潘福奎男工学博士教授硕士研究生导师。现任青岛大
论近代中国先进分子为什么选择了马克思主义
论近代中国先进分子为什么选择了马克思主义东方论坛年第期思主义论近代中国先进分子为什么选择了马克王令金青岛大学思想政治理论教学部,山东青岛摘要: 世纪之交,马克思主义传至中国,使得中国思想界发生了一次革新。
中国先进分子通过对农民阶级平均主义、资产阶级民主主义的反思,选择了马克思主义;通过对各种社会主义、实用主义、新村主义、无政府主义的比较,选择了马克思主义;通过对革命斗争实践正反两方面经验的总结,选择了马克思主义。
马克思主义最终成为中国主流意识形态。
关键词:近代;中国先进分子;选择;马克思主义中图分类号:文献标识码: 文章编号:暖”¨的理想追求也化为泡影。
这表明,农民世纪年代,马克思、恩格斯创立了指导无产阶级和劳动群众革命的思想理论??马克思阶级的平均主义思想不能解救中国人民于痛苦之主义。
世纪末世纪初,马克思主义被译介中太平天国革命失败后,由于近代中国社会的传播至中国,进而与中国工人运动相结合,成立了主要矛盾?? “帝国主义和中国民族的矛盾,封建主义和人民大众的矛盾”】附¨一个也没有解中国共产党。
对于“近代中国先进分子为什么选择了马克思主义”这个问题,似乎是“人所共知”, 决,所以中国人民还是要革命。
至世纪初,终不需研究。
其实不然,因为对此进行追根究底式于爆发了资产阶级领导的规模更大、范围更广、层的研究尚不多见。
因此,借纪念中国共产党成立次更高、影响更远的革命,即辛亥革命。
这场革命九十周年之机,作一番探讨,很有必要。
是以西方资产阶级民主主义与当时中国实际相结一、近代中国先进分子在痛苦反思中无奈地合的产物??三民主义思想为指导的。
其民族主选择了马克思主义义就是要以革命手段推翻清政府,其民权主义就年鸦片战争以后,中国逐步沦为了半殖是要创立民国,其民生主义,就是要平均地权。
这民地半封建社会,广大人民群众生活极度贫困,大在当时确实是一个完整的革命纲领。
但是,其局有不革命就不能生存之势。
基于深度学习的电动汽车充电状态监测与安全预警方法
第27卷㊀第7期2023年7月㊀电㊀机㊀与㊀控㊀制㊀学㊀报Electri c ㊀Machines ㊀and ㊀Control㊀Vol.27No.7Jul.2023㊀㊀㊀㊀㊀㊀基于深度学习的电动汽车充电状态监测与安全预警方法高德欣1,㊀王义1,㊀郑晓雨1,㊀杨清2(1.青岛科技大学自动化与电子工程学院,山东青岛266061;2.青岛科技大学信息科学技术学院,山东青岛266061)摘㊀要:为了保证电动汽车充电的安全㊁可靠运行,防止电动汽车在充电时发生火灾,提出了一种基于卷积神经网络(CNN )和双向门控循环单元(BiGRU )的电动汽车充电状态监测与安全预警方法㊂首先,使用CNN 对电动汽车正常充电历史数据进行深度挖掘,提取其深层特征,并利用BiGRU 对深层特征进行充分的分析和利用,构建电动汽车的温度预测模型㊂其次,制定预测模型输出精确度的评价标准,用来评价预测模型输出的准确性㊂然后,通过滑动窗口对模型预测值进行温度残差分析,确定合适的安全预警阈值和规则㊂最后,将满足要求的温度预测模型应用到电动汽车实时充电中,进行安全预警实验㊂实验结果表明,CNN-BiGRU 模型相比其他预测模型具有更高的预测精确度和预测效果,且滑动窗口分析法能够提前对电动汽车充电过程中的温度异常进行安全预警㊂关键词:电动汽车;状态监测;安全预警;残差分析;卷积神经网络;双向门控循环单元DOI :10.15938/j.emc.2023.07.013中图分类号:TM08文献标志码:A文章编号:1007-449X(2023)07-0122-11㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2021-11-06基金项目:山东省重点研发计划资助项目(公益类)(2019GGX101012);山东省自然科学基金资助项目(ZR2022ME194)作者简介:高德欣(1978 ),男,博士,教授,研究方向为人工智能㊁优化控制与故障诊断;王㊀义(1997 ),男,硕士,研究方向为深度学习㊁故障诊断与安全预警;郑晓雨(1998 ),女,硕士研究生,研究方向为深度学习㊁故障检测与安全预警;杨㊀清(1981 ),女,博士,研究方向为人工智能㊁机器学习与图像识别㊂通信作者:杨㊀清Electric vehicle charging status monitoring and safety warningmethod based on deep learningGAO Dexin 1,㊀WANG Yi 1,㊀ZHENG Xiaoyu 1,㊀YANG Qing 2(1.School of Automation and Electronic Engineering,Qingdao University of Science and Technology,Qingdao 266061,China;2.School of Information Science and Technology,Qingdao University of Science and Technology,Qingdao 266061,China)Abstract :In order to ensure the safe and reliable operation of electric vehicle charging and prevent the fire of electric vehicles while charging,an electric vehicle charging status monitoring and safety warning method was proposed based on convolutional neural network (CNN)and bidirectional gated recurrent unit (BiGRU).Firstly,CNN was used to deeply mine the normal charging history data of electric vehicles to extract their deep features,and BiGRU was used to fully analyze and utilize the deep features to construct a temperature prediction model of electric vehicles.Next,the evaluation criteria of the prediction modeloutput accuracy were developed and used to evaluate accuracy of the prediction model output.Then,the temperature residual analysis of the model prediction values by sliding window was performed to determine the appropriate safety warning thresholds and rules.Finally,the temperature prediction model satisfying the requirements was applied to the real-time charging of electric vehicles for safety warning experiments.The experimental results show that the CNN-BiGRU model has higher prediction accuracy and predictioneffect compared with other prediction models,and the sliding window analysis method can provide safety warning for temperature abnormalities in the charging process of electric vehicles in advance. Keywords:electric vehicle;status monitoring;safety warning;residual analysis;convolutional neural networks;bi-directional gated recurrent unit0㊀引㊀言电动汽车能够缓解能源危机㊁减少碳排放和保护环境,符合 双碳 战略的目标,是当前各国政府和企业的重点发展对象[1-2]㊂而随着电动汽车的迅猛发展,其充电的安全性和可靠性得到了行业内的广泛重视[3]㊂电动汽车的动力来源主要是各类电池,一旦电池在充电过程中出现安全问题,电动汽车很有可能会发生火灾,从而造成不可挽回的经济损失,甚至是人员损伤㊂因此,在线监测电动汽车动力电池的充电状态,在电动汽车产生起火事故之前进行安全预警就显得十分的重要㊂目前,国内外关于电动汽车的研究成果很多[4-8],但关于电动汽车充电预警的内容相对较少㊂基于深度学习方法的安全预警,尤其是长短时记忆神经网络(long short-term memory,LSTM),因其具有分析时序数据的优点,在不同行业的安全预警领域得到了广泛的应用[9-13]㊂例如,文献[9]利用LSTM 建立了风机齿轮箱的状态监测模型,能够有效地对风电齿轮箱故障进行预警㊂文献[10]提出了一种基于LSTM的电力变压器的安全预警方法,能够实现对设备潜在故障进行初步预警㊂文献[11]研究了一种新的电池故障诊断方法,采用LSTM和等效电路模型实现了对电池故障的准确预警和对热失控电池的精准定位㊂文献[12]以LSTM为基础,构建了储能电站健康检测系统,能够对储能电站系统的故障进行提前预警㊂文献[13]采用卷积神经网络(convolutional neural network,CNN)和LSTM相结合的深度学习网络模型,实现了风力涡轮机轴承高速侧的人工智能监测和过温安全预警㊂电动汽车在每次充电过程中,动力电池的各项充电都会传输到监控平台中,这样就会使充电数据呈现大数据趋势㊂而LSTM由于结构复杂,参数较多,在处理大量数据时会出现模型收敛速度慢,训练时间较长等缺点[14]㊂门控循环单元(gated recurrent unit,GRU)是LSTM的增强版,具有结构简单㊁参数较少㊁模型收敛快等优点,能更契合实际应用[15]㊂电动汽车充电数据前后往往都存在较强的关联性,即某一时刻充电数据都受到历史和未来数据的影响,而GRU只能对充电数据进行单向处理㊂双向循环门控单元(bi-directional gated recurrent unit,BiGRU)具有兼顾历史和未来充电数据的特点[16],可以充分的对电动汽车充电数据信息进行深层次的利用㊂为了保证电动汽车充电安全,及时有效的预测充电事故的发生,防止电动汽车在充电过程中出现自燃事故,本文利用电动汽车充电数据,提出一种基于CNN-BiGRU的电动汽车充电状态监测和安全预警方法㊂CNN对监测的电动汽车充电历史数据进行充分利用和挖掘,提取到充电数据中隐藏的深层特征㊂利用BiGRU分析历史和未来数据的优点,对提取的深层特征进行时序分析,建立电动汽车正常充电的温度预测模型㊂制定预测输出模型精确度的评价标准,对温度预测模型的预测结果进行评判㊂采用滑动窗口分析法对温度预测模型的预测残差进行分析处理,确定好安全预警阈值㊂将满足要求的温度预测模型和确定好的预警阈值应用到电动汽车充电实时监测中,实现电动汽车充电过程的安全预警㊂1㊀问题描述1.1㊀电动汽车充电安全分析近年来,我国制定了很多标准[17-19],用来保证电动汽车的安全㊂但是在电动汽车㊁动力电池以及充电设备的安全方面,尚没有形成有效的安全预警方法和评价指标体系㊂而电动汽车充电安全预警就是从充电侧研究安全预警方法,充分利用电动汽车的历史和现在的充电数据,构建安全充电模型,在其每次充电时,对它进行 体检 和诊断,提前预警防止发生自燃等严重事故㊂基于恒流恒压充电方法的大功率直流充电,由于具有通用性强㊁控制方法简单㊁硬件电路容易实现和充电时间短等优点,被广泛的应用于电动汽车充321第7期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法电领域㊂电动汽车在大功率直流充电下会导致动力电池的温度迅速升高,如果不能对动力电池的温度进行有效的监控,电动汽车很有可能会因为动力电池的温度太高发生自燃或爆炸㊂因此,在电动汽车充电过程中对动力电池温度进行监测,是保证电动汽车充电安全的关键因素㊂1.2㊀电动汽车充电状态监测与安全预警分析电动汽车充电过程如图1所示,主要分为状态监测与安全预警两大部分㊂图1㊀电动汽车充电状态监测与安全预警结构图Fig.1㊀Electric vehicle charging status monitoring andsafety early warning structure diagram1)状态监测:电动汽车在充电时,充电设备与电池管理系统(battery management system,BMS)之间应遵守‘电动汽车非车载传导式充电机与电池管理系统之间的通信协议(GB /T 27930)“[20]进行信息通讯,可以获取到的主要参数如表1所示,并对表1中各参数进行状态监测㊂2)安全预警:由表1可知,动力电池的温度值可以被获取,因此,在对电动汽车充电过程中的参数进行状态监测的同时,训练动力电池的温度模型,用以判断电动汽车充电是否安全㊂具体实现方法:将监测的电动汽车充电数据划分为实时数据和历史数据;利用电动汽车的正常充电数据训练深度学习网络,构建深度学习网络的电动汽车正常充电的温度预测模型;将实时数据输入温度预测模型中预测温度并对预测值进行分析,判断电动汽车充电过程是否出现温度异常,实现电动汽车充电过程的安全预警㊂表1㊀电动汽车充电过程的主要参数表Table 1㊀Main parameters table of electric vehiclecharging process㊀㊀㊀㊀参数变化特点周期/ms 整车动力电池额定容量/Ah 定值250整车动力电池额定电压/V 定值250最高允许单体电压/V 定值500最高允许充电电流/A 定值500整车动力电池标称能量/kWh 定值500最高允许充电电压/V 定值500最高允许温度/ħ定值500整车动力电池初始SOC /%定值500整车动力电池初始电压/V 定值500整车动力电池需求电压/V 周期变化50整车动力电池需求电流/A 周期变化50充电电压测量值/V 周期变化250充电电流测量值/A周期变化250整车动力电池最高单体电压/V 周期变化250整车动力电池当前SOC /%周期变化250整车动力电池单体最高温度/ħ周期变化2502㊀电动汽车充电安全预警模型设计2.1㊀CNN-BIGRU 模型设计为了更好地体现数据特征,提高模型的收敛速度,获取更高的预测精确度,采用极差标准化的方法将数据集映射到[-1,1]之间㊂CNN 具有很强的时间序列的特征提取能力[21],并且卷积层和池化层的层数可以自由匹配,所以利用CNN 提取电动汽车充电数据之间的潜在关系,形成特征向量,其计算公式如图2中CNN 网络结构模型所示㊂BiGRU 具有很强的记忆能力,能够有效地保留历史输入数据[16,22],可以兼顾历史以及未来充电数据对当前时刻的影响,从而能够对电动汽车的历史充电数据进行深层次的分析㊂CNN-BiGRU 模型同时具有CNN 和BiGRU 2个网络的优点,其模型结构如图2中BiGRU 网络结构所示㊂2.2㊀预测精确度评价标准采取均方根误差e RMSE (root mean square error,RMSE)和平均绝对百分误差e MAPE (mean absolute percentage error,MAPE)2种误差测量方式作为评价温度预测模型准确性的指标[23],其中:1)e RMSE 反映了电动汽车温度实际值和预测值421电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀之间差异的标准偏差㊂它用于评价局部预测的准确性㊂e RMSE =ðni =1(Q i -Q ∗i )2n㊂(1)2)e MAPE 代表电动汽车温度预测值和实际值之间绝对误差的平均值㊂它用于反映充电预测数据的总体准确性㊂其计算公式如下:e MAPE=1n ðni =1|Q i -Q ∗i |Q iˑ100%㊂(2)上述2个公式中的Q i 和Q ∗i 分别为第i个时刻的电动汽车的实际温度数据和预测温度数据;n 为测试集的总体样本个数㊂e RMSE 和e MAPE 值越小,说明预测的温度数据越准确㊂图2㊀CNN-BiGRU 模型结构图Fig.2㊀CNN-BiGRU model structure diagram2.3㊀异常判别方法选取电动汽车正常充电数据训练CNN-BiGRU 模型,当电动汽车充电正常时,温度数据相对比较平稳,CNN-BiGRU 