载荷识别研究进展及其运用于铁道轮一轨载荷研究概述

对载荷识别技术的国内外最新进展进行综述,并对各种载荷识别方法的优缺点进行论述.重点对载荷识别在铁道轮-轨载荷识别中的运用进行详细的概述.研究表明大力发展载荷识别在工程领域上的运用,从节约成本以及保证工程结构的可靠性和安全性方面都具有重要的意义.最后,对载荷识别未来的发展方向、在铁道车辆上的运用以及一些有待解决的关键技术...     

基于深度卷积神经网络的钢材微观组织分类识别

通过引入多种深度卷积神经网络及分类器构建机器学习模型,对钢材金相图数据集进行学习,研究了一种能够准确、高效识别钢材微观组织的方法。研究结果表明,文章中所涉及的3种深度卷积神经网络在钢材微观组织的分类识别上均表现出优异性能,其中Inception-V3表现尤为突出,其与人工神经网络分类器组合而成的机器学习模型的分类精度可达99.60%。     

考虑连锁冲突的城市公交车行车风险量化分析方法

为了量化城市公交车给区域混合交通带来的安全风险，通过提取交通冲突数据并识别连锁冲突，研究了公交车行车风险的量化分析方法。在数据采集上，采用了航拍图像并基于YOLOv4网络学习航拍目标的外观特征，检测并跟踪航拍车辆，从而提取带精细属性的车辆轨迹数据。在冲突识别上，将不同车道上可能发生横向碰撞的车辆对之间的相对位置作为约束条件，在跟驰模型的基础上补充了匹配相邻车道上车辆对的动态关系，从而将经典碰撞时间(TTC)模型扩展至可同时识别侧向冲突的二维TTC模型；基于车辆刺激-反应理论标定每个冲突车辆对区域交通造成连续干扰的时空范围，根据干扰范围的动态变化建立冲突间的作用关系并形成时序性的冲突树模型，从而识别连锁冲突并追溯连续风险形成的因果过程。在风险研究上，从3个方面量化不同状态下城市公交车的行车风险:①基于二维TTC模型解析冲突频率；②在此基础上结合累积频率法解析冲突严重性；③通过连锁冲突比例及冲突树长度解析冲突聚集的概率和范围大小。采集广州大桥路段航拍视频进行实验研究，结果表明:城市公交车在拥堵常发路段不仅冲突风险高，且带有较高的冲突严重性和区域聚集性；拥堵流中公交车的冲突频率超过9次(/ veh·min)；公交车的严重冲突率为33.39%，远远高于小汽车的16.61%；公交车的区域连锁冲突发生率为30.75%，达到了小汽车(14.67%)的2倍。      

朔黄铁路基于车辆动力响应的轨道状态评估方法研究北大核心

基于轨道几何检测数据和动力学仿真模型计算的轮轨力、车体加速度等动力响应数据,首先利用相干函数分析轨道几何与车辆响应的相关性,然后利用深度学习中的长短时记忆网络建立预测模型,自动学习轨道几何与车辆响应的复杂关系,最后利用模型预测的车辆响应来识别轨道病害和评估轨道状态。结果表明:车体加速度、轮重减载率、脱轨系数主要与高低、轨向、超高的相关性显著;预测模型能够有效预测货车动力响应,预测值与仿真值的相关系数在0.8以上,为强相关;预测模型能够有效识别一些轨道几何不超限、但车辆响应超限的轨道几何隐形病害,实现基于车辆响应评估轨道状态。     

具有无序排列管片环结构的地铁盾构隧道数字模型智能重建北大核心CSCD

运营地铁隧道的管理、健康监测及维护正逐渐趋向于数字化、智能化;但常因地铁盾构隧道管理和检测单位缺少隧道数字模型,限制了地铁隧道智能维护和管理系统的应用和发展。文章针对地铁盾构隧道中无序排列的管片环结构,提出了一种基于深度学习和机器视觉的地铁盾构隧道数字模型智能重建方法,利用检测车获取的隧道衬砌内表面高清图片,对管片特征物(螺栓孔)进行智能识别与自动分类,再根据螺栓孔群的分布特点自动推断隧道管片环的排版规律,从而结合隧道实际线路实现隧道数字模型快速重建。某地铁隧道的实例应用结果表明,该方法适用于管片无规律性错缝拼装的情况,能以100%的准确率实现地铁盾构隧道数字模型的智能重建。     

基于公共无线IP网络的船舶资源高效识别算法

由于传统识别算法多采用GPRS,CDMA或VHF等通信网络进行船舶资源传输,丢包和错误传输现象严重,导致船舶资源识别准确性得不到保证。针对上述情况,研究一种基于公共无线IP网络的船舶资源高效识别算法。算法通过公共无线IP网络保持不间断的传输过程,减少丢包和错误传输现象,为后续识别提供了更为全面的支撑数据。在后续识别阶段,先是进行资源预处理,包括灰度化、去噪以及背景剪除等,后利用卷积神经网络进行船舶资源特征检测,并通过距离计算,实现资源的检索与识别。结果表明,无论是从资源传输错误率和丢包率侧面,还是从识别准确率正面,本算法的表现均要好于3种传统算法,证明了算法性能。     

基于梯度关联规则的老年行人交通事故风险识别

为构建老年行人交通事故严重程度风险关联因素识别方法体系，本文应用极限梯度提升关联规则挖掘算法(Extreme Gradient Boost-Apriori，XGB-Apriori)识别城市道路老年行人交通事故风险因子。运用机器学习优化关联规则算法结构，通过机器学习库 scikit-learn 中 XGBoost (Extreme Gradient Boost)算法与SFM(Select From Model)特征选择类功能实现变量特征值的选择。进而，对Apriori算法设置有序定向约束，得到适用于交通事故致因分析的数据挖掘技术。通过逐层迭代识别关联项，选取频繁项集，总结高置信度、高提升度的关联规则。关联因素模型评估结果表明，本文采用的SFM功能准确度可达78.31%，关联规则XGB-Apriori算法较传统算法精度提升了91%。挖掘结果显示，驾驶员与行人的自身特征、车辆特征、碰撞状态以及道路特征均对老年行人交通事故的严重程度具有重要影响。其中，男性驾驶员造成的行人死亡事故频次较高，女性驾驶员造成的受伤事故频次较高；大型、重型车辆(SUV、卡车、施工车)发生死亡事故频次相对小轿车更高；位于匝道等道路线型弯曲的坡道中，老年行人发生致死交通事故的频次相对线型缓和路段更高。本文对老年行人交通事故耦合因素全面识别并针对性提出风险防控精准预判方法，为有效保护道路弱势群体提供必要的理论支持。