大面积柔性有机太阳电池:器件设计与印刷技术

目的 为研究者提供OSCs制造技术相关的全面见解和最新进展,分析现有的技术瓶颈和无法解决的规模效率损失,以获得可扩展和可打印的大面积光伏组件。方法 从功能层材料的选择、印刷工艺研究现状和大面积效率损失等方面展开综述,重点阐述柔性高效大面积有机光伏器件印刷制备的技术难题。结论 文中将进一步推动可印刷有机半导体材料在下一代清洁能源中的集成应用,并在可穿戴电子、光伏建筑一体化和物联网等应用领域引起广泛关注。     

改进的灰色神经网络预测方法

针对GM（1,1）算法求解发展系数和灰色作用量时受背景值影响的问题,提出一种回避背景值的辨识参数求解方法,避开背景值试算选取的步骤或选取不当造成预测精度低的问题;针对GM（1,1）模型预测时初始条件为固定值影响预测精度的问题,提出一种构建变权初始值的方法,避免预测精度受固定初始值的影响;针对传统灰色神经网络样本类型单一的问题,提出一种新的组合预测模型结构,突破了传统模型只依靠单一浸润线历史数据预测的局限,建立了基于改进灰色神经网络的浸润线预测模型.通过工程验证,该模型短期内对浸润线高度的变化预测效果较好.     

基于小波降噪和CEEMD的轴承故障诊断

针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。     

基于LMD-SVD和极限学习机的滚动轴承故障诊断方法研究

针对局部均值分解(LMD)得到的PF分量对于分类方法的输入而言过大,提出了一种基于局部均值分解(LMD)-奇异值分解(SVD)和极限学习机(ELM)的故障诊断方法.首先,通过LMD将非线性非平稳的原始振动信号分解为一系列乘积函数,从而得到具有物理意义的瞬时频率;然后,采用SVD处理PF分量以压缩特征向量尺度并获得更加稳定的特征向量值;最后,基于提取的特征向量,应用运算效率和分类精度更高的ELM对轴承故障状态进行分类.试验结果表明,该方法能有效的对风机轴承在变工况条件下进行自适应诊断.     

一种通用静电组装策略用于印刷无机纳米颗粒及其在大面积钙钛矿太阳电池中的应用（英文）

无机纳米颗粒作为一种极具前景的材料,在钙钛矿太阳电池的传输层中得到了广泛应用.然而,无机纳米颗粒易于聚集的特性阻碍了其进一步的发展.在大面积制备过程中,无机纳米颗粒的聚集加剧了“咖啡环效应”,导致薄膜不均匀,使得底部界面性能较差,进而影响钙钛矿薄膜的结晶,最终导致整个器件性能下降.为解决这一问题,我们将一种带电聚合物一一聚乙烯亚胺引入至无机纳米颗粒溶液中.聚乙烯亚胺的带电性质对无机纳米颗粒的聚集起到了显著的抑制作用,此外,添加聚乙烯亚胺还增加了无机纳米颗粒溶液的粘度,有助于减少薄膜上的负面咖啡环效应.最终,我们在基于1-cm²正式结构且使用Sn0₂传输层的器件上实现了23.2%的光电转换效率.为进一步证明这一策略的普适性,我们还将此策略验证基于NiO_x传输层的1-cm²反式器件,其转换效率超过20%.     

通过晶格加固实现多环境下相稳定的高效钙钛矿太阳电池（英文）

富甲脒体系的钙钛矿太阳电池(PSCs)由于出色的热稳定性和较宽的光谱吸收范围,在商业应用中显示出竞争力.然而,富甲脒体系的PSCs会受到残余应力的极大影响,出现晶格过度扭曲并诱发不利的相变.本文通过构建一系列的晶格加固结构,验证了有机间隔阳离子和无机八面体之间的差异性相互作用.通过探索α相到γ相以及δ相的转变过程,揭示了残余应力释放和晶格加固之间的关系及其重要性.最后,苯甲基胺修饰的器件展现出最高22.90%的光电转换效率(PCE),并抑制了多路径相变.在空气中放置1000小时后,初始性能仍能维持初始值的90%.此外,在25平方厘米的衬底上制备了PCE为17.10%的迷你模组,验证了大面积制备的可行性.     

基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断

针对小波软、硬阈值函数存在恒定偏差和不连续性的缺点,以及最小二乘支持向量机核函数参数选择困难等问题,提出了一种基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断方法。利用指数小波阈值函数对原信号进行分解并重组,提取降噪后各个分量的能量特征;采用自适应的DP算法丰富PSO算法的解空间,并采用动态的参数控制,使其更容易获得最优解;将能量特征输入参数已定的LSSVM中,对信息进行训练和预测。结果表明：该方法能快速有效地对故障轴承信号进行自适应的故障诊断及分类。     

基于FastICA的遗传径向基神经网络轴承故障诊断研究

针对电机轴承故障诊断效率低和诊断结果准确率不高的问题,提出一种基于FastICA的遗传径向基神经网络的优化算法。利用独立分量分析算法,将信号分离成多个独立的信号源;根据独立信号源构建独立特征向量;将分离所得的独立信号源作为样本,输入到遗传算法优化后的径向基神经网络中进行故障识别,并与其他分类算法比较。实验结果表明,对于电机轴承多信号的故障诊断,该算法具有更好的故障诊断能力。