自润滑关节轴承轴向游隙和衬垫磨损量的关系研究

织物自润滑关节轴承游隙变化直接反映自润滑衬垫的磨损状态,确立轴承游隙和衬垫磨损量的对应关系,对掌握轴承磨损状态、判断轴承服役寿命具有重要意义。通过建立轴向游隙与衬垫磨损量关系的计算公式,结合典型轴承SA16的参数测定试验,评价了计算公式的合理性。结果表明:当轴向游隙为0.25 mm时,极端条件下的衬垫磨损量大于衬垫弹性状态下的数值。该研究可作为自润滑关节轴承的磨损失效判据的确定提供了理论参考。     

高硅铝合金缸套研制

采用先进的喷射沉积技术,研制一种高硅铝合金发动机缸套材料,并经过挤压加工、热处理、成形加工、摩擦学性能测试与摩擦学机制分析,最后在单缸机上装机试验。结果表明,高硅铝合金缸套材料具有良好的摩擦学性能,这归功于高硅铝合金中比钢、铸铁还硬的硬质点;在所测试的油耗、废气压力、磨损量以及排温等指标数据方面,比相应的铸铁缸套更具有优越性。     

基于AR模型的Ni-SiC镀层磨损量预测研究

采用脉冲-电沉积方法在T8钢表面制备Ni-Si C镀层,利用扫描电镜(SEM)、XRD衍射仪和磨损试验机对Ni-Si C镀层的表面形貌、组分及其磨损性能进行分析,并利用AR模型对Ni-Si C镀层的磨损量进行预测。结果表明:当脉冲占空比为40%时,采用脉冲电沉积法制备Ni-Si C镀层的表面粗糙度较小、晶粒细小、组织较均匀;经XRD分析,证实Ni-Si C镀层中Si元素的存在;AR模型能够较好的对Ni-Si C镀层磨损量进行预测,预测结果相对误差的最大值仅为3.7%。     

高硅铝合金缸套材料腐蚀加工技术研究

采用三维视频显微金相技术对高硅铝合金缸套材料的组织构成、颗粒尺寸以及碱腐蚀深度进行测试与评价;用激光共聚焦显微镜技术对碱腐蚀界面颗粒凹凸以及表面纹理进行观察与描述;用往复式摩擦磨损实验机对碱腐蚀试样进行摩擦学性能评价。结果表明:高硅铝合金组织中主要由硅颗粒及第二相硬质点颗粒构成,平均硅颗粒尺寸为4.00μm,平均第二相颗粒尺寸为3.05μm;随腐蚀时间、深度的增加,腐蚀界面区域增大,表面凸凹及纹理更加清晰,当碱的质量分数为5%,溶液温度为40℃,腐蚀时间为30~40 s,摩擦学性能最优越。     

浅析烧嘴压差对气化装置运行的影响

<正>0前言烧嘴压差也称煤浆压差,是指煤浆压力与气化炉压力之差,烧嘴压差能反映出烧嘴磨损量及雾化效果。若烧嘴压差发生变化时,应及时分析,找出影响烧嘴压差的因素,并及时调整工艺指标。1烧嘴压差波动对气化炉的影响1.1烧嘴压差低1煤浆物料出烧嘴的速度降低,外环氧不足以形成合适的雾化角度,特别是烧嘴压差波动频繁会引起连锁反应,造成氧气压差波动;两者相互作用、相互影响,导致烧嘴压差波动更为频繁;烧     

氟化钙对单晶硅片磨削用树脂结合剂金刚石砂轮磨削性能的影响

在单晶硅片磨削用树脂结合剂金刚石砂轮中分别添加不同体积分数的固体润滑剂氟化钙(CaF₂),评估其对砂轮表面结构、砂轮磨损量、磨床主轴电流的影响,并测量和计算单晶硅片的表面粗糙度和表面损伤层厚度。结果显示:随CaF₂用量增加,磨床主轴电流、砂轮磨损量、单晶硅片的表面粗糙度值和表面损伤层厚度均下降;当CaF₂体积分数为25%时,主轴电流降至约6.4 A,砂轮磨损量降到每片0.448 6 μm,单晶硅片的表面粗糙度R_a、R_y和R_z分别为0.056 μm、0.382 μm和0.396 μm,表面损伤层厚0.559 6 μm。加入CaF₂固体润滑剂可有效改善树脂金刚石砂轮的性能,提高单晶硅片表面的加工质量,且CaF₂体积分数为25%时效果最佳。      

银-石墨烯复合材料的滑动摩擦磨损性能

采用球磨混粉、冷等静压和真空烧结的工艺流程制备了含0.5%~2.0%石墨烯的银-石墨烯复合材料,并对复合材料进行销盘式摩擦磨损试验以研究其大气环境滑动摩擦磨损性能。研究结果表明,因石墨烯易团聚,石墨烯含量限于1.5%时能够有效改善复合材料的性能。与未增强的银相比,由于在接触表面形成自润滑碳质膜,银-石墨烯复合材料表现出较低的摩擦系数、较少的磨损量和较低的接触表面温度。随石墨烯含量的增加,复合材料的摩擦系数和磨损量均下降。复合材料的主要磨损机制为粘着磨损和磨料磨损。     

浅谈国产btw1耐磨钢在煤矿刮板输送机的应用

为了检验国产btw1耐磨钢的耐磨性能,将btw1耐磨钢和nm360钢板的刮板和溜槽,分别在王庄煤矿6203、6205两个工作面的刮板输送机和转载机上进行了应用试验。通过对磨损量试验数据的分析对比,表明在同等条件下,nm360刮板磨损量是btw1耐磨钢刮板的8～9倍,btw1溜槽磨损量不到nm360溜槽磨损量的1/5。btw1耐磨钢的耐磨效果十分明显,推广应用btw1耐磨材质设备部件,与nm360材质的设备部件相比,具有很强的技术经济优势。     

基于卷积神经网络的刀具磨损在线监测

为了提高刀具磨损在线监测的精度和泛化性能,提出一种基于卷积神经网络的刀具磨损量在线监测模型。利用时域传感器信号对刀具磨损量进行定量分析,避免数据预处理带来的信息丢失;采用深度网络自适应地提取特征,取代传统的人工特征提取过程,并通过加深网络进一步挖掘信号中隐藏的微小特征。实验结果表明,该模型对刀具后刀面磨损量监测效果较好,可以有效避免人为特征提取的局限,精度和泛化性都有一定程度的提高。与相关研究的对比也证实了其可行性和有效性。