实施缺陷管理 消灭管理盲区

新查庄矿业公司通过分析企业现状和员工特点,对"缺陷管理"进行了积极探索和实践,从而使管理的各个环节紧密相连,环环相扣,实现了企业科学发展、和谐发展。     

不同症状小麦赤霉病粒中脱氧雪腐镰刀菌烯醇的含量分析

目的测定不同症状的小麦赤霉病粒中脱氧雪腐镰刀菌烯醇(DON)的含量。方法采用免疫亲和层析净化高效液相色谱法测定健康、皱缩、皱缩发黑和皱缩发红的小麦籽粒中脱氧雪腐镰刀菌烯醇含量。结果健康麦粒中DON的含量为未检出,皱缩红色和皱缩发黑的麦粒中DON的含量均接近我国食品安全国家标准规定的食品中真菌毒素限量1000μg/kg;皱缩麦粒中DON的含量约为皱缩红色麦粒中的一半,极显著低于皱缩红色和皱缩发黑的麦粒(P0.01)。结论本方法能为粮食收购时判断DON毒素的含量提供理论依据。     

核酸适配体—靶标复合物解离常数测定方法 研究进展

核酸适配体是通过体外指数富集配基系统进化技术筛选到的一小段单链DNA或RNA寡核苷酸片段,能够与靶标高亲和力、高选择性地结合。为了在实际检测中应用核酸适配体,必须深入了解核酸适配体—靶标的结合过程,如测定复合物的解离常数。本文综述了近年来有关核酸适配体—靶标复合物解离常数测定的方法。这些方法大致上分为两大类:一类是基于分离策略的测定方法,如透析法、超滤法、凝胶电泳法、毛细管电泳法和高效液相色谱法;另一类是基于均相策略的测定方法,如荧光强度法、荧光各向异性法、紫外可见分光光度法、圆二色谱法以及表面等离子体共振法等。本文对每种方法的原理、应用范围和特性进行了概括和比较,并对未来的发展趋势进行了展望。     

SPE-柱前衍生-HPLC法研究阿维菌素在甘蓝及土壤中的残留动态

[目的]建立SPE-柱前衍生-HPLC法测定甘蓝和土壤中阿维菌素残留量的分析方法,并研究阿维菌素在甘蓝和土壤中的残留动态和最终残留量.[方法]样品用乙腈提取,C18 固相萃取(SPE)小柱净化,经N-甲基咪唑(NMIM)和三氟乙酸酐(TFAA)衍生化,用乙腈定容,最后用液相色谱-荧光检测器(激发波长为365 nm,发射波长为475 nm)进行测定.[结果]阿维菌素在甘蓝中半衰期为1.5～5.4 d,在土壤中降解的半衰期为6.7～8.8 d.、建议45.5%阿维菌素·丁醚脲悬浮剂防治十字花科蔬菜中的小菜蛾,在推荐剂量下最多施药2次,安全间隔期为4 d.[结论]建立的分析方法操作简单,方法的精密度、准确度和灵敏度都符合农药残留标准要求,适用于基质复杂的甘蓝和土壤中阿维菌素的残留测定.     

应用现代网络技术实现文件管理创新

对武钢股份公司目前的1000多个管理制度（公司级、总厂级）进行文件控制难点分析，提出应用网络技术管理文件，并对这些文件进行加密以防范网络风险的发生。     

Ti2AlC／TiAl复合材料的抗热震性能研究

利用放电等离子烧结（SPS）技术，原位制备Ti2AlC／TiAl（Nb，B）复合材料，并对其进行快速升温热处理。采用残余强度法对复合材料在225～825℃范围内的抗热震性能进行测试。结果表明：随热震温差的升高，试样显微结构变得疏松，内部出现孔洞和裂纹，导致材料热震后强度下降；热处理后复合材料的抗热震性能明显提高，断裂方式的改变及显微组织的细化是产生这一现象的主要原因。     

粉末冶金法制备SiC颗粒增强AZ81镁基复合材料性能研究

研究了粉末冶金法制备SiC颗粒增强AZ81镁基复合材料的力学性能及力学性能变化的机理。实验结果表明，与AZ81基体相比，通过加入一定合适体积的SiC颗粒，SiCp／AZ81复合材料的拉伸强度、断裂韧性、硬度均有了较大提高，其最大值分别达到271．61MPa，5．96MPa·m^1/2，2．52GPa。     

提高内审的有效性实现综合管理水平的持续改进

内部审核是企业管理体系运行中的关键过程,对管理体系运行的有效性产生着重要的影响.要实现管理体系持续有效运行的目标,企业必须强化对内审过程的控制,特别是要在内审策划、内审员素质、对高层领导审核和采用科学审核方法等方面做好控制工作.     

基于MFOA-GRNN模型的年电力负荷预测EI北大核心CSCD

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络（GRNN）已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用GRNN进行预测的关键点。提出了一种将多种群的果蝇优化算法（MFOA）和GRNN相结合的混合年电力负荷预测模型,用以解决上述问题。其中,MFOA用作为GRNN电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,MFOA-GRNN模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型（DE-SVM）、粒子群优化的GRNN模型（PSO-GRNN）、以及果蝇优化的GRNN模型（FOA-GRNN）的预测结果进行了比较。最终得出,文中所提出的MFOA-GRNN模型在年电力负荷预测中的预测性能优于上述3种模型。