人工神经网络在故障诊断系统中的应用

人工神经网络以其独到的联想、记忆、储存和学习功能，在故障诊断领域受到了广泛关注。其中，BP网络是最成熟、应用最广泛的一种网络。但BP网络在实际应用中也存在诸多不足，如学习率的取值需要凭借经验或试算选取，网络学习收敛速度慢以及易陷入局部最小点等。针对BP网络的这些不足，采用了Rumelhan附加惯性冲量和动态调整学习率相结合的改进的BP网络方法，并尝试用该改进算法来对凝汽器进行故障诊断。事实证明，在平均情况下，本系统收敛速度远远快于基本的BP算法。     

模糊C-均值聚类算法及其在船舶故障诊断中的应用

船舶设备故障的早期诊断和预测,对船舶的安全运行具有非常重要的意义。由于船舶设备繁多,运行环境特殊,各种设备的故障症状与故障原因之间的关系十分复杂,致使传统诊断方法在实际应用中效果不理想。因此,研究采用模糊C-均值聚类算法来实现船舶故障的诊断乃是非常必要的。将被诊断对象间故障和症状的特征通过建立模糊关系矩阵进行故障分类,用当前所得的故障征兆群与过去该设备故障征兆结果相对照,找出最相似的结果,从而确定其故障。通过船舶主机轴系诊断的实例,证明了该方法的有效性。     

基于改进粒子群优化算法的鲁棒性列车运行图编制方法

以列车优先级、追踪运行间隔时间和连发间隔时间限制为约束条件,以旅客列车的走行公里总数、平均旅行速度、对标准计划的延迟总时间和延迟时间方差,以及货物列车的日车公里总数和日产最6个指标无量纲转化后的合计值最大为综合目标函数,建立列车运行图编制优化模型.为增加列车运行图的鲁棒性,引入虚拟车和缓冲时间槽2个参数,采用改进的粒子群优化算法给出鲁棒性列车运行图编制方法.以5个车站、5列旅客列车和7列货物列车构造模拟环境,采用该方法进行列车运行图编制模拟.结果表明:该方法可铺画出更优的列车运行图,计算效率高;在行车计划受到扰动后,虚拟车和缓冲时间槽释放资源,运行图可以较快地恢复到可接受范围,容错鲁棒性好.     

一种采用改进半桥主电路的有源滤波器

在分析双电感半桥电路的基础上,提出了一种基于改进半桥拓扑结构的新型有源电力滤波器,它消除了传统有源滤波器拓扑的桥臂直通故障隐患,且具有可高频、高效率运行的优点。文章详细分析了其工作原理,给出了相应的控制策略。仿真和实验结果验证了这种新型有源滤波器的可行性。     

坡道起动加速试验结果的折算模型研究

平均加速度和剩余加速度是评价动车组、城轨车辆加速性能的关键指标,一般由平直轨道上的起动加速试验结果计算获得;但有时会受试验条件限制而选择在坡道上实施。现建立一个数学模型,采用逼近方法,将在坡道上进行起动加速试验的结果折算到平直轨道上,并可用折算后的结果计算加速性能指标,对模型的精确性影响因素、坡度大小的限制条件进行了分析。通过模型将坡道起动加速试验结果折算到平直道并和实际平直道试验结果进行了对比,验证了折算模型的可行性和准确性。该模型还可以推广应用于惰行或制动距离的坡道折算和回转质量系数计算等。     

BP神经网络在地铁运营安全评价中的应用

依据地铁运营安全评价体系及国家法律法规的要求,对于评价标准在实施过程中遇到的问题作了系统分析。建立了基于BP神经网络的地铁运营安全BP神经网络模型,系统提出了地铁运营安全BP神经网络的评价理论及其案例分析。理论分析和实践表明,BP神经网络模型计算结果合理、精度较高,在地铁运营安全评价中有很好的实用性。     

浅析几种无人驾驶汽车路径规划算法

路径规划是自动驾驶关键技术之一,各种路径规划算法现已不断改进并不断涌现。本文根据全局和局部路径规划对常用路径规划算法进行分类,对几种常用的路径规划算法原理进行介绍,并分析其发展方向。     

电池SOC估算方法的研究现状

如今,锂离子电池已成为新能源产业和SOC的研究重点。在锂离子电池研究中,电池容量估算和计算是其中的重点研究之一。SOC直接关系到锂离子电池使用的效率和安全性,正确的SOC估算和计算方法不仅可以增加锂离子电池工作的安全性,并延长锂离子电池的使用寿命[1]。相反而言,不合适的SOC估算和计算方法不仅会加速电池的老化,而且会带来电池爆炸和燃烧的危险,危害使用者的生命和财产安全。因此,本文对各种SOC估计和计算方法进行研究,以获得更成熟和广泛使用的电池SOC估计和计算方法。     

基于RBF神经网络补偿的动力定位PD控制

动力定位控制系统在实际工况中会受到外部风、浪、流等环境力的扰动,本文主要研究PD+RBF控制算法以提高动力定位系统的抗干扰性和稳定性.RBF神经网络用来补偿外界环境扰动,其权值自适应律通过Lyapunov稳定性证明得到,通过稳定性的分析能够保证整个系统全局渐进稳定.在一艘平台供应船的仿真结果对比中显示了所提出控制器的有效性.     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。