细颗粒物(PM_(2.5))在环境空气自动监测中的方法对比与应用

高浓度的细颗粒物(PM2.5),是造成"灰霾"和"雾霾"天气的主要空气污染物之一。细颗粒物(PM2.5)在环境空气中的监测,是了解和分析空气质量的重要依据。本文旨在分析认识细颗粒物(PM2.5)自动监测方法中常用的β射线法,通过与天平振荡法进行对比,了解细颗粒物(PM2.5)监测仪器的使用情况。     

对环境监测工作及改进措施分析

环境保护的基础工作就是环境监测,日益严重的环境污染促使环境部门必须加强环境监测工作。本文对环境监测现状进行了阐述,同时对我国环境监测的状况和存在的问题进行简要分析,并提出了相应对策。     

污泥处理处置技术的规划建设与管理方法探究

伴随着工业的不断发展,城市污泥产生规模日益扩大,污泥处理率也节节升高,社会生态环境受到了严重的损害。面对这艰巨的处理工程,提高污泥处理技术当务之急。本文列举了当前污泥处理处置的不当之处,研究讨论了污泥处理处置的改进方案及程序选择,提出污泥处置技术及管理方法及技术。     

基层环境监测技术存在的问题及对策

环境监测技术是提升环境监测质量的必要技术支撑,也是环境监测工作科学发展的重要推动力,但是当前基层环境监测机构限于人力、物力和财力在监测技术方面还存在许多不完善之处,通过对基层环境监测技术方面存在的问题分析,提出有针对性的解决对策。     

药品和个人护理用品在固体基底中的检测方法和分布现状

药品和个人护理用品(Pharmaceuticals and personal care products,PPCPs)在环境中广泛存在,威胁生态环境和人类健康,受到越来越多的关注.本文综述了固体基底中PPCPs的检测方法,总结了国内外污泥、土壤、沉积物等基底中PPCPs的污染现状,并对PPCPs的进一步研究进行了展望.结果表明,PPCPs的检测方法朝多样化和趋优化的方向发展.污泥样品中PPCPs种类多、浓度高(μg·kg-1—mg·kg-1),土壤和沉积物中虽然浓度不高,但是总量不可小觑.目前,固体基底中的PPCPs还需要更全面和更广泛的研究.     

物种敏感度分布法（SSD）在农药水质基准推导中的应用

水质基准推导方法在水质基准制定中起着至关重要的作用,物种敏感度分布法是目前国际上常用的基准推导方法,但利用此方法推导水质基准时,可选用的模型很多,但并不是所有的模型都能很好地拟合农药毒性数据集。为了筛选得到拟合优度较好的模型,选取4种典型农药,对采用不同模型拟合物种敏感度分布曲线的结果进行比较研究。结果显示,sigmoid、Gaussian、Gompertz和exponential growth 4种模型对于农药数据集,无论是在曲线走势、HC5值的合理性还是拟合优度方面的拟合效果都优于其他几种模型。因此,在应用物种敏感度分布法推导农药水质基准时,可以首选上述4种模型进行拟合,然后再从中选出最优模型来确定基准值,从而保证基准值推导的科学性。研究结果可为农药水质基准制定时推导方法的选择提供科学参考。     

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。     

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。     

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。