汽轮机红套环筒形高压内缸设计制造与检修的技术研究

介绍了汽轮机红套环筒形高压内缸的设计、制造与检修的几项关键技术,包括红套环筒形高压内缸的常规设计方法、有限元分析设计方法、实际过盈量的制造过程保障方法和红套紧力的检修监控方法。提出了红套环筒形高压内缸额定负荷稳态工况和起动与停机瞬态工况下的强度设计方法、额定负荷稳态工况下的蠕变设计方法和起动与停机瞬态工况下高压内缸中分面严密性的设计方法,给出了某电厂600 MW超临界汽轮机筒形高压内缸的红套环设计数据,以及高压内缸制造与检修过程增加垫片厚度的应用实例,并分析了高压内缸开裂的原因。结果表明:合理增加红套环与高压内缸间的垫片厚度,既可以保证红套环与高压内缸首次装配的实际过盈量达到设计要求,又可以保证红套环的红套紧力与高压内缸的严密性处于受控状态。     

导波受载荷影响补偿的深度学习神经网络方法

针对基于导波的结构健康监测（structural health monitoring，简称SHM）中急需解决的环境载荷影响问题，开展碳纤维复合材料板结构与加筋结构载荷影响实验，研究了载荷对导波的影响规律。在此基础上，提出了一种基于深度学习神经网络的载荷补偿方法，该方法通过建立补偿标准，对网络结构及网络参数进行设计，有效减少了参考信号存储，实现了大范围载荷补偿。通过实验数据验证了该方法的有效性，结果表明，在补偿范围0~90 MPa内，补偿精度达到-20 dB。将补偿方法结合损伤成像方法应用在碳纤维复合材料板结构的损伤监测，结果表明，补偿前无法实现损伤定位，补偿后损伤定位误差≤0.9 cm，有效提高了载荷影响下的损伤诊断可靠性。     

羰基还原酶基因工程菌产酶和不对称合成(R)-苯乙醇的条件优化

以羰基还原酶基因工程菌全细胞为催化剂,探讨不对称合成(R)-苯乙醇的各种影响因素,优化其产酶和转化条件。结果表明,优化后的发酵培养基为甘油10 g/L、蛋白胨10 g/L、酵母粉5 g/L,(NH_4)_2SO_4 5 g/L、NaCl 10 g/L,氨苄青霉素50μg/mL,pH 7.2;诱导剂IPTG的浓度为0.25 mmol/L,诱导时间为20 h,诱导温度为18℃,此条件下测得基因工程菌粗酶活最高为6.65 U/mL。建立的最佳转化条件:羰基还原酶基因工程菌发酵20 h后的细胞浓度为0.3 g/mL,转化体系初始pH为7.0,温度为37℃,辅助底物异丙醇浓度为10%,底物终浓度为60 mmol/L,转化时间为24 h。此时底物转化率最高可达98.88%,产物对映体过量值(e.e.值)为99.43%。反应体系扩增至3 000 mL后,产物e.e.值仍保持在99.0%左右,底物转化率可为92%以上,(R)-苯乙醇的产量也可达到6.67 g/L。     

熔盐技术在新能源中的应用现状

随着科技的发展,熔盐以其独特的优势不断地应用于新能源领域。综述了熔盐技术在太阳能光热发电领域蓄热储能、新能源电池(燃料电池、锂电池)、熔盐反应堆的应用现状以及熔盐的研究现状,分析了目前面临的问题以及未来的发展方向。指出,熔盐由于具有较强的腐蚀性,要求反应器材料必须具备抗高温、耐腐蚀、保温性能好等特点,因此材料问题还需要不断地探索和改进;另外,熔盐混合配比也是未来研究的重点。     

IDCGAN及其在滚动轴承故障诊断中的应用

目前以人工神经网络为代表的模式识别方法已被广泛应用到故障诊断领域，但这些方法通常需要大样本数据进行模型训练，而工程实际中通常存在数据不足的情况。因此需要合适的方法进行小样本情况下的故障诊断。深度卷积生成对抗网络能够实现样本生成。它不仅提高了对数据的学习能力，还对网络设定了一连串的限制，增加了网络的稳定性和收敛性。但其存在着训练不稳定和生成样本质量不高的问题。对深度卷积生成对抗网络进行了改进，提出了一种改进的深度卷积生成对抗网络（Improved-deep Convolutional Generative Adversarial Networks，简称IDCGAN）然后运用到滚动轴承故障诊断中。实验信号分析结果表明了该方法的有效性。     

基于改进Mask⁃RCNN的飞行器结构裂纹自动检测方法

计算机视觉的裂纹自动识别算法在飞机结构疲劳试验中具有较好的工程应用前景,但由于飞机结构构型多样及疲劳试验环境复杂,传统方法的裂纹识别准确率难以满足要求。针对此问题,设计了一种基于关键结构定位的检测策略,并以目标分割算法掩码-区域卷积神经网络(Mask-region convolutional neural network,简称MaskRCNN)为基础对模型架构和非极大值抑制模块进行了适应性改进,提出了一种裂纹自动识别方法。该方法具有主动避开干扰因素、对图片质量要求较低的特点,同时利用Mask-RCNN将像素信息引入参数优化的特性,具备更高的识别准确率。在元件疲劳试验中,该方法对铆钉、裂纹的识别准确率分别为100%和87.5%,相较于现有方法优势显著。     

基于互联网的混合式教学实践案例分析

阐述锅炉原理课程的教学实践，采用线上线下混合式教学模式，重构教学体系，提高学生学习积极性与自主性，拓展课程深度，将知识获取、能力提升、素质提高相统一。     

基于BF-Net与孪生分差的飞机结构裂纹检测方法

针对目前飞机结构疲劳试验损伤检测中计算机视觉识别模型面临的主要问题是如何从同为毫米级的表面纹理、划痕、污迹中识别出疲劳裂纹，提出了基于双向融合网络（bidirectional fusion network，简称BF-Net）和孪生分差的飞机结构裂纹检测方法。首先，采用分级检测策略，提取出可能出现裂纹的重点区域；其次，设计面向微小目标识别的BF-Net，通过自上而下和自下而上的特征融合操作从区域图像中自动获取高质量的裂纹特征信息；最后，采用孪生分差法，基于重点区域的自身特征信息以及与模板间的特征差异信息来综合判别裂纹。试验结果表明，该方法能够实现对微小裂纹的精确检测，为飞机结构疲劳试验中裂纹的自动化检测提供了有效的技术途径。     

基于FA-ASTFA和最小凸包的齿轮裂纹故障预测模型

自适应最稀疏时频分析(ASTFA)方法采用高斯牛顿迭代,自适应地实现信号的稀疏分解,但该方法必须根据经验确定一个初始相位,作为高斯牛顿迭代的初值。为了防止迭代结果发散,针对初始相位最优选择问题,提出了一种改进的ASTFA算法,即基于萤火虫算法(Firfly Algorithm)的ASTFA方法(简称FA-ASTFA),仿真与试验信号分析结果证明了改进算法的有效性。相比传统时域特征,最小凸包能提取信号的空间信息。基于此,提出了基于FA-ASTFA和最小凸包的齿轮裂纹故障预测模型,试验对比分析表明,预测模型在预测齿轮早期裂纹故障时比传统预测模型具有更大的可靠性和准确性。