摘要：“煤矿供电”是一门具体行业特色的专业课程,是电气专业知识在煤矿行业的实践应用。课程的培养目标是为煤矿企业培养具有从事电力系统设计、运行和维护能力的专门人才。随着“碳达峰,碳中和”目标的实现,我国的电力网络将发生深刻变化,对电力系统从业人员的专业素养和创新能力有着更高的要求。因此,新工科背景下,从创新和实践方面提出“煤矿供电”课程教学改革措施,培养具有创新能力的高素质电力系统从业人员,以满足“双碳”目标下煤矿电力系统对创新人才的要求。

摘要：快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义,激光诱导荧光(LIF)技术在检测中具有快速性和灵敏性,将LIF应用于煤矿突水的检测,再结合模式识别算法,可快速识别出突水来源。目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库,当突水水源不在该库中时,易引发误识别。无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息,能降低对未知类别的误识别,因此把DBSCAN算法用于突水的激光诱导荧光光谱识别,并将MVO用于DBSCAN的参数寻优,省去繁琐的人工参数寻优过程。实验中,从谢桥煤矿采水点获取四个水样,利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱,每种水样采集30组光谱数据。首先,利用无监督学习算法自动编码器(AE)对原始光谱数据降维,以减少光谱数据中冗余信息对聚类的影响,设计的AE的结构是介于浅层和深层之间的多层网络模型,可将原始光谱数据降到2维;为使降维模型具有稀疏性,在传统的AE算法中加入一个Dropout层,由实验可知,加入Dropout层后的降维模型具有较快的收敛速度。将多元宇宙优化(MVO)算法用于DBSCAN参数寻优,在参数寻优过程中, DBSCAN对降维后的水样光谱识别率最高为97.5%,此时参数所对应的取值范围为[0.023 66 0.040 65];为验证AE对水样光谱数据降维的有效性,把归一化后的未降维的光谱数据用于DBSCAN聚类识别, DBSCAN对原始水样光谱的识别率最高为95%,比降维后的后水样光谱识别率低了2.5%,结果表明,使用AE降维光谱数据,可提高DBSCAN对不同光谱的识别率。最后,用监督学习算法K最近邻(KNN)识别降维后的水样光谱,将识别结果和无监督学习算法DBSCAN的识别结果对比,其中训练集选用三种水样,测试集使用四种水样;在测试集中,监督学习算法只能准确地识别训练集所包含的水样类别,但把训练集没有的类别全部识别错误,而DBSCAN能准确的识别出训练集中没有的水样光谱。非线性降维算法AE能实现对高维的水样光谱数据降维,把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别,可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。

摘要：用FLUENT数值仿真软件,对H型垂直轴风力机的风轮进行了瞬态模拟计算,得到风力机在正常运行过程中的速度分布云图、压力分布云图和湍动能分布云图;据此分析了风轮在运行过程中的速度场、压力场等气动特性。结果表明,当外界来流风速从5 m/s增加到15 m/s时,最大压力差增加到原来的6.5倍。该结论可为垂直轴风力机的设计提供参考。