防震減災的方法

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇防震減災的方法范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

防震減災的方法范文第1篇

 

現代軟件技術的發展，提出了一整套解決開發過程中所遇到的一系列問題的工程方法。為解決飛行仿真系統開發中的實際問題，本文將軟件工程方法引入到仿真系統的開發中，提出了一套仿真系統開發過程和仿真程序分析與設計的優化方案，并對開發過程中的全面質量管理方法進行了研究，從而實現了軟件工程方法在飛行仿真系統開發中的有效應用。

 

軟件工程是一種運用系統的、規范的和可定量的方法來開發、運行和維護軟件的工程化開發技術。它借鑒了傳統工程的原則和方法，針對傳統軟件開發方法的缺點，以求高效地開發高質量軟件。軟件工程方法在軟件系統開發過程中的優勢主要體現在如下幾個方面:對軟件開發過程的優化;對軟件分析與設計方法的優化;全面的軟件質量管理體系。

 

軟件開發過程主要包括需求、設計、實現、確認以及支持等活動，所有這些活動構成了軟件的工程開發模式，定義了軟件的生存周期。將其用明確的工程化方法描述出來，有助于規范開發的過程，提高開發的效率和質量。目前常用的開發模式有瀑布式模型、原型開發模型、螺旋模型、面向對象模型等。

 

在軟件系統分析與設計方面，軟件工程定義了一套比較完整的實現方案。分析是抽取相應需求的過程，設計是將需求轉化為設計規格說明的過程。在系統分析與設計方面，目前比較流行并且適合于仿真系統開發的方法是面向對象的分析與設計方法。它在對象、類、方法和消息等概念的支持下，在現實系統的建模、分析與設計方面更直觀有效。可用下面的等式來說明面向對象的方法：面向對象=對象十分類十繼承十通過消息的通訊。

 

面向對象的方法將現實系統分解為一個個直觀可理解的對象類，并在分類的基礎上定義了類的屬性和服務(類與類之間的通訊手段)，然后在此基礎上將類組裝成為實際的軟件系統，對軟件開發的復雜度進行有效的控制。

 

質量保證在軟件開發過程中占有很重要的位置，在軟件工程方法中是依靠軟件質量保證(SQA)活動對軟件品質進行控制的。SQA是軟件開發過程中一項有計劃的規范性管理活動，它主要通過如下活動保證軟件的開發過程和軟件質量：技術方法的應用;正式技術評審的實施;軟件測試;標準的執行、修改的控制;度量、記錄和記錄保存。

 

軟件工程技術的應用改變了軟件開發僅是一個純粹編碼過程的基本觀念。軟件工程方法有一套嚴格的開發模式和管理控制體系，從問題域的分析，到軟件系統的設計、具體的編碼實現，再到軟件的測試、交付使用與維護，都有一套相應的解決方案，使整個軟件開發的過程規范化、文檔化，并且在軟件系確保軟件系統滿足開發要求，最大限度地提高軟件的質量。為了對以上質量因素進行評價與控制，根據仿真系統的特點綜合考慮，可將仿真系統開發過程中的質量保證分為如下幾個層次:仿真模型驗證與校核;仿真軟件測試;仿真軟件評審;軟件修改過程控制。這幾方面的活動不僅僅是單純的技術活動，還要包含對軟件開發過程的管理活動，因此在實施過程中，必須在軟件系統的需求分析階段之前，制定具體的管理方法和實施步驟。

 

具體的實施步驟為：首先考察對SQA的需求，也就是對仿真系統開發中的軟件質量保證和軟件配置管理的狀態(包含軟件開發所采用的政策、過程和標準等)、組織以及SQA與軟件開發中其他元素的關系的評價;其次是制定具體的SQA計劃，并在一些SQA標準(如GB/T12504—90)的基礎上，結合飛行仿真系統的特點，形成SQA計劃的標準格式;最后是SQA的實施階段。

防震減災的方法范文第2篇

【關鍵詞】 根管治療； 診間疼痛； ProTaper和Mtwo系統

doi：10.14033/ki.cfmr.2017.4.010 文獻標識碼 B 文章編號 1674-6805（2017）04-0020-02

【Abstract】 Objective：To observe the pain after root canal preparation with either ProTaper or Mtwo，and discuss the influence facters of the endodontic interappointment pain.Method：A total of 105 teeth with pulpitis，including molars and premolars，were selected and randomly divided into group A and group B.Group A was treated with ProTaper system，and group B was treated with Mtwo system.The pain happening after root canal preparation were observed，including the characteristics，the degree and duration.Result：There was no singnificant difference in the incidence of pain and duration between the two groups（P>0.05）.Conclusion：There is no significant difference in the incidence of pain and duration after root cancal preparation are observed between ProTaper and Mtwo system.Control the mechanical stimulation strictly，and ensure the preparation equipment working in root canal working length，is an important method of reducing postoperative pain.

【Key words】 Root canal treatment； Interappointment pain； ProTaper and Mtwo system

First-author’s address：Changzhou Cancer Hospital，Changzhou 213001，China

根管預備是根管治療的重要步驟，根管預備術后疼痛一直是臨床醫生關注的并發癥之一。主要原因有根管解剖形態、細菌感染及機械創傷等。鎳鈦銼根管預備目前已大量應用于口腔臨床，選擇合適的預備方法對減少根管預備術后疼痛尤為重要。本文對臨床診斷為牙髓炎的非感染根管患牙隨機采用2種根管預備方法（ProTaper和Mtwo系統），比較根管預備術后短期疼痛的發生情況。

1 資料與方法

1.1 一般資料

選取2013年9月-2016年3月在筆者所在醫院就診的牙髓炎患者105例作為研究對象（包括磨牙和前磨牙共105個），其中男55例，女50例，年齡20～60歲，平均（45±3）歲。納入標準：全身無系統性疾病，患牙牙周狀況良好，排除感染根管患牙，根管預備前未服用抗生素和止疼藥。隨機將患者分為2組。A組（53牙）：選擇ProTaper根管預備系統預備根管；B組（52牙）：選擇Mtwo根管預備系統預備根管。兩組一般資料差異無統計學意義（P>0.05），具有可比性。

1.2 方法

兩組均采用Raypex 5根尖定位儀測量根管。兩組患牙在失活劑失活后或局麻下去髓，揭髓室頂，建立根管通路，均使用10#、15#K銼疏通根管。A組選擇ProTaper鎳鈦銼冠根向技術預備根管，先用G鉆行根管入口的預備，再用SX鎳鈦銼完成根管上部預備，依次使用S1、S2和完成銼F1、F2完成根管預備。B組選擇Mtwo器械等長技術預備根管，依次使用Mtwo鎳鈦根管銼0.04錐度/10#、0.05錐度/15#、0.06錐度/20#、最終0.06錐度/25#完成根管預備。A、B兩組預備過程中均使用EDTA、0.5%次氯酸鈉和生理鹽水交替沖洗根管。術后囑患者觀察根管預備后是否出現疼痛及疼痛的程度、特點、持續時間，并詳細記錄。

