基于物联网平台的电源屏监测系统研究

电源屏是铁路行业专用的供电设备，其状态是否正常直接影响信号设备的工作状态，进而影响行车设备的安全和运输效率。针对目前非智能电源屏监测系统中存在的数据分散、利用率低、可视性差等问题，利用物联网技术和大数据技术，同时引入专家规则，设计并实现了基于物联网平台的电源屏监测系统，既解决了数据“孤岛”问题，又实现了故障预警、统计分析、健康评估等功能，加快了智慧铁路建设的步伐。     

大流量无堵塞旋流泵的优化设计及实验研究

依据三要素设计方法及相关经验公式，对大流量无堵塞旋流泵主要结构参数的尺寸进行初步确定，用ANSYS CFX软件对初始设计的旋流泵进行外特性预测后发现，工况点处扬程仅达到设计扬程的77.1%,效率高出设计效率的24.2%。对主要部件叶轮外径D₂、宽度b₂和包角ψ等进行逐步优化，得到较优化的旋流泵模型，该泵工况点处扬程高出设计扬程3.2%,效率高出设计效率30.5%。为了验证模拟计算的准确性，对实体旋流泵进行了清水输送实验，工况点处实验扬程高出模拟扬程0.7%,实验效率高出模拟效率6.4%。     

基于机器学习的地铁盾构掘进参数智能预测与控制方法研究

盾构掘进的精细化和智能化控制是现代隧道施工技术的发展趋势，为更好地预测和控制盾构掘进状态，提出一种预测和控制盾构掘进参数的智能模型。该模型考虑了多个影响盾构掘进参数的非线性因素，建立了6种基于机器学习与海鸥算法相结合的混合算法(SOA-ML)盾构掘进参数智能预测模型，并提出基于层次分析法的最佳预测模型判别方法；进一步利用最佳预测模型提出了基于PSO算法的掘进参数控制方法。以金华至义乌至东阳市域轨道交通工程为例，验证了模型的有效性。运用结果表明：SOA算法可有效地对机器学习算法的超参数调优，且SOA种群数量越大，搜索的范围越广，最佳适应度收敛性越快；6种算法模型均具有较好的预测性能，根据层次分析法对预测模型进行性能排序为BP>ELM>CNN>RF>SVM>LSTM;基于BP-PSO的盾构掘进参数预测和控制过程具有消耗时间小、预测与优化性好的特点。