哪些电气设备需要接地

(1)支持绝缘子、穿墙套管、高压熔断器、高压断路器、隔离开关及刀闸开关等的底座;(2)变压器、发电机、电动机、静电电容器的外壳及电力电缆的金属外皮;(3)配电屏、开关柜、控制屏、配电箱的金属框     

重心下移 服务基层——泉州市鲤城区安监局开展“下基层”活动侧记

主动靠前强化服务支持"鲤城区安监局主动为我们服务,那是没得说的!我公司成立于2008年,作为生产树脂类企业,公司难免使用部分危险化学品,如天那水等,加之公司作为劳动密集型企业,不少工人素质相对差些。区安监局同志了解这些情况后,经常上门指导我们做好相关安全防     

工信部正式发布物联网发展规划纲要

工信部近日正式发布《无锡国家传感网创新示范区发展规划纲要（2012—2020年）》,将加大对示范区内物联网产业的财政支持力度,加强税收政策扶持;同时,推进物联网企业通过资本市场直接融资。     

运用公共关系学,做好安全工作

在日常的工作中,经常听到一些从事安全管理工作的同行们说:"安全工作难做."为此,笔者以从事安全管理工作十七年的经验认为,长期以来,我们的一些安全干部做工作常常只注重上传下达,或者是一说"安全第一"就误认为自己是"老大",缺少顾及改善与职工和有关部门的关系.以致在工作中缺乏职工的理解和支持.相反,如果我们的安全干部对职工的社会、文化、心理多些理解,并予以适应或引导,建立起一种既不失原则又不伤感情的工作关系,安全管理工作的难度就会小得多,也就会好做得多.     

基于LSSVM的石灰石浆液制取电耗优化

提出了基于最小二乘支持向量机(LSSVM)构造以球磨机制浆速度作为目标优化模型,并采用遗传算法实现了给料量、给水量、漩流器入口压力等运行参数的寻优,获得了优化制浆速度的调整方式。以此方式的相应参数作为当前负荷下的基准值,能很好地解决制浆工况下运行参数基准的确定问题。通过现场试验证明:按此基准值运行,可以提高制浆速度,降低电耗。     

基于近红外光谱技术和LSPTSVM模型的镉污染贻贝检测研究

贝类重金属污染已成为亟待解决的海洋食品安全问题,镉是重要的污染源之一。食用被重金属镉污染的翡翠贻贝会严重危害身体健康。研究了基于近红外反射光谱的镉污染贻贝无损、快速检测方法。通过采集正常贻贝和镉污染贻贝的950～1700 nm光谱数据,构建基于最小二乘投影孪生支持向量机(least squares projection twin support vector machine, LSPTSVM)检测模型,优化模型参数和正交投影轴数量获得最佳检测性能。提出的LSPTSVM模型检测镉污染贻贝准确率达到99.50%,优于其他孪生支持向量机模型。LSPTSVM模型适用于小样本数据集。针对难以获得大量镉污染训练样本情况,LSPTSVM模型较其他模型具有更好的稳健性。结果表明：近红外光谱结合LSPTSVM模型可实现镉污染贻贝检测,为贝类的品质评价和安全检测提供一种新的方法。     

让春色常驻洁莲

人们把西湖比作是杭州的一颗明珠,洁莲则是采荷的一颗明珠,为了天蓝,水清,草绿,洁莲人用自己的汗水和智慧——     

基于气象因素和改进支持向量机的空气质量指数预测

空气污染已成为人类社会面临的严峻挑战,为了构建准确的空气质量预测模型,文章首先运用统计分析方法进行相关性分析,探讨气象要素变化对空气质量的影响;针对传统支持向量机预测精确度受输入变量影响较大的弊端,采用基于熵权理论对变精度粗糙集约简进行了改进,以处理支持向量机的输入变量,提高支持向量机的预测精度;最后以沈阳市的历史气象数据和空气质量指数进行验证。与传统方法相比,所提方法能够将预测准确率由71.28%提高到77.83%,空报率和漏报率也有降低,与实际基本吻合。     

基于SVM-BP神经网络的风暴潮灾害损失预评估

风暴潮灾害是影响我国最严重的海洋灾害,风暴潮灾害损失的预评估对防灾减灾有重要作用。本文选用2002~2014年的40组风暴潮历史灾情资料进行试验,首先建立风暴潮灾害损失评估指标体系并用灰色关联分析法对指标进行筛选,然后采用最优权重组合将支持向量机和BP神经网络进行组合预测分别对风暴潮直接经济损失和受灾人口数进行预测,并与单一预测方法进行对比,发现组合预测方法可以降低误差,提高损失预测的准确性,建立风暴潮灾害损失预评估模型,为决策者进行预警信息的发布提供有效依据。     

ODM技术支持下的滑坡位移预测研究

预测模型的建立是滑坡预报的核心问题。Oracle系统的数据挖掘选件(Oracle Data Mining,ODM)可直接对存储在数据库中的数据进行操作,能减少数据转换的资源消耗,保证数据的安全性。以三峡库区八字门滑坡为例,在深入分析滑坡累计位移变化特征与其降雨、库水位等影响因素响应关系的基础上,采用ODM中的PL/SQL API建立了可预测滑坡位移趋势的支持向量机(Support Vector Machines,SVM)模型,并利用建立的SVM模型对滑坡累计位移量的未来值进行了预测。经验证表明:测试样本的预测均方根误差和平均绝对误差分别为10.07mm和6.54mm,预测结果与实测值变化趋势基本一致,说明基于ODM的SVM滑坡位移预测模型在处理非线性时间序列数据上具有一定的优势,可用于滑坡监测数据的短期预测。