模型的温度预测误差相对较小㊂当电动汽车充电出现潜在故障时,随着充电的进行,故障程度也会加剧,电动汽车的温度会偏离正常充电区间,从而导致CNN-BiGRU 模型的温度预测误差变大㊂采用滑动窗口分析法,持续地对温度预测残差进行处理与分析,可以消除数据传输过程中错误充电数据对残差变化的影响,能够有效地避免误预警[24]㊂当滑动窗口的宽度为N 时,此窗口下残差的均值和标准差的计算公式如下:X =1N ðNi =1e i ;S =1N -1ðNi =1(e i-X )2㊂üþýïïïï(3)式中e i 为滑动窗口中第i 个采样点的残差㊂利用滑动窗口对正常充电的温度残差进行分析处理,得到正常充电的温度残差均值绝对值的最大值X max ,以及温度残差标准差的最大值S max ,预警阈值的计算公式为:X Y =ʃk 1X max ;S Y =k 2S max ㊂}(4)当均值和标准差都超过所计算的预警阈值时,进行安全预警㊂2.4㊀电动汽车状态监测与安全预警流程电动汽车的安全预警主要可以分为数据选取及预处理㊁离线模型训练和在线与安全预警3个阶段,电动汽车充电安全动态预警流程图如图3所示㊂其具体的实现过程如下:1)获取电动汽车正常充电过程历史数据,选取适合的模型输入参数;2)对选好的输入参数数据进行归一化和标准化处理,得到CNN-BiGRU 模型的标准输入数据;3)确定CNN-BiGRU 模型网络结构参数,利用标准化输入数据训练CNN-BiGRU 模型,更新模型的网络权重与偏置,得到训练好的CNN-BiGRU 模型;4)采用滑动窗口方法,计算电动汽车正常充电时的预测温度的残差均值与标准差,确定安全预警的阈值;521第7期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法5)获取电动汽车实时充电数据,进行状态监测并显示,并将实时数据输入温度预测模型中,预测电动汽车的充电温度;6)采用滑动窗口计算预测温度的残差均值和标准差,判断两者是否超过安全预警阈值,如果超过,则进行安全预警㊂图3㊀电动汽车状态监测与安全预警流程图Fig.3㊀Flow chart of electric vehicle condition monitoring and safety warning3㊀实验验证与分析3.1㊀数据选取在电动汽车充电过程中,BMS 按照国标GB /T27930,通过充电枪和电缆,以CAN 通信协议方式传输给充电设备㊂充电设备获取到电动汽车的充电信息,选取其中的充电电压需求值㊁充电电流需求值㊁充电电压测量值㊁充电电流测量值㊁动力电池当前SOC㊁单体最高电压㊁单体最高温度具有变化量的参数,作为温度预测模型的输入量㊂以宝骏E100㊁欧拉R1㊁帝豪EV450三款电动汽车作为实验对象,三款电动汽车的参数如表2所示㊂表2㊀电动汽车参数表Table 2㊀Electric vehicle parameter table电动汽车类型宝骏E100欧拉R1帝豪EV450动力电池类型LiFePO4LiFeMgPO4LiNiO2动力电池容量100Ah 120Ah 153Ah 选取数据量69355条69355条65122条3.2㊀模型搭建在硬件配置为Intel (R)Core (TM)i5-3210MCPU @2.50GHz,8GB 内存的计算机中,搭建Py-thon 3.5,Tensorflow 1.15.0的软件实验环境,并以Keras 深度学习网络框架搭建CNN-BiGRU 模型㊂CNN-BiGRU 模型中的CNN 作用是提取数据特征,BiGRU 的作用是进行电动汽车充电数据预测㊂CNN 中卷积层为1层,卷积核数目为32,卷积窗口的长度为4,卷积步长为1,最大池化层数目为1层,池大小为7,步长为1,CNN 网络层激活函数选取SELU 函数㊂BiGRU 中共有2层网络层,每层的神经元个数为90,网络层激活函数选取tanh 函数㊂实验中选用Adam 优化算法,时间步设置为100㊂3.3㊀正常充电模型温度预测结果分析为了验证CNN-BiGRU 模型对电动汽车充电过程温度预测的准确度和稳定性,分别与LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiL-STM 模型进行比较分析㊂不同模型的预测结果如表3~表5㊁图4~图9所示㊂由表3可知,在宝骏E100电动汽车充电数据的预测中,CNN-BiGRU 模型相比与LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiLSTM 模型,温度的e RMSE 分别提降低0.0589㊁0.0414㊁0.033㊁0.0242㊁0.024ħ,温度的e MAPE 分别都降低了0.2448%㊁0.1514%㊁0.1229%㊁0.0799%㊁0.0645%㊂621电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀表3㊀宝骏E100电动汽车不同模型的温度预测结果Table 3㊀Temperature prediction results of different modelsof Baojun E100electric vehicle算法类型e RMSE /ħe MAPE /%LSTM 0.07390.2978GRU 0.05640.2044BiLSTM 0.04800.1759BiGRU 0.03920.1329CNN-BiLSTM 0.03900.1175CNN-BiGRU0.01500.0530由图4所示,宝骏E100电动汽车的温度在随SOC 变化时,只有CNN-BiGRU 温度模型与实际温度值相近㊂图4㊀宝骏E100不同模型温度随SOC 的变化曲线Fig.4㊀Variation curve of temperature with SOC fordifferent models of Baojun E100由图5所示,宝骏E100电动汽车的CNN-BiG-RU 模型的实际温度值和预测温度值的差值大部分集中在-0.06ħ至0.06ħ之间,预测效果较好㊂综合而言,CNN-BiGRU 模型的在宝骏E100的充电温度预测中,具有最好的预测效果㊂图5㊀宝骏E100的CNN-BiGRU 温度模型残差随SOC的变化曲线Fig.5㊀Variation curves of CNN-BiGRU temperaturemodel residuals with SOC for Baojun E100由表4可知,在欧拉R1电动汽车充电数据的预测中,CNN-BiGRU 模型相比与LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiLSTM 模型,温度的e RMSE 分别提降低0.1315㊁0.0482㊁0.0424㊁0.0319㊁0.0274ħ,温度的e MAPE 分别都降低了0.3655%㊁0.0857%㊁0.1214%㊁0.0484%㊁0.0711%㊂表4㊀欧拉R1电动汽车不同模型的温度预测结果Table 4㊀Temperature prediction results of different modelsof Euler R1electric vehicles算法类型e RMSE /ħe MAPE /%LSTM 0.18580.5313GRU 0.10250.2515BiLSTM 0.09670.2872BiGRU 0.08620.2142CNN-BiLSTM 0.08170.2369CNN-BiGRU0.05430.1658由图6所示,欧拉R1电动汽车的温度变化在SOC 较小时,BiLSTM 与实际温度值相近,在SOC 较大时,CNN-BiGRU 模型与实际温度值相近㊂图6㊀欧拉R1不同模型温度随SOC 的变化曲线Fig.6㊀Variation curves of temperature with SOC fordifferent models of Euler R1由图7所示,欧拉R1电动汽车的CNN-BiGRU 模型的实际温度值和预测温度值的差值大部分集中在-0.1ħ至0.3ħ之间,预测效果较好㊂综合而言,CNN-BiGRU 模型的在欧拉R1电动汽车的充电温度预测中,具有最好的预测效果㊂由表5可知,在吉利帝豪EV450电动汽车充电数据的预测中,CNN-BiGRU 模型相比与LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiLSTM 模型,温度的e RMSE 分别提降低0.093㊁0.076㊁0.0582㊁0.004㊁0.0066ħ,温度的e MAPE 分别721第7期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法都降低了0.3506%㊁0.3227%㊁0.0784%㊁0.04%㊁0.0418%㊂图7㊀欧拉R1的CNN-BiGRU 温度模型残差随SOC 的变化曲线Fig.7㊀Variation curves of CNN-BiGRU temperaturemodel residuals with SOC for Euler R1表5㊀帝豪EV450电动汽车不同模型的温度预测结果Table 5㊀Temperature prediction results of different modelsof the Emgrand EV450electric vehicle算法类型e RMSE /ħe MAPE /%LSTM 0.16260.5463GRU 0.14560.5184BiLSTM 0.12780.2741BiGRU 0.07360.2357CNN-BiLSTM 0.07620.2375CNN-BiGRU0.06960.1957由图8所示,吉利帝豪EV450电动汽车的温度变化在整个SOC 变化过程中,只有CNN-BiGRU 模型与实际温度值相近㊂图8㊀帝豪EV450不同模型温度随SOC 的变化曲线Fig.8㊀Variation curve of temperature with SOC fordifferent models of Emgrand EV450由图9所示,吉利帝豪EV450电动汽车中的CNN-BiGRU 模型的实际温度值和预测温度值的差值大部分集中在-0.1ħ至0.3ħ之间,预测效果较好㊂综合而言,CNN-BiGRU 模型的在吉利帝豪EV450电动汽车的充电过程预测中,具有最好的预测效果㊂图9㊀帝豪EV450的CNN-BiGRU 温度模型残差随SOC 的变化曲线Fig.9㊀Variation curves of CNN-BiGRU temperaturemodel residuals with SOC for the Emgrand EV450综上分析,与传统的LSTM 和GRU 相比,BiL-STM 和BiGRU 模型可以对过去和未来的电动汽车充电数据进行充分分析,使得预测的温度数据更加准确㊂与BiLSTM 模型和BiGRU 模型相比,CNN-BiGRU 模型可以利用CNN 提取数据深层特征的能力,对充电数据进行更好的分析和挖掘,从而提高温度预测的准确度㊂于CNN-BiLSTM 模型相比,CNN-BiGRU 模型更加适合大数据量的处理,使得该模型的温度预测准确度要比CNN-BiLSTM 更高㊂从3款电动汽车车型实验结果可知,CNN-BiGRU 相比于LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiLSTM 模型,具有更高的预测准确度和更强的泛化能力㊂3.4㊀安全预警分析由于电池过热是引起电动汽车起火事故的主要原因,所以采用温度残差的均值和标准差作为判断电动充电是否出现异常的判别条件㊂确定滑动窗口宽度为100,对残差进行分析处理㊂随着窗口的移动,宝骏E100㊁欧拉R1电动汽车的温度残差的均值和标准差变化如图10㊁图11和图12所示㊂由图10可知,正常充电状态下,宝骏E100模型821电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀预测残差的均值处于-0.0505~0.0505ħ之间,绝对值最大为0.0505ħ,残差的标准差最大值为0.0118ħ㊂由图11可知,正常充电状态下,欧拉R1模型预测残差的均值处于-0.1141~0.2884ħ之间,绝对值最大为0.2884ħ,残差的标准差最大值为0.0118ħ㊂由图12可知,正常充电状态下,吉利帝豪EV450预测残差的均值处于-0.0805~0.2777ħ之间,绝对值最大为0.2777ħ,残差的标准差最大值为0.005ħ㊂图10㊀宝骏E100温度残差均值和标准差随采样点的变化曲线Fig.10㊀Variation curves of mean and standard devia-tion of Baojun E100temperature residuals with sampling points根据运行人员经验,取k 1㊁k 2为2㊂由式(8)设定3款电动汽车均值的预警阈值为分别为ʃ0.101㊁ʃ0.5768㊁ʃ0.5554ħ,标准差的预警阈值分别为0.0236㊁0.0236㊁0.01ħ㊂选取宝骏E100㊁欧拉R1和吉利帝豪EV450电动汽车对应的故障充电数据输入到CNN-BiGRU 模型中,验证模型安全预警的有效性㊂故障充电预测结果及残差变化趋势如图13~图15所示㊂图11㊀欧拉R1温度残差均值和标准差随采样点的变化曲线Fig.11㊀Variation curves of mean and standard devia-tion of Euler R1temperature residuals with samplingpoints图12㊀帝豪EV450温度残差均值和标准差随采样点的变化曲线Fig.12㊀Variation curves of mean and standard devia-tion of Emgrand EV450temperature residuals with sampling points921第7期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法由图13(a)可以看出,残差均值从第57622个采样点开始超过均值的预警界限,之后处于预警界限以上㊂观察图13(b)发现标准差在第57602个采样点时超过了标准差的预警界限,在57795个采样点时回落到了预警界限以下㊂该电动汽车实际温度故障信息是第57806个采样点发出的㊂根据本文方法,当均值和标准差同时超过预警阈值时发出预警信号,所以在第57622个采样点,就会做出预警㊂在宝骏E100电动汽车的充电安全预警实验中,能够提前184个采样点对异常进行识别,而表1中参数最小的更新周期为50ms,所以能够提前9.2s 对温度异常进行预警㊂图13㊀宝骏E100故障时充电温度残差均值和标准差随采样点的变化曲线Fig.13㊀Variation curves of mean and standard deviationof charging temperature residuals with sampling points during the fault of Baojun E100由图14(a)可以看出,残差均值从第57636个采样点开始超过均值的预警界限,之后处于预警界限以上㊂观察图14(b)发现标准差到第57603个采样点之后,全部超过预警界限㊂该电动汽车实际温度故障信息是第57792个采样点发出的㊂根据本文方法,当均值和标准差同时超过预警阈值时发出预警信号,所以在第57636个采样点,就会做出预警㊂在欧拉R1电动汽车的充电安全预警实验中,能够提前156个采样点对异常进行识别,所以能够提前7.8s 对温度异常进行预警㊂图14㊀欧拉R1故障时充电温度残差均值和标准差随采样点的变化曲线Fig.14㊀Variation curves of mean and standard devia-tion of charging temperature residuals with sampling points during the fault of Euler R1由图15(a)可以看出,残差均值从第50773个采样点开始超过均值的预警界限,之后处于预警界限以上㊂观察图15(b)发现标准差到第50740个采样点之后,全部超过预警界限㊂该电动汽车实际故障温度信息是第50878个采样点发出的㊂根据本文方法,当均值和标准差同时超过预警阈值时发出预警信号,所以在第50773个采样点,就会做出预警㊂在帝豪EV450电动汽车的充电安全预警实验中,能够提前105个采样点对异常进行识别,所以能够提前5.25s 对温度异常进行预警㊂由图15~图17可知,错误的充电数据只会导致标准差变化超出阈值,而均值变化不会超过阈值,31电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀所以在充电数据出现几个离散点时,系统不会预警㊂由此可知,滑动窗口分析法能够有效的避免系统出现误预警的情况发生㊂图15㊀帝豪EV450故障时充电温度残差均值和标准差随采样点的变化曲线Fig.15㊀Variation curves of mean and standarddeviation of charging temperature residuals with sampling points during the fault of Emgrand EV4504㊀结㊀论本文针对电动汽车充电过程的安全问题,结合CNN 提取时间序列特征和BiGRU 从2个方向分析数据的能力,并利用滑动窗口分析法,提出了一种电动汽车充电过程安全预警方法㊂通过使用宝骏E100㊁欧拉R1㊁帝豪EV4503款电动汽车充电数据进行实验验证,结果表明,CNN-BiGRU 模型能够准确的预测电动汽车的温度变化趋势,并且于其他传统预测模型相比,温度的e RMSE 至少能够分别降低0.024㊁0.0274㊁0.004ħ,温度的e MAPE 至少能够分别降低0.0645%㊁0.0484%㊁0.04%,不依赖于电动汽车的动力电池类型,适用性较强㊂确定的预警阈值和规则能够实现对电动汽车充电温度异常的提前预警,预警时间分别提前了9.2㊁7.2㊁5.25s,有效避免电动汽车出现自燃事故㊂参考文献:[1]㊀周美兰,冯继峰,张宇.