微量镓分析的进展

介绍了近年来微量镓的分析测定方法的进展,微量镓的分析测定方法主要有光度分析法、电化学分析法和原子发射光谱法等,同时对样品的分离富集方法也进行了评述.     

大型回转机电设备采煤机故障智能诊断的研究

采煤机是一个集机械、电气和液压为一体的大型复杂系统，工作环境恶劣。如果出现故障将会导致整个采煤工作的中断，造成巨大的经济损失。因此建立一个智能化监测系统。全面、综合地反映它的真实运行状态，并预告其故障发生发展的趋势是非常必要的。介绍了采用多传感器对采煤机的运行状态进行监测，通过小波包对监测信号进行分析，得到其特征频率信息，以达到对其早期故障的预测。     

刮板输送机分布张力监测系统设计

针对刮板输送机在复杂的载荷条件和工作环境下,整个刮板链分布式动态张力和多段链速测量难以实现的问题,设计了刮板输送机状态监测系统。该系统以射频芯片CC2530为数据采集核心,结合RS485通信模块和LABVIEW上位机监测模块,能实现对刮板链多点张力、多段链速、运行周期等重要参数的实时监测,并由此进行断链预警和断链故障报警。该设计可用于井下刮板链状态监测领域,从而有效保证刮板输送机的安全、可靠、长周期运行。     

含团聚物潮湿细粒煤与弛张筛板耦合振动分析

为了明确筛分过程中含团聚物潮湿细粒煤物料群与弛张筛板间的耦合振动规律,首先,通过理论计算推导了单团聚物或物料颗粒与振动筛板碰撞的抛射速度及最大冲击力表达式;其次,构建了含团聚物潮湿细粒煤物料群?非线性弛张筛板的筛分过程联合仿真模型,并通过试验对其有效性进行了验证;最后,采用联合仿真模拟分析了振动参数对物料群与筛板间耦合动力学特性的影响。结果表明：单团聚物或物料颗粒抛射速度及最大冲击力由弛张筛板恢复系数、安装倾角、振动幅值、振动频率及振动角等参数共同决定;稳定筛分过程中,含团聚物潮湿细粒煤物料群非线性时变激励使弛张筛板产生拍振,物料群平均法向速度随筛板振动幅值及振动频率的增大而增大;适当增大筛板振动频率可提高物料群的筛分效率和生产率。研究结果为弛张筛筛分性能的优化及最优工作g值的确定提供了参考。     

基于ANSYS和ADAMS的振动筛筛帮疲劳寿命分析

通过ANSYS对振动筛浮动筛框柔化处理后,在ADAMS中进行振动筛的刚柔耦合仿真并获取筛帮的载荷历程。对筛帮进行有限元静力学分析,得到危险部位的应力结果。根据筛帮材料的特点,绘制S-N曲线。结合筛帮的载荷历程、有限元分析结果和材料的S-N曲线对其进行疲劳寿命计算。分析结果表明筛帮两侧与支撑部件连接的安装孔是疲劳破坏的危险处,筛帮的疲劳寿命满足振动筛疲劳极限的设计要求。     

AgCuZnCd四元合金中的Cu，Zn，Cd的连续滴定

采用连续滴定的方法在同一份试液中同时测定Cu,Zn,Cd.向试液中加入一定量的EDTA标准溶液,使Cu     

回弹挡板对弛张筛筛分效果的影响

针对弛张筛筛分过程中小颗粒物料与筛面接触不充分成为筛上产物被排出的难题,提出在弛张筛上安装回弹挡板的解决措施,利用回弹挡板的反弹作用使物料同筛面充分接触.将筛板近似柔性化处理后,采用MBD(Multiple Bodies Dynamics)和DEM(Discrete Element Method)耦合的方法,对筛面上的...     

电解分离-电感耦合等离子体原子发射光谱法测定砷铜合金中磷

采用电解法分离铜后,电感耦合等离子体原子发射光谱法直接测定了砷铜合金中磷含量。实验结果表明:通过在1.0 mol/L硝酸电解液中加入过氧化氢,能有效抑制砷(在阴极沉积,使铜和磷得到很好分离且电解液中残留的铜含量维持在10.0μg/mL以下,对磷的测定不产生干扰。方法用于砷铜合金样品中磷的测定,回收率在99.5%~103.3%之间,相对标准偏差为0.20%~0.26%(n=11),本法与萃取比色法测定结果相符。     

特钢棒材表面裂纹视觉检测研究

针对特钢棒材表面裂纹缺陷人工检测效率低、漏检率高且无法与自动化修磨技术相结合等问题，提出一种棒材表面裂纹的视觉检测方法。首先基于棒材旋转，利用线阵相机沿棒材周向采集到中心和边缘亮度一致的二维图像；然后，采用双边滤波和增强的预处理方法提高棒材表面图像质量，在去除图像噪声的同时保留裂纹局部细节，增强裂纹与背景区域的对比度；再根据求补集原理去除干扰裂纹检测的亮点区域；接着将最大类间方差法与Canny算子结合，自适应选取边缘阈值，提高边缘检测精度；最后，根据所选区域的面积、长宽比以及与水平方向夹角等几何特征筛选出真正的裂纹，将裂纹缺陷位置信息坐标化。实验及研究结果表明该检测方法能够替代人工，准确检测和定位特钢棒材曲面的裂纹，为后续棒材裂纹的自动化修磨提供基础。     

小样本下基于原型网络的轴向柱塞泵故障诊断模型

在实际工程应用中，有限的故障样本数量及噪声都影响轴向柱塞泵故障诊断的效果，所以，如何提高模型在小样本、噪声条件下轴向柱塞泵故障诊断的性能是一个亟待解决的问题。在样本数量有限、噪声条件下，采用基于深度学习的故障诊断方法会出现过拟合、诊断准确率下降的问题，为此，提出了一种小样本条件下基于原型网络的轴向柱塞泵故障诊断模型(方法)。首先，搭建了轴向柱塞泵故障诊断模型，并等量随机抽取了每个故障的样本以构建多个任务，模型使用一维卷积神经网络作为主干，每个任务中包含当前模型、支持集、查询集；然后，利用模型将样本映射到特征空间，在特征空间中，模型使用支持集的同类样本构建了原型点，并逐个将查询集样本与多个原型点进行了距离度量，实现了轴向柱塞泵不同故障的分类；最后，为了验证基于原型网络的轴向柱塞泵故障诊断模型的有效性，采集了轴向柱塞泵不同元件发生故障时产生的振动信号，并使用上述诊断模型对此进行了故障识别实验；为了验证该诊断模型的优越性，将其与基于卷积神经网络等的模型进行了性能对比。实验结果表明：在样本有限的条件下，采用基于原型网络的轴向柱塞泵故障诊断模型的准确率达到85%以上；同时，在噪声条件下，采用基于...