多输入Stacking模型融合滚动轴承故障诊断

针对现有单输入模型抗噪声能力不强、泛化能力不足的问题,提出了一种基于多输入Stacking模型融合的滚动轴承故障诊断方法。该方法对滚动轴承的原始振动信号进行预处理,分别对原始信号进行经验模态分解、变分模态分解和多分辨率分析,将3种预处理后的信号输入到改进的卷积神经网络和改进的双输入卷积神经网络中进行训练及测试;各模型通过Stacking方法进行融合,以实现滚动轴承各种类型故障的诊断。结果表明,多输入Stacking模型融合方法的诊断性能优于传统的深度学习模型,在信噪比为5 dB的条件下达到了98.9%的诊断准确率。该模型的故障诊断性能稳定,具有很好的鲁棒性和泛化能力。

聚丙烯木塑复合材料的阻燃改性研究

以硝酸镍和硝酸铝为主要原料,通过原位沉淀法在木粉(WF)表面构筑了层状双氢氧化物(LDH)阻燃层,获得WF@LDH。傅里叶变换红外光谱(FTIR)和X射线衍射(XRD)确定了该阻燃包覆层的化学组成和结构。将WF@LDH用于制备聚丙烯(PP)基木塑复合材料(WPC),并进行了阻燃性能的测试。垂直燃烧(UL94)及极限氧指数(LOI)测试结果表明,WF@LDH虽然在垂直燃烧测试中没有显著改善WPC的自熄性,所有测试样品UL94等级均无法分级,但其LOI随着LDH的增加呈上述趋势。结果表明,LDH可通过原位沉积的方法表面改性WF,且能赋予WF填充的PP复合材料一定的阻燃性。

界面阻燃改性对聚丙烯木塑复合材料燃烧行为的影响

以硝酸镍和硝酸铝为主要原料,通过原位沉淀法将层状双氢氧化物(LDH)构筑于木粉(WF)表面,制备了表层被阻燃改性的WF,命名为WF@LDH。将WF@LDH用于制备聚丙烯(PP)基木塑复合材料(WPC),并通过锥型量热测试(Cone)详细研究了WPC的燃烧性能。WF@LDH质量含量为50 wt%的PP_(50)/WF@LDH-4相较于WF含量为50 wt%的PP_(50)/WF热释放峰值(PHRR)、总热释放(THR)、总烟释放(TSP)分别下降20.9%,29.6%和75.0%,显示出优异的热和烟抑制效果。阻燃机理研究结果表明,LDH在高温下分解产生金属氧化物和水,同时分解形成的保护层通过物理隔绝作用产生一定的燃烧抑制效果,上述作用导致PP_(50)/WF@LDH-4燃烧时的烟和热释放量显著下降。