大豆油脱臭馏分重相组分中甾醇酯的柱层析法分离提取

为减少甾醇酯的生产工序,提高大豆油脱臭馏分重相组分中总甾醇得率,采用柱层析法直接分离提取甾醇酯,通过单因素试验考察吸附剂种类、上样量、洗脱剂比例和柱长直比(填料高度与直径比)对甾醇酯产品纯度和得率的影响,确定最佳工艺条件,并对最佳工艺条件下分离提取的甾醇酯产品进行傅里叶红外光谱表征,以及甾醇组成和脂肪酸组成测定。结果表明,柱层析法分离提取甾醇酯的最佳工艺条件为吸附剂为硅胶(粒径50~75μm),上样量0.5 g,洗脱剂比例为正己烷、乙醚、冰乙酸体积比95∶5∶1,柱长直比16∶1。在最佳工艺条件下,甾醇酯产品纯度为(89.90±0.94)%,得率为(96.15±1.49)%;傅里叶红外光谱分析证实提取的产品中含甾醇酯,甾醇酯上的甾醇组成主要为β-谷甾醇、豆甾醇、菜油甾醇,脂肪酸组成主要为亚油酸、油酸、棕榈酸、硬脂酸和亚麻酸。综上,柱层析法无需复杂工序,即可实现大豆油脱臭馏分重相组分中甾醇酯的有效回收。

镶嵌结构沥青焦的制备与表征:重相沥青中QI含量的影响

镶嵌结构沥青焦作为一种特种人造炭材料,是制备高品质各向同性石墨和核石墨的重要原料。镶嵌结构沥青焦的性质在很大程度上决定了其石墨制品的质量。为进一步明确重相沥青中QI含量对其镶嵌结构沥青焦的结构及性质的影响,本研究以九种QI含量迥异的重相沥青为原料,制备了系列镶嵌结构沥青焦。利用偏光显微镜、扫描电镜、XRD、Raman光谱及分峰拟合的方法对镶嵌结构焦的微观结构进行了判定,并对九种镶嵌结构沥青焦的显微强度进行了研究。结果表明,重相沥青中QI含量越高,在液相炭化过程中越有利于镶嵌结构的生成。并且,随着重相沥青QI含量的增加,镶嵌结构沥青焦中趋于规整炭微晶含量逐渐降低,无定型炭含量逐渐增加,强度越大。当重相沥青中QI含量超过7%时,制备的镶嵌结构沥青焦中镶嵌结构总含量(细粒镶嵌、中粒镶嵌和粗粒镶嵌)超过82%,显微强度超过85%。换言之,QI含量超过7%的重相沥青是生产优质镶嵌结构沥青焦的优选原料。

酶催化分子蒸馏单甘酯的重相产物制备中、长链甘油二酯及其性质研究

以分子蒸馏单甘酯的重相产物和辛酸为原料,固定化脂肪酶Lipozyme TL IM为催化剂催化酯交换反应制备中、长链甘油酯(M/LCG)。通过单因素实验探究了底物(重相产物与辛酸)摩尔比、反应温度、反应时间、加酶量对产品中含有辛酸的甘油酯成分含量及辛酸插入率的影响,从而选择合适的工艺条件为:反应温度65℃,底物摩尔比6∶4,反应时间6 h,加酶量15%。在选定条件下,产品M/LCG中甘油二酯(DAG)含量为50.73%,辛酸插入率为15.35%。对选定条件下的M/LCG样品经柱层析分离纯化,以硅胶为吸附剂,正己烷-乙醚-甲酸(体积比45∶25∶1)的溶液为洗脱剂,可得到DAG含量为88.24%的中、长链甘油二酯(M/LCD),且主要为sn-1,3 DAG。通过DSC、XRD对纯化的M/LCD进行性质研究,测得其熔点为60.34℃,存在明显同质多晶现象,主要为β与β'晶型共存。M/LCD的热力学性质以及晶型特性将为其在乳液方面的潜在应用提供一定的理论依据。

针状焦预处理单元重相沉积物回收方法

介绍了一种处理重相沉积物的方法,将沉积物回收利用,不仅能降低生产成本、提高经济效益,而且可解决环境污染问题。

日本鹌鹑体重相异品系胚胎的染色体畸娈

作者对日本鹌鹑体重相异选择品系和随机交配对照系,四周龄时的927个胚胎作了核型分析。两个选择系所受的影响相反。性别比例,以二倍体雄性胚胎作百分数计,为52.6±1.7%。高体重选择系(NW)具有的异倍体胚胎显著地高于随机交配对照系(RW)或低体重系(LW)。异倍体胚胎的频率在 HW 中为8.9%,在 RW 中为5.6%和在 LW中为4.1%。全部差异被解释为与 RW(1.5%)和 LW(1.4%)相比在 HW(4.1%)中单倍体/二倍体嵌合体的频率增高。

