互感器的选用原则及方法1、额定电压电流互感器额定电压应大于装设点线路额定电压。 2、变比应根据一次负荷计算电流IC选择电流互感器变比。电流互感器一次侧额定电流标准比（如20、30、40、50、75、100、150、2×a/C）等多种规格，二次侧额定电流通常为1A或5A。其中2×a/C表示同一台产品有两种电流比，通过改变产品的连接片接线方式实现，当串联时，电流比为a/c，并联时电流比为2×a/C。一般情况下，计量用电流互感器变流比的选择应使其一次额定电流I1n不小于线路中的负荷电流（即计算IC）。如线路中负荷计算电流为350A，则电流互感器的变流比应选择400/5。保护用的电流互感器为保证其准确度要求，可以将变比选得大一些。 3、准确级应根据测量准确度要求选择电流互感器的准确级并进行校验。下表为不同准确级电流互感器的误差限值： 准确级选择的原则：计费计量用的电流互感器其准确级不低于0．5级；用于监视各进出线回路中负荷电流大小的电流表应选用1．0—3．0级电流互感器。为了保证准确度误差不超过规定值，一般还校验电流互感器二次负荷（伏安），互感器二次负荷S2不大于额定负荷S2n，所选准确度才能得到保证。准确度校验公式：S2≤S2n。 二次回路的负荷l：取决于二次回路的阻抗Z2的值，则： S2=I2n2︱Z2︱≈I2n2（∑︱Zi︱+RWl+RXC） 或S2V1≈∑Si+I2n2（RWl+RXC） 式中，Si、Zi为二次回路中的仪表、继电器线圈的额定负荷和阻抗，RXC为二次回路中所有接头、触点的接触电阻，一般取0．1Ω，RWL为二次回路导线电阻， 计算公式化为：RWL=LC/（r×S）。 式中，r为导线的导电率，铜线r=53m/（Ωmm2），铝线r=32m（Ωmm2），S为导线截面积（mm2），LC为导线的计算长度（m）。设互感器到仪表单向长度为L1，
教学方法的选择与运用 科学、合理地选择和有效地运用教学方法，要求教师能够在现代教学理论的指导下，熟练地把握各类教学方法的特性，能够综合地考虑各种教学方法的各种要素，合理地选择适宜的教学方法并能进行优化组合。 一、选择教学方法的基本依据 （一）依据教学目标选择教学方法。 不同领域或不同层次的教学目标的有效达成，要借助于相应的教学方法和技术。教师可依据具体的可操作性目标来选择和确定具体的教学方法。 （二）依据教学内容特点选择教学方法。 不同学科的知识内容与学习要求不同，不同阶段、不同单元、不同课时的内容与要求也不一致，这些都要求教学方法的选择具有多样性和灵活性的特点。 （三）根据学生实际特点选择教学方法。 学生的实际特点直接制约着教师对教学方法的选择，这就要求教师能够科学而准确地研究分析学生的上述特点，有针对性地选择和运用相应的教学方法。 （四）依据教师的自身素质选择教学方法。 任何一种教学方法，只有适应了教师的素养条件，并能为教师充分理解和把握，才有可能在实际教学活动中有效地发挥其功能和作
用。因此，教师在选择教学方法时，还应当根据自己的实际优势，扬长避短，选择与自己最相适应的教学方法。 （五）依据教学环境条件选择教学方法。 教师在选择教学方法时，要在时间条件允许的情况下，应能最大限度地运用和发挥教学环境条件的功能与作用。 二、教学方法的运用 教师选择教学方法的目的，是要在实际教学活动中有效地运用。 首先，教师应当根据具体教学的实际，对所选择的教学方法进行优化组合和综合运用。 其次，无论选择或采用哪种教学方法，要以启发式教学思想作为运用各种教学方法的指导思想。 另外，教师在运用各种教学方法的过程中，还必须充分关注学生的参与性。
