风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

污泥生物炭的制备及其对印染废水的处理研究

利用剩余污泥分别在300、350、400℃下热处理制备了生物炭S300、S350、S400,对其进行了物性表征,并分析了对实际印染废水的吸附特性。结果表明,随着反应温度的升高,污泥发生了炭化反应,污泥网络结构逐渐被破坏,生物炭表面呈现粗糙不平且不规则的空间结构,其比表面积与孔容积逐渐增大,S400的比表面积达到157.4 m2/g。在28℃,投加量为1 g/L,吸附时间为60 min的条件下,S400对印染废水的脱色率为75%,COD去除率为45%,出水COD为36.4 mg/L,达到了GB 18918-2002的一级A标准。生物炭对印染废水的准2级吸附动力学拟合度更高,其吸附行为更符合准2级吸附动力学,并均以化学吸附为主。     

中国给水排水2020年中国城镇污泥处理处置技术与应用高级研讨会(第十一届)邀请函暨征稿启事

为贯彻落实国家在经济发展中对于生态文明建设和环境保护的新要求,酝酿多年的《水污染防治行动计划》(简称“水十条”)颁布。该计划强调水质、水量和水生态的一体化管理,预计到2020年中国水处理投资可超2万亿元。随着水行业企业迎来发展黄金时代,2020年中国城镇污泥处理处置技术与应用高级研讨会(第十一届)也将进入发展新阶段。     

污泥生物炭对偶氮染料的吸附性能研究

在剩余污泥中添加花生壳粉,进行热解制备生物炭,用于偶氮染料的吸附。考察了投加量和pH对直接黄R和直接橙S的脱色率的影响。结果表明,生物炭对直接黄R和直接橙S的适宜投加量分别为10 g/L和6.4 g/L,pH5的酸性条件有利于吸附的进行,pH=3.7时,直接黄R的脱色率81%,直接橙S的脱色率89%。污泥生物炭对直接黄R和直接橙S的吸附均符合伪二级动力学模型,颗粒内扩散传质阻力是吸附过程的主要限速步骤,但不是唯一的限速步骤。     

Kevlar织物软壁包容环抗冲击数值仿真分析研究

针对机匣包容性问题,提出Kevlar平纹织物本构模型的拟合方法,分别采用单层壳、多层壳、层合壳三种有限元建模方式对Kevlar织物软壁包容环弹道冲击过程进行模拟,发展了机匣包容性仿真分析模型。结果表明,多层壳模型和层合壳模型的计算结果更准确,并且可以通过调节摩擦因子使仿真结果与试验结果更接近。在此基础上研究了撞击点位置和弹体入射姿态对弹体剩余速度的影响。结果表明:在较小偏移距离内,撞击点的位置对剩余速度的影响可以忽略不计;滚转角和俯仰角对剩余速度影响较小,而对于偏航角,当角度大于30°时,剩余速度会随着角度的增大明显呈下降趋势,且弹体出射姿态也会发生明显变化。     

中国污泥处理处置技术相关文献计量分析与未来展望

为了解近30年来中国污泥处理处置领域研究的发展现状,理清该领域的研究热点,以中国知网收录的核心期刊为数据源,检索得到在1992—2019年刊发的9 318篇相关论文,采用可视化计量软件CiteSpace并运用文献计量学方法绘制出可视化图谱。通过CiteSpace得到中国污泥处理处置领域的国内作者合作知识图谱、国内研究机构合作知识图谱、高频关键词聚类分析图谱、研究时区前沿图谱、强突现词图表。中国污泥处理处置领域年度发文数量整体呈增长势态:研究机构以大学为主,各机构间合作较为紧密并初具规模;污泥处理处置领域研究方向逐步由环境治理向污泥资源化转变。碳源、水解酸化、污泥厌氧消化、高通量测序法、微生物群落结构、MBR(膜生物反应器)、污泥堆肥等方向可能会成为未来研究热点。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时，数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测，提出了一种基于并行多通道卷积长短时记忆网络（PMCCNN-LSTM）的剩余使用寿命预测模型。该模型主要由两部分组成：前端为并行多通道卷积网络（PMCCNN），提取信号特征，挖掘数据的时序特性，并采用逐层训练和微调的方式提升参数的收敛性；后端为长短时记忆（LSTM）网络，基于特征进行剩余使用寿命预测，并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性，实验结果表明：所提模型的平均误差与最大误差分别比传统的卷积神经网络（CNN）低23.38%和15.84%，比传统的LSTM低24.14%和19.01%，比卷积长短时记忆网络（CNN-LSTM）低30.32%和23.09%。