重载铁路货车用LZ45CrV车轴钢综合性能的试验研究

为提高重载铁路货车轴重,试验研究LZ45CrV车轴钢的综合性能。结果表明:通过适量添加Cr,Ni,Mo和V等微合金元素,可使LZ45CrV车轴钢的显微组织结构得到显著改善,比LZ50车轴钢的晶粒度级别要高出2级以上,微合金元素在钢中形成了从几十到一百纳米大小的碳、氮化物析出相;在不降低伸长率和断面收缩率的前提下,LZ45CrV车轴钢的强度指标比LZ50车轴钢提高了10%以上,并且其横向冲击功不低于40J、纵向冲击功不低于50J;与LZ50车轴钢相比,LZ45CrV车轴钢的相对腐蚀失重速率降低了20%以上,疲劳极限提高了15%以上;LZ45CrV车轴钢的各项性能指标满足试制技术条件,达到了30t轴重重载货车车轴的使用要求。     

钒微合金化中碳钢微观组织及力学性能的对比研究

通过金相分析、SEM(扫描电子显微镜)、TEM(透射电子显微镜)观察和X射线衍射相结合的方法对比分析了添加钒微合金化元素前后中碳钢显微组织和力学性能的变化情况。研究结果表明:钒微合金化中碳钢综合力学性能改善效果显著,细晶强化是其最主要的强韧化方式;在渗碳体片层间的铁素体上分布有大小约为几十到一百纳米左右的析出物,主要为VC(碳化钒)和AlN(氮化铝),渗碳体片层出现了碎化,这也在一定程度上改善了微合金化中碳钢的强韧性。     

RECALLABLE TRACKING TECHNIQUE FOR TOP WELD BEADS OF NARROW GAP SUBMERGED ARC WELDING

ＩｎｔｒｏｄｕｃｔｉｏｎＴｈｅｎｏｒｍａｌｔｒａｃｋｉｎｇｔｅｃｈｎｉｑｕｅｆｏｒｎａｒｒｏｗｇａｐｓｕｂｍｅｒｇｅｄａｒｃｗｅｌｄｉｎｇｗｉｔｈｍｅｃｈａｎｉｃａｌｓｅｎｓｏｒｉｓｓｕｉｔａｂｌｅｏｎｌｙｔｏｗｅｌｄｂｅａｄｓｉｎｔｈｅｇｒｏｏｖｅ...     

基于神经网络的智能驾驶模式识别研究

为满足智能驾驶汽车高级驾驶辅助系统(ADAS)功能研发和验证的需求,提高ADAS功能的准确性,设计了一款基于神经网络的智能驾驶模式识别程序,该程序由数据采集、目标检测、场景识别预测3个模块组成.数据采集模块利用ESR毫米波雷达、前置摄像头对交通环境及周围车辆的数据信息进行采集;目标监测模块通过控制算法选择判断触发各类A...     

GSE仿真软件在燃气轮机系统建模的应用

  目的  台架试验是蒸汽系统设计与验证的重要手段,能否准确模拟边界条件是至关重要的影响因素。为获得一种可行的动态流量边界控制方法,  方法  基于蒸汽系统台架试验的蒸汽入口处流量变化要求,提出PID闭环控制与开环控制方案,并开展仿真对比分析。利用GSE平台建立蒸汽系统台架试验的仿真模型,基于试验热态调试数据进行仿真模型修正,并通过对比试验数据与仿真数据验证仿真模型的正确性和有效性。  结果  仿真结果表明：迭代—收敛的开环控制方案可以满足蒸汽流量在10 s内线性减少20 t/h的控制要求,而传统PID闭环控制方案则难以实现。验证试验的结果表明：蒸汽入口处的流量变化满足台架试验要求,并与仿真结果相吻合。  结论  研究成果可为蒸汽系统台架试验的边界控制提供参考。     

焊接中的低本高效防漏焊识别方案

本文主要描述焊接件在焊缝被机加工或其他方式完全去除或掩盖后,如何在低成本的情况下,通过制定有效的防漏焊识别方案,提高目视识别的准确率和有效性,进而杜绝漏焊问题的发生.     

南广高速公路沥青路面级配碎石基层的施工

半刚性基层容易产生收缩裂缝并反射到沥青面层上，从裂缝进水又不能排除，导致沥青路面出现早期破坏。解决半刚性基层开裂反射缝的有效途径就是在沥青面层与半刚性基层之间增设级配碎石过渡层，或全部采用柔性级配碎石基层。为了达到此目的，在南广高速公路上采用级配碎石作了4种不同路面结构型式的试验路和依托工程。本主要介绍级配碎石的施工方法，并针对施工中出现的问题，提出了相应技术处理措施。     

汽车液力变矩器焊接制造质量控制

根据液力变矩器结构及功能特点，针对液力变矩器制造过程巾零件形状尺寸加工误差、安装误差、焊接收缩变形3个质量控制环节，从理论、工艺技术两方面提出了设计方案和质量控制措施。在4T65-E液力变矩器焊接生产线上的实践表明，该控制策略行之有效，产品一次合格率达到国外同类企业生产水平；液力变矩器各项性能指标达到GM公司标准。     

浅议进一步完善我局特种设备安全技术检测检验、监督监察管理

本文对我局开展特种设备检测以来的情况进行分析,指出开展检测检验工作存在的问题，提出了完善我局特种设备安全技术检测检验．监督监察管理的思路。     

基于融合方法的电动汽车动力电池容量衰退预测模型构建与优化

为了构建和优化基于融合方法的动力电池容量衰退预测模型,以准确预测电池容量衰退过程,采用融合方法将机器学习算法和物理模型相结合,通过多种数据源的综合使用来构建容量衰退预测模型。首先,收集并分析实际电池操作数据,充放电过程、温度变化等;然后,利用机器学习算法对数据进行特征提取、模式识别和建模,从而揭示电池容量衰退规律;最后,结合物理模型对电池内部参数进行估计,并与机器学习模型进行融合,获得更准确的容量衰退预测结果。