激光制备石墨烯/镍/铜触头材料及其性能研究

为改善抗电弧烧蚀能力差导致铜合金触头电寿命不足的问题,本文采用激光法在镍镀层增强紫铜表面原位制备大面积石墨烯,形成石墨烯/镍/铜复合材料,提高Cu基触头的使用寿命.设置电沉积电流5 mA,沉积90 s后在铜表面引入平均厚度为25~27μm的Ni过渡层,改善Cu对激光的高反射、高导热问题.通过旋涂石墨碳源在镍过渡层表面,设置纳秒激光功率1.5 W,脉宽150 ns,扫描速度10 mm/s,加工3次,频率250 KHz后进行辐照,在铜镍过渡层表面成功制备了石墨烯独立涂层.对复合材料进行了理论分析和实验验证,取得了相应最优参数下的相关性能数据.结果表明,石墨烯/Ni/Cu复合触头硬度为245.45 HV,是紫铜的3.17倍;接触电阻0.096 mΩ符合国家标准;摩擦系数0.083 7是紫铜的0.73倍;500℃时复合材料导热系数为1 178 W/(m·K),是紫铜的3.43倍.同时,复合材料具有良好的抗氧化性能.本文为新型铜合金触头的制备提供了新的思路和实验基础.

镍基表面石墨烯自修复生长及摩擦性能研究

针对石墨烯纳米级厚度对基底保护耐久性不足的问题,通过热处理方法研究了镍基表面石墨烯膜破损后再次生长的自修复工艺。通过结构与形貌的表征表明,在热处理温度为700℃、保温时间5 min条件下,石墨烯可以再次生长,修复破损表面。摩擦实验测试结果显示,再生长的石墨烯薄膜其摩擦系数为0.05,较原始镍表面的降低了50%。同时探索了其再生长的机理,清晰阐述了石墨烯再生长的驱动力。研究成果可为石墨烯自修复领域提供实验基础和理论解释。

基于改进ANFIS的绝缘子紫外光斑评估方法

绝缘子运行状态的评估关乎到输电工程的安全运行。紫外成像技术提供了一种绝缘子评估的量化手段,为此,提出了一种基于改进自适应神经模糊推理系统(adaptiveneuro-fuzzyinference system,ANFIS)的绝缘子紫外光斑评估方法。首先,搭建了绝缘子污秽放电测试平台,开展了不同测试距离和增益下的绝缘子放电强度研究。其次,将增益以及紫外光斑面积作为训练数据,建立了基于贝叶斯推理的ANFIS模型。最后,进行了现场验证测试。结果表明,该方法具有良好的预测精度和测试效率,适用于绝缘子紫外成像量化评估,为绝缘子运行状态的评估提供了技术支撑。

基于紫外图谱的盘式绝缘子放电强度径向分布研究

为研究盘式绝缘子积污放电的紫外图谱特征,提出了一种基于图像分割的光斑面积计算方法。首先,基于C-V模型,开展积污绝缘子紫外图像径向分布的研究。接着,与红外温度场曲线进行对比研究,验证其合理性。最后,研究不同电阻率、风速情况下积污绝缘子的紫外图谱特征。研究结果表明:C-V模型应用于图像处理中,具有较强的抗干扰性,适用于盘式绝缘子径向放电强度的研究;随着表面电阻率的降低,盘式绝缘子紫外光斑面积会增大;风速对盘式绝缘子放电强度有明显的影响;研究结果可为盘式绝缘子径向放电强度的评估提供一定的参考。

融合探测概率的电力线路点云分类方法

为了解决机载激光雷达在电力巡检应用中的点云快速精准分类问题,从激光雷达探测原理出发设计了一种电力巡检点云分类方法。从激光雷达方程出发建立了电力线、杆塔和地物等不同类型的目标的被探测概率模型,在此基础上将点云网格化并融合探测概率实现了网格点云的参数化描述,基于网格参数设计了点云分类方法完成不同类型的目标点云的快速分类。为验证本文算法的有效性,设计了多组电力巡检点云分类实验,实验结果表明本文所设计的电力线路点云分类方法分类查全率可达到98%,单档电力线点云分类耗时14 s,分类准确率和效率较高。

多模态激光雷达在电力设施自主巡检中的应用

为解决电力线路带状区域机载雷达点云快速采集问题,设计了一种多模态机载激光雷达系统,实现了非对称扫描功能以提高点云采集效率。多模态机载激光雷达系统采用双光楔折射扫描实现了激光脉冲的100%利用,结合伺服驱动技术以实现双光楔的速度和位置精准控制,进而实现了多种扫描轨迹分布的多模态扫描功能,尤其是实现了一种区域点云倍增的非对称扫描方式,提高带状区域点云采集效率。以所设计的多模态机载激光雷达开展了飞行数据采集测试和基于点云的电力线路全自主精细化巡检测试,通过复合翼飞行平台搭载采集了电力线路稠密点云数据,实现了基于点云的无人机全自主精细化巡检作业并对点位重复度进行了评估。试验结果表明,所设计的多模态激光雷达在25 m/s的飞行条件下,往复双航线点云倍增重叠区域点云密度可达到146 pts/m^(2),相比于传统机载激光雷达的数据采集效率提升了4倍以上,基于点云的全自主精细化巡检无人机影像拍摄点位重复度可达到0.15 m,满足无人机精细化作业要求。

基于贝叶斯因子分析模型的激光回波信号增强方法

激光回波易被噪声污染,被干扰或遮挡时会出现数据缺失。针对该问题,提出一种基于贝叶斯因子分析(Bayesian factor analysis, BFA)模型的激光回波信号增强算法。首先利用因子分析(factor analysis, FA)模型对激光回波进行建模,从而将信号增强问题转换为对模型参数的求解问题;然后将自动相关确定(automatic relevance determination, ARD)理论引入FA模型,实现对因子个数的自适应寻优;最后采用变分贝叶斯期望最大(variational Bayes expectation maximization, VBEM)算法对模型参数进行迭代更新,在贝叶斯后验概率最大准则下实现激光回波的噪声抑制和缺失样本恢复。基于实测数据开展试验,在低信噪比和数据随机缺失情况下,所提方法能够获得较好的噪声抑制性能和较高的缺失样本恢复性能,从而保证后续信号处理能够准确采集到回波中的高价值信息。