论如何延长汽车轮胎的使用寿命

介绍了汽车轮胎在使用中不正常磨损的几种情况:一是轮胎胎冠两肩超常磨损;二是轮胎胎冠中部超常磨损;三是轮胎胎侧呈锯齿状磨损;四是胎冠呈波浪状或碟片状磨损;五是转向轮胎冠内(外)侧超常磨损等。分析了轮胎不正常磨损的原因。介绍了轮胎的正确使用、定期检查与维护。     

基于动应变识别桥梁移动荷载

移动荷载识别可作为桥梁健康监测的研究基础,提出了基于BP神经网络技术识别桥上移动荷载的新方法。基于相似理论,建立车桥耦合试验模型,测试与数值仿真了一简支T梁的动应变数据,两者吻合较好。将测试的应变、速度与荷载数据作为训练样本,采用BP神经网络识别预测结果。结果表明:通过传感器采集桥梁截面的动应变数据,运用BP神经网络技术识别车重方法可靠有效,可以广泛运用在桥梁的荷载识别中,适合工程应用。     

基于极限学习机的交通事故严重程度预测

极限学习机是单隐层前馈神经网络,作为BP神经网络的一种改进,极限学习机克服BP神经网络需要设置大量网络训练参数,并容易产生局部最优解问题的缺隐,交通事故严重程度的预测适合用极限学习机建模预测。研究选取某城市道路交通事故数据,利用基于LM算法(Levenberg-Marquardt)的BP神经网络和极限学习机建立事故严重程度的预测模型,随机选取80%的样本作为训练集、选取20%的样本作为测试集,对测试集的期望值和网络输出值进行比较,结果表明,极限学习机的预测性能比BP神经网络的要好。     

基于支持向量机的电控发动机故障诊断

为快速准确诊断出电控发动机故障,达到较强的故障有效识别水平,提出振动信号分析与支持向量机(support vector machine,SVM)相结合的故障诊断方法。将振动信号的偏度、峰峰值以及由小波分析理论与熵原理结合得到的小波能谱熵作为实验样本的三维特征向量,并将提取到的故障三维特征向量作为训练样本和测试样本输入到SVM模型进行训练和诊断,并利用BP神经网络进行对比验证。结果显示:采用该方法进行故障诊断时正确率达到90%,相比基于BP神经网络的故障诊断方法,基于SVM的电控发动机故障诊断方法在小样本的数据计算和预测中诊断精度较高、鲁棒性较强。     

基于轻量级模型的隧道岩性快速识别方法

为了解决隧道岩性现有识别方法中识别时间长、安全性低、主观性大等问题,结合不同岩性表面具有不同的成分特征,提出了一种基于轻量级模型与岩石图像的隧道岩性快速识别方法. 首先,通过相机采集隧道常见的片麻岩、花岗岩、石灰岩、大理岩、凝灰岩、砂岩等6类主要岩石,建立了岩石图像数据集并划分训练集、验证集与测试集;然后,基于轻量级模型MobileNet V2在ImageNet数据集上进行预训练,改进模型分类器结构以适应岩石数据集,并采用模型迁移学习训练方法对1170张训练集图像进行训练,获取了岩石岩性识别模型;最后,选取共计300张测试集图像在离线条件下进行了模型测试,并与VGG16模型与SVM （support vector machine）模型进行了对比. 实验结果表明:模型在测试数据集上的各项总体评估指标均在85%以上,其中凝灰岩各项评价指标达到94%以上,模型大小仅28.3 MB,平均识别时间为2880 ms,表明该识别模型体积小,识别准确率高,识别时间快,在精确率与识别速度上均优于传统方法.      

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

基于SVM-LSTM的车辆跟驰行为识别与信息可信甄别

为利用智能车路协同系统内实时交互信息有效提升交通系统的安全性,提出了基于交通业务特征的交通信息可信甄别方法;重点构建了基于支持向量机(SVM)-长短时记忆(LSTM)神经网络的车辆跟驰行为识别与信息可信甄别模型,包括基于SVM的车辆跟驰行为识别模型和基于LSTM神经网络的车辆跟驰速度预测模型;设定了表征车辆行驶状态的特征向量,基于SVM的车辆跟驰行为识别模型将车辆行驶状态分为跟驰与非跟驰;对于跟驰车辆,基于LSTM神经网络的车辆跟驰速度预测模型根据其历史数据进行速度预测;SVM-LSTM信息可信甄别模型通过检验跟驰车辆的预测速度与其实际速度的差是否在合理范围来判断车辆数据的可信性,实现信息的可信甄别;采用公开数据集对提出的模型进行了训练与测试,并构建了不同异常类型和异常幅度的多个异常测试数据集,对基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型进行了验证。研究结果表明:基于SVM的车辆跟驰行为识别模型对车辆行驶行为识别的准确率达到了99%,基于LSTM神经网络的车辆跟驰速度预测模型的跟驰速度预测精度达到了cm·s-1数量级;基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型在正常数据测试集与多个异常数据测试集上的甄别正确率达到了97%。由此可见,提出的方法可用于路侧设备(RSUs)对车载单元(OBUs)实时信息和车载单元间实时信息的可信甄别。      

