混合菌的富集及浸出低品位碲矿的研究

从四川石棉矿区酸性水及土壤中通过富集技术获得混合菌,对其驯化,并在摇瓶中对该混合菌浸出低品位碲矿中碲的影响因素进行了初步探索。结果发现,该混合菌在30 ℃时浸矿效果最好,在1%的矿浆浓度下,经过15 d的浸出,浸出率达到66.2%;在初始pH值为1.5～2.0时,混合菌对碲矿有较高的浸出率, pH值为1.5时的浸出率最高,为67.8%;在矿浆浓度较低(1%～2%)时,混合菌对碲矿的浸出效果较好,15 d浸出率可达到66.6%。验证实验表明,温度为30 ℃,初始pH值为1.5,矿浆浓度为2%,浸矿15 d后碲的浸出率可达到75.8%。     

混合菌诱变及浸出碲矿的研究

利用紫外线(UV)、亚硝基胍(NTG)及其组合为诱变剂,对从四川石棉矿区的水土样中富集的混合菌进行诱变,并用于浸出碲矿。结果表明,在UV照射5 min时(15 W、距离30 cm),混合菌活性提高51.6%;用1.0 g/L NTG处理50 min后,混合菌有较高的活性,提高了57.4%;经复合诱变后,混合菌的活性分别提高59.5%和63.3%。浸矿试验表明,诱变后混合菌浸矿25 d后,碲的浸出率最大可提高26.7%。     

基于无源RFID的混凝土湿度监测技术研究

湿度控制是混凝土早龄期控制开裂的重要措施,由于混凝土是有损多相复合材料,文中首先具体分析了电磁波在混凝土中的损耗,确定了标签可正常工作的基本条件,然后介绍了一种用于混凝土湿度监测的无源射频识别(RFID)传感器标签,该RFID传感器标签是基于超高频(UHF)的EPC-2通信协议,且工作于无源模式下,并具体介绍了传感器结构、接口电路和整流模块。后期实验对所设计的湿度传感器进行了性能测试,结果显示该湿度传感器具有良好的线性度和稳定性。与传统湿度测量的结构相比,所设计的无源RFID湿度传感标签具有低成本以及低功耗的特点。     

绝缘子温湿度在线监测技术研究

为降低绝缘子发生污闪的概率,需对影响绝缘子泄漏电流的温湿度值进行在线监测。为克服现有的在线监测温湿度技术在高环境温度和强电磁干扰等各种恶劣的环境下可靠性低的不足,采用了一种新的基于声表面波射频识别(SAWRFID)的绝缘子温湿度在线监测方法。首先对该SAW-RFID温湿度传感器标签芯片进行了通信测试、中心频率测试和性能测试,并基于该温湿度传感器对XP-70型绝缘子进行了实验,利用SAW-RFID温湿度传感器标签监测绝缘子温湿度,在此基础上分析得到了环境温湿度与绝缘子泄漏电流幅值的关系,为预估绝缘子绝缘性能提供了参考依据。     

一株氧化亚铁硫杆菌的筛选及对低品位碲矿的浸出北大核心

从四川石棉矿区的酸性矿坑水和土壤中筛选到一株细菌PD-1,对其形态、理化特征及16SrDNA序列研究表明:细菌细胞呈杆状,革兰氏染色阴性,最适生长温度30℃,最适初始pH2.0,其16SrDNA序列与氧化亚铁硫杆菌的序列相似度高达99%以上,可鉴定为氧化亚铁硫杆菌菌株。利用该菌株对低品位碲矿进行摇瓶浸出实验,结果表明:菌株在接种量10%、温度30℃、初始pH2.0、转速150r/min、碲矿粒度-150μm及矿浆浓度2%的条件下浸矿,30d碲的浸出率可达67.8%。     

基于RFID加速度传感器标签的导线舞动在线监测

针对目前各种导线舞动无线监测方式存在高功耗、高成本和不适于长期监测的缺陷,提出了一种基于射频识别(RFID)加速度传感器标签的导线舞动长期在线监测的设计方案,设计了一种RFID加速度传感器标签结构,因其工作在无源模式下,可以实现导线舞动的长期在线监测.介绍了加速度信号的处理方式,提出了基于小波变换的趋势项去除算法.在实验室环境下,对加速度传感器标签进行了通信性能测试和模拟导线舞动监测实验.测试结果表明:标签通信性能良好;模拟实验结果表明:经过处理后得到的位移信号能够准确反映模拟导线的舞动情况,实现了导线舞动的在线监测.     

一株氧化亚铁硫杆菌的筛选及对低品位碲矿的浸出

从四川石棉矿区的酸性矿坑水和土壤中筛选到一株细菌PD-1,对其形态、理化特征及16SrDNA序列研究表明:细菌细胞呈杆状,革兰氏染色阴性,最适生长温度30℃,最适初始pH2.0,其16SrDNA序列与氧化亚铁硫杆菌的序列相似度高达99%以上,可鉴定为氧化亚铁硫杆菌菌株。利用该菌株对低品位碲矿进行摇瓶浸出实验,结果表明:菌株在接种量10%、温度30℃、初始pH2.0、转速150r/min、碲矿粒度-150μm及矿浆浓度2%的条件下浸矿,30d碲的浸出率可达67.8%。     

基于RFID传感器标签与深度学习的变压器状态监测方法研究

变压器的状态直接决定了电网运行的可靠性。在现有的变压器状态监测方法的基础上,提出基于射频识别(RFID)传感器标签和深度学习的变压器状态监测手段。首先提出了一种基于自取能RFID传感器标签的变压器振动信号采集方法,该方法具有成本低,便利性强,寿命长,可实现快速定位等优点。针对于变压器信号成分复杂,信噪比低等特点,利用深度学习技术在复杂数据处理方面的优势,采用堆叠去噪自编码器(SDA)信号进行特征提取,并采用相关向量机(RVM)对提取的特征数据进行故障诊断,最后采用量子粒子群算法(QPSO)对SDA与RVM进行参数寻优。实验结果表明,方法能够可靠地获取变压器振动信号,同时,能够取得99. 75%的故障诊断准确度,且诊断时间仅需要0. 98 s。