土木在线论坛 \ 道路桥梁 \ 轨道交通 \ 铜包铝母排轨道的应用现状及使用的特殊需求

铜包铝母排轨道的应用现状及使用的特殊需求

发布于:2015-09-09 08:16:09 来自:道路桥梁/轨道交通 [复制转发]






1固液融合工艺
该工艺是一种用于制备高熔点金属包覆低熔点金属的复合材料的工艺。将高温铝溶液注入铜管,铜管内壁在高温下发生部分熔化,在一定的冷却条件下,铜铝之间发生熔合和界面铜铝扩散,最终获得稳定的铜铝复合材料。该工艺工序少,同时可以实现无氧化界面复合,便于批量生产。
2现状
目前采用爆炸焊工艺生产的接地块在国内外的轨道交通行业都已广泛的在使用,爆炸焊工艺可以生成高质量的铜铝复合界面,并且采用爆炸焊制备的复合材料可以承受多次和多种形式的压力加工,机械加工,以及焊接等后续加工,而不致分层和开裂,因此采用爆炸焊生产的接地块已经得到认可。但爆炸焊也存在着明显的缺点和局限性,主要缺点如下所示:(1)炸药具有危险性,容易让人产生恐惧感。(2)对场地要求高,一般都选择在荒山中。(3)受气候和天气影响较大,无法实现机械化、自动化。(4)由于炸药的填埋等操作全靠人工来操作,因此质量检查和控制存在一定难度。由于这些缺陷的存在,造成目前爆炸焊生产出的接地块产品成本还是偏高,那么能否找到一种更为经济的方式?下文将从接地块的使用需求开始分析,并通过不同产品的实验数据对比,来判断其他加工工艺生产的铜包铝母排能否作为接地块使用。
3铜包铝复合母排作为接地使用的特殊需求
电力行业很早之前就提出了“以铝代铜”的思想,各种铜包铝母排在电力行业已经有成熟的应用业绩,但是电力行业中铜包铝母排的使用需求和轨道交通行业作为接地块使用的需求有一定的区别:(1)电力行业推广的原因侧重于降低成本;而作为轨道交通行业接地块使用时,更多的选择原因是为了利用铜包铝的结构来解决铝合金车体的接地点问题。(2)电力行业使用时,大部分情况下都是交流电,由于集肤效应,大部分电流都从铜包铝排的表面通过。而轨道交通行业直流电的使用位置要多于交流电,因此集肤效应并非轨道交通行业考虑的重点。(3)电力行业中铜包铝作为导线使用时,电流路径是从导线的一端到另外一端的水平传播,且由于集肤效应,电流大多在铜层传播,因此对铜铝复合层的质量要求不是很苛刻,而作为轨道交通行业接地块使用时,电流垂直传播,电流路径为“接地块铜层→铜铝过渡复合层→接地块铝层→车体”,因此对铜铝复合界面的质量要求非常高。复合界面必须要实现稳定的原子间结合,才能顺利的传导接地电流,若复合界面无法实现原子间结合,则铜铝之间反而产生电化学腐蚀,或者铜铝之间产生间隙,则大大增加了铜铝之间的接地电阻率。(4)电力行业的铜包铝母线作为导线使用时,大多采用冷连接的方式,而作为接地块使用时,接地块需承受焊接产生的短时高温,以及车辆运行时产生的振动,承受电流通过时的温升,而不发生分层,这就需要铜铝之间具有一定的结合强度。综上所述,铜包铝复合母排若作为接地块使用,必须保证铜铝之间存在着稳定的原子间结合,以便电流能从铜层顺利过渡到铝层,并且铜铝之间必须有一定的结合强度,满足长期使用要求。
4铜铝界面相图
图2~图4分为固相扩散工艺(图2)、固液融合工艺(图3)、爆炸焊工艺(图4)生产的铜包铝母排的铜铝界面电镜扫描照片,从照片可见,固相扩散工艺(图2)所生产的铜铝界面凹凸不平,不连续,厚度仅有1μm左右。而采用固液融合工艺(图3)和采用爆炸焊工艺(图4)的产品,铜铝复合界面呈现出连续整齐的形态。从电镜相图来看,采用固相扩散的铜铝界面存在不连续的现象,不符合接地块的使用需求,由此可推断,采用固相扩散工艺制造的铜铝母排用作接地块时还存在一定风险,因此先排除固相扩散工艺产品。
5关键参数对比
由于目前大多工艺原始坯料都是先采用将铜管和铝棒复合,然后再机械加工成型的方式,因此铜铝界面除了必须要实现原子间结合,保证电流的顺利传导外,还需要具有一定的强度,才能满足后续的成型、切削、冲孔等工艺,因此还需关注以下参数:铜层和铝层的分离强度及剪切强度。分离强度和剪切强度必须达到一定的数值,才能保证在后续机加工过程中不会发生分层现象。高低温循环实验。接地块在使用时需要承受焊接短时高温以及电流通过产生的温升。90°弯曲实验,若铜铝层结合良好,则整个母排形成一个整体,在弯曲的过程中,整体发生压缩和伸长,反正,若结合情况不好,则在弯曲的过程中很容易产生分层、裂纹、褶皱等现象。表1为相同规格,分别采用爆炸焊工艺及固液融合工艺的产品的相关参数进行对比:从表格数据可见,采用固液融合工艺生产的铜铝复合母排与采用爆炸焊生产的产品参数较为接近,其中固液融合工艺生产的分离强度和剪切强度还要高于爆炸焊工艺生产的母排。
6结论
(1)采用爆炸焊生产的铜包铝复合母排作为接地块目前在国内外已经被广泛使用,实际使用业绩证明爆炸焊工艺生产的接地块能很好的解决铝合金车辆的接地问题,只是目前存在成本和生产控制等方面的问题,需要尝试寻找新的产品。(2)采用固相扩散工艺生产的铜包铝复合母排,由于存在在分界面不平齐、不连续的现象,用于轨道车辆接地块时,存在一定风险。(3)采用固液融合工艺生产的复合母排参数与爆炸焊生产产品的参数非常接近,并且可以实现连续生产,成本较低,可以尝试用于制作接地块。


