工频感应电炉生产铜合金

我厂在双革运动中,仅用一个月的时间,就将一座工频感应电炉建造成功,并在1965年5月下旬正式投入生产.使用这种电炉化铜,     

转动式减容加镁包

我厂自1953年生产球墨铸铁以来,一向采用常压钟罩式加镁。1960年和1963年曾两次推行过灭容加镁,都因处理速度慢,不能满足生产需要并发生较大的跑镁事故而失败。1964年我们设计了转动式减容加镁包,经过试用,性能良好,它具备操作简便、安全省镁、适合大量生产等优点,已经正式投入生产。仅从用镁量看,就由原来的0．6%降低到0．18%。     

基于中国剩余定理的入侵容忍CA方案

在介绍和分析了中国剩余定理和t-out-of-n秘密共享方案的基础上,提出了一个基于中国剩余定理的门限数字签名方案和一个基于离散对数的零知识证明方法.设计了一个具有入侵容忍功能的认证机构,并将中国剩余定理与RSA结合实现签字运算.此系统不仅有效地解决了私钥的秘密共享,而且减少了系统的计算量,提高了系统的运算效率.     

引入BL-Seq2seq模型进行负荷预测

短期负荷预测在电力系统运行和调度中起着重要作用,为了更好地提取数据中蕴含的有效信息,提升短期负荷预测精度,本文引入Seq2seq算法的注意力机制提出了多层Bi-LSTM的Seq2seq深度学习模型(BL-Seq2seq)实现短期用电负荷预测.其中Seq2seq的编码端由多层Bi-LSTM组成,将输入数据进行编码,并在网络末端输出编码后的最终状态;Seq2seq解码端为单层LSTM,它将编码端的最终状态作为初始输入状态,同时每一步的输出值作为下一步的输入值.利用用电负荷实测数据,基于Keras平台进行仿真,仿真结果表明,与多个经典的深度学习的短期用电负荷预测模型相比,所提BL-Seq2seq模型的预测误差明显降低,大大提升了短期用电负荷预测精度.     

MoSi2/Mo复合材料的燃烧合成-熔铸过程的研究

在分析MoO3-Al-Si体系SHS反应热力学的基础上,探讨了SHS-熔铸工艺制备MoSi2/Mo原位复合材料的可能性,研究了复合材料的原位形成过程。结果表明,MoO3-Al-Si体系的绝热燃烧温度高于4119K,能使合成产物熔化;在液态合成产物中,熔融的Al2O3能与液态的Mo和Si分离,从而可获得较纯净的Mo-Si高温熔体;Mo-Si高温熔体在凝固过程中原位形成MoSi2/Mo复合材料,而且随着复合材料中Mo含量的增加,MoSi2颗粒的尺寸减小。因此,通过SHS-熔铸工艺可以同步实现MoSi2/Mo复合材料的原位合成与液态成型一体化。     

基于特征选择实现多因素电力负荷预测

负荷预测在保障电网安全运行和提高经济效益方面均占有举足轻重的地位.高精度的负荷预测不仅需要依靠历史负荷数据,并且气象、电价等诸多因素也会对其产生不同程度的影响.为了综合考虑诸多因素造成的影响.首先,以遴选关键因素作为切入点,利用新英格兰地区实测数据集,使用递归特征消除(RFE)有效去除冗余的影响因素,得到与真实负荷相关...     

铝箔在锂离子电池中的应用

通过分析铝箔作为锂离子电池的正极集流体的机理、锂离子电池芯的结构分析和生产工艺,归纳出正极集流体用铝箔的技术要求;通过分析铝箔作为聚合物锂离子电池的包装材料阻隔层的机理、软包装材料的结构分析和生产工艺,归纳出聚合物锂离子电池的包装材料阻隔层铝箔的技术要求。     

引入BL-Seq2seq模型进行负荷预测

短期负荷预测在电力系统运行和调度中起着重要作用,为了更好地提取数据中蕴含的有效信息,提升短期负荷预测精度,本文引入Seq2seq算法的注意力机制提出了多层Bi-LSTM的Seq2seq深度学习模型(BL-Seq2seq)实现短期用电负荷预测.其中Seq2seq的编码端由多层Bi-LSTM组成,将输入数据进行编码,并在网络末端输出编码后的最终状态;Seq2seq解码端为单层LSTM,它将编码端的最终状态作为初始输入状态,同时每一步的输出值作为下一步的输入值.利用用电负荷实测数据,基于Keras平台进行仿真,仿真结果表明,与多个经典的深度学习的短期用电负荷预测模型相比,所提BL-Seq2seq模型的预测误差明显降低,大大提升了短期用电负荷预测精度.     

球墨铸铁防爬器的铸造经验

防爬器是铁道线路上的配件,安装在钢轨和道木上,用以锁紧钢轨,防止它在道本上爬行,是铁道上很重要的配件。尤其是提高行车速度,保证线路质量,或坡道上更是不可缺少的。1953年以前,各型防爬器都是用钢材锻造之后焊接的,成本很高,生产效率低,满足不了需要。根据我厂铸造球墨铸铁的性质(抗强强度＞40公斤/公厘2,屈服点＞19公斤/公厘2, 延伸率＞20%以上),与钢料性质相仿,因而我们大批生产了球墨铸铁防爬器。几年来在铁道科学研究院的帮助指导下,获得了良好的效果。     

基于数据分解与重构的光伏发电功率超短期预测

为进一步提高光伏发电超短期预测的精度,以数据分解重构和深度学习技术为依托,提出一种基于 CEEMDAN-DBN-Seq2Seq 的光伏发电功率超短期预测方法。首先利用具有自适应噪声的完整经验模态分解算法( CEEMDAN )将原始发电数据分解成在时域内特征更加明显的模态函数序列,以提取发电序列在时间尺度上的特征;随后引入影响光伏出力的主要气象因素,利用深度信念网络( DBN )对重构后的高、低频分量和序列对序列( Seq2Seq )方法对残差分量进行预测。实验表明,所提模型在光伏发电预测研究中精确度更高。