高温旋转环境下的电子设备热设计

来源 :现代电子技术 | 被引量 : 0次 | 上传用户:wyitzl
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对航空发动机轴上的测试电子设备在发动机舱内高温环境下的散热需求,文中设计一种外部隔热和内部吸热相结合的热控制结构来满足电子设备的正常工作需求,确保电子设备在250℃的高温环境中能持续工作60 min,且电子器件的表面温度不超过规定使用的最高温度.相比其他的散热结构,外部隔热结合内部相变的防护结构具有不依赖于环境温度、成本低、结构简单、可随设备一同旋转的优点.采用热仿真软件ANSYS对隔热结构和相变结构建立模型、设定边界条件、添加材料热物理性能参数,然后进行数值模拟.软件仿真结果表明,文中所设计的热防护结构可以满足电子设备工作温度的需要.
其他文献
通过研究数字交换芯片的组成结构,将数字交换芯片进行了模块化的分割,根据技术指标,利用FPGA技术分别设计了时钟生成模块、数据发送模块、数据接收模块以及微处理器接口模块,最终根据数字交换芯片的“交换模式”与“消息模式”的工作原理对所设计的各个模块进行了组合,完成了数字交换芯片的设计.测试结果表明:基于FPGA技术设计的数字交换芯片实现了“交换模式”与“消息模式”的功能;并且达到了技术指标的要求,实现了32条母线输入和32条母线输出,每条母线输入数据速率与输出数据速率为8.192 Mb/s,通道容量为4096
传统的公交行程时间预测模型由于忽略了历史时刻中的信息,导致预测精度不理想.针对公交行程时间的时序性,提出一种基于LSTM神经网络的预测模型,并引入注意力(Attention)机制对其进行优化.首先,综合考虑多种影响因素,设计了多变量LSTM模块,将当前时刻的行程时间与历史时刻数据相关联,对其中的多维度特征进行信息提取;随后针对单一LSTM网络无法自动识别不同信息重要性的局限性,引入Attention机制,使模型聚焦重点信息、忽略冗杂信息;最后,采用实际公交GPS数据验证了该方法的有效性.实验结果表明,与五
智能制造背景下,机械设备趋于复杂庞大,海量、多源、高维度、非结构的工业数据给系统管理监测带来更大难度,设备的故障诊断与预测更显重要.传统故障诊断与预测方法难以建立准确的数据模型,在设备故障诊断预测应用方面受到很大局限,深度学习以其强大的自主学习非线性数据表示和模式识别的能力在许多领域都有重大突破,在工业设备的故障诊断与预测领域也得到广泛关注.文中对四类经典的深度学习模型:深度置信网络、卷积神经网络、自动编码器及其变体、循环神经网络的网络结构和模型思想作详细介绍,阐述并总结了这四类深度学习模型在故障诊断与预