AAO工艺污水处理厂的污泥培养驯化与调试

为了高效培养AAO工艺菌种,实现城镇污水处理厂的快速投产,以广东省某污水处理厂为例,介绍了污泥培养驯化过程和经验.该污水处理厂设计规模为3×104 m3/d,采用AAO+磁混凝沉淀工艺.利用大粪和地脚粉作为碳源培养菌种,实现了短时间、低成本、高效率的培养,培养驯化周期为30 d,吨水成本为0.171元,调试期间二沉池出水满足一级A标准.研究分析了污泥培养驯化中易发生的污泥絮体变小现象,提出了减少曝气量、增加外回流量、降低二沉池负荷等解决措施,为同类污水处理厂调试和试运行提供参考.     

基于AAO+磁混凝高效沉淀工艺的污水处理厂调试与运行

设备调试是污水处理厂安全稳定运行、保证出水水质达标的重要前提.以广东省某污水厂提标改造工程为例,总结调试运行的相关经验.该污水厂设计规模为7.0万t/d,主体工艺为AAO+磁混凝高效沉淀.AAO工艺活性污泥培养不同阶段需合理控制碳源以及DO,初期好氧段DO维持在2～4 mg/L,磁混凝工艺确认磁筒不受内在或外在的摩擦.调试数据表明,该项目工艺可靠、调试方法可行,可为同类污水处理厂的调试提供参考.     

论水电站门式起重机的安装工艺

水电站门式起重机（以下简称门机）是水利水电枢纽中的重要设备。它可作为各种检修闸门、拦污栅的启闭机械,也兼作枢纽工程检修时的物料搬运机械,有时甚至作为泄洪设施事故闸门或工作闸门的启闭机械。其特点是工作级别低、服役年限长、工作环境潮湿,有很高的运行可靠性要求,有的甚至要求在极端气候（如强风）条件下仍能可靠工作。本文通过实例对门式起重机的安装工艺进行了详细的探讨。     

我国焦化产业现状及发展建议

煤焦化是国民经济的重要支柱产业,但是由于产业结构较为落后、工艺技术含量低、产品附件值低,竞争力比较弱。文中分析了炼焦工艺的三个主要产品,焦炭、煤焦油和煤气近年来的价格以及产量等,提出延长产业链,提高产品附加值,从而提高产品竞争力的建议。     

广东省乐昌峡水利枢纽水轮发电机转子装配工艺

乐昌峡水利枢纽发电机转子装配主要采用现场组焊支架、堆叠磁轭冲片,在组装过程中施工工艺比较复杂,其中涉及到支架整体焊接、副立筋配刨、磁轭冲片堆叠及热打磁轭键等多道工序。为了确保转子装配的质量,满足机组各运行工况的要求,在装配过程中通过对防止焊接变形、焊缝质量、副立筋的配刨、磁轭冲片堆叠及热打磁轭键等关键工序的施工工艺、质量进行严格把关,确保了转子的装配质量满足设计及规范的要求。通过对3台机组转子装配,在装配工艺上总结了一些经验,供同行参考。     

基于PI逆模型的快速微摆反射镜的开环控制

由压电陶瓷驱动器构成的快速微摆反射镜平台存在迟滞特性,影响了对快速微摆反射镜的控制。为了能够有效的对快速微摆反射镜进行控制,采用基于PI逆模型的开环控制方法。首先,采用PI模型对快速微摆反射镜平台的迟滞特性建立数学模型,通过最小二乘法辨识PI模型的参数;其次,基于PI模型的可逆性,求解PI逆模型参数;最后,验证基于PI逆模型的开环控制方法的有效性。根据轨迹跟踪实验得到的数据,在正弦波轨迹输入信号下的均方根误差为1.23%,最大误差为2.45%;在三角波轨迹输入信号下的均方根误差为1.3%,最大误差为2.37%。证明了基于PI逆模型的开环控制方法是可行的,能够有效地控制快速微摆反射镜。     

一种基于Night-YOLOX的低照度目标检测方法

由于在低照度场景下获取的图像具有亮度弱、对比度低、噪声多和细节丢失等特点，使用现有的检测模型对低照度图像进行目标检测会出现定位不准确和分类错误，从而导致最终的检测精度偏低.针对以上现象，本文提出了一种基于Night-YOLOX的低照度目标检测方法 .该方法首先设计了一个低级特征聚集模块（Low-level Feature Gathering Module,LFGM）与主干网络合并.在低照度场景下捕获更多有效的低级特征有利于定位目标，该模块通过聚集浅层特征图中具有判别性的低级特征并送入高级特征图和深层卷积阶段中，以补偿在对低照度图像进行特征提取过程中边缘、轮廓和纹理等低级特征的缺失.然后，设计了一种注意力引导块（Attention Guidance Block,AGB）嵌入检测模型的颈部结构，从而减少低照度图像中噪声干扰的影响，引导检测模型推断出特征图中完整的对象区域范围并提取更多有用的对象特征信息，以提高目标分类的准确性.最后，在真实低照度图像数据集ExDark上进行实验，结果表明所提出的Night-YOLOX相比于其它主流的目标检测方法，在低照度场景下具有更好的检测性能.     

基于Dark-YOLO的低照度目标检测方法EI北大核心CSCD

在复杂的低照度环境中获取的图像存在亮度低、噪声多和细节信息丢失等问题,直接使用通用的目标检测方法无法达到较为理想的效果.为此,提出低照度目标检测方法——Dark-YOLO.首先,使用CSPDarkNet-53骨干网络提取低照度图像特征,并提出路径聚合增强模块以进一步增强特征表征能力;然后,设计金字塔平衡注意力模块捕获多尺度特征并加以有效利用,生成包含不同尺度且更具判别力的特征;最后,使用预测交并比(intersection over union,IoU)改进检测头,IoU预测分支为每个预测框预测IoU值,使得目标定位更加准确.在ExDark数据集上的实验结果表明,相较于YOLOv4,均值平均精度(mAP)提升了4.10%,Dark-YOLO方法能够有效地提高在低照度场景下目标检测的性能.