铁路声屏障表观病害智能检测技术

针对铁路声屏障外观状态检查效率低、检测精度差的现状,为满足自动化、智能化检测需求,开展声屏障表观病害智能检测技术研究。通过调研分析声屏障检测技术现状,提出基于图像的铁路声屏障表观病害智能检测技术方案。重点对声屏障外观成像、主从协同控制、在线识别等关键技术的实现方式进行研究,同时对部分功能进行了试验验证;基于钢轨探伤车进行图像采集,检测速度80 km/h,建立声屏障病害典型样本数据集,验证了在线识别的可行性和有效性。结果表明,铁路声屏障表观病害智能检测技术可大幅提升病害检测的自动化和智能化水平。     

基于ETC门架数据的高速公路车辆行驶特征画像方法

为合理评估高速公路车辆驾驶行为风险和通行费稽查状态异常程度,进而对风险车辆进行提前预警,提出了一种基于ETC门架数据的车辆行驶特征画像方法。首先,通过分析车辆风险驾驶行为和通行费稽查状态,构建了以超速驾驶行为、疲劳驾驶行为、门架状态异常情况、收费状态异常情况、路径状态异常情况为指标的车辆行驶特征画像指标体系;然后,利用熵权-TOPSIS法和熵权-灰色关联分析建立综合熵权法确定各指标权重;最后,选取8辆车作为实验对象生成车辆行驶特征雷达图来验证该方法的有效性。研究结果表明：在4辆1类客车中,有3辆存在超速驾驶行为,其超速驾驶指数趋于0.8,其余的行驶特征指数均趋于0;在4辆6类货车中,有2辆在疲劳驾驶指数上表现异常,其疲劳驾驶指数趋于0.4,还有1辆的收费状态异常指数趋于0.4,可能存在偷逃费风险。可以看出,该方法能有效区分不同车型的风险类型,在高速公路管理中可用于有针对性的风险决策制定。     

斜拉桥成桥合理索力确定方法的研究

通过对几种确定斜拉桥成桥合理索力方法的分析比较,发现每一种方法都有优缺点.单独使用某一种方法难以得到合理的索力值.以彭溪河大桥为背景,介绍了一种确定成桥合理索力的综合方法,实例证明此法是有效的.     

弯、剪、轴拉复合受力状态下钢筋混凝土梁的承载能力试验研究

对弯、剪、轴拉复合受力状态下钢筋混凝土梁的承载能力进行试验研究。试验中主要考虑轴向拉力、最小抗剪配筋、配筋率、混凝土强度等级等因素对弯、剪、轴拉复合受力状态下钢筋混凝土梁的承载能力的影响。试验实测表明,欧洲规范2第1部分中用于计算弯、剪、轴拉复合受力钢筋混凝土梁承载能力的公式过于保守,有必要进行修正。     

基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型.模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成.该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预...     

基于多源数据的城市群枢纽间多模式交通系统异常状态影响研究

为探究城市群多模式交通系统异常状态的影响范围,从需求端非常态客流变化和供给端运输能力下降两方面对多模式交通系统异常环境进行分类,提出了基于手机信令数据、意向出行调查及客票信息等多源数据的异常状态影响范围识别流程和分析方法;以京津冀城市群为例,确定强链接枢纽间通道客流动态安全阈值,提出了基于贝叶斯预测的通道客流异常检测方法;利用提升度、余弦相似度及其标准化值来区分枢纽关联规则的有效性,提出了基于强关联规则确定异常状态影响范围的方法。研究表明：基于贝叶斯预测的通道客流异常检测方法具有实时性,提高了客流安全阈值精度;基于实际手机数据和假定异常情况下的意向调查数据并结合关联规则确定枢纽影响范围,可为利用数据挖掘技术分析突发异常状态的影响和对策提供借鉴。     

