基于小波包分解和特征能量提取技术的车内传导干扰源识别

车内大功率用电设备的电压波动是车内产生传导干扰的主要原因。文中介绍了通过对采集的干扰信号进行小波包分解,对系数进行最小风险的去噪处理,然后提取特征能量来识别车内传导干扰源。最后采用EM-test设备发生干扰信号进行实验,结果表明该方法对车内电压波动的主要干扰源有较强的识别能力。     

客车主要噪声源识别的试验研究

基于偏奇异值分析法识别噪声源的基本原理,采用了近场声压测量法,同步采集15个传感器的振动与声压信号,识别出客车车外噪声的主要噪声源,分析出各噪声源对车外噪声的贡献并做出降低车外噪声的预测分析。所采用的试验与分析方法具有计算量小、声源定位准确的特点,并且可以准确预测零部件的改进对车外噪声的影响。试验研究和实车应用表明,这种方法可以适用于复杂的工程实际。     

EEMD和SVM在发动机故障诊断中的应用

针对发动机缸盖振动信号的非线性非平稳特征,提出一种总体平均经验模态分解(EEMD)和支持向量机相结合的信号分析及故障诊断方法,该方法利用EEMD算法以及IMF序列和原始振动信号之间的相关系数,有效放大故障诊断特征向量的差异。对原始振动信号进行EEMD分解,得到各阶特征模态函数(IMF),求各阶IMF分量对应于原始信号的相关系数并组成故障分类特征向量。分别将IMF相关系数法和IMF能量分布法得到的特征向量作为输入,建立BP神经网络和支持向量机,判断发动机工作状态和故障类型。分析表明,对IMF求相关系数的方法简便易行,能有效放大不同工况下特征向量的差异,结合支持向量机能够对既定机型的配气机构和点火系常见故障进行准确识别。     

一种多模式下考虑排放的交通分配模型及其算法研究

讨论了一类考虑排放的、非可加路径费用下的交通分配问题.在Venigalla等人研究的基础上,进一步完善了考虑不同发动机启动模式下考虑排放的交通分配模型,并采用一种基于路径的、非集计的单纯分解算法求解,然后应用到一个网络实例中进行了数值验证.数值计算结果表明,在求最优解的迭代过程中,基于非集计的单纯分解算法比基于F-W算法的收敛速度快,适用于求解非可加路径费用的大规模交通分配问题.     

Application of Lagrangian relaxation approach to α-reliable path finding in stochastic networks with correlated link travel times

This study investigates the important problem of determining a reliable path in a stochastic network with correlated link travel times. First, the distribution of path travel time is quantified by using trip records from GPS probe vehicles. Second, the spatial correlation of link travel time is explicitly considered by using a correlation coefficient matrix, which is incorporated into the α-reliable path problem by Cholesky decomposition. Third, the Lagrangian relaxation based framework is used to handle the α-reliable path problem, by which the intractable problem with a non-linear and non-additive structure can be decomposed into several easy-to-solve problems. Finally, the path-finding performance of this approach is tested on a real-world network. The results show that 15 iterations of calculation can yield a small relative gap between upper and lower bounds of the optimal solution and the average running time is about 5 s for most OD settings. The applicability of α-reliable path finding is validated by a case study.     

鹤大公路草炭土工程地质特性研究

草炭土是喜湿性植物群落在沼泽化环境中经过长期的自然地质作用沉积在一起,由于有机质得不到充分分解而不断积累的泥炭化过程所形成的。为了深入研究草炭土的工程地质特性,以吉林东部草炭土为研究对象,在室内试验的基础上分析总结了草炭土的特殊工程地质性质。研究表明草炭土具有高天然孔隙比、高含水率、高压缩性和低抗剪强度等性质。指出草炭土与普通泥炭土的区别,并在此基础上提出地基处理措施,为建筑施工提供科学依据和合理建议。     

客改货飞机载重平衡问题建模与Benders分解算法设计

研究了民航客改货飞机的载重平衡问题,分析了客改货飞机与客机和纯货机在载重平衡问题所存在的差异,建立了具备主货舱指派问题和下货舱背包问题组合优化特性的客改货载重平衡问题的线性整数规划模型,实现业载量最大和配载重心偏离指定目标重心最小的多目标函数,包含了实际操作中客改货机型的货舱及其位置约束、各种质量约束、上下舱联合约束与飞机重心包线约束等;设计了Benders分解算法对该模型求解,把原问题分为主问题和子问题两部分;设计了改进模拟退火算法求解主问题,改进了离散变量的编码、变异以及个体修正等策略;设计了基于逻辑检查的y-check算法,用于检查子问题的上下舱联合限重、重心包线等复杂约束,给出了Benders' Cut约束模型;设计了以B757-200客改货飞机为例的20组不同规模算例,基于Gurobi、Lingo、人工配载和本文提出的算法对模型进行验证。研究结果表明：Gurobi求解质量和速度最好,平均业载量为29 517.3 kg,重心偏差为0.02%,求解时间为0.13 s;人工配载方法最差,平均业载量为27 131.9 kg,重心偏差为5.26%,求解时间为581.75 s;本文提出的算法由于采用了智能启发式算法,平均业载量为28 379.1 kg,与Gurobi和Lingo的最优解相比稍差,但重心偏差为0.05%,可以忽略不计,平均求解速度为20.33 s,远快于Lingo的7 370.65 s。     

优化参数VMD和MED在列车齿轮箱滚动轴承故障诊断中的应用

针对强噪声情况下列车齿轮箱滚动轴承早期故障特征提取困难的问题,提出基于最小熵解卷积(minimum entropy deconvolution,MED)与参数优化变分模态分解(variational mode decomposition,VMD)相结合的故障诊断方法。首先利用MED对轴承振动信号进行降噪;其次,采用离散差分进化算法(discrete differential evolution algorithm,DDE)对VMD的参数进行优化搜索,并利用优化参数的变分模态分解算法对降噪后的故障信号进行处理,得到一系列本征模态函数;最后,选择最佳的本征模态函数进行包络分析,从而提取出故障特征。试验结果表明,该方法能有效提取列车齿轮箱滚动轴承故障特征,可用于轴承故障诊断。     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法（ensemble empirical mode decomposition,EEMD）和优化长短时记忆神经网络（long short-term memory,LSTM）的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法（particle swarm optimization,PSO）优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_mape分别降低了12.4%、36.9%、50.6%、61.2%。进一步研究表明,运用EEMD对数据进行降噪预处理能提高预测精度,与PSO-LSTM模型相比,EEMD-PSO-LSTM模型的误差e_rmse降低了60.2%,e_mape降低了12.4%,判定系数r²提高了0.616 5;引入PSO模型优化神经网络结构同样也能有效提升预测效果,与EEMD-LSTM模型相比,EEMD-PSO-LSTM模型的误差e_rmse减小了53.1%,e_mape降低了50.6%,判定系数r²提高了0.807 8。该研究结果能够提高交通事故预测精度,帮助相关部门有效提高道路交通安全水平。     

基于局部均值分解与局部离群因子动力电池故障诊断

动力电池故障诊断是保证电动汽车正常运行的关键。提出一种基于局部均值分解和局部离群因子的动力电池故障诊断方法,用于电池组故障识别与定位。通过局部均值分解对电压信号预处理,并根据相关系数高低重构电压信号。进一步提取重构信号的峭度因子作为故障特征输入到局部离群因子算法中,根据局部离群因子算法自适应阈值输出故障电池。采用实车数据验证了所提方法能有效、准确地检测出故障,具有较好的可靠性与鲁棒性。