基于迭代退火算法的高压变频器功率单元频繁故障诊断方法研究

现有的变压器故障诊断方法较为复杂且计算冗余度较高,在高压变频器的功率单元频繁发生故障时难以高效地检测故障。为此,提出基于迭代退火算法的高压变频器功率单元频繁故障诊断方法。采用小波包分解方法提取高压变频器功率单元的电压信号特征熵,将该特征熵输入到支持向量机模型。使用迭代退火算法优化支持向量机的训练参数,并输出诊断结果。研究结果表明：该方法提取的高压变频器单元故障的平均冗余度最低至3.2%,平均诊断时间为15.1 ms,可实现高压变频器功率单元频繁故障的高效诊断。     

生物质固体成型燃料技术及设备研究进展

介绍了国内外生物质固体成型燃料技术与产业及成型机发展现状,综述了生物质固体燃料成犁机的几种类型及特点,对各种成型设备的性能和应用进行了比较,并针对目前国内生物质固体成型燃料技术及没备存在的问题,提出了我国生物质固体成型燃料及设备产业化的发展方向.     

煤电大气汞驱动因素、排放预测和减排策略研究:以辽宁省为例

煤电是我国汞污染的重要来源,旨在控制汞排放的《水俣公约》也将煤电列为重点管控源.因此,我国急需提出科学合理的策略以指导煤电汞减排工作.明确煤电汞排放的驱动因素以及预测未来趋势是制定污染控制政策的基础.鉴于此,本文以辽宁省为例,综合运用对数平均迪氏分解法、环境学习曲线和情景分析模型,辨识了燃煤电厂汞排放的主要影响因素,并预测了未来十年的大气汞排放量.结果显示:2006—2017年排放从5009kg(-57.8%,79.1%)大幅下降至1419kg(-61.1%,80.2%),排放因子、煤炭消耗效率和电力行业结构是汞排放的主要抑制因素,而电力需求拉动了辽宁省大气汞排放.在基准情景下,燃煤电厂大气汞排放从2017年的1419kg下降至2030年的1243kg.在环境规划和严格控制情景下,2030年燃煤电厂大气汞排放分别下降了1200kg和1274kg.最后,本文针对辽宁省汞减排提出一系列政策建议:①通过优化电厂污染物控制设施,提高洗煤比例等措施降低汞排放因子;②继续淘汰低效燃煤电厂,并推广节能技术以提高煤炭消耗效率;③推进风能、光能等可再生能源替代煤电.     

扬尘源粒度组成筛分方法比较

为建立扬尘源筛分规范依据,选取F150标准砂和道路尘作为待测样品,对比国产3种振动方式(电动式、震击式和拍击式)振筛机和3个厂家试验筛的筛分性能. 结果表明:①经过拍击式振筛机和F150标准砂检验,A、B、C三厂试验筛的筛分性能差异较大,得到200目(75μm)试验筛的筛上累计含量(以质量分数计)分别为78.9%、65.9%和57.9%,B厂和C厂结果小于F150标准砂76.1%的基准值;②3种振筛机的筛分性能也存在差异,震击式振筛机筛出率略小于拍击式振筛机,但电动式振筛机筛分不彻底,其对道路尘样品中粒径≤75μm和粒径≤38μm粒子的筛出率分别只有另外2种振筛机的1/2和1/4;③3种振筛机筛分结果一致性顺序为拍击式>震击式>电动式. 建议使用拍击式振筛机或震击式振筛机与性能好的A厂试验筛组合筛分得到粒径≤75μm的样品,使用拍击式振筛机和性能好的A厂试验筛组合筛分得到粒径≤38μm的样品.      

DEHP暴露对小鼠神经行为学及脑脂质过氧化物的影响

为研究增塑剂邻苯二甲酸二乙基己酯(Di-2-ethylhexyl phthalate,DEHP)对脑组织造成氧化损伤以及对小鼠神经行为(主要包括学习、记忆能力与情绪)的影响.将24只雄性昆明小鼠随机分成4组,每组6只,分别为对照组(生理盐水),低浓度染毒组(5mg·kg-1DEHP,L组),中浓度染毒组(50mg·kg-1DEHP,M组),高浓度染毒组(500mg·kg-1DEHP,H组).利用Y型电迷宫检验小鼠的学习记忆能力变化,利用悬尾实验和强迫游泳实验检测小鼠抑郁行为的变化.然后取出脑组织,检验活性氧簇(ROS)及丙二醛(MDA)含量.数据显示,染毒组小鼠的学习记忆及行为学控制能力明显低于对照组(p<0.05),并且随DEHP浓度的增大小鼠的学习记忆及行为学控制能力降低.DEHP低、中、高剂量染毒组与对照组氧化应激反应均具有显著性(p<0.05),且呈剂量效应关系.因此,DEHP可导致小鼠学习记忆能力下降、抑郁情绪增加,其分子机制可能涉及DEHP对脑组织造成的氧化损伤.     

