弛张筛筛分效果影响因素及发展趋势分析

潮湿细粒煤炭深度筛分是煤炭筛分中的热点和难点,弛张筛以筛分效率高、处理能力大、筛孔不易堵塞、适应性强的特点具有广泛的应用前景和市场潜力。介绍了弛张筛的工作原理、筛分效果影响因素及应用情况,并阐述了弛张筛的发展趋势。     

上海第二工业大学老年教师体质测试研究报告

使用Inbody220身体成分测试仪和GE express超声骨密度测试仪,对上海第二工业大学96位老年教师分别进行了骨密度和身体成分相关指标的测试。身体成分测试结果显示,本次测试中女教师的骨密度状况要好于男教师,腹部肥胖情况较男教师严重,体脂超标率也高于男教师,并且该年龄段男性的肌肉质量分数大于女性。测试人群的整体体质健康状况不是很理想,建议部分老教师多进行体育运动,健康饮食,塑造健康体魄。     

特征选择在电子鼻系统阵列优化中的应用

阵列优化是优化电子鼻系统性能的重要方法之一,其通过特征选择来确定阵列中合适的传感器数目和种类,进而优化传感器阵列。特征选择一般有搜索性和非搜索性两类方法。实验采用广义顺序前进算法、标准遗传算法、模拟退火算法和随机搜索算法4种搜索性特征选择算法,实现了可燃性液体检测实验中的阵列优化。比较了这4种算法的搜索策略,同时,还对搜索性特征选择算法中常用的5种类别可分性准则进行了比较。结果表明:广义顺序前进算法在本实验条件下具有较优的搜索效率;而基于类内类间距离的准则J3更能准确反映特征集的类别可分离性。     

淮南望峰岗选煤厂煤泥可浮性试验研究

为提高望峰岗选煤厂精煤产率,从煤泥的粒度组成、可浮性两方面出发,对望峰岗选煤厂入浮煤泥进行全面试验分析,并对浮选药剂进行选择试验。试验结果表明:当矿浆浓度为100 g/L时,以柴油为捕收剂、ZA21为起泡剂,且用量分别为800 g/t、60 g/t时,浮选效果最好。采用柴油、ZA21复合药剂比单纯使用CMC降灰效果更好,且经济适用,有效简化了望峰岗选煤厂浮选工艺流程。     

基于模糊逻辑控制的燃料电池混合动力汽车能量管理策略究

随着环境问题和能源紧缺问题的日益严重,燃料电池混合动力汽车（FCHEV）作为一种可持续和高效的交通工具逐渐受到关注。能量管理策略是FCHEV设计和开发中的重要内容之一,其性能很大程度上影响车辆的动力性和经济性。以非插电式燃料电池/动力电池混合动力汽车为研究对象,提出一种基于模糊逻辑控制（FLC）的能量管理策略,以改善车辆运行的燃料经济性,同时使动力电池荷电状态尽可能维持在初始水平。首先,在Matlab中建立燃料电池混合动力汽车后向仿真模型,作为能量管理策略研究的仿真平台;其次,以车辆运行需求功率、动力电池荷电状态和燃料电池输出功率为关键变量,在确保满足车辆运行功率需求的前提下,以减少氢耗和维持动力电池荷电状态为原则,进行模糊规则设计;最后,分别将所提策略和功率跟随策略在新欧洲驾驶循环（NEDC）下进行仿真实验。仿真结果表明,与功率跟随策略相比,所提出的基于模糊逻辑控制的能量管理策略使车辆运行燃料经济性提高了17.13%,动力电池荷电状态维持能力提高了68.72%,同时,燃料电池启停次数减少,燃料电池性能衰退也随之减少,验证了所提策略的有效性。     

基于客户需求的大客户服务管理

大客户具有用电量大、供电可靠性要求高、对电网威胁大的特点。针对客户资金投入不足和技术管理上的短板,枣庄供电公司进一步发挥营销管理部室专业技术力量优势,深化专家型彩虹共产党员服务队建设,创新构建供电企业与重要客户一对一“生产性”服务管理模式。深入所辖京沪高铁、煤矿化工等百余家高危和重要客户进行全面梳理和分析,提供安全管理、设备诊断治理、用电人员技术培训、节能服务等技术支持。指导客户实施合同能源管理,开展能效分析,帮助其合理避峰、错峰,降低用电成本,实现政府、客户与供电企业的共赢,让客户切身感受到公司“为民服务创先争优”的新成效。     

特征提取及其在电子鼻对可燃液体识别中的应用

利用6只TGS传感器组成的阵列对4种常见的易燃液体和3种不可燃饮料进行测试,并选用4种有代表性的特征提取方法,主元分析法(PCA)、Fisher判别法(FDA)、自组织映射(SOM)、Sammon映射法(Sammon map)作为数据预处理方法,并用3种模式识别方法对预处理后的数据进行识别。结果表明:在各种特征提取方法的处理下,可燃类和不可燃类样本都能被准确地区分,而只有在有导师的特征提取方法才能有效地识别各个可燃液体类子类和不可燃液体类子类的样本类别,最佳的投影维数与各特征提取方法有密切联系,而最优的模式识别方法则与数据的分布有关。     

基于车联网数据的坡度预测研究

道路坡度信息作为车辆行驶中动力性、经济性和智能化控制中的重要部分,其良好的预测精度对车辆的能量管理、制动辅助及预测性驾驶控制策略的制定具有重要作用,在道路规划、车辆导航中具有重大的应用价值,为智能导航、智能交通系统等提供数据支撑。为实时计算车辆行驶过程中的坡度状况,该研究采用来自车联网车辆实时采集的车速和GPS信息对车辆运行过程中坡度情况进行估计。考虑到坡度计算结果具有实时性且短时内对先前坡度信息具有一定的依赖。在坡度估计信息的基础上,构建了基于长短期记忆模型（LSTM）的坡度预测模型。为验证所提出的坡度估计方法及预测模型的有效性,利用一半挂车的自然驾驶数据对坡度进行估计计算,并将其作为预测模型的数据基础,利用基于LSTM的坡度预测模型进行对应的模型构建、参数初始化、训练及预测,并将预测结果与GRU模型进行对比。结果表明,所提出的坡度估计方法能有效地对车辆行驶过程中的坡度情况进行实时估计,采用基于LSTM的坡度预测模型对道路坡度预测具有较高的预测精度,其均方根误差和平均绝对误差分别为16.71和3.38,均优于GRU模型。