1.3 評價標準

疼痛評定標準：0級，無疼痛；1級，輕微不適；2級，輕度疼痛，不需要止痛藥物；3級，嚴重疼痛，需要口服藥物和復診。兩組分別于根管預備后24、48 h復診，并記錄術后疼痛的相關信息。

1.4 統計學處理

采用Epidata建立數據庫，采用SPSS 11.0軟件對數據進行統計分析，計量資料以（x±s）表示，采用t檢驗；計數資料以率（%）表示，采用字2檢驗，P

2 結果

兩組疼痛發生率和疼痛持續時間比較差異均無統計學意義（P>0.05），見表1、表2。

3 討論

目前普遍認為根管預備后疼痛原因是根管預備過程中器械損傷根尖周組織、化學沖洗液混合根管碎屑等造成的p害，大量炎性介質釋放或激活導致的急性根尖周炎癥反應[1]。機用鎳鈦機械預備可以更好地清理成形根管，減少機械刺激，臨床常用的鎳鈦器械有ProTaper和Mtwo系列，本文探討兩種器械預備根管，觀察預備后疼痛發生率和持續時間。

根管預備前，A、B兩組患牙均采用電測法測定根管工作長度，電測法準確性不受根管內血液，滲出液的影響，可以確保根管預備器械和沖洗始終控制在工作長度內[2-3]。A、B兩組患牙在確定工作長度前均使用10#K銼疏通根管，A組采用冠向技術預備，結果A組疼痛率為11.3%，在根管預備時，每號針預備結束均反復沖洗根管，并再次電測法測定工作長度，確保銼始終在工作長度內工作[4]。但仍有6例疼痛病例出現，可能是沖洗液和根管碎屑超越根尖止點，這一結果提示無壓力沖洗和仔細預備根管同樣可以降低由機械刺激導致的術后疼痛。B組采用的是等長技術預備，根管預備注意要點同A組，術后疼痛率為13.5%。結果顯示A組、B組分別有24例、27例出現了輕微不適和術后疼痛，疼痛率明顯低于Glennon等[5]研究結果，且大部分疼痛持續時間不超過48 h。A、B兩組疼痛率差異無統計學意義。這一現象提示術中確保工作長度內的根管預備是安全的，同時應在少切割牙體組織的原則下，盡可能敞開根管上部，努力避免根管沖洗液和微量根管泥溢出根尖止點，杜絕各種機械刺激對預防術后疼痛是十分重要的[6-9]。

本次臨床觀察提示，影響非感染根管預備術后疼痛的主要原因來自于于機械刺激，理想的根管預備止點應恰好位于根尖狹窄區，準確的根管工作長度和反復根管沖洗是預防術后疼痛的關鍵因素。

參考文獻

[1]鮑萍萍，范兵.根管治療約診間痛發生機制的研究進展[J].國際口腔醫學雜志，2007，34（6）：440-442.

[2] Angotti V，Felici R.Accuracy of three electronic apex locators in anterior and posterior teeth：An Ex Vivo Study[J].Journal of Endodontics，2010，36（12）：2003-2007.

[3] Lin T，Tian X C，Li W，et al.The effect of curvatures on the accuracy of the electronic apex locator[J].Journal of Shanghai Stomatology，2014，23（6）：685-688.

[4]黃定明，周學東.根管治療工作長度確定之惑及解決之道[J].華西口腔醫學雜志，2016，34（2）：109-114.

[5] Glennon J P，Ng Y L，Setchell D J.Prevalence of and factors affecting postpreparation pain in patients undergoing two-visit root canal treatment[J].International Endodontic Journal，2004，37（1）：29-37.

[6] Oliveira M，Biffi J.Morphometric evaluation and planning of anticurvature filing in roots of maxillary and mandibular molars[J].Brazilian Oral Research，2015，29（1）：1-9.

[7]陳青，于靜濤.不同預備方式預備根管后牙本質裂紋產生狀況分析[J].中國實用口腔科雜志，2016，9（2）：85-88.

[8]倪毅.超聲蕩洗對根管預備后疼痛及療程的影響[J].世界臨床醫學，2016，10（6）：185.

防震減災的方法范文第3篇

中圖分類號：R2-03 文獻標識碼：A 文章編號：1005-5304（2013）04-0103-05

由于中醫診斷主要根據醫生的經驗來決定，因此，在臨床施治過程中存在較大的主觀性和不確定性等問題。在中醫診斷領域引進數據挖掘技術，不但符合現在多學科交叉發展的潮流，在解決實際問題上，無疑也是中醫客觀化進程中的又一催化劑。作為一門融合人工智能、機器學習和數理統計等方法的新型學科技術，數據挖掘在克服人類本身認知和思維長度的基礎上，充分利用海量臨床數據，通過模擬臨床診斷推理過程來挖掘臨床診斷數據中繁雜的證、癥關系，對尋求中醫專家的辨證規律有重要價值。目前，在該領域涉及到的數據挖掘方法較多，主要有貝葉斯網絡、人工神經網絡、粗糙集理論、關聯分析、決策樹、聚類分析、判別分析、支持向量機、多標記學習、隨機森林等。筆者現對這些方法的相關應用綜述如下。

1 常見數據挖掘方法

1.1 貝葉斯網絡

貝葉斯網絡是通過簡明的圖形方式結合統計理論來定性表示變量間復雜因果或概率關系的一種數據分析方法，包括網絡集和概率集兩部分。該方法具強大的執行高效推理任務的功能，能充分利用先驗知識，而使其在診斷領域的應用價值極大。在解決中醫定量診斷問題上，其體現出的功能主要表現在：揭示眾多癥癥之間以及癥與證間的復雜關系，探究證候的主要癥狀和次要癥狀，定量確定其診斷價值，這有助于確定證候診斷的標準和規范，而且建立的證候診斷模型以概率形式給出診斷結果，能有效輔助專家作出決策。因此，該方法對促進中醫診斷學發展所做的貢獻不可忽視。張氏等[1]對255例肺癌患者證候以癥狀之間的關聯性及關聯強度為基礎，利用貝葉斯網絡概括出了肺癌的證候要素，包括病機要素9個、病位要素5個及病機要素之主要癥狀與次要癥狀。曲氏等[2]對611例抑郁癥患者的中醫證候進行了研究，采用貝葉斯網絡對抑郁癥中醫癥狀進行評定，發現擬定的中醫證型包含了抑郁癥的核心癥狀和周邊癥狀的不同組合方式，體現了抑郁癥臨床多變的證候特點。范氏等[3]對收集到的1512例類風濕關節炎（RA）患者的臨床數據采用基于聚類的貝葉斯網絡模型，提取出了RA的7項主特征及4型的類特征，為中醫辨證分型及RA中醫診斷標準提供了臨床依據。龔氏等[4]對2501例2型糖尿病的臨床數據運用該方法分析，發現空腹血糖異常患者及糖化血紅蛋白異常患者均以陰虛熱盛多見，而餐后2 h血糖異常患者則以陰虛多見。王氏等[5]應用此方法通過分析474例血瘀證臨床診斷數據進行血瘀證定量診斷，發現了血瘀證的7個關鍵癥狀，并與此同時建立“是否血瘀證”的分類器模型，經交叉驗證發現此分類器診斷準確率達96.6%。郭氏等[6]認為，證候的復雜性表現為證候各因素之間的高維高階性，他們運用貝葉斯網絡技術對肺系疾病證候構成因素之間關聯形式進行了研究，發現各因素間的聯結形式是線性相關與非線性相關并存的，它們相互交織，形成復雜的網絡結構，表現出典型的非線性特征。

