走行轮垂向刚度对跨座式单轨车辆曲线通过性能的影响

考虑到跨座式单轨车辆通过曲线时主要靠导向轮来导向,导向轮径向力大小是评价单轨车辆曲线通过性能的一个重要指标。运用多体动力学仿真分析软件ADAMS建立单轨车辆仿真模型。在轨道半径和超高都不变的情况下,车辆以恒定的速度运行,通过改变走行轮垂向刚度的大小来分析导向轮所受径向力情况以及对车辆曲线通过性能的影响。单轨车辆仿真分析研究表明,走行轮垂向刚度的大小对车辆的曲线通过性能有很大影响。     

径向转向架机车动力学特性分析

通过理论分析与动力学建模仿真相结合的方法,计算分析了传统机车转向架和径向转向架牵引与导向性能及直线运行稳定性。认为减小轮轨冲角是提高机车曲线通过性能的最有效途径,径向转向架牵引与导向功能达到了良好的协调有利于冲角的减小。同时发现轮对纵向定位刚度只在一定范围内对轮轨冲角影响较大,牵引力作用下较无牵引力作用下轮轨冲角大。     

基于模糊神经网络预测控制的高速列车ATP研究

在目标-距离速度控制模式普遍应用于我国高速铁路列车控制的背景下,本文针对高速列车运行性能的要求,将模糊神经网络预测控制运用到高速铁路ATP中,对列车速度进行控制。控制系统以闭塞区间为单位,建立高速列车速度模糊神经网络预测控制模型。在闭塞区间内,利用车-地通信将控制所需信息发送至列控中心;根据所得信息,通过预测控制算法得到从当前位置到闭塞分区出口的列车速度自动防护曲线并确定列车运行方式和控制策略;在每1个通信周期内,利用滚动优化和误差校正进行速度优化。仿真结果表明,与传统的控制方法相比,基于模糊神经网络预测控制的高速列车ATP具有更高的安全性。     

基于遗传算法和神经网络的润扬长江大桥深基坑变形预测

针对深基坑变形问题,用遗传算法优化BP神经网络的初始权重,建立了GA-BP神经网络深基坑变形预测模型,克服了BP神经网络收敛速度慢、易陷入局部极小点的缺点。利用模型对润扬长江公路大桥南锚碇深基坑变形进行分析,并对模型拟合结果进行了检验,结果表明深基坑变形和支撑轴力具有一致响应趋势,预测模型性能良好,预测精度较高,简便易行。     

现代有轨电车无砟轨道的路基设计探讨

现代有轨电车无砟轨道路基与传统的有砟轨道路基、客运专线无砟轨道路基相比,有一定的差别。结合工程设计经验,从路基面、基床厚度及填料要求、沉降要求、排水方面对现代有轨电车路基设计进行分析与论述,对无砟轨道路基结构进行计算分析,量化基床厚度、基床表层厚度、基床底层厚等技术指标,可为其他新建有轨电车工程设计提供参考。     

基于广义回归神经网络的瓦斯涌出量预测

简要介绍了瓦斯涌出量预测问题和广义回归神经网络（GRNN）的特点,指出与常用的BP神经网络相比,使用广义回归神经网络（GRNN）具有收敛迅速、人为干扰小等优点,适宜用于瓦斯涌出量的预测。并对一个案例进行预测,证明了广义回归神经网络（GRNN）可以满足实际生产的精度要求,较好解决瓦斯涌出量预测的问题。     

基于径向基函数响应面方法的大跨度斜拉桥有限元模型修正

采用ANSYS有限元软件建立某大跨度斜拉桥试验室物理模型的三维有限元模型.基于灵敏度分析,选取模型待修正参数和用于模型修正的特征量.采用实验设计方法生成数样本,通过有限元分析提取对应的特征量信息,进而建立待修正参数与特征量关系的径向基函数响应面模型.通过对响应面模型的拟合误差分析,确定径向基函数的最优形状参数.以斜拉桥自振频率和静态索力构建目标函数.基于建立的响应面模型,采用遗传优化算法进行有限元模型修正.结果表明,采用径向基函数响应面模型拟合斜拉桥设计参数与特征量之间的隐式关系有较高的精度;基于仿真数据的模型修正有较高的精度,基于试验数据的模型修正能得到合理的结果,该方法可有效地修正复杂桥梁结构有限元模型.     

BP神经网络在地铁运营安全评价中的应用

依据地铁运营安全评价体系及国家法律法规的要求,对于评价标准在实施过程中遇到的问题作了系统分析。建立了基于BP神经网络的地铁运营安全BP神经网络模型,系统提出了地铁运营安全BP神经网络的评价理论及其案例分析。理论分析和实践表明,BP神经网络模型计算结果合理、精度较高,在地铁运营安全评价中有很好的实用性。     

基于UWB定位的邮轮乘员伴随关系发现算法

准确发现邮轮内部空间乘客之间的伴随关系, 在室内环境安装UWB定位设备开展室内人员定位实验。根据UWB定位的位置数据特点, 提出结合室内位置语义的Hausdorff-DBSCAN算法以聚类邮轮乘员轨迹, 并利用LSTM神经网络对疑似伴随关系对象进行相似度变化趋势的预测。传统的Hausdorff算法在计算轨迹相似度时未考虑轨迹时序一致的问题, 引入位置语义序列能够较好地解决这个问题。改进后的Hausdorff-DBSCAN算法的输入为乘员轨迹数据集, 根据轨迹整体相似度阈值选定聚类半径, 输出具有伴随关系的乘员轨迹聚类结果; LSTM神经网络以定长时间窗口的点邻近度序列为输入, 预测后1个时刻点邻近度值, 结合轨迹相似度阈值和预测结果分析乘员伴随关系的时序变化。利用Anylogic建模单层邮轮室内环境进行乘员仿真得到的轨迹数据验证算法的有效性。改进的Hausdorff-DBSCAN算法的准确率为0.920, 召回率为0.950, F₁值为0.934, 准确率高出对比算法至少5.7%, 召回率高出对比算法至少8.0%, F1值高出对比算法至少6.7%。同时LSTM在预测邮轮乘员之间相似度变化时, 收敛后的误差值能保持在3%~4%左右, 预测结果具有较高的准确性。      

电池SOC估算方法的研究现状

如今,锂离子电池已成为新能源产业和SOC的研究重点。在锂离子电池研究中,电池容量估算和计算是其中的重点研究之一。SOC直接关系到锂离子电池使用的效率和安全性,正确的SOC估算和计算方法不仅可以增加锂离子电池工作的安全性,并延长锂离子电池的使用寿命[1]。相反而言,不合适的SOC估算和计算方法不仅会加速电池的老化,而且会带来电池爆炸和燃烧的危险,危害使用者的生命和财产安全。因此,本文对各种SOC估计和计算方法进行研究,以获得更成熟和广泛使用的电池SOC估计和计算方法。