基于深度学习的司机疲劳驾驶检测方法研究

针对传统基于机器视觉的司机疲劳检测模型对硬件系统要求较高、检测准确率和效率较低等问题,提出一种基于MTCNN-PFLD-LSTM深度学习模型的疲劳驾驶检测算法.通过多任务卷积神经网络MTCNN进行人脸区域检测;利用PFLD模型检测人脸眼部、嘴部和头部的关键点及空间姿态角;计算出基于时间序列的人脸疲劳特征参数矩阵并输入长...     

基于深度学习的轨道不平顺与车体垂向加速度映射模型

高速列车在长期服役条件下,其车辆悬挂系统等参数与设计值差异较大。多体动力学仿真模型难以模拟真实运营环境,且计算效率较低。为更加准确、快速地评价各种轨道结构以及不平顺激励下车体的垂向振动响应,根据实测轨道不平顺与车体垂向加速度的时空数据传递特征,建立一种卷积长短期记忆组合模型,该模型将轨道不平顺与列车运行速度作为输入,实现对车体垂向加速度的预测。结果表明,卷积长短期记忆模型预测的平均绝对百分比误差值为5.64%,相比动力学仿真模型减少3.57%。在预测一段3 km长线路的垂向车体加速度时,动力学仿真模型需要花费约53 s,而卷积长短期记忆网络只需要花费约1.6 s,预测效率提升33倍。     

基于残差增强门控循环神经网络的交通流量预测技术研究

随着近年来智慧城市轨道交通的快速发展和普遍应用,交通流量预测成为智慧城市轨道交通的关键性问题,对及时掌握交通状况、进行合理的资源配置和人力部署起着重要作用。文章以实现大规模交通网络的交通流量准确预测为目标,研究并设计一种基于残差增强门控循环单元的深度学习网络模型。在基本门控循环单元的基础上,引入残差连接思想,通过在门控循环单元的迭代回路之间增加线性连接,捕获数据中的长期时间依赖关系,同时克服循环神经网络在进行长期时间序列预测中的梯度消失或梯度爆炸问题。使用4个在真实交通网络中采集的大规模交通数据集对所提算法进行测试,分别从定量和定性的角度比较并验证所提算法的有效性。实验结果表明该算法能够使用前1h的历史数据、对大规模交通网络中各交通枢纽节点未来1h的交通状况进行较准确的交通流量预测,证明使用残差增强门控循环网络进行交通流量智能预测的可行性和准确性,为城市轨道交通智能运营管理的实现提供有力支撑。     

推进安全风险管理强化工务基础建设实现工务工作科学发展——在全路工务工作会议上的讲话(摘要)

2013年工务工作的主要目标是深入推进安全风险管理,促进工务安全管理规范化和科学化;努力做好高铁安全和运营维护管理的各项工作;以贯彻《铁路营业线施工安全管理办法》为契机,推进维修综合配套改革;毫不懈怠,科学防范,夺取防洪工作新胜利;加强桥路管理工作,保持桥路设备状态均衡良好;加强工务机械化专业管理,确保机械设备运用安全;统筹兼顾,认真抓好日常各项重点工作,为全路的运输生产和铁路的发展作出新的贡献!     

基于铁路数据服务平台的高速铁路工务设备大数据应用研究

高效管理高速铁路工务设备数据对提高运营安全水平具有重要作用。介绍高速铁路工务设备数据的管理现状,对建立工务设备大数据应用进行需求分析,提出基于数据服务平台的工务设备大数据总体框架及相关功能。以京沪高速铁路工务专业为例,搭建京沪高速铁路数据资产汇集平台,并开展大数据应用。结果表明,基于该平台开展大数据应用能够科学合理地指导工务设备维修管理和提供战略决策。     

基于状态影响因子的高速铁路电务安全指数优化

为提升高速铁路电务安全保障能力,解决原有电务安全指数单一、只能静态反映高速铁路电务安全态势及电务运营安全复杂的连续动态表征评价等问题,采用随机过程理论,选取高速铁路电务设备正常、故障和事故3种状态相关的基本时间域、状态转移概率和状态持续系数作为电务安全指数的影响因子,并基于马尔科夫状态转移和Logistic函数分析的方法对其进行特征量提取,构建高速铁路电务安全指数优化模型;选取某典型线路和某典型路局电务6大类型设备的故障和事故基础数据,验证高速铁路电务安全指数优化效果。结果表明：由优化模型计算得到的高速铁路电务安全指数通过了双边趋势检验分析,能准确拟合电务设备状态的变化及持续周期变动,且部分状态变化趋势通过了显著水平α=0.05 （置信度为95%）和α=0.01 （置信度为99%）的检验,变化趋势明显;优化后的电务安全指数能直观、动态且连续地反映高速铁路电务设备运行的安全态势。     