1.2 人工神經網絡

人工神經網絡是在對人腦神經網絡結構認識理解的基礎上人工構造的新型信息處理系統。目前的神經網絡模型有：用于分類、預測和模式識別的前饋式神經網絡模型，用于聯想記憶和優化計算的反饋式神經網絡模型，以及用于聚類的自組織映射方法。其中前饋式神經網絡模型是目前應用最廣泛的神經網絡之一。對于將其應用于中醫診斷領域，陳氏[7]認為，中醫學辨證施治本質上就是對眾多數據信息進行處理并提取規律的過程，而人工神經網絡恰恰具備較好獲得數據規律的能力。人工神經網絡模型的優勢主要體現于其黑箱結構，這賦予人工神經網絡強大的非線性擬合能力，使其能夠任意精度逼近非線性函數。

但不足的是，在中醫研究中，人工神經網絡不能進行變量篩選，對其得到的結果也只是局部最優而非全局最優。如李氏等[8]對142例脾氣虛弱及肺脾氣虛證HIV/AIDS患者的主要實驗指標、四診信息的主要癥狀和舌象運用Clementine中的特征選擇節點進行篩選，建立脾氣虛弱和肺脾氣虛的人工神經網絡模型，發現該模型能較好地診斷艾滋病患者脾氣虛弱和肺脾氣虛證型，其樣本模型訓練集診斷的正確率和測試集診斷的正確率分別為87.25%和80.00%。傅氏等[9]認為，運用數據驅動模式建立中風人工神經網絡模型，將為進行繁雜多變的中風證候的動態研究、掌握證候的動態演變規律及在不同時點進行療效評價提供一個新的探索方向。許氏等[10]通過對心血管疾病中醫臨床信息數據庫中的臨床信息和證候類別之間的關系進行分析，發現人工神經網絡尤其是OCON網絡對該病常見的中醫證型的識別率最高，其中心氣虛證和心陽虛證分別高達92.4%、82.9%。有研究運用人工神經網絡分析RA、糖尿病腎病（DN），分別建立RA和DN證候的BP網絡模型，并采用三倍交叉驗證的方法，發現這2種模型平均診斷準確率分別為90.72%、92.21%[11-12]。余氏[13]通過文獻資料和臨床資料收集選用人工神經網絡等方法開展2型糖尿病證候診斷標準模型建立及對比研究，所建模型在臨床數據測試樣本的正確辨識率為73%。

1.3 粗糙集理論

粗糙集理論主要用于分析研究不完備數據，這是繼概率論、模糊集、灰色理論之后又一個刻畫不確定、不完備系統的有力數學工具。基于其具有能有效處理各種不確定、不完備信息的強大能力，有研究者認為將其用于分析中醫癥狀-辨證要素間相關性，建立定性定量標準，有很大前景[14]。其最大優點在于不需要問題所需處理數據之外的任何先驗信息，能夠在保留關鍵信息的前提下求得知識的最小表達式。因此，將粗糙集理論引入中醫，運用到中醫診斷上，將可能是實現中醫診斷智能化的又一個發展方向。

陳氏等[15]以450例老年人細菌性肺炎患者在就診過程中的285項指標為研究對象，采用粗糙集方法對已經過初始數據處理的各數據進行挖掘分析，得到7種中老年肺炎的證候診斷標準，為療效評價指標提供了客觀依據。陳氏等[16]從與原發性高血壓相關的古今醫案中收集237例病案，對其癥狀和體征進行數據預處理，運用基于粗糙集理論的KDD決策分析系統Rosetta軟件約簡病證屬性，獲取到了原發性高血壓肝陽上亢證的專家知識，為進一步研究原發性高血壓肝陽上亢證奠定基礎。劉氏[17]運用粗糙集理論對脾胃系疾病的證候診斷進行相關研究，建立了可進行辨證分型的計算機軟件，并通過這一軟件量化標準來判斷患者所屬證候，為治療脾胃系疾病辨證提供可靠依據。謝氏[18]建立了一個基于粗集理論的中醫診斷專家系統模型，以模擬中醫專家診斷的過程。秦氏等[19]把粗糙集應用于中醫類風濕證候診斷，并在類風濕病的各證候診斷上應用。

1.4 關聯分析

在數據挖掘方法中，關聯分析常用來挖掘特征之間或者數據之間的相互依賴關系，對給定的事務數據庫找出滿足最小支持度和最小置信度的關聯規則。與其他數據分析方法不同的是，關聯規則的引入，可以從大量貌似繁雜癥與證的數據中，找到隱形的關聯，極大促進中醫診斷學的發展；并且其所得結果清晰有用，同時支持間接數據挖掘；可處理變長的數據，為尋找診斷數據中的隱性關聯帶來了方便，其計算的消耗量也可以預見[20]。

肖氏等[21]設計了一種基于遺傳算法的正相關關聯規則挖掘算法，發現胃部不適癥狀與處方、證候重要關聯關系。陳氏等[22]通過對400例肝硬變患者進行關聯分析，找出符合最小支持度和最小置信度并形成規則的中醫證候氣滯/氣郁證和血瘀證，這表明肝硬變和氣滯證、血瘀證之間關聯度非常高。鐘氏等[20]采用關聯規則的分析算法，探求胃炎癥狀與“中虛氣滯”辨證之間的關系，得到在中虛氣滯證中，口干欲飲這個癥狀對辨證的影響最大。

1.5 決策樹

決策樹算法是一種逼近離散值函數的方法，常用來形成分類器和預測模型，是建立在信息論基礎之上對數據進行分類的一種方法。岳氏[23]通過選取300例確診為小兒肺炎患者的數據為基礎，成功構建了基于決策樹算法的小兒肺炎指紋辨證分類模型，準確率達84.5%。鐘氏等[20]從中醫胃炎數據中篩選出“中虛氣滯”的病歷，通過決策樹，以“中虛氣滯”為目標屬性，根據病歷中癥狀辨證是否與目標屬性相同設置“yes”和“no”兩值，再通過設置的訓練樣例運用ID3算法構建決策樹，以判斷未知中醫證型的病例是否歸屬“中虛氣滯”。查氏等[24]將397例已確診活動期RA患者隨機分為中藥和西藥治療組，通過對其初診中西醫癥狀及檢查結果采用決策樹進行證病信息和療效的相關關系探索，得出可從證候信息的角度獲得藥物治療的最佳適應證，從而實現個體化治療。徐氏等[25]對406例慢性胃炎病例用bootstrap抽樣擴增，采用基于信息熵的決策樹c4.5算法建立中醫辨證模型，測試集模型分類符合率為81.25%。

