潜艇电力系统生命力评估的损伤树法

电力系统作为目前舰船的主推进动力装置，其地位和作用越来越重要，电力系统生命力已经成为舰船生命力的重要组成部分．文中根据系统工程中的可靠性理论，提出潜艇电力系统生命力的损伤树分析方法，建立该系统的损伤树和生命力评估模型，并对其进行详细的论述，为潜艇电力系统生命力的评估提供一种简便的方法，并为潜艇电力系统生命力的优化设计和配置提供可靠的依据．     

神朔铁路线路捣固作业决策方法

基于轨道不平顺指标与线路捣固作业维修质量的相关性分析结果,设计神朔铁路线路捣固作业决策方法。为说明该决策方法的有效性,利用神朔铁路河西运输段2014年9月—2016年12月共计31次的轨检车检测数据以及该时段内相应的捣固作业维修数据进行实例研究,并与神朔铁路传统的捣固作业决策方法进行对比。结果表明:基于该决策方法的捣固作业策略对神朔铁路捣固作业量和捣固成本的降低效果显著,能改进神朔铁路线路捣固作业计划的编制方法。     

关于生成树协议在MSTP设备中运用的探讨

介绍生成树协议（PVST）在广州地铁MSTP设备中的运用情况;以广州地铁3号线阿尔卡特MSTP设备改造升级项目为例,分析MSTP设备光路与以太网PVST协议的关系;阐明地铁在线MSTP设备升级中技术管理要点.     

基于故障树分析法的接触网可靠性分析

针对接触网可靠性研究的不全面,基于故障树分析方法,对接触网系统的可靠性进行分析和研究。通过建立接触网失效故障树,对导致接触网失效的故障进行了定性以及定量分析。定性分析找出了导致接触网失效的所有故障组合;定量分析找出了容易导致接触网失效的故障类型,根据定性定量分析得到的结果,提出了有效提高接触网可靠性的相应建议,为接触网系统的设计、维修以及检测提供科学依据。     

基于故障模式后果分析与动态故障树的高速铁路牵引变电所可靠性分析

为了提高牵引变电所供电可靠性,在考虑所内一次设备的情况下提出一种结合故障模式后果分析(FMEA)与动态故障树分析(DFTA)的方法来分析牵引变电所的可靠性。首先根据FMEA的工作结果来分析牵引变电所的故障原因,提出有针对性的预防措施;然后采用DFTA建立高铁牵引变电所的故障模型并定性定量分析,找出牵引变电所的薄弱环节。最后与传统故障树计算结果进行对比,结果表明:传统故障树建模存在较大误差,两种方法的结合相比仅使用一种可靠性分析方法更为实用。     

基于DFTA的地铁车站级综合监控系统可靠性分析

地铁综合监控系统是整个地铁系统可靠安全运行的重要保障,由于其具有可修性、功能相关性、顺序相关性、容错性及冗余性等特点,本文采用动态故障树分析法(DFTA)对其进行可靠性分析。在引入新的动态可靠性指标的基础上,采用直接计算法和Markov矩阵迭代法求解,最后引入分层迭代方法对DFTA进行改进,可减小运算量,使得这些动态指标可应用于地铁综合监控系统整个动态故障树的可靠性评估。本文建立某典型地铁综合监控系统的车站级综合监控系统(SMCS)及其3个子系统的DFTA模型,研究3个子监控系统互联对整个车站级监控系统可靠性的影响。研究分析结果表明,动态故障树分析法在对地铁综合监控系统可靠性的分析中能够考察各子系统互联对系统可靠性的影响,具有较强的实用性。     

城轨供电系统接触网可靠性的故障树分析

针对城轨供电系统接触网结构和运行特点,建立了城轨供电系统接触网可靠性的故障树分析模型,计算接触网可靠性指标.分析了影响接触网可靠性的主要故障原因,通过求取接触网故障树的最小割集得出影响系统可靠度的直接原因,并进行底事件故障重要度分析.接触网电气失效的影响因子排在前几位的底事件分别是定位线夹松动和断裂,以及软定位器锈蚀等定位装置失效.有针对性地提出了改进接触网可靠性的措施--特别加强对接触网定位装置的巡查.     

出口集装箱堆场取箱作业优化模型研究

集装箱装卸效率直接影响船舶靠港停泊时间，倒箱操作是影响装卸效率的主要因素．文中建立了龙门式起重机小车取箱作业优化模型，以龙门式起重机取箱作业时倒箱数量最少为目标，以各个取箱阶段为节点、以取箱代价为边的权数，应用最小生成树和启发式算法对优化模型进行求解,根据最小生成树的性质，本模型可获得倒箱数最少的优化装船顺序，提高装卸作业的效率．     

案例推理在在线物流资源决策中的应用研究

文中在在线分析过程(OLAP)与数据挖掘(data mining)技术的基础上．提出了基于案例推理(CBR)的决策模型去解决这类问题．模型采用模糊神经网络方法进行决策问题的特征提取和创建案例库，采用OLAP技术建立案例查询的星型模型，并通过创建的模糊神经网络模型去补偿匹配案例与决策问题之间的差异．文章的最后通过应用实例表明了该系统的有效性和可行性．     

Comparison of advanced imputation algorithms for detection of transportation mode and activity episode using GPS data

Global Positioning System (GPS) technologies have been increasingly considered as an alternative to traditional travel survey methods to collect activity-travel data. Algorithms applied to extract activity-travel patterns vary from informal ad-hoc decision rules to advanced machine learning methods and have different accuracy. This paper systematically compares the relative performance of different algorithms for the detection of transportation modes and activity episodes. In particular, naive Bayesian, Bayesian network, logistic regression, multilayer perceptron, support vector machine, decision table, and C4.5 algorithms are selected and compared for the same data according to their overall error rates and hit ratios. Results show that the Bayesian network has a better performance than the other algorithms in terms of the percentage correctly identified instances and Kappa values for both the training data and test data, in the sense that the Bayesian network is relatively efficient and generalizable in the context of GPS data imputation.