一种基于深度神经网络的腕臂底座开口销缺失检测算法

在接触网装置故障中,腕臂底座(包含平腕臂底座和斜腕臂底座)开口销缺失较常见,包括横向和垂直销钉开口销缺失两种.为对腕臂底座开口销缺失缺陷进行自动识别,本文提出一种基于深度神经网络的腕臂底座开口销缺失检测算法:首先采用YOLO算法对原始大图进行一级定位得到腕臂底座区域,然后对腕臂底座区域进行二级定位得到开口销区域小图,最后采用CNN(卷积神经网络)分类算法对横向和垂直开口销小图进行分类识别.实验测试证明该检测算法识别准确率高、漏检率低,可对腕臂底座开口销缺失进行有效检测.     

基顶支撑不均匀度对道面板厚度影响分析

为研究土基基顶反应模量不均匀性对机场跑道结构力学性能的影响规律,针对基顶反应模量分布不均匀度及交通荷载耦合作用对混凝土道面板的受力进行有限元分析,分析相同轮载下为保证刚性道面板受力安全时基顶支撑不均匀度对混凝土道面板厚度的影响,探讨不同机型轮载对应不同道面板厚度情况下的基顶支撑不均匀度控制的临界参数。分析结果表明:混凝土板弯拉应力随着基顶支撑不均匀度的增加而增大,其影响随飞机轮载不同而存在差异,为避免道面产生严重损伤,需要增大道面板厚度。对于需要运行A320飞机的跑道,当道面铺设厚度为0.36、0.38和0.40 m时,基顶支撑不均匀度最大值分别不宜超过38%、57.5%和70%。对于拟运行B737-800飞机的跑道,当板厚为0.36 m时板的弯拉应力超过限值而发生弯拉破坏;道面铺设厚度分别为0.38、0.40 m时,为保证道面板受力安全的基顶支撑不均匀度最大值分别不宜超过33%和62%。     

基于卷积神经网络的接触网支柱号识别方法研究

接触网支柱号是铁路供电部门现场运营维护的重要定位参数。基于卷积神经网络的接触网支柱号自动识别方法结合接触网图像的实际特点,对视频图像进行了归一化图像预处理,并对实际的支柱图片进行了卷积神经网络的训练,在支柱号识别确定的过程中考虑了接触网支柱号的分布特点,提高了支柱号识别的准确性。利用实际线路数据进行测试,取得了较好的识别精度和较快的识别速度。通过实验验证,该方法能够辅助铁路基础设施检测系统中缺陷的定位,指导现场运营维修。     

基于数据分析的铁路列车到达晚点预测模型

准确估计列车的实际晚点时间对于列车运行图制定、列车调度员决策具有重要意义。为此,以荷兰铁路列车运行实际数据为研究基础,根据列车实际运行数据选择自变量,以列车的实际晚点时间为因变量,建立列车晚点的随机森林预测模型,并以BP神经网络模型作为对比,结果表明随机森林模型预测误差稳定,预测精度较高,比传统的神经网络方法取得了更好的预测效果。     

一种基于语义分割结果的车道线检测拟合方法

车道线等地面标志物的检测是自动驾驶车辆环境感知的重要内容,能够为车辆提供可行驶区域的信息。文章提出一种基于语义分割结果的车道线检测拟合方法。使用车载单目相机获取车辆行驶过程中采集的道路图像,送入卷积神经网络进行车道线语义分割。将分割得到的仅含车道线的二值图像进行透视变换得到鸟瞰图,筛选有效车道线像素点,对有效车道线点使用最小二乘法进行多项式拟合,输出左右车道线多项式拟合系数,能够有效解决传统车道线检测算法的环境适应性差,鲁棒性不强,对弯道车道线检测信息不够准确等问题。     

基于联合抗噪算法的滚动轴承故障诊断研究

轴承通常工作于复杂噪声环境下,使得时域振动信号容易受到各种噪声的污染,从而误导诊断结果。针对以上问题,提出基于一维卷积自编码(1D-DCAE)和一维卷积神经网络(1D-CNN)的联合抗噪故障诊断算法。为了模拟真实噪声环境,在原始振动信号中添加不同信噪比的高斯噪声,用1D-DCAE对原始信号降噪,再将降噪信号用于1D-CNN进行故障诊断。基于全卷积神经网络搭建1D-DCAE模型,并舍弃池化层以降低信息丢失,以提高联合诊断模型的抗噪能力。结果表明:采用基于全卷积网络搭建的1D-DACE有更好的降噪效果,改进后的模型能自适应诊断各种噪声环境下的故障。     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.