滚筒刷的选用与使用方法 滚涂是使附有涂料的滚筒滚过制品表面而获得涂层的涂装技术。其技术特点是：可以调整漆膜的厚度；可以使大面积涂漆连续化；.可以在高固体份、高粘度下施工，溶剂用量小，污染小；生产效率高，较刷涂功效提高约2倍，涂层质量好、均匀，无刷痕、流挂等疵病，但边角需修补。工具灵活轻便，易于操作；使用不同的滚筒可以做出各种不同装饰效果的饰面。 滚涂作业的主要工具是滚筒刷，按照结构可分为欧式、美式和瑞典式三大类，欧式采用的是直插式滚刷架，滚筒内有抱芯，使用过程中抱芯抱紧滚刷架横梁，滚筒以抱芯为中心滚动，滚筒的轴向和径向的晃动量是由滚筒内盛装抱芯的空间与抱芯的径向与轴向尺寸差形成的。欧式滚筒毛套一般采用粘制和缝制工艺，由于热熔工艺的兴起，产生了美变欧的结构，用于安装直通式滚刷头，但原理没有任何变化。 美式滚刷架用于直通式滚刷头的安装，美式结构的最大特点是CAGE的存在，cage由正帽、背帽和连接正背帽的筋组成，一般有4-5根筋，滚刷架头部套制螺纹，后部打点，将cage结构固定在滚刷架横梁上，其轴向由螺母与打点形成的尺寸与cage安装尺寸的差值决定，径向晃动量由正背帽的孔径与滚刷架横梁直径的差值决定。美式滚刷架靠筋的弹性压紧滚刷头内壁。 瑞典式滚刷架与美式滚刷架均用于直通式滚刷头的安装，相对于美式取消了筋的结构，在滚刷架后端打点限制背帽的移动，正帽两侧均打点，用以控制滚筒的轴向晃动量，径向晃动量的控制方法与美式的相同。瑞典式滚刷架靠正帽的弹性压紧滚刷头内壁。 以上三种滚刷架均可以重复使用，达到节约环保的要求。好的滚刷架在安装滚刷头后，其重心应位于手柄的中心线上，与滚刷架横梁垂直，这样可以减轻滚刷作业的疲劳程度。所有塑料件均应采用原生料制作，且有足够的强度，以免运输和滚刷作业过程中发生碎裂。 滚刷的效果最终是由套筒的材料决定的，套筒按照所附面料材质不同分为：海绵滚、毛滚和橡胶辊。海绵滚一般用于胶液的涂覆和边角及小面积的涂刷，亦可用于喷涂作业的修补。拉毛海绵滚用于厚浆涂料和弹性涂料立体拉毛效果施工。橡胶滚一般在表面雕刻特定图案，用于在饰面上形成特定图案。毛滚是最常用的滚涂工具，其面料一般有羊皮、羊毛、涤纶、腈纶等制作。按照面料毛高分为短绒毛，中长绒毛、长绒毛和特长绒毛。套筒材料选择见下表： 涂料类别基层情况光滑面半糙面糙面或有纹理 面 乳胶漆无光或低光羊毛或化纤的中长度 绒毛 化纤长绒毛化纤特长绒毛 亚光马海毛的短绒毛或化 纤中长绒毛 化纤中长绒 毛 化纤特长绒毛 光化纤的短绒毛化纤的短绒 毛
数控机床工装夹具的选择和使用方法 目前，机械加工按生产批量可分为两大类：一类是单件、多品种、小批量（简称小批量生产）；另一类是少品种、大批量（简称大批量生产）。其中前者大约占到机械加工总产值的70～80%，是机械加工的主体。 同样一款机床，为何生产效率却相差好几倍？得出的结论是：数控机床选用的夹具不合适，从而使数控机床的生产效率大幅降低。下面介绍数控机床夹具的合理选择及应用。 如何提高数控机床利用率？通过技术分析，夹具的使用有很大的关系。据不完全统计，国内企业数控机床选用夹具不合理的比例高达50%以上。至2010年底，中国数控机床保有量近一百万台，也就是说有50万台以上的数控机床由于夹具选择不合理或应用不当，而出现了“窝工”现象；从另外一个角度来讲，在数控机床夹具的选择与应用上大有文章可做，因为其中蕴含枱可观的潜在经济效益。 小批量生产周期﹦生产（准备/等待）时间+工件加工时间由于小批量生产“工件加工时间”很短，因此“生产（准备/等待）时间”的长短对于加工周期有枱至关重要的影响。要想提高生产效率，就必须想办法缩短生产（准备/等待）时间。 1、下面推荐三类小批量生产可优先考虑的数控机床夹具： 组合夹具
组合夹具又称为“积木式夹具”，它由一系列经过标准化设计、功能各异、规格尺寸不同的机床夹具元件组成，客户可以根据加工要求，象“搭积木”一样，快速拼装出各种类型的机床夹具。由于组合夹具省去了设计和制造专用夹具时间，极大地缩短了生产准备时间，因而有效地缩短了小批量生产周期，即提高了生产效率。另外，组合夹具还具有定位精度高、装夹柔性大、循环重复使用、制造节能节材、使用成本低廉等优点。故小批量加工，特别是产品形状较为复杂时可优先考虑使用组合夹具。 精密组合平口钳 精密组合平口钳实际上属于组合夹具中的“合件”，与其它组合夹具元件相比其通用性更强、标准化程度更高、使用更简便、装夹更可靠，因此在全球范围内得到了广泛的应用。