基于CFD的轮胎滑水及其性能影响因素分析

轮胎滑水性能对车辆安全性和操控性具有决定性影响,而花纹结构设计参数直接影响着轮胎接地区水流运动进而对轮胎滑水性能也会产生直接影响。但由于滚动轮胎的滑水性能测试条件极为苛刻,且很难捕获到滑水现象发生时水流运动流场特性。为明晰滑水现象发生时的流场特性及花纹结构设计参数对滑水性能的影响,基于计算流体动力学的方法,建立考虑轮胎接地印痕及花纹变形特征的滑水分析模型,掌握了水膜升力、自由液面及沟槽内水流速度等流场分布特征,分析了水膜厚度、水流速度、纵向花纹及横花纹结构设计对滑水性能的影响。结果表明:在水膜厚度较小时,路面水流可顺畅进入接地区花纹沟并被及时排出;水流速度的变化对胎面动水压力有显著影响;纵向花纹沟深度对滑水性能影响显著;改变横向花纹沟水流运动方向、降低胎面动水压力可提升滑水性能。     

线控转向系统的神经网络模型与模糊控制

采用魔术公式表达的轮胎模型,建立线控转向系统非线性三自由度整车动力学模型,该模型在整个轮胎侧偏角范围内有效,反映轮胎侧偏角超过5°后轮胎侧偏力与轮胎侧偏角的非线性特性,并采用BP神经网络训练模型。转向传动比采用模糊控制。结果表明：采用BP神经网络训练模型较好的映射了输入与输出的非线性关系,采用转向传动比模糊控制算法得到转向传动比随车速的变化规律,可较好的实现低速转向灵敏和高速转向稳定的控制目标。     

基于3DCNN-DNN 的高空视频交通状态预测

为使用高空视频识别和预测道路交通状态，提出基于三维卷积神经网络-深度神经网络(3DCNN-DNN)的交通状态预测方法. 将道路切分为D 个路段，每个路段视频片段时长 m s，基于典型3DCNN结构C3D识别路段视频片段交通状态；建立道路? 个历史时段、D 个路段的交通状态矩阵Φ ，将道路交通状态预测问题转化为以Φ 为输入，有限交通状态为输出的分类问题，构建基于DNN的短时交通状态预测模型原型；建立交通视频数据集，对DNN预测模型原型的隐藏层数量、神经元数量及训练批大小进行测试优化，提出有4 隐藏层，各层神经元数量为64/128/128/64，训练批大小为64 的优化模型DNN*.测试结果表明：C3D视频交通态识别平均F1 值为95.71%，DNN*道路交通状态预测准确率为91.18%，比DNN线性分类、KMeans 、KNN、SVM和线性分类分别高6.86%、57.85%、62.26%、26.47%、43.14%；C3D能提供准确的交通状态矩阵，3DCNN-DNN可有效识别和预测道路视频交通状态.     

基于神经网络的信号交叉口进口车道交通延误预测

基于误差反向传播(Back Propagation,BP)神经网络建立了适应能力较强的信号交叉口进口车道平峰时的交通延误网络模型,并利用邯郸市某信号交叉口进口车道的平峰小时交通延误的数据,对该BP神经网络预测模型进行训练和测试.比较分析预测结果和实际数据,结果表明该BP神经网络对于交叉口进口车道的交通延误预测结果可靠有效.此外,在交通情况更加复杂的信号交叉口或者时间段,以该模型为基础可以建立更加可靠的预测信号交叉口进口车道交通延误模型.     

基于BP神经网络与D-S证据理论的路段平均速度融合方法

为精确估计路段平均速度,提出了基于BP神经网络与D-S证据理论的路段平均速度融合方法。通过训练完成的BP神经网络估计概率密度函数值,进而通过D-S证据理论进行数据融合,整合了BP 神经网络自学习的特点与D-S 证据理论推理的能力。提出了融合方法的框架,给出了具体的计算模型。利用京藏高速公路上的实测浮动车数据、微波检测器数据、车牌识别数据对融合方法进行了验证,并分析了当微波检测器失效时融合方法的鲁棒性。分析结果表明：融合数据的平均绝对误差百分率比仅使用浮动车数据或微波检测器数据分别提高了7．90％、20．72％,融合方法能够得到较好的效果。微波检测器失效的情况下,融合精度有所下降,但融合数据的误差仍然小于仅使用浮动车数据的误差,说明融合方法具有一定的鲁棒性。     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。     