纯电动汽车复合储能系统及其能量控制策略[J].电机与控制学报,2019,23(5):51.ZHOU Meilan,FENG Jifeng,ZHANG Yu.Hybrid energy storage system for pure electric vehicles and its energy control strategy [J].Electric Machines and Control,2019,23(5):51.[2]㊀吴赋章,杨军,林洋佳,等.考虑用户有限理性的电动汽车时空行为特性[J].电工技术学报,2020,35(7):1563.WU Fuzhang,YANG Jun,LIN Yangjia,et al.Spatio-temporal behavior characteristics of electric vehicles considering users fi-nite rationality[J].Transactions of China Electrotechnical Socie-ty,2020,35(7):1563.[3]㊀钱立军,赵明宇,张卫国.一种电动汽车充电安全预警模型设计方法[J].电网与清洁能源,2016,32(12):114.QIAN Lijun,ZHAO Mingyu,ZHANG Weiguo.A design method of electric vehicle charging safety warning model[J].Power Sys-tem and Clean Energy,2016,32(12):114.[4]㊀胡杰,高志文.基于数据驱动的电动汽车动力电池SOC 预测[J].汽车工程,2021,43(1):1.HU Jie,GAO Zhiwen.Data-driven SOC prediction for electric ve-hicle power batteries based on data[J].Automotive Engineering,2021,43(1):1.[5]㊀丁晓林,王震坡,张雷.四轮轮毂电机驱动电动汽车驱动系统参数多目标优化匹配[J].机械工程学报,2021,57(8):195.DING Xiaolin,WANG Zhenpo,ZHANG Lei.Multi-objective op-timal matching of drive system parameters for four-wheel hub mo-tor-driven electric vehicles[J].Journal of Mechanical Engineer-ing,2021,57(8):195.[6]㊀杨光,宋凯,黄晓华,等.用于电动汽车无线充电线圈互操作性评价的量规设备研究[J].电工技术学报,2020,35(S2):363.YANG Guang,SONG Kai,HUANG Xiaohua,et al.Research on gauge equipment for interoperability evaluation of wireless chargingcoils for electric vehicles[J].Transactions of China Electrotechni-cal Society,2020,35(S2):363.[7]㊀申永鹏,孙建彬,王延峰,等.电动汽车混合储能装置小波功率分流方法[J].中国电机工程学报,2021,41(13):4636.SHEN Yongpeng,SUN Jianbin,WANG Yanfeng,et al.Wavelet power shunt method for electric vehicle hybrid energy storage de-vice[J].Proceedings of the CSEE,2021,41(13):4636.[8]㊀朱绍鹏,江旭东,王燕然,等.分布式四驱电动汽车并联制动控制研究[J].汽车工程,2020,42(11):1506.ZHU Shaopeng,JIANG Xudong,WANG Yanran,et al.Research on parallel braking control of distributed four-wheel drive electricvehicles[J].Automotive Engineering,2020,42(11):1506.131第7期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法。
以糠醛为原料的δ-戊内酯合成及应用研究进展
第５４卷第１期２０２０年１月生㊀物㊀质㊀化㊀学㊀工㊀程ＢｉｏｍａｓｓＣｈｅｍｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＶｏｌ.５４Ｎｏ.１Ｊａｎ.２０２０㊀㊀收稿日期:２０１９￣０１￣２５㊀㊀基金项目:辽宁省重点研发计划资助项目(２０１７２３０００１)㊀㊀作者简介:徐榕徽(１９９４ )ꎬ女ꎬ四川眉山人ꎬ硕士生ꎬ主要从事催化及有机合成研究㊀∗通讯作者:王国胜(１９６５ )ꎬ教授ꎬ博士生导师ꎬ主要从事催化及有机合成研究ꎻＥ￣ｍａｉｌ:ｗｇｓｈ￣ｌｙｃ＠１６３.ｃｏｍꎮ ｄｏｉ:１０.３９６９/ｊ.ｉｓｓｎ.１６７３￣５８５４.２０２０.０１.０１０综述评论 生物质化学品以糠醛为原料的δ￣戊内酯合成及应用研究进展徐榕徽ꎬ王国胜∗(沈阳化工大学化学工程学院ꎻ辽宁省高校化工技术重点实验室ꎬ辽宁沈阳１１０１４２)摘㊀要:综述了以糠醛为原料ꎬ经环戊酮制δ￣戊内酯ꎬ经糠醇及四氢糠醇制１ꎬ５￣戊二醇再制δ￣戊内酯ꎬ以及经四氢呋喃制δ￣戊内酯的３种主要合成途径并简述了经其他糠醛衍生物合成δ￣戊内酯的途径ꎻ同时对δ￣戊内酯在合成医药中间体和聚酯两方面的应用进行了总结ꎮ由于δ￣戊内酯结构广泛存在于具有生物活性和光学活性的化合物中ꎬ可应用于医药领域ꎬδ￣戊内酯自身易聚合ꎬ也可与其他化合物形成聚交酯ꎬ合成的共聚物具有良好的生物相容性和生物可降解性ꎬ这使其在可生物降解材料领域应用受到关注ꎬ因此以糠醛为原料制备δ￣戊内酯生产技术是未来的研究热点ꎮ关键词:糠醛ꎻ衍生物ꎻδ￣戊内酯ꎻ合成中图分类号:ＴＱ３５㊀文献标识码:Ａ㊀㊀㊀㊀㊀文章编号:１６７３￣５８５４(２０２０)０１￣００６０￣０７引文格式:徐榕徽ꎬ王国胜.以糠醛为原料的δ￣戊内酯合成及应用研究进展[Ｊ].生物质化学工程ꎬ２０２０ꎬ５４(１):６０６６.ＲｅｓｅａｒｃｈＰｒｏｇｒｅｓｓｉｎＳｙｎｔｈｅｓｉｓａｎｄＡｐｐｌｉｃａｔｉｏｎｏｆδ￣ＶａｌｅｒｏｌａｃｔｏｎｅＢａｓｅｏｎＦｕｒｆｕｒａｌＸＵＲｏｎｇｈｕｉꎬＷＡＮＧＧｕｏｓｈｅｎｇ(ＬｉａｏｎｉｎｇＰｒｏｖｉｎｃｉａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＣｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙꎬＣｏｌｌｅｇｅｏｆＣｈｅｍｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＣｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙꎬＳｈｅｎｙａｎｇ１１０１４２ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｓｔｕｄｙｏｎｔｈｒｅｅｍａｉｎｓｙｎｔｈｅｔｉｃｒｏｕｔｅｓｏｆδ￣ｖａｌｅｒｏｌａｃｔｏｎｅｂｙｃｙｃｌｏｐｅｎｔａｎｏｎｅꎬ１ꎬ５￣ｐｅｎｔａｎｅｄｉｏｌｂｙｆｕｒｆｕｒｙｌａｌｃｏｈｏｌａｎｄｔｅｔｒａｈｙｄｒｏｆｕｒｆｕｒｙｌａｎｄｂｙｔｅｔｒａｈｙｄｒｏｆｕｒａｎａｒｅｒｅｖｉｅｗｅｄｕｓｉｎｇｆｕｒｆｕｒａｌａｓｒａｗｍａｔｅｒｉａｌ.Ｔｈｅｓｙｎｔｈｅｓｉｓｏｆδ￣ｖａｌｅｒｏｌａｃｔｏｎｅｂｙｏｔｈｅｒｆｕｒｆｕｒａｌｄｅｒｉｖａｔｉｖｅｓｉｓａｌｓｏｄｅｓｃｒｉｂｅｄ.Ｔｈｅａｐｐｌｉｃａｔｉｏｎｓｏｆδ￣ｖａｌｅｒｏｌａｃｔｏｎｅｉｎｐｈａｒｍａｃｅｕｔｉｃａｌｉｎｔｅｒｍｅｄｉａｔｅｓａｎｄｐｏｌｙｅｓｔｅｒｓａｒｅｓｕｍｍａｒｉｚｅｄꎬｗｈｉｃｈｉｓｕｓｅｄｉｎｐｈａｒｍａｃｅｕｔｉｃａｌｉｎｄｕｓｔｒｙｂｅｃａｕｓｅｉｔｓｓｔｒｕｃｔｕｒｅｉｓｗｉｄｅｌｙｆｏｕｎｄｉｎｂｉｏａｃｔｉｖｅａｎｄｏｐｔｉｃａｌｌｙａｃｔｉｖｅｃｏｍｐｏｕｎｄｓ.Ｉｔｉｓｅａｓｙｔｏｐｏｌｙｍｅｒｉｚｅꎬａｎｄｃａｎａｌｓｏｆｏｒｍｐｏｌｙｌａｃｔｉｄｅｗｉｔｈｏｔｈｅｒｃｏｍｐｏｕｎｄｓ.Ｔｈｅｐｏｌｙｍｅｒｈａｓｂｉｏｃｏｍｐａｔｉｂｉｌｉｔｙａｎｄｂｉｏｄｅｇｒａｄａｂｉｌｉｔｙꎬｗｈｉｃｈｍａｋｅｓｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｔｈｅｆｉｅｌｄｏｆｂｉｏｄｅｇｒａｄａｂｌｅｍａｔｅｒｉａｌｓａｔｔｒａｃｔｉｖｅ.Ｔｈｅｒｅｆｏｒｅｔｈｅｐｒｅｐａｒａｔｉｏｎｏｆｔｈｅδ￣ｖａｌｅｒｏｌａｃｔｏｎｅｐｒｏｄｕｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｕｓｉｎｇｆｕｒｆｕｒａｌａｓｒａｗｍａｔｅｒｉａｌｉｓａｈｏｔｔｏｐｉｃｉｎｔｈｅｆｕｔｕｒｅ.Ｋｅｙｗｏｒｄ:ｆｕｒｆｕｒａｌꎻｄｅｒｉｖａｔｉｖｅｓꎻδ￣ｖａｌｅｒｏｌａｃｔｏｎｅꎻｓｙｎｔｈｅｓｉｓ内酯是一类可用作溶剂和提取剂的化学品ꎬ也是合成许多生物医学产品㊁纤维和农药的中间体[１]ꎮδ￣戊内酯作为药物中间体ꎬ曾被广泛应用于医药合成领域[２]ꎮ由于δ￣戊内酯自身易聚合ꎬ形成的均聚酯和与其他化合物形成的聚交酯有较好的生物相容性和生物降解性ꎬ在生物医学工程㊁降解塑料与高附加值包装材料等领域受到亲睐[３]ꎮ随着δ￣戊内酯用途的扩大和市场需求量增加ꎬ找到一种廉价且可再生的原料㊁研究出简单的合成路线和研制出温和的反应条件是目前需要解决的问题ꎮ作为δ￣戊内酯的上游产品ꎬ糠醛是由生物质原料如玉米芯等农副产品中的纤维素或戊聚糖在酸作用下水解再环化脱水得到的产品ꎬ工艺简单ꎬ已基本实现工业化[４]ꎮ糠醛结构中有呋喃环和醛基存在ꎬ具有醛㊁醚㊁二烯烃的化学性质ꎬ能发生加氢㊁氧化和脱碳等反应ꎬ因此以糠醛为原料制备高附加值化学品一直是国内外的研究热点ꎮ本文以糠醛为原料ꎬ对糠醛衍生物环戊酮㊁糠醇㊁四氢糠醇㊁１ꎬ５￣戊二醇和四氢呋喃的制备ꎬ以第１期徐榕徽ꎬ等:以糠醛为原料的δ￣戊内酯合成及应用研究进展６１㊀及它们进一步转化制备δ￣戊内酯的研究进行了综述ꎬ并简要介绍了δ￣戊内酯的应用ꎬ以期发展以生物质平台化合物糠醛为原料制备δ￣戊内酯进而制备可降解聚酯的绿色循环产业ꎮ１㊀δ￣戊内酯的合成以糠醛为原料制备δ￣戊内酯主要有３种途径:环戊酮途径㊁糠醇/四氢糠醇￣１ꎬ５￣戊二醇途径和四氢图１㊀以糠醛为原料制备δ￣戊内酯Ｆｉｇ.１㊀Ｐｒｅｐａｒａｔｉｏｎｏｆδ￣ｖａｌｅｒｏｌａｃｔｏｎｅｆｒｏｍｆｕｒｆｕｒａｌ呋喃途径ꎬ具体过程如图１所示ꎮ１.１㊀环戊酮途径１.１.１㊀糠醛制环戊酮㊀环戊酮ꎬ化学式Ｃ５Ｈ８Ｏꎬ无色透明油状液体ꎬ常用于制备药物和生物制剂ꎮ糠醛制环戊酮工艺报道较少ꎬＨｒｏｎｅｃ等[５－７]报道了在５％Ｐｔ/Ｃ为催化剂㊁氢压８ＭＰａ和温度１６０ħ条件下ꎬ糠醛在水溶剂中重排制环戊酮ꎬ得率达７６.５％ꎬ进一步研究发现糠醛的Ｃ Ｏ在金属表面形成碳正离子ꎬ水的存在不仅促进Ｃ Ｏ的断裂ꎬ还使碳正离子与金属表面结合更稳定ꎬ避免不良前体的形成ꎻ后期研究发现在酒石酸配体存在下ꎬ以化学镀铜法制备高活性及选择性的５％Ｐｄ￣Ｃｕ２Ｏ催化剂ꎬ在氢压３ＭＰａ和１６０ħ条件下反应１ｈꎬ环戊酮得率达９２.１％ꎬ制备过程如图２所示ꎮＧｕｏ等[８]制备了ＣｕＺｎＡｌ催化剂ꎬ在５ｍｍｏｌ糠醛㊁０.２ｇＣｕＺｎＡｌ㊁１５ｍＬ水㊁１５０ħ和氢压４ＭＰａ下反应６ｈꎬ环戊酮得率６２％ꎬ该催化剂能在反复使用５次时保持很好的活性和稳定性ꎮ由于生产成本较低ꎬＣｕ基催化剂成为环戊酮高效工业化生产的潜在催化剂ꎮＺｈｏｕ等[９]制备了碳纳米管结构ＣｕＺｎ催化剂ꎬ将糠醛制环戊酮得率提高到８５％ꎬＺｎ的加入使碳纳米管表面金属Ｃｕ的分散性提高进而提升了催化剂加氢反应的活性ꎬ也使催化剂的酸性增加㊁粒径减小㊁活性增加ꎮＣｕ基催化剂虽然能降低催化剂成本ꎬ但是氢解能力较Ｐｔ㊁Ｐｄ等贵金属差ꎬ导致糠醛的转化率低ꎬ因此利用其他金属进行改性ꎬ以及通过控制催化剂结构形貌来提高糠醛转化率和环戊酮选择性是未来研究的方向ꎮ图２㊀糠醛制环戊酮[７]Ｆｉｇ.２㊀Ｐｒｅｐａｒａｔｉｏｎｏｆｃｙｃｌｏｐｅｎｔａｎｏｎｅｆｒｏｍｆｕｒｆｕｒａｌ[７]１.１.２㊀环戊酮制δ￣戊内酯㊀环戊酮制δ￣戊内酯为典型的Ｂａｅｙｅｒ￣Ｖｉｌｌｉｇｅｒ(ＢＶ)反应ꎬ环戊酮的羰基在过氧化物亲核进攻下产生的中间体发生基团迁移后重排得到了δ￣戊内酯ꎮ目前的研究都围绕过氧酸㊁双氧水和分子氧为氧化剂展开ꎮ有机过氧酸既是氧化剂又是催化剂ꎬ可以保证体系无水ꎬ避免δ￣戊内酯水解ꎮＦｒｉｅｓｓ[１０]早期提出以过氧苯甲酸为氧化剂ꎬδ￣戊内酯得率可达７８％ꎮ酸性最强的过氧三氟乙酸被认为是效果最好的有机过氧酸氧化剂ꎬ反应最快ꎬ得率最高[１１]ꎮＥｍｍｏｎｓ等[１２]使用过氧三氟乙酸氧化环戊酮ꎬδ￣戊内酯得率达８８％ꎮ但有机过氧酸不稳定ꎬ易爆炸ꎬ价格高ꎬ反应产生的副产物有机酸污染环境ꎬ需要大量碱性试剂处理ꎬ增加生产成本ꎮ无机过氧酸盐可以避免有机过氧酸的相关危险ꎬＭａｒíａ等[１３]制备了ＳｉＯ２/ＫＨＳＯ５ꎬ在二氯甲烷为介质条件下ꎬδ￣戊内酯得率可达到９６％ꎬ但ＳｉＯ２/ＫＨＳＯ５利用率低ꎬ消耗量大ꎮ双氧水的氧化能力不及过氧酸ꎬ需要开发活性好的催化剂(固体酸㊁水滑石㊁金属配合物㊁金属氧化物和生物酶等)加速酮的催化ꎮＬｅｉ等[１４]以乙醇为溶剂ꎬＡｌＣｌ３为催化剂ꎬ双氧水为氧化剂ꎬ在７０ħ下反应２４ｈꎬδ￣戊内酯得率可达９９％ꎬ但反应速率极低ꎬ耗时长ꎬ产量小ꎮＭｅｌｌｏ等[１５]制备了过羧乙基化的二６２㊀生㊀物㊀质㊀化㊀学㊀工㊀程第５４卷氧化硅功能型固体酸催化剂ꎬ以双氧水为氧化剂ꎬ在超临界ＣＯ２环境下进行氧化反应ꎬ环戊酮转化率能达到９２％ꎬ固体酸催化剂可回收ꎮＰｉｌｌａｉ等[１６]研究了Ｓｎ交换水滑石为催化剂的情况ꎬＳｎＯ２中的Ｓｎ位点可激活环戊酮的羰基ꎬ并在乙腈和过氧化氢形成的过氧化物亲核进攻下发生重排生成δ￣戊内酯(得率１６％)ꎮ王佳等[１７]在最优条件:环戊酮０.０２５ｍｏｌꎬ催化剂Ｓｎ/Ｗ￣２￣６００用量为环戊酮质量的４０％ꎬｎ(过氧化氢)/ｎ(环戊酮)＝１.５ꎬｎ(丙酸)/ｎ(环戊酮)＝１３.５ꎬ反应时间４.５ｈꎬ真空度为０.０７ＭＰａꎬ制得得率７２.２６％的δ￣戊内酯ꎮＢｒａｄｌｅｙ等[１８]研究了在温和碱性条件(Ｍｇ/Ａｌ/ＭｅＯＨ)中ꎬ环戊酮与过氧化氢经Ｂａｅｙｅｒ￣ｖｉｌｌｉｇｅｒ(ＢＶ)方法制δ￣戊内酯ꎬ得率为３０％ꎬ避免了许多以过氧化氢作为氧化剂的ＢＶ方法大量使用Ｓｎ的问题ꎮＵｙａｎｉｋ等[１９]以Ｌｉ㊁Ｇａ等Ｍ[Ｂ(Ｃ６Ｆ５)４]ｎ高选择性的金属配合物作催化剂ꎬ该催化过程是高效的氧化联级过程ꎬ产物收率可高达９８％ꎬ且反应温和ꎬ但催化剂制备工艺复杂ꎮＲｉｏｓ等[２０]以尿素与过氧化氢络合物为氧化剂ꎬ乙酸乙酯为溶剂ꎬ南极洲念珠菌Ｂ脂肪酶为底物催化制备δ￣戊内酯ꎬ但δ￣戊内酯和脂肪酶仍会发生进一步反应ꎬδ￣戊内酯得率为３０％ꎮ分子氧也可作为氧化剂制备δ￣戊内酯ꎬ由于分子氧的活性差ꎬ需要引入醛类作为分子氧的共氧化剂ꎮＫａｎｅｄａ等[２１]以苯甲醛为分子氧的共氧化剂ꎬ氧化环戊酮制δ￣戊内酯ꎬ四氯化碳为溶剂时得率可达６３％ꎮＬｉ等[２２]开发了Ｃｏ３Ｏ４为催化剂ꎬ苯甲醛为分子氧的共氧化剂ꎬ使环戊酮制δ￣戊内酯得率达到了７５％ꎮＺｈｅｎｇ等[２３]制备了Ｃｕ￣Ｆｅ３Ｏ４＠ｍＳｉＯ２催化剂ꎬ避免了有毒金属钴的使用ꎬ同样选择苯甲醛为分子氧的共氧化剂ꎬδ￣戊内酯得率也能达到７５％ꎬ并解释了催化剂在该反应中起电子转移的作用ꎮ综上所述ꎬ在环戊酮制δ￣戊内酯过程中ꎬ以过氧酸为氧化剂进行均相反应制δ￣戊内酯的方法ꎬ时间短ꎬ得率高ꎬ但因过氧酸对环境的污染使之逐步被淘汰ꎮ双氧水氧化法是目前工业生产的主要方法ꎬ反应过程相对温和ꎬ得率较高ꎬ但水的引入抑制反应进行ꎬ易造成产物水解ꎮ以分子氧作为氧化剂进行的气液相反应ꎬ反应条件较苛刻ꎬ但分子氧是一种绿色安全的氧化剂ꎬ因此将其用于环戊酮制δ￣戊内酯的研究是未来的热点ꎮ１.