1.6 聚類分析

聚類分析的實質就是聚集數據成類，使類間的相似性最小，而盡可能增大類內的相似性。其優點是：作為一種探索性的統計分析方法，聚類分析方法可以在對數據沒有先驗知識的情況下對數據資料進行分類，根據數據的內在相似或相關程度，可使得類別內數據“差異”盡可能小，類別間“差異”盡可能大，對中醫藥領域中的癥狀組合規律、證候規律等方面的研究具有一定的推動作用。但由于中醫證候復雜程度較大，聚類分析在解決這些問題時存在的局限性表現在：①多結果，主觀性大。此分析方法無法根據數據內部特點自主確定分為幾類，需要研究者依據其學科知識和經驗來確定到底聚為幾類、聚到哪一類為最佳；此外，選擇不同的類間距離和變量間距離的定義方法，結果將大有不同，因此，多次嘗試、反復分析對于此類分析方法來說是必須的。②單分配，即變量只能被聚到某一類。在研究癥狀的聚類問題時，中醫的一個癥狀常需要能被聚到不同的類中，但聚類分析只能將一個癥狀歸入某一個類別里面。

李氏等[26]應用系統聚類的方法對276例乙肝后肝硬化的癥狀、體征進行分析研究，得出乙肝后肝硬化基本中醫證候有濕熱內蘊證、肝腎陰虛證、肝郁脾虛證、脾虛濕盛證、脾腎陽虛證、血瘀證、氣（陽）虛證共7類。盧氏等[27]通過制定“中醫證候臨床觀察表”，對106例兒童中間型β地中海貧血患者進行中醫證候調查，采用聚類分析等統計學方法得出廣州地區中間型β地中海貧血患兒中醫證候分布特點為氣血兩虛證>肝腎陰虛證>脾腎陽虛證>陰陽兩虛證，這為進一步規范化辨證論治提供了一定依據。何氏等[28]采用臨床流行病學的方法，對143例冠心病PIC術后患者的癥狀、體征等臨床資料進行了聚類分析，得出冠心病PIC術后患者證候分為氣虛痰濁、腎虛血瘀、肝氣郁結、脾氣虧虛、心氣虧虛、氣陰虧虛共6類。黃氏等[29]應用變量聚類分析的數理統計方法，對慢性疲勞綜合征（CFS）進行了中醫辨證分型，并對收集到的237例CFS患者的癥狀、舌象和脈象等臨床資料進行了變量聚類分析，得出變量聚類分析能幫助CFS在中醫證候中合理分為精髓空虛、陰液虧虛、脾腎陽虛和肝火亢盛共4型，解釋比例為61.68%。

1.7 判別分析

與其他統計學方法不同的是，判別分析的主要目的是建立一個線性組合，使其可用最優化的模型來概括分類之間的差異。該方法常用來根據已知數據的分類情況判斷未知待分析數據的歸屬問題等，在證候的研究方面應用最廣。

胡氏等[30]根據所收集的413例亞健康失眠患者的中醫證型對證候變量進行逐步判別分析，建立判別函數式，得出亞健康失眠中醫證型判別函數與臨床診斷吻合良好，逐一回代法判別總一致率達81.1%。夏氏等[31]對77例慢性再生障礙性貧血（CAA）患者進行辨證分型分組，應用逐步判別分析方法建立CAA中醫證型判別方程，篩選出了與判別方程最相關的6個免疫學和血常規指標。酈氏等[32]以腦梗死中醫證型標準化研究結果為基礎，采用逐步判別分析，建立了腦梗死各證型與觀察指標間的數學判別方程。趙氏等[33]對收集符合RA診斷標準的患者按照辨證對變量進行逐步判別分析，建立了一個具有較好的判別效果的判別模型。薛氏等[34]選用已進行頻數分析的文獻207篇進行肝病證候的判別分析，認為肝郁脾虛證辨證標準難以脫離疾病特點。

1.8 支持向量機

支持向量機是基于統計學習和結構風險最小化原則的學習機器，可以通過核函數將低維輸入空間的數據特征投射到高維數據控件，并求得最優分類的超平面。該算法的關鍵思想是利用核函數把一個復雜的分類任務映射，使之轉化成一個線性可分問題。在許多實際學習問題中，它允許擴大的空間維數非常大，在某些情況下可能無窮大，能較好地解決小樣本、非線性、高維數和局部最小等問題。支持向量機方法較適用于中醫診斷數據的現狀和對中醫臨床經驗的總結。

徐氏等[35]以中醫心系503個樣本為例，利用支持向量機進行中醫心系證候分類研究，結果表明，該方法在證候分類中能達到較高的準確率。王氏等[36]以名醫診治冠心病典型醫案115例建立冠心病名醫診療數據庫，運用支持向量機方法提取到名醫診治冠心病8個主要證候要素并確定其定量診斷，闡釋了證候要素應證組合規律。殷氏等[37]對舌診數據進行主成分提取，分別建立Logistic回歸和支持向量機模型，發現在小樣本情況下支持向量機模型更優，敏感度達92.8%，特異度達92.3%。楊氏等[38]精選1個家系虛寒證的相關基因信息，選擇間接比較實驗方案進行基因芯片實驗，對5例虛寒證和5例正常人差異表達基因的表達值進行建模，使用支持向量機、K近鄰分類法等方法，將家系中其他人樣本帶入，發現其能夠正確判別。在舌象診斷鑒別上，謝氏[39]依據支持向量機理論，以徑向基函數作為核函數構造多分類分類器，將舌象的特征參數作為輸入樣本，對病證進行分類，并以肝病病證分類做了仿真。

1.9 多標記學習方法

與其他分類方法不同的是，多標記學習方法的每個研究對象不再對應于單一的概念標記，而是由單個示例（屬性向量）表示并對應于多個概念標記，即一個樣本和多個類標相關聯。鑒于現實社會涉及到的很多真實對象往往都具多語義、多分類目標性，如疾病的證候、證型，待分類的文檔、網頁，生物信息學中的基因等，因此，多標記學習方法的成熟對促進這些領域的發展也就顯得十分重要。然而該方法存在的一個主要問題是不能充分利用各訓練樣本所含概念標記之間的相關性，從而有效提高學習系統的泛化能力；此外，由于其存在復雜程度較大，運用該方法進行研究尚存在降維方法和特征選擇方法較少的不足。

針對中醫臨床證候兼夾的多標記特點，研究人員首次將多標記學習算法引入到中醫問診的客觀化研究。該研究將多標記學習結合頻次分析，應用于冠心病的問診證候模型建立，有效提高了診斷模型的識別率；在此基礎上，還結合中醫數據特點，提出了多標記學習算法（REAL），并結合信息增益等特征選擇方法，挑選出常見證候的20個最優特征，顯著提高了慢性胃炎的證候的識別率[40-41]。邵氏等[42]運用多標記學習結合混合優化的特征選擇算法（HOML），用于冠心病中醫問診數據分析，建立了中醫冠心病數據模型，并獲得了冠心病問診癥狀的最優特征子集。

