Вот короче есть вроде бы похожие устройства (считаем технические характеристики достаточными и там и там) — какой-нибудь китайский осцилл-мультиметр (у меня zt-703s), и какой-нибудь мультиметра-логгер Fluke 287 (плюс-минус номер модели). И вот кажется, что первый это хорошая замена второму, больше же разрешение по времени, но нихуя: флюк может логгером измерять напряжение на щупах, а у осцилла-мультиметра это два разных блока, у которых только экранчик один, а так это два прибора. И если тебе надо даже измерить "в режиме логгера" с секундой на отсчет, то все равно добро пожаловать в разьем осцилла, втыкай пробник. А если померять напряжение или тем более прозвонить что-то, втыкай в обычные дырки мультиметра обычные щупы. И в итоге, ты хватаешься то за то, то за другое. Эх. Когда-нибудь я куплю флюк.
👍9😐2❤1
Forwarded from Zmall Pharma
https://youtu.be/JpKatt5zK08
Нашёл канал американского аптечного сомелье (который причём сам фармацевт), который ходит по полуподпольным аптекам и находит там обскурные и редкие вещи.
Нашёл канал американского аптечного сомелье (который причём сам фармацевт), который ходит по полуподпольным аптекам и находит там обскурные и редкие вещи.
YouTube
Sketchy Brooklyn Drugs
ASMR Channel: https://www.youtube.com/ @PhArmSMR
------------------------------------------------------
Grant Harting (a licensed pharmacist in three states) examines weird drugs and supplements being sold in Brooklyn, NYC without a prescription.
---…
------------------------------------------------------
Grant Harting (a licensed pharmacist in three states) examines weird drugs and supplements being sold in Brooklyn, NYC without a prescription.
---…
🔥2👍1
Короче чуваки делают простую TSDB на питоне. Данные она хранит в csv. Но у TSDB может быть в точке переменное количество измерений и к ним могут быть разные теги.
Знаете как они решили вопрос хранения переменного числа полей, чтобы не переписывать каждый раз csv?
Знаете как они решили вопрос хранения переменного числа полей, чтобы не переписывать каждый раз csv?
2025-06-11T11:50:50.526457,_default,_tag_status,waiting,_field_t,27.28,_field_rate,0.5
🔥4
Какой смешной фигней я сегодня занимался. Короче, есть печи, в которых обжигается керамика. Она в них нагревается, а потом остывает. Остывает долго — шутка ли, десяток кг керамики с температуры больше тыщи градусов.
Хочется знать, когда она остынет. Пробовал взять закон Ньютона — Рихмана, но он в чистом виде работает плохо (во многом потому, что мы не знаем температуру окружающей среды, только температуру холодного спая, а это по сути температура в блоке позади печи и она там может быть и 50 градусов, когда в мастерской 28). Температура холодного спая отражает конечно температуру в мастерской, но опосредованно и оно зависит от типа печи и условий.
Это, конечно, можно тюнить коэффицентами, но это их надо подбирать под каждую печь и сезон. Гемор.
Но у нас есть нейросети (нет, не LLM, а обычные). Берем многослоный перцептон (одного скрытого слоя и 15 нейронов хватает), на входе — текущая температура внутри печи, скорость охлаждения, температура холодного спая, целевая температура, а на выходе — время до целевой температуры.
Берем несколько графиков обжигов, вытаскиваем из них стадию охлаждения, нарезаем ее на обучающие пары: для каждой температуры берем какую-нибудь целевую температуру дальше по графику и время до нее, и кормим этим нейросеть. Десять секунд обучения и средняя ошибка в 200 секунд. Готово, вы восхитетельны.
Минусы — надо обучать на архивных данных конкретной печи и обновлять данные хотя бы раз в месяц (ну или иметь архивные данные за год), потому что сезонность и разная температура в мастерской.
Хочется знать, когда она остынет. Пробовал взять закон Ньютона — Рихмана, но он в чистом виде работает плохо (во многом потому, что мы не знаем температуру окружающей среды, только температуру холодного спая, а это по сути температура в блоке позади печи и она там может быть и 50 градусов, когда в мастерской 28). Температура холодного спая отражает конечно температуру в мастерской, но опосредованно и оно зависит от типа печи и условий.
Это, конечно, можно тюнить коэффицентами, но это их надо подбирать под каждую печь и сезон. Гемор.
Но у нас есть нейросети (нет, не LLM, а обычные). Берем многослоный перцептон (одного скрытого слоя и 15 нейронов хватает), на входе — текущая температура внутри печи, скорость охлаждения, температура холодного спая, целевая температура, а на выходе — время до целевой температуры.
Берем несколько графиков обжигов, вытаскиваем из них стадию охлаждения, нарезаем ее на обучающие пары: для каждой температуры берем какую-нибудь целевую температуру дальше по графику и время до нее, и кормим этим нейросеть. Десять секунд обучения и средняя ошибка в 200 секунд. Готово, вы восхитетельны.
Минусы — надо обучать на архивных данных конкретной печи и обновлять данные хотя бы раз в месяц (ну или иметь архивные данные за год), потому что сезонность и разная температура в мастерской.
🔥13🤔3🥴1