全桥隔离DC/DC变换器的三重相移控制及其软启动方法

以无工频牵引变压器电力牵引传动系统为应用背景,对其中的全桥隔离DC/DC变换器开展研究。首先,全面地分析和归纳全桥隔离DC/DC变换器系统中存在回流功率的现象,定义电源侧回流功率和负载侧回流功率,为同时限制变换器两端回流功率提出一种三重相移控制方法。然后,在此基础上,给出最小回流功率控制算法。同时,为了减小变换器启动时的冲击电流,给出一种全桥隔离DC/DC变换器软启动控制方法。最后,研制了1.5 k W小功率实验平台并进行实验验证,实验结果表明,该软启动方法可有效地减小变换器启动时的电流冲击,所提出的三重相移控制方法相对于传统相移控制方法和双重相移控制方法显著提高了系统效率。

径流序列相空间重构的水文学含义及应用

为确定径流序列相空间重构后的水文学含义并提高径流中长期预测精度,基于混沌理论进行径流序列相空间重构,并对径流影响因素与重构后相空间列向量进行相关性分析。在此基础上建立了混沌理论与人工神经网络耦合(Chaos-BPNN)的径流预测模型,并应用于黑河上游莺落峡水文站和正义峡水文站。结果表明:径流序列重构后相空间列向量具有明确的水文学含义;Chaos-BPNN径流预测模型仅需径流序列数据就可进行建模和预测,规避了径流预测过程中主控因素难以确定和不易量化的问题;黑河上游降水量、输沙量、水位和气温分别与重构后相空间的第1、3、6、7列具有较高的相关性,风速与任何一列都不相关,推测雪线高程、植被覆盖率以及土地利用类型等因素与第2、4、5列存在相关性;构建的Chaos-BPNN径流预测模型在黑河上游莺落峡水文站和正义峡水文站的径流预测精度均在86%以上。

地下水低渗透区重非水相液体(DNAPL)的增渗增移技术综述

重非水相液体(DNAPL)是一种物化性质稳定且毒性较强的有机污染物,对人类健康和生态环境存在极大威胁。由于其密度较大、穿透性强,DNAPL渗入地下后易在低渗透区积聚,形成长期污染源。低渗透区流速慢、传质难的特点使得常用地下水污染修复技术难以奏效,而目前针对该问题的系统性研究尚显不足,因此亟需梳理并总结通过增渗增移DNAPL实现低渗透区污染增效修复的方法,为后续研究提供一定参考价值。本文首先通过控制方程描述了增渗增移的原理;其次综述了两种分别以表面活性剂和电动为核心的增渗增移方法:表面活性剂通过胶束增溶和降低吸附实现增渗增移,电动则通过电渗和电迁移增移DNAPL;同时介绍了实际应用中耦合其他技术的案例,总结优缺点;最后对DNAPL未来的发展方向进行了展望。

基于三重震相波形模拟的东北亚地区上地幔S波速度结构研究

对上地幔波速结构的研究有助于认识上地幔物质组成和温度分布,同时还可以为地球动力学的研究提供约束条件。笔者根据中国数字地震台网记录到的位于东亚地区的两个地震波路径近似相互垂直的地震事件,通过三重震相波形模拟的方法,对探测区域下方的上地幔速度结构进行了研究。结果表明,两个不同方向的地震事件得到的波速模型均在250 km以上存在低速带,波速降幅两者有差异;过渡带下半部分均存在高速带,表明该区域过渡带受到东亚俯冲板块的影响。该区域过渡带厚度无明显变化是两个不连续面附近温度和成分分布不同造成的,和该区域过渡带受俯冲带影响的结论不矛盾。

基于相空间重构与PCA的潜水泵故障诊断

针对潜水泵信号存在较大干扰影响诊断效果问题,提出相空间重构与主成分分析(PCA)相结合的方法,将潜水泵一维时序信号通过C-C算法计算得到嵌入维数和延迟时间进行相空间重构,并对重构数据进行PCA,将满足贡献累加值的主成分提取出来并还原为一维空间,通过频谱分析得到数据频谱图。通过具体实验,将所提方法处理后的正常状态与故障状态频谱图进行对比,对潜水泵故障进行分析与诊断。实验结果表明,该方法得到的频谱图能够凸显信号故障频率,在一定程度提高了故障诊断准确率。

