基于声发射原理的矿井掘进机故障诊断技术研究

针对在我国各大矿区广泛应用的EBZ160悬臂式掘进机,基于声发射原理及技术,设计一套掘进机故障诊断声发射检测系统,获得各种故障的声发射数据样本,同时借助小波神经网络的迭代收敛性质,对故障数据样本的精确度进行验证,正确率较高,能够较好地应用于井下掘进机的故障诊断.     

高性能碳基储能材料的设计、合成与应用

电化学储能器件的性能很大程度上决定于其电极材料。碳材料具有来源广泛、化学稳定性好、易于调控、环境友好等优点，被广泛应用于各类能量存储系统，但仍存在能量密度低、倍率性能差等问题。本文从碳材料孔结构调控、杂原子掺杂、与金属氧化物复合三个角度，综述了构建高性能碳基储能材料的设计合成策略，介绍了其在锂/钠离子二次电池、超级电容器等领域的研究进展，对几种方法策略的优缺点进行了总结，并对未来的研究方向进行了展望。本文对高性能碳基储能电极材料的设计开发具有积极意义。     

电感耦合等离子体原子发射光谱法测定高铋铅中铜、铁、镍、镉、砷、锑、铋

采用硝酸-酒石酸溶解高铋铅样品,保持10%硝酸介质浓度,对不同浓度范围的元素进行分液,实现了电感耦合等离子体原子发射光谱仪对高铋铅中铜、铁、镍、镉、砷、锑、铋7种元素的同时测定。通过试验,比较了不过滤直接测定以及过滤-滤渣补正两种方式,滤渣中待测元素含量极低,选择不过滤直接测定的方法。进行了干扰元素试验,并界定了最大干扰量。7种元素在一定的质量浓度范围内与其发射强度呈线性关系,测定值的相对标准偏差(n=7)在0.56%~9.78%之间。     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。     

基于小波降噪和循环神经网络的煤矿瓦斯浓度预测

在瓦斯浓度监测数据分析中发现,瓦斯浓度序列往往呈现出较强的随机性和复杂性,时序数据中含有的噪声会对数据的预测结果产生干扰。为了减少数据中的噪声所带来的负面效果,提出了一种将小波阈值降噪与LSTM(长短期记忆网络)相结合的瓦斯浓度预测模型。通过将原始数据进行分解、阈值处理和重构,对时序数据中的噪声进行剥离,再通过LSTM模型进行预测分析,与普通LSTM和RNN网络进行比较,结果表明,所提出的基于小波降噪的LSTM的瓦斯浓度预测模型在精确度和泛化能力上都具有更好的表现。