内置液性塑料式小径磁力滚压刀具研究

针对磁力滚压过程中载荷多变、接触应力不均的问题,对磁力滚压机理进行了理论分析,依据液性塑料的不可压缩性、均匀传压的特点研发了一套新型刀具。基于Ansoft对系统磁路进行了有限元仿真,确定了磁力滚压刀具的磁力线分布与单磁极平均径向磁力,结合ANSYS Workbench静态场仿真,验证了刀具结构的合理性;利用Fluent对液性塑料在预应力与载荷变化工况下进行了数值模拟,分析得出了液性塑料的引入能使各滚珠滚压力在滚压过程中保持均匀分布,当工况变化时,在0.008 s的时间内即可完成均匀传压;最后对新刀具的加工性能进行了试验验证。研究结果表明:采用内置液性塑料磁力滚压刀具加工,可使不锈钢管内壁R_a由0.828降低到0.187,粗糙度值与周向残余应力分布趋于均匀;该结果对提高长不锈钢管内表面加工质量有积极意义。     

不同工质回路热管负载功率变化下的质量流量特性

为了进一步提高回路热管仿真精度并丰富回路热管实验研究方法，本文对回路热管瞬态传质进行实验研究。使用高精度质量流量计分别对以丙酮、乙醇、丙烯为工质的回路热管进行不同负载功率下的质量流量测量研究。结果表明：启动阶段，热负载10W时，丙烯回路比丙酮回路热管启动快，且两者的温度稳定均滞后于质量流量；稳定阶段，随着热负载功率增大，不同工质的回路热管的平均质量流量均线性增长，而瞬态质量流量则持续波动，其质量流量波动幅度均呈现先减小后增大的趋势。质量流量波动幅度会受到气体工质的可压缩性与作用在毛细芯内部上的热量的共同影响。通过频谱分析发现，液相质量流量波动还会受到冷凝器两相区的影响。高热负载下，作用在毛细芯内部上的热量占主导地位，质量流量波动加剧，同时出现周期性大幅波动，且其波动频率随着热负载增大而增大。     

铸件的表面热着色技术

简述了艺术铸造热着色技术在国内的发展过程,介绍了目前热着色技术的四大流派,分析了热着色存在的主要问题,并对艺术铸造热着色的发展方向进行了展望,有助于热着色技术在行业内快速普及.     

蛋类礼盒包装结构的缓冲性能研究

目的研究蛋类礼盒包装结构的缓冲性能。方法以蛋类尺寸为基础,建立可发性聚乙烯(expandable polyethylene. EPE)缓冲单元结构和组合结构,进行静态仿真分析和实验验证,比较结构在形状、叠合层数、组合形式等参数变化时的载荷与位移。结果结构层数变化相同时,单元结构的极限载荷从143N增加到236 N,组合结构的极限载荷从224 N增加到476 N,均呈近线性增长。结论蛋类礼盒包装中,组合结构的承载能力优于单元结构,通过单元结构的组合,可满足不同蛋类的包装要求。     

模内装饰薄膜滞热对成型工艺的影响分析

以模内装饰技术(IMD)测试平板为研究对象，利用仿真和实验方法分析薄膜滞热的影响因素及薄膜滞热对成型工艺的影响规律。结果表明，薄膜滞热使动模侧模具温度场变化滞后于定模侧温度场，且在实验条件下达到8.6 ℃的最大温度差；薄膜滞热随着模具温度的增加而降低，随熔体温度和薄膜厚度增加而升高；薄膜影响熔体的充模与冷却，造成产品冷却不均的现象；薄膜滞热导致产品翘曲变形增加。     

驱动用小汽轮机汽缸汽密性分析及结构优化

对某小型汽轮机汽缸建立三维有限元模型,应用ANSYS软件进行强度和汽密性分析。分析结果表明,原汽缸在前后缸接缸处的中分面密封性不理想,针对该部分结构进行优化改进,在此区域增加凸台并布置螺栓,计算结果表明,改进后的汽缸密封性有较大的提高,能够达到密封要求。     

先进钢铁材料焊接性研究进展

进入21世纪以来,随着各工程领域对高性能钢铁材料需求的多样性和要求的提高,新一代先进钢铁材料研发随之展开。其相应的焊接材料和焊接技术成为材料应用的关键。本文重点介绍了超细晶粒钢、低碳贝氏体钢、高氮奥氏体不锈钢、高强汽车钢等先进钢铁材料的焊接工艺与接头组织性能的研究现状与进展。就焊接接头的微观组织演化、焊接接头性能、夹杂物和马氏体-奥氏体(M-A)组元的形成与影响、合金元素和热输入对焊缝组织性能的影响等进行了详细评述。研究表明,焊接热影响区是影响焊接接头性能的主要区域,同时要采用适当的焊材及工艺才能获得性能匹配的焊缝。并对焊接接头的强韧化机理、疲劳裂纹扩展机理、焊接热过程对钢材组织和性能的影响等方面的研究进行了评述。最后,对焊接材料和工艺的未来研究方向进行了展望。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。