原位自生(TiC+TiB)/Ti6Al4V在300℃干滑动摩擦磨损机制

选用颗粒状TiC和条状TiB复合增强的钛基复合材料,在300℃环境温度和不同载荷下的干滑动摩擦磨损行为及其磨损机制进行研究.利用SEM、ESS、XRD等分析手段,对磨损面、剖面,磨屑等进行观察与分析;总体上复合材料磨损率降低,且增强相含量高的磨损率也低,摩擦系数小而稳定.磨损表面存在氧化物,存在磨屑脱落后的痕迹,从磨损剖面可看到一定厚度的塑性变形层及磨损过程中形成的摩擦层,对磨屑的研究中看到,小载荷时形成尺寸不超过10μm的氧化物粉末磨屑、随载荷增加开始形成10～ 25 μm的粒状磨屑、甚至出现尺寸更大的片状剥落磨屑,从而分析得出,小载荷时以氧化磨损为主,存在轻微的磨粒磨损,载荷较大时则以剥层磨损为主,并存着轻微的氧化磨损.     

颗粒阻尼抑制水下航行器轴系纵振模拟试验

在简谐激励条件下，应用轴系颗粒阻尼纵振抑制模拟试验装置研究了旋转工况下的颗粒阻尼减振比；探讨了单腔体多颗粒和多腔体多颗粒时的轴系模拟系统加速度变化，讨论了颗粒的材料、粒径、质量填充比、腔体数量、转速、激励频率与位移等参数对系统减振比的影响规律。研究结果表明:在单腔体多颗粒条件下，填充有铜、钢、橡胶包钢颗粒的系统减振比处于7.83%~8.91%，橡胶颗粒的系统减振比接近于0；铜、钢、橡胶包钢颗粒有明显的抑振效果，颗粒的材料密度和阻尼比越大，抑振效果越好；当颗粒质量填充比为15%时，系统减振比最高为13.77%，但当质量填充比超过15%时，减振比有所降低，故质量填充比一般应根据实际情况控制在15%左右；粒径、转速、激励频率与位移幅值的变化对系统减振比的影响分别为1.76%~8.68%、6.77%~12.50%、4.41%~10.12%与2.19%~7.05%；在多腔体多颗粒工况下，当颗粒总质量填充比和转速一定时，腔体数量对系统减振比有明显影响；当腔体数量为3时，转速为100 r·min-1和质量填充比为25%的最佳系统减振比为22.5%；在多腔体多粒径颗粒工况下，当总质量填充比为10%，转速为50~150 r·min-1的系统减振比波动不大，平均为14.18%，这表明多腔体多粒径组合对转速不十分敏感，具有较好的减振效果，可拓宽转速使用范围。      

层次分析法在南盘江特大桥桥位比选中的应用

以泸西至丘北至广南至富宁高速公路工程设计为例，重点剖析南盘江特大桥段的路线方案比选论证过程，对西南山区高速公路复杂路段的桥位方案比选问题进行探讨，以期为其他山区高速公路路线方案，特别是跨江桥位方案比选论证提供参考。     

模糊层次分析法在公路路线方案比选中的应用

以岔河至崇德段路线方案比选为研究对象,选取了经济、技术、工程影响及社会评价等指标构建路线方案综合评价体系,利用模糊层次分析法对各指标的重要性进行了排序,并计算得出2种路线方案的评估分值。结果表明:D线方案评分大于K线评分,最终确定岔河至崇德段路线的走向方案为D线。可为同类型公路路线方案比选提供参考。     

基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提，有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象，研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集，构造滑动时间窗口，以时间窗口内的出租车历史移动速度的时间序列为输入变量，以出租车当前时间的移动速度为输出变量，采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化，得到模型最优参数组合，并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析，将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明:所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841，均方根误差（RMSE）为12.711，均低于非参数回归模型和神经网络模型，提高了出租车速度的预测精度；由于出租车速度序列缺乏规律性，调整后的R₂（R₂ _adjusted）为0.592，且相较于其他2个模型，XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果，避免了过拟合造成的预测精度下降。      

强化铁路检修车管理的思考

如何准确、均衡地扣修铁路运用车辆,既保证维修单位任务完成,又满足提高运输效率要求,是铁路运输管理的难点之一。本文以南宁局集团公司为例,总结分析针对检修车扣车不均衡、检修车超定量问题,采取集成数据,编制检修车管理指导子系统,强化检修车的监控与预测、扣车追踪、动态管控、均衡扣车等措施的落实效果,旨在为有效提升检修车管送能力,确保运输用车需求提供借鉴。     

船舶动力设备退化基线计算及预测方法

船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。     

基于数据驱动的船舶油耗预测模型研究

以某客滚船为研究对象,将大量航行实际数据进行预处理,通过斯皮尔曼等级相关分析选择出船舶左右桨螺距、左右舷舵角、纵倾、船首风速、船舶对水和对地航速为油耗主要影响参数。建立基于LSTM神经网络的黑箱模型对数据进行学习并预测油耗,额外选取测试样本验证模型精度,优化模型内部结构以进一步提高预测精度。将最终得到的预测数据与实测数据对比,证明模型具有良好的准确性。该研究方法能为船舶运营人员优化运营方案提供参考,能够提高水路交通运输的经济性。