基于NARX神经网络的轮重减载率预测方法

介绍了一种基于神经网络的轮重减载率预测方法。以左轨轨向不平顺、右轨轨向不平顺、左轨高低不平顺、右轨高低不平顺为输入,以轮重减载率为输出,采用贝叶斯正则化算法构建了NARX(外部输入非线性自回归神经网络)。仿真试验结果及与BP神经网络的比较表明,采用NARX实现轮重减载率预测是可行而有效的。NARX比BP神经网络更适用于减载率预测。     

基于灰色-马尔可夫模型的道路PCI预测方法

本文利用马尔可夫模型修正传统灰色GM(1,1)模型的残差,建立基于时间序列的路面PCI动态预测模型;并利用MATLAB软件开发了灰色-马尔科夫链预测模型框架,实现了路面PCI滚动动态预测。将预测模型应用到某高速公路PCI预测中,结果表明该模型的预测能力强,比传统灰色GM(1,1)模型的预测精度更高,能满足实际工程需求。     

Wall Thinning Characteristics of Ti-3Al-2.5V Tube in Numerical Control Bending Process

A finite element(FE) model for the numerical control(NC) bending of Ti-3 Al-2.5 V titanium alloy seamless tube is established, considering the variation in the contractile strain ratio(CSR) and elastic modulus(E). The wall thinning characteristics of Ti-3 Al-2.5 V tube under different geometric and process conditions were investigated. The results showed that the CSR-E variation can change the wall thickness, but has no remarkable effect on the change characteristics. The reasonable parameter ranges are as follows: a bending-radius range not less than 1.5 times the outer diameter, a bend angle up to 180?, and a mandrel extension of 0-3 mm. The friction coefficient between the pressure die and the tube should be in the range of 0.20-0.35, and between the bending die and the tube should be in the range of 0.05-0.15. As long as the performance meets the requirements, the relative push-assistant speed should be as small as possible.     

浅议精益六西格玛流程优化在集装箱码头的应用

<正>一、精益六西格玛发展概述精益六西格玛管理概念是精益管理理论和六西格玛管理理论的结合。精益管理理论起源于20世纪50年代丰田汽车公司的"丰田生产方式"。精益生产主要研究时     

融冰雪蓄盐材料制备及性能研究

针对融冰雪蓄盐材料盐分释放速度快、使用年限短等问题,以多孔火山灰为载体,将NaCl与火山灰经850℃高温煅烧2 h后,用不同改性剂对其进行憎水处理,再加入到菱镁水泥中,通过搅拌、养护、破碎、球磨等工艺制备新型融冰雪蓄盐材料,以替代或部分替代沥青混合料中的矿粉。对制备的蓄盐材料进行物理性能测试、电导率测试,并对沥青混合料进行性能试验分析。结果表明,NaCl-火山灰复合材料经改性剂处理后,盐分释放速度明显降低,且采用硅烷偶联剂KH-570改性效果最好;采用KH-570改性的蓄盐材料替代矿粉后,沥青混合料的浸水马歇尔残留稳定度随掺量增加而增加,高温和低温性能也有所提升,且替代矿粉质量比例取60%较适宜。     

机器学习在隧道岩爆微震监测预警中的应用

深部隧道岩爆是地下工程建设中的安全隐患，准确预警岩爆能够保障工程人员的生命财产安全。机器学习等智能技术的出现为岩爆预警带来了新的思路和方法，提高了预警的准确性、及时性和智能化水平。对机器学习在深部隧道岩爆微震监测预警中的应用现状开展了系统研究。首先，对岩爆微震监测评估预警中的机器学习算法进行总结，分析了现有各类机器学习算法的特征优势，然后，对微震监测岩爆预警指标体系进行了归纳，进一步，分析了基于不同机器学习的岩爆微震监测预警应用效果。结果表明神经网络（NN）是岩爆预警算法中的热门方法，微震事件数（N）、微震能量（E）、视体积（V）及其变体是使用频次最高的岩爆预警指标，大部分岩爆预警指标个数主要在3～7个之间。岩爆等级是岩爆预警的研究热点，大部分机器学习方法的预警准确率基本能达到80%及以上，表明机器学习方法具有较好的应用效果与发展前景。最后，对发展方向进行了展望，更先进的机器学习算法、预警指标体系的有效性与全面性、样本的丰富性、岩爆发生时间预警、数据处理能力等需要进一步深入研究。     

基于神经网络算法的DMI设备目标识别与状态检测

针对现场对检修作业图像资料自动化审计的需求,以DMI设备状态检测为例,在AMIS智能检修作业系统基础上,设计了DMI设备目标识别与状态检测子系统,包含DMI设备目标识别模块和RBC连接状态检测模块。其中,DMI设备目标识别模块采用Fatster RCNN深度神经网络,利用AMIS智能检修作业系统采集的大量列控车载设备检修图像作为训练测试数据集,将DMI设备图像从背景图像中提取出来;RBC连接状态检测模块采用深度神经网络对DMI上显示的RBC连接状态进行检测。该系统可以实时、准确、自动分析DMI设备状态,为全面分析列控车载设备日常检修作业图像打下基础。