乐发lv漏洞-平台推荐安卓版v2.9.1(2023已更新)

二十大代表风采丨柯晓宾：坚守高铁安全一线 诠释大国工匠精神******

　　中新网北京10月13日电 题：柯晓宾：坚守高铁安全一线诠释大国工匠精神

　　中新网记者 刘育英

　　扯断一根头发的力度大约在1800毫牛，手工调整片弹簧结构的触片仅为这个力道的十分之一。“只有上帝亲吻过的手才能将力道控制得如此精准。”中国通号西安工业集团沈信公司电器中心调整三班班长柯晓宾就长了这样一双手。

　　柯晓宾所从事的工作，是对继电器的接点进行调整。“高铁有三大技术系统：控、车、路。继电器作为列车运行控制系统的‘神经元’，大到车站的控制中心，小到一个信号灯，每一个电路的切换都离不开它”，柯晓宾向中新网记者介绍。

　　继电器手工调整工作在全世界都是难题，人工调整精确度是机器调整所不能及的，国外的公司也都是通过人工调整精确度。调整接点间距的误差需要控制在0.05～0.1毫米之间，调整触片的力度要控制在200毫牛左右，稍有瑕疵就会直接影响电气特性和性能指标导致前功尽弃。

　　柯晓宾所在的中国通号西安工业集团沈信公司是一家“隐形冠军”企业，也是中国最大的铁路信号继电器生产基地。公司年产量近60万台，国内市场占有率达70%以上，广泛应用于国内外铁路和城市轨道交通领域。

　　“对继电器的调整工作，难点之一是对力度的掌握；其次是需要左右双手同时进行调整”，柯晓宾介绍，为确保接点片一次就能调整到位达到规定指标范围，一个动作有时候就要练几十遍甚至上百遍。

　　为了能使双手调试力度相当，柯晓宾专门买了握力器，反复练习手腕力度，仅用半年多的时间，她就已经能够独立承担调整继电器任务，完全胜任岗位。2010年至今，她先后获得“中央企业青年岗位能手”“中央企业技术能手”“全国技术能手”等荣誉称号，逐步成长为调整线上“大师级”的人物。

　　2003年，20岁的柯晓宾从铁路机械学校毕业后，进入中国通号西安工业集团沈信公司工作。2010年，柯晓宾参加当年的全国职业技能大赛，学习了关于继电器的理论知识。在此之前，柯晓宾在手法上、技能上已经积累了非常多的经验，而理论学习，让她明白了许多实践操作背后的原理。

　　通过多次比赛，柯晓宾逐步成长，并获得“全国技术能手”称号，职业道路也变得开阔。从“是什么”到“为什么”，理论与实践的融会贯通，产生了化学反应，这份工作变得有意思起来。

　　前两年，公司有一款继电器的新产品问世，相对于老产品，安全性、可靠性、使用寿命都得到了很大的提高，但是该继电器的一个项点返修率非常高。柯晓宾带领QC小组成员开展课题攻关，通过不断的试验和调试，解决了该继电器在调整序的瓶颈问题，显著降低了返修比率。

　　“这件事给我的触动非常大，通过我们调整序职工的努力，竟然可以解决继电器设计生产方面这么大的难题。”2017年柯晓宾创新工作室成立以来，柯晓宾带领团队攻克生产难题29项。

　　柯晓宾所在的调整序，是一个工匠精神薪火相传的“明星”工序。2012年，柯晓宾的师父崔宝华当选党的十八大代表。2017年，柯晓宾当选党的十九大代表。2018年，柯晓宾的徒弟牛菲菲当选为共青团十八大代表。

　　2022年，柯晓宾又成为党的二十大代表。谈到履职的体会，柯晓宾表示，随着时间的推移，愈发感觉首先要把自己的本职工作做好，练好过硬本领，担实岗位责任，严格要求自己，在工作中发挥模范标杆作用；其次，遇到任何困难、挑战，要能够站出来迎接挑战，关键时刻冲锋在前，克服困难，解决问题。(完)

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）