不同部位羊油的挥发性风味物质和理化性质比较

为探究不同部位羊油品质特性的差异,以羊肠油、羊肚油和羊腰油为研究对象,分别从挥发性风味物质、理化性质、脂肪酸组成等方面进行分析。结果表明,顶空固相微萃取结合GC-MS共鉴定出87种挥发性成分,包括醛类、酸类、醇类、酯类、酮类、烷烃类和其他类化合物,羊腰油和羊肚油挥发性风味物质总含量(6 922.38、6 536.72μg/kg)显著高于羊肠油(4 046.92μg/kg),利用正交偏最小二乘判别分析可以从挥发性成分上较好区分羊肠油、羊肚油、羊腰油。基于不同部位羊油的25种共有挥发性成分,结合气味阈值得到10个共有的关键性风味物质,分别为庚醛、辛醛、壬醛、癸醛、2-十一烯醛、(E)-2-辛烯醛、(E)-2-壬烯醛、(E)-2-癸烯醛、(E,E)-2,4-癸二烯醛、2-十一酮。羊腰油的熔点、硬度和饱和脂肪酸含量最高,分别为44.2℃、379.6 g、54.29%,与羊肚油和羊肠油差异显著。分析不同部位羊油的品质特点,为羊油的合理利用提供了科学依据和理论基础。     

机电设备维修中故障诊断技术的应用

随着当前科技进步的快速进步,机电设备的技术性也得到了很好的发展,其自动化技术水平也在不断提高。如果一个企业在机电设备应用的整个过程中出现了故障问题,就会立即影响到企业的正常运行,对企业的经济收入产生很大的负面影响,甚至可能导致事故的发生。本文就详细分析了机电设备检测中存在的常见问题,探讨了进一步提高机电设备维修中常见故障诊断的对策。     

基于遗传算法的无功功率优化与控制专家系统开发

针对电力系统中无功功率优化问题建立了数学模型,利用函数连接网络将多目标问题转化为单目标无功优化问题,采用免疫遗传算法进行求解。 提出了分区分层的多变电所电压无功协调控制专家系统的设计思想。该系统具有较高优化精度的同时求解过程较为简单。     

用于贫化锌分离的冠醚树脂合成及其特性研究

采用缩聚法自行合成了基于聚苯乙烯和二苯并-18-冠醚-6的PS@DB18C6冠醚树脂,并对其稳定性及吸附、解吸机理及特性进行了探究,而后进行了柱色谱法锌同位素分离实验。结果表明PS@DB18C6冠醚树脂在pH=7的丙酮溶液中具有较大的吸附容量,对锌离子的吸附模型为准一级动力学方程,在pH=3的α-羟基异丁酸(AHIB)溶液中的解吸满足一级动力学方程,且在吸附、解吸过程中能保持较好的结构稳定性;利用PS@DB18C6冠醚树脂通过柱色谱法能够有效实现锌同位素的分离,经过5 m色谱柱淋洗操作后,对⁶⁶Zn和⁶⁸Zn的最大前端富集值(β)分别为1.019 6和1.020 8。     

配电自动化通信系统研究与工程实践

文章针对目前配电自动化系统的结构及特点,分析了各种不同通信方式的优缺点,提出了配电自动化通信系统的解决方案,最后介绍了常州市配电自动化通信系统,验证了所提出的具体方案的实时性、可靠性和很好的性价比。     

基于遗传算法的无功功率优化与控制专家系统开发

针对电力系统中无功功率优化问题建立了数学模型,利用函数连接网络将多目标问题转化为单目标无功优化问题,采用免疫遗传算法进行求解。 提出了分区分层的多变电所电压无功协调控制专家系统的设计思想。该系统具有较高优化精度的同时求解过程较为简单。     

BiZnx/Si光电阴极的制备及其CO2还原性能研究

将CO₂转化为高附加值的化学品是实现碳循环, 缓解能源危机和环境问题的有效途径之一。金属与半导体复合电极, 利用光电耦合技术为CO₂转化提供了一种新思路。本研究通过电沉积的方法在碱刻蚀处理后的Si片上制备了双金属Bi、Zn共修饰的Si基光电阴极(BiZn_x/Si), 用于CO₂的光电催化还原。研究表明, 引入金属Bi和Zn能够改善光的吸收性能, 降低电化学阻抗, 提高电化学活性比表面积(ECSA)。其中, BiZn₂/Si最优的光电极电化学比表面积可达0.15 mF·cm^-2。除此之外, 研究发现双金属共同作用有助于增强电极对中间体*OCHO的吸附作用, 在-0.8 V(vs. RHE)电势下, 最优的光电阴极BiZn₂/Si生成HCOOH的法拉第效率高达96.1%。更重要的是, 光电阴极BiZn₂/Si的光电流强度在10 h内维持-13 mA·cm^-2, 表现出良好的性能稳定性。     

结合稀疏先验与多模式分解的低秩张量恢复方法

目的 各类终端设备获取的大量数据往往由于信息丢失而导致数据不完整,或经常受到降质问题的困扰。为有效恢复缺损或降质数据,低秩张量补全备受关注。张量分解可有效挖掘张量数据的内在特征,但传统分解方法诱导的张量秩函数无法探索张量不同模式之间的相关性;另外,传统张量补全方法通常将全变分约束施加于整体张量数据,无法充分利用张量低维子空间的平滑先验。为解决以上两个问题,提出了基于稀疏先验与多模式张量分解的低秩张量恢复方法。方法 在张量秩最小化模型基础上,融入多模式张量分解技术以及分解因子局部稀疏性。首先对原始张量施加核范数约束,以此捕获张量的全局低秩性,然后,利用多模式张量分解将整体张量沿着每个模式分解为一组低维张量和一组因子矩阵,以探索不同模式之间的相关性,对因子矩阵施加因子梯度稀疏正则化约束,探索张量子空间的局部稀疏性,进一步提高张量恢复性能。结果 在高光谱图像、多光谱图像、YUV（也称为YCbCr）视频和医学影像数据上,将本文方法与其他8种修复方法在3种丢失率下进行定量及定性比较。在恢复4种类型张量数据方面,本文方法与深度学习GP-WLRR方法（global prior refined weighted low-rank representation）的修复效果基本持平,本文方法的MPSNR（mean peak signal-to-noise ratio）在所有丢失率及张量数据上的总体平均高0.68dB,MSSIM（mean structural similarity）总体平均高0.01;与其他6种张量建模方法相比,本文方法的MPSNR及MSSIM均取得最优结果。结论 提出的基于稀疏先验与多模式张量分解的低秩张量恢复方法,可同时利用张量的全局低秩性与局部稀疏性,能够对受损的多维视觉数据进行有效修复。