２㊀糠醇/四氢糠醇￣１ꎬ５￣戊二醇途径１.２.１㊀糠醛制糠醇及四氢糠醇㊀糠醇(Ｃ５Ｈ６Ｏ２)和四氢糠醇(Ｃ５Ｈ１０Ｏ２)均是糠醛加氢的产物ꎬ催化剂的性质决定加氢反应的阶段性和选择性ꎮ糠醛制糠醇主要以Ｎｉ系催化剂和Ｃｕ系催化剂为主ꎮＬｉ等[２４]以制备的细铁掺杂Ｎｉ￣Ｂ非晶态催化剂催化糠醛加氢制糠醇ꎬ结果表明:该催化剂展现了良好的活性ꎬ在１００ħ和１ＭＰａ条件下ꎬ糠醇得率达到１００％ꎻＮａｇａｒａｊａ等[２５]制备了Ｃｕ/ＭｇＯ催化剂ꎬ在１８０ħ和常压的条件下ꎬ糠醇得率９６％ꎮ糠醇制四氢糠醇研究主要以Ｎｉ基催化剂展开ꎮ赵会吉等[２６]以骨架镍催化剂ꎬ在氢压为５.０~６.０ＭＰａ的反应条件下ꎬ糠醇制四氢糠醇得率约９７％ꎮ马兴全[２７]以改进的ＷＲＣ￣Ⅱ型催化剂在５０~１００ħ和０.８~１.２ＭＰａ条件下ꎬ使糠醛一步加氢催化得到四氢糠醇ꎬ得率大于９０％ꎮ１.２.２㊀糠醇及四氢糠醇制１ꎬ５￣戊二醇㊀１ꎬ５￣戊二醇(Ｃ５Ｈ１２Ｏ２)为无色黏稠液体ꎬ常用作有机合成中间体和化学溶剂ꎮ以糠醇为中间体制得１ꎬ５￣戊二醇选择性较低ꎮＧａｏ等[２８]制备了钙钛矿型Ｃｕ￣ＬａＣｏＯ３催化剂ꎬ１４０ħ和氢压６ＭＰａ条件下ꎬ戊二醇总选择性５５.５％(其中ꎬ１ꎬ５￣戊二醇和１ꎬ２￣戊二醇的选择性之比约为３ʒ１)ꎮ四氢糠醇作为中间体制备１ꎬ５￣戊二醇研究较多ꎮＳｃｈｎｉｅｐｐ等[２９]以Ａｌ２Ｏ３为催化剂催化四氢糠醇得到二氢吡喃ꎬ在水蒸气条件下生成羟基戊醛ꎬ再与亚铬酸铜在１５０ħ㊁高压加氢条件下反应得到１ꎬ５￣戊二醇ꎬ得率７０％ꎮＴｏｍｉｓｈｉｇｅ课题组[３０－３３]选用Ｒｈ￣负载型催化剂催化四氢糠醇制１ꎬ５￣戊二醇ꎬ其中Ｒｈ￣ＲｅＯｘ/Ｃ的活性最高ꎬ在水为溶剂ꎬ氢压８ＭＰａꎬ１００ħ条件下反应２４ｈꎬ四氢糠醇转化率９９％ꎬ１ꎬ５￣戊二醇选择性９５％ꎻ而以Ｒｈ/ＳｉＯ２为催化剂时ꎬ１ꎬ５￣戊二醇选择性只有１８％ꎬ１ꎬ２￣戊二醇选择性６１.７％ꎻ并提出Ｒｈ金属颗粒与添加剂金属之间金属键是催化剂高效性的关键ꎮＣｈａｔｔｅｒｊｅｅ等[３４]以Ｒｈ/ＭＣＭ￣４１为催化剂ꎬ在１４ＭＰａ超临界ＣＯ２㊁氢压４ＭＰａ和８０ħ条件下反应２４ｈꎬ四氢糠醇转化率８０.５％ꎬ１ꎬ５￣戊二醇选择性９１.２％ꎮ第１期徐榕徽ꎬ等:以糠醛为原料的δ￣戊内酯合成及应用研究进展６３㊀糠醛制糠醇及四氢糠醇的工艺已经成熟ꎬ产率几乎达到１００％ꎮ但以糠醇及四氢糠醇制１ꎬ５￣戊二醇的过程反应条件苛刻ꎬ催化剂成本过高ꎮ大部分催化剂的选择性较低ꎬ产物中会伴随副产物１ꎬ２￣戊二醇的生成ꎬ分离成本较高ꎮ１.２.３㊀１ꎬ５￣戊二醇制δ￣戊内酯㊀１ꎬ５￣戊二醇脱氢制δ￣戊内酯要经过羟醛缩合反应过程ꎮ１ꎬ５￣戊二醇先被转化为５￣羟基戊醛ꎬ缩合成环后的羟基再次脱氢生成δ￣戊内酯ꎬ如图３所示ꎮ图３㊀１.５￣戊二醇制δ￣戊内酯Ｆｉｇ.３㊀Ｐｒｅｐａｒａｔｉｏｎｏｆδ￣ｖａｌｅｒｏｌａｃｔｏｎｅｆｒｏｍ１ꎬ５￣ｐｅｎｔａｎｅｄｉｏｌ１ꎬ５￣戊二醇中氢原子可与氧结合成水分子实现氧化脱氢ꎮＨｕａｎｇ等[３５－３６]在不同焙烧温度下制备了Ａｕ/ＦｅＯｘ催化剂以及γ￣ＡｌＯＯＨ和γ￣Ａｌ２Ｏ３负载的Ａｕ纳米级催化剂ꎬ并用于催化１ꎬ５￣戊二醇脱氢制δ￣戊内酯ꎬ结果发现:１ꎬ５￣戊二醇转化率最高能达到９２％ꎬ但δ￣戊内酯选择性最高只能达到３３.６％ꎬ这是由于δ￣戊内酯不稳定ꎬ酸性条件再次催化δ￣戊内酯水解生成５￣羟基戊酸导致的ꎮＭｉｔｓｕｄｏｍｅ等[３７]选择碱性更强水滑石(ＴＨ)作载体ꎬ制备了Ａｕ/ＴＨ高效纳米级催化剂ꎬ在４０ħ下分子氧氧化１ꎬ５￣戊二醇ꎬδ￣戊内酯得率９８％ꎬ该过程避免了高温ꎬ且催化剂可在不降低活性前提下回收ꎮ由于纳米Ａｕ催化剂成本高ꎬ该工艺目前仅在研究阶段ꎮ１ꎬ５￣戊二醇也可单纯通过催化剂促使氧￣氢和碳￣氢断裂脱氢ꎮＳｕｚｕｋｉ等[３８]以Ｉｒ配合物为催化剂ꎬｎ(１ꎬ５￣戊二醇)ʒｎ(Ｉｒ)＝２００ʒ１ꎬ常温常压条件下反应２４ｈꎬδ￣戊内酯得率达到９５％ꎮ德国ＢＡＳＦ公司Ｐｉｎｋｏｓ等[３９]申报了１ꎬ５￣戊二醇气相催化脱氢专利技术ꎬ在２６０~３５０ħ温度范围内ꎬ０.０５~１.００ＭＰａ压力下ꎬＣｕＯ/ＳｉＯ２和稀土Ｃｅ㊁Ｙｂ㊁Ｌｕ改性ＣｕＯ/ＳｉＯ２为催化剂ꎬ１ꎬ５￣戊二醇的转化率接近９９％ꎬδ￣戊内酯的最大选择性达到了９５.０％ꎮ冯世宏等[４０]采用溶胶￣凝胶法制备了３％ＣｅＯ２￣ＣｕＯ/ＺｎＯ/Ａｌ２Ｏ３ꎬ反应温度为５６３Ｋꎬ气时空速为５ｈ－１ꎬ反应时间为５ｈꎬＶ(氢气)ʒＶ(１ꎬ５￣戊二醇)＝２ʒ１ꎬ氢压０.１２ＭＰａꎬ此时ꎬ１ꎬ５￣戊二醇的转化率为９３％ꎬδ￣戊内酯的选择性和得率最大值分别达到９４％和８７.４％ꎮ该方法为１ꎬ５￣戊二醇气相催化脱氢制备δ￣戊内酯的中试和工业放大性研究提供了基础数据和实验依据ꎮ最近报道了濮阳迈奇科技公司以１ꎬ５￣戊二醇为原料ꎬ以自制掺杂多助剂的新型铜基催化剂经常压脱氢㊁真空精馏等工艺实现了δ￣戊内酯工业化生产[４１]ꎮ以１ꎬ５￣戊二醇制δ￣戊内酯是近几年研究的热点ꎬ但氧化脱氢过程不可避免地需要使用贵金属催化剂ꎬ且成本较高ꎬ所以用多金属掺杂催化剂直接进行脱氢过程的方法更适合δ￣戊内酯的工业生产ꎮ１.３㊀四氢呋喃途径１.３.１㊀糠醛制四氢呋喃㊀工业上将糠醛与水蒸气混合物通入填充Ｚｎ￣Ｃｒ￣Ｍｎ金属氧化物的反应器ꎬ在４００~４２０ħ下脱羰基制呋喃ꎻ然后以骨架镍为催化剂ꎬ于８０~１２０ħ呋喃加氢制得四氢呋喃[４２]ꎮ由于生产能耗大ꎬ这种工业生产模式逐步被淘汰ꎬ近些年对其研究也鲜有报道ꎮ１.３.２㊀以四氢呋喃制δ￣戊内酯㊀Ｂｈａｔｔａｃｈａｒｙｙａ等[４３]用四氢呋喃㊁水和ＣＯ为原料ꎬ以镍的卤素化合物为催化剂ꎬ在高温高压条件下制备了δ￣戊内酯ꎬ其中以ＮｉＩ２为催化剂能达到最高得率３２.１％ꎮ由于工艺条件苛刻ꎬ戊内酯得率低ꎬ已鲜有人研究ꎮ１.４㊀其他途径糠醛拥有众多衍生物ꎬ除上述几种途径外还可以通过催化加氢和催化氧化生产有机酸㊁酸酐和酯类等各类精细化学品[４４]ꎬ其中δ￣羟基戊醛㊁２￣丁烯酸甲酯㊁α￣呋喃醛㊁１ꎬ５￣戊二醛㊁δ￣羟基戊酸㊁２ꎬ３￣二氢吡喃等均可为原料生产δ￣戊内酯[２]ꎬ但是由于工艺繁琐ꎬ产量低ꎬ所以鲜有研究ꎮ２㊀δ￣戊内酯的应用２.１㊀合成医药中间体δ￣戊内酯结构广泛存在于各种具有生物活性和光学活性的化合物中ꎬ如大环内酯类抗生素(泰利６４㊀生㊀物㊀质㊀化㊀学㊀工㊀程第５４卷霉素㊁可利霉素等)[４５]ꎬβ￣三氟甲基￣β￣羟基￣δ￣戊内酯及其衍生物[４６]ꎮδ￣戊内酯可以合成多种重要的药物中间体:δ￣戊内酯还原合成２ꎬ３￣二氢呋喃用于前列腺素类药物合成[４７]ꎻδ￣戊内酯与硝基苯作为初始原料经系列反应制抗血栓药物Ａｐｉｘｕｂａｎ[４８]ꎻδ￣戊内酯与Ｄ￣苯苷氨醇合成３￣甲基￣２￣哌啶酮类物质[４９]ꎻδ￣戊内酯与环己胺反应得到用于抗血小板聚集药物Ｎ￣环己基￣５￣氯丁基￣１Ｈ￣四氮唑[５０]ꎻ以Ｄ￣苯甘氨醇和δ￣戊内酯为原料合成的六元环内酰胺进而制得的(Ｒ)￣１￣(２￣羟基￣１￣苯乙基)￣３￣甲基￣２哌啶酮可用于生物碱的制备[５１]ꎻ由δ￣戊内酯为起始原料得到的Ｇｕａｄｉｎｏｍｉｃ酸对细菌ＩＩＩ型分泌系统可以表现出很高的抑制效应[５２]ꎮ２.２㊀合成聚酯由于δ￣戊内酯可自身聚合为均聚酯ꎬ也可与其他化合物形成聚交酯ꎬ因此广泛应用于材料领域ꎮ由ε￣己内酯和δ￣戊内酯合成的聚ε￣己内酯￣ｃｏ￣δ￣戊内酯表现出良好的延展性和机械性能[５３]ꎮδ￣戊内酯与聚醚二醇合成的嵌段共聚物具有良好的力学性质和生物相容性[５４]ꎮε￣己内酯和δ￣戊内酯的共聚物可应用于防污涂料ꎬ可降解黏合剂ꎬδ￣戊内酯的加入降低了聚己内酯的结晶度从而克服了聚己内酯降解时间长的缺点[５５]ꎮ而δ￣戊内酯的均聚酯与其他聚交酯立体络合形成的超分子共聚物由于立体络合作用极大提高了共聚物的结晶度ꎬ进而提高了材料的热阻和力学性质[５６]ꎮ甲氧基聚乙二醇和聚戊内酯两亲二嵌段共聚物可负载疏水性抗癌药物紫杉醇ꎬ从而大大提高药物的表观水溶性ꎬ是疏水性药物制备和传递的理想材料[５７]ꎮ随着人们对可生物相容性和可生物降解性的植入式给药系统(ＩＤＤＳ)的开发ꎬ研究发现该系统能在人体内长时间持续释放药物ꎬ具有提高治疗效果㊁减少全身毒性和提高患者依从性的潜力ꎬ因此以δ￣戊内酯为基础的聚合物药物输送器成为近些年的研究热点[５８]ꎮ３㊀结语综述了以糠醛为原料制备δ￣戊内酯的３种主要途径:环戊酮途径㊁糠醇/四氢糠醇￣１ꎬ５￣戊二醇途径和四氢呋喃途径ꎬ总结了δ￣戊内酯在合成医药中间体和聚酯方面的应用研究进展ꎮ由于糠醛可由生物质转化得到ꎬδ￣戊内酯具有低温自聚合性能ꎬ且聚酯材料具有可生物降解性能ꎬ因此以糠醛为原料生产可生物降解聚酯材料是一种绿色可持续的发展方向ꎮ但是ꎬ由糠醛制备δ￣戊内酯的３种途径不同程度上存在合成路线长㊁催化剂价格高㊁反应压力高㊁温度高和氧化技术不完善等问题ꎮ加大催化技术创新研究力度ꎬ开发合成路线短㊁催化剂廉价适用㊁反应条件温和和氧化剂安全绿色的工艺是未来的研究重点ꎮ由于糠醛制糠醇及四氢糠醇收率高ꎬ利于实现工业化生产ꎬ因此糠醛经糠醇及四氢糠醇制δ￣戊内酯最具开发前景ꎮ参考文献:[１]祝全敬ꎬ张召艳ꎬ戴维林ꎬ等.二元醇分子内环化制内酯的研究进展[Ｊ].石油化工ꎬ２０１３ꎬ４２(７):７０９７１５.[２]朱万坤.Ｈ２Ｏ２间接催化氧化制备δ￣戊内酯的新工艺研究[Ｄ].郑州:郑州大学ꎬ２０１４.[３]程丹ꎬ尤亚华ꎬ姚日生.δ￣环戊内酯的合成及应用[Ｊ].安徽化工ꎬ２００７ꎬ３３(４):６９.[４]ＤＡＮＯＮＢꎬＭＡＲＣＯＴＵＬＬＩＯＧꎬＪＯＮＧＷＤ.Ｍｅｃｈａｎｉｓｔｉｃａｎｄｋｉｎｅｔｉｃａｓｐｅｃｔｓｏｆｐｅｎｔｏｓｅｄｅｈｙｄｒａｔｉｏｎｔｏｗａｒｄｓｆｕｒｆｕｒａｌｉｎａｑｕｅｏｕｓｍｅｄｉａｅｍｐｌｏｙｉｎｇｈｏｍｏｇｅｎｅｏｕｓｃａｔａｌｙｓｉｓ[Ｊ].ＧｒｅｅｎＣｈｅｍｉｓｔｒｙꎬ２０１４ꎬ１６(１):３９５４.[５]ＨＲＯＮＥＣＭꎬＫＡＴＡＲＩＮＡＦꎬＬＩＰＴＡＪＴ.Ｅｆｆｅｃｔｏｆｃａｔａｌｙｓｔａｎｄｓｏｌｖｅｎｔｏｎｔｈｅｆｕｒａｎｒｉｎｇｒｅａｒｒａｎｇｅｍｅｎｔｔｏｃｙｃｌｏｐｅｎｔａｎｏｎｅ[Ｊ].ＡｐｐｌｉｅｄＣａｔａｌｙｓｉｓＡ:Ｇｅｎｅｒａｌꎬ２０１２ꎬ４３７/４３８:１０４１１１.[６]ＨＲＯＮＥＣＭꎬＦＵＬＡＪＴＡＲＯＶÁＫ.Ｓｅｌｅｃｔｉｖｅｔｒａｎｓｆｏｒｍａｔｉｏｎｏｆｆｕｒｆｕｒａｌｔｏｃｙｃｌｏｐｅｎｔａｎｏｎｅ[Ｊ].ＣａｔａｌｙｓｉｓＣｏｍｍｕｎｉｃａｔｉｏｎｓꎬ２０１２ꎬ２４:１００１０４. [７]ＨＲＯＮＥＣＭꎬＦＵＬＡＪＴÁＲＯＶÁＫꎬＶÁＶＲＡＩꎬｅｔａｌ.ＣａｒｂｏｎｓｕｐｐｏｒｔｅｄＰｄ￣Ｃｕｃａｔａｌｙｓｔｓｆｏｒｈｉｇｈｌｙｓｅｌｅｃｔｉｖｅｒｅａｒｒａｎｇｅｍｅｎｔｏｆｆｕｒｆｕｒａｌｔｏｃｙｃｌｏｐｅｎｔａｎｏｎｅ[Ｊ].ＡｐｐｌｉｅｄＣａｔａｌｙｓｉｓＢ:Ｅｎｖｉｒｏｎｍｅｎｔａｌꎬ２０１６ꎬ１８１:２１０２１９.[８]ＧＵＯＪＨꎬＸＵＧＹꎬＨＡＮＺꎬｅｔａｌ.ＳｅｌｅｃｔｉｖｅｃｏｎｖｅｒｓｉｏｎｏｆｆｕｒｆｕｒａｌｔｏｃｙｃｌｏｐｅｎｔａｎｏｎｅｗｉｔｈＣｕＺｎＡｌｃａｔａｌｙｓｔｓ[Ｊ].ＡＣＳＳｕｓｔａｉｎａｂｌｅＣｈｅｍｉｓｔｒｙ:Ｅｎｇｉｎｅｅｒｉｎｇꎬ２０１４ꎬ２(１０):２２５９２２６６.[９]ＺＨＯＵＭＨꎬＬＩＪꎬＷＡＮＧＫꎬｅｔａｌ.ＳｅｌｅｃｔｉｖｅｃｏｎｖｅｒｓｉｏｎｏｆｆｕｒｆｕｒａｌｔｏｃｙｃｌｏｐｅｎｔａｎｏｎｅｏｖｅｒＣＮＴ￣ｓｕｐｐｏｒｔｅｄＣｕｂａｓｅｄｃａｔａｌｙｓｔｓ:Ｍｏｄｅｌｒｅａｃｔｉｏｎｆｏｒｕｐｇｒａｄｉｎｇｏｆｂｉｏ￣ｏｉｌ[Ｊ].Ｆｕｅｌꎬ２０１７ꎬ２０２:１１１.[１０]ＦＲＩＥＳＳＳＬ.Ｒｅａｃｔｉｏｎｓｏｆｐｅｒａｃｉｄｓ.ＩＩ:Ｔｈｅｒｅａｃｔｉｏｎｏｆｐｅｒｂｅｎｚｏｉｃａｃｉｄｗｉｔｈｓｉｍｐｌｅｃｙｃｌｉｃｋｅｔｏｎｅｓ.Ｋｉｎｅｔｉｃｓｔｕｄｉｅｓ[Ｊ].Ｊｏｕｒｎａｌｏｆｔｈｅ㊀第１期徐榕徽ꎬ等:以糠醛为原料的δ￣戊内酯合成及应用研究进展６５ＡｍｅｒｉｃａｎＣｈｅｍｉｃａｌＳｏｃｉｅｔｙꎬ１９４９ꎬ７１(７):２５７１２５７５.[１１]ＳＡＧＥＲＷＦꎬＤＵＣＫＷＯＲＴＨＡ.Ｏｘｉｄａｔｉｖｅｒｉｎｇｅｎｌａｒｇｅｍｅｎｔｏｆｃｙｃｌｉｃｋｅｔｏｎｅｓｂｙｐｅｒｏｘｙｔｒｉｆｌｕｏｒｏａｃｅｔｉｃａｃｉｄ[Ｊ].ＪｏｕｒｎａｌｏｆｔｈｅＡｍｅｒｉｃａｎＣｈｅｍｉｃａｌＳｏｃｉｅｔｙꎬ１９５５ꎬ７７:１８８１９０.[１２]ＥＭＭＯＮＳＷＤꎬＦＥＲＲＩＳＡＦ.Ｏｘｉｄａｔｉｏｎｒｅａｃｔｉｏｎｓｗｉｔｈｐｅｒｔｒｉｆｌｕｏｒｏａｃｅｔｉｃａｃｉｄ[Ｊ].ＪｏｕｒｎａｌｏｆｔｈｅＡｍｅｒｉｃａｎＣｈｅｍｉｃａｌＳｏｃｉｅｔｙꎬ１９５３ꎬ７５(１８):４６２３４６２４.[１３]ＭＡＲÍＡＥＧꎬＲＯＳＳＥＬＬＡＭꎬＡＮＤＲＥＡＯꎬｅｔａｌ.Ｂａｅｙｅｒ￣ＶｉｌｌｉｇｅｒｏｘｉｄａｔｉｏｎｉｎｓｕｐｅｒｃｒｉｔｉｃａｌＣＯ２ｗｉｔｈｐｏｔａｓｓｉｕｍｐｅｒｏｘｏｍｏｎｏｓｕｌｆａｔｅｓｕｐｐｏｒｔｅｄｏｎａｃｉｄｉｃｓｉｌｉｃａｇｅｌ[Ｊ].ＪｏｕｒｎａｌｏｆＯｒｇａｎｉｃＣｈｅｍｉｓｔｒｙꎬ２００６ꎬ７１:６４３２６４３６.[１４]ＬＥＩＺＱꎬＭＡＧＦꎬＷＥＩＬＬꎬｅｔａｌ.ＣｌｅａｎＢａｅｙｅｒ￣Ｖｉｌｌｉｇｅｒｏｘｉｄａｔｉｏｎｕｓｉｎｇｈｙｄｒｏｇｅｎｐｅｒｏｘｉｄｅａｓｏｘｉｄａｎｔｃａｔａｌｙｚｅｄｂｙａｌｕｍｉｎｕｍｔｒｉｃｈｌｏｒｉｄｅｉｎｅｔｈａｎｏｌ[Ｊ].ＣａｔａｌｙｓｉｓＬｅｔｔｅｒｓꎬ２００８ꎬ１２４(３/４):３３０３３３.[１５]ＭＥＬＬＯＲꎬＯＬＭＯＳＡꎬＰＡＲＲＡ￣ＣＡＲＢＯＮＥＬＬＪꎬｅｔａｌ.Ｂａｅｙｅｒ￣Ｖｉｌｌｉｇｅｒｏｘｉｄａｔｉｏｎｏｆｋｅｔｏｎｅｓｗｉｔｈａｓｉｌｉｃａ￣ｓｕｐｐｏｒｔｅｄｐｅｒａｃｉｄｉｎｓｕｐｅｒｃｒｉｔｉｃａｌｃａｒｂｏｎｄｉｏｘｉｄｅｕｎｄｅｒｆｌｏｗｃｏｎｄｉｔｉｏｎｓ[Ｊ].ＧｒｅｅｎＣｈｅｍｉｓｔｒｙꎬ２００９ꎬ１１:９９４９９９.[１６]ＰＩＬＬＡＩＵＲꎬＳＡＨＬＥ￣ＤＥＭＥＳＳＩＥＥ.Ｓｎ￣ｅｘｃｈａｎｇｅｄｈｙｄｒｏｔａｌｃｉｔｅｓａｓｃａｔａｌｙｓｔｓｆｏｒｃｌｅａｎａｎｄｓｅｌｅｃｔｉｖｅＢａｅｙｅｒ￣Ｖｉｌｌｉｇｅｒｏｘｉｄａｔｉｏｎｏｆｋｅｔｏｎｅｓｕｓｉｎｇｈｙｄｒｏｇｅｎｐｅｒｏｘｉｄｅ[Ｊ].ＪｏｕｒｎａｌｏｆＭｏｌｅｃｕｌａｒＣａｔａｌｙｓｉｓＡ:Ｃｈｅｍｉｃａｌꎬ２００３ꎬ１９１(１):９３１００.[１７]王佳ꎬ魏金阁ꎬ田士科ꎬ等.催化氧化合成δ￣环戊内酯的工艺研究[Ｊ].化学世界ꎬ２０１７ꎬ５８(２):７０７５.[１８]ＢＲＡＤＬＥＹＴꎬＤＲＡＧＡＮＡꎬＴＯＭＫＩＮＳＯＮＮ.Ｂａｅｙｅｒ￣ＶｉｌｌｉｇｅｒｏｘｉｄａｔｉｏｎｕｎｄｅｒＰａｙｎｅｅｐｏｘｉｄａｔｉｏｎｃｏｎｄｉｔｉｏｎｓ[Ｊ].Ｔｅｔｒａｈｅｄｒｏｎꎬ２０１５ꎬ７１(４２):８１５５８１６１.[１９]ＵＹＡＮＩＫＭꎬＩＳＨＩＨＡＲＡＫ.Ｂａｅｙｅｒ￣Ｖｉｌｌｉｇｅｒｏｘｉｄａｔｉｏｎｕｓｉｎｇｈｙｄｒｏｇｅｎｐｅｒｏｘｉｄｅ[Ｊ].ＡＣＳＣａｔａｌｙｓｉｓꎬ２０１３ꎬ３:５１３５２０.[２０]ＲＩＯＳＭＹꎬＳＡＬＡＺＡＲＥꎬＯＬＩＶＯＨＦ.Ｃｈｅｍｏ￣ｅｎｚｙｍａｔｉｃＢａｅｙｅｒ￣Ｖｉｌｌｉｇｅｒｏｘｉｄａｔｉｏｎｏｆｃｙｃｌｏｐｅｎｔａｎｏｎｅａｎｄｓｕｂｓｔｉｔｕｔｅｄｃｙｃｌｏｐｅｎｔａｎｏｎｅｓ[Ｊ].ＪｏｕｒｎａｌｏｆＭｏｌｅｃｕｌａｒＣａｔａｌｙｓｉｓＢ:Ｅｎｚｙｍａｔｉｃꎬ２００８ꎬ５４:６１６６.[２１]ＫＡＮＥＤＡＫꎬＵＥＮＯＳꎬＩＭＡＮＡＫＡＴꎬｅｔａｌ.Ｂａｅｙｅｒ￣Ｖｉｌｌｉｇｅｒｏｘｉｄａｔｉｏｎｏｆｋｅｔｏｎｅｓｕｓｉｎｇｍｏｌｅｃｕｌａｒｏｘｙｇｅｎａｎｄｂｅｎｚａｌｄｅｈｙｄｅｉｎｔｈｅａｂｓｅｎｃｅｏｆｍｅｔａｌｃａｔａｌｙｓｔｓ[Ｊ].ＣｈｅｍＩｎｆｏｒｍꎬ１９９４ꎬ５９(１１):２９１５２９１７.[２２]ＬＩＹＦꎬＧＵＯＭＱꎬＹＩＮＳＦꎬｅｔａｌ.Ｃｏ３Ｏ４ｏｆｒｅｇｕｌａｒｃｕｂｉｃｓｈａｐｅａｓｈｉｇｈ￣ｅｆｆｉｃｉｅｎｃｙｃａｔａｌｙｓｔｆｏｒｔｈｅｐｒｅｐａｒａｔｉｏｎｏｆｌａｃｔｏｎｅｓｔｈｒｏｕｇｈｔｈｅＢａｅｙｅｒ￣Ｖｉｌｌｉｇｅｒｏｘｉｄａｔｉｏｎｏｆｃｙｃｌｉｃｋｅｔｏｎｅｓｗｉｔｈｄｉｏｘｙｇｅｎ[Ｊ].ＲｅａｃｔｉｏｎＫｉｎｅｔｉｃｓꎬＭｅｃｈａｎｉｓｍｓａｎｄＣａｔａｌｙｓｉｓꎬ２０１３ꎬ１０９(２):５２５５３５.[２３]ＺＨＥＮＧＣＭꎬＣＨＡＮＧＳＢꎬＹＡＮＧＣＷꎬｅｔａｌ.ＥｎｈａｎｃｅｄｓｈａｐｅｓｅｌｅｃｔｉｖｅｃａｔａｌｙｓｉｓｏｆｍｉｘｅｄｃｙｃｌｉｃｋｅｔｏｎｅｓｉｎａｅｒｏｂｉｃＢａｅｙｅｒ￣ＶｉｌｌｉｇｅｒｏｘｉｄａｔｉｏｎｗｉｔｈｍａｇｎｅｔｉｃＣｕ￣Ｆｅ３Ｏ４ꎬｓｕｐｐｏｒｔｅｄｍｅｓｏｐｏｒｏｕｓｓｉｌｉｃａｍｉｃｒｏｓｐｈｅｒｅｓ[Ｊ].Ｔｅｔｒａｈｅｄｒｏｎꎬ２０１８ꎬ７４(２１):２６０８２６１２.[２４]ＬＩＨＸꎬＬＵＯＨＳꎬＺＨＵＡＮＧＬꎬｅｔａｌ.ＬｉｑｕｉｄｐｈａｓｅｈｙｄｒｏｇｅｎａｔｉｏｎｏｆｆｕｒｆｕｒａｌｔｏｆｕｒｆｕｒｙｌａｌｃｏｈｏｌｏｖｅｒｔｈｅＦｅ￣ｐｒｏｍｏｔｅｄＮｉＢａｍｏｒｐｈｏｕｓａｌｌｏｙｃａｔａｌｙｓｔｓ[Ｊ].