基于改进GRU的海上风电机组齿轮箱故障诊断

为提高风电机组中齿轮箱故障诊断的准确性,提出一种在门控循环单元（GRU）神经网络中引入注意力机制进行风电机组齿轮箱油温预测的方法,充分挖掘数据参量中的关联关系,以提高模型预测的准确性。针对模型预测的残差,采用一种基于粒子群算法的自适应阈值方案进一步实现对风电机组齿轮箱油温异常的诊断,引入自适应阈值能提高模型诊断的灵敏度。针对江苏某海上风电场实际运行的SCADA数据进行仿真分析和验证,结果证明采用该方法能较早地判断出风电机组齿轮箱的异常状态。     

大连快轨列车车门安全保护系统及故障浅析

介绍了大连快轨三号线列车车门安全保护系统的工作原理,结合该系统发生的故障案例,总结出了故障的判断与排除方法,并提出改进方案和建议。     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势,对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上,提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势,采用标准差法对数据中的异常值进行处理,得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律;并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息,提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比,将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准,结果表明,GRU-Dconv LSTM模型在经度和纬度预测上误差较小,精确度较高。     

可编程控制器在地铁车辆门控继电器测试台中的应用

详细介绍了地铁车辆门控继电器测试台中的硬件系统,PLC的数据采集和处理,PLC和PC机之间自由端口通信程序的设计,实现了微机实时检测和记录相关技术参数的功能.     

基于VMD-SSA-GRU的船舶运动姿态预测

船舶运动姿态的准确预测对船舶的运动补偿意义重大,因此提出一种基于变分模态分解（VMD）和麻雀搜索算法（SSA）优化门控循环单元（GRU）的船舶运动姿态预测模型。首先利用VMD将船舶运动姿态数据分解为若干个本征模态分量,然后对各个本征模态分量分别建立SSA-GRU预测模型进行预测,最后累加得到预测结果。通过实船模拟的船舶运动姿态数据进行验证,证明此预测模型较于SSA-GRU和GRU预测模型预测精度均有相应提升,验证了本预测模型在船舶运动姿态数据预测的有效性。     

城市轨道交通车辆门控器移动测试系统的研制

目前,城市轨道交通车辆门控器定期检修维护尚无相应的现场检测仪,现场手工测试效率低、准确性不高,并且要求对门控器设计原理很熟悉.在分析总结手工测试原理和业务逻辑的基础上,成功研制了基于ARM9 Linux的移动式轨道交通车辆门控器现场检测设备,使检测人员可以现场判定故障所在的具体元器件,对故障做出定量分析.介绍了移动测试系统的结构、功能以及关键技术.     

高速车自动门关门缓冲的方案比较

防挤压功能和关门缓冲功能是客车及地铁、轻轨自动门工作控制中必须应该具备的功能，文章就高速及高档客车自动门的关门缓冲功能及其原理和控制方案进行研究作详细的介绍和比较。     

城市道路场景下考虑多类交通参与者的多模态车辆轨迹预测方法研究

车辆轨迹预测是自动驾驶的关键技术之一,针对以往模型较少考虑城市道路场景中车辆以外多类交通参与者的问题,本研究提出了一种多类交通参与者的多模态车辆轨迹预测模型。该模型使用门控循环单元对历史轨迹信息进行编码,并利用注意力机制将多类交通参与者的特征映射到用图结构表达的驾驶场景中,通过图注意力网络进行环境特征提取,从而使模型能感知环境中的多类交通参与者。此外,模型通过节点轨迹预测与坐标轨迹预测模块输出最终的多模态轨迹预测结果。基于城市道路场景数据集nuScenes的实验结果表明：相较于同类现有模型,所提出的模型算力需求更低、预测更准确,且能适用于人车混合的城市道路驾驶场景。     

基于电磁铁回路电流值标准差的站台门自保持电磁锁系统故障诊断及预测方法

[目的]站台门电磁锁是城市轨道交通车站站台门的关键部件之一。电磁锁发生故障将直接影响线路的行车安全及乘客在站台的正常通行。在设备智能运维的发展趋势下,需要对站台门电磁锁的故障诊断及预测方法进行深入研究。[方法]简述了站台门自保持电磁锁系统工作原理,对自保持电磁锁3个故障种类下的8个子故障对正常运营的影响程度进行了分析。研究了电磁铁动作时的电流特性及故障时的电流特性,进一步对铁心卡滞、铁心未落到位、铁心吸合不到位3种故障工况进行研究。通过对不同故障工况下采集的电磁铁电流与正常状态下采集的电磁铁电流进行对比,进而得到该故障工况下电磁铁电流的特性。将故障工况下的电磁铁电路曲线与正常电磁铁标准曲线的标准差进行对比,从而实现对自保持电磁锁系统的故障诊断及预测。[结果及结论]故障工况下电磁铁电路曲线与正常电磁铁标准曲线的标准差越大,电磁铁发生故障的可能就越大。当采集得到的电磁铁电流与正常状态下电磁铁电流的标准差大于预警值时,可对该套门锁发出故障预警。