基于多变量相空间重构和径向基函数神经网络的综合能源系统电冷热超短期负荷预测

为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。

基于三重移相的ISOP型DAB变换器电压均衡控制

为了使得输入串联输出并联(ISOP)型双有源桥DC-DC(DAB)变换器稳定高效地运行,提出一种基于三重移相(TPS)调制的电压均衡控制方案。该方案不仅可以控制输出电压稳定、输入电压均分,而且能够降低变换器电流应力并具有良好动态性能。首先,分析了DAB变换器在TPS下各模态的电流应力与传输功率模型,并通过KKT条件法求得电流应力最优的移相比组合。在此基础上,通过控制中间变量-动态功率,实现系统的输出稳压、输入均压,同时具有良好动态性能。最后,通过MATLAB/SIMULINK软件平台验证所提方案的正确性。

重相帮

有一位編剧談过这样的苦悶:“好不容易写出一个新戏,請同行看看,却是一片挑剔声,編演现代戏的热情就泄掉了一大半。”看来,同行相帮,决不是可有可无的东西呢. 新事物在开始出现或成长的时候不会十全十美,这一点是毫无疑問的,問題在于我們对这“短处”的态度。不管是已有所长也罢。

基于相空间重构与深度学习的冲击地压矿井时间序列b值趋势

冲击地压是制约煤炭安全高效开采的重大灾害之一,实现冲击地压的智能化预警是保障煤矿智能安全开采的关键路径。b值作为监测冲击地压的有效指标,掌握矿井开采过程中b值演化趋势对冲击地压的及时预警具有重要意义。为此基于相空间重构(PSR)与深度学习提出了对矿井开采中时间序列b值的短期预测方法,运用相空间重构技术将卷积神经网络识别及降噪后的b值映射到高维空间,混合遗传算法(GA)优化的长短期记忆网络(LSTM)学习高维数据特征构成b值预测模型(PSR–GA–LSTM)。实例结合冲击地压矿井宽沟煤矿W1123综采工作面,计算了降噪后b值的重构参数且实现了数据的重构。评价了不同模型的预测性能并对最优预测模型进行了实例分析。研究结果表明:时间序列b值经过降噪技术处理后,能增强模型对于b值趋势特征的学习能力和降低噪点对于冲击前兆信息的干扰;时间序列b值经过相空间重构及长短期记忆网络的超参数得到优化后,模型的预测精度能得到明显提升;较其他模型相比PSR–GA–LSTM的残差波动范围最小稳定在0.005以内,其误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为0.00151、0.00133、0.29%都低于其他模型;PSR–GA–LSTM模型经过时间序列b值训练后,所预测的b值趋势蕴含着冲击前兆信息,能预先对冲击事件的发生提供b值预警指标。该模型对于匀速推进的冲击地压矿井b值趋势发展有着较好的预测能力,所用方法可为在冲击地压时间上演化发展的预测预警研究提供借鉴与参考。

融合相空间重构和深度学习的径流模拟预测

发展对数据依赖程度低、快捷实用和精准的模拟预报技术,可为资料缺乏地区径流模拟预测提供有效的解决办法。从数据驱动的角度,提出一种融合相空间重构(PSR)和长短期记忆神经网络(LSTM)的径流预测复合模型PSR-LSTM,在国内外不同气候分区的10个流域(站点)进行验证。结果表明:PSR-LSTM能够提取水文变量的多维子空间特征,并较好预测不同时间尺度的径流变化过程;相较于LSTM,PSR-LSTM预测未来1、3、5、7、9时间步长的纳什效率系数在10个流域平均提高1.49%~9.77%,均方根误差平均降低17.01%~19.72%,对训练数据量的依赖程度相比LSTM降低25%~33%。研究成果可为广大资料短缺流域水文过程模拟和预测提供参考。

