石油产品蒸馏实验的改进

目前我校化工教学实验每次只是单独使用一种蒸馏方法,分别为实沸点(TBP)蒸馏、恩氏蒸馏、克氏蒸馏实验。为使学生将所学知识用于解决石油炼制领域的实际问题,针对炼油厂实际情况,选用不同石油产品,在开设实沸点(TBP)蒸馏、恩氏蒸馏、克氏蒸馏实验的同时,开设气相色谱模拟蒸馏实验。学生需掌握模拟蒸馏数据与其他蒸馏方法特点,同时考察各蒸馏数据的准确性。

二元系简单蒸馏与平衡蒸馏的关系

Rayleigh方程是描述与时间相关的简单蒸馏的基础方程,广泛应用于同位素分馏等多个学科领域,但在化工分离的领域却鲜见报道。针对上述问题,基于组分净摩尔量建立了简单蒸馏的Rayleigh方程和平衡蒸馏的数学模型,并利用数学积分和差分关系,以N级串联平衡蒸馏建立了描述简单蒸馏的计算模型,从而揭示了简单蒸馏与平衡蒸馏间的理论关系。最后利用N级串联平衡蒸馏的数学模型,在N趋于无穷条件下推导出Rayleigh方程。结果表明:Rayleigh蒸馏是简单蒸馏的一种特殊操作工况,其特征为汽化率和加热速率趋于无穷小,蒸馏所需时间无限长。因此,Rayleigh蒸馏更适用于同位素分馏过程。

蒸汽蒸馏法对葡萄酒酒精度的快速测定及应用

为改善水浴加热蒸馏法的不足,提高葡萄酒酒精度检测效率,借助凯氏定氮仪,基于蒸汽蒸馏法测定葡萄酒酒精度,并进行精密度、回收率试验以及蒸汽蒸馏法和水浴蒸馏法的对比试验,并作测定方法不确定度分析和教学实验应用验证。结果表明,蒸汽蒸馏法对葡萄酒样品酒精度测试值的变异系数均小于水浴蒸馏法;蒸汽蒸馏法可在4 min之内结束蒸馏过程、检测时间缩短一半左右,标准品的乙醇浓度与酒精度测定结果在≤40%体积分数范围内线性关系良好,加标样品酒精度测试标准差0.13~0.45、加标回收率98.55%、RSD均值1.45%,操作简便高效,测试结果准确度高,可推广应用于生产检验或科研教学,并据此结果对葡萄酒酒精度快速测定自动蒸馏仪进行了初步设计与改进。

一种针对BERT模型的多教师蒸馏方案

在传统的知识蒸馏中,若教师、学生模型的参数规模差距过大,则会出现学生模型无法学习较大教师模型的负面结果。为了获得在不同任务上均拥有较好表现的学生模型,深入研究了现有的模型蒸馏方法、不同教师模型的优缺点,提出了一种新型的来自Transformers的双向编码器表示(Bidrectional Enoceder Respresentations from Transformers,BERT)模型的多教师蒸馏方案,即使用BERT、鲁棒优化的BERT方法(Robustly optimized BERT approach,RoBERTa)、语言理解的广义自回归预训练模型(XLNET)等多个拥有BERT结构的教师模型对其进行蒸馏,同时修改了对教师模型中间层知识表征的蒸馏方案,加入了对Transformer层的蒸馏。该蒸馏方案在通用语言理解评估(General Language Understanding Evaluation,GLUE)中的多个数据集上的实验结果表明,最终蒸馏实验的结果较为理想,可以保留教师模型95.1%的准确率。

基于排序蒸馏的序列化推荐算法

为解决当前基于知识蒸馏的推荐算法排名有效性和效率低,以及现有知识蒸馏模型更强调的是静态和单一知识迁移的问题,提出一种基于排序蒸馏的序列化推荐算法。训练一个性能优越、规模大的教师模型,训练一个符合移动终端设备的小模型即学生模型,使学生模型在教师模型的指导下学习排序。学生模型实现了与教师模型相似的排名性能,且学生模型规模较小提高了在线推荐效率。通过在数据集MovieLens和Gowalla上的实验,验证了该模型增强了学生模型的学习效果,缓解了学生模型学习不充分导致排名不佳的问题。模型可以自然地运用于序列化推荐的模型中,具有很好的通用性。

