从生漆收购下降谈漆质检验

<正> 1982年我县生漆收购量比1981年下降40%左右。新漆中有24.6%是掺假漆。主产地林口的掺假漆占收购量的40%以上。这种情况在其它产区也不同程度地存在着。主要原因是:一、1982年生漆收购旺季,出现了多头经营,一些非经营单位和个人进入产区争购、套购生漆。由于各单位和个人不讲规格质量,价格不一致,让掺假作伪者钻了空子。主管部门和商业单位也没有采取有力措施加以制止。     

丙烯腈-三元乙丙橡胶-苯乙烯接枝共聚物AES的表征

采用苯乙烯和丙烯腈接枝三元乙丙橡胶合成丙烯腈-三元乙丙橡胶-苯乙烯接枝共聚物AES,用其和苯乙烯-丙烯腈（SAN）树脂共混得到AES树脂。对合成的AES树脂样品进行常温相对分子质量及相对分子质量分布的测定,红外光谱、热稳定性与微观结构表征,并与目标样品进行对比。得出三元乙丙橡胶已接枝上SAN支链,即三元乙丙橡胶与苯乙烯及丙烯腈发生了接枝共聚合反应;合成样品相对分子质量及相对分子质量分布数据、热稳定性数据及微观结构与目标样品接近;合成样品AES粉料和SAN树脂基本均匀混合的结论。     

丝瓜茎汁液复合饮料的工艺研究

本实验以丝瓜为主要原料,以白砂糖、柠檬酸、丝瓜伤流液及菠萝汁等为辅料,开发一种具有保健功能的丝瓜茎汁液复合饮料。以饮料的感观质量为评价指标,采用单因素实验,考察白砂糖、柠檬酸、菠萝等对饮料品质的影响。在此基础上,采用四因素三水平正交试验L9(34),确定该饮料的最佳配方,其结果为丝瓜12%、白砂糖8%、柠檬酸0.070%、菠萝6%、丝瓜伤流液15%。该天然饮料营养丰富、风味独特,具有清热化痰、凉血解毒等保健作用。     

基于机器学习的设备剩余寿命预测方法综述

随着科学技术的发展和生产工艺的进步,当代设备日益朝着大型化、复杂化、自动化以及智能化方向发展。为保障设备安全性与可靠性,剩余寿命(Remaining useful life,RUL)预测技术受到了普遍关注,同时得到了广泛应用。传统的统计数据驱动方法受模型的选择影响明显,而机器学习具有强大的数据处理能力,并且无需确切的物理模型和专家先验知识,因而机器学习在剩余寿命预测领域表现出了广阔的应用前景。鉴于此,详细分析和阐述了基于机器学习的设备剩余寿命预测方法。根据机器学习模型结构的深度,将其分为基于浅层机器学习的方法和基于深度学习的方法。同时疏理了每类方法的发展分支与研究现状,并且总结了相应的优势和缺点,最后探讨了基于机器学习的剩余寿命预测方法的未来研究方向。     

搪塑用聚氯乙烯干混料老化性能XPS研究

应用Ｘ射线光电子能谱（ＸＰＳ）表面测试技术,详细研究了搪塑用聚氯乙烯（ＰＶＣ）干混料在成型及老化过程中表面和内部的变化。通过对干混料中ＰＶＣ粉料、增塑剂和热稳定剂的ＸＰＳ表征,可以比较材料老化性能的相对优劣。该研究从根本上反应出材料性能差别的结构原因     

基于流模型的缺失数据生成方法在剩余寿命预测中的应用

针对缺失数据生成模型精度低和训练速度慢的问题,本文基于流模型框架提出了一种改进非线性独立成分估计(Nonlinear independent components estimation, NICE)的缺失时间序列生成方法.该方法依靠流模型框架生成模型精度高、训练过程速度快的优势,并结合粒子群优化算法(Particle swarm optimization, PSO)优化NICE生成网络采样的退火参数,训练学习监测数据的真实分布,从而实现对数据缺失部分的最优填补.为进一步拓宽所提方法的应用范围,利用基于流模型的缺失数据生成方法得到的生成数据,通过建立融合注意力机制的双向长短时记忆网络(Bidirectional long shortterm memory with attention, Bi-LSTM-Att)的退化设备预测模型,实现设备剩余寿命的准确预测.最后,通过锂电池退化数据的实例研究,验证了该方法的有效性和潜在应用价值.     

大数据下数模联动的随机退化设备剩余寿命预测技术

面向大数据背景下随机退化设备剩余寿命(Remaining useful life, RUL)预测的现实需求, 结合随机退化设备监测大数据特点及剩余寿命预测不确定性量化这一核心问题, 深入分析了机理模型与数据混合驱动的剩余寿命预测技术、基于机器学习的剩余寿命预测技术、统计数据驱动的剩余寿命预测技术以及机器学习和统计数据驱动相结合的剩余寿命预测技术的基本研究思想和发展动态, 剖析了当前研究存在的局限性和共性难题. 针对存在的局限性和共性难题, 以多源传感监测大数据下剩余寿命预测问题为例, 提出了一种数模联动的大数据下随机退化设备剩余寿命预测解决思路, 并通过航空发动机多源监测数据初步验证了该思路的可行性和有效性. 最后, 借鉴数模联动思路, 综合考虑机器学习方法和统计数据驱动方法的优势, 紧紧扭住大数据背景下随机退化设备剩余寿命预测不确定性量化问题, 提出了大数据背景下深度学习与随机退化建模交互联动、监测大数据与剩余寿命及其预测不确定性映射机制、非理想大数据下的剩余寿命预测等亟待解决的关键科学问题.     

考虑不完美维修的随机退化设备剩余寿命自适应预测方法

在现有考虑不完美维修的随机退化设备剩余寿命预测研究中,通常仅考虑维修活动对退化状态或退化速率的单一影响,仅有考虑二者双重影响的研究,忽略了退化设备的个体差异性。鉴于此,提出一种基于多阶段扩散过程的自适应剩余寿命预测方法,同时考虑不完美维修活动对设备退化状态和退化速率的影响,并利用随机游走模型描述退化速率随观测数据的更新过程以表征设备的个体差异性。基于历史退化数据,利用极大似然估计法得到退化模型参数的初值;基于状态观测数据,利用卡尔曼滤波算法和期望最大化算法自适应的更新模型参数。利用卷积算子和蒙特卡洛方法推导得到了首达时间意义下设备剩余寿命的概率密度函数。最后,通过仿真算例和陀螺仪的实例研究验证了所提方法的有效性和优越性。     

融合多源数据的非线性退化建模与剩余寿命预测

针对目前基于单个传感器剩余寿命预测方法存在预测精度不高的问题,该文提出一种融合多源传感器数据的非线性退化建模与剩余寿命预测方法。该方法包括复合健康指标的构建、模型参数的估计和传感器融合系数的确定,在确定融合系数后,结合设备历史寿命数据与实时监测数据,利用Bayesian参数更新公式推导出设备的剩余寿命概率分布,实现设备的剩余寿命在线预测。最后通过由商用模块化航空推进系统仿真生成的发动机退化数据集进行仿真实验,结果表明该文所提方法能够有效提高设备剩余寿命预测的准确性。