紫薯花青素提取及其在pH响应显色WPU涂层的应用

探究了紫薯花青素的提取条件,并将其与水性聚氨酯(WPU)复合制备具有pH响应显色性能的功能涂层。研究表明在乙醇体积分数70%,提取时间60 min、料液比1∶10和提取温度65℃的提取条件下,花青素提取效率最高为(143.01±4.11)mg/100g DW。通过涂层酸碱介质pH响应显色实验和涂层基础性能、表面水接触角等测试得出:花青素质量分数高于1.5%的聚氨酯涂层对酸性和碱性介质具有明显的pH响应显色,对酸性介质显红色,碱性介质显黄色,且响应速度快,40 s即可达到最大色差变化,持续时间大于16 h。涂层硬度和附着力在花青素质量分数为2%以内时未见降低,表面光泽度及水接触角则随着花青素添加量增加而略有降低。

飞机飞行参数测量系统的自主供电系统研究

为完成飞机飞行参数实时测量系统供电,研究了一种由柔性太阳能薄膜、超薄锂电池和电压变化及充放电管理电路组成的自主供电系统,完成了系统性能测试。测试结果表明,光照充足时,自主供电系统可在296 min内将1800 mAh无电状态超薄锂电池充电至满电,光照稍弱时则需要386 min;超薄锂电池单独给柔性复合传感测量模块供电时,可使模块满负载工作约625 min;太阳能薄膜+超薄锂电池组合式供电经两个晴天两个阴天测试后锂电池电压由4.15 V降至3.51 V,柔性复合传感测量模块满负载工作1678 min,可见研究的自主供电系统满足飞行参数测量系统长时间稳定供电的需求。

基于转子端数据驱动LSTM-CNN模型的高速旋转系统运行状态识别方法

针对复杂结构高速转轴运行状态难以准确实时监测与识别的问题,提出了一种基于转子系统数据驱动的复合神经网络转轴工况识别方法。首先,提出了一种基于长短期记忆网络(Long short-term memory,LSTM)和卷积神经网络(Convolutional neural networks,CNN)的复合神经网络模型(LSTM-CNN)。然后,建立双盘转子动力学仿真模型,并利用Newmark-β法对转子系统进行数值求解,获得转子系统关键固定节点动力学响应特征;同时基于有限元仿真获得关键旋转节点的动力学响应特征,并将两类数据分别导入LSTM-CNN模型中进行工况识别,并对其准确率和效率进行比较分析。最后,设计搭建高速转子实验平台,获取转子端和固定端数据分别对模型进行训练与验证,比较不同模型对高速转轴运行状态的识别能力。仿真数据与实验验证分析结果均表明基于转子端数据驱动的LSTM-CNN模型识别比传统的基于固定端数据驱动的识别方法具有更优的识别精度和效率。