ＪｏｕｒｎａｌｏｆＭｏｌｅｃｕｌａｒＣａｔａｌｙｓｉｓＡ:Ｃｈｅｍｉｃａｌꎬ２００３ꎬ２０３(１):２６７２７５.[２５]ＮＡＧＡＲＡＪＡＢＭꎬＳＩＶＡＫＵＭＡＲＶꎬＳＨＡＳＩＫＡＬＡＶꎬｅｔａｌ.ＡｈｉｇｈｌｙｅｆｆｉｃｉｅｎｔＣｕ/ＭｇＯｃａｔａｌｙｓｔｆｏｒｖａｐｏｕｒｐｈａｓｅｈｙｄｒｏｇｅｎａｔｉｏｎｏｆｆｕｒｆｕｒａｌｔｏｆｕｒｆｕｒｙｌａｌｃｏｈｏｌ[Ｊ].ＣａｔａｌｙｓｉｓＣｏｍｍｕｎｉｃａｔｉｏｎｓꎬ２００３ꎬ４(６):２８７２９３.[２６]赵会吉ꎬ邢金仙ꎬ刘晨光.骨架镍催化糠醇液相加氢制备四氢糠醇[Ｊ].中国石油大学学报(自然科学版)ꎬ２００３ꎬ２７(１):９１９４. [２７]马兴全.用 ＷＲＣ￣Ⅱ 型催化剂一步催化加氢制备四氢糠醇[Ｊ].陕西化工ꎬ１９８５(４):１６１８.[２８]ＧＡＯＦＦꎬＬＩＵＨＬꎬＨＵＸꎬｅｔａｌ.Ｓｅｌｅｃｔｉｖｅｈｙｄｒｏｇｅｎｏｌｙｓｉｓｏｆｆｕｒｆｕｒｙｌａｌｃｏｈｏｌｔｏ１ꎬ５￣ａｎｄ１ꎬ２￣ｐｅｎｔａｎｅｄｉｏｌｏｖｅｒＣｕ￣ＬａＣｏＯ３ｃａｔａｌｙｓｔｓｗｉｔｈｂａｌａｎｃｅｄＣｕＯ￣ＣｏＯｓｉｔｅｓ[Ｊ].ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＣａｔａｌｙｓｉｓꎬ２０１８ꎬ３９(１０):１７１１１７２３.[２９]ＳＣＨＮＩＥＰＰＬＥꎬＧＥＬＬＥＲＨＨ.Ｐｒｅｐａｒａｔｉｏｎｏｆｄｉｈｙｄｒｏｐｙｒａｎꎬδ￣ｈｙｄｒｏｘｙｖａｌｅｒａｌｄｅｈｙｄｅａｎｄ１ꎬ５￣ｐｅｎｔａｎｅｄｉｏｌｆｒｏｍｔｅｔｒａｈｙｄｒｏｆｕｒｆｕｒｙｌａｌｃｏｈｏｌ[Ｊ].ＪｏｕｒｎａｌｏｆｔｈｅＡｍｅｒｉｃａｎＣｈｅｍｉｃａｌＳｏｃｉｅｔｙꎬ１９４６ꎬ６８(８):１６４６１６４８.[３０]ＣＨＥＮＫＹꎬＭＯＲＩＫꎬＷＡＴＡＮＡＢＥＨꎬｅｔａｌ.Ｃ￣ＯｂｏｎｄｈｙｄｒｏｇｅｎｏｌｙｓｉｓｏｆｃｙｃｌｉｃｅｔｈｅｒｓｗｉｔｈＯＨｇｒｏｕｐｓｏｖｅｒｒｈｅｎｉｕｍ￣ｍｏｄｉｆｉｅｄｓｕｐｐｏｒｔｅｄｉｒｉｄｉｕｍｃａｔａｌｙｓｔｓ[Ｊ].ＪｏｕｒｎａｌｏｆＣａｔａｌｙｓｉｓꎬ２０１２ꎬ２９４:１７１１８３.[３１]ＫＯＳＯＳꎬＵＥＤＡＮꎬＳＨＩＮＭＩＹꎬｅｔａｌ.ＰｒｏｍｏｔｉｎｇｅｆｆｅｃｔｏｆＭｏｏｎｔｈｅｈｙｄｒｏｇｅｎｏｌｙｓｉｓｏｆｔｅｔｒａｈｙｄｒｏｆｕｒｆｕｒｙｌａｌｃｏｈｏｌｔｏ１ꎬ５￣ｐｅｎｔａｎｅｄｉｏｌｏｖｅｒＲｈ/ＳｉＯ２[Ｊ].ＪｏｕｒｎａｌｏｆＣａｔａｌｙｓｉｓꎬ２００９ꎬ２６７(１):８９９２.[３２]ＫＯＳＯＳꎬＷＡＴＡＮＡＢＥＨꎬＯＫＵＭＵＲＡＫꎬｅｔａｌ.ＣｏｍｐａｒａｔｉｖｅｓｔｕｄｙｏｆＲｈ￣ＭｏＯｘａｎｄＲｈ￣ＲｅＯｘｓｕｐｐｏｒｔｅｄｏｎＳｉＯ２ｆｏｒｔｈｅｈｙｄｒｏｇｅｎｏｌｙｓｉｓｏｆｅｔｈｅｒｓａｎｄｐｏｌｙｏｌｓ[Ｊ].ＡｐｐｌｉｅｄＣａｔａｌｙｓｉｓＢ:Ｅｎｖｉｒｏｎｍｅｎｔａｌꎬ２０１２ꎬ１１１(６):２７３７.[３３]ＮＡＫＡＧＡＷＡＹꎬＴＯＭＩＳＨＩＧＥＫ.Ｐｒｏｄｕｃｔｉｏｎｏｆ１ꎬ５￣ｐｅｎｔａｎｅｄｉｏｌｆｒｏｍｂｉｏｍａｓｓｖｉａｆｕｒｆｕｒａｌａｎｄｔｅｔｒａｈｙｄｒｏｆｕｒｆｕｒｙｌａｌｃｏｈｏｌ[Ｊ].ＣａｔａｌｙｓｉｓＴｏｄａｙꎬ２０１２ꎬ１９５(１):１３６１４３.[３４]ＣＨＡＴＴＥＲＪＥＥＭꎬＫＡＷＡＮＡＭＩＨꎬＩＳＨＩＺＡＫＡＴꎬｅｔａｌ.Ａｎａｔｔｅｍｐｔｔｏａｃｈｉｅｖｅｔｈｅｄｉｒｅｃｔｈｙｄｒｏｇｅｎｏｌｙｓｉｓｏｆｔｅｔｒａｈｙｄｒｏｆｕｒｆｕｒｙｌａｌｃｏｈｏｌｉｎｓｕｐｅｒｃｒｉｔｉｃａｌｃａｒｂｏｎｄｉｏｘｉｄｅ[Ｊ].ＣａｔａｌｙｓｉｓＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙꎬ２０１１ꎬ１(８):１４６６１４７１.[３５]ＨＵＡＮＧＪꎬＤＡＩＷＬꎬＦＡＮＫＮ.ＳｕｐｐｏｒｔｅｆｆｅｃｔｏｆｎｅｗＡｕ/ＦｅＯｘｃａｔａｌｙｓｔｓｉｎｔｈｅｏｘｉｄａｔｉｖｅｄｅｈｙｄｒｏｇｅｎａｔｉｏｎｏｆαꎬω￣ｄｉｏｌｓｔｏｌａｃｔｏｎｅｓ[Ｊ].ＪｏｕｒｎａｌｏｆＰｈｙｓｉｃａｌＣｈｅｍｉｓｔｒｙＣꎬ２００８ꎬ１１２(４１):１６１１０１６１１７.[３６]ＨＵＡＮＧＪꎬＷＡＮＧＹꎬＺＨＥＮＧＪＭꎬｅｔａｌ.ＩｎｆｌｕｅｎｃｅｏｆｓｕｐｐｏｒｔｓｕｒｆａｃｅｂａｓｉｃｉｔｙａｎｄｇｏｌｄｐａｒｔｉｃｌｅｓｉｚｅｏｎｃａｔａｌｙｔｉｃａｃｔｉｖｉｔｙｏｆＡｕ/γ￣ＡｌＯＯＨａｎｄＡｕ/γ￣Ａｌ２Ｏ３ｃａｔａｌｙｓｔｉｎａｅｒｏｂｉｃｏｘｉｄａｔｉｏｎｏｆαꎬω￣ｄｉｏｌｓｔｏｌａｃｔｏｎｅｓ[Ｊ].ＡｐｐｌｉｅｄＣａｔａｌｙｓｉｓＢꎬ２０１１ꎬ１０３(３/４):３４３３５０.[３７]ＭＩＴＳＵＤＯＭＥＴꎬＮＯＵＪＩＭＡＡꎬＭＩＺＵＧＡＫＩＴꎬｅｔａｌ.Ｓｕｐｐｏｒｔｅｄｇｏｌｄｎａｎｏｐａｒｔｉｃｌｅｓａｓａｒｅｕｓａｂｌｅｃａｔａｌｙｓｔｆｏｒｓｙｎｔｈｅｓｉｓｏｆｌａｃｔｏｎｅｓｆｒｏｍｄｉｏｌｓｕｓｉｎｇｍｏｌｅｃｕｌａｒｏｘｙｇｅｎａｓａｎｏｘｉｄａｎｔｕｎｄｅｒｍｉｌｄｃｏｎｄｉｔｉｏｎｓ[Ｊ].ＧｒｅｅｎＣｈｅｍｉｓｔｒｙꎬ２００９ꎬ１１(６):７９３７９７.６６㊀生㊀物㊀质㊀化㊀学㊀工㊀程第５４卷[３８]ＳＵＺＵＫＩＴꎬＭＯＲＩＴＡＫꎬＴＳＵＣＨＩＤＡＭꎬｅｔａｌ.Ｍｉｌｄａｎｄｃｈｅｍｏｓｅｌｅｃｔｉｖｅｓｙｎｔｈｅｓｉｓｏｆｌａｃｔｏｎｅｓｆｒｏｍｄｉｏｌｓｕｓｉｎｇａｎｏｖｅｌｍｅｔａｌ￣ｌｉｇａｎｄｂｉｆｕｎｃｔｉｏｎａｌｃａｔａｌｙｓｔ[Ｊ].ＯｒｇａｎｉｃＬｅｔｔｅｒｓꎬ２０１０ꎬ３３(４８):１０６１０６.[３９]ＰＩＮＫＯＳＲꎬＢＡＵＤＡＩＮＣꎬＰＡＵＬＡꎬｅｔａｌ.Ｐｒｏｃｅｓｓｆｏｒｐｒｅｐａｒｉｎｇｄｅｌｔａ￣ｖａｌｅｒｏｌａｃｔｏｎｅｔｈｅｇａｓｐｈａｓｅ:ＵＳ８４６６２９９Ｂ２[Ｐ].２０１３￣０６￣１８. [４０]冯世宏ꎬ闫广学ꎬ宋国全ꎬ等.ＣｅＯ２￣ＣｕＯ/ＺｎＯ/Ａｌ２Ｏ３用于１ꎬ５￣戊二醇气相催化脱氢制备δ￣环戊内酯的研究[Ｊ].现代化工ꎬ２０１７ꎬ３７(１２):１０６１０９.[４１]中国石化有机原料科技情报中心站.濮阳迈奇科技公司开发的δ￣戊内酯合成新工艺实现产业化应用[Ｊ].石油炼制与化工ꎬ２０１８ꎬ４９(２):５４.[４２]李世瑨ꎬ汪仁ꎬ严之光ꎬ等.四氢呋喃的研究.Ⅰ:糠醛的催化脱羰[Ｊ].科学通报ꎬ１９５８ꎬ３(３):８８８９.[４３]ＢＨＡＴＴＡＣＨＡＲＹＹＡＳＫꎬＮＡＮＤＩＤＫ.Ｈｉｇｈｐｒｅｓｓｕｒｅｓｙｎｔｈｅｓｉｓｏｆｄｅｌｔａ￣ｖａｌｅｒｏｌａｃｔｏｎｅａｎｄａｄｉｐｉｃａｃｉｄ[Ｊ].Ｉｎｄｕｓｔｒｉａｌ＆ＥｎｇｉｎｅｅｒｉｎｇＣｈｅｍｉｓｔｒｙꎬ１９５９ꎬ５１(２):１４３１４６.[４４]宁良民ꎬ廖圣云ꎬ崔红格ꎬ等.生物质平台化合物糠醛的催化转化[Ｊ].石油化工ꎬ２０１７ꎬ４６(１):１３０１３６.[４５]李喆宇ꎬ崔玉彬ꎬ张静霞ꎬ等.大环内酯类抗生素的研究进展[Ｊ].国外医药抗生素分册ꎬ２０１３ꎬ３４(１):６１５.[４６]姚子丽ꎬ康泰然ꎬ何龙ꎬ等.乙醛和不饱和三氟甲基酮不对称Ａｌｄｏｌ反应合成光学活性的β￣三氟甲基￣羟基￣δ戊内酯[Ｊ].有机化学ꎬ２０１４ꎬ３７(７):１３９９１４０６.[４７]ＴＥＭＭＥＯꎬＴＡＪＳꎬＡＮＤＥＲＳＳＯＮＰ.ＨｉｇｈｌｙｅｎａｎｔｉｏｓｅｌｅｃｔｉｖｅｉｎｔｅｒｍｏｌｅｃｕｌａｒＣｕ(Ｉ)￣ｃａｔａｌｙｚｅｄｃｙｃｌｏｐｒｏｐａｎａｔｉｏｎｏｆｃｙｃｌｉｃｅｎｏｌｅｔｈｅｒｓ:Ａｓｙｍｍｅｔｒｉｃｔｏｔａｌｓｙｎｔｈｅｓｉｓｏｆ(＋)￣ｑｕｅｂｒａｃｈａｍｉｎｅ[Ｊ].ＴｈｅＪｏｕｒｎａｌｏｆＯｒｇａｎｉｃＣｈｅｍｉｓｔｒｙꎬ１９９８ꎬ６３(１７):６００７６０１５.[４８]张杰ꎬ张艺帆.阿哌沙班的合成工艺改进研究[Ｊ].世界最新医学信息文摘ꎬ２０１８ꎬ１８(４６):１０３１０４.[４９]ＷＡＮＧＸＺꎬＷＡＮＧＸꎬＣＨＥＮＹＱꎬｅｔａｌ.ＡｓｙｍｍｅｔｒｉｃｓｙｎｔｈｅｓｉｓｏｆＮ￣ｐｒｏｔｅｃｔｅｄ３￣ｍｅｔｈｙｌｐｉｐｅｒｉｄｉｎ￣２￣ｏｎｅａｎｄｉｔｓｄｉａｓｔｅｒｅｏｉｓｏｍｅｒ[Ｊ].ＪｏｕｒｎａｌｏｆＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙＳｃｉｅｎｃｅＡ:ＡｐｐｌｉｅｄＰｈｙｓｉｃｓ＆Ｅｎｇｉｎｅｅｒｉｎｇꎬ２０１６ꎬ１７(２):１６３１７０.[５０]贾义霞ꎬ高建荣ꎬ盛卫坚ꎬ等.血小板阻聚药物中间体Ｎ￣环己基￣５￣氯丁基￣１Ｈ￣四氮唑的合成[Ｊ].合成化学ꎬ２００３ꎬ１１(２):１５０１５２. [５１]王霞.(３Ｓ)￣１￣[(Ｒ)￣２￣羟基￣１￣苯乙基]￣３￣甲基￣２哌啶酮合成工艺研究[Ｄ].杭州ꎬ浙江大学ꎬ２０１５.[５２]ＲＥＩＤＢＴꎬＭＡＩＬＹＡＮＡＫꎬＺＡＫＡＲＩＡＮＡ.Ｔｏｔａｌｓｙｎｔｈｅｓｉｓｏｆ(＋)￣ｇｕａｄｉｎｏｍｉｃａｃｉｄｖｉａｈｙｄｒｏｘｙｌ￣ｄｉｒｅｃｔｅｄｇｕａｎｉｄｙｌａｔｉｏｎ[Ｊ].ＴｈｅＪｏｕｒｎａｌｏｆＯｒｇａｎｉｃＣｈｅｍｉｓｔｒｙꎬ２０１８ꎬ８３(１６):９４９２９４９６.[５３]ＦＡŸＦꎬＲＥＮＡＲＤＥꎬＬＡＮＧＬＯＩＳＶꎬｅｔａｌ.Ｄｅｖｅｌｏｐｍｅｎｔｏｆｐｏｌｙ(ε￣ｃａｐｒｏｌａｃｔｏｎｅ￣ｃｏ￣ｌ￣ｌａｃｔｉｄｅ)ａｎｄｐｏｌｙ(ε￣ｃａｐｒｏｌａｃｔｏｎｅ￣ｃｏ￣δ￣ｖａｌｅｒｏｌａｃｔｏｎｅ)ａｓｎｅｗｄｅｇｒａｄａｂｌｅｂｉｎｄｅｒｕｓｅｄｆｏｒａｎｔｉｆｏｕｌｉｎｇｐａｉｎｔ[Ｊ].ＥｕｒｏｐｅａｎＰｏｌｙｍｅｒＪｏｕｒｎａｌꎬ２００７ꎬ４３(１１):４８００４８１３.[５４]熊成东ꎬ邓先模.内酯或交酯与聚醚二醇的共聚方法:ＣＮ１１１１２５３Ａ[Ｐ].１９９５￣１１￣０８.[５５]ＦＥＲＮÁＮＤＥＺＪꎬＥＴＸＥＢＥＲＲＩＡＡꎬＳＡＲＡＳＵＡＪＲ.Ｉｎｖｉｔｒｏｄｅｇｒａｄａｔｉｏｎｓｔｕｄｉｅｓａｎｄｍｅｃｈａｎｉｃａｌｂｅｈａｖｉｏｒｏｆｐｏｌｙ(ε￣ｃａｐｒｏｌａｃｔｏｎｅ￣ｃｏ￣δ￣ｖａｌｅｒｏｌａｃｔｏｎｅ)ａｎｄｐｏｌｙ(ε￣ｃａｐｒｏｌａｃｔｏｎｅ￣ｃｏ￣Ｌ￣ｌａｃｔｉｄｅ)ｗｉｔｈｒａｎｄｏｍａｎｄｓｅｍｉ￣ａｌｔｅｒｎａｔｉｎｇｃｈａｉｎｍｉｃｒｏｓｔｒｕｃｔｕｒｅｓ[Ｊ].ＥｕｒｏｐｅａｎＰｏｌｙｍｅｒＪｏｕｒｎａｌꎬ２０１５ꎬ７１:５８５５９５.[５６]ＳＨＩＸＴꎬＪＩＮＧＺＸꎬＺＨＡＮＧＧＣ.Ｃｒｙｓｔａｌｌｉｚａｔｉｏｎａｎｄｐｒｏｐｅｒｔｉｅｓｏｆｐｏｌｙ(ｌａｃｔｉｄｅ)/ｐｏｌｙ(δ￣ｖａｌｅｒｏｌａｃｔｏｎｅ)ａｌｔｅｒｎａｔｉｎｇｓｕｐｒａｍｏｌｅｃｕｌａｒｃｏｐｏｌｙｍｅｒｓａｄｊｕｓｔｅｄｂｙｓｔｅｒｅｏｃｏｍｐｌｅｘａｔｉｏｎ[Ｊ].ＡＣＳＯｍｅｇａꎬ２０１９ꎬ４(６):１１１４５１１１５１.[５７]ＬＥＥＨꎬＺＥＮＧＦꎬＤＵＮＮＥＭꎬｅｔａｌ.Ｍｅｔｈｏｘｙｐｏｌｙ(ｅｔｈｙｌｅｎｅｇｌｙｃｏｌ)￣ｂｌｏｃｋ￣ｐｏｌｙ(δ￣ｖａｌｅｒｏｌａｃｔｏｎｅ)ｃｏｐｏｌｙｍｅｒｍｉｃｅｌｌｅｓｆｏｒｆｏｒｍｕｌａｔｉｏｎｏｆｈｙｄｒｏｐｈｏｂｉｃｄｒｕｇｓ[Ｊ].Ｂｉｏｍａｃｒｏｍｏｌｅｃｕｌｅｓꎬ２００５ꎬ６(６):３１１９３１２８.[５８]ＤＥＶＥＤＥＣＦＬꎬＢＯＵＣＨＥＲＨꎬＤＵＢＩＮＳＤＮꎬｅｔａｌ.Ｆａｃｔｏｒｓｃｏｎｔｒｏｌｌｉｎｇｄｒｕｇｒｅｌｅａｓｅｉｎｃｒｏｓｓ￣ｌｉｎｋｅｄｐｏｌｙ(ｖａｌｅｒｏｌａｃｔｏｎｅ)ｂａｓｅｄｍａｔｒｉｃｅｓ[Ｊ].ＭｏｌｅｃｕｌａｒＰｈａｒｍａｃｅｕｔｉｃｓꎬ２０１８ꎬ１５(４):１５６５１５７７.。
青岛大学美术学院——工业设计工程专业考研研究生导师介绍
工业设计工程（专业学位）岳晓泉（塗山），男，1956年出生于安徽蚌埠。
1983年毕业于中央工艺美术学院（现清华美院）。
先后在安徽省外贸包装进出口公司、安徽省国际广告公司担任设计部主任、艺术总监等职。
2000年初作为青岛市引进人才调入青岛大学，现为青岛大学美术学院副教授、设计系主任，硕士生导师。
代表作品《黄山毛峰包装》、《野茶包装》、《贵族内衣包装》、《中国青岛国际电子家电博览会标志》、《美菱电器标志》、《北京昆仑饭店标志》等。
数年来曾多次获“亚洲之星”、“中国之星”、“华东大奖”、“齐鲁之星”等称号。
2002年被中国包联设计委员会授予“中国优秀包装设计师”及“中国包装行业先进工作者”荣誉称号。
现担任的主要社会职务有：中国包装联合会设计委员会全国委员、山东省包装设计委员会副主任、中国大学生平面设计大赛评委、青岛奥帆委艺术顾问、青岛工业设计协会常委等职。
孙宝珍，男，1986年研究生毕业后分配至山东纺织工学院实用美术系(青岛大学美术学院的前身)从事教学工作，1999年晋升副教授。
现担任美术学院环境艺术设计系系主任、青岛大学工程硕士学位委员会委员、硕士研究生指导教师。
曾多次被评为“美术学院优秀党员”，2006年被评为“青岛大学师德标兵”、“青岛大学校级优秀共产党员”。
2002年、2007年两次获得“青岛大学教学优秀奖”，2008年指导的研究生毕业论文获“青岛大学校级优秀硕士毕业论文”二等奖，个人荣获“青岛大学2009年优秀研究生指导教师”称号。
担任环境艺术设计系系主任期间，将环艺系由两个专业方向扩展为三个专业方向,其中室内设计方向、景观设计方向已经成为美术学院最重要的专业。
其专著《室内效果图》被列为艺术设计高等教育“十一五”部委级规划教材；《青岛烟草公司办公楼室内设计》入选由文化部和中国美术家协会举办的“第十届全国美术作品展览”；横向研究课题《小埠东住宅项目室外环境设计》顺利进行；山东省艺术科学重点课题《现代景观设计中的植物文化研究》也已经获得立项；其参编教材《有理有例3DMAX》已由清华大学出版社出版，并荣获“2007年度山东省文化艺术科学优秀成果奖”三等奖；参编教材《Flash CS3标准培训教程》，已由机械工业出版社出版；曾发表论文《室内环境的视知觉》。
青岛市人民政府关于2010年度青岛市科学技术奖励的决定
青岛市人民政府关于2010年度青岛市科学技术奖励的决定文章属性•【制定机关】青岛市人民政府•【公布日期】2011.02.26•【字号】青政发[2011]14号•【施行日期】2011.02.26•【效力等级】地方规范性文件•【时效性】现行有效•【主题分类】科技奖励正文青岛市人民政府关于2010年度青岛市科学技术奖励的决定（青政发〔2011〕14号二○一一年二月二十六日）各区、市人民政府，市政府各部门，市直各单位：为全面实施“科教兴市”、“人才强市”战略，鼓励科技创新，进一步推进创新型城市建设，市政府决定，对为我市科学技术进步做出突出贡献的人员和单位给予奖励。
根据《青岛市科学技术奖励办法》，经市科学技术奖励评审委员会评审、市科学技术奖励委员会审定和市政府批准，授予“基于纳米复合界面的DNA电化学传感及转基因植物外源基因检测”等2项成果2010年度青岛市自然科学奖一等奖，授予“电离层多尺度变化对无线电波传播的影响机理研究”等7项成果2010年度青岛市自然科学奖二等奖，授予“牛和鼠胚胎诱导型热休克蛋白70的研究”等7项成果2010年度青岛市自然科学奖三等奖；授予“橡塑共混用混炼挤出一体化技术及装备”1项成果2010年度青岛市技术发明奖一等奖，授予“废旧家电资源化综合利用成套技术及新家电的绿色设计”1项成果2010年度青岛市技术发明奖二等奖，授予“基于AVS的嵌入式实时解码技术及应用”等3项成果2010年度青岛市技术发明奖三等奖；授予“现代港口综合物流信息平台研究与实施”等17项成果2010年度青岛市科技进步奖一等奖，授予“食品中农兽药多残留免疫检测试剂盒研究与示范”等50项成果2010年度青岛市科技进步奖二等奖，授予“青岛大剧院大跨度钢桁架格栅施工仿真技术研究与应用”等62项成果2010年度青岛市科技进步奖三等奖；授予比利时海洋学专家帕垂克·所阁罗斯等6名外国专家2010年度青岛市国际科学技术合作奖。
煤矿千米深井智能开采关键技术研究与应用
