基于FT-NIR光谱技术结合KPCA-MD-SVM对白酒基酒的快速判别

为保证在摘酒过程中基酒分段的准确,研究通过利用傅里叶变换近红外设备对整个摘酒过程中的基酒样品进行光谱采集,使用支持向量机（SVM）对最优预处理的基酒光谱建立基酒分段模型,其模型训练集的正确率为93.02%,测试集判别率为90.08%。为减少建模时间和提高模型的可靠性,使用核主成分分析（KPCA）对基酒光谱数据降维,并对此建立基酒分段模型。其训练集正确率为94.81%,测试集判别率为90.75%,相比无KPCA分析时的分段模型训练集高1.79%,测试集高0.67%。为进一步提高模型的判别能力,使用马氏距离（MD）剔除了降维后的异常数据样品,创建的基酒分段模型训练集对基酒段数的正确率为98.72%,测试集正确率为98.75%。剔除异常样品后的分段模型的训练集正确率提高了3.91%,测试集判别率提高了8%。以上研究表明了KPCA+MD+ SVM基酒分段模型能对基酒进行快速判别,为近红外光谱在自动化摘酒方面提供了一种理论可能。     

YPO_4:Tb~(3+)荧光材料的高分子网络凝胶法制备与性能

采用高分子网络凝胶法合成Tb3+掺杂YPO4样品,利用XRD、TEM和荧光光谱对合成产物的晶体结构、颗粒尺寸、形貌及荧光性能进行研究,并对Tb3+掺杂浓度、反应体系pH和反应物中稀土与磷的摩尔比对产物的物相结构与荧光性能的影响进行研究。结果表明,采用高分子网络凝胶法合成的YPO4∶Tb3+样品为具有四方晶系磷钇矿结构的单一相YPO4晶体,颗粒尺寸约6~10nm。Tb3+掺杂YPO4样品可被222nm光激发而表现出很强的547nm绿光发射;当Tb3+掺杂浓度高于6%时样品呈现出浓度猝灭现象。反应物中Y+Tb与P的摩尔比直接影响着产物的物相结构与荧光性能;反应体系pH在实验范围内虽对产物的物相结构无显著影响,但对产物的荧光性能有影响。当Y+Tb与P的摩尔比为1∶1且pH为6时,可获得具有高荧光强度的产物。     

高效液相色谱法测定水产品中4-己基间苯二酚

建立了水产品中4-己基间苯二酚(4-HR)残留量测定的高效液相色谱-荧光法.样品经乙腈提取,浓缩后用流动相溶解残渣,正己烷脱脂净化,过滤后供高效液相色谱(HPLC)分析.色谱条件为:WondaSil C18柱(250mm×4.6mm,5μm);以甲醇-水(75:25,v/v)作为流动相,流速为1.0mL/min;荧光检测器激发波长为280nm,发射波长为310nm,外标法定量.结果表明:该方法在0.05 ～ 5.0μg/mL范围内线性关系良好,相关系数R2=0.9998.样品在0.1、0.2、1.0、5.0mg/kg加标水平时,平均回收率为90.9％ ～ 108.4％,相对标准偏差(RSD)为0.8％～8.1％(n=5).方法定量限(LOQ)为0.1mg/kg.     

7A52铝合金水蒸气等离子弧焊接头组织及性能

采用水蒸气等离子电弧技术对10mm厚的7A52铝合金板材进行焊接试验,焊接介质为40%丙酮水溶液,焊丝为ER5356,对焊接接头的力学性能进行了测试分析,对焊接接头的显微组织进行了分析.结果表明,7A52铝合金水蒸气等离子弧焊接头性能较好,焊缝拉伸断口表面存在大量的韧窝,表明焊缝有良好的韧性;热影响区存在软化区域;焊接接头熔合良好,焊缝没有发现异常的气孔、夹渣和裂纹等焊接缺陷.利用水蒸气等离子弧技术焊接73.52铝合金可以得到优良的焊接接头.     

