放射性气载流出物取样代表性分析

为获取核设施放射性气载流出物单点连续监测取样位置,提出基于随机轨道模型(DRW)的气-固多相湍流耦合方法求解代表性取样区域。借助k-epsilon湍流模型模拟连续相,并引入离散颗粒模型(DPM)模拟离散相,建立基于DRW模型的排风管道内流道气-固多相湍流耦合计算模型,计算了核设施气载流出物在管道内流道流场分布规律,分析了内流道流体气旋角、气流速度、示踪气体浓度、气溶胶粒子浓度与管道高度间的关联关系。分析结果表明,随着截面高度的增加,气旋角、气流速度变异系数(COV)、示踪气体浓度COV及示踪气体浓度最大值与平均值的偏差逐渐降低并趋于稳定,气溶胶粒子浓度COV在截面6与截面8满足取样代表性要求;基于计算流体动力学方法可快速地确定出代表性取样位置,为气载流出物单点取样现场试验提供了理论参考依据。     

一起发电机横差保护动作原因的分析及处理

发电机横差保护是装设于发电机双星形接线的定子绕组中，防止绕组匝间短路的一种保护。文章结合在小关子电站运行期间发生发电机横差保护动作的现象，着重阐述横差保护动作原因及故障处理。     

考虑时变摩擦的直齿轮副啮合刚度计算及其影响因素分析

针对直齿轮副啮合过程存在时变摩擦问题,建立直齿轮副啮合模型,推导齿轮副在啮合点处的相对滑动速度、卷吸速度、滑滚比、综合曲率半径及轮齿接触压力,研究单双齿交替啮合过程中单齿承载变化下的齿面摩擦因数变化规律。基于势能法推导计及时变摩擦的直齿轮副啮合刚度解析式,分析无摩擦力、定摩擦力和时变摩擦力作用下直齿轮副啮合刚度的变化规律,进而研究时变摩擦作用下齿轮模数、齿宽、压力角、粗糙度、输入转矩等参数对直齿轮副时变啮合刚度的影响规律。研究结果表明,时变摩擦因数在单双齿交替啮合区发生突变,在节点处趋于0;摩擦力作用下单齿刚度在啮入阶段将增大,啮出阶段将减小;定摩擦力作用使啮合刚度在节点处发生突变;时变摩擦力作用使啮合刚度在单双齿交替啮合处发生突变,在节点处与无摩擦时变化规律一致;齿轮副啮合刚度随模数、齿宽增大而增大,随压力角增大而减小;啮合刚度变化量随齿面粗糙度增大而增大,随输入转矩增大而减小。     

基于频域内插抗混叠Shannon小波包的谐波检测研究

提出了一种基于频域内插抗混叠Shannon小波包变换的谐波检测技术,首先分析了小波混叠的物理本质,然后选择分频严格的Shannon小波函数构造了频域内插方法,并利用线性调频Z变换进行快速求解,最后给出了小波包变换算法.仿真实验表明该方法可有效消除谐波检测中的小波混叠现象.     

锂离子电池数值模型与经验模型研究

摘要：设计锂离子电池及优化其参数,确定荷电状态工作区间,以提高其使用寿命。需要精确的电池模型作为理论和实证研究的基础,电池模型分为数值和经验两大类别,分别从电池内部电化学反应和电池充、放电测试数据来建立起锂离子电池模型。分析对比两类模型精确度与适用性,通过两者与实验测试数据的仿真对比,发现以电化学出发的模型精度高于经验模型。     

Volterra核的测量及在非线性模拟电路测试中的应用

研究了Volterra频域核的测量方法。提出一种利用优化正弦谐波信号作为系统的激励信号测量Volterra频域核的方法．将其用于测量2阶Volterra核时，没有1，3，5等奇数阶和4阶Volterra核的干扰，测量精度高．利用2阶Volterra频域核作为故障特征对非线性模拟电路进行故障诊断，仿真结果表明，故障识别率高，时问开销小，通用性强．     

基于Buck-Boost拓扑的新量子遗传算法 在MPPT技术中的应用

非线性的光伏电池要求在不同光照和温度等工况条件下实时变更电压、电流等负载特性实现MPPT追踪光伏电池最大功率点。针对一般遗传算法用于MPPT最大功率点追踪过程中出现的早熟、收敛慢等不足,提出一种改进的量子遗传算法与扰动法相结合的算法。在电路拓扑结构上采用Buck-Boost电路替代传统的Buck电路或Boost电路,并在Matlab/Simulink下进行了建模仿真。实验结果表明,该算法具有良好的最优点搜索能力和跟踪能力,且控制精度高,同时有效抑制了最大功率点附近的波动,证明了该控制方法的准确性和有效性。     

Elman神经网络在非线性模拟电路故障诊断中的应用

Elman神经网络把隐层输出反馈回输入层,是一种动态递归神经网络,改进的Elman网络能逼近任意动态非线性系统。本文研究了Elman网络的结构和学习算法,并把改进的Elman网络应用于非线性模拟电路故障诊断激励信号参数优化中,以提高故障正确诊断率。首先用改进的Elman神经网络建立故障电路和无故障电路系统模型,然后用遗传算法搜索电路故障诊断的最佳激励信号参数。     

应用Elman网络优化非线性模拟电路测试激励

非线性模拟电路瞬态测试激励信号的参数对电路故障识别率影响很大,在搜索最佳激励信号的过程中,需建立非线性模拟电路的系统模型。Elman网络是一种递归神经网络,能逼近任意动态非线性系统。该文用一种改进的Elman网络建立故障电路和非故障电路的系统模型,用遗传算法搜索最佳瞬态测试激励信号参数,仿真实验结果表明经过该方法优化后的激励信号能大大提高非线性模拟电路的故障识别率。     

基于遗传算法的模拟电路故障诊断激励优化

介绍了用改进的遗传算法优化激励信号的参数.仿真实验表明,经过优化后的激励信号能大大提高模拟电路的故障诊断效率,对线性和非线性模拟电路都适用.