基于层次分析法的工务安全评价研究

铁路工务系统安全评价对于保障工务系统设备安全有着重要意义。在工务安全中,影响因素错综复杂。本文提出采用层次分析法,建立了铁路工务安全评价模型,对工务安全进行综合评价,可以及时发现各工务段安全隐患,预先采取措施,以确保行车安全。     

基于3D卷积神经网络的高铁轨道质量指数预测方法

轨道质量指数（TQI,Track Quality Index）是反映高铁整体线路质量状态的重要指标,分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性,提出了一种多项特征数据的3D卷积神经网络模型,分析了TQI数据特征,抽取时间、空间、检测项数据并形成三维特征数据集,基于3D卷积神经网络算法,构建8层TQI预测模型,并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化,并利用某高铁线检测数据进行试验验证。结果表明,3D卷积神经网络模型可较好的预测高铁线路状态变化趋势,且对比于BP神经网络和2D卷积神经网络方法,平均绝对误差分别降低了41.48%、26.32%,均方差分别降低了65.42%、39.93%,证明了该方法的准确性与有效性,对于预测TQI与制定高铁线路养护维修计划具有实用价值。     

基于铁路数据服务平台的铁路工务设备安全画像应用设计方案

为保障列车运行安全,减少安全设备投入,提升安全管理效率,设计了基于铁路数据服务平台的铁路工务设备安全画像应用方案。以分析当前铁路工务设备检测现状作为切入点,结合铁路数据服务平台,运用机器学习框架和大数据治理技术,从设备状态指标统计分析、设备单元安全评价、关键指标及安全态势趋势预测、高危设备及不良态势安全预警等4个方面设计铁路工务设备安全画像应用功能。辅助业务人员快速定位数据,对工务设备安全态势有更加直观的判断,以防止设备不稳定状态导致的事故故障,实现事故故障超前防范。     

基于门控循环残差网络的滚动轴承故障诊断研究

滚动轴承的运行状态对整体机构的工作状态影响很大,防止因滚动轴承失效而产生的安全事故极为重要。而一维信号只利用卷积神经网络CNN(Convolutional Neural Networks)输出结果时无法充分利用数据间的时序信息的问题,因此,文中结合门控循环单元GRU(Gated Recurrent Unit)在处理时序数据所具有的优势,提出了一种门控循环残差网络结构,将CNN在强大的特征提取的优点与GRU处理时序数据的优点有机结合起来。为了验证算法的有效性,采用凯斯西储大学轴承数据集与齿轮箱轴承台架试验进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,在相同试验条件下相较于卷积神经网络等深度学习网络,文中算法具有更高的故障识别准确度和稳定性。     

基于并行多任务深度学习的铁路主要技术标准优选

铁路主要技术标准是铁路全生命周期最重要的先决技术决策之一.传统的基于经验驱动的决策方法工作量大、周期长、严重依赖设计者的经验水平、可能遗漏有价值的方案.而主要技术标准优选的关键在于揭示多维环境因素与主要技术标准值之间的潜在映射关系.受深度学习在规律特征识别方面成功应用的启发,提出基于并行多任务深度学习的铁路主要技术标准...     

高速铁路基于风险分析及控制的安全管理模式研究

在分析国际铁路安全风险管理相关标准和要求的基础上,研究我国高速铁路安全管理的特点及我国铁路既有安全管理体系引入风险管理体系的适应性;在现有安全管理体系基础上引入风险管理的安全管理模式,提出我国高速铁路安全风险分析及控制的流程,建立按照"成因消除、频率降低、后果控制、后果减轻"顺序或优先级的风险控制模型。将提出的风险分析及控制方法应用于我国高速铁路安全风险管理中,取得了良好效果。     

基于轻量卷积神经网络的高速铁路隧道表面病害筛选算法

随着急剧增加的高速铁路隧道检测需求,基于计算机视觉的高速铁路隧道病害识别和健康检测是国内外的新趋势.然而,高速铁路隧道结构表面图像大多数是无病害图像(占比90％以上),剔除大量无病害图像而只保存有病害图像,可以大幅减少图像存贮量和降低高速海量存贮对硬件要求.为此,提出一种基于深度卷积神经网络的隧道表面病害筛选算法,以推...     

