圆管平板-波纹翅片管换热器空气侧流动换热特性的数值模拟

应用软件Fluent对冷凝器常用的平片和波纹翅片管换热器空气侧流动与换热过程进行三维数值模拟.采用求解压力耦合方程组的半隐式方法(SIMPLE)进行迭代计算求解,对平板翅片,均匀波纹翅片和前平板-后波纹翅片三种模型,对进口流速在0.5-5m/s(雷诺数范围140.5～1405)时分别进行了计算,获得所需截面上的场分布图,给出了换热量、压降、单位压降换热量和单位泵功换热量随空气流速变化关系曲线以及拟合努塞尔数、阻力系数和雷诺数之间的对数关系曲线.根据各参数等值线分布图,拟合曲线图,对三种翅片进行对比分析,得到各翅片的流动和换热规律.总之,波纹翅片的传热性能远高于平板翅片,但相应的阻力损失也较大;均匀波纹翅片努塞尔数最大,换热效果最好.

氯化钾浮选阴阳离子混合型捕收剂的复配与应用

氯化钾是重要的钾肥,主要通过浮选法从盐湖光卤石矿中分离提取,浮选过程中起核心作用的是捕收剂。但在以传统的十八胺为捕收剂生产氯化钾时,低温下浮选收率较低。基于此,采用药剂复配法开发了一种适用于低温正浮选生产氯化钾的阴阳离子混合型捕收剂。通过接触角和表面张力的测定,初步确定混合捕收剂的最佳配比为x(十二胺)∶x(十八胺)∶x(十二烷基硫酸钠)=20%∶60%∶20%。浮选实验表明,混合捕收剂对氯化钾的浮选收率明显高于十八胺;并且当浮选液相温度降至5℃时,混合捕收剂仍对氯化钾具有良好的捕收能力。

基于PSO-PNN与CV-SVM的旋转机械故障诊断研究

不同类型的旋转机械发生故障时会激发出不同特征的振动信号。针对旋转机械故障点位判断难、复合故障判断不准确等问题,构建了概率神经网络(PNN)以及支持向量机(SVM)这两种人工智能模型,并采用该模型对旋转机械进行了故障识别研究。首先,采集了研究对象各故障状态下的振动信号,对振动信号的时域和频谱进行了分析,根据振动信号的特征表现,分别将原始振动信号幅值和振动信号特征值作为人工智能模型的输入向量;然后,利用粒子群算法(PSO)对概率神经网络的输入参数进行了优化,利用交叉验证法(CV)对支持向量机的输入参数进行了优化;最后,建立了概率神经网络和支持向量机故障诊断模型,对旋转机械故障进行了诊断,并对比分析了诊断结果。研究结果表明:基于PSO-PNN模型的旋转机械故障识别准确率在97%以上;基于CV-SVM模型的旋转机械故障识别准确率在98%以上;这两种人工智能方法在用于旋转机械故障诊断时具有速度快、准确率高的优点;其中,PSO-PNN方法适用于旋转机械故障实时监测,CV-SVM方法适用于旋转机械复杂故障的识别。

基于SOM神经网络的旋转机械智能故障诊断

制造业等多个工业领域都大量使用旋转机械设备,机械故障可能会造成巨大经济损失甚至灾难性事故,但旋转机械发生机械故障的点位多,机械故障表象特征不明显,不易判断故障点位,采集旋转机械本体的振动信号,用于对旋转机械故障进行智能诊断极其重要。利用加速度传感器采集旋转机械4种状态(正常状态、基座松动、传动带破损和轴承破损故障)不同转速下的振动时域信号,在Matlab中进行多种信号特征量的提取,并以这些特征参数作为输入向量,建立SOM神经网络模型进行故障诊断,网络初始化需要用随机数设定输入层和映射层之间的权值初始值并对其进行归一化,形成输入层和竞争层组成的神经网络,其中竞争层也叫输出层,输入层神经元与竞争层的每一个神经元相联接,测试样本进入到SOM神经网络中的竞争层,会被与之映射最为强烈的神经元获得,即为获胜神经元,当输入新样本时,网络模型会以拓扑结构的形式输出分类结果。试验结果证明,SOM神经网络能够有效实现旋转机械故障的分类和诊断,判断旋转机械的故障位置。

对《压力容器波形膨胀节》2018版新标准的理解及分析

针对GB/T 16749-2018《压力容器波形膨胀节》最新版的修订内容,提出几个在应用过程中经常遇到的诸如成形减薄量、成形变形率、疲劳累计损伤、HZ型膨胀节不适应疲劳工况、直边长度、许用疲劳次数等有关问题及其相关理解.借鉴国外EJMA、ASME VⅢ-1&2和EN 13445-3标准进行分析,并对解决方案进行探讨。将有助于大家对新标准的理解和运用,也为今后对标准内容的进一步完善和适应范围的进一步扩大提供一定的参考。