基于机器学习的三维频域格林函数递推预报与应用

频域自由面格林函数法在船体水动力的求解中具有重要应用价值,求解的关键在于自由面格林函数本身及其偏导数的计算。论文分析了自由面格林函数与其偏导数之间的关系,提出了基于机器学习的格林函数及其偏导数的递推预报方法,称为脉动源递推预报方法。研究了在不同参数设置下用该方法预报格林函数的精度和效率,并将其应用于S175船的水动力计算。计算得到的自由面格林函数的精度在10^-3～10^-6;计算效率优于数值方法,与解析方法相当;水动力计算结果准确,计算方法具有实用价值。     

基于自适应模糊C-均值算法的退役锂离子电池快速聚类

梯次利用处理退役锂离子电池具有巨大的经济和环境价值,而如何高效、准确地对退役电池进行分选重组是梯次利用中突出的技术挑战。首先,为准确反映退役电池的一致性,提取最大可用容量（MAC）、放电欧姆内阻（DOIR）和容量增量曲线的弗雷歇距离（FD）3个因素共同作为聚类因子。然后3个聚类因子结合自适应模糊C-均值（AFCM）算法构建退役电池聚类方法。结果表明：AFCM算法聚类簇内MAC的最大误差为79 mA·h,DOIR小于45 mΩ;三因素的聚类方法成组的电池一致性较好;并且在117颗电池聚类时,AFCM算法聚类耗费的时间最短。     

动车组安全规律分析系统设计与实现

动车组故障数据呈现体量越来越大,来源日趋广泛,相关信息几何形态增长的特点.为研究动车组安全规律,挖掘海量历史故障的数据价值,基于动车组安全大数据平台,利用多源数据采集、融合处理及大数据机器学习技术,设计了动车组安全规律分析系统架构与功能.目前,该系统已研发完成,并针对CRH380系列动车组进行了安全规律验证.系统的建设...     

基于机器学习的中型城市居民出行方式选择行为研究

为探索中型城市居民出行特征以及不同因素对出行方式选择行为的影响机制,本文以中国某中型城市居民出行数据为例,综合考虑传统离散选择模型和机器学习模型在预测精度和建模合理性上的优劣,以及机器学习模型超参数求解算法的特点和效率,引入变异程序,提出粒子群优化随机森林的中型城市居民出行方式选择预测模型,采用预测准确率、出行方式比例预测绝对误差和期望模拟误差这3项性能指标,量化对比粒子群优化随机森林模型与多种机器学习模型和多项Logit模型统计学上的预测性能差异,利用SHAP(SHapley Additive exPlanation)模型深入分析个人社会经济属性、出行属性及出行方式属性等相关因素与居民出行方式选择之间的非线性关系。结果表明：粒子群优化随机森林模型整体平均预测准确率最高,为0.856,出行方式比例预测平均绝对误差和期望模拟平均误差最低,分别为0.062和0.306,模型间指标差异在统计学检验下显著;距离对不同出行方式选择的影响最显著,步行和私家车出行对距离敏感性更高,不同距离下,两者选择概率变化超过35%;30岁以下群体不同出行方式选择概率差距大于其他年龄段;性别、是否拥有私家车或公交...     

列控车载设备MVB总线状态分析诊断装置研究

针对CTCS3-300T列控车载设备MVB总线等线缆日常维护和故障处理中缺少有效测试手段的现状,研制MVB总线状态分析诊断装置.该装置包含多类型线缆接口、电气检测单元和智能分析诊断单元;综合应用自平衡电桥、机器学习数据分类等多种检测手段和智能算法,对不同线缆的物理和电气特性进行测试,并自动生成测试报告和诊断结果;具有功...     

基于XGBoost模型的地铁列车运行状态仿真方法

基于物理模型及列车性能参数的地铁列车运行状态仿真方法存在着列车适配性差、参数调整成本高等问题.为了给ATC(列车自动控制)系统的研究提供更为准确、高效的模拟试验平台,提出一种基于XGBoost(极端梯度提升)算法的列车运行状态仿真模型构建方法.该方法可从实际运行数据中学习列车的控制与运行特性,可针对不同的线路环境、不同...     

机器学习预测船舶分段车间机器人作业时间分析

船舶分段T梁焊接工位已实现机器人作业,实际作业时间与离线编程软件预估理论时间相差较大,船舶车间量化派工效益难以体现。基于此,提出一种多类型焊缝线性模型,基于机器学习,训练各类型焊缝权值,得到模型函数,预估船舶分段T梁焊接工位作业时间,并可推广到小组立、中组立、涂装等满足作业物量与作业时间呈线性或接近线性分布的车间。     

列车在站运行状态监测系统

传统的车站接发列车作业以人检为主,劳动强度较高,存在人身安全隐患,且存在漏判和误判,难以有效保障接发列车作业质量。运用图像识别、数据挖掘、智能分析及系统集成技术,提出列车在站运行状态监测系统方案,对车站接发列车的图像、视频、车轮踏面温度、车辆运行声音等信息进行自动采集和智能分析,提供车辆异常状态识别和报警功能,实现接发列车作业从"人检"向"机检"、"室外"向"室内"、"静态"向"动态"的转变。该系统方案对提升车站接发列车作业效率和作业质量,探索接发列车作业新模式,保障行车安全具有重要意义。     

基于机器学习的排泥管线压降预测

福建沿海地区的吹填工程中，主要的土质颗粒为中粗砂。该类型土质在输送过程中阻力大较易发生堵管，导致施工进程延缓。在输送环境下施工，掌握管路内输送阻力的实时信息至关重要。粗颗粒条件下，常用的经验方法如Durand公式法的计算精度较差。基于已有的管路输送研究，以及福建沿海工程的测试数据，使用高斯过程回归方法和支持向量机方法建立管路压降预测模型。两种回归模型均能在训练期得到较为理想的效果，模型R2指标达到0.80以上。在模型的预测期，支持向量机回归模型的R2指标为0.78，高斯过程回归预测模型的R2指标达到0.95。结果表明：基于高斯过程回归的机器学习模型能够较好地预测中粗砂吹填工程的疏浚参数。     

乘用车加速行驶车外噪声影响因素相关性分析

本研究通过对比统计学相关性分析方法和机器学习Lasso特征选择方法，分析多组乘用车加速行驶车外噪声试验结果与其影响因素间的相关性关系。首先使用SPSS软件按照正态性分析、皮尔逊相关系数分析、显著性检验的顺序对样本数据进行相关性分析，结果表明发动机额定转速、额定功率、气缸数、排量以及前悬长度与噪声试验结果有显著的正相关性。然后借助Python语言搭建Lasso算法模型对样本数据进行特征选择分析，结果显示发动机额定功率和额定转速与噪声结果的特征相关性显著。两种方法能够得到相近的结论，说明机器学习算法在整车试验数据挖掘领域中的应用前景广泛。