GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

基于动态模式分解的移动用户信道容量预测算法

在多输入多输出环境下,为了能够连续预测出移动用户的信道容量并以此合理地分配用户资源,提出了一种基于动态模式分解（DMD）的信道容量预测方法及其优化方法：基于经验模态分解的选择性归一化动态模式分解（ESN-DMD）.仿真结果表明,DMD算法只适用于预测低移速低复杂度的用户信号,ESN-DMD算法可以预测不同移速的用户信道容量.     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

大空间结构钢屋盖火灾下温度场计算方法研究

为了研究大空间结构屋面钢构件火灾下温度场的简化计算方法,把国内外现有用于“室内火灾”温度场的简化计算公式和方法,应用于典型尺寸的大空间结构模型,并与数值模拟结果进行比较。给出了对各种方法的计算准确性的分析结果,并从理论和原理的角度对各种方法的优劣进行了综合评价,提出了进一步修正的方向。     

划痕法测Ni—P合金镀层结合力的研究

本文用划痕法测定了Ni-P合金镀层的结合力;观察了划痕侧面镀层的失效形式;分析了三种评定结合力的参数。结果指出,临界载荷L_C、平均应力σ_A用于评定Ni-P镀层的结合力是有条件的,而B-W公式存在的问题更多。     

焊缝X射线照相中以透照距离为参变量的管电压计算方法

针对钛、钢焊缝X射线照相探伤中,要通过实验来确定管电压值,存在低效、浪费的问题,作者总结大量探伤工作中的数据,找出了对于不同透照方式和不同透照条件下,管电压值与试样厚度和透照距离之间的关系,建立了计算管电压值的经验公式,并对计算值与实验值作了对比分析,证实经验公式简便可靠。文中给出了适用于国内广泛采用的几种X光探伤机和通用的几种感光胶片的管电压计算公式及有关数据,可供钛、钢X光探伤工作者参考应用。     

高浓度熟料溶出的工艺研究

优化烧结法生产 ,提高产量、节约能耗是氧化铝生产急需解决的问题之一。实现高浓度溶出可以提高精液浓度 ,减少湿法系统物料流量 ,达到提高产能、增加产量、降低成品成本的目的。本文通过对国内外高浓度熟料溶出发展情况和烧结法影响高浓度溶出的因素进行分析研究 ,提出了提高熟料A/S的必要性 ;指出了适合我国条件的熟料A/S大小和生料配方 ;分析了温度和αk 对溶出和分离的影响机理和规律 ;提出了适合高浓度溶出的溶出条件和浓度大小。对生产有一定的指导意义。     

水性聚氨酯材料配方设计技巧

介绍了优选法的0.618法和分数法,对其进行改进创新和原理证明,并应用于生产涂料配方设计中。     

按平均收缩率计算注塑模成型尺寸的公式修正

讨论了现用计算公式的缺陷及原因,提出4个修正公式,并举例说明了修正后公式对确定合理的模具公差和保证注塑件顺利生产的重要经济意义。     

耐热性橡胶配合技巧(上)

介绍了耐热橡胶的等级划分，各种橡胶的使用温度和性能特点，及13种橡胶（天然橡胶、聚氨酯橡胶、丁苯橡胶、顺丁橡胶、氯丁橡胶、丁腈橡胶、氯磺化聚乙烯橡胶、氯醚橡胶、丁基橡胶、乙丙橡胶、丙烯酸酯橡胶、氟橡胶、硅橡胶）的78个耐热配方实例，并对配方做了简要说明。所述配方可基本满足橡胶材料从A～I级9个耐热等级的不同要求。