稀土基AB2型金属氢化物电极衰变机理的探索

用真空电弧熔炼合成了稀土基AB2型合金.真空电弧合成的稀土基AB2型合金不具有LavesPhase的单相结构,而是由多相组成.用XRD、SEM和XPS对多次充/放电循环后电极合金结构、形貌进行了分析,用ICP-AES分析电介质溶液中电极合金组成元素的含量,探索了稀土基AB2型合金作为金属氢化物电极的衰变机理.实验结果表明腐蚀是稀土基AB2型合金氢化物电极合金结构变化和电化学性能衰变的主要原因.     

热力管网保温节能效果的影响因素分析

对保温设计计算中环境温度的确定及保温材料的经济性选择问题进行了讨论，分析了保温材料施工前性能检测的重要性及严把施工质量关的实际意义。在此基础上，探讨了武钢热力管网强化保温的节能潜力。     

质子交换膜燃料电池电堆系统建模与控制研究

首先介绍质子交换膜燃料电池(PEMFC)的单体结构和工作原理,并针对PEMFC电堆系统的复杂性,提出PEMFC电堆系统结构,系统结构包含PEMFC反应物供应、过程调节、水/热管理、输出调节和系统控制。然后在已有的PEMFC机理模型和经验模型的基础上,详细分析PEMFC电堆系统的数学建模,给出PEMFC电堆系统结构条件的划分、变量空间的建立、参数的选择和模型辨识。最后讨论PEMFC电堆系统控制的现状和发展,研究PEMFC电堆系统控制的特点,从应用的角度出发,提出基于模糊推理控制和广义预测控制的PEMFC电堆系统控制的可行方案。     

CFRP层板疲劳累积损伤理论的建立及应用

碳纤维增强树脂复合材料(CFRP）是高性能结构的先进材料。通过试验，对纤维增强树脂复合材料(FRP)损伤理论的定义进行了研究，论述了用于CFRP层合板疲劳累积损伤的剩余强度模型和剩余刚度模型。通过理论预测与实验数据比较，证明所建模型物理意义清晰，数据吻合较好，最后对两种模型进行了分析和比较。     

包钢连铸结晶器液位控制系统中控制器的设计应用

本文采用FUZZY－PID复合式自适应控制器来满足冶金连铸系统中对结晶器液位控制的要求，由于在长时间的连续铸钢过程中，塞棒头部受钢水的冲刷和腐蚀，使得塞棒头部为形较大，导致塞棒位置与钢水流量的特性关系发生较大变化，而这种变化无法用确定的数学关系式来描述，用常规PID控制器不能对此变化进行有效调节。本文采用模糊控制器对此变化作出反映，通过模糊控制运算结果来调节PID控制器的放大系数Kp始终在理想的范围内，从而使控制系统达到对结晶器液位控制的要求。     

新型实用小动物电脑秤

本文介绍小动物电脑秤的特点、硬件结构及工作原理，以及根据小物秤重的特点点所采取的措施及补偿方法。     

分布式系统中的CAN总线应用设计

围绕应用于某试验台的CAN总线通信系统设计展开讨论。特别是对CAN总线通信系统的构建、通信可靠性和上位机通信编程等几个部分进行深入的分析，并且有针对性地提出了改进设计的方法。     

极端外部环境下输电线路的综合风险评估方法

针对极端外部环境易引发的巨型停电灾难的问题,提出输电线路的综合风险评估方法。首先采用多维云模型理论,建立极端外部环境下输电线路的综合故障率预测模型;其次,根据预测的故障率,从输电线路自身损失、人身环境损失、社会损失和系统安全损失这4个方面建立一种输电线路的综合风险评估体系;最后,根据电力事故事件调查规程对所建立的综合风险评估体系进行量化评分,并利用贵州电网实例进行验证。算例仿真表明:所建立的输电线路的综合风险评估体系具有良好的实用性、可操作性,而且便于评估。     

大河珩磨机床研究所成立十周年

珩磨机床研究所是1978年经宁夏重工业厅批准成立的,原名为宁夏珩磨机床研究所。1982年机械工业部机床局批准为专业研究所,负责归口行业技术工作及所在厂(大河机床厂)研究开发工作,易名为大河珩磨机床研究所。大河珩磨机床研究所建所十年来,为行业技术工作和所在厂技术开发工作做出了重大贡献。     

Neural network modeling and control of proton exchange membrane fuel cell

A neural network model and fuzzy neural network controller was designed to control the inner impedance of a proton exchange membrane fuel cell (PEMFC) stack. A radial basis function (RBF) neural network model was trained by the input-output data of impedance. A fuzzy neural network controller was designed to control the impedance response. The RBF neural network model was used to test the fuzzy neural network controller. The results show that the RBF model output can imitate actual output well, the maximal error is not beyond 20 m-, the training time is about 1 s by using 20 neurons, and the mean squared errors is 141.9 m-2. The impedance of the PEMFC stack is controlled within the optimum range when the load changes, and the adjustive time is about 3 min.