7A52铝合金微动磨损行为研究

利用微动磨损试验机研究7A52铝合金的微动磨损行为,分析不同载荷、振幅、循环次数等参数对摩擦因数和磨损体积的影响,观察分析不同振幅下的磨痕形貌,检测磨痕微区及磨粒的成分组成,探讨其磨损机制.结果表明:7A52铝合金的摩擦因数在不同振幅下的变化趋势不同,微动振幅较大时,实验初期摩擦因数迅速升高,而振幅较小时摩擦因数没有这种现象;磨损体积随着循环次数、振幅、载荷的增加而增加;振幅较小时微动磨损机制主要为磨粒磨损,振幅较大时磨损机制则以黏着磨损和磨粒磨损为主,随着振幅的进一步增加逐渐出现接触疲劳磨损.     

基于卷积深度网络的高压真空断路器机械故障诊断方法

高压断路器执行机构所产生的振动信号蕴含着丰富的机械状态信息。针对传统基于浅层的振动信号分析法存在特征提取和泛化能力等方面的不足,提出一种基于卷积神经网络和长短期记忆网络的混合深度网络。该网络利用卷积层对原始振动数据进行特征转换,结合门控循环单元的局部时域特征表示能力,对故障敏感特征进行提取。通过对10 kV真空断路器振动信号的分析实验表明,所提出的混合网络模型在ROC曲线和PR曲线上的诊断性能要优于广泛应用的支持向量机诊断法。这种端到端的故障诊断策略通过振动信号特征的深度映射能够有效提高机械状态故障识别精度。     

基于注意力增强型编解码网络的化工过程故障诊断

化工过程的数据往往含有动态时序特性,传统故障检测对动态信息的使用率较低,限制了故障诊断性能。针对这个问题,提出了一种基于注意力增强的编解码网络模型的化工过程故障诊断新方法。编码部分利用LSTM提取过程数据的特征信息,结合注意力机制,更加有效地利用过程数据间的动态信息;解码部分利用LSTM并结合注意力机制提供的上下文向量,为归一化指数的回归提供更加精准的状态信息,最后利用归一化指数回归得到各个样本数据的故障类别概率值。结果表明,注意力机制的引入,提高了模型在时域下对过程动态信息的使用效率。针对本文提出的方法,利用田纳西伊士曼过程数据进行了实验,并与标准的PCA-SVM、DBN和ResNet的结果进行了对比。结果表明,该方法诊断故障的效果更加理想。     

一种基于归一化流的地铁道床异常检测方法

通过检测和定位道床上的异常情况,可以有效地确保地铁车辆的安全。基于无监督的异常检测方法由于只需要通过正常图像进行训练,不需要太多难以采集的异常图像,因此得到了广泛的应用。综上所述,文中提出一种基于归一化流的无监督地铁道床图像异常检测和定位方法。将多层特征图交叉融合,以提升模型对图像特征的学习能力。建立地铁道床数据集,利用该数据集训练并验证模型实用性。在MVTec AD数据集上的实验结果表明,文中方法性能优于其他同类算法,与DifferNet和CS-flow相比,所提方法的AUC提高了0.109 3和0.021 8。在地铁道床数据集上,所提方法达到了95.95%的检出率和0.908 3%的误报率。这些结果表明了该模型对地铁道床异常检测的有效性,以及较好的泛化能力。这为人工智能替代人工巡检地铁道床异常提供了一种新的方法。     

自平衡载荷试验在基桩静载检测中的运用

介绍了自平衡荷载检测法在基桩静载检测中的运用原理、检测方法、实际操作中相关注意事项以及后期数据分析处理;分析自平衡法静载试验桩身内力检测原理及自平衡法桩基试桩应用,通过分析得出自平衡荷载检测后对基桩承载力的有利影响.通过对自平衡荷载试验在基桩静载检测中运用的分析可知,自平衡荷载检测法在未来基桩静载检测中拥有广阔的前景.