采用Aspen Plus软件对一氧化碳变换单元的模拟研究

煤制甲醇一氧化碳变换单元原设计根据温度梯度,回收热量副产4.1MPa、1.1MPa和0.46MPa蒸汽,借助Aspen Plus工程软件对已运行装置一氧化碳变换单元进行模拟校核。通过比较设计数据,变换系统的各流股数据与工艺包数据较为接近。可作为变换单元实际操作技术改造方案的比选和模拟计算的基础,对变换单元优化操作有一定的指导意义。     

BS960E高强钢激光-电弧复合焊接头氢脆行为研究

氢脆具有很强的微观组织敏感性,威胁着各类高强结构材料的安全服役.采用激光-电弧复合焊工艺对BS960E型高强钢进行焊接,并对接头在原位电化学充氢的条件下进行慢应变速率(10-5s-1)拉伸试验,结合微观组织和断裂特征进行分析并对接头的氢脆行为进行研究.结果 表明,焊接热循环所形成的富马氏体中的细晶区可以使接头表现出一定的氢脆敏感性,马氏体较大的氢扩散系数和较低的氢溶解度以及氢在晶界上的快速扩散是引起接头对氢脆敏感的主要原因,通过控制焊接工艺参数可抑制焊接热循环所引起的马氏体转变量,能够降低BS960E型高强钢激光-电弧复合焊接头的氢脆敏感性.     

基于声发射原理的矿井掘进机故障诊断技术研究

针对在我国各大矿区广泛应用的EBZ160悬臂式掘进机,基于声发射原理及技术,设计一套掘进机故障诊断声发射检测系统,获得各种故障的声发射数据样本,同时借助小波神经网络的迭代收敛性质,对故障数据样本的精确度进行验证,正确率较高,能够较好地应用于井下掘进机的故障诊断.     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。     

基于小波降噪和循环神经网络的煤矿瓦斯浓度预测

在瓦斯浓度监测数据分析中发现,瓦斯浓度序列往往呈现出较强的随机性和复杂性,时序数据中含有的噪声会对数据的预测结果产生干扰。为了减少数据中的噪声所带来的负面效果,提出了一种将小波阈值降噪与LSTM(长短期记忆网络)相结合的瓦斯浓度预测模型。通过将原始数据进行分解、阈值处理和重构,对时序数据中的噪声进行剥离,再通过LSTM模型进行预测分析,与普通LSTM和RNN网络进行比较,结果表明,所提出的基于小波降噪的LSTM的瓦斯浓度预测模型在精确度和泛化能力上都具有更好的表现。