基于MapReduce的CRH2型动车组网络控制系统PHM故障筛选的设计与实现

列车发生故障时,车载设备数据记录与无线传输装置(DRWTD)接收到相应故障数据,通过无线信号实时发送给预测与健康管理(PHM)地面系统。由于DRWTD在发送周期以及通过无线传输时可能会因信号不良原因与PHM地面系统通信中断,导致PHM地面系统接收到的故障数据与原始数据出现偏差。为此,文章提出一种对故障数据进行筛选的处理模型,并且采用MapReduce并行计算,设计了基于MapReduce的CRH2型动车组网络控制系统PHM地面系统故障筛选工具软件,实现了PHM故障数据筛选的目的。     

深竖井条件下暗挖隧道施工机械配套分析

针对周边环境复杂、地质条件差的深埋地铁隧道施工扰动大的问题,以南宁地铁3号线青秀山站暗挖隧道为工程依托,提出以非爆破为导向的铣挖法施工技术.结合复杂隧道暗挖施工作业空间小、交叉节点多的特点,对隧道施工中垂直运输、挖装运、通风、超前支护和衬砌作业线机械配套选型进行分析,并在压入式通风的基础上计算了双线隧道所需风量.     

神朔铁路南梁牵引变电所布置型式研究

结合南梁牵引变电所地理条件,通过对所内配电装置不同型式和布置方式的选择,经过技术、经济比较,选取了最优性价比的布置方案,尤其是110 kV侧采用GIS特殊布置的方案,使得该所占地面积小,布置紧凑、美观,运行安全、可靠,用户满意,并可供类似工程设计借鉴.     

基于整体-局部方法的焊接构架承载能力的分析

高速列车转向架焊接构架是重要的承载部件,承载能力与状况直接关系到安全运营.针对焊接构架承载问题,通过整体模型承载分析确定局部薄弱结构位置、边界条件以及受力信息,实现三重非线性的焊接过程仿真,通过温度场与应力场结果与试验对比验证其可行性.以非闭合焊缝牵引座结构为例,建立局部模型,分析对比焊接残余应力对结构承载的影响.     

负载特性对弓网电弧能量的影响

随着列车运行速度的提高,弓网离线现象愈来愈严重,弓网电弧频繁发生,弓网电弧烧蚀受电弓滑板和接触网导线,其烧蚀程度与弓网电弧能节的大小密切相关.利用弓网电弧模拟试验系统研究不同负载功率因数、牵引电流时弓网电弧的电压电流,分析弓网电弧的平均燃弧时间与牵引电流和负载功率因数的关系、弓网电弧能量与负载功率因数的关系.研究结果表...     

广义疲劳裂纹扩展模型在单一过载疲劳问题中的应用

对于复杂载荷作用下的船舶及海洋工程结构物,至今仍没有一个统一的疲劳寿命预报模型能够很好地解释载荷次序效应的影响.单峰过载下的疲劳裂纹扩展问题是研究变幅载荷疲劳问题的基础,伴随单峰过载将出现疲劳裂纹扩展迟滞现象.课题组所提出的广义疲劳裂纹扩展模型能够定量地预报出过载迟滞这一现象,通过确定过载参数β的大小,能够有效地衡量出过载迟滞的程度.在此基础上,文章将广义的疲劳裂纹扩展模型进行了进一步的修正,通过引入一个幂指数项,使得模型能够更好地反映出过载后疲劳裂纹扩展速率由迟滞的最低点逐渐恢复到过载前的水平.文中将课题组所发展的广义疲劳裂纹扩展率模型应用于实际的单峰过载疲劳问题中,并引用铝合金D16Cz的单峰过载试验数据与模型预报结果进行了比较,结果发现,经修正的广义疲劳裂纹扩展模型能够更好地反映出单峰过载后的疲劳裂纹扩展情况.     

洋山深水港一期工程潮流特性物理模型试验

大小洋山海域潮强、流急、含沙量高,岛屿之间潮流形态复杂。布置在小洋山岛链上的一期工程方案实施后,涨潮期在码头水域形成大尺度回流区。针对此问题,进行潮流物理模型试验,得到一期工程推荐方案。该方案实施后较好地解决了码头水域涨潮流的回流问题。同时,结合洋山深水港一期工程方案比选试验,对岛屿附近典型潮汐水流及对应的泥沙运动特点进行分析,指出在这些水域布置海洋工程应注意的事项。     

高速无人船推进系统控制参数组合优化分析

基于MATLAB建立了高速无人艇智能推进系统仿真和优化分析平台,进行了智能推进系统的实时优化配置与仿真分析讨论.通过对高速无人船艇智能推进系统控制参数的组合优化,选取不同的初始航速进行分析研究,总结了初始航速的不同取值所产生的影响.分析结果有助于对高速无人船艇智能推进系统优化过程中主要影响参数(设计船速V、螺旋桨直径D以及盘面比Ae/A0)的选择,同时对于水面无人船艇智能推进系统的设计也有一定的参考价值.     

极早期火灾烟雾探测的应用分析

介绍了极早期火灾烟雾探测的技术原理,通过对技术性能进行分析,总结了极早期火灾烟雾控测的适用范围,并列举了一个海上平台成功的应用案例。     

一种基于TCM-SVDD的样本类别标注方法

船舶机械噪声源的识别是一个小样本条件下的模式识别问题,采用增量学习是解决此问题的一条有效途径。但在进行增量学习以前,必须对新增样本的类别进行有效识别。为有效识别新增样本的类别,提出一种新的TCM-SVDD方法。首先,通过支持向量数据描述（SVDD）方法获得训练样本与新增样本的拉格朗日乘子; 然后,将其作为该样本的奇异值代入直推置信机（TCM）中,估计新增样本属于不同类别的置信度,并将其与预设的置信水平进行比较; 最后,剔除新增样本中的异类样本,实现增量学习。试验结果表明,该方法能快速、 准确地识别异类模式样本,对训练样本集中混有少量异类模式样本的情况不敏感,而且可以控制对异类样本的检测准确率,自动化程度高。