发动机系统可靠性分析与评估

针对发动机试验昂贵以及试验条件无法真实再现发动机使用环境的情况,提出利用“三包”信息作为评估发动机使用可靠性的数据源。以发动机完整数据服从的NHPP模型为基础,结合“三包”信息普遍存在的删失现象,提出新模型;该模型既适用于完整数据,也适用于删失数据。实例证明,利用该模型计算的参数与实际统计结果的误差小于2%,最后评估得到发动机的可靠性水平。     

摩托车排放后处理技术现状

简述了为减少摩托车污染物排放而采用的二次空气、多级补气和电控补气、燃油电喷技术等摩托车排放后处理技术,进一步阐述了这些技术与催化剂结合在降低摩托车排放污染物上的应用,分析了各种技术的原理和应用现状,同时对其优势和缺点进行了比较,阐述了目前排放后处理技术中存在的问题,对今后的发展提出了建议。     

激光扫描盾构隧道断面变形快速检测

针对人工检测效率低、变形检测车定位不准、噪点剔除困难、数据处理滞后等技术难题,基于盾构隧道管片环缝灰度图像数学形态特征,通过图像滑窗方式,利用直方图均衡化、缩放、阈值判定等方法快速自动识别环缝,并依据环缝已知位置反向修正隧道里程;基于距离最小二乘法椭圆曲线拟合,建立了盾构隧道激光扫描噪点三次迭代自动剔除方法;通过对管片...     

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ARIMA模型的极端事件下铁路货运量预测研究

合理预测货运量是铁路部门制定列车开行方案及组织管理的基础,在类似突发疫情这种极端事件时,准确预测铁路货运量的数据与变化趋势对铁路工作的开展有重要的参考意义.建立ARIMA模型,利用2010年1月—2020年1月的铁路货运量正常数据与疫情突发后2020年2月的异常数据,对2020年3—10月的铁路货运量进行预测.结果表明...     

基于改进委托-代理模型的船舶碳减排政府激励效用建模与分析

目前碳减排激励措施主要考虑碳定价、碳税、船舶航速降低激励等,尚未针对实施碳减排的船公司给予合理补贴激励。由于船公司运行模式、减排思路、资产组成等方面与普通企业的差异,传统委托-代理模型假设无法满足航运业背景下对政府激励效用的需求,需对现有委托-代理模型进行针对性改进。为实现政府以有限基金达到社会效用最大,同时满足船公司付出最优努力获得最大收益,考虑持风险规避态度的船公司碳减排效果外生不确定性,提出船舶碳减排政府激励效用模型,根据政府能否完全观察到船公司的减排努力程度,分别在信息完全与信息不完全条件下,以政府和船公司自身收益效用最大为优化目标,求解政府最优奖惩系数和船公司碳减排最优努力程度,分析政府对船公司进行规制的最优激励合约问题,以及决定船公司碳减排内外部因素的参数对政府给与船公司的最优激励及相关参数的影响。结果表明：最优激励系数伴随外生随机变量方差和绝对风险规避系数的增加而加速下降至缓慢降低,当外生随机变量方差为8和绝对风险规避系数为4时,下降速率趋至平稳,此时,船公司对选择碳减排的风险厌恶程度极高,对实施碳减排的抵制心理十分强烈;成本系数和减排努力水平影响系数同时影响船公司实施碳...     

基于深度强化学习的自动驾驶车辆跟驰行为建模

为提高自动驾驶车辆的跟驰性能,减轻交通震荡干扰的负面影响,研究了1种基于深度强化学习的自动驾驶跟驰模型。在现有奖励函数设计基础上融入对能源消耗的考虑,基于VT-Micro模型构建能耗相关项;同时对使用跟车时距构建行驶效率因素相关项的方法进行优化,添加虚拟速度来避免在交通震荡场景中出现计算溢出和车间距过近的问题。为克服过往抑制震荡研究中仅用闭合环状模拟道路和仿真车辆轨迹开展训练的局限性,选用NGSIM轨迹数据中交通震荡阶段的驾驶员行为特征搭建训练环境,应用双延迟深度确定性策略梯度算法（Twin Delayed Deep Deterministic Policy Gradient Algorithm,TD3）训练形成多目标优化的跟驰模型。进一步构建模型性能测试评价体系,对比分析TD3模型与其他传统模型在跟车与交通震荡2类测试场景中的表现。跟车测试场景实验结果表明：在舒适度与行驶效率上,TD3模型和传统自适应巡航控制（Adaptive Cruise Control, ACC）模型表现相近,二者均优于人类驾驶员;在安全性上,TD3模型相较于传统ACC模型安全隐患降低53.65%,相较于人类驾驶...     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型...     

面向多类型交通冲突的道路条件及交通状况影响评估

交通冲突为交通事故发生前的潜在状态。探究静态路段属性和动态交通流特性等宏观特征对于交通冲突的影响至关重要,但现有研究主要关注2辆车之间的危险状态,对于涉及多个交通主体的冲突缺乏重视。为有效提取包括单一冲突和连锁冲突在内的多类型交通冲突,基于无人机采集的车辆轨迹数据首先识别车辆对之间的单一冲突,另通过关联匹配辨识连锁冲突,并基于聚类将连锁冲突划分为纵向风险下降模式、纵向风险增加模式和横纵向高风险持续模式。构建巢式Logit模型探究宏观交通属性及路段条件对多类型单一冲突和连锁冲突的影响,结果表明合流区和基本路段为单一冲突的高发区域,而分流区和交织区为连锁冲突高发区域,尤其会导致横纵向高风险持续模式的发生,但车道数的增加有助于减少严重连锁冲突的发生。此外,主线交通密度增大,连锁冲突发生概率增加;匝道与主线的流量比增大时,连锁冲突更易发生,其中纵向风险增加模式对交通流量最为敏感。将各类型冲突发生的交通流条件与宏观基本图结合分析,表明各类型交通冲突的发生次数存在峰值,且路段上交通冲突发生最多的临界密度要高于同一路段宏观基本图的临界密度。研究结论有助于理解多车连锁冲突发生的宏观原因,有效阻断其演化...     

面向空铁联运旅客选择行为的两阶段容量控制方法

针对空铁联运容量控制理论缺乏、旅客选择行为复杂化等问题,研究了基于旅客选择行为的空铁联运两阶段容量控制方法。第一阶段建立旅客选择行为模型,通过引入影子吸引力,改进现有选择模型中忽略竞争、选项单一的缺点,建立空铁联运产品选择模型,并基于巢式Logit模型证明其合理性;第二阶段以最大化联运期望收入为目标,建立空铁联运网络容量控制模型,并基于分支定界思想,提出嵌套产品子集下的模型求解算法;最后,针对空-铁网络上150座级机型的容量控制问题进行验证,并对比分析不同竞争强度下的网络期望收入。结果表明：150座航班中有91个舱位分配给航空市场的旅客,有59个舱位分配给联运市场的旅客,网络期望收入为160 600元;在综合考虑替代品竞争的情况下,票价低且竞争性高的产品更具有收入价值;此外,改进后的模型通过引入影子吸引力,捕获了基本吸引力模型和独立需求模型之间的需求,相较于独立需求模型能提高4%左右的期望收入;并且,在非联运产品和联运产品的舱位总数相持的策略下,航空公司可有效应对联运市场的竞争因素影响。