BT25钛合金β相区动态再结晶行为及数值模拟

利用Gleeble-3500 型热模拟试验机对BT25 钛合金进行单道次等温压缩实验,分别采用Najafizadeh-Jonas 加工硬化率模型和Cingara-McQueen 流变应力模型研究了合金在变形温度1040～1100℃,应变速率0.001～1 s-1 和最大压下率为60％的条件下动态再结晶的临界条件,分析真...     

基于项目式教学的“模拟电子技术”教学设计

在教育教学不断变革的大环境下,怎样调动学生的学习兴趣,提升教学质量,是教育工作者需要进一步探讨的重点。“模拟电子技术”是一门实用性较强的课程,其在训练学生思维、培养学生学习兴趣等方面,具有其他课程无法比拟的优越性。因此,文中以“模拟电子技术”课程为例,对项目式教学进行了研究,并根据“模拟电子技术”课程教学的主要特征,给出了相应的教学方案,并对各个环节进行了说明。     

超低温等通道转角挤压高导电单晶铜的霍尔佩奇强化

分别采用光学显微镜、扫描电镜、X射线衍射仪和电子背散射衍射分析超低温等通道转角挤压(ECAP)中等应变量单晶铜的形变组织和织构演变，测试材料的力学和导电性能，分析材料组织转变机理及其对材料力学和导电性能的影响。结果表明，超低温ECAP早期形成的定向剪切带在后续变形过程中会严重影响材料组织的转变过程。增加应变量，A路径变形中剪切带内部会形成高密度的位错塞积，特征晶界占比增加；B_C路径变形时剪切带内部的位错发生强烈的交互作用；C路径变形后剪切带的取向发生分散。经过6道次变形后，单晶铜组织中形成强烈的{111}<112>织构，材料强度从初始126.0 MPa增加到400.2 MPa，而导电率仍保持在98%IACS以上。低温ECAP变形后组织内部形成定向剪切带并产生高密度的位错，位错间相互缠结，有效阻碍了位错滑移，而晶粒仍保持良好的单晶特性。     

含裂纹损伤叶片在切变来流下的应力耦合性分析

针对含裂纹损伤风力机在运行过程中产生的失效现象，将切变来流作为入口条件，基于流固耦合原理，分析含不同形式裂纹损伤的风力机叶片应力分布规律。通过无人机现场实验得知，裂纹主要集中于叶根（r/R=0.10截面）和叶中（r/R=0.50截面）后缘部位。单叶片在30°方位角时应力最大，额定风速下分布于叶根的裂纹受力最大，为33.34 MPa。强风风速下分布于叶中的裂纹受力最大，为44.31 MPa。重力载荷主要影响叶根部位的受力，气动载荷则主要作用于叶中，风速越大，叶中部位的裂纹越容易产生扩展。同时，沿弦向分布的裂纹，其扩展趋势最强。对于叶根处裂纹而言，若使叶片产生失效，裂纹长度需达到弦长的1/2、深度需达到叶片厚度的1/2；对于叶中处裂纹而言，若使叶片产生失效，裂纹长度需达到弦长的3/8、深度需达到叶片厚度的1/3。     

B1C信号非匹配捕获研究

针对B1C信号捕获的灵活性和多样性，提出将TMBOC信号与BOC(1,1)信号分别对其进行非匹配捕获的研究。首先建立B1C信号数学模型，对算法研究原理进行了数学推导，其次针对信号捕获的检测概率进行了分析，并对非匹配捕获中存在的信噪比损失给出了理论分析，并对实际采集到的B1C信号做捕获仿真研究。仿真表明，BOC(1,1)信号捕获能够获得更高的峰均比，而TMBOC信号在捕获B1C信号导频分量时峰均比更优，但整体相较前者峰均比下降约046 dB，算法的研究为B1C信号同步提供了新的思路。     

基于Transformer的汽轮机滚动轴承早期微弱故障检测方法研究

为了应对滚动轴承早期微弱故障的挑战本文提出了一种新的方法。该方法首先采用PCA（主成分分析）对振动信号进行特征筛选，以降低数据维度，有效地简化了振动数据的结构，增强了特征的表达力。接着，使用CEEMDAN（完全自适应噪声集合经验模态分解）算法来分解被背景噪声干扰的微弱故障振动信号，它通过在经验模态分解（EMD）的基础上引入自适应噪声，增强了对微弱特征的识别能力，有够效地分离出趋势和噪声数据，显著提高了故障诊断的准确性。最后，引入Transformer模型，进一步优化了特征的提取和表征，实现对长序列数据的高效处理，用于微弱故障特征的提取和表征。这一综合方法具有降维、噪声抑制和长序列处理等多重优势，有望在滚动轴承故障检测中取得显著成果。     

基于改进YOLO-v3的风力机叶片表面损伤检测识别

为对风力机叶片损伤状态进行有效检测，提出一种基于改进YOLO-v3算法的风力机叶片表面损伤检测识别技术。根据风力机叶片损伤区域特点，对网络中锚框（anchor）的尺度进行调整优化；在特征提取网络后引入基于注意力机制的挤压与激励网络（squeeze and excitation networks,SENet）结构，使YOLO-v3算法更加关注与目标相关的特征通道，提升网络性能。结果表明，改进后算法的平均精度为84.42%，较原YOLO-v3算法提升了6.14%，检测时间减少了21 ms，改进后的YOLO-v3算法能较好地识别出风力机叶片表面损伤。