1.10 隨機森林

隨機森林是決策樹算法的一種改進，其綜合思想是組合多棵bootstrap樣本建立的決策樹的預測，通過投票給出有效的錯判率估計、分類器強度、相關性和變量的重要性等指標。該方法對每個被分析的數據都給出了重要性的評分，在某種程度上有利于有效的特征變量的挑選，降低數據維度。隨機森林作為一種自然的非線性建模工具，具有很高的預測準確率，能很好地容忍異常值和噪聲，不易出現過擬合，降低分類錯誤率；也不會出現在bootstrap樣本中的OOB數據，還能為樣本提供一個數據內部估計，可用來高效估計組合分類器中的泛化誤差，有助于理解分類精度以及如何提高精度。

洪氏等[43]通過引入隨機森林方法，對《慢性疲勞（CF）中醫臨床癥狀分級量化表》中的95個癥狀進行數據編碼，選取CF常見證候要素的主要癥狀并衡量癥狀對各證候要素的貢獻程度，得到了CF脾虛證、心虛證、肝郁證以及氣虛證4個證候要素的癥狀集，將各癥狀集作為模型輸入，各模型預測準確率分別為96.13%、94.75%、95.89%、94.26%。鄒氏等[44]借用特定脾虛證臨床數據集證明基于特征提取的分類集成模型比其他集成方法具更低的錯誤率，認為特征提取在降低錯誤率上作出了明顯的貢獻，但其結果是否適用于其他小樣本數據尚未證實。王氏等[45]通過文獻調研，推測使用隨機森林提取亞健康關鍵癥狀或指標可幫助亞健康狀態的判斷。

2 討論

中醫臨床診斷數據存在的一個顯著特點是證候夾兼、數據多而繁雜、各數據之間的關系藏而不現。因此，借助現代化的信息技術手段，綜合運用數理統計分析方法以進一步挖掘四診以及證候之間的隱性關聯具有重要意義。然而，在數理統計方法研究發展正處于高峰期的信息化時代，如何根據待分析的數據庫的特點選擇正確恰當的方法是當前數據挖掘首先要考慮的問題。

一個樣本量較大的數據庫，當需要進行一定的數據分類時，可能有必要對上述方法進行探索。聚類分析可滿足對數據進行一定的癥狀的組合、證候規律的挖掘；若是在已知數據的分類情況下需要對待分析數據進行分類，判別分析恰有這方面的優勢；決策樹則在實現數據分類挖掘過程中的可視化方面凸顯其優勢；隨機森林可在決策樹的基礎上進一步提高有效特征變量的提取率，同時還能避免數據預處理過程中的過擬合現象。當然，在臨床數據分析過程中也經常出現數據樣本量較小、維度較高等現象，支持向量機方法在中醫領域的引進則為這些數據的分析帶來新的契機。除了對數據進行分類挖掘外，數據之間的關聯討論也是數據分析必不可少的，尤其在中醫診斷中探討各癥、證之間的關聯領域的應用；在隱性關聯分析的眾多分析方法中，多標記學習法有效解決了證候夾兼的現象；粗糙集理論有利于建立定量定向標準；人工神經網絡在識別證型上主要體現其強大的非線性擬合能力；此外，在探究癥與證關系上，貝葉斯網絡還是診斷領域的常用之法，該方法還可幫助我們進一步探討癥狀集中的主次癥。

總之，集各種數據挖掘方法之長于一體來對某一數據庫進行挖掘分析將為中醫界數據挖掘技術的成熟帶來不可預料的進展。目前，大部分數據挖掘方法都只是被單一采用，即使有同時運用多種挖掘方法進行數據分析，也只是對某一數據系統運用多種方法相互比較，所獲得的結果效用度較小。多重方法相互交融、相互補充、綜合運用于某一數據分析系統中的研究在在中醫領域尚不很成熟，或許可以成為數據挖掘在中醫藥研究中的進一步的模式和規則，為數理統計在中醫藥知識的創新和發展中開辟一條新的途徑。

參考文獻：

[1] 張霆，陳波，馬勝林，等.基于貝葉斯網絡的肺癌證候研究[C]//慶祝浙江省中西醫結合學會成立三十周年論文集粹.杭州：浙江省中西醫結合學會，2011：50-52.

[2] 曲森，啟盛，包祖曉.貝葉斯網絡模型在中醫證候研究中的應用[C]//世界中聯第三屆中醫、中西醫結合老年醫學學術大會論文集.北京：世界中醫聯合會，2010：61-63.

[3] 范建平，李常洪，吳美琴，等.貝葉斯網絡在中醫診斷中的應用研究[J].管理科學學報，2008，11（6）：143-150.

[4] 龔燕冰，倪青，高思華，等.Ⅱ型糖尿病主要理化指標與中醫證候相關性的貝葉斯網絡分析[J].中華中醫藥雜志，2010，25（1）：3l-33.

[5] 王學偉，瞿海斌，王階.一種基于數據挖掘的中醫定量診斷方法[J].北京中醫藥大學學報，2005，28（1）：4-7.

[6] 郭蕾，王學偉，王永炎，等.論高維高階與證候的復雜性[J].中華中醫藥雜志，2006，21（2）：76-78.

[7] 陳偉青.淺論人工神經網絡在中醫學上的應用[J].河南中醫學院學報， 2004，19（11）：12-13.

[8] 李玉森，施學忠，楊永利，等.人工神經網絡在HIV/AIDS患者主要虛證診斷中的應用[J].中華中醫藥雜志，2012，27（5）：1269-1271.

[9] 傅勤慧，裴建，惠建榮，等.中風證候動態研究現狀與展望：數據與模型驅動模式的應用[J].中西醫結合學報，2011，9（12）：1292-1300.

[10] 許朝霞，王憶勤，顏建軍，等.基于支持向量機和人工神經網絡的心血管疾病中醫證候分類識別研究[J].北京中醫藥大學學報，2011，34（8）：539-543.

[11] 白云靜，申洪波，孟慶剛.基于共軛梯度下降算法的類風濕性關節炎BP神經網絡癥候模型研究[J].中國中醫藥信息雜志，2010，17（3）：96-97.

[12] 白云靜，申洪波，孟慶剛，等.基于人工神經網絡的中醫證候非線性建模研究[J].中國中醫藥信息雜志，2007，14（7）：3-4.

[13] 余學慶.基于智能計算的2型糖尿病中醫證候診斷方法研究[D].北京：北京中醫藥大學，2007.

[14] 晏峻峰，朱文鋒.粗糙集理論在中醫證素辨證研究中的應用[J].中國中醫基礎醫學雜志，2006，12（2）：90-93.

[15] 陳楚湘，沈建京，陳冰，等.運用粗糙集理論建立中老年肺炎中醫癥候診斷標準[C]//第二中國控制會議論文集.上海：中國自動化學會控制理論專業委員會，2010：40-42.

[16] 陳素玲，付爽，高云，等.基于粗糙集理論的原發性高血壓肝陽上亢證辨證系統的建立[J].山東中醫藥大學學報，2010，34（3）：201-203.

[17] 劉泉.粗糙集在脾胃系疾病中醫辨證中的應用研究[D].武漢：湖北中醫學院，2008.

