CuxZn1-xS/RGO复合材料的制备及其光催化降解环丙沙星性能研究

通过一步水热法制备了光催化剂Cu_xZn_(1-x)S/RGO,实现了Cu_xZn_(1-x)S纳米颗粒的可控生长和氧化石墨烯(GO)还原的同步进行,并将所制备的Cu_xZn_(1-x)S/RGO用于环丙沙星(CIP)的催化降解研究.采用X-射线衍射(XRD)、电感耦合等离子体-原子发射光谱仪(ICP-AES)、傅立叶变换红外光谱(FTIR)、紫外可见漫反射光谱(UV-Vis)、电子显微镜(SEM)和透射电子显微镜(TEM)对复合物的组成形貌进行表征.结果表明,球状的Cu_xZn_(1-x)S颗粒成功负载在石墨烯表面.Cu~(2+)的掺杂增强了Cu_xZn_(1-x)S/RGO光催化剂在可见光范围的响应,石墨烯的引入抑制了Cu_xZn_(1-x)S纳米颗粒的团聚,提高了光催化性能.此外,Cu_(0.1)Zn_(0.9)S/RGO_(10)对CIP的降解速率分别是ZnS、Cu_(0.1)Zn_(0.9)S的8倍和4.4倍.     

卷积神经网络在燃气管道故障诊断中的应用

为了提高燃气管道泄漏故障的诊断能力,判断燃气管道故障泄漏的类型,将深度学习神经网络应用到燃气管道故障诊断领域,提出了一种基于卷积神经网络与softmax分类器的燃气管道故障诊断技术。选取燃气管道故障中的9种特征参数作为模型的原始输入量,经过卷积神经网络的特征提取、参数重构、soft-max分类,最终达到诊断的效果。将得到的卷积神经网络模型应用在实验室的燃气管道故障泄漏检测系统中,结果表明,这种模型在燃气管道故障识别中的准确率稳定在92. 54%,与BP神经网络相比该方法有明显的准确率和稳定性。     

基于小波包能量谱和希尔伯特变换的管道泄漏检测技术

为了及时检测输油管道泄漏缺陷以减少输油泄漏事故的发生，首先，提出了一种基于小波包（WPT）能量谱和希尔伯特变换（Hilbert）的输油管道泄漏检测技术，改变阀门开度模拟不同泄漏程度的管道泄漏；其次，选取小波包阈值对采集的信号去噪，获得实际有效信号，并用WPT能量谱变换将有效信号分解为频段能量谱，过滤掉不含泄漏信息的频段，保留有效频段；最后，利用Hilbert进行有效频段的谱分析，提取泄漏源信息，实现对管道泄漏工况的诊断分类。结果表明：输油管道泄漏检测平均误差在3%以内，诊断准确率达到95%，与直接Hilbert变换方法以及单纯WPT能量谱分析法相比，定位精度明显提高。