程序Ⅷ试验方法燃油国产化研究

论述了在国内程序Ⅷ台架上,用专门调制的国产燃油替代ASTM D 6709-04方法中的标准燃油,按标准方法中的试验条件进行试验。结果表明:用TMC 1006-2参考油标定,满足标机要求;3种试验油的重复性和再现性结果满足精密度要求。研究表明以国产油替代标准燃油是可行的。     

基于电磁波信号传播衰减模型的变电站局部放电定位方法

分析了局部放电辐射电磁波的空间传播衰减特性,及电磁波接收天线的灵敏度系数,并以此为理论基础,提出了一种新的基于天线阵列和电磁波衰减模型的局部放电定位方法,实现变电站全站的局部放电源定位。该方法在变电站空间建立三维坐标系,推导出天线接收到电磁波信号的峰值与局放源及天线位置之间的关系,从而构建关于局部放电位置的计算模型。该方法只需要检测信号峰值,而不需要计算信号的时延序列,可以大大简化数据采集和处理系统要求。论文分别对电磁波仿真软件得到局部放电信号,及实验室模拟局部放电测试得到的电磁波信号进行分析处理,利用该方法计算局部放电源位置,验证了方法的准确性和可行性。     

液压油湿相性能台架评定方法研究

根据泵相似理论和流体动力相似准则,选择Denison T6C006高压叶片泵作为实验泵,根据试验要求确定了实验流程和相应的控制检测方案,并建立了Denison T6G006高压叶片泵试验台架,以模拟Denison T6C020台架试验,在液压油湿相性能试验考察、缩短试验时间等方面进行研究。在液压油台架模拟评定方面,探寻一种可靠的测试方法,使评定试验简单、可靠、省油、省时。     

基于STM32的武术擂台机器人的设计

介绍以STM32单片机为控制器的武术擂台机器人的设计,以及在研究与实践过程中遇到的问题及解决方案.     

基于自适应遗传算法的变电站红外图像模糊增强

为增强变电站中电力设备红外热像图的视觉效果,突出局部热异常区域,方便故障定位及检修,提出了一种基于自适应遗传算法的红外热像图模糊增强技术。对小波变换后的红外子热像图,进行同态滤波增强处理和模糊增强处理,并运用动态自适应遗传算法对模糊参数进行优化,最后,经小波重构得到了效果增强的红外图像。实验结果表明,该方法相对同态滤波、模糊集增强、遗传模糊等算法,红外图像的边缘强度、对比度、清晰度分别至少提高12.6%、27.7%、33.7%,有利于检修人员进行电力设备的热异常定位及故障诊断。     

高比例新能源和电动汽车接入背靠背并联系统优化控制

柔性开关设备作为一种新型配网设备,将极大提高配电网的灵活可控性,从而降低高比例新能源和电动汽车接入带来的影响.考虑到设备容量及效率,背靠背系统的并联技术成为一种理想方案,但是系统之间的环流成为亟待解决的问题.为此,提出一种低通信预测控制方法实现系统之间的环流抑制.首先,考虑到新能源和电动汽车间歇性运行特点,采用柔性并联运行技术.其次,建立低通信多机柔性开关设备并联模型,并设计环流最小为目标函数.最后,求解环流最小的零序电压矢量,通过实时调节矢量作用时间抑制环流.仿真和实验验证了低通信预测控制方法能够在不同工况下实现环流的高效抑制.     

液压油Komatsu HPV35+35台架评定试验研究

按照日本建筑工程液压油JCMAS HK规格P044方法要求,建立Komatsu HPV35+35台架,并进行液压油试验研究,采用间歇式压力加载和高油温工况条件,比较油品的抗磨性能、抗氧化性能,并对油样进行理化分析与讨论。JCMAS HK规格要求液压油满足现代移动式建筑机械液压系统的使用要求,能够在工作压力超过34.3 MPa以及油温100℃的液压系统中使用。     

无功补偿技术在电气自动化中的应用

我国当前正处在改革的关键时期,在电气自动化的行业领域也得到了迅猛发展,电气自动化的广泛应用的同时,也在另一方面存在着问题,尤其是在动态无功补偿以及谐波治理方面的问题较为突出。本文在这一背景下,主要就无功补偿技术在电子自动化中的实际应用进行详细分析探究,希望能够通过此次的理论研究对实际起到一定指导作用。     

发动机烟炱的生成及其对油品有关性能影响的试验方法研究

通过对1135发动机的喷油提前角、喷油嘴、机油油路以及活塞环间隙等方面的调整、改进，选择适当的试验条件，以不同质量级别的试验油样，考察发动机烟炱的生成以及烟炱对油品粘度、磨损的影响。另外，还考察了不同质量级别油品的高温清净性。结果表明，不同质量级别的油品在以上三个方面有明显的区别，相同质量级别的油品各项性能相当，说明在改装的发动机上所进行的试验以及烟炱的生成条件能满足对油品多项性能的评价。     

基于生成对抗网络和深度残差神经网络的变电站异物检测

变电站电力巡检能够保证变电设备安全运行,及时发现潜在危险和隐患。传统方法主要依靠人工完成,需要较多的人力物力,并且由于变电站异物入侵的偶然性和突发性,传统方法很难预测发生的时间和地点。针对该问题,提出了基于生成对抗网络和深度残差神经网络的变电站异物检测技术。利用深度残差神经网络提出图片的特征,结合区域推荐网络和池化分类器实现目标的分类和定位。利用生成对抗网络生成样本扩充训练数据库,提升了网络的学习能力。最后利用真实变电站的图片数据进行测试,提出的方法具有较高的异物识别准确度,并且比较了不同种类不同数目的训练集,验证了通过生成对抗网络扩充样本的有效性和可行性。