基于DBN深度学习算法的民航发动机状态监测

民航飞机发动机设备构造精密、复杂,其监测系统收集的数据中蕴含了丰富的故障信息。传统发动机状态诊断依靠数据统计分析和机器学习模型,但其在深入理解与归类信号特性方面的表现难以尽如人意。此外近年兴起了多层神经网络降维算法——深度学习理论,其通过模拟人脑分析过程建立由浅入深的算法模型,数据处理效果较好。本文将民航发动机自身特点与深度学习理论有机结合,研究发动机状态监测方法。其优势在于克服了传统方法人工提取数据特征的不确定性与状态分类陷入局部最优的缺陷,可对发动机参数进行自主学习与特征提取。实验结果表明该算法具有出色的特征提取能力与分类准确率,能够准确识别发动机的不同状态。     

液相色谱-线性离子阱-静电场轨道阱高分辨质谱测定蜂胶中9种黄酮类物质

本文利用线性离子阱-静电场轨道阱(LTQ-Orbitrap)高分辨质谱,配合全自动筛选应用软件ToxID可以对大量数据进行高通量分析的特点,建立了蜂胶中杨梅酮、乔松素、芹菜素、苛因、山奈素、高良姜素、槲皮素、芦丁、桑黄素9种黄酮类物质的快速筛选和确证方法。样品使用无水乙醇提取,采用Waters xselect HSS T3色谱柱(100×3.0mm,3.5μm),以乙腈-0.1%乙酸溶液为流动相,FT正离子扫描模式进行质谱检测,外标法定量。结果表明,该方法对以上除杨梅酮外8种黄酮类化合物的线性范围为0.5~50μg/mL,杨梅酮的线性范围为1.0~50μg/mL,相关系数(r)均大于0.99。在625mg/kg、1 250mg/kg、2 500mg/kg 3个添加水平的回收率为78.7%~93.3%,相对标准偏差为7.10%~12.65%。     

有机磷类阻燃剂的合成及应用进展

由于有机磷阻燃剂具有高效、低毒、无污染及无烟等特点,该领域的研究在国内外得到极大的关注,已经在合成和应用等方面取得了显著成就。 本文对磷系阻燃剂的阻燃机理及近年来磷系阻燃剂的应用进展作了简要综述。 分别综述了各类有机含磷阻燃剂的研究进展,并提出了有机磷阻燃剂今后的发展方向。