宁夏地区雨季特征时空变化规律及其归因分析

为揭示宁夏地区雨季特征时空变化规律及物理归因，利用1960～2020年宁夏地区9个气象站点的降水资料，基于滑动t检验法确定宁夏地区各个站点多个雨季特征(包括雨季开始时间、结束时间、持续时间、降雨量、降雨强度和降雨日数)的时空分布规律，分析大气环流、季风以及海表温度对宁夏地区雨季特征的影响。结果表明：宁夏地区的雨季开始时间和结束时间具有明显的年代际和空间变化特征，西北太平洋增强(减弱)的反气旋是宁夏地区雨季开始(结束)的重要信号。雨季降雨量和降雨强度在突变年份发生后，具有增强的趋势。多个雨季特征表现出与厄尔尼诺(ENSO)区域明显的负相关性，即升高的海表温度会导致宁夏地区雨季起讫时间的提前、降雨量和降雨强度以及雨季降雨日数的减小。研究成果可为探究宁夏地区雨季特征与海表温度的遥相关性提供参考。     

基于形态特征提取的急性下壁心肌梗死BiLSTM网络辅助诊断算法

急性下壁心肌梗死是一种病发急、进展快、致死率高的心脏疾病,该文提出一种新颖的基于形态特征提取的BiLSTM神经网络分类的急性下壁心肌梗死辅助诊断算法,可大幅度提高医生对急性下壁心肌梗死疾病的诊断效率并有助于及时确诊.算法包括:对胸痛中心数据库心拍信号进行降噪及心拍分割;根据临床心内科医学诊断指南提取了12导联波形距离特征和分导联波形幅值特征;依据提取的特征搭建LSTM与BiLSTM神经网络进行心拍的分类识别;使用PTB公开数据库和胸痛中心数据库多临床中心进行交叉验证.实验结果表明,加入胸痛中心真实临床数据后,基于形态特征提取BiLSTM神经网络的急性下壁心肌梗死辅助诊断算法准确率达到99.72％,精度达到99.53％,灵敏度达到100.00％,同时F1-Score达到99.76.该算法比其他现有算法准确率提高至少1％,该项研究具有非常重要的临床应用价值.     

燃气工程领域重大责任事故罪案件分析及防范

对近5年发生的19起燃气工程领域生产安全重大责任事故罪案件,从所在省自治区直辖市、事故类别、作业类别、刑期和职务5个维度进行分析,提出事前、事中、事后防范措施。     

针对细微特征进行K-means聚类的电台分选识别技术

现代战场中的无线通信设备日益增多，精准获取个体信息已成为研究热点，但也是难点。针对通信电台，提出了一种分选识别技术。该技术从电台物理层特性出发，对其辐射信号的细微特征进行K-means聚类以实现分选，分选的同时提取各个个体的特征属性值，未知信号通过与特征属性值相关运算实现个体识别。该技术无需先验知识，无需训练运算，通过实验验证，其可行、高效，易于工程实现。     

海上井喷抢险“三分支”引火筒结构设计

针对目前海上生产平台出现的井喷失控事故, 设计了“三分支”引火筒装置。在从源头控制井喷抢险作业时能够借助“烟囱效应”将流体/火焰引至上方，降低井口区温度，提高井喷抢险作业的安全性。“三分支”引火筒装置主要由引火筒、悬挂筒、主轴及悬挂装置、锁定及支撑装置组成。作业时可根据井口分布调整3个引火筒之间的角度和高度，配合钢丝绳和绞车进行井喷抢险作业。对各部分结构进行了阐述并且对结构强度及恶劣工况下的吊装进行了有限元分析。分析结果表明:装置强度满足要求；在200×104 m3/d气井井喷环境下最大等效应力为492 MPa，最大偏移量为348.02 mm，在6级风环境下最大等效应力为495 MPa，最大偏移量为353.12 mm，均满足抢险作业需求。研究结果可为生产平台井喷抢险引火筒研发提供参考。     

煤矿井下运输方式设计及设备选型研究

为了适应煤矿产能的提升和开采规模的不断加大,南岭矿对现有机电运输设备进行了重新的选型和升级.实际应用表明,优化后的井下运输设备的运输能力能够很好地满足矿井的安全高效生产.     

EBZ-260型掘进机截割头截割性能研究

通过对EBZ-260型掘进机截割头的截割性能进行分析和研究,深入了解和掌握了相关截割头的数据参数、设计结构及载荷等情况,进一步研究了截割头的受力情况、形状结构及其截齿运行轨迹及安装分布等特性,可为截割工作提供必要的数据参考及理论基础,有利于重要部件的有限元分析,对研究掘进机整机受力的情况、截割的性能、所具备的可靠性及稳定性等方面具有重要作用.     

开展安全生产教育培训工作的重要意义

生产经营单位安全生产工作关系着企业的利益、员工的利益,体现着企业的社会责任,反映着企业的社会形象。安全生产工作一直是党和政府十分关切的问题,是生产经营单位工作的重中之重。建材工业是国民经济重要的基础性产业,已形成门类比较齐全、产品基本配套、面向国际国内两个市场的完整工业体系。建材行业基本生产方式是窑炉作业和矿山开采,具有产品门类多、市场涉及面广、生产工艺繁杂、专业技术多样、作业条件艰苦、高温作业危险因素多和易发生事故的特点。     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.