[18] 謝國明.基于粗集理論的中醫診斷模型的建立[J].數理醫藥學雜志， 2005，18（4）：302-304.

[19] 秦中廣，毛宗源，鄧兆智.粗糙集在中醫類風濕證候診斷中的應用[J].中國生物醫學工程學報，2001，20（4）：357-363.

[20] 鐘穎，胡雪蕾，陸建峰.基于關聯規則和決策樹的中醫胃炎診斷分析[J].中國中醫藥信息雜志，2008，15（8）：97-99.

[21] 肖光磊，陸建峰，李文林，等.正相關關聯規則及其在中醫藥中的應用[J].計算機工程與應用，2010，46（6）：227-233.

[22] 陳明，楊慧芳，余蕾.基于關聯規則的肝硬變辨證數據挖掘研究[J].河南中醫雜志，2009，29（3）：258-260.

[23] 岳路.決策樹算法在小兒肺炎中醫臨床診斷中的研究與應用[D].濟南：山東大學，2011.

[24] 查青林，何羿婷，喻建平，等.基于決策樹分析方法探索類風濕性關節炎證病信息與療效的相關關系[J].中國中西醫結合雜志，2006，26（10）：871-986.

[25] 徐蕾，賀佳，孟虹，等.基于信息熵的決策樹在慢性胃炎中醫辨證中的應用[J].中國衛生統計，2004，21（6）：329-331.

[26] 李毅，劉艷，寇小妮，等.乙肝后肝硬化癥狀學聚類研究[J].中醫藥導報，2012，18（2）：14-16.

[27] 盧焯明，錢新華.以聚類分析法研究兒童中間型β地中海貧血的中醫證候分布規律[J].中華中醫藥雜志，2012，27（3）：607-611.

[28] 何慶勇，王階.基于聚類分析的冠心病介入術后中醫證候分類及診斷[J].中醫雜志，2008，49（10）：918-921.

[29] 黃小波，李宗信，陳文強，等.慢性疲勞綜合征的中醫證候聚類分析[J].中華中醫藥雜志，2006，21（10）：592-594.

[30] 胡萬華，陳克龍，趙娜，等.亞健康失眠患者中醫證型的判別分析[J].中醫雜志，2012，53（2）：142-144.

[31] 夏樂敏，王運律.慢性再生障礙性貧血中醫證型判別方程的建立與使用[J].中華中醫藥學刊，2012，30（2）：409-411.

[32] 酈永平，溫淑云.腦梗死證型量化分級的判別方程研究[J].中國中醫急癥，2012，21（1）：81-82.

[33] 趙寶利，黃可兒，趙敏.類風濕關節炎中醫辨證分型的判別分析[J].中華中醫藥雜志，2012，27（1）：240-242.

[34] 薛飛飛，汪南.基于判別分析的肝病肝郁脾虛證證候特點的文獻研究[J].中華中醫藥雜志，2011，26（6）：1260-1263.

[35] 徐，王億勤，鄧峰.基于SVM的中醫心系證候分類研究[J].世界科學技術―中醫藥現代化，2010，12（5）：713.

[36] 王階，吳榮，周雪忠.基于支持向量機的名老中醫治療冠心病證候要素研究[J].北京中醫藥大學學報，2008，31（8）：540.

[37] 殷彬，方思行.脾虛證診斷的數學模型[J].暨南大學學報：自然科學版，2006，26（3）：363-367.

[38] 楊麗萍，黃睿，張洛欣，等.用特征功能模塊法挖掘一個虛寒證家系的基因表達譜[J].中華中醫藥雜志，2010，25（5）：683-685.

[39] 謝錚桂.基于多分類支持向量機的中醫舌診診斷的研究[J].計算機與數字工程，2008，36（11）：60.

[40] Liu GP， Li GZ， Wang YQ. Modelling of inquiry diagnosis for coronary heart disease in TCM by using multi-label learning[J]. BMC Complementary and Alternative Medicine，2010，10：37.

[41] Liu GP， Yan JJ， Wang YQ， et al. Application of multi-label learning using the relevant feature for each label （REAL） algorithm in the diagnosis of chronic gastritis[J]. Evidence- Based Complementary and Alternative Medicine，2012，6：3-5.

[42] 邵歡，李國正，劉國萍，等.多標記中醫問診數據的癥狀選擇[J].中國科學：信息科學，2011，41（11）：1372-1387.

[43] 洪燕珠，周昌樂，張志楓，等.基于隨機森林法的慢性疲勞證候要素特征癥狀的選擇[J].中醫雜志，2010，51（7）：634-638.

[44] 鄒永杰，周繼鵬，王桂香，等.基于特征提取的分類集成在脾虛證診斷中的應用[J].計算機應用與軟件，2010，27（3）：22-25.

防震減災的方法范文第4篇

本文通過精簡FAS系統氣體保護區火災模式觸發流程；將單一外部變量觸發模式改由FAS系統內部變量觸發火災模式；利用硬件模塊解決軟件無法實現的功能等技術創新手段解決問題。經過現場實際應用，克服了原FAS系統氣體防護區火災模式號觸發條件的缺陷，使FAS系統更及時、更可靠、更安全。

【關鍵詞】: FAS系統；氣體防護區；火災模式號；創新應用

中圖分類號：X928.7 文獻標識碼：A 文章編號：

本文通過對深圳地鐵現有FAS系統氣體防護區火災模式號的觸發條件及使用過程中存在的不足進行統計分析，最后采用一種較為新穎、安全有效的方案，在符合法律規范的基礎上解決現有氣體防護區模式號觸發可靠性問題，為將來地鐵新線建設提出一個新的應用。

現有氣體防護區模式號觸發機制分析

當前，深圳地鐵FAS系統的氣體保護區域火災模式觸發條件為單區氣體滅火控制盤REL箱監視到氣體管道內壓力開關動作。此種觸發機制由于是通過系統外部設備觸發，在可靠性、及時性和安全系數幾個方面存在一些不足。

可靠性分析：

1.1壓力開關動作為觸發模式的唯一條件，觸發條件單一，若此設備故障則無法觸發火災模式；

1.2壓力開關屬于FAS系統外部設備，無法對其設備狀態進行實時監測或進行壓力測試，不能確保其性能良好。

例如深圳地鐵某一車站19個氣體保護區火災模式執行情況統計，由于壓力開關不動作未能成功觸發火災模式的比例高達32%。

及時性分析：

2.1FAS系統監測到火災后需要經過30秒延時后才控制氣體釋放，當氣體經過管道后壓力開關才會動作；

2.2火災模式的觸發需要經過系統內部信息轉換及傳遞才可完成。

圖1-1 氣體保護區模式觸發時間統計

如圖1-1所示，氣體保護區火災模式觸發時間均接進60秒，嚴重制約了火災情況下模式的執行速度，對車站火災應急處理產生巨大影響。

安全性分析：

3.1壓力開關易發生誤動作造成火災模式誤執行；

3.2壓力開關有任何缺陷將直接影響到火災模式控制；

3.3發生火災時啟動火災模式緩慢，不能形成無風密閉空間甚至滲入新風，影響滅火效果；

3.4火災模式未在氣體保護區防火閥關閉后立即執行，造成風機、風管損壞。

表1-1 各線壓力開關問題統計

表1-1所示為近一年內深圳地鐵三條線因壓力開關質量引起的問題，因壓力開關造成火災模式誤執行，組織搶修就有五次之多，環中線還因壓力開關質量問題全線更換壓力開關。

解決方案的提出

如何改進FAS系統氣體保護區火災模式觸發條件，讓系統擺脫FAS外系統設備的束縛變得更及時、更可靠、更安全。根據FAS系統氣體保護區觸發火災模式的機制，從探測器、壓力開關、REL氣體滅火控制盤、電磁閥、SDU程序進行考慮，結合法律法規與可行性提出以下三種可能實現的解決方案：