深度残差神经网络在腹部平片检出小肠梗阻中的应用

目的通过深度残差神经网络(ResNet38)对腹部立位平片进行学习,从中检出小肠梗阻。方法本研究使用的训练集和测试集数据来源于西安交通大学第一附属医院及陕西省核工业二一五医院,独立验证集数据来源于陕西省核工业二一五医院。由2名经验丰富的影像科诊断医师依据腹部立位平片小肠梗阻的4种征象分别对来源于2家医院的3 298张腹部立位平片进行分类,意见不一致时讨论达到共识,其中小肠梗阻569例(17.3%),非小肠梗阻2 729例(82.7%)。对2组数据采用完全随机分组的方法组成训练集2 305张和测试集993张(训练集∶测试集=2.3∶1),其中训练集小肠梗阻405例(17.6%),非小肠梗阻1 900例(82.4%);测试集小肠梗阻164例(16.5%),非小肠梗阻829例(83.5%)。训练集和测试集小肠梗阻的诊断均以有丰富经验的影像科医师的评判为标准。验证集共861张腹部立位平片,其中小肠梗阻99例(11.5%),非小肠梗阻762例(88.5%),以手术结果及临床诊断为金标准。本研究使用ImageNet 2012年大规模视觉识别挑战赛数据集(ILSVRC2012)对深度残差神经网络(ResNet38)进行预训练;用训练集数据对深度残差神经网络(ResNet38)再训练建立诊断模型;测试集主要用于学习算法过程中,调整算法的参数来修正网络,从而使得网络模型效能更优。结果本研究开发的小肠梗阻诊断模型在测试集上敏感性为84.1%,特异性为65.0%,受试者工作特征曲线(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)为0.83(95%CI为0.82～0.92);在验证集上的敏感性为89.9%,特异性为68.0%,ROC曲线下面积为0.87(95%CI为0.82～0.92),AUC为0.87。结论对深度残差神经网络进行有限的数据训练,可以获得一个有效的用于在腹部立位平片上检出小肠梗阻的诊断模型。     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

基于非均质雷达图谱的沥青路面结构损伤识别技术

基于雷达图谱与深度神经网络的沥青路面结构损伤自动辨识方法存在数据量少且种类不均衡的问题,识别准确性与稳定性仍有待提高。提出基于非均质雷达图谱的路面结构损伤识别技术。采用探地雷达采集沥青路面结构裂缝与层间不连续病害,获取实测剖面图;基于时域有限差分法,模拟裂缝与层间不连续在匀质模型中的回波特征,与实测图谱组成数据集1#;基于芯样CT扫描图构建“沥青-集料”二相介质模型,模拟裂缝与层间不连续在二相介质模型中的回波特征,与实测图谱组成数据集2#;采用数据集1#和2#,分别训练YOLO v5深度神经网络。研究结果表明：数据集1#和2#在YOLO v5模型测试集上的m_AP@0.5为93.79%与96.33%,证明非均质图谱特征可丰富网络训练样本,并提高深度学习模型识别的准确性。     

改进的BP神经网络在路基沉降预测中的运用

针对BP神经网络存在训练过程不确定的缺点,基于MATLAB建立改进的BP神经网络模型,该模型可克服BP神经网络模型在训练过程中收敛速度慢、易陷入局部极小点等缺点。结合实体工程实测数据,将该优化模型与指数曲线模型、双曲线模型、泊松曲线模型和Compertz模型对比分析,结果表明改进的BP神经网络模型在黄土路基沉降预测中精度最高,可运用于黄土路基的沉降预测。     

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

基于神经网络的斜拉索损伤识别研究

以一模型桥为背景,探讨了斜拉索损伤定位以及损伤程度确定的方法.基于ANSYS有限元模型,采用RBF网络,模拟了斜拉索的损伤情况.以不同损伤程度下自振频率和局部模态作为神经网络的训练与测试输入样本,由神经网络的输出来指示损伤位置和损伤程度,并与BP神经网络的识别效果进行比较.     

基于EKF学习方法的BP神经网络汽车换道意图识别模型研究

实时准确地识别驾驶人的换道意图有助于提高车辆行驶的安全性,达到安全辅助驾驶的目的。文中提出了一种基于EKF（extended kalman filter）学习方法的BP神经网络模型,用于识别驾驶人的换道意图,并进行短时行为预测。通过实验采集了20组高速公路实车行驶数据,利用前方车头时距、转向盘转角值、驾驶人头部水平位置数据,以及车道偏离量4类数据样本进行训练得到结果。实验结果表明：本模型较传统的神经网络识别模型具有更短的识别时间,且模型的可信度更高。在车辆换道和直线行驶2种工况下,本模型对换道意图的识别准确率达到了95％。