属性蒸馏的零样本识别方法

零样本识别是计算机视觉领域最具挑战性的任务之一,其关键在于如何从已见类中学到稳定和可迁移的知识。为提高零样本识别的准确率,对零样本识别问题进行了系统研究,并利用知识蒸馏的思想,精心设计了一个简单有效的属性蒸馏分类器。它符合人类认识事物的过程,首先从Vision Transformer大模型中获得全面细致的视觉特征,再运用属性概念蒸馏出物体的属性知识,最后迁移到未见类识别任务中。公开数据集上的实验表明,该方法取得了具有竞争力的结果,其识别准确率虽略低于最新的属性引导算法,但优于其他传统方法,而且识别架构简单具有更快的处理速度。同时,研究也指出了减少属性描述的稀疏性,以及增加多视角高清图像,将有利于提高零样本识别方法的准确率。

从元代“汗酒”看中国蒸馏酒起源

元代的蒸馏酒虽有“汗酒”“烧酒”“重酿酒”等汉语名称,但一度流行的“阿剌吉酒”等音译名称,使得中国蒸馏酒起源成为颇具争议的国际性学术问题。本文在系统梳理史籍所载“汗酒”及其制备用具的基础上,结合考古发现的相关资料,通过“汗酒”名称和蒸馏器具渊源的探析,认为“汗酒”之名理应源自历史典故“汗出如浆”,而制备“汗酒”的酒铛实乃釜、甑等多件套甗式蒸馏器。尤其“酒铛”与古代蒸馏器实物的相互对应,有助于重新审视中国蒸馏酒、蒸馏器的起源及演化历程。

白居易诗酒中的蒸馏酒探微

含义隐晦的酿酒用语,可能是引发中国古代蒸馏酒源起争议的重要原因。本文以深谙酿酒之道的白居易诗酒作品为据,借助酿酒工艺学及蒸馏原理,以“知酒读诗”的方式展开讨论。白居易的酿酒之法涵盖了蒸馏工艺,醇浓清澈的酒中“沆瀣”“醍醐”当为蒸馏酒之俚语,而“干酿酒”之名又当源于固态酒醅的无水蒸馏工艺。在证实唐代蒸馏酒及酿酒蒸馏工艺演进特点的基础上,也揭示出酿酒工艺学对于释读诗酒作品的特殊意义。

不同蒸馏工艺的葡萄白兰地发酵酒品质比较分析

在浩瀚的酒类世界中,葡萄白兰地以独特的韵味和深厚的文化底蕴赢得了全球品酒师与酒类爱好者的青睐。葡萄白兰地是一种由葡萄酒蒸馏制成的烈性酒,蒸馏会增加乙醇浓度和芳香成分,其中,温度是影响葡萄白兰地香气成分的关键因素之一。本文对不同蒸馏温度下生产的葡萄白兰地的品质进行了对比,有助于深化对蒸馏过程中物质转化机制的科学理解,为蒸馏工艺的理论研究提供实验依据和数据支持。

减压蒸馏技术制备脱醇葡萄酒的感官品质评价与工艺优化

本文采用单因素实验和正交实验相结合的方法,系统研究了减压蒸馏工艺参数对脱醇葡萄酒感官品质的影响。结果表明,蒸馏温度、真空度是影响脱醇葡萄酒感官品质的关键因素,最佳脱醇工艺参数组合为蒸馏温度30℃、真空度50mbar、蒸馏时间30min。在此条件下,葡萄酒的色泽、香气、口感和整体品质最优。

应用人工智能的蒸馏工艺

大多数人能够想象到人工智能会画图、写文本或执行编程任务。但是人工智能是否可以帮助工厂操作人员控制蒸馏过程呢?令人惊奇的是,即使在复杂的蒸馏过程中,使用人工智能也可以胜任这项任务。自2022年初以来,ENEOS Materials公司就使用了人工智能解决方案控制蒸馏作业,而且在人工智能控制该公司化工厂蒸馏塔几乎一整年的时间内,都实现了平稳运行并表现出高水平的性能。据参与该项目的人员称,其结果在各个方面都令人满意,如更有效地利用原材料和能源流,在保证产品质量的前提下降低了对环境的影响,并实现了经改进的、稳定的运营流程。

