基于无人机的高层住宅最后“一百米”配送优化

针对城市高层住宅顾客对上门配送服务的需求，借助无人机停放平台，考虑包裹异质性以及无人机在不同配送阶段的精确能耗，构建以无人机飞行成本和能耗成本最小为目标，以无人机容量、电池组容量等为约束的高层住宅无人机上门配送模型，解决“垂直位置最后一百米配送”问题。基于此模型，设计带变邻域下降(VND)搜索的混合蚁群算法(HACO-VND)，引入4个算子进行变邻域下降搜索，为了提高算法的求解性能，提出两种局部搜索算子组合，根据顾客点数量使用不同的算子组合。实验结果表明，HACO-VND算法较CPLEX在求解精度与求解时间方面更优，特别是在大中型算例中表现出较佳性能。参数分析表明，高层住宅楼层数越多，无人机单次 飞行的能耗利用率越大，无人机容量与电池组容量共同对配送方案产生影响。为以后无人机送货上门服务方面的研究提供参考和思路。     

主起落架作用下的机场土面区承载力分析

为研究机场土面区在主起落架作用下的承载力,根据规范制备以黏性土为主的填料.使用便携式落锤弯沉仪经实验得出填料在不同密实度下与动态弹性模量之间的关系,根据函数曲线关系及相关研究结果,建模计算当填料处于3种不同密实度时,B737-800飞机在滑行和着陆两个阶段冲出跑道时的作用结果.计算表明:随着填料密实度值的增加,土面区的承载力也在增加;当密实度不足87％ 时,填料在荷载作用下易出现剪切破坏,导致主起落架陷入土面区;当密实度达到87％ 时,荷载作用产生的竖向变形最小,承载能力最大,土面区可承担主起落架作用.     

基于随机森林结合前向序列选择算法的铁路隧道防水板检测数据关键影响因素识别北大核心

针对参数特征复杂度高的铁路产品,提出了一种基于随机森林(RF)结合前向序列选择(SFS)算法的铁路产品检验检测数据关键影响因素识别方法,以辅助基于经验的识别方法。创新使用RF-SFS算法,将其应用于铁路隧道防水板检验检测数据关键影响因素的识别研究。根据多年铁路隧道防水板检测数据,建立RF模型,获得了影响铁路隧道防水板检测结果的特征关键性评分序列。随后,结合SFS方法得出关键性评分序列的阈值,将排名前6位的影响因素识别为关键特征,模型的预测能力达到99.98%。为验证关键特征识别方法的有效性,对比分析3种模型在使用不同特征子集时的预测能力。当仅选用关键特征时,3种模型的预测能力均达到最佳,加入冗余特征后模型的预测能力逐渐降低。     

基于多维网络的增开列车条件下高速铁路列车运行图调整

研究增开列车条件下高速铁路列车运行图的调整问题,并综合考虑列车车站进路的影响。通过构建Time-Station-Track三维时空扩展网络,刻画列车对铁路时空资源的占用。将原多目标优化问题转化为求解列车占用网络弧段最小费用单目标问题,并构建基于Time-Station-Track网络的0-1整数规划模型。针对模型特点,设计拉格朗日松弛算法,将问题进一步分解为求解单列车网络最短路径子问题,由于问题被松弛后求得的解可能不可行。因此,提出基于列车优先序列的启发式策略对对偶解进行可行化。最后以宝兰客运专线为例,验证模型的正确性和算法的可行性。     

“天鲲号”超大型自航绞吸船辅钢桩门装置设计

针对自航绞吸船在艏部设置辅钢桩定位系统存在的影响航速等问题，“天鲲”号超大型自航绞吸挖泥船提出了在艏部设置钢桩门的解决方案。该解决方案不仅可以保持完整的艏部线型，减小航行阻力，而且还可以减小辅钢桩甲板作业空间。本文介绍了“天鲲”号辅钢桩门装置的设计方案，以及辅桩钢桩门结构设计，最后提出了辅钢桩门开闭油缸等关键设备的选型计算方法及选型结果。本文可为超大型自航绞吸式挖泥船的辅钢桩门装置的设计分析提供参考和设计思路。     

水平定向钻数据采集及远程监控系统研究

文中针对油气长输管道水平定向钻施工,研发了数据采集及远程监控系统。通过数据采集装置将钻机施工中的关键数据进行实时采集、处理和远程无线传输,由手机APP进行远程监控,实现了工程项目的远程管理,预测后续施工中可能出现的问题,降低施工风险,提高施工效率。     

视觉机器人焊接技术的研究综述与展望

焊接作为现代制造工业的基础生产工艺之一,是制造业极为重要的加工手段。目前由于焊接作业的特殊性导致一线焊接工人数量呈现急剧减少的趋势,为此将焊接作业机器人化是焊接产业发展的必然趋势,但与发达国家相比,我国焊接机器人的平均使用密度较小,其重要原因在于机器人的示教编程难度大、效率低下而且还存在机器人应对坡口类型、接头类型等多规格的焊接件焊接时不具备合适的焊接路径规划,无法发挥机器人的灵活性和稳定性导致焊接适应性不足。     

基于聚类站点客流公共特征的轨道交通车站精细分类

已有城市轨道交通车站分类多基于定性分析，不能满足精细化设计和运营的需要。本文提出一种基于聚类站点公共特征的站点精细分类方法。首先，将来源于AFC(Automatic Fare Collection)的进站客流量数据处理为时间序列数据，并基于K-Means++算法对各个站点的客流量进行聚类；其次，建立客流量聚类结果与土地利用特征多维参数的拟合方程，计算获得居住密集型、工作就业型以及区域中心型等5种大类站点的客流量公共特征。在此基础上，充分考虑属于同一大类站点不同站点的细分特性，使用5类客流量公共特征比重组合精细描述具体站点类型。 实例结果表明，使用本文提出的精细分类方法计算得到的每个站的客流量拟合值与真实客流值间的平均绝对百分比误差控制在14%以内，说明该分类方法具有可行性。