精密组合平口钳具有快速安装（拆卸）、快速装夹等优点，因此可以缩短生产准备时间，提高小批量生产效率。目前国际上常用的精密组合平口钳装夹范围一般在1000mm以内的，夹紧力一般在5000Kgf以内。 需要注意的是，这里所说的精密组合平口钳并不是老式机加虎钳，老式机加虎钳功能单一、制造精度低、无法成组使用、使用寿命短，不适宜在数控机床、加工中心上使用。这里所说的精密组合平口钳是起源于欧美等工业发达国家，专门针对数控机床、加工中心特点所设计的一系列新型平口钳，此类产品具有装夹柔性大、定位精度高、夹紧快速、可成组使用等特点，特别适合数控机床、加工中心使用。 电永磁夹具
电气设计中低压交流接触器选用 低压交流接触器主要用于通断电气设备电源，可以远间隔控制动力设备，在接通断开设备电源时避免人身伤害。交流接触器的选用对动力设备和电力线路正常运行非常重要。 1、交流接触器的结构与参数 一般使用中要求交流接触器装置结构紧凑，使用方便，消息触头的磁吹装置良好，灭弧效果好，最好达到零飞弧，温升小。按照灭弧方式分为空气式和真空式，按照操动方式分为电磁式、气动式和电磁气动式。 接触器额定电压参数分为高压和低压，低压一般为380V，500V，660V，1140V等。 电流按型式分为交流、直流。电流参数有额定工作电流、约定发热电流、接通电流及分断电流、辅助触头的约定发热电流及接触器的短时耐受电流等。一般接触器型号参数给出的是约定发热电流，约定发热电流对应的额定工作电流有好几个。比如CJ20-63，主触头的额定工作电流分为63A，40A，型号参数中63指的是约定发热电流，它和接触器的外壳尽缘结构有关，而额定工作电流和选定的负载电流、电压等级有关。 交流接触器线圈按照电压分为36、127、220、380V等。接触器的极数分为2、3、4、5极等。辅助触头根据常开常闭各有几对，根据控制需要选择。 其他参数还有接通、分断次数、机械寿命、电寿命、最大答应操纵频率、最大答应接线线径以及外形尺寸和安装尺寸等。接触器的分类见表1 表1 常用接触器类型 使用种别代号适用典型负载举例典型设备 AC－1 无感或微感负载，电阻性负载电阻炉，加热器等 AC－2 绕线式感应电动机的启动、分断起重机，压缩机，提升机等 AC－3 笼型感应电动机的启动、分断风机，泵等 AC－4 笼型感应电动机的启动、反接制动或密接通断电动机风机，泵，机床等 AC－5a 放电灯的通断高压气体放电灯如汞灯、卤素灯等 AC－5b 白炽灯的通断白炽灯 1 / 23
摇表的使用方法与选择 摇表也称兆欧表，主要用于测量电气设备的绝缘电阻。它是由交流发电机倍压整流电路、表头等部件组成。摇表摇动时，产生直流电压。当绝缘材料加上一定电压后，绝缘材料中就会流过极其微弱的电流，这个电流由三部分组成，即电容电流、吸收电流和泄漏电流。摇表产生的直流电压与泄漏电流之比为绝缘电阻，用摇表检查绝缘材料是否合格的试验叫绝缘电阻试验，它能发现绝缘材料是否受潮、损伤、老化，从而发现设备缺陷。 兆欧表的额定电压有250、500、1000、2500V等几种，测量范围有500、1000、2000MΩ等几种。 6电动机绝缘电阻的测量在工作中最常用的 电动机由于定子、转子绕组的阻值比较小，用普通的万用表是无法确定其绝缘性的，所以一定要用电压等级更大的摇表。具体方法，就是用摇表测量相间、相地的绝缘情况就好 测量前一定要确定测量的正确电缆接头，验明无电。 1 配电变压器绝缘电阻的摇测 配电变压器在安装或检修后投入运行前以及长期停用后，都