基于稀疏采样数据的电动公交车电池SOC预测方法研究

为提高电动公交车电池SOC预测的精度,基于某电池监控云平台电池数据库中存储的以30 s为采样周期的稀疏采样的电池运行数据,对电动公交车电池SOC预测方法进行了研究。首先,介绍了稀疏采样数据源,分析了电动公交车动力电池的运行过程及其SOC变化的影响因素。选取了当前电池组的总电压、电流、电池模组温度均值及前一时刻SOC值作为预测变量,而选择当前电池组SOC作为输出变量,构建了训练数据集与测试数据集。然后,采用支持向量机(SVM)算法进行训练,并使用贝叶斯优化算法寻找SVM的最优超参数组合,提出了基于稀疏采样数据的电动公交车电池SOC单步预测方法。接着通过对训练数据集的再划分,进一步提出了基于稀疏采样数据的电动公交车SOC自主预测方法,摆脱了在SOC长期预测过程中对于BMS估计的真实SOC值的依赖。试验结果表明,SOC单步预测方法的最大绝对误差仅为1.82%,SOC自主预测方法的最大绝对误差也只有5.89%,都具有较高的预测精度。根据在不同运行路线和不同环境温度下的试验结果,SOC预测模型具有较高的鲁棒性。     

重点要“稳” 采埃孚自动驾驶目标锁定L2+和L4

"现在市场上有些系统,让你在驾驶过程中,明显的感觉到车身的摆动,说明它们的车道保持不好。这样会影响驾驶者的驾驶体验。对我们而言,度量级别不重要,重点是稳!"——采埃孚全球CEO沃夫翰宁·施艾德回顾过去三年所经历的CES展会,整个自动驾驶行业一直长期处于亢奋状态。从L2-L5级别,只要你想似乎都能找到相对应的产品以及解决方案。仿佛大家之间正进行一场不言而喻的军备竞赛。远的不说,单说采埃孚本身,2017年第一次亮相并现场与百度合作上车的ProAI至今历历在目。随后两年,ProAI的型号一年比一年高,性能也逐代强悍。     

考虑驾驶人风格的跟车预警规则研究

为研究驾驶人的跟车特性及探究可适用于不同风格驾驶人的跟车预警规则,为自动驾驶车辆开发可满足不同用户驾驶需求和驾乘体验的主动安全预警系统,选取50名被试驾驶人开展实车试验,采集驾驶人跟车行为表征参数并基于雷达数据确定跟车事件提取规则。选取平均跟车时距和平均制动时距为二维向量,使用基于K-means聚类结果的高斯混合模型将驾驶人聚类为3种风格类型(冒进型、平稳型、保守型)。通过分析3组驾驶人的跟车及制动数据,将不同类型驾驶人的制动时距分位数作为跟车预警阈值,结合实际预警数据及不同制动时距分位数对应的预警正确率,对现有跟车预警规则进行调整,以适应不同类型驾驶人的驾驶需求。研究结果表明:3组驾驶人的平均跟车时距和平均制动时距差异显著,冒进型驾驶人倾向于选择较小的跟车时距和制动时距,保守型驾驶人的跟车时距和制动时距则普遍较大;3组驾驶人的实际跟车预警次数为215次,驾驶人采取制动操作而系统未予以预警的次数为329次,系统整体预警正确率为21.9%,漏警率为87.5%,通过分析信息熵等判定当前预警规则并不合理;将每类驾驶人制动时距的10%分位数作为阈值时的预警效果较好,调整后的跟车预警规则能在一定程度上适应不同的驾驶人类型。     

钢筋混凝土桁架拱桥承载能力的检测与评估

为了研究钢筋混凝土桁架拱桥承载能力的检测与评估方法,以一座跨越黄河的钢筋混凝土桁架拱桥为工程背景,通过查阅工程资料、现场调查、建模计算、荷载试验的方法对该桥的承载能力做出了综合性的评估。研究结果表明:钢筋混凝土桁架拱桥的承载能力评估是一项复杂的、综合性的评估,仅凭某种单一的检测手段无法对其作出科学客观的评价,应综合考虑其工程背景、区域规划、理论模型及实际工作状态,才能对其作出科学客观的评价与建议,这样既能保证桥梁的运营安全又不会造成资源的浪费。