1、修改SDU程序實現

氣體滅火控制系統SDU程序及模式與組分別如圖2-1、2-2所示。

氣體滅火控制系統模式號是由與組觸發，與組中任一設備動作即觸發模式號。現氣體保護區模式號觸發條件只有壓力開關，方案一的方法為通過更改與組中觸發條件解決問題。

此方案實施最方便，無需增加任何硬件設備，只需更改系統能夠SDU程序即可實現設定目標。

但是，通過深入查閱SDU編程資料、試驗測試并向廠家咨詢后，發現由于軟件自身特點限制不能實現“與組”嵌套功能，無法實現感煙探測器與組和感溫探測器與組共同觸發模式，因此該方案不可行。

2、增加監視模塊監視（單區氣體滅火控制盤）REL二次火警干接點實現

氣體滅火控制系統REL控制箱內33、34號端子在火警確認狀態下可對外輸出一個閉合的干接點信號，此方案利用一個CT1監視模塊監視此信號，并以此信號為條件觸發火災模式。

此方案增加成本最低的監視模塊監視原有輸出即可實現設定目標。通過對REL箱進行測試發現REL箱二次火警干接點在手動狀態下，感煙探測器及感溫探測器同時動作輸出后，CT1模塊無法動作觸發火災模式。

3、通過增加（輸入輸出）IO模塊實現

通過在氣體滅火控制系統模塊箱內增加一個（輸入輸出）IO模塊，利用IO模塊控制寄存器實現不同條件下控制IO模塊輸出，再由IO模塊反饋激活與組觸發模式號。

此方案新增模式號觸發條件激活（輸入輸出）IO模塊輸出端，IO模塊輸入端立即收到反饋并觸發火災模式。通過查閱SDU編程資料及模塊編程實驗證明此方案在理論上可以完全實現設定目標要求。

經過研究分析得出結論：第一種方案無法實現；第二種方案可部分實現；第三種方案可完全實現。最終方案選定“增加輸入輸出模塊（IO）實現”。

方案創新點

1、簡化火災模式觸發流程

原FAS系統氣體保護區通過探測裝置檢測火災，再由氣體主機觸發REL延時30秒后輸出電磁閥控制氣體噴放，噴放的氣體觸動管道內壓力開關動作，REL檢測到壓力開關動作后將信息傳遞到FAS主機（EST3），FAS主機再觸發火災模式。改進后FAS系統氣體保護區通過探測裝置檢測到火災后立即由FAS主機邏輯判斷后觸發火災模式，其流程快速直接，大大提高了系統的及時性。

利用FAS系統設備替代外系統設備

原FAS系統氣體保護區火災模式觸發變量為“壓力開關是否動作”，改進后通過FAS系統內部設備的狀態作為變量，這樣不僅提高了FAS系統的穩定性而且還提升了模式觸發的及時性、可靠性。

軟硬件結合

方案利用新增一個輸入輸出模塊（IO）作為模式控制的中轉，利用IO模塊控制端的“LOW寄存器”進行編程設計實現感煙探測器與組與感溫探測器與組激活模塊控制，同時利用“HIGH寄存器”實現緊急啟動按鈕激活模塊控制，再進行輸入輸出轉換，最后將模塊監視納入模式與組實現FAS系統氣體保護區火災模式觸發條件的創新整改。

創新成果

以深圳地鐵環中線西麗站為試驗點，將新方案應用前后進行比較可以看出整改后氣體滅火控制系統觸發火災模式號更加的迅速，且未出現無法觸發火災模式的情況，解決了系統原有缺陷，大幅提升系統性能，發生火災時能夠迅速執行火災模式保證車站內人員及設備的安全，提升車站消防安全服務水平，收獲巨大的社會效益。

結語

地鐵作為公共交通設施，其消防安全尤為重要。FAS系統在發生火災時產生報警信息并將火災信息傳遞給綜合監控系統以完成車站火災應急處理。綜合監控系統與FAS系統之間信息的傳遞通過火災模式號實現，火災模式號觸發的及時性、穩定性直接關系著地鐵內的人員及設備安全。本技術創新應用通過對原系統深入研究分析并進行二次開發，取得了豐碩的成果：

1、解決原FAS系統由于壓力開關誤動作導致系統報警執行火災模式的問題；

2、改進后FAS系統觸發火災模式條件冗余，方式智能化，觸發模式更及時，更穩定；

3、有效預防因火災模式執行緩慢影響七氟丙烷氣體的滅火效果及造成設備設施損壞等情況的發生；

4、先觸發執行火災模式，后噴放滅火劑，極大的提高了滅火質量；

5、改進后系統可實現火災模式控制的科學測試，有效檢驗系統設備的運行狀態，為火災應急處理提供強有力的保障。

【參考文獻】

【1】GB16806-2006消防聯動控制系統，中華人民共和國建設部、國家監督檢驗檢疫監督總局，2006

防震減災的方法范文第5篇

關鍵詞：專業課教學;虛擬裝配;運動仿真;開發

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2016）41-0234-02

職業院校的最大特點，就是培養學生既要有一定的理論知識，又要有較強的實際動手能力。畢業生到單位后能很快適應本職工作，成為應用型的高技能人才。學生實際動手能力的提高主要體現在專業課的教學中，多年來由于受各種因素的影響，專業課的教學效果并不能令人滿意。究其主要原因是現有專業課教材中許多裝配圖較為復雜，有些裝配圖不僅學生看不懂，新走上教學崗位的年輕教師也感到吃力，這些都直接影響了學生學習專業課的積極性。對此，嘗試開發專業課主要機器設備虛擬裝配及運動仿真軟件，能使學生直觀的了解機器設備的結構原理，進而進行虛擬裝配，在虛擬裝配熟練的基礎上帶動實際操作，從而改善專業課的教學效果。

一、以前專業課教學存中在的兩種傾向

（一）專業課偏重于理論講解，學生缺乏實際動手操作能力

1.近幾年，由于招生規模的不斷擴大，學校原有的實訓條件已遠遠不能滿足學生實訓的需要，本該在實訓車間完成的課程，由于實訓條件有限，機器設備及其他維修課程不得不改為在教室里進行理論講解;

2.新老教師交替更新，一些實踐經驗豐富的老教師退休或調離，許多新的、高學歷的年輕教師走上講臺，他們理論功底扎實，但大多缺乏實踐動手能力，因此，他們更偏重于將專業課教學改為在理論教室講解;