不同酵母发酵的白兰地基酒在蒸馏前后的香气分析

本研究旨在探究以不同酵母(71B、KD、F33、K1、FC9DP、D254、FC9)酿造的新疆产区的白兰地基酒及其新蒸馏白兰地原酒在挥发性风味物质及香气特征的差异。通过对不同样品进行全二维气相色谱-飞行时间质谱分析结合感官定量描述分析。结果显示,添加酵母D254的基酒香气物质总量最高,果香、花香、木质香气特征更突出;在蒸馏后,添加酵母FC9和FC9DP的酒样香气属性更为丰富,其中花香、果香、木质香气属性突出,此外,FC9DP酒样香气化合物相对含量也最高。对比蒸馏前后的基酒,结果显示,除了酚类化合物及内酯类化合物,大部分香气化合物的相对含量皆在蒸馏后有所增加,其中FC9DP样品的酯类、醇类、酸类及萜烯类化合物增加最为明显。此外,经过蒸馏,基酒去除了生青味和酸味的不良气味特征,香气品质有所改善。该研究可为白兰地酿造工艺的进一步改进提供数据参考。

基于区块链的联邦蒸馏数据共享模型研究

零散、孤立的海量数据形成“数据孤岛”使得数据无法交互和连接,如何在保护原始数据隐私的前提下安全有效地共享数据中的知识信息已成为热点研究问题。基于以上内容,提出了一种基于区块链的联邦蒸馏数据共享模型(BFDS)。区别于中心化架构,采用区块链联合多参与方组建教师网络,实现分布式协同工作;通过交换蒸馏输出的方式,传递数据中的知识信息,联合训练轻量化模型;提出了一种多权重节点可信评估算法,调用智能合约分配权重并生成可溯源全局软标签,降低因参与方质量差异而产生的负向影响。实验结果表明,BFDS模型能联合多参与方安全可信共享数据知识,协同蒸馏训练模型,降低了模型的部署成本;所提出的多权重节点评估算法能有效减小低质量节点的负向影响,提高了全局软标签的质量与安全性。

一种基于信息熵迁移的文本检测模型自蒸馏方法

前沿的自然场景文本检测方法大多基于全卷积语义分割网络,利用像素级分类结果有效检测任意形状的文本,其主要缺点是模型大、推理时间长、内存占用高,这在实际应用中限制了其部署.提出一种基于信息熵迁移的自蒸馏训练方法(Self-distillation via entropy transfer,SDET),利用文本检测网络深层网络输出的分割图(Segmentation map,SM)信息熵作为待迁移知识,通过辅助网络将信息熵反馈给浅层网络.与依赖教师网络的知识蒸馏(Knowledge distillation,KD)不同,SDET仅在训练阶段增加一个辅助网络,以微小的额外训练代价实现无需教师网络的自蒸馏(Self-distillation,SD).在多个自然场景文本检测的标准数据集上的实验结果表明,SDET在基线文本检测网络的召回率和F1得分上,能显著优于其他蒸馏方法.

基于场协同理论的热空气吹掠型太阳能蒸馏器对流传热性能优化分析

以热空气吹掠型太阳能蒸馏器为研究对象,利用数值模拟结果和均匀设计法分析蒸馏器内流动与传热场协同角的变化规律和影响因素。结果表明,影响场协同角的主要因素是热空气进口速度,热空气进口温度和水温的影响不显著。在蒸馏水温30~70℃、进口空气温度40~90℃,进口空气速度为8 m/s时平均传热场协同角最小,为73.14°,传热系数最大,可达到同等条件下自然对流传热系数的4倍。

基于SPWVD与知识蒸馏的行星变速器故障诊断研究

行星变速器运行工况多是非平稳运行工况,运行过程中齿轮啮合振动信号相互耦合导致测试信号混叠,其隐藏故障诊断难度增大;同时应用复杂的神经网络模型进行故障诊断预测时多数会收到工业现场边缘计算设备硬件的限制。针对相关问题,在保证行星变速器故障诊断准确率的情况下减少网络模型的参数量,提出了一种应用平滑伪维格纳-威利分布(smooth and pseudo Wigner-Vile distribution, SPWVD)与知识蒸馏结合的智能识别模型用于行星变速器故障诊断。首先,利用集合经验模态分解(EEMD)方法将多分量振动信号分解后选取单分量信号进行SPWVD计算后线性叠加得到二维时频图作为输入,以ResNet101为教师模型指导学生模型MobileNet进行训练,复杂教师模型将数据中的知识传授给学生模型,提高了学生模型的精度。将该方法与同类方法进行了对比,结果表明,模型以牺牲2.43%准确率为代价,存储成本下降为教师模型的24.55%,相较未知识蒸馏的MobileNet的准确率提高了9.61%,实现模型轻量化。本研究方法对提高深度学习模型在工程实际应用,降低边缘计算设备部署成本提供了一种有效且可行的解决方法。

