新时代下应急管理的机电专业人才培养分析

目前我国迫切需要应急管理相关的人才,而我国的应急管理类专业近几年才进入教育部本科目录,人才培养目标、方案和课程体系都继续丰富和完善,教学方法和评价制度也有待改革。因而从应急管理的机电专业人才培养为例分析了其立足应急管理的现状,提出了新时代应急特色机电专业人才培养的新思路,主要包括以成果导向的教育理论、评价机制和以提升学生实践能力为主的人才培养方案,为应急管理学科人才培养的健康发展提供一些参考。

浅析矿山安全事故应急管理现状与优化方法

生产安全关乎矿山企业根本利益、矿山工作人员的生命安全,关乎矿山周边环境和居民健康,而强化矿山安全事故的应急管理能有效降低矿山安全事故的影响范围和影响程度。本文对矿山安全事故应急管理的重要性进行简要阐述,分析了矿山安全事故应急管理存在的主要问题,并提出优化方法和解决对策。

矿山机电设备故障诊断分析与研究

本文主要围绕矿山机电设备故障诊断展开分析,对故障原因、类型和诊断方法等进行说明,提出诊断方法。

发动机油中水分的近红外光谱分析

发动机油是发动机的核心部件,发动机油中极易混入水分,水分容易加速发动机油的劣化和变质,进而危害发动机的安全运行。对发动机油中水分进行检测是保障发动机油质量的重要指标。因而采用近红外光谱结合偏最小二乘法(PLS)回归方法对不同含水量的发动机油进行了检测。首先根据含水发动机油的近红外光谱的特征,分析了931,1195~1212和1391~1430 nm波长的较强吸收峰的机制;采用正交信号校正(OSC)和几种其他的光谱预处理方法构建了PLS回归模型,根据回归系数进行了特征波长的选择。结果表明,OSC预处理后的PLS模型具有较好的预测能力,而多元散射校正(MSC)和标准正态变量变换(SNV)预处理降低了模型的校正性能。选择了166个特征波长,占全谱的32.42%。采用所建的近红外全谱PLS模型和特征波长选择的PLS模型分别对预测集14个油样进行预测,两个模型都能实现较好地预测,预测标准差分别为0.0007和0.0006;而特征波长选择对含水发动机油的预测最稳健,性能指标最好(R^(2)_(P)为0.9930,R^(2)_(CV)为0.9887,且RMSE CV和RMSE P值分别为3.1401×10^(-4)和2.4190×10^(-4),RPD值为11.9884),特征波长选择的PLS模型与全光谱模型相比,经过特征波长选择消除了全光谱中大量无用信息,对发动机油中含水量预测最稳健,性能指标最好,使模型的性能得到了显著提高。根据所建的OSC预处理后的全谱PLS模型以及特征波长选择的PLS模型,对油样的预测集进行验证,特征波长选择后的PLS模型对预测集的预测效果较优,每个油样的预测值更接近实测值。说明经过特征波长选择后建立的PLS模型不仅没有降低模型的精度和预测能力,反而由于消除了不相关变量的信息,使所建模型更具有泛化性能。因而近红外光谱技术对发动机油中水分的检测具有较好的精确性、可靠性,为发动机的状态监测提供一种可行的解决方案。

具有应急特色和能力的机电专业人才培养模式研究

随着综合国力的增强,设立专门的机构应对全社会的突发事件,对应急管理体系的建设提出了更高要求,使得应急管理的需求不断增加,为了应对这一挑战,党和国家高度重视应急管理事业发展,大力推进应急管理体系建设与现代化,其中国家对具有应急特色的机电专业人才的需求不断扩大,因此,具有应急特色的机电专业人才培养迫在眉睫。当前,我国应急管理教育才刚刚起步,尤其是在培养具有应急特色的机电专业人才方面没有经验。为解决这一紧迫问题,深入分析了目前高校机电专业存在的主要问题,并通过汲取欧美国家高校中应急教育的经验,结合国内学者的相关研究,建立起支撑应急人才建设中关于具有应急特色的机电人才培养体系结构,提出人才培养目标、专业建设、理论与实践教学课程体系等建设性的培养模式,并对我国具有应急特色的机电专业培养目标以及发展趋势进行了深入分析,旨在提高我国具有应急特色的机电专业人才的专业素养,提供完善的人才体系,为国家应急管理事业的蓬勃发展奠定基础。

基于灰色系统理论与ARIMA模型对涌水量预测研究

矿井涌水量预测的准确程度是矿井水害防治成效的重要影响因素之一,选择合适的方法实现精确预测具有重要的实际意义。本文在介绍灰色系统理论GM(1∶1)模型与传统时间序列ARIMA模型两种矿井涌水量预测方法的基础上,较为详细地论述其分析过程,并基于山西平鲁后安煤矿的统计资料对比了两种矿井涌水量预测方法的适用程度。结果表明:GM(1∶1)模型平均绝对误差为4.53,ARIMA模型平均绝对误差为1.79,ARIMA模型更适合受多种因素影响的非线性系统预测。为了能够精准预测,提出了应进一步建立多因素综合预测模型,扩大对影响因素的考究,以提高模型的适用程度与预测精度。

旋转设备故障特征提取的研究

旋转设备包括滚动轴承等设备,是工业生产中的核心设备之一,长期工作在重荷、高温等环境下,是故障发生率较高的设备类型。任何微弱故障的发生都可能会对设备的可靠运行与安全生产造成恶劣影响,因此针对旋转设备进行故障诊断研究十分重要。而对旋转设备的振动信号进行分析处理,提取其故障特征是目前对其进行故障诊断的重要途径。首先将故障特征提取方法划分为时域、频域、时频域分析和人工智能几个部分,分别详细阐述了国内外对旋转机械的故障特征提取方法,并对其基本理论与优缺点进行了分析,最后总结了各种故障特征提取方法的优点与局限性,并对故障特征提取领域未来发展趋势进行了展望,旨为研究人员带来新的启发。