3.實際操作耗能耗材，操作不當容易造成機器設備損壞，實訓成本較高，在學校教學經費比較緊張的情況下，學校只有壓縮這部分經費。因此，本應該在實訓車間完成的專業課教學只能在理論課堂講解，使得原本比較簡單的機器設備結構、原理變得復雜、抽象不好理解，許多學生覺得專業課教學枯燥無味，有些干脆放棄專業課的學習。

（二）強調學生動手實踐，忽視專業課教學質量的提高

為了改變這種單純理論教學現象，提高學生實際動手能力，學校將專業課教學改到實訓車間或到企業去上，這些做法雖然較前面有一定的進步，但通過實踐發現還存在一些不足。主要表現有兩點：

1.許多實習指導教師多年來養成側重于實際操作的習慣，理論講解較少，在簡單講解完機器設備的結構、原理后，讓學生去實際拆裝，學生只會機械地模仿拆卸裝配，拆卸方法不清、操作盲目。加上學生對機器設備的結構、原理了解得并不充分，學生操作時經常不按拆裝程序操作、出現野蠻拆卸，造成有些機器設備在很短的時間內精度嚴重受損，甚至有些干脆報廢，后續班級沒辦法使用，達不到預期的學習目標。

2.有些學校把專業課學習放到企業進行，但企業是以生產為主，學生實習培訓為輔，受生產環境影響，許多專業課的學習在企業得不到保證，使得專業課學習達不到預期效果。

二、虛擬裝配及運動仿真軟件的開發

針對以上專業課教學中存在的兩種傾向，通過計算機輔助繪圖軟件使用，嘗試開發專業課主要機器設備三維虛擬裝配及運動仿真軟件，使得學生的專業課學習更加直觀、形象。

（一）確定開發小組成員及開發項目

開發專業課虛擬裝配及運動仿真軟件，是一項工作量大、涉及多方面知識的工作，除了要有較強的專業知識外，還要具有吃苦耐勞、勇于鉆研的精神，由經驗豐富的老師帶領部分青年教師組成課題小組并吸收個別基礎知識比較扎實的高年級同學參與其中。開發的項目本著由易到難的原則進行，從較為簡單的化工管路的管件及閥門開始。如彎頭、三通、大小頭和管閥、球閥、蝶閥、磁力閥等，在積累了一定經驗后，開發化工機器設備的各種泵，前后開發了單級離心泵、齒輪油泵、雙吸泵、多級泵、磁力泵、屏蔽泵、往復泵等，在此基礎上，對風機、列管式換熱器等實習車間現有的機器設備進行開發。

（二）開發過程

整個開發過程步驟如下：

1.制定開發計劃。為了使開發工作有序、按計劃完成，開發前制定了詳細的開發計劃。計劃包括開發各項目的時間段、主要內容、開發所需工具、量具、具體步驟及各分項目的主要負責人。

2.現場實際測繪。進入現場后，對裝配體進行逐件拆卸，為了保證工作順利進行，對每個拆下的零件編號，然后徒手繪出各零件的草圖，對標準件測量其主要尺寸并確定型號，研究每個零件的裝配方法并徒手畫出裝配示意圖或裝配草圖，然后將機器設備恢復原位。

3.在工作室核對草圖，對表達不清或尺寸不全的草圖再重新核對、訂正，對標準件核對型號及尺寸，理順各草圖之間的關系，保證各裝配體的零部件草圖及標準件、常用件型號尺寸齊全。在此基礎上用計算機CAD軟件畫出各裝配體的零件圖及裝配圖（或裝配示意圖）。

4.根據零件圖，用Slid Works軟件畫出各零件三維造型。在工作室進行二維草圖繪制以及三維零件造型。為了提高效率，可將裝配體的所有零件三維造型都繪制好以后，再考慮下一步裝配。

5.用已經建好的三維零件進行機器設備的虛擬裝配，在虛擬裝配的過程中對裝不進去的零件及時調整，將其尺寸及形狀進行修改，然后重新裝配。

6.完成裝配體的拆卸及裝配爆炸圖，在爆炸圖中分步驟將裝配體裝配及拆卸步驟逐項交代清楚。

7.利用Slid Works軟件的制作動畫功能，制作出各機器設備的拆卸和裝配動畫，在動畫中強調拆卸和裝配中注意事項及重點，以便引起學生學習時的注意。

三、采用虛擬裝配及運動仿真軟件在專業課教學中傳授知識和技能

開發出專業課機器設備的虛擬裝配及運動仿真軟件后，配合機器設備的實體，指導教師在一體化教室的授課發生了根本性的變化。首先，指導教師對要拆裝的機器設備進行介紹，用三維動畫展示機器設備的結構原理，機器設備在在馬達的帶動下旋轉起來，形象、直觀、工作原理一目了然，增加了學生學習的興趣和積極性，學生能夠直觀的掌握機器設備的結構和工作原理。其次，指導教師演示虛擬拆卸，利用Slid Works創建爆炸圖，將機器設備上的零件按正確的拆卸順序進行虛擬拆卸，在虛擬拆卸的過程中指導教師邊虛擬裝拆邊告訴學生要點和注意事項，為了使學生真正消化吸收，對此可反復演示，（有條件的學校可讓學生在電腦上反復練習虛擬裝配）。第三，在學生掌握上述內容的前提下，指導教師再帶學生到機器設備的實體前，實際演示機器設備的裝拆過程。第四，分小組讓學生實際裝拆，指導教師巡回檢查指導。第五，裝拆結束后，指導教師及時總結，對存在的不足重新演示糾正。最后，指導教師讓學生按正確的方法將機器設備裝配好，恢復場地原有布局。

四、開發虛擬裝配及運動仿真軟件在專業課教學中的應用成效

1.通過開發專業課機器設備虛擬裝配及運動仿真軟件，有效地鍛煉了課題組成員的綜合能力，參與開發師生的徒手繪圖能力、CAD繪圖能力、Slid Works三維建模能力及專業知識和能力都有了顯著提高。

2.通過開發和使用專業課機器設備虛擬裝配及運動仿真軟件，減輕了專業課指導教師的教學負擔，學生掌握專業課的情況明顯好轉，教學成效顯著。

3.減少了盲目拆卸和裝配，耗材、耗能和零部件損壞情況明顯改觀，機器設備的使用壽命大幅度增加。

參考文獻：

[1]袁鋒.計算機輔助設計與制造實訓圖庫[M].北京：機械工業出版社，2013.

[2]鄧勁蓮.機械產品三維建模圖冊[M].北京：機械工業出版社，2014.

[3]趙罘.常用機械機構虛擬裝配及運動仿真40例[M].北京：機械工業出版社，2015.

[4]匡照忠.化工機器與設備[M].北京：化學工業出版社，2013.

[5]吳先文.機械設備維修技術[M].北京：人民郵電出版社，2014.

Application of Virtual Assembly and Motion Simulation Software Development in Specialized Course Teaching

JIA Ke-wen

（School of Mechanical Technique，Xin Jiang Institute of Light Industry Technology，Urumqi，Xinjiang 830021，China）