基于CAPE-OPEN标准的简捷炼油过程建模及常减压蒸馏流程在线模拟

简捷炼油过程模型广泛应用于运行监测、在线计算、实时优化等领域,但大多数模型只是将输入、输出变量进行关联,无法计算出各组分流量组成,难以集成在模拟软件中进行全流程模拟。本研究简化了炼油分离过程,开发了基于CAPE-OPEN标准的简捷炼油塔模型。首先,将炼油过程简化为连续的分离单元,根据实际产品数据校正模型参数,实现某一实际工况流程模拟;其次,将模型参数与实际工况操作变量数据相结合,采用径向基函数插值确定操作变量对模型参数的影响关系,实现多种工况流程模拟;最后,通过常减压蒸馏工业装置实例的3种工况进行验证。结果表明:各工况模拟结果与Aspen计算结果相比,初馏塔塔顶油馏出温度点偏差大多在2%以内,常减压蒸馏塔各侧线油的馏出温度点平均偏差在3%以内;与实际结果相比,平均误差都在5%以内,符合工程允许误差范围要求。所建模型的计算速度快,各塔均在0.2 s左右完成计算,适用于在线生产、调度等。

不同蒸馏方式对岗松精油得油率与成分的影响

为探索蒸馏工艺对岗松(Baeckea frutescens)精油品质的影响,采用水中蒸馏、水上蒸馏、扩散蒸馏、复蒸蒸馏和同时萃取蒸馏5种蒸馏方式提取岗松枝叶精油,对精油得油率和成分进行分析。结果表明,复蒸蒸馏精油得油率最高。采用复蒸蒸馏获取岗松精油时,设置液料比8∶1,蒸馏2 h,得油率为1.101%;精油中,β-蒎烯、4-松油醇、1,8-桉叶素和芳樟醇含量均符合广西地方标准DB45/T 1064—2014对特征组分的要求。试验结果可为岗松精油工业化生产提供参考。

CheatKD:基于毒性神经元同化的知识蒸馏后门攻击方法

深度学习模型性能不断提升,但参数规模也越来越大,阻碍了其在边缘端设备的部署应用。为了解决这一问题,研究者提出了知识蒸馏(Knowledge Distillation,KD)技术,通过转移大型教师模型的“暗知识”快速生成高性能的小型学生模型,从而实现边缘端设备的轻量部署。然而,在实际场景中,许多教师模型是从公共平台下载的,缺乏必要的安全性审查,对知识蒸馏任务造成威胁。为此,我们首次提出针对特征KD的后门攻击方法CheatKD,其嵌入在教师模型中的后门,可以在KD过程中保留并转移至学生模型中,进而间接地使学生模型中毒。具体地,在训练教师模型的过程中,CheatKD初始化一个随机的触发器,并对其进行迭代优化,以控制教师模型中特定蒸馏层的部分神经元(即毒性神经元)的激活值,使其激活值趋于定值,以此实现毒性神经元同化操作,最终使教师模型中毒并携带后门。同时,该后门可以抵御知识蒸馏的过滤被传递到学生模型中。在4个数据集和6个模型组合的实验上,CheatKD取得了85%以上的平均攻击成功率,且对于多种蒸馏方法都具有较好的攻击泛用性。

基于CenterNet的多教师联合知识蒸馏

介绍了一种基于轻量化CenterNet的多教师联合知识蒸馏方案。所提方案能有效解决模型轻量化带来的性能恶化问题,可以显著缩小教师模型和学生模型之间的性能差距。将大规模复杂模型作为教师模型,指导训练轻量化学生模型。相比于模型的传统训练方案,使用所提知识蒸馏训练方案可以在相同的训练轮数后使轻量化模型达到更优的检测性能。主要贡献是提出了适用于CenterNet目标检测网络的新型知识蒸馏训练方案——多教师联合知识蒸馏。在后续实验中,进一步引入了蒸馏注意力机制,从而优化了多教师联合知识蒸馏的训练效果。在VOC2007数据集(Visual Object Classes 2007 Dataset)上,以MobileNetV2轻量化网络作为主干网络为例,相较于传统的CenterNet(主干网络为ResNet50),所提方案在参数量指标上压缩了74.7%,推理速度提升了70.5%,在平均精度上只有1.99的降低,取得了更好的“性能-速度”平衡。实验证明,同样经过100轮训练,使用多教师联合知识蒸馏训练方案的轻量化模型相较于普通训练方案,平均精度提升了11.30。