Online recognition of drainage type based on UV-vis spectra and derivative neural network algorithm

• UV-vis absorption analyzer was applied in drainage type online recognition. • The UV-vis spectrum of four drainage types were collected and evaluated. • A convolutional neural network with multiple derivative inputs was established. • Effects of different network structures and input contents were compared. Optimizing sewage collection is important for water pollution control and wastewater treatment plants quality and efficiency improvement. Currently, the urban drainage pipeline network is upgrading to improve its classification and collection ability. However, there is a lack of efficient online monitoring and identification technology. UV-visible absorption spectrum probe is considered as a potential monitoring method due to its small size, reagent-free and fast detection. Because the performance parameters of probe like optic resolution, dynamic interval and signal-to-noise ratio are weak and high turbidity of sewage raises the noise level, it is necessary to extract shape features from the turbidity disturbed drainage spectrum for classification purposes. In this study, drainage network samples were online collected and tested, and four types were labeled according to sample sites and environment situation. Derivative spectrum were adopted to amplify the shape features, while convolutional neural network algorithm was established to conduct nonlinear spectrum classification. Influence of input and network structure on classification accuracy was compared. Original spectrum, first-order derivative spectrum and a combination of both were set to be three different inputs. Artificial neural network with or without convolutional layer were set be two different network structures. The results revealed a convolutional neural network combined with inputs of first and zero-order derivatives was proposed to have the best classification effect on domestic sewage, mixed rainwater, rainwater and industrial sewage. The recognition rate of industrial wastewater was 100%, and the recognition rate of domestic sewage and rainwater mixing system were over 90%.     

2种基于模式识别的环状燃气管网泄漏检测方法

为了将模式识别技术应用于环状燃气管网泄漏检测并找到合适的特征提取方法,以天津城建大学实验室环状燃气管网泄漏为例,将实验的28种工况作为测试样本,与之对应的模拟工况作为训练样本,采用提取压力图像特征向量法和节点压力矩阵法分别进行环状燃气管网的泄漏检测,采用支持向量机分类器将2种方法获得的特征向量进行训练与分类检验,进而将其分类准确率进行对比分析。研究结果表明:该2种方法均可用于环状燃气管网泄漏检测,提取压力图像特征向量法因有效地降低了特征向量的维度和数据波动的干扰,其结果更优。结合SCADA和GIS系统,可将该法应用于实际水、气、油管网泄漏检测和定位,有助于降低成本,提高检测效果。     

基于多因素模式识别的煤与瓦斯突出预测研究

采煤工作面煤与瓦斯突出是由煤层自然条件和工程扰动共同作用决定的,充分考虑煤层原始赋存条件和人类工程活动对煤与瓦斯突出的影响,建立多因素模式识别准则和方法,应用VBA技术完成了工作面煤与瓦斯突出危险性动态预测系统开发。以平顶山十矿己15-24080工作面为研究对象,将瓦斯含量、瓦斯压力、采动应力等因素作为工作面煤与瓦斯突出的主要影响因素,运用多因素模式识别方法实现了对工作面煤与瓦斯突出危险性分单元概率预测,且能够随着工作面不断推进进行动态预测和分级管理。研究结果表明:突出危险性预测结果与现场实况有较好的一致性,对煤矿安全开采具有良好的指导作用。     

BP网络在手写体数字识别中的应用

介绍了BP网络在手写体数字识别中的应用，并在神经网络中引入部分连接结构。实验证明，在神经网络中引入部分连接功能可以大大增强网络的灵活性，可以根据不同的应用来调节网络密度，以达到网络的最高性能。目前识别率为94．61％，实验结果表明，BP神经网络可成功地用于手写数字字符的识别问题。     

煤炭自燃发火危险程度识别研究

对影响煤炭自燃发火危险程度的主要因素进行主观判断，运用逐步聚类分析法，对开采煤层煤炭自燃发火的危险程度进行识别，为判定煤炭自燃发火危险程度提供了一种理论方法     

安全评价中危险辨识的地位、存在问题和对策

生产企业、系统、工程或设备的安全性程度 ,需按有关规定或技术要求 ,进行各种形式的安全评价。安全评价是危险评价 ,其中辨识危险在安全评价中具有重要意义。笔者论述了危险辨识在安全评价中的地位 ;指出了危险辨识存在的问题 ;从资料准备、企业调研、危险辨识方法、行业专家作用和人员素质等 7个方面提出了解决现存问题的对策及措施。安全评价是落实“安全第一 ,预防为主”方针 ,消除隐患 ,预防和预测事故 ,确保安全生产的重要手段     

运输系统中的危险辨识及其安全控制

笔者将运输系统的危险分为两类 :固有危险、变动危险 ;并给出两类危险的定义 ;对构成两类危险的因子进行了深入的讨论 ;提出辨识运输系统两类危险的基本方法 ,即静态辨识法和动态辨识法 ;对两种方法的应用范围及条件进行了初步界定。在对运输系统进行危险辨识的基础上 ,就如何运用控制论的理论与方法解决运输系统的安全控制问题进行探讨 ;提出系统安全状况的恶化实际上是系统中危险因素失控的结果。保证系统安全的核心任务是对系统危险因子进行控制。就运输系统而言 ,对系统变动危险因子的控制要比固有危险系统困难。     

煤矿水灾安全评价内容探讨

煤矿水灾事故发生有 3个必要条件 ,即水源、导水通道、释放水空间。据中国煤矿事故集的统计 ,煤矿水灾事故主要有 12种类型 :①井口灌入水 ;②井筒溃水溃沙 ;③回采工作面突水 ;④地表积水溃入回采工作面 ;⑤回采工作面透水 ;⑥掘进工作面突水 ;⑦掘进工作面透水 ;⑧煤仓溃煤水 ;⑨注浆跑水冲埋 ; 防水密闭失效透水 ; 水煤矸石溃出 ; 钻孔溃水、突水。在上述分析的基础上 ,归纳了煤矿水灾的 4 6种致灾因素。在煤矿水灾安全评价上 ,笔者认为主要从客观条件和人为因素 2个方面进行考虑 ,查阅现场各种资料 ,查清各种防治水工程 ,以防危险、危害因素的遗漏。     

基于资源安全的企业人才风险管理

从资源安全的角度出发 ,笔者阐述了企业人才资源的重要性 ;对我国企业目前面临的主要人才风险进行了识别 ;指出我国企业目前的人才风险主要来自人才外流、人才获取、人才道德和人才风险意识四个方面 ;强调了我国企业加强人才风险管理的重要意义。从人才风险引起的各项损失及其损失概率的角度 ,提出了企业进行人才风险估测的方法 ;建立了人才风险损失模型 ;指出了我国企业的人才风险管理、有效防范人才风险的途径。     

基于模糊模式识别的瓦斯含量指标异常预警技术

提出利用模糊模式识别技术对瓦斯涌出异常进行动态预警的新思路;通过对已知巷道的瓦斯含量监测数据和素描图进行分析,提取引起瓦斯涌出异常的前兆特征作为模式识别的特征向量,来对实时监测的巷道的工况进行判断,确定其是否存在瓦斯涌出异常的可能性。该方法将传统煤矿安全监控系统事后报警转变成事前预警,提高了系统的可用性。