北京平高电气清华研究所提高企业技术创新能力

<正> 北京平高电气清华研究所在国家经贸委、河南省政府及清华大学等各级领导的关怀下,于2000年3月在清华大学隆重成立,至今已经两年多了。它由河南天鹰集团平高电气股份有限公司与清华华大学合办。研究所成立后,在清华大学校企合作委员会和技术开发部指导下及电机系大力支持下,两年多的时间内研究所十分有效地开展了工作,收到了良好的效果,取得了很大的成绩。     

C2H4-CO2在Co-丝光沸石上吸附分离研究

用重量法测定了C2H4和CO2在Co-丝光沸石上的吸附等温线和吸附扩散动力学曲线,并对吸附平衡等温线和扩散曲线模拟计算,拟合很好. 研究表明,在Co-丝光沸石上,C2H4 的平衡吸附量远大于CO2的;而C2H4的吸附扩散速率与CO2的接近. 因此利用平衡吸附原理,用Co-丝光沸石可将C2H4-CO2中的CO2吸附下来,得到100%的C2H4. 采用动态吸附法考察了吸附温度、流速、浸渍量以及活化温度对Co-丝光沸石吸附分离C2H 4-CO2的影响规律,分析得出吸附剂的最佳操作条件. 采用Co-丝光沸石来分离C2H 4-CO2,分离因数大,选择吸附的量也较大,床层利用率高,脱附较易.     

液体表面张力系数实验装置的改进

针对FD-NST-I型液体表面张力系数测量仪在实验中存在的定标不准确、吊环水平度不易掌握、升降台行程小且操作中容易使液面发生抖动的不足提出了一系列改进措施。定标过程中用线状砝码依次钩挂代替原有的在托盘中放入片状砝码的方法;在传感器装置盒上安放水平泡;在吊环上安放水平泡来检验吊环是否水平;用虹吸管排水的方法降低容器中的液位来代替升降台,不仅使液位的下降形成显著提高,而且控制虹吸管中液体流动速度可以避免液面抖动。改进后实验测量的精度得到提高。     

微波辅助下联二萘酚酰胺催化剂在Biginelli反应中的应用

以合成联二萘酚酰胺类物质为催化剂,微波条件下对Biginelli反应进行研究;在乙醇作为溶剂,芳香醛、尿素和乙酰乙酸乙酯的摩尔比为1.2∶1.0∶1.0,催化剂1a的用量为15%mmol,反应温度60℃,微波加热25 min的条件下,化合物产率可最高达88%。此反应具有催化剂经济易得及用量少、反应条件温和、环境友好和操作简便等优点。     

葡萄糖饥饿对HeLa细胞形态与结构的影响

为了探究葡萄糖饥饿对HeLa细胞形态与结构的影响,采用噻唑蓝法检测了细胞活力;用倒置显微镜、荧光显微镜和电子显微镜观察了细胞形态与结构的变化;采用激光共聚焦免疫荧光技术观察了细胞微丝与微管的分布.结果表明:葡萄糖饥饿能够抑制HeLa细胞增殖,破坏细胞骨架,改变细胞形态;使细胞皱缩、染色质凝集,出现凋亡小体,微丝微管解聚,表现出典型的凋亡特征,且细胞凋亡程度呈葡萄糖浓度依赖性和处理时间依赖性.总之,葡萄糖饥饿能抑制HeLa细胞活性,改变细胞形态,诱导细胞凋亡.     

浮式起重机智能维护系统的设计

浮式起重机是海洋起重铺管船的重要设备,具有现场工作环境复杂、监控维护难度大等特点。结合Profibus现场总线技术的优点,从系统基本结构、系统冗余、通信规划等方面对浮式起重机智能维护系统的设计进行了探讨。     

佛手挥发油对B16细胞增殖及其酪氨酸酶活性的影响

为检测佛手挥发油对B16黑色素瘤细胞增殖及其酪氨酸酶活性的影响,采用台盼蓝排斥法测定了细胞存活率、瑞-姬氏混染法观察了细胞形态变化、吖啶橙/溴化乙锭染色法检测了细胞的凋亡与坏死,用酶学方法测定了细胞中酪氨酸酶活性.结果表明:佛手挥发油对B16黑色素瘤细胞增殖具有显著的抑制作用,呈剂量依赖性;62.50,125.00和250.00μg.mL-1佛手挥发油处理细胞6 h后,细胞核染色质凝聚于核膜内侧,呈固缩状或圆珠状,表现为典型的细胞凋亡特征;500.00μg.mL-1佛手挥发油处理细胞后,细胞膜破裂,出现细胞碎片,说明细胞已经坏死.酪氨酸酶活性检测结果显示:佛手挥发油对B16黑色素瘤细胞酪氨酸酶活性具有明显的抑制作用,且呈剂量依赖性.     

2010年实验用鼠健康状况的病理学调查和分析

应用石蜡切片及H.E染色法,于2010年5月和10月分别对10家和14家实验动物单位的4～6周龄实验用鼠的心、肝、脾、肺、肾、大肠和小肠进行组织学观察。结果显示,绝大多数的实验用鼠为健康动物,而非健康动物以脂肪肝和轻度肺炎为主要病变,且发病率稳定。这可能与饲养的环境和饲料有关,加强饲养管理可以使这种情况得到改善。     

3种机器学习方法预报风电功率的对比

根据甘肃省华家岭风力发电场的风场变化特征,利用风电场2017年8月-2018年7月的风电功率监测数据及同期欧洲中期天气预报中心的数值模式预报资料,用随机森林(RF)算法分析和筛选出主要的预报因子,分别选择RF、极限学习机和支持向量机3种机器学习方法建立预报模型,通过对比预报效果,得出适合的预报方法和模型.结果表明, RF算法的平均预报均方根误差为15.6%,预报效果优于极限学习机和支持向量机(预报均方根误差分别为16.8%和17.2%). RF算法在风电功率的短期预报方面取得了更好的效果,预报值与实际监测值更加接近;基于3种机器学习算法建立的风电功率预报模型的预报结果误差值都会随着风速的增大而增大,随着风速的减小而减小.