基于随机森林结合前向序列选择算法的铁路隧道防水板检测数据关键影响因素识别北大核心

针对参数特征复杂度高的铁路产品,提出了一种基于随机森林(RF)结合前向序列选择(SFS)算法的铁路产品检验检测数据关键影响因素识别方法,以辅助基于经验的识别方法。创新使用RF-SFS算法,将其应用于铁路隧道防水板检验检测数据关键影响因素的识别研究。根据多年铁路隧道防水板检测数据,建立RF模型,获得了影响铁路隧道防水板检测结果的特征关键性评分序列。随后,结合SFS方法得出关键性评分序列的阈值,将排名前6位的影响因素识别为关键特征,模型的预测能力达到99.98%。为验证关键特征识别方法的有效性,对比分析3种模型在使用不同特征子集时的预测能力。当仅选用关键特征时,3种模型的预测能力均达到最佳,加入冗余特征后模型的预测能力逐渐降低。     

船、机、桨动力耦合可视化系统设计与实现

为了实现船、机、桨之间匹配关系的可视化及实现MATLAB在船舶动力系统计算中的应用,基于船、机、桨动力匹配关系,利用向量计算方法在Simulink平台设计了一套船、机、桨瞬态仿真系统,并在MATLAB GUI中设计了可视化仿真控制台.系统中,基于S函数对Simulink模块进行了二次开发,增强了数值关系的表现效果.仿真系统正确地预测了船、机、桨匹配中各个参数的变化趋势,并且可有效地帮助轮机管理人员理解船、机、桨之间的复杂耦合关系.     

多类型信息下的网络交通流演化模型

交通信息发布机构提供描述信息和规范信息给不同的出行者，描述信息接收者依据信息和经验更新路径行程时间认知，根据认知选择路径；规范信息接收者仅根据经验更新认知.规范信息遵从者选择推荐路径，非遵从者依据认知选择路径.两类信息遵从率都取决于信息准确度.依据非线性动力学理论分析了模型性质，研究表明，模型不动点存在但是不一定唯一，不动点状态与信息混合使用情况有关.数值试验结果表明，模型不动点与随机用户均衡点不同，以恰当比例混合使用两类信息可提高交通流稳定性.     

新型DC 600 V列车供电系统输出电压振荡解决方案

新一代复兴号动力集中动车组列车供电柜,首次采用二电平PWM整流器输出DC 600 V为客车供电。由于负载前端串联EMI滤波器,在负载投入时供电柜的滤波电感和EMI电容发生振荡,引起输出电压振荡。文章为抑制输出电压振荡,对输出端并联RC吸收电路和滤波电感并联RC两种方案分别进行讨论和验证,通过对主电路结构分析,认为滤波电感并联吸收电阻方案为最优。最后通过仿真和试验验证所提方案的可行性和有效性。     

地铁小半径曲线钢轨型面打磨技术及评价＊

为了解决地铁小半径曲线钢轨非正常磨耗问题、延长曲线段钢轨使用寿命、保障列车运行的安全性和稳定性,通过实测分析小半径曲线钢轨型面数据的磨耗特点及其接触变化,设计出适用于小半径曲线轨道的钢轨打磨型面(Opt-60型面).建立地铁B型车动力学模型和轮轨接触有限元模型,分别对不同打磨型面在整个维护周期内的钢轨性能进行仿真计算.计算结果表明:相对于CN60打磨型面,Opt-60型面的打磨量减小了 44.2％,打磨深度减小了 0.646 mm;在维护周期内Opt-60型面的轮轨横向力和脱轨系数都有明显改善,安全系数有所提升,且横向平稳系数与垂向平稳性系数均得到提高;在一定列车通过量下,Opt-60型面的轮轨接触面积比CN60打磨型面的轮轨接触面积大14.63％～27.13％,接触应力减小19.27％～27.97％.计算结果已明显表明,Opt-60型面能有效减缓钢轨磨耗、抑制钢轨疲劳,还能提高列车运行的安全性和平稳性,优化了列车的动力学性能.     

基于可靠性方框图与蒙特卡洛仿真的船舶配电网可靠性分析方法

国船舶工业发展迅速,尤其在近几年迎来了跨越式的发展。船舶建设工业的发展能充分体现一个国家的经济和国防建设水平。但船舶配电网拓扑结构与陆上电网不尽相同,其运行环境非常恶劣,供电连续性和可靠性成为衡量船舶生命力的重要指标,同时也深刻影响大型船舶的平均寿命。因此,可靠性研究在船舶建设中发挥着越来越重要的作用。本研究以典型大型船舶中压配电网结构为研究对象,在全系统元件正常运行时相互独立的情况下,重点研究不可维修与可维修下的系统可靠度、MTBF、可用度、停运时间和失效数等,并进行详细的分析与讨论。首先,本文综合考察各种可靠性分析方法的适用性和准确性,选择利用可靠性框图、最小路集分析法计算并分析不可维修情况下系统的可靠度、平均故障间隔时间等可靠性指标；接着,本文简述了配电网的多种维修任务类型,并采用最小路集法与蒙特卡洛仿真法相结合的方法计算并分析可维修系统的可用度、停电时间、失效数等指标。本文研究结果对船舶配电网的设计、建造、运行和维修等具有积极的意义。     

公共自行车使用时空特性挖掘及租还需求预测

基于宁波市公共自行车刷卡数据、POI(Point of Interest)数据、气象和空气质量等数据，从数据驱动视角，深入挖掘公共自行车使用的时空特征及站点租还车需求预测。在时间上，采用KMeans算法，将站点聚为5类，探讨各类站点的时变需求规律及影响因素；在空间上，提出基于POI 数据的站点用地类型识别方法，将站点分为居住类、交通设施类、办公类和商业休闲类。构建以 15，30，60 min 为间隔，以租还车需求为目标变量的随机森林预测模型，并与常用的 BP (Back Propagation)神经网络、K最近邻方法进行比较。结果表明，随机森林模型的精度更高，适用性更强。以30 min为间隔的站点租还车需求预测精度最高，考虑站点土地利用类型后能有效提高模型的预测精度。本文结果可作为未来站点平衡调度的依据并推广应用于共享单车系统，为改善服务水平提供技术和理论支撑。