半约束模型试验--一种验证随浪和斜浪中波浪力计算的手段

本文采用半约束模型试验技术，对一条高速船在规则波中随浪和斜浪工况进行了流体动力系列试验，以探讨航运的安全性，验证作用于船体上波浪力的估算方法。对每次试验，以波动方程的形式采用数值估算方法确定环绕船模的波浪运动的时间历程。并用同样的方法从测量数据中提取垂荡和纵摇与模型测量运动，一阶波导纵荡、横荡作用力和首摇力矩。因此合理比较理论计算的波浪力与力矩的时间历程成为可能。这表明SSPA海事动力学的研究所(MDL)模型试验设施可以提供高质量的测量，与所述计算方法结合起来可用来验证理论计算和建立半经验方法。     

列车晚点情况下的地铁运营调整自组织机制研究

在细致梳理他组织模式下的列车运行调整规则与策略基础上,引入智能体概念,借鉴“沙丁鱼群”运动效应,将邻近两列车间的运行时间距离划分为排斥间隔、协同间隔和吸引间隔,继而建立列车间的协同运动关系。运用仿真技术实现了晚点情况下的列车运行调整自组织算例,论证了自组织调整机制的有效性和应用性。     

应用模糊自适应PID和预瞄策略的自主车辆转向控制

文中结合智能车辆路径跟踪过程中转向控制方面的特点，提出了一种将模糊逻辑、预瞄规律和自适应PID控制相结合的控制策略，建立起了相应的模型，验证了该方法的可行性和有效性，并提出了进一步改进的方向。     

路段动态特征中的交通组成因素研究

基于对交通流建模过程中将车型单一考虑为标准小汽车,忽略了现实交通量中车型的不同构成,本文通过对不同车型的动力特性进行标定,将其特性反映在跟车模型与车道变换模型中,并且利用交通仿真技术,分析了交通量构成对路段行程时间、车速、延误等动态特性指标的影响。     

汽车防追尾碰撞数学模型研究

为了提高车辆在高速行驶状态下的主动安全性能,研究了处于追尾行驶状态的本车与前车的运动学特征;针对前车的不同运动状态分别推导出了跟车距离的计算模型并分析了模型中3个关键参数的随机性和动态性,对制动迟滞时间提出了基于模糊推理的确定方法,对本车制动减速度和前车的运动加速度提出了比较实用的动态测算公式;另外,研究了防追尾碰撞的控制与执行,建立了动态调整安全制动停车距离的神经网络模型,提出了基于危险裕度判别的安全控制方法。     

考虑横向漂移的船舶路径跟踪自抗扰控制

针对船舶运动系统中内部动态不确定和外部干扰等问题,进行了欠驱动船舶路径跟踪的自抗扰方法研究。利用Backstepping设计参考航向角,并通过线性扩张状态观测器对流干扰和横向运动引起的横向漂移进行估计。其次,根据自抗扰算法对航向进行控制,采用线性扩张状态观测器对外界干扰及内部不确定项进行估计。最后仿真结果表明,在风流干扰下所设计的控制器仍能使船准确地跟踪上参考路径,验证了所提控制方案的有效性。     

地铁供电系统中压开关柜电流分析理论和方法

通过分析地铁供电系统不同电压等级的设备电流特征,确定35 kV电压等级设备电流可构造标准曲线,采用机器智能学习算法分析、测算地铁供电系统中各类开关峰谷时段运行电流,以均值-方差方法确定电流的高度异常偏离点,实现异常点数据周期内统计以及实时提醒功能。应用电流实测值分析电流在工作日、节假日的不同曲线,为负荷预测和非正常运行方式下的负荷叠加风险提供预测和评估依据,保障供电系统的安全运行,提高负荷管控效率。     

基于分子动力学的车流运行动态特性及其模型

车辆跟驰行为受前导车和道路环境等的影响,将车辆抽象成相互作用的分子,基于分子动力学构建相互作用势函数,建立基于相互作用势函数的分子跟驰模型.采集试验路段不同点位的交通流样本,从视频中获得所需数据,并对加速度波动特性进行分析.将车辆运行状态分为常态行驶,起动加速和减速停车3种,根据实测交通数据对3种车辆运行状态进行模型参数标定,同时对分子跟驰模型进行稳定性分析验证,结果表明,相对于经典GM模型,分子跟驰模型稳定性更好,对实际交通状态拟合程度更高.     

Human-like autonomous car-following model with deep reinforcement learning

This study proposes a framework for human-like autonomous car-following planning based on deep reinforcement learning (deep RL). Historical driving data are fed into a simulation environment where an RL agent learns from trial and error interactions based on a reward function that signals how much the agent deviates from the empirical data. Through these interactions, an optimal policy, or car-following model that maps in a human-like way from speed, relative speed between a lead and following vehicle, and inter-vehicle spacing to acceleration of a following vehicle is finally obtained. The model can be continuously updated when more data are fed in. Two thousand car-following periods extracted from the 2015 Shanghai Naturalistic Driving Study were used to train the model and compare its performance with that of traditional and recent data-driven car-following models. As shown by this study’s results, a deep deterministic policy gradient car-following model that uses disparity between simulated and observed speed as the reward function and considers a reaction delay of 1 s, denoted as DDPGvRT, can reproduce human-like car-following behavior with higher accuracy than traditional and recent data-driven car-following models. Specifically, the DDPGvRT model has a spacing validation error of 18% and speed validation error of 5%, which are less than those of other models, including the intelligent driver model, models based on locally weighted regression, and conventional neural network-based models. Moreover, the DDPGvRT demonstrates good capability of generalization to various driving situations and can adapt to different drivers by continuously learning. This study demonstrates that reinforcement learning methodology can offer insight into driver behavior and can contribute to the development of human-like autonomous driving algorithms and traffic-flow models.     

浅析西门子BDPC系统在CTV上的 可行性

本文主要目的是分析西门子Blue Drive Plus C（随后简称BDPC）系统及其配置是否能够应用在深水动力定位原油输送船（随后称CTV）上。通过供需关系对比法,首先实现CTV实现海上自由航行、跟随定位、连接FPSO与～30万吨油轮之间浮管、加油跟随定位、紧急脱离、绿色环保运行等工况下的正常与应急储备动力需求,随后分析西门子BDPC直流系统及其运用技术,针对本项目提供的特殊配置,与CTV提出需求进行对比,结论是BDPC依靠它的直流发电、配电、逆变、储能等技术,可以满足CTV的配置需求,论证了BDPC系统运用在性能优越的深水原油输送装置CTV是可行的。