㊀第４９卷第４期煤炭科学技术Ｖｏｌ ４９㊀Ｎｏ ４㊀㊀２０２１年４月ＣｏａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ㊀Ａｐｒ．２０２１㊀移动扫码阅读任怀伟，巩师鑫，刘新华，等．煤矿千米深井智能开采关键技术研究与应用［Ｊ］．煤炭科学技术，２０２１，４９（４）：１４９－１５８ ｄｏｉ：１０ １３１９９／ｊ ｃｎｋｉ ｃｓｔ ２０２１ ０４ ０１８ＲＥＮＨｕａｉｗｅｉ，ＧＯＮＧＳｈｉｘｉｎ，ＬＩＵＸｉｎｈｕａ，ｅｔａｌ．Ｒｅｓｅａｒｃｈａｎｄａｐｐｌｉｃａｔｉｏｎｏｎｋｅｙｔｅｃｈｎｉｑｕｅｓｏｆｉｎｔｅｌｌｉｇｅｎｔｍｉｎｉｎｇｆｏｒｋｉｌｏ－ｍｅｔｅｒｄｅｅｐｃｏａｌｍｉｎｅ［Ｊ］．ＣｏａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０２１，４９（４）：１４９－１５８ ｄｏｉ：１０ １３１９９／ｊ ｃｎｋｉ ｃｓｔ ２０２１ ０４ ０１８煤矿千米深井智能开采关键技术研究与应用任怀伟１，２，巩师鑫１，２，刘新华１，２，吕㊀益３，文治国１，２，刘万财３，张㊀帅１，２（１．中煤科工开采研究院有限公司科创中心，北京㊀１０００１３；２．煤炭科学研究总院开采研究分院，北京㊀１０００１３；３．中煤新集能源股份有限公司口孜东煤矿，安徽淮南㊀２３２１７０）摘㊀要：千米深井复杂条件煤层智能化开采是当前煤矿技术发展迫切需要解决的难题㊂以中煤新集口孜东煤矿１４０５０２工作面地质条件为基础，针对该工作面俯采倾角变化大㊁矿压显现剧烈㊁顶板煤壁破碎所致的采场围岩稳定控制难㊁液压支护系统适应性降低等问题，研究了千米深井复杂条件工作面智能化开采关键技术，为复杂难采煤层开采提供了技术与装备支撑㊂研发了基于ＬＯＲＡ的工作面液压支架（围岩）状态监测系统，同时获取立柱压力和支架姿态数据㊂提出了基于大数据分析的矿压分析预测方法，采用ＦＬＰＥＭ和ＡＲＭＡ两种算法组合预测提升精度和效率，采用数据分布域适应迁移算法解决了支护过程中时变工况导致预测模型失准的问题，模型预测精度达到９２％以上㊂研发了基于Ｕｎｉｔｙ３Ｄ的工作面三维仿真与运行态势分析决策系统，支撑复杂条件下的围岩控制和煤层跟随截割控制的智能决策㊂现场试验表明：工作面在试验期开采高度达到６．５ｍ，在１４ʎ １７ʎ俯采㊁顶板相对破碎㊁煤层硬度１．６的条件下，月产达到３１．５万ｔ㊂设备可靠性和适应性较之前该矿使用设备明显提升，工作面安全性大幅改善，实现了千米深井三软煤层的安全高效开采㊂关键词：千米深井；智能开采；位姿状态监测；大数据分析；分析决策中图分类号：ＴＤ６７㊀㊀㊀文献标志码：Ａ㊀㊀㊀文章编号：０２５３－２３３６（２０２１）０４－０１４９－１０Ｒｅｓｅａｒｃｈａｎｄａｐｐｌｉｃａｔｉｏｎｏｎｋｅｙｔｅｃｈｎｉｑｕｅｓｏｆｉｎｔｅｌｌｉｇｅｎｔｍｉｎｉｎｇｆｏｒｋｉｌｏ－ｍｅｔｅｒｄｅｅｐｃｏａｌｍｉｎｅＲＥＮＨｕａｉｗｅｉ１，２，ＧＯＮＧＳｈｉｘｉｎ１，２，ＬＩＵＸｉｎｈｕａ１，２，ＬＹＵＹｉ３，ＷＥＮＺｈｉｇｕｏ１，２，ＬＩＵＷａｎｃａｉ３，ＺＨＡＮＧＳｈｕａｉ１，２（１．ＴｅｃｈｎｏｌｏｇｙＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒ，ＣＣＴＥＧＣｏａｌＭｉｎｉｎｇＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅＣｏ．，Ｌｔｄ．，Ｂｅｉｊｉｎｇ㊀１０００１３，Ｃｈｉｎａ；２．ＣｏａｌＭｉｎｉｎｇａｎｄＤｅｓｉｇｎｉｎｇＢｒａｎｃｈ，ＣｈｉｎａＣｏａｌＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ㊀１０００１３，Ｃｈｉｎａ；３．ＫｏｕｚｉｄｏｎｇＭｉｎｅＣｏａｌ，ＸｉｎｊｉＥｎｅｒｇｙＣｏ．，Ｌｔｄ．，ＣｈｉｎａＮａｔｉｏｎａｌＣｏａｌＧｒｏｕｐＣｏｒｐ．，Ｈｕａｉｎａｎ㊀２３２１７０，Ｃｈｉｎａ）收稿日期：２０２１－０２－２８；责任编辑：曾康生基金项目：国家重点研发计划资助项目（２０１７ＹＦＣ０６０３００５）；国家自然科学基金重点资助项目（５１８３４００６）；国家自然科学基金面上资助项目（５１８７４１７７４）；中国煤炭科工集团科技专项重点资助项目（２０１９－ＴＤ－ＺＤ００１）作者简介：任怀伟（１９８０ ），男，河北廊坊人，研究员，硕士生导师，博士，中国煤炭科工集团三级首席科学家㊂Ｔｅｌ：０１０－８４２６３１４２，Ｅ－ｍａｉｌ：ｒｈｕａｉｗｅｉ＠ｔｄｋｃｓｊ．ｃｏｍＡｂｓｔｒａｃｔ：Ｔｈｅｉｎｔｅｌｌｉｇｅｎｔｍｉｎｉｎｇｏｆｃｏａｌｓｅａｍｓｉｎｔｈｅｃｏｍｐｌｅｘｃｏｎｄｉｔｉｏｎｓｏｆｋｉｌｏ－ｍｅｔｅｒｄｅｅｐｃｏａｌｍｉｎｅｉｓａｐｒｏｂｌｅｍｔｈａｔｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｃｏａｌｍｉｎｅｔｅｃｈｎｏｌｏｇｙｕｒｇｅｎｔｌｙｎｅｅｄｓｔｏｂｅｓｏｌｖｅｄ．ＢａｓｅｄｏｎｔｈｅｇｅｏｌｏｇｉｃａｌｃｏｎｄｉｔｉｏｎｓｏｆＮｏ．１４０５０２ｆｕｌｌｙｍｅｃｈａｎｉｚｅｄｍｉｎｉｎｇｆａｃｅｉｎＫｏｕｚｉ⁃ｄｏｎｇＭｉｎｅＣｏａｌ，ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｏｆｄｉｆｆｉｃｕｌｔｙｉｎｃｏｎｔｒｏｌｌｉｎｇｔｈｅｓｔａｂｉｌｉｔｙｏｆｔｈｅｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋａｎｄａｄａｐｔａｂｉｌｉｔｙｏｆｔｈｅｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔｓｙｓｔｅｍｃａｕｓｅｄｂｙｌａｒｇｅｃｈａｎｇｅｓｉｎｔｈｅｕｎｄｅｒ－ｍｉｎｉｎｇｉｎｃｌｉｎａｔｉｏｎａｎｇｌｅｏｆｔｈｅｍｉｎｉｎｇｆａｃｅ，ｓｅｖｅｒｅｍｉｎｉｎｇｐｒｅｓｓｕｒｅ，ｔｈｅｂｒｏｋｅｎｒｏｏｆａｎｄｃｏａｌｗａｌｌ，ｋｅｙｔｅｃｈｎｏｌｏｇｉｅｓｆｏｒｉｎｔｅｌｌｉｇｅｎｔｍｉｎｉｎｇｏｆｃｏｍｐｌｅｘｗｏｒｋｉｎｇｆａｃｅｉｎｋｉｌｏ－ｍｅｔｅｒｄｅｅｐｃｏａｌｍｉｎｅａｒｅｓｔｕｄｉｅｄ，ｐｒｏｖｉｄｉｎｇｔｅｃｈｎｉｃａｌａｎｄｅｑｕｉｐｍｅｎｔｓｕｐｐｏｒｔｆｏｒｔｈｅｍｉｎｉｎｇｏｆｃｏｍｐｌｅｘａｎｄｄｉｆｆｉｃｕｌｔ－ｔｏ－ｍｉｎｅｃｏａｌｓｅａｍｓ．Ｆｉｒｓｔｌｙ，ａＬＯＲＡ－ｂａｓｅｄｓｔａｔｅｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍｆｏｒｗｏｒｋｉｎｇｆａｃｅｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔｓ（ｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋ）ｗａｓｄｅｖｅｌｏｐｅｄ，ｗｈｉｃｈｃａｎａｃｑｕｉｒｅｐｏｓｔｕｒｅｄａｔａｏｆｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔｗｈｉｌｅａｃｑｕｉｒｉｎｇｃｏｌｕｍｎｐｒｅｓｓｕｒｅｄａｔａ．Ｓｅｃｏｎｄｌｙ，ａｍｉｎｉｎｇｐｒｅｓｓｕｒｅａｎａｌｙｓｉｓａｎｄｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｗａｓｐｒｏｐｏｓｅｄ，ｗｈｅｒｅｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆＦＬＰＥＭａｎｄＡＲＭＡａｌｇｏｒｉｔｈｍｓｗａｓｕｓｅｄｔｏｉｍｐｒｏｖｅｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ，ａｎｄｄａｔａｄｉｓｔｒｉｂｕｔｉｏｎｄｏｍａｉｎａｄａｐｔｉｖｅｍｉｇｒａｔｉｏｎａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｉｎａｃｃｕｒａｔｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓｃａｕｓｅｄｂｙｔｉｍｅ－ｖａｒｙｉｎｇｃｏｎｄｉｔｉｏｎｓｉｎｔｈｅｓｕｐｐｏｒｔｐｒｏｃｅｓｓｓｏｔｈａｔｔｈｅｍｏｄｅｌｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｒｅａｃｈｅｄ９２％．Ｆｉｎａｌｌｙ，ａｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌｓｉｍｕｌａｔｉｏｎａｎｄｏｐｅｒａｔｉｎｇａｎａｌｙｓｉｓｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｓｙｓｔｅｍｂａｓｅｄｏｎＵｎｉｔｙ３Ｄｗａｓｄｅｖｅｌｏｐｅｄｔｏ９４１２０２１年第４期煤炭科学技术第４９卷ｓｕｐｐｏｒｔｉｎｔｅｌｌｉｇｅｎｔｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｆｏｒｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｃｏｎｔｒｏｌａｎｄｃｏａｌｓｅａｍｆｏｌｌｏｗｉｎｇｃｕｔｔｉｎｇｃｏｎｔｒｏｌｕｎｄｅｒｃｏｍｐｌｅｘｃｏｎｄｉｔｉｏｎｓ．Ｆｉｅｌｄｔｒｉ⁃ａｌｓｓｈｏｗｅｄｔｈａｔｔｈｅｍｉｎｉｎｇｈｅｉｇｈｔｏｆｔｈｅｗｏｒｋｉｎｇｆａｃｅｒｅａｃｈｅｄ６．５ｍｄｕｒｉｎｇｔｈｅｔｅｓｔｐｅｒｉｏｄ，ｔｈｅｍｏｎｔｈｌｙｐｒｏｄｕｃｔｉｏｎｒｅａｃｈｅｄ３１５０００ｔｏｎｓｕｎｄｅｒｔｈｅｃｏｎｄｉｔｉｏｎｓｏｆ１４ʎ １７ʎｏｆｓｌｏｐｉｎｇｍｉｎｉｎｇａｎｇｌｅ，ｒｅｌａｔｉｖｅｌｙｂｒｏｋｅｎｒｏｏｆ，ａｎｄ１．６ｏｆｃｏａｌｓｅａｍｈａｒｄｎｅｓｓ．Ｃｏｍｐａｒｅｄｔｏｐｒｅｖｉｏｕｓｕｓｅｄｆａｃｉｌｉｔｉｅｓ，ｔｈｅｒｅｌｉａｂｉｌｉｔｙａｎｄａｄａｐｔａｂｉｌｉｔｙｏｆｔｈｅｎｅｗｆａｃｉｌｉｔｉｅｓｗｅｒｅｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｄ，ａｎｄｔｈｅｓａｆｅｔｙｏｆｔｈｅｗｏｒｋｉｎｇｓｕｒｆａｃｅｗａｓｇｒｅａｔｌｙｉｍｐｒｏｖｅｄ，ｗｈｉｃｈａｃｈｉｅｖｅｄｔｈｅｓａｆｅａｎｄｈｉｇｈ－ｅｆｆｉｃｉｅｎｃｔｍｉｎｇｏｆｔｈｅｔｈｒｅｅ－ｓｏｆｔｃｏａｌｓｅａｍｉｎ１０００ｍｄｅｅｐｃｏａｌｍｉｎｅ．Ｋｅｙｗｏｒｄｓ：ｄｅｅｐｋｉｌｏ－ｍｅｔｅｒｍｉｎｅ；ｉｎｔｅｌｌｉｇｅｎｔｍｉｎｉｎｇ；ｐｏｓｉｔｉｏｎｍｏｎｉｔｏｒｉｎｇ；ｌａｒｇｅｄａｔａａｎａｌｙｓｉｓ；ａｎａｌｙｓｉｓｄｅｃｉｓｉｏｎ０㊀引㊀㊀言开采自动化㊁智能化技术研究是当前煤炭领域研究的热点［１］㊂针对不同地质条件，国内外学者在采场状态感知与建模㊁自动控制技术以及开采装备创新方面开展了大量研究㊂澳大利亚联邦科学与工业研究组织研发出ＬＡＳＣ技术，采用军用高精度光纤陀螺仪和定制的定位导航算法获知采煤机的三维坐标，实现工作面自动找直等智能化控制［２－３］㊂液压支架自动跟机㊁采煤机斜切进刀自动控制及基于位置感知的三机协同推进控制等在地质条件相对较好的陕北㊁神东等矿区已经得到推广应用，基本实现了 工作面无人操作，工作面巷道有人值守 的常态化开采［４－６］㊂对于地质条件相对复杂的薄煤层及中厚煤层，研发了基于动态修正地质模型的智能采掘技术，采用定向钻孔㊁随采探测等动态修正工作面地质模型，通过构建工作面绝对坐标数字模型实行自主智能割煤［７－９］㊂然而，对于我国东部山东㊁淮南等矿区埋深１０００ｍ左右的深部复杂条件煤层，已有的自动化㊁智能化技术难以达到预期效果㊂深部采场一般存在着高地温㊁高地压㊁大变形的特点，矿压显现强烈，顶板㊁煤壁破碎，工作面倾角变化幅度剧烈，巷道变形大［１０］㊂目前，工作面自动化㊁智能化开采还无法预知所有的地质条件变化情况，开采装备也无法适应大范围的地质参数变化，因而实现自动化㊁智能化难度非常大㊂但从另外的角度，这些深部开采工作面用人多，安全性差，生产环境恶劣，恰恰最需要实现自动化㊁智能化㊂实现煤矿深部智能开采，最重要的是实现采场围岩稳定性控制以及 移架－割煤－运煤 过程与围岩空间动态变化的适应性控制㊂采场围岩稳定性控制需考虑采场上覆围岩结构及参数㊁运移特征㊁支护参数等，提出能够自适应控制围岩的策略和方法［１１－１２］；工作面装备运行与围岩空间变化的适应性控制则涉及装备运行特征㊁围岩动态变化规律㊁空间位姿测量及表征等，给出运行趋势的分析方法和预测性控制算法［１３］㊂其中，支护系统状态测量㊁适应性设计以及装备运行态势的分析预测是首先需要解决的关键问题㊂笔者以中煤新集口孜东煤矿１４０５０２工作面为工业性试验点，针对工作面俯采倾角变化大㊁矿压显现剧烈㊁顶板煤壁破碎所带来的采场围岩稳定性控制难度大㊁液压支护系统适应性降低等问题，基于工作面煤层地质条件研发了７ｍ四柱式超大采高液压支架；建立了工作面状态监测系统，实时监测和解算支架支护状态和围岩定性；研发了基于Ｕｎｉｔｙ３Ｄ的工作面三维仿真与运行态势分析决策系统，突破千米深井智能开采围岩稳定性控制和装备运行适应性控制的关键技术瓶颈㊂１㊀千米深井工作面地质条件及开采特点１．１㊀口孜东煤矿５号煤煤层赋存条件口孜东煤矿５号煤埋深９６７ｍ，工作面沿倾斜条带布置，走向方向南部平缓，北部较陡，煤层平均倾角１４ʎ，局部２０ʎ，俯采最大角度１７ʎ㊂１４０５采区工作面布置如图１所示，首采１４０５０２工作面倾向倾角８ʎ １５ʎ，平均倾角１４ʎ，局部２０ʎ㊂煤层厚度２．８６９．７５ｍ，平均６．５６ｍ，普氏系数１．６㊂工作面顶㊁底板以泥岩为主，少数为细砂岩㊁粉砂岩及砂质泥岩，顶㊁底板围岩特点是岩层较软㊂图１㊀口孜东煤矿１４０５采区工作面布置Ｆｉｇ．１㊀ＬａｙｏｕｔｏｆｗｏｒｋｉｎｇｆａｃｅｉｎＮｏ．１４０５ｍｉｎｉｎｇａｒｅａｏｆＫｏｕｚｉｄｏｎｇＭｉｎｅ口孜东煤矿１４０５采区煤层厚度等厚线如图２所示，６．０ｍ煤层以上占总采区８０％，７．０ｍ以上煤层占总采区的５０％，８．０ｍ以上煤层占总采区的１０％㊂确定最小采高４．５０ｍ，最大采高７．００ｍ，平均０５１任怀伟等：煤矿千米深井智能开采关键技术研究与应用２０２１年第４期采高６．５６ｍ㊂图２㊀口孜东煤矿１４０５采区煤层厚度等厚线Ｆｉｇ．２㊀ＣｏａｌｓｅａｍｔｈｉｃｋｎｅｓｓｃｏｎｔｏｕｒｏｆＮｏ．１４０５ｍｉｎｉｎｇａｒｅａｉｎＫｏｕｚｉｄｏｎｇＭｉｎｅ１．２㊀工作面装备选型配套根据口孜东煤矿５号煤层地质赋存条件，通过对比分析不同采煤方法㊁支架方案选择的优缺点，综合分析产量和效率因素㊁资源采出率因素㊁采空区遗煤自然发火因素㊁工作面超前段巷道维护因素㊁工作面支护因素㊁人员因素㊁智能化开采因素等，确定选择７．０ｍ大采高一次采全高采煤方法进行开采㊂淮南地区地质构造与国内其他地区有较大不同，具体表现为埋深大㊁ 三软 煤层㊁倾角大㊁松散层厚㊁基岩薄等，工作面主要采用俯斜长壁采煤法㊂对于口孜东煤矿１４０５０２工作面而言，大采高开采可以充分发挥资源采出率高㊁开采工艺简单㊁工作面推进速度快㊁设备维护量少㊁易于实现自动化和有利于工作面 一通三防 等优势，但需要对液压支架与围岩适应性进行深入分析研究，要综合考虑支护强度㊁顶梁前端支撑力㊁合力作用点调节范围㊁防片帮冒顶㊁防扎底等多种因素，对液压支架和成套装备参数进行针对性设计㊂确定支架最大高度７．２ｍ，最小高度考虑运输与配套尺寸，确定为３．３ｍ㊂１４０５０２工作面配套装备见表１㊂表１㊀１４０５０２工作面成套装备Ｔａｂｌｅ１㊀ＣｏｍｐｌｅｔｅｅｑｕｉｐｍｅｎｔｉｎＮｏ．１４０５０２ｗｏｒｋｉｎｇｆａｃｅ序号设备设备主要技术参数参考型号１中部支架工作阻力１８０００ｋＮ；高度３．３ ７．２ｍ；支护强度１．７３ １．７８ＭＰａＺＺ１８０００／３３／７２Ｄ过渡支架工作阻力２２０００ｋＮ；高度２．９ ６．０ｍ；支护强度１．５３ＭＰａＺＺＧ２２０００／２９／６０Ｄ端头支架工作阻力２４２００ｋＮ；高度２．９ ５．５ｍ；支护强度１．５ＭＰａＺＺＴ２４２００／２９／５５Ｄ２采煤机总功率２５９０ｋＷ；采高４．５ ７．０ｍ；滚筒直径３．５ｍ；截深０．８６５ｍＭＧ１０００／２５９０－ＧＷＤ３刮板输送机功率３ˑ１２００ｋＷ；运输能力４０００ｔ／ｈ；卸载方式交叉侧卸ＳＧＺ１２５０／３ˑ１２００４转载机输送能力４５００ｔ／ｈ；长度约５０ｍ；功率７００ｋＷＳＺＺ１３５０／７００５破碎机破碎能力５０００ｔ／ｈ；功率７００ｋＷ；电压３３００ＶＰＣＭ７００７乳化液泵站工作压力３７．５ＭＰａ；流量６３０Ｌ／ｍｉｎ；电机功率５００ｋＷＢＲＷ６３０／３７．５８喷雾泵站工作压力１６ＭＰａ；额定流量５１６Ｌ／ｍｉｎ；电机功率１６０ｋＷＢＰＷ５１６／１６㊀㊀工作面成套装备地面联调试验情况如图３所示㊂图３㊀工作面成套装备地面联调Ｆｉｇ．３㊀Ｇｒｏｕｎｄｅｑｕｉｐｍｅｎｔｊｏｉｎｔｄｅｂｕｇｇｉｎｇｏｆｗｏｒｋｉｎｇｆａｃｅ２㊀千米深井工作面智能开采技术路径针对千米深井复杂条件工作面开采，除成套装备功能㊁参数与围岩条件相匹配外，控制系统能否适应环境动态变化㊁控制围岩稳定并驱动装备跟随煤层自动推进是影响开采效率和安全㊁减少作业人员㊁降低劳动强度的关键［１４－１５］㊂目前，在地质条件简单㊁煤层变化小的工作面，智能化开采技术与装备主要实现开采工艺自动化和 三机 装备协调联动控制，以提升开采效率为目标［１６］㊂然而，上述口孜东煤矿５号煤１４０５０２工作面走向倾向都有倾角㊁顶板破碎㊁围岩大变形，是典型的复杂条件工作面㊂在该工作面实施７．０ｍ大采高开采，极易发生片帮㊁冒顶㊁扎底㊁飘溜㊁上窜下滑等问题，必须通过现场操作工人的经验提前实施预防措施，现有自动化技术无法完成上述功能㊂因此，复杂条件煤层智能开采必须在装备性能㊁参数足够满足要求的前提下，实现以围岩稳定支护和煤层跟随截割为目标的环境适应性控制，是一个不依赖人工操作的自适应自学习过程㊂１５１２０２１年第４期煤炭科学技术第４９卷如图４所示复杂条件煤层智能开采技术路径图㊂环境适应性控制的前提是要首先知道环境的状态，然后对环境变化趋势进行分析和预测，最后通过智能控制技术给出 三机 装备运动参数㊂图４㊀复杂条件智能化开采技术路径Ｆｉｇ．４㊀Ｉｎｔｅｌｌｉｇｅｎｔｍｉｎｉｎｇｔｅｃｈｎｏｌｏｇｙｐａｔｈｕｎｄｅｒｃｏｍｐｌｅｘｃｏｎｄｉｔｉｏｎｓ㊀㊀环境状态这里先考虑围岩压力和煤层赋存状态，主要采用压力传感器测量工作面来压情况，采用倾角传感器测量工作面倾角及设备姿态㊂以测量数据为基础，通过支架－围岩耦合关系模型，判断顶板㊁煤壁稳定性，通过三维力学模型判断支架受力状态及其动态变化，通过运动学模型判断工作面推进方向变化趋势㊂工作面装备智能控制综合实时控制㊁趋势控制㊁群组控制㊁模型跟随控制等技术，实现开采工艺工序优化㊁功能参数调整的多数据融合决策，完成工作面稳定支护㊁截割空间与煤层空间最佳重合的自主连续生产㊂３㊀７．