这个家伙什么也没有留下。。。

轨道交通

返回版块

1.02 万条内容 · 124 人订阅

猜你喜欢

阅读下一篇

深空轨道论文:轨道策划中的寻优算法探讨

常见的寻优算法对于各种约束的处理有两种方式,一种是将其作为寻优的目标函数,第二种方式是限定约束条件的范围,如发射时间窗口限制和转移时间限制。对于轨道设计中的寻优问题,目前采用的寻优策略是全局寻优+局部寻优的方法,即通过全局寻优算法初步确定最优值所在的区域,再通过局部寻优方法确保解的极值性。局部寻优算法局部寻优算法需要给定初值,寻优算法根据目标函数的性质寻找附近的极值。常用的局部寻优算法有Nelder-Mead算法和序列二次规划,优点是不需要任何目标函数或是约束条件的梯度信息,可保证最终逼近最优值,但其收敛较慢,计算量大。序列二次规划算法利用梯度信息,寻找最优解,其优点是在极值附近时能够快速收敛。序列二次规划算法的计算量集中在Hessian矩阵上,计算量随自变量维数非线性增加,因此有了一些简化Hessian矩阵的计算方法,比较有名的(BFGS-LBFGS)即是一种通过一阶偏导数来计算Hessian矩阵的算法。全局寻优算法局部寻优算法的优势是高效率和高精度,然而无法保证全局最优,因此其寻优能力具有局限性。对于深空轨道设计问题,不同极值之间性能指标相差较大,如图。。中最大极值为3.7km/s,最小极值为2.1km/s,可见仅仅局部极值是无法满足设计要求的。经分析,适合在轨道设计中使用的全局搜寻算法主要有遗传算法(GA)、差分进化法(DE)、粒子群算法(PSO)和模拟退火法(ASA)等,下面对各个算法进行简要的说明并通过仿真算例来说明不同算法间的特点。遗传算法(GA):遗传算法(GeneticAlgorithm,GA)由美国J.H.Holland教授首次提出的、以达尔文自然进化论和Mendel遗传变异理论为基础的求解复杂全局寻优问题的仿生型算法。GA基于适者生存,优胜劣汰的进化原则,对包含可能解的群体反复使用遗传学的基本操作进行迭代,不断进化群体,同时以全局并行的搜索技术来搜索寻优全体中的最优个体,以求得满足约束的最优解或准最优解。GA应用广泛,在深空轨道设计中逐渐得到重视[1,4]。作为一种新的全局寻优搜索算法,遗传算法具有简单通用,鲁棒性强,适用于并行处理以及应用范围广的显著特点。差分进化算法(DE):差分进化法是一种新的进化算法,由Storn和Price在1995年提出[5],是一种随机的启发式搜索算法,主要特点是算法简单、收敛速度快,所需专业领域知识少。通过国内外大量研究发现,DE算法具有很强的收敛能力,比较适合于解决复杂的寻优问题。当然差分进化算法也有一些自身的不足,由于DE算法的关键步骤“变异操作”是基于群体的差异向量信息来修正各个体的值,随着进化代数的增加,各个体之间的差异化信息在逐渐缩小,以至于后期收敛速度变慢,甚至有时会陷入局部极值点。针对这一问题文献[6]总结了几种改进方法,改进的方法主要是自适应调整编译因F和交叉概率CR上。粒子群(PSO)算法:一种启发式全局寻优算法,模拟生物群体的社会行为进行进化,充分利用群体内部各个个体之间的关系。粒子群算法最早是由Kennedy和Eberhart于1995年[7]提出。受到人工生命的研究结果启发,PSO的基本概念源于对鸟群捕食行为的研究。PSO在函数寻优等领域蕴含着广阔的应用前景,在Kennedy和Eberhart之后很多学者都进行了这方面的研究。目前已提出了多种PSO改进算法[8,9,10],并应用于深空轨道设计中,具体可参考文献[2]。自适应模拟退火法(ASA):基于热力学理论,即对于高温熔体,分子在其中的运动时不规则的随机的。然而当温度下降到熔点附近时,分子的运动就会受到一定的限制并逐渐趋于低能状态,当能量最小时能量便产生了结晶。Kirkpatrick在1983年基于以上过程提出了模拟退火法,基本模拟退火法不是一个群体寻优算法,文献[11]将模拟退火法转化成一种群体算法,显著地增加其全局寻优性能。基本的模拟退火算法由于收敛精度问题,搜索速度比较慢。目前改进的方法有将其和遗传算法相结合的方法以及采用自适应机制调整控制参数的自适应模拟退火法(AdaptiveSimulatedAnnealing),本文采用自适应模拟退火法。多目标函数寻优方法多目标函数寻优方法可在深空轨道设计将速度增量和转移期这两个不同指标同时作为目标函数,便于在各个目标之间进行权衡,使目标性能尽可能达到Pareto意义下的最优。NSGA2是目前用得最多的一种解决多目标寻优问题的方法,由Deb等在2000年在NSGA基础上进行改进而来,其特点是采用非优超排序和排挤机制。其中非优超排序机制保证搜索过程向Pareto最优收敛,排挤机制保证了Pareto最优解的多样性。原始的NSGA算法复杂度为O(mN3),而采用快速非优超排序后,NSGAII算法复杂度将为O(mN2)。

回帖成功

经验值 +10