怠速行驶缓踩制动整车抖动及发动机转速飙升问题分析

本文简要的介绍了某车型在怠速行驶缓踩制动下整车抖动及发动机转速飙升问题的分析验证过程,并对原因进行分析,提出改进建议。     

城市轨道交通轨道减振升级改造方法研究

中国早期建设的城市轨道交通线路,限于当时认知和技术水平等历史条件,在技术规范、评价预测和技术措施等方面均存在一定不足,投入运营后部分地段存在振动噪声扰民问题.为了彻底解决上述问题,针对既有运营线路的环境敏感地段,开展道床减振升级改造工作既是必要的,也是迫切的任务.从三方面入手进行了相关研究,设计方面进行了隧道内道床减振...     

HSP声波反射法在地质超前预报中的应用

隧道超前预报是近年来颇受工程界和地质界人士关注的课题,方法很多,实践也比较丰富,声波反射法便是其中之一。从声波反射原理、工作状况和实际工程应用等方面,阐述HSP声波测试在隧道开挖中的应用价值和意义。     

基于分布式光纤的隧道振动监测系统试验研究

运营期隧道突发事件发生频率的不断增高对隧道的健康监测提出了挑战。目前,国内铁路隧道对突发事件自动化监测的研究仍处于初期阶段。为验证京雄高速铁路隧道基于分布式光纤的振动监测系统的实施效果,本文开展了钻机打孔、挖掘机铲土、工程车辆行驶和隧道内落石等振动事件的模拟试验。结果表明：该监测系统对振动事件具有较高的灵敏度,通过时、频域分析方法可短时间确定振动事件的发生位置,定位精度较高,满足工程对突发事件准确定位的需求。     

基于卫星遥感平台的浅层地下水推断模型

采用遥感—数学—模型相融合的方法建立浅层地下水推断模型。该模型克服以往勘察方法费用高、效率差、周期长的不足,从未知出发,由面到点,层次分明、衔接有序。经实地考察验证,模型精度较高,效率较快,具有一定实用性,不仅可以宏观、快速、高效地确定浅层地下水的分布和范围,而且可以降低费用,缩短周期,为进一步找水工程布置提供依据。     

基于多参数状态时间序列的交通状态预测方法

利用多个参数描述交通状态时,交通流数据表现为多维空间数据。提出了将属于每个状态的多维空间数据转换为一维时间序列的方法,对于此状态时间序列采用BP神经网络进行了下1个时段的交通状态预测。实验结果表明,多参数状态时间序列比单个参数时间序列能更准确地描述交通流状态变化过程,且算法简单,具有较强的预测实时性。     

32 m超低高度混凝土T梁动力性能试验与分析

为了研究开行120km/h货车后既有铁路32m超低高度混凝土T梁的运营状况、安全性和加固对策,选取1孔32m超低高度混凝土T梁进行自振频率、挠度、振幅等主要动力性能测试。结果发现跨中横向振幅超过限值,不能满足120km/h货车运行,需要提高该梁的竖向和横向刚度。     

宜宾长江大桥斜拉桥的抗风性能分析

对宜宾长江大桥施工状态和成桥状态的动力特性进行了计算,分析了主梁的三分力系数取值,验算了桥梁的颤振稳定性和静力稳定性,结果表明,无论在施工阶段的最大双悬臂状态或最大单悬臂状态,还是在成桥状态,抗风稳定性均十分安全,不会发生静力扭转发散失稳。建议对斜拉索采取减振措施,可在设置内置橡胶圈阻尼器的基础上,再增设磁流变液阻尼器。     

基于RFID电子车牌数据的公交行程时间预测方法

为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据,基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素,选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据,选取3 000组实际运行数据完成公交行程时间预测模型的训练,另筛选50组数据验证模型的有效性和准确性。研究结果表明：组合模型可动态自适应预测公交行程时间,预测值平均相对误差为3.23%,绝对误差集中在8 s左右,明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型,可认为选择RFID电子车牌数据作为组合模型的输入,能够明显改善模型预测精度;组合模型预测值的残差分布更为集中、鲁棒性较好,泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标,结果进一步表明,组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。