０ｍ大采高复杂条件工作面智能化关键技术３．１㊀７．０ｍ超大采高液压支架适应性设计围岩支护和装备推进都离不开液压支架㊂复杂条件工作面开采首先要求液压支架要有适应围岩变化的能力㊂针对口孜东煤矿５煤的１４０５０２工作面条件，对液压支架结构和动态性能进行创新设计，研制出最高的ＺＺ１８０００／３３／７２Ｄ四柱式一次采全高液压支架，如图５所示㊂３．１．１㊀架型参数及支护强度设计根据口孜东煤矿５煤地质条件，以俯采为主且顶板相对破碎，煤层较软，底板主要为泥岩，因此重点考虑顶梁合力作用点控制，以及片帮㊁扎底和漏矸等异常状况㊂为此，采用四柱式液压支架，提升顶梁控制能力㊁防止底座扎底；同时为增强顶梁前端支撑力，采用前后立柱不同缸径设计㊂前立柱采用４００图５㊀ＺＺ１８０００／３３／７２Ｄ四柱式一次采全高液压支架Ｆｉｇ．５㊀ＺＺ１８０００／３３／７２Ｄｆｏｕｒ－ｃｏｌｕｍｎｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔｆｏｒｍｉｎｉｎｇｆｕｌｌ－ｈｅｉｇｈｔｏｎｅｃｅｍｍ缸径，后立柱采用３２０ｍｍ缸径㊂当顶梁合力作用点前移㊁后立柱难以发挥作用时，支架仍有足够的支撑能力㊂根据计算，顶梁前端支撑力最大达到５０００ｋＮ，支架支护强度达到１．７２ＭＰａ，远超过同等高度㊁支护力的支架，这样可以很好的控制顶板，同时减少顶板对煤壁的压力，减轻片帮程度㊂３．１．２㊀护帮及稳定性设计为防止煤壁片帮㊁冒顶，采用伸缩梁＋铰接三级护帮的结构，当采煤机割过煤后，伸缩梁立即伸出并打开护帮板，实现及时支护，避免片帮㊁冒顶的发生㊂伸缩梁行程１０００ｍｍ，大于截割滚筒宽度８６５ｍｍ，在特殊情况下可伸入煤壁支护；三级护帮板回转２５１任怀伟等：煤矿千米深井智能开采关键技术研究与应用２０２１年第４期１８０ʎ后可上翘３ʎ，护帮总高度３５００ｍｍ，如图６所示㊂图６㊀ＺＺ１８０００／３３／７２Ｄ四柱式一次采全高液压支架护帮板结构Ｆｉｇ．６㊀ＳｔｒｕｃｔｕｒｅｏｆＺＺ１８０００／３３／７２Ｄｆｏｕｒ－ｃｏｌｕｍｎｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔｇｕａｒｄｐｌａｔｅｆｏｒｏｎｅ－ｔｉｍｅｍｉｎｉｎｇｆｕｌｌ－ｈｅｉｇｈｔ同时，针对工作面走向㊁倾向都有倾角的情况，充分考虑俯采情况下的支架稳定性，合理设计结构件质量和尺寸，使支架重心尽量靠后，适应俯采倾角２０ʎ以下的情况；优化后支架临界俯斜失稳㊁仰斜失稳㊁侧翻失稳分别为２２．２５ʎ，２３．７ʎ以及１８．６ʎ，均大于煤层在各个方向上的倾角㊂设置防倒防滑装置，在工作面两端角度较大的区域安装，辅助调整支架，保障工作面支护系统稳定性㊂３．１．３㊀密闭性及可靠性设计工作面在移架过程中可能有矸石冒落，为此支架需要加强密闭性设计㊂ＺＺ１８０００／３３／７２Ｄ四柱式一次采全高液压支架顶梁和掩护梁均设计双侧活动侧护板，顶梁与掩护梁的铰接处具备防漏矸功能；后连杆设计固定侧护板与挡矸板；尽可能让支架后部封闭，阻止矸石进入支架内部㊂同时，加强推移千斤顶和抬底千斤顶，增强抬底力和推移力，保证动作到位㊂为防止拔后立柱造成活柱固定销损坏，增加销轴直径至５０ｍｍ，大幅增加可靠性㊂３．２㊀工作面液压支架（围岩）状态监测系统研发通过安装在液压支架上的压力传感器反映顶板压力变化情况和岩层运移规律是普遍采用的研究工作面状态的方法［１７］㊂然而，对于走向㊁倾向均有倾角的千米深井复杂条件工作面，只有压力数据还不足以反映围岩情况，必须将立柱压力状态和支架姿态数据（工作面角度）结合起来㊂为同时获取支架压力和姿态数据，研发了基于ＬＯＲＡ的工作面液压支架（围岩）状态监测系统㊂系统结构如图７所示㊂在液压支架上安装双通道压力传感器和３个三轴倾角传感器，通过ＬＯＲＡ自组网与数据监测分站连接，实现数据传输；数据监测分站汇聚工作面局部数据后通过ＣＡＮ总线上传至主站㊂图７㊀基于ＬＯＲＡ的工作面液压支架（围岩）状态监测系统Ｆｉｇ．７㊀ＬＯＲＡ－ｂａｓｅｄｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍｆｏｒｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔ（ｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋ）主站与工作面集控中心通过ＯＰＣ数据接口通信，将数据通过井下工业以太环网上传至地面的三维仿真系统进行数据分析及控制应用㊂整个系统的通信链路为 集控中心－主（以太网）㊁主－分（ＣＡＮ总线）㊁分－传感器（ＬｏＲａ自组网） ㊂根据工作面地质条件㊁无线信号传输距离和数３５１２０２１年第４期煤炭科学技术第４９卷据采集需求，现场每３台液压支架安装一套监测传感器（包括前㊁后立柱压力２个压力传感器和顶梁㊁掩护梁㊁底座３个倾角传感器），总计安装４０套；在工作面端头安装１台分站，在顺槽集控中心安装１台主站㊂布置方案如图８所示㊂图８㊀井下设备布置方案Ｆｉｇ．８㊀Ｌａｙｏｕｔｐｌａｎｏｆｅｑｕｉｐｍｅｎｔ三轴无线倾角传感器布置方案如图９所示㊂传感器为本质安全型，测量角度范围ʃ９０ʎ，测量误差ʃ１ʎ，传输协议采用ＭｏｄｂｕｓＴＣＰ，采集周期：２０ｓ，延时小于１００ｍｓ，供电方式为干电池供电，可满足１年以上数据采集电量需求㊂主站和分站采用１２７Ｖ直流电源供电，如图１０所示㊂图９㊀倾角传感器布置方案Ｆｉｇ．９㊀Ｌａｙｏｕｔｐｌａｎｏｆｉｎｃｌｉｎａｔｉｏｎｓｅｎｓｏｒ３．３㊀工作面三维仿真与运行态势分析决策平台㊀㊀工作面三维仿真与运行态势分析决策系统是复杂条件工作面智能开采的大脑㊂监测系统采集的数图１０㊀液压支架倾角传感器Ｆｉｇ．１０㊀Ｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔｉｎｃｌｉｎａｔｉｏｎｓｅｎｓｏｒ据会在平台上进行解算，得出液压支架受力状态和姿态，从而判定围岩稳定性和工作面倾角；同时，可基于历史数据进行趋势分析㊁推进方向路径规划及矿压动态预测；预测结果可通过自动或人工发送指令控制工作面装备调整开采工艺和参数㊂３．３．１㊀液压支架受力状态及位姿解算在倾斜工作面，液压支架受力分析必须考虑角度因素［１８］，如图１１所示㊂图１１㊀液压支架受力分析Ｆｉｇ．１１㊀Ｆｏｒｃｅａｎａｌｙｓｉｓｏｆｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔ根据力平衡原理得ðＸｉ＝Ｆｃ－ｆｃ()ｓｉｎθｃ＋Ｆｓ＋ｆｂ()ｓｉｎθｂ＋Ｑｘ()ｓｉｎθｃ－Ｆｙｃｏｓθｙ－Ｆｂｃｏｓθｂ＝０（１）ðＹｉ＝Ｆｃ－ｆｃ()ｃｏｓθｃ＋Ｆｓ＋ｆｂ()ｃｏｓθｂ＋Ｆｂｓｉｎθｂ－Ｑｘ()ｃｏｓθｃ－Ｆｙｓｉｎθｙ－Ｇ＝０（２）式中：Ｆｃ和Ｆｓ为伸缩梁千斤顶和推移千斤顶推力；Ｆｙ为掩护梁在顶梁平面上的投影面积承载的顶板压力再分解至垂直掩护梁方向上的力；ｆｃ和ｆｂ分别为摩擦阻力；θｂ㊁θｙ㊁θｃ分别为液压支架底座㊁掩护梁和顶梁与水平夹角；Ｑ为液压支架顶板载荷；ｘ为液压支架顶板载荷位置；Ｇ为液压支架重力㊂由式（１）和式（２）可求得液压支架底座㊁掩护梁和顶梁在θｂ㊁θｙ㊁θｃ倾角情况下的受力状态，给出合力作用点位置㊁相对正常位置的偏移量㊁立柱平衡性等参数值㊂同时，基于倾角传感器数据可计算出４５１任怀伟等：煤矿千米深井智能开采关键技术研究与应用２０２１年第４期支架实时高度㊁立柱在来压期间下缩量等，如图１２所示㊂液压支护系统的整体受力㊁空间位姿也反映着工作面围岩的力学状态㊁角度及空间形态㊂这些数据均是三维仿真与运行态势分析㊁决策的依据㊂图１２㊀液压支架参数计算Ｆｉｇ．１２㊀Ｃａｌｃｕｌａｔｉｏｎｏｆｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔｐａｒａｍｅｔｅｒｓ３．３．２㊀基于大数据的矿压分析预测技术千米深井软岩条件开采条件下，工作面矿压规律不明显，传统基于各种顶板结构模型的矿压分析预测方法难以适用，这里尝试采用基于大数据的矿压分析预测技术，分别从预测算法㊁模型输入输出特征工程以及数据分布３个方面进行研究㊂算法方面，液压支架工作阻力数据为典型的时间序列数据，分别基于支持向量机（ＳＶＲ）㊁函数链接预测误差法（ＦＬＰＥＭ）㊁极限学习机（ＥＬＭ）㊁长短期记忆网络（ＬＳＴＭ）㊁ＢＰ神经网络㊁自回归滑动平均模型（ＡＲＭＡ）㊁最小二乘支持向量机（ＬＳＳＶＭ）等机器学习算法建立液压支架工作阻力预测模型㊂经测试，ＦＬＰＥＭ和ＡＲＭＡ两种算法的预测精度比较高㊂模型输入输出特征工程方面，针对单个支架，选取该液压支架在采煤机第ｋ刀煤过程中的１２个工作阻力数据为模型的输入（一刀煤的时间大约为１ｈ，液压支架工作阻力数据采样时间为５ｍｉｎ），该液压支架在采煤机第ｋ＋２刀煤过程中的第一个工作阻力数据为模型的输出，确定１２维输入１维输出的工作阻力超前一刀预测模型㊂数据分布方面，针对支护过程中时变工况影响工作阻力数据分布㊁导致预测模型失准的问题，采用数据分布域适应迁移算法进行数据分布一致化处理，消除时变工况干扰㊂基于上述３个方面研究，对口孜东煤矿１４０５０２工作面液压支架工作阻力进行超前预测，采用ＦＬＰＥＭ算法，模型预测精度达到９２％㊂如图１３所示为某一液压支架前立柱工作阻力监测值和预测值对比㊂３．３．３㊀工作面空间态势分析和截割路径规划理想情况下，智能化开采要能够使煤机装备自图１３㊀液压支架工作阻力预测结果与相对误差Ｆｉｇ．１３㊀Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｗｏｒｋｉｎｇｒｅｓｉｓｔａｎｃｅｏｆｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔ动跟随煤层条件变化㊁做到自适应开采［１９］㊂这就需要根据感知数据分析拟合装备的状态和运行趋势，并规划后续推进控制参数㊂影响智能化开采的因素很多，这里集中讨论煤层倾角变化带来的问题㊂如前所述，１４０５０２工作面在走向和倾向方向都是倾斜的㊂有一定角度，且煤层顶底板曲面在揭露的巷道轮廓和切眼轮廓基础上仍有较大的起伏变化㊂因此，给工作面内成套装备的姿态控制和沿巷道的推进方向控制带来很大困难㊂１）工作面内装备姿态控制㊂工作面底板起伏影响液压支架姿态，在移架过程中会发生挤架㊁咬架显现，自动跟机程序无法正常运行㊂因此需根据感知到的工作面倾角变化情况，在跟机移架过程中，自动调整跟机速度㊁跟机架数以及架间的距离，目的是保障顺利移架，跟上采煤机割煤速度㊂因此，建立了以支架移架速度不小于采煤机速度为优化目标㊁以移架规则为约束条件的液压支架跟机规划模型：ｍｉｎ｛ＮＤ／Ｎ１ｔ１＋Ｎ２ｔ２＋Ｎ３ｔ３()－ｖｓｈｅａｒ｝ｓ．ｔ．Ｎ１ȡＮ２ȡＮ３３ɤＮ１＋Ｎ２＋Ｎ３ɤ３ＣｅｉｌΔｍ／Ｄ[]Ｎ＝ＣｅｉｌＮ１＋Ｎ２＋Ｎ３[]ìîíïïïï式中：Ｎ为支架总数；ｖｓｈｅａｒ为采煤机速度；Ｎ１㊁Ｎ２㊁Ｎ３㊁ｔ１㊁ｔ２㊁ｔ３分别为需要进行降架㊁移架㊁升架操作的支架数量与时间；Δｍ为安全距离；Ｄ为架宽；Ｃｅｉｌ［㊃］５５１２０２１年第４期煤炭科学技术第４９卷为朝正向取整函数㊂根据上式，控制系统会根据工作面角度变化引起的液压支架姿态变化和相关位姿关系变化，同时考虑煤机位置㊁速度等参数，自动调整跟机移架策略，从而适应煤层在倾向方向的变化㊂２）截割推进方向控制㊂对于基于滚筒采煤机的长壁综采装备而言，截割推进方向调整一般情况下是靠调整滚筒截割高度和卧底量实现的［２０］㊂受装备配套尺寸限制，工作面每次调整的角度是有限的，因此必须在煤层角度变化之前提前调整，才能使装备逐渐改变推进方向，而调整量和每刀采煤机滚筒卧底抬高的高度需要超前规划和预测㊂基于采煤机滚筒高度在工作面各监测点数据，利用机器学习算法，以前３刀数据为模型输入，未来１刀数据为输出，建立滚筒高度预测模型，实现超前一步预测，从而可以进一步规划工作面倾向和推进方向的推进路径㊂图１４所示采煤机滚筒高度在整个工作面倾向方向的预测值和实际值对比㊂图１４㊀滚筒高度预测结果Ｆｉｇ．１４㊀Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｒｏｌｌｅｒｈｅｉｇｈｔ４ 现场试验与数据分析研发的７．２ｍ超大液压支架㊁工作面状态监测系统和三维仿真与运行态势分析决策平台于２０２１年２月安装在口孜东煤矿１４０５０２工作面（图１５），进行工业试验㊂图１５㊀口孜东煤矿１４０５０２工作面Ｆｉｇ．１５㊀Ｎｏ．１４０５０２ｗｏｒｋｉｎｇｆａｃｅｏｆＫｏｕｚｉｄｏｎｇＣｏａｌＭｉｎｅ工作面液压支架状态监测系统也同步安装完成，图１６所示为现场安装的倾角传感器㊂图１６㊀液压支架倾角传感器安装情况Ｆｉｇ．１６㊀Ｉｎｃｌｉｎａｔｉｏｎｓｅｎｓｏｒｉｎｓｔａｌｌｅｄｏｎｓｉｔｅ根据液压支架顶梁㊁掩护梁和底座倾角传感器安装情况，可以对局部工作面液压支架的姿态进行实时监测，如图１７所示㊂图１７㊀液压支架倾角监测情况Ｆｉｇ．１７㊀Ｍｏｎｉｔｏｒｉｎｇｏｆｉｎｃｌｉｎａｔｉｏｎａｎｇｌｅｏｆｈｙｄｒａｕｌｉｃｓｕｐｐｏｒｔ工作面三维仿真与运行态势分析决策平台安装在地面集控中心的服务器上，如图１８所示㊂图１８㊀工作面三维仿真与运行态势分析决策平台Ｆｉｇ．１８㊀Ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌｓｉｍｕｌａｔｉｏｎｏｆｗｏｒｋｉｎｇｆａｃｅａｎｄｏｐｅｒａｔｉｏｎｓｉｔｕａｔｉｏｎａｎａｌｙｓｉｓｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｐｌａｔｆｏｒｍ工作面三维仿真与运行态势分析决策平台分为３个区域：中间为工作面三维虚拟仿真系统，可根据感知数据实时驱动三维模型运动，从而反映井下工作面真实的情况；同时，也可根据后台预测㊁分析的结果，由优化后的运行参数驱动，提前对后续开采过程进行模拟仿真，从而验证优化结果的有效性；左侧６５１任怀伟等：煤矿千米深井智能开采关键技术研究与应用２０２１年第４期区域为工作面压力及截割轨迹的实时监测结果㊁预测结果的实时展现，直观看到工作面来压情况㊁即将来压的情况，截割过的轨迹以及即将截割的方向趋势，便于把握总体运行情况和趋势（图１９所示）；右侧区域为工作面主要设备运行参数显示及控制区，可事实查看设备的速度㊁方向㊁电机温度㊁高度㊁工作阻力等参数，并且在安全和许可的条件下，部分参数可由人工修改，以便更好地控制设备运行（图２０所示）㊂图１９㊀工作面总体运行情况和趋势界面Ｆｉｇ．１９㊀Ｏｖｅｒａｌｌｏｐｅｒａｔｉｏｎｓｔａｔｕｓａｎｄｔｒｅｎｄｉｎｔｅｒｆａｃｅｏｆｗｏｒｋｉｎｇｆａｃｅ图２０㊀设备控制界面Ｆｉｇ．２０㊀Ｄｅｖｉｃｅｃｏｎｔｒｏｌｉｎｔｅｒｆａｃｅ上述设备㊁系统和平台在１４０５０２工作面开采过程中发挥了重要作用㊂现场试验表明：工作面在试验期开采高度达到６．５ｍ左右，每天割煤４ ５刀，月产达到３１．５万ｔ㊂７ｍ四柱式超大采高液压支架在１４ʎ １７ʎ俯采㊁顶板相对破碎㊁煤层普氏系数为１．６的条件下使用，可靠性和适应性较之前该矿使用的支架明显提升，煤壁片帮㊁顶板漏矸情况较少，以前立柱受力为主，没有出现拔后柱情况，工作面安全性大幅改善㊂通过压力和姿态监测数据可实时解算支架合力作用点位置和稳定性，从而保证围岩稳定支护；在工作面三维仿真与运行态势分析决策系统中分析工作面推进方向的变化趋势，判断装备开采空间与煤层的叠加重合度，从而超前调整开采工艺参数以适应煤层变化，实现了千米深井三软煤层的安全高效开采㊂５㊀结㊀㊀论以中煤新集口孜东煤矿１４０５０２工作面地质条件为基础，研究了千米深井复杂条件工作面智能化开采关键技术，并研发了成套装备和监测系统㊁虚拟仿真决策平台，为复杂难采煤层开采提供了技术与装备支撑㊂１）深部开采中，煤层三维曲面分布及围岩变形是其主要特征，综采装备的三维空间姿态及受力状况感知㊁预测是安全㊁高效开采的核心，而非简单条件工作面设备的协同联动控制㊂基于预测结果的预警㊁提前启动工艺保障措施是顺利开采的关键㊂２）研发了基于ＬＯＲＡ的工作面液压支架（围岩）状态监测系统，形成 集控中心－主（以太网）㊁主－分（ＣＡＮ总线）㊁分－传感器（ＬＯＲＡ自组网） 的通信链路，同时获取立柱压力和支架姿态数据㊂３）提出了基于大数据分析的矿压分析预测算法，采用数据分布域适应迁移算法解决了支护过程中时变工况导致预测模型失准的问题，模型预测精度达到９２％以上㊂４）研发了基于Ｕｎｉｔｙ３Ｄ的工作面三维仿真与运行态势分析决策系统，通过监测感知数据实时驱动工作面装备三维模型，同时基于大数据分析结果预测㊁分析和模拟后续开采过程，支撑复杂条件下的围岩控制和煤层跟随截割控制的智能决策㊂针对复杂条件煤层智能开采技术的研究目前尚处于起步阶段，技术㊁工艺和管理上还有许多未解决的问题，需要在环境感知㊁数据分析㊁控制算法等方面加大研究力度，充分利用物联网㊁大数据㊁深度学习等先进技术，不断提高综采装备的智能控制水平，提升复杂条件煤层智能化综采技术的系统性适用性㊁稳定性和协调性，最终降低井下工作人员的劳动强度，提高采出效率和效益㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］㊀ＷＡＮＧＧｕｏｆａ，ＸＵＹｏｎｇｘｉａｎｇ，ＲＥＮＨｕａｉｗｅｉ．Ｉｎｔｅｌｌｉｇｅｎｔａｎｄｅｃｏ⁃ｌｏｇｉｃａｌｃｏａｌｍｉｎｉｎｇａｓｗｅｌｌａｓｃｌｅａｎｕｔｉｌｉｚａｔｉｏｎｔｅｃｈｎｏｌｏｇｙｉｎＣｈｉｎａ：ｒｅｖｉｅｗａｎｄｐｒｏｓｐｅｃｔｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＭｉｎｉｎｇＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１９，２９（２）：１６１－１６９．［２］㊀ＫＥＬＬＹＭ，ＨＡＩＮＳＷＯＲＴＨＤ，ＲＥＩＤＤ，ｅｔａｌ．Ｌｏｎｇｗａｌｌａｕｔｏｍａ⁃ｔｉｏｎ：ａｎｅｗａｐｐｒｏａｃｈ［Ｃ］／／３ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍ－ＨｉｇｈＰｅｒｆｏｒｍａｎｃｅＭｉｎｅＰｒｏｄｕｃｔｉｏｎ．Ａａｃｈｅｎ：ＣＲＩＳＯＥｘｐｌｏｒａｔｉｏｎ＆Ｍｉｎ⁃ｉｎｇ，２００３：５－１６．［３］㊀李㊀森．基于惯性导航的工作面直线度测控与定位技术［Ｊ］．７５１。
