双快门锁教程_双快门锁教程_双快功能的锁体的制作方法

thread-14691654-1-1.html

本发明属于一种双快功能的锁体。

背景技术:

我们知道,不管是机械式锁体,还是电子式锁体,往往都设有斜舌组件、方舌组件、天地销、联动板等,人们在门内、外操作执手或钥匙来斜舌组件、方舌组件推出去锁门或拉回来缩回到壳体内来开门的同时,通过联动板来将天地销推出去锁门或拉回到壳体内来开门。另外,人们在房内还可以旋动旋钮,由旋钮带动锁芯上的拨轮来开门、锁门,一旦完成开门、锁门,还必须人为继续旋动旋钮来将锁芯上的拨轮归位,否则在后面进行锁门或开门时,拨轮可能会将锁舌卡死。当前的锁体,在旋动拨轮归位时,有时会出现联动板挡住拨轮而影响归位。为此,本申请人对当前锁体进行了改进。

技术实现要素:

本发明的目的是在于克服现有技术的不足,提供了一种结构更合理、使用更可靠的双快功能的锁体。

为了解决上述存在的技术问题,本发明采用下述技术方案:

一种双快功能的锁体,包括壳体,装在壳体中的锁舌组件、天地销、带拨轮的锁芯、带动该天地销竖直升降的联动板;所述锁舌组件包括锁舌和锁舌板;在所述联动板上设有上、下两条导向直槽,在所述壳体上设有分别穿过该上、下导向直槽的联动板上、下导向柱,所述联动板在该下导向直槽的上端右侧设有避让口,在所述联动板上设有能使联动板摆向该锁芯的弹性件。

在对上述双快功能的锁体的改进方案中,所述弹性件为拉簧,其两端分别连接在联动板和锁舌板上。

与现有技术相比,本发明的有益效果:由于联动板在该下导向直槽的上端右侧设有避让口,在所述联动板上设有能使联动板摆向该锁芯的弹性件,当人们在房内旋动旋钮来带动锁芯的拨轮转动来推动锁舌组件锁门或开门后,还要继续稍微转动旋钮使拨轮归位时,即使拨轮会碰到联动板,这时拨轮会作用在联动板上使之在克服弹性件的作用力后顺时针稍微摆动一个角度,这时下导向柱滑落到避让口中,这样联动板就不会防碍拨轮的转动归位,从而使联动板不会卡死锁芯;而当拨轮一旦解除对联动板的推动后,联动板会自动摆正,从而不会影响联动板升降来联动天地销,因此本发明的结构更合理、使用更可靠。

下面结合附图与具体实施方式对本发明作进一步的详细描述:

【附图说明】

图1 是本发明实施例的立体示意图(开门状态);

图2 是图1的正视图;

图3 是本发明实施例在旋动锁芯来锁门时的正视图;

图4 是本发明实施例的联动板的结构拆装示意图。

【具体实施方式】

一种双快功能的锁体,如图1至4所示,包括壳体1,装在壳体1中的锁舌组件2、天地销3、带拨轮41的锁芯4、带动该天地销3竖直升降的联动板5;所述锁舌组件2包括锁舌21和锁舌板22;在所述联动板5上设有上、下两条导向直槽51、52,在所述壳体1上设有分别穿过该上、下导向直槽51、52的联动板上、下导向柱6、7,这些结构跟当前的锁体一致,在此不再详述,所不同的是:所述联动板5在该下导向直槽52的上端右侧设有避让口53,在所述联动板5上设有能使联动板5摆向该锁芯4的弹性件8,当人们在房内旋动旋钮来带动锁芯4的拨轮41转动来推动锁舌组件2锁门或开门后,还要继续稍微转动旋钮使拨轮归位时,即使拨轮会碰到联动板,这时拨轮41会作用在联动板5上使之在克服弹性件8的作用力后顺时针稍微摆动一个角度,这时下导向柱7滑落到避让口53中,这样联动板就不会防碍拨轮的转动归位,从而使联动板不会卡死锁芯;当拨轮一旦解除对联动板的推动后,在 弹性件作用下,联动板5摆正,从而不会影响联动板升降来联动天地销,因此本发明的结构更合理、使用更可靠。

在本实施例中,弹性件8为拉簧,其两端分别连接在联动板5和锁舌板22上;当然,它也可以是压簧、扭簧等。

综上所述仅为本发明较佳的实施例,并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化及修饰,皆应属于本发明的技术范畴。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值