提速货车抱闸的原因分析及改进建议

对提速重载列车的抱闸事故及其发生原因做了统计,对提速后货车制动系统的检修提出了建议。     

基于ETC门架数据的高速公路车辆行驶特征画像方法

为合理评估高速公路车辆驾驶行为风险和通行费稽查状态异常程度,进而对风险车辆进行提前预警,提出了一种基于ETC门架数据的车辆行驶特征画像方法。首先,通过分析车辆风险驾驶行为和通行费稽查状态,构建了以超速驾驶行为、疲劳驾驶行为、门架状态异常情况、收费状态异常情况、路径状态异常情况为指标的车辆行驶特征画像指标体系;然后,利用熵权-TOPSIS法和熵权-灰色关联分析建立综合熵权法确定各指标权重;最后,选取8辆车作为实验对象生成车辆行驶特征雷达图来验证该方法的有效性。研究结果表明：在4辆1类客车中,有3辆存在超速驾驶行为,其超速驾驶指数趋于0.8,其余的行驶特征指数均趋于0;在4辆6类货车中,有2辆在疲劳驾驶指数上表现异常,其疲劳驾驶指数趋于0.4,还有1辆的收费状态异常指数趋于0.4,可能存在偷逃费风险。可以看出,该方法能有效区分不同车型的风险类型,在高速公路管理中可用于有针对性的风险决策制定。     

斜拉桥成桥合理索力确定方法的研究

通过对几种确定斜拉桥成桥合理索力方法的分析比较,发现每一种方法都有优缺点.单独使用某一种方法难以得到合理的索力值.以彭溪河大桥为背景,介绍了一种确定成桥合理索力的综合方法,实例证明此法是有效的.     

南京地铁列车车轮踏面非正常磨耗初析

研究了南京地铁列车车轮踏面非正常沟状磨耗的成因.对车轮、钢轨的外形、材质和硬度等进行了测试,分析了轮轨接触和制动磨损的影响,提出了沟状磨耗的原因.测试结果分析表明,该地铁车辆拖车轮踏面上的凹槽磨耗主要是由于在制动施加频度过高、轮轨接触又不均匀的内因作用下产生的.     

弯、剪、轴拉复合受力状态下钢筋混凝土梁的承载能力试验研究

对弯、剪、轴拉复合受力状态下钢筋混凝土梁的承载能力进行试验研究。试验中主要考虑轴向拉力、最小抗剪配筋、配筋率、混凝土强度等级等因素对弯、剪、轴拉复合受力状态下钢筋混凝土梁的承载能力的影响。试验实测表明,欧洲规范2第1部分中用于计算弯、剪、轴拉复合受力钢筋混凝土梁承载能力的公式过于保守,有必要进行修正。     

车辆电磁制动方案刍议

结合机车车辆制动系统的运行情况,对电磁制动系统进行了初步探讨.提出了两种电磁制动方案:单电磁铁失电制动和双电磁铁得电制动.方案能够初步解决电磁制动系统中的一些技术难点,如减轻闸瓦间隙消除过程中闸瓦与车轮间的机械碰撞、电磁力的计算与控制、制动力的放大与传递等.     

铁路货车制动梁对车轮磨耗影响的调查分析

铁路货车提速后车轮磨耗加剧,把握磨耗规律,采取有效减磨措施是亟待解决的课题.通过对铁路货车中拉杆式制动梁在缓解状态的理论受力分析及制动状态横移的调研统计,发现制动时固定杠杆与游动杠杆侧制动梁反向横移,1、4、6、7位轮瓦磨耗位置贴近轮缘;通过车轮磨耗调研发现,车轮踏面先于轮缘磨耗,且支点侧的2、4、6、8位车轮磨耗量偏...     

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...     

基于多源数据的城市群枢纽间多模式交通系统异常状态影响研究

为探究城市群多模式交通系统异常状态的影响范围,从需求端非常态客流变化和供给端运输能力下降两方面对多模式交通系统异常环境进行分类,提出了基于手机信令数据、意向出行调查及客票信息等多源数据的异常状态影响范围识别流程和分析方法;以京津冀城市群为例,确定强链接枢纽间通道客流动态安全阈值,提出了基于贝叶斯预测的通道客流异常检测方法;利用提升度、余弦相似度及其标准化值来区分枢纽关联规则的有效性,提出了基于强关联规则确定异常状态影响范围的方法。研究表明：基于贝叶斯预测的通道客流异常检测方法具有实时性,提高了客流安全阈值精度;基于实际手机数据和假定异常情况下的意向调查数据并结合关联规则确定枢纽影响范围,可为利用数据挖掘技术分析突发异常状态的影响和对策提供借鉴。     

基于稀疏采样数据的电动公交车电池SOC预测方法研究

为提高电动公交车电池SOC预测的精度,基于某电池监控云平台电池数据库中存储的以30 s为采样周期的稀疏采样的电池运行数据,对电动公交车电池SOC预测方法进行了研究。首先,介绍了稀疏采样数据源,分析了电动公交车动力电池的运行过程及其SOC变化的影响因素。选取了当前电池组的总电压、电流、电池模组温度均值及前一时刻SOC值作为预测变量,而选择当前电池组SOC作为输出变量,构建了训练数据集与测试数据集。然后,采用支持向量机(SVM)算法进行训练,并使用贝叶斯优化算法寻找SVM的最优超参数组合,提出了基于稀疏采样数据的电动公交车电池SOC单步预测方法。接着通过对训练数据集的再划分,进一步提出了基于稀疏采样数据的电动公交车SOC自主预测方法,摆脱了在SOC长期预测过程中对于BMS估计的真实SOC值的依赖。试验结果表明,SOC单步预测方法的最大绝对误差仅为1.82%,SOC自主预测方法的最大绝对误差也只有5.89%,都具有较高的预测精度。根据在不同运行路线和不同环境温度下的试验结果,SOC预测模型具有较高的鲁棒性。