要用电压为1000~2500V的摇表测量绕组绝缘电阻，测得的数值和测量时的油温应记入变压器档案内。将测得的数值与配电变压器在使用期间测得的绝缘电阻值相比较，以判断变压器的绝缘状况。如果配电变压器的绝缘电阻猛然降至初始值的50%，或更低时，应予更换大修。 所测绝缘电阻的准确性，与测量方法和测量时的天气情况有非常密切的关系，测量时应注意以下事项: 1.1测量条件。选择温度在5℃以上，湿度在70%以下的天气进行测量; 1.2测量电压。摇测配变绝缘电阻应使用1000V或2500V 的摇表，对变压器历次绝缘电阻进行比较时，所用摇表应为相间电压等级; 1.3测量项目。应测量配变一次绕组对二次绕组，一次绕组对地（配变铁芯或外壳）和二次绕组对地的绝缘电阻值; 1.4测量安全。测量前后，应将配变一次侧和二次侧各出线端分别接地放电，零线亦应断开，使绕组上残存的静电荷放尽，以保证安全。 2 高压与低压避雷器绝缘电阻的摇测 摇测高压阀型避雷器绝缘电阻，用1000V或2500V摇表;摇测低压380V避雷器应使用500V或1000V摇表，将摇表两测试线分别接在避雷器的上、下接线柱上。高压阀型号避雷器绝缘
教学案例的选取与使用 案例教学法是指籍由案例作为师生互动核心的教学方法。以案例为载体，设立一个具体的情景，引导学生通过自己对案例的分析，集体讨论，实践的教学方法。地理案例教学法就是在教学目标基础上，择典型的地理教学案例，组织、引导学生学习、探究，因而达到能力培养的一种教学方法。本节课主要使用四个案例：1用东北地区农业发展这一案例分析自然因素对农业的影响，2昆明周边地区农业发展作为案例分析社会经济因素对农业的影响，3新疆地区的农业生产为例探究农业区位因素变化对农业生产的影响4太湖地区农业发展变化作为材料，针对变化利用已学知识讨论变化原因。 案例教学是新课程的一大特色，它使教学更贴近学生的生活，从基础知识的传授，转移到运用基本知识分析解决实际问题的能力培养上来，打破了教学的封闭性，使地理教学越加开放，便于学生更主动地获取知识和探索知识形成过程的规律，运用知识解决实际地理问题，引导学生对这些特殊情境进行讨论。促使其对问题进行深入的分析和讨论，从中获取知识，从理论走向实践。把各种抽象的原理、概念融合到实际的生产、生活中。达到巩固知识、能力培养、全面素质提高的目的。从视频中我们可以看出陆春芳老师通过选取合适的教学案例组织教学，贯穿课堂。起到了非常好的教学效果。 一、教学案例的选取原则 教学案例的选取原则并未统一，通过查找和筛选，引用《高师地理教学案例设计研究综述略》这篇文章中所提出的原则。地理教学案例的设计原则主要包括客观性、典型性、教学性和时代性。依据此原则对陆老师选取的案例进行分析。 1.客观性。客观性即案例的基本 材料来源于客观事实，具有科学性，不含有设计者的个人观点。视频中教师所用案例均是客观存在的自然人文现象，是我们熟悉的地理实物，常识性知识。 2.典型性。典型性即案例能体现同类地理事物的共性特征，隐含基本的地理原理和地理规律。此外，案例还应具有鲜明的地域特色，体现区域差异，能在共性中彰显个性。陆老师所选案例具有明显的区域差异特性，，太湖平原、东北地区是典型的南北方的农作物种植区。 3.教学性 教学性即案例为教学目标和学生发展服务，要求案例符合学生的认知特点，其创设问题情境能启发学生思考，除文字描述外还应采用图像、视频等多样化的呈现方式。无锡辅仁高级中学位于太湖平原，老师以太湖平原农业生产状况作为案例，有利于学生联系生活实际深入理解知识。案例材料丰富，问题设计合理，逐步深入。让学生可以顺利进入情景。 4.时代性。时代性即案例应与社会发展紧密联系，反映当今社会的热点和焦点问题，并且案例要与学生实际生活相联系，具有生活性。随着经济发展，发达地区农业生产面临新问题，大量农用土地被占，劳动力减少等因素对农业生产造成不利影响。陆老师以太湖平原为例正反应了这一问题。 二、案例教学实施的方法 与其他教学法不同，案例教学是以案例为研究对象，以问题为导向，以探究为基础的课堂教学方法。案例教学所具有的特征有助于学生增加对地理学习的兴趣，培养批判性思维和创造性思维的能力。案例教学如果只在素材和内容上引人案例，而在教学方法和思路上沿袭传统模式，必然进人一种无所适从的两难境地，难以收到预期的效果。因此，在案例教学中，教学的主体应该是学生而不是教师，“讲”和“授”变得不再重要，让学生自主、能动地探究，变被动学习为主动学习，是教学的核心。所以，案例教学不仅仅是教学内容的改变，更重要