基于多变量相空间重构和优化深度极限学习机的短期风电功率预测

针对风电功率单变量处理方法及预测模型拟合能力不足的问题,提出了一种多变量相空间重构(multivariate phase space reconstruction,MPSR)和鲸鱼优化算法深度极限学习机(whale optimization algorithm-deep extreme learning machine,WOA-DELM)的短期风电功率组合预测方法。首先,利用Pearson相关系数筛选出与风电功率相关的气象因素,并将其与风电功率序列组成多变量时间序列;其次,利用C-C法确定每一时间序列的最优嵌入维数和时间延迟,实现多变量相空间重构;然后,将多变量相空间重构建立的数据集输入到深度极限学习机(deep extreme learning machine,DELM)模型中,同时利用鲸鱼优化算法(whale optimization algorithm,WOA)对DELM的权值参数进行优化,得到WOA-DELM预测模型,以此预测短期风电功率,最终得到预测结果。将平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)作为评价指标,结合实例分析,并与传统的模型进行比较。结果表明:所提预测模型得到的3个评价指标分别0.4120 MW、0.4921 MW和1.7822%,优于其他模型,具有更好的稳定性和预测性能。

基于相空间重构与GSA-LVQ的有载调压变压器分接开关机械故障诊断

针对有载调压变压器分接开关机械故障诊断准确率不高以及潜在机械故障不能及时被发现的问题,提出了一种基于互补集合经验模态分解(CEEMD)、相空间重构结合万有引力搜索法(GSA)改进学习矢量量化神经网络(LVQ)的有载分接开关机械故障诊断新方法。采用CEEMD对振动信号进行时频域分解,然后通过C-C算法确定延迟时间和嵌入维数,对反映不同频率特征的固有模态函数(IMF)进行相空间重构,并提取反映混沌特征的两个特征量李雅普诺夫指数和关联维数构成特征向量。利用GSA优化LVQ,解决网络对初始连接权值敏感的问题,增强网络对有载分接开关机械故障分类识别性能。通过对有载分接开关机械状态的实验分析,证明了相空间重构结合GSA-LVQ算法的可行性和有效性。

基于相空间重构和卷积神经网络的混沌信号识别方法

针对卷积神经网络在处理一维信号时会由于网络模型参量过多导致算法收敛慢和过拟合问题,提出了一种基于相空间重构和卷积神经网络的混沌振动信号智能识别方法。首先,利用时间延迟法将一维混沌振动信号重构为二维吸引子图;然后,通过扫描转换法将其转换为标准像素图输入卷积神经网络模型;最后,借助卷积神经网络强大的图像分类能力,实现仿真和试验混沌振动信号的智能识别。结果表明:该方法能对含噪声的混沌振动信号进行有效识别,在信噪比超过10 dB时分类准确率仍可达100%,不仅具有良好的泛化性、稳定性和通用性,还消除了训练的过拟合现象,能较好地应用于工程实际中。

基于相空间重构和PSO-K-means的球磨机负荷状态识别方法

针对球磨机振动信号具有强随机性、非平稳性和非线性等内在特性导致负荷状态难以识别的问题,提出一种基于相空间重构和PSO-K-means的球磨机负荷状态识别方法。首先,利用改进前后的自相关系数算法对Lorenz与Rossler两种混沌时间序列进行数值模拟,得出延迟时间和嵌入维数精准有效的计算方法;其次,验证出球磨机筒体振动信号具有混沌特性后对其时间序列进行相空间重构,恢复出等价的混沌吸引子;接着,针对3种不同负荷状态下的相空间吸引子进行特征提取,分析了关联维数特征量的变化规律;最后,将关联维数作为特征向量输入PSO-K-means聚类模型中对球磨机负荷状态进行分类与识别。结果表明,PSO-K-means聚类模型在负荷状态识别时有较高的精准性,欠负荷、正常负荷、过负荷下识别精度分别为94.2%、96.3%、94.8%。以上结果证实了该方法能够实现对球磨机负荷状态的有效识别。

基于最优变分模态分解与相空间重构的LSTM船舶横摇运动预测

为提高船舶海上作业稳定性,需要精确预测船舶横摇运动,以增强船舶横摇补偿控制效果。建立了一种基于最优变分模态分解与相空间重构的长短时记忆神经网络船舶横摇运动预测模型。该模型利用最优变分模态分解方法,将船舶横摇运动数据分解成多个不同频率尺度且相对平稳的模态分量;基于最大Lyapunov指数对各模态分量进行混沌性判定;对非混沌分量进行单维LSTM预测,对混沌分量利用C-C方法重构相空间后进行多维LSTM预测;将所有分量预测结果线性组合,得到船舶横摇运动预测输出。通过仿真试验与ARIMA、BP、LSTM模型进行对比,结果验证了模型在提高船舶横摇运动预测精度方面的优越性。