KFJ－3A翻车机大修方法及效果

我港现有2台KFJ-3A转子式翻车机（以下简称翻车机），自1990年正式投产以来，2台翻车机的卸煤量累计达到1700万吨。这种型号翻车机每小时可翻卸车辆数为30节，其转子回转速度1.149r/min，转子滚动直径7600mm，翻车机总重量139t。     

融合卡尔曼滤波的高速公路状态估计误差界限分析

为分析高速公路交通流检测数据质量,本文构建平方流量误差界(Squared Flow Error Bound, SFEB)和扩展卡尔曼滤波(Extended Kalman Filter, EKF)的决策级融合模型SFEB-EKF,在检测器空间覆盖不足情况下,计算检测路段和无检测器路段的交通状态估计误差界限。与SFEB 算法相比,融合模型利用EKF交通状态估计模型估计全路段交通状态,基于得到的估计样本计算全路段交通状态估计误差下界。同时,采用最近邻法(Nearest Neighbor Method, NNM)计算全路段交通状态估计误差上界。应用开源高速公路数据集测试模型,结果表明,与需要输入真实样本的SFEB算法相比,融合模型SFEB-EKF在缺少真实样本情况下,能取得相似的结果且误差保持 在5%以内,不同检测器覆盖率实验下模型表现出良好的稳定性。本文模型通过给出无检测器路段交通状态估计界限,为高速公路交通检测器布设方案提供参考。     

基于图卷积网络的路网短时交通流预测研究

智能交通系统是缓解交通拥堵行之有效的手段，精准的交通流预测是其实现的关键所在. 本文考虑路网拓扑结构和交通流时空相关性，提出基于图卷积网络(Graph Convolution Network，GCN)的大规模城市路网短时交通流预测模型，具有较高的预测精度、预测效率和现实解释意义；采用真实大规模城市路网浮动车数据对GCN模型进行测试，结果表明，GCN模型相对于现有模型，在预测性能上有较大提升.     

用I-DEAS曲面造型进行线框蒙皮

简单介绍了I-DEAS的曲面模块功能，阐述了汽车产品中常用的线框蒙皮的基本思路及其应遵循的原则，为从事曲面设计和线框蒙皮工作的人员提供了一定的参考作用。     

CRH动车组列车牵引计算系统研究与设计

动车组列车牵引计算是高速铁路运营和设计过程中的一个基础性环节,研究和开发动车组列车牵引计算系统对于提高高速铁路运营和设计效率具有重要意义.本文依据业务需求,对动车组列车牵引计算系统进行了系统分析和系统设计,并重点探讨了动车组列车牵引计算的计算模型、动车组操纵策略、动车组过分相计算等问题,提出了单质点和多质点相结合的简化计算模型,最后开发了动车组列车牵引计算系统的原型系统.     

煤炭装船码头堆场通过能力优化

针对沿海煤炭出口码头到港煤炭种类和堆存位置多样、堆场作业情况复杂、配煤工艺流程繁杂等对码头堆场布置方案和煤种堆存分布管理带来的巨大挑战，以黄骅港煤炭码头一期工程为例，对煤炭码头堆场通过能力进行优化研究。在不改变工艺布置方案的条件下，通过分析现场实际运营数据、优化流程选择、调整垛位大小和堆存煤种布局，利用计算机仿真手段对各方案进行测算，得到最优堆场通过能力方案。结果表明，在传统装卸工艺方案设计和技术手段无法实现的情况下，利用仿真手段将运营管理、运营策略等因素融合到方案设计中，可为煤炭装船码头堆场布置方案提供理论参考和数据支撑，也为煤炭码头智能化建设提供支持。     

融合路段传输模型和深度学习的城市路网短时交通流状态预测

城市路网短时交通流预测是实现智慧城市的关键技术，随着人工智能的发展，越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强，而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短，首先对路段传输模型（Link Transmission Model，LTM）进行改进，提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型（Data-driven Link Transmission Model，D²LTM），并在此基础上引入时空深度张量神经网络模型（Spatial-temporal Deep Tensor Neural Networks，ST-DTNN）来捕获网络交通流数据中的时间维、空间维和深度维特征信息，形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D²LTM-STDTNN。该混合模型一方面通过D²LTM机理模型来揭示交通流演化的基本规律，发挥其对城市路网交通流状态时空演化过程的精细刻画能力，增强混合模型机理的可解释性；另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力，提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题，具有更细的空间粒度和时间粒度，因此也具有更大的预测难度。实测结果表明：D²LTM-STDTNN混合模型相对于基准模型预测精度更高，且具备模拟演化机理方面的优势，提升了城市路网短时交通流状态预测能力，揭示了路段间的交通流动态演化规律，可为网络交通流模拟推演和主动管控提供了技术支撑。