城市交通异常事件管理系统体系结构分祈

城市交通异常事件管理系统是智能交通系统的重要组成部分,对其进行研究具有十分重要的理论和实用意义,该体系的建立对于城市公交信息中心的应急指挥系统建设也具有重要的参考意义.本文利用结构化的方法开发了城市交通异常事件管理系统的需求模型,为系统的实现提供了理论基础和设计依据.     

城市交通异常事件管理系统体系结构分析

城市交通异常事件管理系统是智能交通系统的重要组成部分,对其进行研究具有十分重要的理论和实用意义,该体系的建立对于城市公交信息中心的应急指挥系统建设也具有重要的参考意义。本文利用结构化的方法开发了城市交通异常事件管理系统的需求模型,为系统的实现提供了理论基础和设计依据。     

钢绞线张拉伸长量异常原因分析及控制措施

预应力钢绞线以张拉工艺成熟、操作简单、工程造价经济等优点,被广泛应用于公路工程施工中。然而在实际的预应力张拉施工中,常常会遇到钢绞线实际的伸长量和理论伸长量计算值超过施工技术规范规定的现象。为此,本人结合自己的经验,列举了一些导致钢绞线伸长值异常的因素,并提出了一些预防措施,以供参考。     

这辆东风猛士EQ2050ER型汽车冷却液损耗异常是为啥

故障现象：一辆行驶里程为4万千米的东风猛士EQ2050ER型汽车。在行驶过程中出现了冷却液液面过低报警灯闪亮和发动机过热的现象。 故障检查：检查发动机冷却系统的液面高度．发现冷却液缺失较多：检查发动机冷却系统管路的外观,发现散热器出水管接头处有少许水迹,但由于当时地面比较潮湿,也不能完全确定就是此处发生了泄漏。     

途安车机油压力报警灯异常点亮

<正>故障现象一辆2010款途安2.0 L出租车,搭载CGZ发动机,行驶里程约为60万km。据驾驶人反映,该车接通点火开关,仪表盘上的红色机油压力报警灯闪亮3 s后自动熄灭,如果此时没有及时起动发动机,约10 s后机油压力报警灯又开始闪亮且蜂鸣器呜叫,同时组合仪表中间的多功能显示器上显示"立即停车修理,见修理手册",如果一直不起动     

吴锐车发动机故障灯异常点亮

故障现象 一辆2010款吴锐车,配备CEA发动机,VIN码为LSVCB63T492＊＊＊＊＊＊,累计行驶里程约为1万km。该车在正常行驶过程中发动机故障灯异常点亮,但车辆能正常使用。 故障诊断 接车后,试车,确认故障现象属实。连接故障检测仪,读得的故障代码为P0287——增压压力传感器信号太小（偶发）。根据读取的故障代码分析,故障原因可能为增压压力传感器损坏、相关线路故障、发动机控制单元（J623）损坏、增压器损坏。读取发动机系统的数据流,如图1所示。     

北京现代瑞纳车发动机故障灯异常点亮

<正>故障现象一辆北京现代瑞纳车,累计行驶里程为82 km,出现发动机故障灯异常点亮现象。故障诊断及排除接车后首先试车,确认故障现象属实。连接故障检测仪,读取故障代码,故障代码为P2187(怠速时混合气过稀),清除故障代码后试车,读取发动机数据流,一切     

兰成渝管道混油异常原因分析与处理技术

成品油管道在顺序输送过程中会产生混油,减少混油量成为管道运行中的重点和难点。针对兰成渝成品油管道混油异常增多问题,分别选取混油正常、异常2种工况为研究对象,通过混油量的理论计算和现场运行数据对比分析,找到了混油异常增多的原因是江油站越站流程存在缺陷,提出了在江油站越站流程中的单向阀之前加装截断球阀的改进措施。现场数据的验证结果表明：改进措施较好地解决了混油异常问题。     

大中型厂站构筑物PHC管桩静载试验沉降异常原因分析及处理措施

PHC管桩凭借其桩身强度高、施工周期短、质量易控制等优点被广泛应用在污水处理厂工艺水池类构筑物中。但由于场地工程地质条件复杂,施工中引发的许多关于PHC管桩的质量安全问题也时有发生。本文试图结合某工程实例,对静载试验中PHC管桩沉降异常的原因进行分析,并提出了相应的处理措施,可为今后类似工程的桩基施工质量控制提供参考。     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。