青岛市人民政府关于2018年度青岛市科学技术奖励的决定
青岛市人民政府关于2018年度青岛市科学技术奖励的决定文章属性•【制定机关】青岛市人民政府•【公布日期】2019.07.09•【字号】青政发〔2019〕13号•【施行日期】2019.07.09•【效力等级】地方规范性文件•【时效性】现行有效•【主题分类】科技奖励正文青岛市人民政府关于2018年度青岛市科学技术奖励的决定各区、市人民政府，青岛西海岸新区管委，市政府各部门，市直各单位：为深入贯彻习近平新时代中国特色社会主义思想，全面落实党的十九大和十九届二中、三中全会精神，实施创新驱动发展战略，加快创新型城市建设，充分发挥科技创新支持新旧动能转换的重要作用，根据《青岛市科学技术奖励办法》规定，经市科学技术奖励评审委员会评审、市科学技术奖励委员会核定，市政府决定：授予陈维强青岛市科学技术最高奖；授予“多种新型纳米材料的功能化设计与构建及其理论与应用基础研究”等11项成果青岛市自然科学奖，其中一等奖2项、二等奖6项、三等奖3项；授予“千吨级非晶磁粉芯的制备技术及产业化”等5项成果青岛市技术发明奖，其中一等奖空缺、二等奖3项、三等奖2项；授予“全自动化集装箱码头关键技术研究与应用”等129项成果青岛市科学技术进步奖，其中一等奖14项（含创新团队成果1项）、二等奖69项（含科技创业成果3项）、三等奖46项（含科技创业成果4项）；授予外籍专家戴维·萨雷特青岛市国际科学技术合作奖。
希望获奖人员和单位珍惜荣誉，勇攀高峰，不断取得新成绩。
全市科学技术工作者要以获奖者为榜样，瞄准产业发展的科技前沿，直面问题、迎难而上，加速成果转化应用,充分发挥科技创新在全市经济社会发展中的支撑引领作用,为科技引领城建设作出贡献。
附件：2018年度青岛市科学技术奖励名单青岛市人民政府2019年7月9日附件2018年度青岛市科学技术奖励名单青岛市科学技术最高奖（共1人）陈维强陈维强，男，1968年出生，博士、高级工程师，海信集团有限公司副总裁，兼任青岛海信网络科技股份有限公司董事长，国家新一代人工智能产业技术创新战略联盟技术专家委员会委员。
清华大学电子工程系各研究所科研方向及导师相关信息
通信与微波研究所....................................................................................................................... 1 通信技术方向...........................................................................................................................1 数字传输系统、网络及 SoC 课题组................................................................................... 1 多媒体通信技术研究组....................................................................................................... 2 数字电视技术研究中心宽带传输课题组........................................................................... 2 通信网络研究室................................................................................................................... 3 曹志刚、刘序明、晏坚课题组........................................................................................... 4 无线与移动通信技术研究中心无线通信课题组............................................................... 5 陆建华教授课题组............................................................................................................... 7 电磁场与微波技术研究方向................................................................................................... 8
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
潘福奎，男，工学博士，教授，硕士研究生导师。
现任青岛大学纺织学院（服装学院）院长，主持学院行政工作，纺织工程国家级特色专业负责人。
兼任青岛市纺织工程学会副理事长、山东省纺织工程学会副理事长、教育部本科院校纺织服装教学指导委员会纺织工程分委员会副主任委员等职。
研究领域及成果：主要从事本科生与研究生的教学工作和纺织新材料、新技术与新产品的研究与开发工作。
曾先后赴意大利、韩国、美国、俄罗斯、香港、台湾等国家和地区考察和学术交流，到英国曼彻斯特理工大学（UMIST）访问学习半年。
曾获山东省新长征突击手、山东省优秀教师等称号。
主持并完成纵向、横向科研项目10余项，曾获青岛市科技进步一等奖1项、二等奖1项，山东省科技进步二等奖1项、三等奖1项，申请国家专利2项，出版著作1部，发表学术论文50余篇。
马建伟，男，教授，博士，硕士生导师，现任纺织服装学院副院长，主持完成“甲壳胺抗菌剂的研究与开发”，获青岛市2004年科技进步三等奖；参与完成的市科委项目“复合纤维热熔定型技术研究及绒高档针织内衣、T恤产品的开发”，2003年获市科技进步二等奖；在研项目3项。
主编的“十一五”规划教材《非织造布技术概论》于2011年获部委级优秀教材奖。
近5年先后在核心刊物和专业刊物上发表论文30余篇，其中4篇被EI收录。
先后获批发明专利8项。
主讲“纺织材料学”、“纺织商品学”、“非织造布”、“纺织材料学实验”、“产业用纺织品”“纺织品概念设计”等课程，其中《纺织材料学》被评为省级精品课程。
指导学生参加“挑战杯”创业大赛获省二等奖1项，指导学生参加全国“金三发杯”非织造布大赛获优秀奖1项。
承担在研纵横向项目多项。
刘青林，男，教授，1960年7月出生，硕士生导师。
1982年7月毕业于中央工艺美术学院染织美术设计专业（现清华大学美术学院），获文学学士学位。
中国服装设计师协会理事，学术委员会委员；中国工艺美术学会纤维艺术委员会理事；青岛市女装发展专家咨询委员会委员。
2005年中国（北京）国际时装周“十佳服装设计师”、“十佳服装设计新人奖”评委会委员。
现从事专业方向为服装设计、服装展示设计。
2003年山东美术出版社出版专著《职业服装设计》；1997年国家重点图书《中国现代美术全集》（印染织绣卷）编委；2008年4月设计第二十九届（北京）奥林匹克运动会青岛帆船比赛嘉宾服装、志愿者服装。
2009年4月设计第十一届全国运动会青岛赛区颁奖、礼仪服装。
邢明杰，男，1964年11月生，汉族，研究生，工学博士，教授，硕士研究生导师，青岛大学纺织学院纺织工程系主任，纺织工程学科负责人、专业负责人、硕士学位点负责人。
兼任中国长丝织造协会理事和中国棉纺织行业协会专家委员会委员、纺纱新技术委员会副主任、涡流纺专业委员会副主任以及中国纺织工程学会棉纺织专业委员会副主任、新型纺纱专业委员会委员，为青岛市纺织工程学会纺纱专业委员会主任。
主编或参编四部国家十五、十一五、十二五国家规划教材及部委规划教材；完成各类教学研究项目六项；获得省级教学成果奖励三项，指导的学生六次获得山东省优秀学位论文、研究生创新成果奖、全国纱线设计大赛奖等奖项。
长期从事纺织工程的教学与科研工作，主要研究方向为纺织新技术、新工艺与新设备的研究及新产品开发。
在国内外有影响的期刊上发表学术论文一百余篇，获得各类奖励近二十项。
于湖生，男，工学博士、教授、硕士生导师，主要从事纺织新材料、功能性纺织新产品及服用性能的研究。
近年来，与多家企业密切合作，相继研发了系列植物源抗菌防臭粘胶纤维及其产品。
如：绿茶粘胶纤维、薄荷粘胶纤维、草珊瑚粘胶纤维、大青叶粘胶纤维、银杏叶粘胶纤维、金樱子粘胶纤维、罗布麻叶粘胶纤维、植物中药抗菌保健粘胶纤维等植物源抗菌防臭功能粘胶纤维及其产品，该类产品抗菌防臭功能持久，不含任何化学添加剂，安全无毒。
深受广大消费者欢迎。
此外，还研制了吸湿发热粘胶纤维和高效除臭粘胶纤维等。
多年来，获国家授权专利5项，其中国家发明专利3项。
出版著作2部，发表论文40余篇。
其中被SCI和EI收录4篇。
曲丽君，女，二级教授，博士，博士生导师。
1985年7月毕业于原华东纺织工学院纺织工程专业，获学士学位；1991年3月毕业于原中国纺织大学纺织工程专业，获工学硕士学位；2005年12月毕业于东华大学纺织材料专业，获工学博士学位。
1996-1997年度获荷兰政府奖学金、国家教委公派，在荷兰著名的ATO-DLO研究所访问研究；现任纤维新材料与现代纺织国家重点实验室培育基地副主任。
曾被授予山东省有突出贡献的中青年专家，青岛市拔尖人才，青岛市劳动模范，山东省高工委优秀党员，青岛市建功女明星等称号。
曾获第五届青岛市青年科技奖，山东省第六届齐鲁巾帼发明家优秀奖。
研究方向：1、新型天然纤维素纤维的制取、改性和应用研究；2、功能性石墨烯复合纤维的制备、性能和应用研究；3、纤维集合体的加工理论与制造技术研究。
主持完成国家973计划前期研究专项、山东省自然科学基金等纵、横向科研项目10余项。
主持在研国家自然科学基金、横向项目等4项。
曾获山东省科技进步二等奖1项、三等奖2项，香港桑麻基金纺织科技二等奖1项，青岛市科技进步一等奖1项，青岛市技术发明一等奖1项等10余项奖项。
已获国家发明专利8项，其中已转让5项。
出版著作2部，发表论文60余篇，其中SCI/EI收录20余篇。
陈国华，1983年7月毕业于原华东纺织工学院毛纺专业，获工学学士学位；1990年3月获原中国纺织大学纺织工程专业工学硕士学位；2006年6月获东华大学纺织工程博士学位。
主要从事功能纺织新材料结构与性能、纺纱新设备、新工艺等方面的科学研究，先后主持或参加完成省基金、省教育厅、青岛市科技局项目10项，参加国家973计划前期研究专项研究1项，参加国家自然科学基金项目研究1项。
已申报实用新型和发明专利8项；先后在国内外学术刊物发表论文三十余篇，其中SCI/EI收录6篇。
韩光亭，博士，教授，硕士、博士生导师，国家重点实验室培育基地主任。
中国、山东、青岛纺织工程学会理事会理事、中国棉纺织工业协会理事会理事、中国针织工业协会专业委员会副主任、国家科技奖励评审专家。
国务院特殊津贴专家、山东省泰山学者特聘教授、山东省有突出贡献的中青年专家、山东省专业技术人才、山东省纺织教育先进工作者、青岛市拔尖人才。
纺织材料结构与性能研究；纺织新材料、新工艺研究与产品开发；植物纤维资源利用及生物医用高分子材料制取与应用。
作为主要负责人主持国家及省市级科研项目41项；其中国家科技支撑计划重大项目1项，863计划1项，973前期1项，国家自然科学基金及国家重点技术创新项目4项；省重大攻关项目1项，省重点项目1项，其它省市级项目32项。
发表科技论文100余篇，其中SCI收录论文13篇，EI收录论文17篇。
先后获得省市级奖励11项，其中省级科技进步一等奖1项，二等奖6项，市级科技进步一等奖1项。
获批发明专利5项。
王秋美，女，教授，工学博士，硕士研究生导师。
研究领域及成果：纺织新材料、新产品的开发及应用，纺织结构复合材料性能研究。
从事针织工艺与产品设计教学30多年，目前主要讲授“针织学”、“经编产品设计”和“针织面料分析及性能测试”等课程，主持的《针织学》获2005年省级精品课程，主编及参编“针织英语”和“针织服装设计”等教材。
近年来在针织结构复合材料性能、超细纤维织物和功能纺织品性能以及弹性针织物服用性能等方面进行了研究，主持及参与科研教学项目5项，发表论文30余篇，其中第一作者EI收录5篇，获科研及教学奖励4项。
刘正芹，女，1962年出生，教授，硕士生导师，1983年毕业于中国纺织大学，1989年获纺织工程工学硕士学位，2007年获东华大学环境工程工学博士学位。
主要研究方向为纺织工艺、功能纺织品性能研究及开发、纺织印染废水处理技术及纺织企业环境管理。
对纺织材料改性及废旧纺织品再利用有较深入的研究。
主持完成了青岛市级科研项目“纺织行业印染废水的生化处理技术研究”，并通过鉴定。
主编和参编出版著作五部，发表论文三十余篇，SCI、ISTP收录多篇，曾获中国纺织学会陈维稷优秀论文奖。
杨庆斌，工学博士，博士后，教授，硕士研究生导师。
教学上，热爱本职工作，一心扑在教学工作上，积极主动承担繁重的教学任务，在教学第一线默默奉献。
积极参加教学改革研究和实验室建设工作，参加教改和实验室建设项目3项。
曾获得青岛大学优秀教师，院级优秀教师，教书育人先进个人，我心目中的好导师，优秀研究生指导教师等称号。
教学之余能积极参加科研工作，近五年作为主要负责人完成和在研科研项目3项，在核心期刊和国际会议上发表科研论文100余篇，被SCI、EI检索30余篇。
主持山东省科技计划发展项目1项，参与山东省科技计划发展项目1项，目前进展顺利。
获批青岛大学优秀研究生教材资助1项，获批青岛大学研究生课程案例库建设资助1项，获得第十一届、第十二届陈维稷优秀论文二等奖各一项。
田琳，1958年1月出生，教授。
研究方向为纺织新材料的结构性能及应用、功能材料性能与产品开发等。
主持及参加课题10余项，主要有山东省基金项目《基于非均匀特性的纤维集合体力学行为模拟及设计》，课题《棉、丝及其它新型纺织材料生态纺织品开发的研究》、山东省高等学校省级精品课程《纺织材料学》、青岛大学教学研究项目《“纺织服装专业“实践和创新性”教学的研究与实践”》等。
取得专利《在线纱线张力仪传感器》等2项。
在纺织学报、棉纺织技术等国内外核心期刊公开发表论文40余篇，主要有：《双层毛巾织物的设计》、《The effect of alkali treatment to the properties of banana fibers》、《Study on Properties about Bamboo Yarns》等，其中8篇被EI收录。
主编国家级“十一五”规划教材《纹织物设计》、“十二五”部委级规划教材《服用纺织品性能与应用》等，参编国家级规划教材《织物结构与设计》等5部。
论文《花式纱线在家用纺织品中的应用》，获山东省纺织学会优秀论文三等奖。
教学研究项目《织物设计基础》多媒体教学软件开发与实践，获山东省优秀教学成果三等奖。
教材《纹织物设计》省部级教材优秀奖。
教学研究项目“《织物设计基础》多媒体教学软件”获教育部大学组优秀奖。
多次被评为优秀教师。
谭磊，1963年1月出生，湖南省湘潭市人，研究生学历，硕士学位。
现为青岛大学纺织工程系副教授。
研究方向为纺织材料、针织工程与针织服装等。
参加科研课题4项，主要有《VILOFT纤维针织面料的研究与开发》、《纺织印染业废水生化处理技术研究》、等，参加山东省精品课程《针织学》、省双语教学示范课程《纺织材料学》等。
发表科研论文40余篇，主要有：《Study on the Production and Properties of Mulberry Fiber》、《Study on Preparation for Super Absorbent Polymer Using Cotton Waste》、《study on sewing properties of knitted fabrics with piping and blocking》、《高支纯苎麻针织产品的开发》等。