南京市钢铁行业烧结机二噁英排放调查研究

以南京市三家钢铁企业烧结机为例,对排放废气中的二噁英进行监测,分析各组分的含量,进一步研究排放废气中二噁英的种类组成及含量分布特征,依据现行的标准二噁英排放浓度达标,但是南京的排放水平远高于国外排放水平。分析成因,结果表明烧结过程中的二噁英主要是在料层中生成的,主要以多氯二苯并呋喃存在,为减少烧结过程二噁英的生成,可以从改变工艺、控制原材料和增加处理设施等方面进行控制,尽可能减少气态氯化氢的形成,防止再合成物和其它前驱化合物的产生。     

基于改进的PSO优化LSSVM参数的松花江哈尔滨段悬浮物的遥感反演

悬浮物是松花江水质和水环境评价的重要参数之一.利用在松花江哈尔滨段江面上29个采样点的实测高光谱和悬浮物浓度数据,用20个采样点数据为训练集,9个采样点数据为测试集.将机器学习和全局优化智能计算方法引入,应用改进的粒子群(PSO)优化最小二乘支持向量机(LSSVM)参数,以均方根误差RMSE为适应度函数,根据迭代得到LSSVM最优参数值,用700 nm和750 nm光谱反射率比值(R700/R750)为特征变量,悬浮物数据为目标变量,用训练集数据训练得到反演模型,使用测试集数据进行验证.结果表明,此模型收敛速度快,精度高,得到预测值的均方根误差RMSE为10.11 mg·L-1,平均绝对百分误差MAPE为10.72%,模型决定系数R2为0.952,该方法可用来对其它水质参数反演预测提供参照.     

Prediction of effluent concentration in a wastewater treatment plant using machine learning models

Of growing amount of food waste, the integrated food waste and waste water treatment was regarded as one of the efficient modeling method. However, the load of food waste to the conventional waste treatment process might lead to the high concentration of total nitrogen (T-N) impact on the effluent water quality. The objective of this study is to establish two machine learning models—artificial neural networks (ANNs) and support vector machines (SVMs), in order to predict 1-day interval T-N concentration of effluent from a wastewater treatment plant in Ulsan, Korea. Daily water quality data and meteorological data were used and the performance of both models was evaluated in terms of the coefficient of determination (R²), Nash–Sutcliff efficiency (NSE), relative efficiency criteria (d_rel). Additionally, Latin-Hypercube one-factor-at-a-time (LH-OAT) and a pattern search algorithm were applied to sensitivity analysis and model parameter optimization, respectively. Results showed that both models could be effectively applied to the 1-day interval prediction of T-N concentration of effluent. SVM model showed a higher prediction accuracy in the training stage and similar result in the validation stage. However, the sensitivity analysis demonstrated that the ANN model was a superior model for 1-day interval T-N concentration prediction in terms of the cause-and-effect relationship between T-N concentration and modeling input values to integrated food waste and waste water treatment. This study suggested the efficient and robust nonlinear time-series modeling method for an early prediction of the water quality of integrated food waste and waste water treatment process.     

城市生态系统协调发展仿真研究——以武汉市为例

以武汉市为例,通过定性和定量方法建立了一套相对完整的评价指标体系.以主成分分析和协调发展度模型计量得到的武汉市1988～2004年协调发展度值作为输出,以偏最小二乘法筛选出协调发展度的重要影响因子作为输入,尝试采用支持向量机对武汉市总体规划期间(2005～2020年)的协调发展状况进行了模拟研究,研究结果表明,1988～2004年武汉市经济、社会、资源环境的耦合状态由严重失调逐渐趋向勉强协调,这期间工业固体废物排放量和基尼系数是协凋发展最重要影响因子.根据预测结果,武汉市在总体规划期间城市发展呈现出良好的协调发展态势,但2010和2020年的协调发展度值均小于总体规划目标值;即按照目前的状态发展下去,武汉市到2010和2020年不能达到规划既定的目标.针对仿真结果,提出了武汉城市生态系统协调发展的对策与建议.     

PM2.5 concentration estimation using convolutional neural network and gradient boosting machine

Surface monitoring, vertical atmospheric column observation, and simulation using chemical transportation models are three dominant approaches for perception of fine particles with diameters less than 2.5 micrometers (PM_2.5) concentration. Here we explored an image-based methodology with a deep learning approach and machine learning approach to extend the ability on PM_2.5 perception. Using 6976 images combined with daily weather conditions and hourly time data in Shanghai (2016), trained by hourly surface monitoring concentrations, an end-to-end model consisting of convolutional neural network and gradient boosting machine (GBM) was constructed. The mean absolute error, the root-mean-square error and the R-squared for PM_2.5 concentration estimation using our proposed method is 3.56, 10.02, and 0.85 respectively. The transferability analysis showed that networks trained in Shanghai, fine-tuned with only 10% of images in other locations, achieved performances similar to ones from trained on data from target locations themselves. The sensitivity of different regions in the image to PM_2.5 concentration was also quantified through the analysis of feature importance in GBM. All the required inputs in this study are commonly available, which greatly improved the accessibility of PM_2.5 concentration for placed and period with no surface observation. And this study makes an exploratory attempt on pollution monitoring using graph theory and deep learning approach.