500kV开关非同期合闸事故分析

某电厂新建2×600MW超临界燃煤机组,试运期间,因调试人员对500 kV开关二次控制回路的调试措施实施不当,造成一次非同期合闸事故.虽然未造成设备明显损坏,但事故教训深刻.……     

白酒糟醅中酸度值的高光谱检测方法

酸度值是评价白酒糟醅质量的重要指标之一,为进一步提高糟醅酸度值的检测精度,提出了一种应用高光谱成像技术检测糟醅酸度值的方法.采用高光谱成像系统,在900～1700 nm内采集糟醅样本的光谱信息,并提取全部样本的平均光谱数据.采用3种预处理方法对原始光谱进行预处理,得到多元散射校正(multiplica-tive sca...     

石墨烯增强铜基复合材料的研究进展

综述了石墨烯/铜复合材料的球磨、液相混合和分子水平混合等制备方法及其力学、导电和导热等性能,总结了存在的主要问题;概述了层状仿生石墨烯/铜基复合材料的制备方法及性能,并展望了石墨烯/铜复合材料的研究方向及应用前景.     

300 MW发电机组微机保护装置运行总结

介绍了襄樊电厂(4×300MW)所采用的WFB-100型微机保护装置投运4年以来的运行情况,通过分析保护动作事例,认为保护误动的原因主要是保护电流互感器(TA)、电压互感器(TV)二次回路故障,TV断线闭锁功能不完善以及保护定值误整定所致,建议要加强维护保护二次回路、完善断线闭锁功能和保护定值管理等预防措施工作。     

白酒老熟研究进展

该文主要从白酒老熟内在机理和外在因素之间的联系论述了新酒在贮存过程中物质的变化,并分析了影响老熟过程中缔合、酯化、氧化等物质变化的因素以及这些变化之间的相互作用。总结了白酒老熟机理的相关研究以及关于氢键的分子模拟研究,论述了运用分子模拟技术探究老熟深层机理的可行性,为白酒老熟的研究应用提供新思路。阐述了不同温度对白酒老熟过程的影响,主要分析了陶瓷容器和不锈钢容器的不同特性,对比了不同形状、不同环境的贮酒容器的效果。介于白酒老熟过程的复杂程度,将各个因素关联进行多元研究,旨在为白酒老熟相关研究提供新思路以及研究方法参考,推动白酒老熟机理深层次研究。     

基于高光谱成像技术的酿酒高粱品种分类

针对不同品种酿酒高粱分类难、分类精度有待提高等问题,提出了一种结合光谱和图像信息的高光谱成像技术从而对酿酒高粱进行分类的方法。通过采集11类共550个高粱样本的高光谱数据,运用连续投影算法从多元散射校正预处理后光谱中筛选出48个特征波长,再提取图像的灰度共生矩阵作为图像特征,利用纹理特征、全光谱、特征光谱及其结合图像特征分别建立支持向量机、偏最小二乘判别和极限学习机分类模型,最后再采集220个未参与建模样本对所建模型进行外部验证。结果表明,基于特征光谱结合纹理特征建立的支持向量机模型效果最佳,训练集和测试集的识别率分别为96%和95.3%,验证集的识别率达到91.8%,高于单一光谱数据建模效果,说明光谱和图像信息结合可以提高酿酒高粱的分类识别率。该方法为高粱品种的高精度分类和不同酿酒原料的快速无损检测提供了可行的方法。     

重建高光谱图像的酿酒高粱品种识别方法研究

目的 基于重建高光谱图像技术实现对酿酒高粱品种的实时快速识别。方法 对分层回归网络(hierarchical regression network, HRNet)进行改进,得到残差注意力分层回归网络(residual attention-hierarchical regression network, RA-HRNet)。利用该网络进行重建高光谱图像,并在此基础上建立双向长短期记忆网络结合注意力机制(bi-directional long short-term memory-attention, BiLSTM-Attention)的酿酒高粱品种识别模型。以原始RGB数据作为重建高光谱图像网络的输入,将输出重建的光谱图像作为酿酒高粱品种识别模型的输入,以完成酿酒高粱品种识别。结果 RA-HRNet相比HRNet,模型参数量[Params(M)]降低80.5%,模型计算量[floating point operations per second, FLOPS(G)]降低80.2%,峰值信噪比(peak signal-to-noise ratio, PSNR)提升16.9%,平均相对绝对误差...     

基于高光谱成像技术的高粱农药残留种类检测研究

高粱作为粮食作物，其中残留的农药对人体危害巨大。本文基于高光谱成像（Hyperspectral Imaging，HSI）技术研究了高粱中农药残留种类的快速鉴别。采用不同预处理方法对高光谱数据进行预处理，通过建立的支持向量机（Support Vector Machine，SVM）模型发现标准正态变换（Standard Normal Variate，SNV）为最佳的预处理方法。使用类型提升算法（Type Boosting Algorithm，CatBoost）、梯度提升树（Gradient Boosting Decision Tree，GBDT）、竞争性自适应重加权采样法（Competitive Adaptive Reweighted Sampling，CARS）和主成分分析法（Principal Component Analysis，PCA）选择特征波长，对比特征波长建立的SVM模型结果发现CatBoost所选择的特征波长建模效果更好。分别建立了基于特征波长的BP神经网络自适应增强算法（Backpropagation Neural Network with Adaptive Boosting，BP-AdaBoost）、轻量梯度提升机（Light Gradient Boosting Algorithm, LGBM）、极度梯度提升（eXtreme Gradient Boosting，XGBoost）、SVM高粱农药残留分类模型，其中，BP-AdaBoost为最佳的分类模型，测试集平均分类正确率为95.17%。研究表明，高光谱成像技术结合BP-AdaBoost算法可以识别出高粱中农药残留的种类，为检测高粱农药残留类别提供了一种新的方法。