基于机器学习的地铁轨道几何劣化规律个性化建模研究

较高的轨道平顺性是保障地铁列车安全舒适运行的基础,准确掌握地铁轨道的劣化规律对保障轨道质量具有重要意义。根据地铁线路特点,选择影响地铁轨道质量劣化的7类异质性因素,给出赋值模型,并基于机器学习方法建立轨道质量指数(track quality index,TQI)短时预测前馈神经网络模型。为了验证模型,采集了北京地铁1号线的线路设备数据及2016年8月15日至2019年2月18日间的17次TQI检测数据,形成训练数据集和测试数据集,并采取深度学习技术,利用训练数据集对该模型进行训练。基于测试数据集的模型预测值的可决系数为0.938,平均绝对百分比误差为4.80%,结果表明该模型是有效的且具有较高的预测精度。     

基于短时交通流预测的广域动态交通路径诱导方法

为提升车辆通行效率，以预测型诱导策略为基础，以排队长度作为交通诱导的约束条件，利用小波神经网络短时交通量预测预知路段堵死事件发生路段，通过广域诱导时空边界条件对事件路段进行节点分级和诱导周期长度界定，进而建立广域诱导模型；对事件区域路网进行分区，进一步确定该模型诱导起点位置，引入基于路径尺度的Logit 路径选择模型作为诱导路径选择方法，通过流量迭代分配方法实现路网负载均衡. 通过实例验证，该诱导方法能有效地缓解道路交通拥堵，提高路网通行效率.     

城市轨道交通固定资产更新改造技术条件研究

为加强城市轨道交通固定资产更新改造的科学管理,提出将实际使用寿命和以可靠性指标为判定标准的健康状态作为其更新改造技术条件,并分别建立基于韦布尔-泊松过程的固定资产使用寿命估计模型和基于平均故障率、平均故障间隔时间和平均可用度的固定资产健康状态评定模型。最后,利用北京地铁2号线钢轨的伤损数据对提出的更新改造技术条件及评估模型进行实例验证。结果表明,改进的更新改造技术条件及评估模型能够对城市轨道交通固定资产的更新改造需求进行量化分析评定,在城市轨道交通固定资产更新改造实际管理中具有实用性和更好的可操作性。     

北京地铁安检设备更新改造需求分析

先进、可靠的安检设备是地铁安检工作顺利进行的基本保障。从寿命状态条件、健康状态条件以及技术性能条件3个方面,归纳总结现有的安检设备更新改造标准,并针对北京地铁2008年投入使用的安检设备的实际运用情况,分析该批安检设备的更新改造需求。根据相关行业安检设备使用寿命标准,该批安检设备的使用时间已到更新改造年限。通过分析该批安检设备的平均故障率、平均无故障工作时间、平均停工时间等可靠性指标的变化情况,表明该批安检设备的可靠性显著降低,其健康状态已难以满足地铁安检的高要求。此外,为满足北京市相关标准对安检设备的性能要求,该批安检设备亦存在技术升级改造需求。因此建议:北京地铁相关管理部门应在近期对该批安检设备进行更新改造,以确保北京市轨道交通安检工作质量,保障轨道交通运营安全。     

地铁与路面交通振动对精密仪器的影响测试

为评价地铁列车与路面交通振动对某科研机构实验室内精密仪器的影响,在该实验室内对交通环境振动响应进行了全天候连续测试监控.将不同交通工况下实验室振动响应与电镜安装的环境振动要求进行比较.结果表明：钢弹簧浮置板轨道对控制室内振动响应作用明显,总的交通环境振动超过仪器安装对振动的要求,应采取必要的被动隔振措施.建议被动隔振平台的工作频率应小于4 Hz,且在5 Hz附近的隔振量不能低于5.5 dB.