摄影比赛搭平台 安全管理显成效

近曰,记者在上海杨浦园林绿化建设养护有限责任公司(以下简称"杨浦绿化")参观了一场特殊的摄影作品展览。《安全操作记心头》《绷紧安全之绳》《警钟长鸣》等照片不论从内容冲击力还是摄影技巧等方面都令人印象深刻。"我们这个展览是从2018年开始办起来的,每年通过这个摄影比赛聚焦公司安全生产的方方面面,人人抓镜头,个个找隐患,有力推动了公司安全生产持续改进。"杨浦绿化有关负责人如是说。     

企业安全管理持续改进保障机制的研究与实践

针对目前国内企业安全管理的基本情况,借鉴国内外先进的安全管理模式,研究一套以企业安全领导力为核心,通过全员参与为关键的持续改进机制,采取有效的现场管理方法,规范现场管理和人员作业行为的管控模式和保障机制,促进企业安全生产可持续发展。     

提高电捕焦油器安全生产运行的措施

简要叙述了电捕焦油器开工以来存在的问题,对电捕捕焦油器不能安全稳定运行的原因进行了分析,并采取改进措施。实践证明,改进工艺技术合理,方法可行,电捕焦油器运行效果达到指标要求。     

农地整治权属调整中农户认知对行为响应的作用机制--基于改进TPB及多群组SEM

农地整治权属调整是实现农业规模化和现代化的重要手段,而农户有效参与是推动权属调整的内在动力,研究农地整治权属调整中农户认知对其行为响应的作用机制,有助于高效引导农户参与权属调整,并为制定农地整治权属调整的政策提供科学依据。基于改进计划行为理论和湖北省11个县(市、区)1044份农户抽样调查数据,采用多群组结构方程模型探究了农地整治权属调整中不同类型农户认知对其行为响应的作用机制。结果表明:农地整治权属调整中农户行为逻辑符合改进计划行为理论,农户的行为态度、主观规范、知觉行为控制交互影响行为意愿,进而转换为行为响应,政府支持在行为意愿和行为响应之间起到部分中介作用。总体上,农户行为响应是"自发性""诱发性"和"约束性"三重行动逻辑的结合,且"自发性"占主导地位。多群组结构方程估计结果表明,纯农型与兼业Ⅰ型农户的行为响应受到"自发性""诱发性"和"约束性"三重影响,兼业Ⅱ型农户受到"自发性"和"诱发性"双重影响,非农型农户仅受到"诱发性"单一影响。因此,为引导农户积极参与农地整治权属调整,应该分别针对各类农户相应地提高其参与的"自发性"和"诱发性",降低"约束性",充分发挥农村社会经济组织的作用,将四种不同类型农户的利益需求统筹考虑,降低权属调整过程中利益协调难度。     

基于VMD排列熵与FASSA-SVM的滚动轴承故障研究

提出了一种基于萤火虫改进麻雀搜索算法-支持向量机（FASSA-SVM）的轴承故障诊断方法。首先对轴承工况的振动信号变分模态分解（VMD）得到多个模态分量（IMFs）,其次利用排列熵（PE）求解每种工况每个IMF的PE值作为特征参数输入至SVM中,最后利用FASSA方法优化SVM的惩罚因子、核参数并得到最优的轴承故障分类诊断效果。实验结果表明,FASSA-SVM方法的平均测试集诊断准确率高达99.8%,该诊断结果优于传统的萤火虫算法（FA）、优化麻雀搜索算法（SSA）。     

农村突发公共卫生事件应急医疗设施选址研究

为提高农村突发公共卫生事件应急医疗设施选址决策的科学性,基于新冠肺炎(COVID-19)疫情传播迅速,危害性强的突发公共卫生事件特征,依据应急医疗设施设计标准并兼顾农村医疗预算少、应急道路崎岖的特点,首先,选取设施备选地工程地质条件、单位成本、传染率、抵达时间、场所规模以及服务覆盖区域6项影响因素,将熵值法(EVM)和层次分析法(AHP)有效结合确定影响因素权重;其次,建立考虑患者到应急医疗设施的距离之和最小以及所选择应急医疗设施的综合评价值最优的多目标选址模型;然后,设计改进的粒子群优化(IPSO)算法求解模型,得到选址决策;最后,选取天门市部分村庄进行实证分析,以验证模型算法的有效性。结果表明：传染率和单位成本是建设应急医疗设施主要影响因素,IPSO算法选取3个应急医疗设施,能够满足8个村庄患者的治疗需求,并保证患者在4～7 min内就医,为高效开展疫情防控活动提供保障。     

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明：飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。     

基于IPSO-LSTM的新能源汽车锂电池健康状态监测

为监测新能源汽车锂电池的健康状态(SOH),防范电池故障引发安全事故风险,提出改进粒子群算法(IPSO)和长短期记忆(LSTM)神经网络相结合的模型,监测锂电池的SOH。首先,采用Spearman相关性分析法,提取锂电池SOH监测的健康因子;其次,采用线性惯性权重和非对称学习因子改进传统粒子群算法(PSO),利用IPSO算法对LSTM模型的隐含层神经元个数、神经元失活率、批处理值进行关键参数寻优,进一步优化LSTM模型,建立IPSO-LSTM锂电池SOH监测模型;最后,以新能源汽车主流采用的18650锂电池数据集验证IPSO-LSTM模型,并对比分析BP、LSTM和PSO-LSTM这3种模型。结果表明：IPSO-LSTM模型的平均绝对误差(MAE)在0.02以内、均方根误差(RMSE)在0.03以内,监测误差在15%以内,相较于BP、LSTM、PSO-LSTM模型,IPSO-LSTM模型的误差指标值均最小,模型具有更高的精度和稳定性。