基于红外热成像和机器学习的动态转向架监测系统研发

基于红外热成像和机器学习的动态转向架监测系统可以对货运列车的转向架进行动态、可视化监控分析。系统利用了红外热成像技术和机器学习图像识别技术,全方位对转向架的关键部件故障,如热轴故障、抱闸故障、制动缓解不良和不制动等故障进行全面监测诊断和实时预报。系统实现了地面设备对货运列车车辆转向架部位的关键部件动态监测,提高了货运列车安全运行能力。     

基于机器学习的船舶阻力预报模型研究

基于泰洛标准组剩余阻力系数集[1],采用6种经典机器学习回归预测模型,随机抽取数据集不同排列组合作为训练样本和测试样本,以测试样本的真实值和预测值的均方误差和相关系数作为不同回归预测模型的评价指标。同时在其他参数相同的条件下,对4组不同宽度吃水比做线性插值,将所得剩余阻力系数与回归模型预报结果进行比较。结果表明,回归树在所选模型中对于泰洛标准组船舶阻力预报具有较高精度和较好的泛化能力,为以后船舶阻力预报近似模型的选择提供参考。     

基于数据增强和机器学习算法的盾构隧道引发地面沉降预测及应用

为解决地铁盾构隧道施工引起的地表沉降预测过程中数据样本不足、对数据预处理较为粗糙的问题，选取北京地区32个地铁盾构隧道施工引起的地面沉降数据作为数据库，采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)算法对数据库进行扩增，并在此基础上选取BP神经网络(back propagation, BP)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和K近邻(K-nearest neighbor, KNN)4种机器学习模型对沉降进行预测分析。分析结果表明： 1）经过预处理后的数据集预测能力显著增强，其中，KNN模型表现最佳，测试集平均绝对误差仅为1.60 mm； 2）采用KNN模型对北京轨道交通12号线西坝河—三元桥区间地层沉降进行预测，基于该模型预测值的Peck公式与实测值拟合度较高； 3）基于数据增强下的KNN模型对于盾构施工引起的地面沉降变形有良好的预测效果。     

深度学习在接触网定位器缺陷检测中的应用

高速动车接触网运营安全的需求使得接触网关键零部件的缺陷自动检测成为一份有意义的工作。针对接触网巡检图像的定位器缺陷检测问题,本文提出了一种基于图像深度表示和直线检测的目标检测一体化算法。该算法采用选择搜索算法获得定位器在图像中可能存在的备选区域,利用深度卷积神经网络计算图像的深度特征,通过多任务学习的算法求得定位器的局部区域。随后,利用Canny边缘提取和Hough直线检测的方法在局部区域内精确检测定位器直线。针对接触网巡检图像的实际应用场景,对该算法在不同场景下进行验证,试验结果表明,该算法可以有效解决实际场景下的定位器缺陷检测问题。     

基于SVM的隧道衬砌空洞填充物雷达图像识别研究北大核心CSCD

衬砌背后空洞及其填充物对隧道结构安全具有重要影响,开展空洞探测识别对于结构安全评估和病害处置具有重要意义。首先采用室内试验和FDTD正演模拟相结合的方法,获得了空洞内填充空气、水、干砂、湿砂条件下的雷达图谱数据,并对不同填充物波形规律进行对比分析;然后,基于支持向量机算法对波形特征进行提取和分类识别,建立了一种空洞填充物的人工智能辨识方法。研究结果表明,采用傅里叶变换前的平均值、方差、平均绝对离差和傅里叶变换后的最大幅度值max(fft(X))四个统计量作为支持向量机的识别特征,可以有效区分出衬砌背后填充物的六种类型;当采取单一倾向数据时,识别准确率较好,六种物质二分类问题准确率均可以达到90%以上。     

基于粒子群算法改进支持向量机的深基坑变形预测研究

为实现复杂地质条件中深基坑变形的精确预测，提出了一种动态惯性权重粒子群算法改进支持向量机的基坑变形预测模型。引入遗传算法改进的支持向量机模型和标准BP神经网络模型作为横向对比验证了预测效果。结果表明：动态惯性权重对支持向量机核函数参数的寻优速度更快，收敛精度更高，采用改进粒子群算法优化的支持向量机模型预测的平均相对相对误差仅为5.46%,拟合精度相较其他算法更高，预测效果良好，可较为准确的实现深基坑的变形预测。     

大数据背景下的路径选择行为建模

路径选择建模的主要任务是基于合理假设，定量分析交通参与者的路径选择行为，并估计和预测交通参与者对交通网络的使用情况。基于此，全面总结路径选择建模的研究现状，介绍各种出行数据的特点，阐释常见的选择集生成方法，对文献中提出的众多离散选择模型进行归类和讨论，对比模型估计的2类主要方法，并展望机器学习在路径选择建模中的广阔前景。研究结果表明：随着交通感知技术的全息化发展，在海量车辆轨迹数据的支撑下，路径选择研究取得了全方位的进步；路径选择模型可分为基于路径和基于路段的模型，前者以路径为基本选项，从通过确定性或随机性方法生成的选择集中选择路径，包括多项Logit （MNL）模型以及更先进的MNL修正模型、广义极值（GEV）模型、混合Logit模型和非GEV分布模型，后者以路段为基本选项，动态地求解路径选择问题，无需生成选择集，包括各种递归Logit模型；路径选择模型的参数估计可使用有标签数据或无标签数据，前者通过地图匹配在交通网络中重构出真实路径，后者则依概率考虑一系列可能的路径。近年来，基于机器学习的路径选择模型因具有更优的预测性能而受到广泛关注。在未来的路径选择研究中，应进一步结合离散选择模型和机器学习模型，使两者优势互补。     

基于机器学习的舰船系统交叉覆盖数据分类方法

传统的舰船系统交叉覆盖数据分类方法存在着分类性能差的缺陷,为此提出基于机器学习的舰船系统交叉覆盖数据分类方法研究。采用随机森林算法对交叉覆盖数据的不相关特征属性进行剔除,得到有价值的交叉覆盖数据集合,利用领域粗糙集算法对有价值交叉覆盖数据集合的特征进行提取,以特征集合为依据,采用机器学习算法实现了舰船系统交叉覆盖数据的分类。通过实验得到,提出的舰船系统交叉覆盖数据分类方法的分类精度比传统方法高出30%,迭代次数比传统方法少了9次,说明提出的舰船系统交叉覆盖数据分类方法具备更好的分类性能。     

基于机器学习的铁路隧道施工碳排放预测模型研究

为构建适用于铁路隧道施工建设阶段碳排放预测的算法模型，以某铁路隧道建设工程为研究案例，首先基于碳排放计算体系量化得到案例隧道的施工碳排放量与各子阶段碳排放占比；然后采用多种机器学习算法构建不同预测模型，结合动物优化算法对预测模型进行参数调优，选用R²、MAE、MSE、RMSE、MAPE、SMAPE等评价指标对比分析拟合效果，筛选最佳预测模型，并基于SHAP值分析各参数变量的重要性程度。结果显示：建材生产阶段对隧道施工碳排放的贡献最大，建材运输阶段的碳排放最小；BP神经网络相对随机森林、LightGBM、SVR、极限学习机等算法的回归效果更好，并且通过对比使用PSO算法、WOA算法和SSA算法优化后的回归预测模型，WOA-BP算法的拟合效果最好；基于SHAP算法的分析，各参数变量的特征重要性排名依次为：开挖面积>围岩等级>开挖工法>埋深。