摘要：本文针对舰船在隐身方面的需求,选取某型电力推进系统为设计研究对象。以低磁和低振动性能为研究目标,介绍了该系统中主要设备的材料选择,探究了轴承及冷却方式选取、动平衡、吸振器、整流方式、滤波电容和谐波补偿等方法的减振原理,通过仿真和试验验证了它们的效果。结果表明,所设计的电力推进系统具有良好的低磁低振动表现,有利于提升舰船的隐身性能。

摘要：采用药芯焊丝技术在钢表面形成金属基陶瓷耐磨堆焊层。通过药芯焊丝配方的设计,结合TIG焊接方法,对堆焊层的耐磨性进行了研究。结果表明,堆焊层中WC颗粒与基体形成良好的阴影保护效应,WC颗粒对基体进行保护,同时基体对WC颗粒进行有效的支撑。在相同的磨料磨损条件下,大颗粒WC堆焊层具有较好的耐磨性。同时,采用大颗粒WC的药芯焊丝焊接工艺性优异。

摘要：TBD620系列柴油机通过对海水系统采用防腐材料、在空冷器水盖上镀锌防护块、改变管子焊接结构、采用高低温淡水系统等措施,在淡水、燃油、润滑等系统采用钢制管材并镀锌处理的措施,充发电机、减震器等加防护罩,电器原件采用具有相应防护等级的产品,机旁控制箱采用密封性设计等措施,满足了远洋及近海等船舶动力的防腐要求,减少了三漏事件的发生,使各零部件的防腐性能趋于一致。

摘要：应用马尔科夫模型对柴油机电子调速器可靠性进行了系统分析。采用失效模式以及影响性分析(FMEA)进行整个系统部件级失效模式与影响分析,提出了柴油机电子调速器失效的分类方法,针对在线诊断技术和调速系统的维修特性,引入系统维修率,对调速器的可靠性进行更加全面有效的分析,得到电子调速器时变失效概率。分析结果表明:马尔科夫模型可以应用于柴油机电子调速器可靠性分析,并指导系统设计。

摘要：采用流体仿真软件STAR-CCM+,并基于k-ε紊流模型,对JO115X液力偶合器流场开展了仿真分析,获得了偶合器流场的速度和压力分布情况及涡轮扭矩值。性能试验结果显示:涡轮扭矩仿真值与试验值最大误差为6.6%。表明:仿真分析真实可靠,可为液力偶合器型腔流场设计提供指导。

摘要：根据某型柴油机的结构特点、总体布置和计算结果,在现有该型柴油机结构上进行增压系统的改进设计,采用相继增压技术,改善了常规并联增压系统在柴油机低工况运行时出现的燃烧恶化、油耗升高,功率下降的现象,低工况性能得到了提高,降低了燃油耗率、排温及烟度,功率范围有较大扩展,使得低工况限制特性曲线更加丰满,额定工况时单缸功率达到140kW,油耗值198.2g/kWh,达到了优化全工况性能的目的,满足了该型柴油机低速时的扭矩特性要求。

摘要：人工智能技术已经成为国家重要发展战略。针对目前“人工智能技术”课程教学形式单一、人工智能案例较少等问题,以爱国主义教育为思想引导,将人工智能与实际的生产生活相联系,设计了与量子遗传算法、新冠感染三维CT图像和天问一号等人工智能相关的案例。融入学术志向,引导学生树立正确的学习观念,激发爱国热情。教学案例有利于增强学生的学习兴趣,培养学生的民族自豪感以及勤奋刻苦、努力拼搏、锐意进取和创新的精神,提高学生的创新、科研、实践能力。

摘要：在双碳战略背景下,清洁能源已经成为城市能源供应的重要组成部分,与此同时建筑再电气化率也在不断提高,为了应对新形势下的能源供需平衡,我国电力市场不断完善,然而新市场规则带来的负电价现象,对建筑能源系统工程设计和运维带来了极大的挑战。本文以建筑光储系统为研究对象,考虑负电价情况,提出新市场机制下系统调度策略与容量配置方法,并通过Matlab进行模拟仿真,验证了该方法的有效性。

摘要：针对传统深度学习模型过度依赖大量训练数据,在小样本条件下会出现准确率低和泛化性差的问题,提出一种基于改进孪生神经网络(improved siamese neural network,ISNN)的小样本轴承故障诊断方法。该方法致力于利用度量学习思想来判断样本间的相似性,相比于复杂、多层的深度模型其结构更简单,在小样本下也更容易训练。具体而言,共设计了三个模块来实现故障诊断。特征提取阶段分别利用长短时记忆网络和卷积神经网络提取出故障信号的时间和空间特征,能够充分利用有限的样本信息;关系度量阶段以自适应的网络度量方式来代替常用的欧式距离度量,并且引入全局均值池化来减少网络参数;此外,与标准孪生网络相比,构建的故障分类网络可以直接对样本进行故障识别,在测试阶段无须繁琐的样本比对。实验结果表明,ISNN方法在有限的训练样本数量下,故障诊断准确率和泛化性能均优于各种对比方法。

摘要：近年来,数据驱动的方法在滚动轴承故障诊断领域发展迅速,但面对工程实际中没有历史记录的故障类型,仍存在故障特征学习不充分、误诊率高等不足。针对上述问题,提出了多标签零样本学习(multi-label zero-shot learning,MLZSL)故障诊断方法。首先,使用短时傅里叶变换(short-time Fourier transform,STFT)对可见类和未见类样本进行预处理,将得到的时频图像输入残差深度可分离卷积神经网络(residual depthwise separable convolutional neural network,RDSCNN)进行特征提取,再使用可见类故障特征训练属性学习网络,依靠属性学习网络预测未见类故障样本的属性向量,最终实现对未见类故障的诊断。设计了零样本条件下的故障诊断试验,结果表明MLZSL能将可见类故障属性迁移到未见类,并有效诊断未见类故障。