核桃壳色素提取工艺及其应用性能表征

采用超声辅助提取核桃壳色素,在单因素试验的基础上,运用响应面法优化工艺条件。通过测定色素溶液对金属离子稳定性、DPPH自由基清除能力、还原力来进行色素性能表征。单因素试验确定乙醇浓度、提取时间、提取温度为主要影响因素。利用响应面法结合实际操作,确定最优工艺条件：乙醇浓度47%、提取温度51℃、提取时间55 min,最优条件下色素产率为 1.65%。对所提取的色素进行性能表征,结果表明：Mg2+、Na+、Al3+、Zn2+、Ca2+、K+对色素溶液无影响,Fe3+、Cu2+可使色素溶液沉淀。色素实际浓度为12.5 μg/mL时对DPPH自由基清除率可达73%,其有一定还原能力但与抗坏血酸相比较弱。     

单晶硅纳米梁杨氏模量的弯曲测试

为研究纳米梁的力学特性,采用SOI晶圆制备了硅双端固支梁纳米梁,利用典型的原子力显微镜（AFM）弯曲测试方法测试了硅纳米梁〈100〉晶向的杨氏模量.AFM悬臂探针定位在纳米梁的中点处向下移动,纳米梁受到挤压发生弹性形变,形变过程存在一个最大形变点,在该点后,纳米梁被挤压在SOI硅片底层硅上.最大形变前的测试数据用于计算力-位移曲线斜率,最大形变后的测试数据用于计算探针的灵敏度,其实验值分别为0.792N/m和81.83nm/V.最终得到的杨氏模量为104GPa,该值小于体硅的杨氏模量,表面应力和缺陷可能是导致实验值偏小的原因.     

不同温度硅纳米薄膜在表面重构下杨氏模量的分子动力学研究

采用分子动力学方法计算了100K到800K之间（001）面硅纳米薄膜（1nm,2nm厚）[110]与[1—10]两个方向上的杨氏模量。2×1表面重构形成了dimmer键,使[110]方向杨氏模量大于[1—10]方向杨氏模量。纳米薄膜的杨氏模量随着温度升高而下降。热膨胀导致了温度效应。当尺度到达纳米尺度,表面重构和温度效应更加明显。     

2,6-二(对氨基苯)苯并[1,2-d;5,4-d'''']二噁唑的合成

以4,6-二氨基间苯二酚盐酸盐、对氨基苯甲酸为原料，多聚磷酸为催化剂，合成了有机二胺化合物2,6-二（对氨基苯）苯并[1，2-d；5，4-d，]二噁唑。采用红外光谱、核磁共振氢谱等分析手段对其结构进行了表征，分析了合成反应的影响因素。热性能分析表明，合成产物的热降解起始温度（Td）为444．5℃、熔点为416．7℃。温度以及多聚磷酸中P2O5的浓度是合成反应的重要影响因素，在脱HCl阶段，温度不能超过120℃，P2O5含量为84％时的产率最高（88％）。     

智能巡检应用下基于混合网络模型的电力设备目标寻的技术

电力设备的在线监测中需要将目标的外观影像进行故障识别,而图像故障识别必须首先进行图像的精确匹配,因而对目标检测设备视觉定位的应用技术有着日益迫切的需求.本文建立了一种基于混合网络模型的电力设备目标寻的算法,有机融合了孪生网络的模板匹配和基于特征点匹配的图像配准两种研究路线.算法在孪生网络的网络深度方面采用较少的特征度尺...     

振动频谱特征值在诊断变压器故障中的应用研究

<正>常运行中的电力变压器的振动主要来自于变压器铁心和绕组的振动,振动信号中包含了丰富的能够表征变压器状态的信息。文章在1台10/0.4 k V三相双绕组电力变压器中设铁心松动、绕组松动、绕组幅向错位故障,利用基频、幅值、主频率、频率比重以及频谱复杂度等振动特征量,研究了变压器绕组在上述故障条件下油箱表面的振动变化规律。研究结果表明,三种故障条件下的频谱复杂度均会降低,绕组松动和铁心松动中的振动基频会升高,绕组错位中的基频振动会降低。文中的结论对基于振动信号分析法的电力变压器诊断具有借鉴意义。     

基于模拟退火和支持向量机理论的变压器故障诊断方法

针对变压器故障诊断问题,提出了基于模拟退火和支持向量机理论的变压器故障诊断方法,该算法采用模糊理论解决传统三比值法边界过于绝对的问题,并利用模拟退火优化算法获得支持向量机的最优参数设置。     

不同管电压下X射线辐照对变压器油性能影响的研究

针对利用X射线数字成像技术对电力设备变压器进行透照检测时可能造成变压器中绝缘油绝缘性能变化的问题,提出了利用X射线对变压器油进行辐照的研究。该研究利用不同管电压下的便携式高频X射线机分别对带电压和不带电压的变压器油进行定时间的照射,实验结果表明在经常使用的几种管电压下X射线机对绝缘油的照射不会对绝缘油的油色谱产生显著影响,但是在经常使用时的较高管电压下X射线的照射会对绝缘油带电倾向性产生较大影响。该研究发现将会对今后X射线数字成像透视检测技术形成标准规范提供技术支持,对保证电网稳定运行也具有重要意义。     

基于注意力机制优化组合神经网络的电力缺陷等级确定方法

为解决电力缺陷描述专业词汇较多分词准确率不佳以及单一神经网络模型自身存在不足的问题,提出了基于注意力机制优化组合神经网络的电力缺陷等级确定方法。该方法首先使用分布式字向量对电力缺陷描述进行表示,然后使用由卷积神经网络和双向长短时记忆网络组成的卷积循环神经网络对电力缺陷描述的局部特征和序列特征进行特征提取,最后采用注意力机制对组合神经网络得到的语义特征进行权重分配,减少关键特征的丢失,进一步增强关键信息对分类结果的影响。以云南电网公司2014-2019年间11万条缺陷描述数据作为实验对象,文中所提方法的Acc、MF1值和WF1值分别为0.927 5、0.911 2和0.927 5,验证了本方法在电力缺陷等级确定中的有效性和可行性,为电网的智能化运行提供帮助。     

基于Faster R-CNN算法的变电站 设备识别与缺陷检测技术研究

变电站作为电力运输的中转站,是城市运转,人民生活的重要基础设施。变电站在运行过程中,经常发生由于位置偏僻,不支持机器人和无人机直接进行探测而造成的设备运作温度检测不及时的问题。传统的变电站设备缺陷识别算法是基于机器学习算法,精确度低,只适合单个设备类别的缺陷检测,易受到环境影响。基于此,文中出一种改进的识别变电站设备红外缺陷方法。首先,基于Faster R-CNN的目标设备检测,对6种类型的变电站设备包括套管、绝缘体、电线、电压互感器、避雷针和断路器进行目标检测,以实现设备的精确定位;然后,基于稀疏表示分类（SRC）来识别不同的类,因此可以获得输入样本的实际标签;最后,基于温度阈值判别式算法,在设备区域中识别温度异常缺陷。文中算法实现了在红外线图像下的设备识别和检测,使用文中算法对6类设备的红外图像进行检测,准确率达到91.58%,不同类型设备的缺陷识别率为97.63%,缺陷识别准确率达到87.62%。实验结果表明该方法的有效性和准确性。