非对称载荷下驱动轴强度与刚度的匹配与优化

为了解决某重载车辆的驱动轴容易发生早期失效的问题,提出了一种在非对称载荷作用下实现结构强度与刚度合理匹配的分段优化设计方法。通过分析非对称承载驱动轴的刚度对载荷分布的影响,建立了以结构强度和疲劳寿命为约束、驱动轴花键的应变相等为目标的驱动轴结构设计优化模型。优化设计结果表明,危险部位右侧花键齿根应力降低了90.3 MPa,驱动轴两侧扭矩分配更合理,且使用寿命提高了72.2%。     

中碳铬钨渗氮轴承钢旋转弯曲疲劳性能研究

针对轴承钢失效形式主要为疲劳破坏的问题,对中碳铬钨渗氮轴承钢进行旋转弯曲疲劳（RBF）试验及分析。分析轴承钢经调质处理（880 ℃+540 ℃）后的组织,再经RBF试验后疲劳断口和渗氮处理的作用,还分析了非金属夹杂物对轴承钢RBF的影响,构建了非金属夹杂物深度和尺寸对中碳铬钨渗氮轴承钢RBF极限强度影响的模型。实验结果表明：试验钢调质处理后,组织为回火索氏体,主要析出M₆C型和M₂₃C₆型碳化物,力学性能优良,RBF极限强度达到729 MPa;疲劳源分为表面缺陷和内部非金属夹杂物,表面缺陷主要包括非金属夹杂物脱落形成的凹坑以及机加工留下的刀痕,非金属夹杂物主要为镁铝酸盐;轴承钢在NH₃渗氮气氛中560 ℃恒温保持25 h,渗氮层厚度达360 μm以上,渗氮工艺合适。研究结果对中碳铬钨渗氮轴承钢的发展及其疲劳性能的提高有一定的参考价值。     

基于金属磁记忆的高铁轮对早期故障检测研究

列车安全性检测是铁路机车车辆工程的重要研究课题。轮对是高速列车行走部的关键部件,传统检测模式只能发现宏观存在的缺陷,而不适用于运行过程中的早期缺陷的发现与状态跟踪。为了实现对早期故障的快速识别与轮对寿命预测,针对传统测试方法在早期检测与动态检测方面的不足,提出了全新的动态检测系统,以满足列车运行的安全要求,还对磁记忆信号与该材料所受载荷状态之间的关系进行了大量的试验研究。研究结果表明：在50~150 kN的载荷区间内,试件的磁记忆信号呈单调变化,变化趋势明显;对试件进行疲劳载荷后发现磁记忆信号的原始值及梯度、峭度等信号特征均有所变化,峭度变化较为明显,能够有效反应材料的疲劳状态。采用金属磁记忆技术进行轮对早期故障检测与动态检测,对于保证列车的运行安全具有重要的现实意义,可为无损检测领域的应用提供借鉴。     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。     

基于堆叠自编码器神经网络的复合电磁检测铁磁性双层套管腐蚀缺陷分类识别方法

铁磁性双层套管长期服役于恶劣的工作环境,极易出现腐蚀缺陷,定期为服役中的双层套管进行在线检测十分必要,而对管壁腐蚀缺陷位置的分类识别是管道定量检测与维修的前提和基础,实时准确的套管腐蚀缺陷分类识别能力是决定管道在线检测效率的重要因素。针对这一情况,将脉冲远场涡流和脉冲涡流技术相结合,提出了基于堆叠自编码器神经网络的分类方法。通过仿真和实验选取合适特征量作为输入层,实现了内管外壁腐蚀、外管内壁腐蚀和外管外壁腐蚀的分类,实验整体预判精度可达97.5%,结果表明该方法可对双层套管腐蚀缺陷缺陷实施高效、高精度分类识别。     

基于时域模糊决策融合的雷达工作模式识别方法

在雷达工作模式识别中,侦察设备对雷达信号参数的测量误差严重影响了识别效果,针对这一问题文中提出时域模糊决策融合(TFDF)的雷达工作模式识别方法。首先分析了雷达脉冲组特征,在脉冲组层次提取雷达信号的脉冲组描述字(PGDW);然后基于联合隶属度函数改进传统的神经网络硬判决方式,实现雷达信号识别的模糊决策;最后运用DS证据理论将多个时刻的模糊决策融合,从而完成雷达工作模式的最终识别。基于时域模糊决策融合的识别方法可以有效改善参数测量误差对工作模式识别效果的影响。仿真结果以及对比实验表明,文中所提算法具有更好的抗噪性能,在雷达信号的参数测量误差为15%时仍具有90%以上的识别率。     

基于均匀设计和BP神经网络的花生油SFE-CO2萃取预测

利用均匀设计和BP神经网络相结合的方法,研究了SFE-CO₂萃取花生油工艺。以半烘烤并粉碎之后的花生为原料,针对萃取压力、温度、时间和CO₂流量4个因素,每个因素10个水平安排实验,利用均匀设计的实验数据作为网络训练样本,构造花生油SFE-CO₂萃取的BP神经网络预测模型,对萃取过程进行预测,分析各实验因素与出油率之间的关系,确定较优的工艺条件。最后确定4-9-1的BP神经网络模型,利用该模型所得出油率的预测值与实验值相接近,相对误差(绝对值)小于2%;构造的BP神经网络模型能较好地预测萃取过程中各参数影响下花生出油率的变化趋势。结果显示,当萃取压力30MPa,温度40.5℃,时间125min,CO₂流量187L/(h·kg)时花生出油率可达期望值47.5%。该方法为实现预测与控制SFE-CO₂萃取花生油过程奠定了可靠的理论基础。     

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.     

POM@Fe-MOF衍生物的结构及其电化学性能

采用溶剂热法将Keggin型H_3PW_(12)O_(40)作为次级结构单元引入Fe-MOF结构中,合成出具有花状结构的POM@Fe-MOF材料,以其为模板在不同工艺条件下制备出衍生物WO_2@FePO_4和WO_3@WC@C。借助SEM、XRD等分析了衍生物的表面形貌及物相结构,并将WO_2@FePO_4和WO_3@WC@C分别作为超级电容器的正、负极材料,利用三电极体系在浓度为6mol/L的KOH电解质溶液中对其电化学性能进行表征,在0.5A/g的充电电流密度下分别得到了68.6F/g和70F/g的最高比电容。     

石墨烯-碳量子点复合材料的电化学性能研究

采用Hummers法和水热法,制备石墨烯和碳量子点溶液作为前驱体,然后通过一步煅烧法制得石墨烯-碳量子点复合材料。借助SEM、UV-Vis、FTIR等手段,对样品的形貌和结构进行表征;利用循环伏安法(CV)、差分脉冲伏安法(DPV)及恒流充放电循环测试等,重点考察了样品的电化学性能。结果表明,在石墨烯表面负载碳量子点可增加材料的比表面积并改善其机械性能,由于活性位点的增加,所制石墨烯-碳量子点复合电极具有较好的可逆性及电化学活性;在检测不同浓度双氧水时,复合电极的灵敏度为纯石墨烯电极的1.4倍左右;石墨烯-碳量子点复合材料作为锂离子电池负极使用时,与纯石墨烯材料相比具有更好的循环稳定性,且容量保持率提高了1.67倍。