基于机器学习的盾构掘进参数预测

依托济南市济泺路穿黄隧道东线工程,选取1 130组掘进数据,按照施工顺序划分数据集,采用粗细程度、软硬程度、密实程度和渗透能力4个维度描述土体的物理力学状态,分别建立基于长短期记忆模型(Long-Short Term Memory, LSTM)、随机森林模型(Random Forest)和BP神经网络的盾构隧道掘进参数预测模型,详细对比分析3种模型对总推力和掘进速度的预测效果。研究表明：(1)LSTM模型在按施工顺序预测盾构总推力和掘进速度时,平均相对误差仅为3.72%和7.41%,模型训练时间均在20 s以内,整体表现优于随机森林模型和BP神经网络;(2)在地形发生剧烈变化以及盾构掘进线路在直线与平曲线过渡时,总推力和掘进速度出现较大波动,LSTM模型预测结果相对误差偏大的组数仅占4%与10.2%,且总体误差满足施工要求;(3)随机森林模型预测结果的相对误差在总推力和掘进速度剧烈波动的环段处偏大,数量偏多,因此在按施工顺序预测时不是优选。     

基于 VMD-GRU 的城市轨道交通短时客流预测

精准的客流预测是轨道交通运输计划编制的基础和依据,为提高城市轨道交通短时客流的预测精准度, 基于城市轨道交通短时客流的动态性、非线性、不确定性、周期性、非平稳性及时序性等特点,提出一种组合 模型预测方法,即 VMD-GRU 神经网络预测模型,由变分模态分解和门控循环单元组合而成。变分模态分解的 作用是分解短时客流,降低数据中的噪声,减少数据波动;门控循环单元的作用是基于分解的短时客流,进行 客流预测。经南京地铁的数据验证,该模型在地铁短时客流预测方面效果良好。与 GRU 相比,VMD-GRU 在 15、30 和 60 min 的时间粒度下,预测准确度分别提升 7.57%,16.93%,18.47%。该模型可为地铁运营管理部 门对车站客流管理、日常行车计划制定等提供有效的数据支撑,从而提升线网总体运营效率以及轨道交通系统 的服务水平。     

基于多阶段特征优选的高速铁路列车晚点预测模型

为克服大规模高维数据集不相关和冗余信息对列车晚点预测模型性能的影响,提出一种融合多阶段（MS）特征优选方法和改进深度神经网络（IDNN）模型的高速铁路列车晚点预测模型（简称MS-IDNN模型）。首先,利用MS特征优选方法,基于列车运行实绩提取影响列车晚点的相关特征,构建初始特征集,并对其进行数据清洗和特征优选,生成最优特征子集;其次,将列车晚点特征映射为IDNN模型的神经元,采取全连接方式提取特征间的交互关系,并叠加多个浅层神经网络以克服深度神经网络反向传播过程中梯度消失的缺陷,实现列车到达晚点的精准预测;最后,以武广高速铁路列车运行实绩为例,验证MS-IDNN模型的有效性。结果表明：相比初始特征集,构建得到的最优特征子集特征维度降低了54.29%;相比6种基线模型,MS-IDNN模型的平均绝对误差和均方根误差分别至少降低4.85%和8.97%,在沿线至少66.66%的车站中表现出更高的预测性能;MS-IDNN模型能够有效剔除数据集中的不相关和冗余信息,提升列车晚点预测精度。     

基于普适安全理论的高速铁路员工培训体系研究

为解决高速铁路发展带来的新技术和新装备应用问题,以期适应工作标准和作业方式重大变化,以太原铁路局为研究对象,基于普适安全理论研究高速铁路员工培训体系构建问题。建立高速铁路员工培训体系框架模型,提炼基于岗位的高速铁路安全风险点,搭建基于网络的员工培训平台,分析行业特色高校培训基地布局,为高速铁路员工人才培养提出了建议。     

基于GRU循环神经网络的云数据中心应用故障预测方法

云数据中心的分布式应用故障具有复杂性、随机性等特点,导致应用的运行与维护(简称:运维)管理任务难度大、效率低.为此,提出一种云数据中心应用故障预测方法,构建基于门控循环单元(GRU,Gated Recurrent Unit)循环神经网络(RNN,Recurrent Neural Network)的云数据中心应用故障预测...