论文部分内容阅读
文章对比分析了国内外轻型燃气轮机关键部件材料研发和应用的特点,并重点介绍了俄罗斯在轻型燃气轮机材料研发和应用方面的特点,材料种类完整,性能数据全面,便于设计选材;充分利用本国资源优势,大量开发和应用低成本材料;为国内轻型燃气轮机制造厂家和材料研发院所给出建议.
国内外轻型燃气轮机用材的特点
【摘 要】
：
文章对比分析了国内外轻型燃气轮机关键部件材料研发和应用的特点,并重点介绍了俄罗斯在轻型燃气轮机材料研发和应用方面的特点,材料种类完整,性能数据全面,便于设计选材;充分利用本国资源优势,大量开发和应用低成本材料;为国内轻型燃气轮机制造厂家和材料研发院所给出建议.
【机 构】
：
哈尔滨汽轮机厂有限责任公司,黑龙江哈尔滨, 150046
【出 处】
：
东方汽轮机
【发表日期】
：
2022年1期
其他文献
在电缆的接头处,最容易出现过热现象,导致停电甚至电力事故的发生.提出基于光纤测温原理的电缆监测系统,利用分布式光纤测温原理,基于拉曼散射理论,实现对光纤铺设路径中电缆温度的监测.采集的温度信息传输到后台系统,实现电缆温度的实时监测,具有非常好的实际应用价值.
作为墨西哥最令人惊叹的地方之一,圣玛丽亚雷格拉的柱状节理玄武岩不仅是世界上最美丽的地方之一,而且还有一段伟大的历史.被称为墨西哥“第一神奇小镇”的瓦斯卡德奥坎波就是将柱状节理玄武岩这一自然奇观展示给世界的地方.由于柱状节理玄武岩是火山喷发的结果,随着时间流逝和流水的不断侵蚀,抛光了柱状节理并使之产生美丽的光泽.此外,火山喷发还产生了一条具有4个梯级的河流.由此可以看到,水在如此狭小的柱状节理中呈现出奇妙运动,而这正是大自然对作为人类宝贵资源的水提出的奇妙挑战.这就是“水庙”竞赛选址于此的原因.
期刊
形式rn海草屋是胶东半岛当地一种原生态的海味民居.其外表呈浅土色的糊状,配石头墙壁,房顶由从海底捞上来的海草晒干后糊上去,却非常坚实耐久,房子内冬暖夏凉.制造海草屋的技艺被列入省级“非遗”名录,在鸡鸣岛上还留存着不少如童话般的海草屋,去旅游打卡的时候值得住上一晚.
期刊
基于游离微珠摩擦辅助原理,设计了一台阴极平动及自旋转的专用电铸装置.通过电铸试验研究了硬质粒子摩擦、阴极电流密度和阴极平动速率对电铸层表面形貌和显微硬度的影响.结果表明,电铸过程增加硬质粒子微磨削能够显著改善电铸层的表面质量.随着电流密度从1 A/dm2升高到6 A/dm2,电铸层的显微硬度降低,表面质量变差.当阴极平动速率从10 mm/s增至30 mm/s时,电铸层的显微硬度升高,表面质量得到改善.当电流密度为1 A/dm2,平动速率为20 mm/s时,电铸层的显微硬度较高,约为325.4 HV.
针对传统双向半桥LLC谐振变换器反向工作增益范围较窄的问题,提出了通过移相控制和变频控制相结合的变模式控制策略.反向输入电压较低时,采用移相控制提升电压增益;反向输入电压较高时,采用变频控制实现一次侧开关管零电压开通和二次侧整流二极管零电流关断,降低开关损耗.首先对升压模式进行了数学建模,推导了其增益公式,并通过MATLAB仿真验证该策略的科学性.该控制策略在不增加辅助元件的情况下,增大了LLC变换器的增益控制范围,提升了工作适应性.
设计了一种基于电流激励信号的石墨四电极电导率数字传感器.微控制器的数模转换器DAC产生特定频率的正弦电压参考信号,该信号通过改进型How land电路转换成精密电流激励信号.采用石墨四电极电导率传感器配合高输入阻抗仪表运算放大器AD8220,极大程度减小了电极的激化效应,提高了测量精度.在电流激励输出端和仪表运算放大器输入端增设限流电阻和超低漏二极管,有效避免了外界电气过应力对电子元器件的损害.应用快速傅里叶变换FFT技术计算激励响应的幅值信号,提高测量精度和抗干扰能力.
SS4B电力机车仪表本身精度较低,传统工艺装车前不能进行测试,在整车调试中出现故障时也不易判断原因.介绍了一种用于SS4B电力机车仪表的传感器测试系统,实现装车前仪表、传感器的测试及选配.
储能的发展对双向DC/DC变换器的传输效率有较高的要求,为此提出一种基于最大传输功率的双向全桥DC/DC变换器扩展移相控制策略,并采用奇异摄动法建立了扩展移相控制下变换器的小信号模型.最后,基于MATLAB/Simulink搭建仿真模型,仿真实验结果验证了该策略的有效性和可行性.
为了提高短期电力负荷预测的精度,提出一种基于极端梯度提升和长短期记忆网络的组合预测方法.首先采用Spearman相关系数法对负荷与气象因素进行相关性分析,提取模型输入特征.然后分别建立XGBoost、LSTM预测网络,并采用遗传算法优化网络的参数.最后利用模拟退火算法对各网络的预测结果分配最优权重系数,通过加权组合得到最终的集成预测结果.实验结果表明,XGBoost和LSTM组合模型对短期电力负荷预测的平均绝对百分比误差为0.88％,与XGBoost模型、LSTM模型相比,误差分别降低了2.17％、1.9