城市轨道交通网络化客流特征及成长规律——基于京沪穗深城市轨道交通网络客流数据分析

中国各大城市轨道交通将陆续进入网络化运营阶段,然而对于网络化进程中客流特征及成长规律尚缺乏深入细致的分析与研究。对北京、上海、广州、深圳4个城市轨道交通网络化进程中的客流特征及成长规律进行系统总结,涉及客运量及客运强度、断面客流量分布、线网换乘系数、乘距与运距、客流时间分布等。同时,针对轨道交通沿线土地利用、线网规模、服务水平、票制票价等影响客流特征变化的主要因素进行分析。在此基础上,对当前中国城市轨道交通规划、建设、运营组织的若干关键问题提出建议。     

Web3D中VRML实时模型优化方法研究

基于虚拟现实的Web3D应用中,主流的平台是采用虚拟现实构造语言VRML（Virtual Reality Modeling Language）实现的,应用的关键在于如何流畅的对模型和场景进行实时浏览。文章从优化模型文件以及提高模型的运行效率上对优化方法进行了研究和总结,并以优化实例展示了优化效果,证实了优化方法的可行性。     

基于Simulink的船舶电力系统的仿真

同步发电机的并联运行包括并车和负载转移过程,通过利用MATLAB/Simulink中的模块,搭建了同步发电机自动准同期并车模型,以及一次调频和二次调频模型,利用上述模型进行了同步发电机并联运行的仿真试验.仿真结果验证了所搭建的模型的准确性.     

S变换在水下目标识别中的应用

研究了基于S变换模时频矩阵相似度的水下目标识别方法。根据测试样本对应的S变换模时频矩阵与标准样本对应的S变换模时频矩阵之间的相似度最大原则对测试样本进行识别。该方法不需要辅助分类器而直接实现目标识别,计算简单快速。仿真实验表明,该方法的识别率较高,且受噪声影响小,适合于水下目标识别。     

航道疏浚对复杂桥群河段通航水流条件影响的试验研究

成达万高铁涪江大桥处于复杂桥群河段,左岸紧临面积较大的湿地公园,侵入新达成铁路桥左岸80 m通航孔内,占用部分通航净宽,恶化了桥区水流条件,使桥区无法满足V级航道标准。采用二维水流数学模型和船舶操纵模拟试验对4个不同疏浚方案的整治效果进行分析。结果表明：选用方案4,在左岸湿地公园实施大范围疏浚,且对上游老达成铁路进行拆除后,桥区最大流速减少0.46 m/s,减少幅度为21.88%;最大横向流速减少0.33 m/s至0.65 m/s,减少幅度为33.67%,有效改善了桥区航道的通航水流条件,保证了过桥船舶的通航安全。     

岷江上游大型水电站运行对龙溪口下游航道枯水期水位和流量的影响

根据规划,岷江龙溪口—宜宾段将通过航道整治达到内河Ⅲ级航道标准.该河段多年历时保证率95％的流量仅能达到662 m3/s,但是岷江上游紫坪铺、瀑布沟等大型水电站的建成对下游河段通航流量产生了较大影响.根据紫坪铺水电站蓄水前、后高场水文站的径流、泥沙资料,分析紫坪铺等大型水电站建成后对下游河段水沙特性的影响,得知岷江上游...     

基于乘客群体特征的城市轨道交通满意度研究

为提高城市轨道交通服务质量、优化乘客乘车体验、提升城市轨道交通在公共交通中的竞争力,对城市轨道交通乘客满意度开展研究。首先,选取乘客特征因素,引入皮尔逊积矩相关系数来分析乘客满意度与乘客特征因素的相关关系,提取对满意度存在显著影响的乘客特征因素。然后,运用主成分分析法刻画乘客群体特征,据此对乘客进行分类,并采用克鲁斯卡尔-沃利斯检验法来分析其满意度的差异性。基于此,对某城市地铁A号线2019年乘客满意度调查数据进行了分析,结果显示：地铁A号线乘客的出行频率、出行目的和收入水平与乘客满意度显著相关。通过主成分分析将乘客划分为常乘客与非常乘客,发现两者对城市轨道交通服务的关注点不同,常乘客更关注乘车效率,非常乘客更关注信息指引准确性,运营单位应针对不同乘客群体展开差异性服务。     

新冠肺炎疫情下对提升交通运输综合执法能力的思考

当前,我国正处于新冠肺炎疫情防控最吃劲的关键时期,同时也是交通运输综合执法改革深入推进的攻坚阶段。面对疫情防控的严峻考验,交通运输综合执法能力的既有短板与疫情防控中暴露出的新问题相互交织,提升交通运输综合执法能力显得十分紧迫而必要。为此,采用文献调查、访谈研究和实证分析等方法,总结了抗击疫情期间的交通运输执法状况,分析了疫情防控对交通运输综合执法能力建设带来的挑战,从完善执法工作机制、提升专业处置能力、严格规范执法行为、创新执法方式方法、强化执法作风建设、建立法律服务体系、强化执法保障等七个方面,就提升交通运输综合执法能力提出了对策建议。     

Magnetic field tuning characteristics of bimodal ultrasonic motor stator

The magnetic field tuning characteristics of an ultrasonic motor (USM) stator are discussed. The stator consists of two piezoelectric ceramic transducer (PZT) plates and one sandwiched-in Terfenol-D plate. The dimensions of the stator are carefully adjusted to specifically discuss the influence of the magnetic field on the frequency difference between the longitudinal and bending modes of the stator. The frequency difference discussed in this paper is usually small and mainly caused by uneven materials, machining errors and changes in external conditions (temperature, pre-stress or load). The longitudinal and bending modes of the stator are simultaneously excited by an external electric field to generate the elliptic motion trajectories of the driving points. A direct current (DC) magnetic field is applied to decrease the difference between the two mode frequencies of the fabricated stator. In experiments, the dependences of the two mode frequencies and their difference on DC magnetic fields are all investigated. The experimental results indicate that the difference between the longitudinal and bending mode frequencies of the PZT/Terfenol-D/PZT composite stator can be tuned by changing the intensity of the external DC magnetic field.     

Fault diagnosis for wind turbine based on improved extreme learning machine

A fault diagnosis method based on improved extreme learning machine (IELM) is proposed to solve the weakness (weak generalization ability, low diagnostic rate) of traditional fault diagnosis with feedforward neural network algorithm. This method fuses signal feature vectors, extracts six parameters as the principal component analysis (PCA) variables, and calculates correlation coefficient matrix among the variables. The weight values of control parameters in the extreme learning model are dynamically adjusted according to the test samples’ constantly changing. Consequently, the weight fixed drawback in the original model can be remedied. A fault simulation experiment platform for wind turbine drive system is built, eight kinds of fault modes are diagnosed by the improved extreme learning model, and the result is compared with that of other machine learning methods. The experiment indicates that the method can enhance the accuracy and generalization ability of diagnosis, and increase the computing speed. It is convenient for engineering application.