动态随机客流下城轨列车运行调整策略

针对城市轨道交通中随机到达客流对列车运行造成的延误问题,将动态变化且服从泊松分布的客流到达率拟合为随机分布变量.结合随机规划理论,构建了以列车发车时间偏差及到站列车间隔偏差为最小化目标的期望模型.应用最优化方法中的K-T条件对所建模型进行求解,得出调整相关偏差的控制策略.通过实例仿真模拟列车运行在受到随机客流及外界干扰的影响下产生的延误,比较采取调整策略前后列车在各站的离站时间偏差及其优化水平,结果表明:所设计的列车运行调整策略能够有效减小列车延误约25%,使得在动态客流下的城市轨道交通列车运行更能"按图行车".     

田径运动员赛前心理训练的研究

本课题主要分析赛前出现的心理紧张因素并提出了克服心理障碍的心理训练方法和手段,对提高竞赛水平有一定的作用,已达到预期的良好成绩为目标。     

发动机电磁气门驱动设计试验与仿真

为探索发动机电磁气门驱动(EVA)的关键技术,设计制作了试验研究用EVA装置及其开环控制系统、试验装置和测试系统,对EVA进行了电磁铁静吸力特性试验、动态试验和仿真计算。结果表明:电磁铁基本达到了设计要求;只要控制参数适当,EVA就能初始化和正常运动,但开环条件下的气门落座速度难于控制;EVA仿真计算结果与试验结果吻合较好,仿真计算可用于EVA方案优选与分析。     

基于认知行为与灰色关联分析的非正常情况下接发列车人因失误分析

主要探讨非正常情况下铁路接发列车工作人员认知行为产生的机理,由此构建非正常情况下接发列车作业的认知行为模型。基于认知模型运用灰色关联分析法分析人因失误因素,并以某铁路局在非正常情况下接发列车作业人因失误数据为学习样本,分析人因失误因素对人误影响的主、次问题。分析结果表明,"培训与应急演练"、"工作经验"、"疲劳程度"及"工作压力"等因子是非正常情况下接发列车人因失误的主要贡献因子。研究表明,该认知行为模型与灰色关联分析法正确可靠,适用于非正常情况下接发列车作业人因可靠性分析,对制定非正常情况下接发列车作业规章制度、安全管理等有一定的指导意义。     

多维并行遗传算法在列车追踪运行节能优化中的应用

为了研究先行列车与追踪列车在移动闭塞信号系统控制下进行追踪运行时的综合节能优化控制问题,构建了以能耗与运行时间误差为目标的列车节能控制模型.该模型以列车的操纵手柄级位与列车的工况转换点(即操纵手柄级位改变时,列车的位置)为控制变量.在此基础上,提出了静态与动态速度约束条件(即线路的静态速度约束与先行列车的运行状态对其后的追踪列车所产生的动态速度约束),结合外部惩罚函数,利用多维并行遗传算法对该问题进行了求解.求解时,根据GA的进化代数动态的调整交叉与变异概率,提高粗粒度搜索与细粒度搜索的效率.同时,采用了坡道三分法和实数编码法来缩短染色体长度,提高收敛速度.最后,在移动闭塞信号系统列车运行仿真平台上验证了该优化控制算法的正确性与有效性.     

动车组车辆地板振动问题及其优化

针对某型动车组高速运行时地板振动脚感发麻问题,对该车进行了线路运行试验.通过振动传递分析与运行舒适度分析发现,车体钢结构振动经弹性支撑元件传递至地板后,在20~50Hz频率范围的振动被放大,且该频率范围覆盖了人体腿部敏感频率,导致乘坐时脚感发麻.为进一步研究地板振动放大机理,建立了包含地板的车体精细化有限元模型,并对模型进行验证.有限元分析结果表明,原地板弹性支撑刚度参数不当,导致地板局部模态频率与车体钢结构局部模态频率接近,进而导致地板与车体底架发生局部共振现象,地板振动能量被放大.针对地板弹性支撑参数不当进行了优化研究,并对优化方案进行了试验验证.试验结果表明,优化设计有效地解决了地板振动发麻问题.     

多股道城市轨道交通车站站前折返能力分析

折返能力是制约线路能力的关键因素之一,以4线站前折返站为研究对象,通过综合考虑车站折返模式、列车停站时间、列车进出车站的均衡性等影响因素,基于N-Track理论模型,建立以总折返过程耗费时间最小为目标的整数规划模型,得到不同股道使用方案与不同折返模式条件下的最大折返能力和股道运用方案,最后以上海轨道交通16号线滴水湖站为实例进行分析,验证评估折返能力与折返股道的使用方式、列车停站时间和列车进出车站的均衡程度的关系.     

调校仪在煤矿监控监测系统中的应用研究

介绍了煤矿安全生产监控系统在矿井中的作用,从生产实践角度出发,阐述了调校仪在监控系统中的应用,同时反映了煤矿监控系统的应用状况和技术水平。     

永磁磁浮在心脏泵及其它应用中的稳定平衡

学术界一致公认无源磁浮是不稳定的，作者却找到两种实现稳定无源磁浮的方法，其一是引入非磁力，单独或者与永磁力一起，对浮体至少在一个自由度上产生作用；其二是利用浮体运动（旋转）的惯量，实现至少一个自由度上的稳定平衡，结合这两种方法，作者研制成两种不同设计的永磁磁浮心脏泵；并尝试将无源磁浮技术应用于高速列车和超静音螺旋桨。     

Predictive models for influence of primary delays using high-speed train operation records

Primary delays are the driving force behind delay propagation, and predicting the number of affected trains (NAT) and the total time of affected trains (TTAT) due to primary delay (PD) can provide reliable decision support for real-time train dispatching. In this paper, based on real operation data from 2015 to 2016 at several stations along the Wuhan–Guangzhou high-speed railway, NAT and TTAT influencing factors were determined after analyzing the PD propagation mechanism. The eXtreme Gradient BOOSTing (XGBOOST) algorithm was used to establish a NAT predictive model, and several machine learning methods were compared. The importance of different delayinfluencing factors was investigated. Then, the TTAT predictive model (using support vector regression (SVR) algorithms) was established based on the NAT predictive model. Results indicated that the XGBOOST algorithm performed well with the NAT predictive model, and SVR was the optimal model for TTAT prediction under the verification index (i.e., the ratio of the difference between the actual and predicted value was less than 1/2/3/4/5 min). Real operational data in 2018 were used to test the applicability of the NAT and TTAT models over time, and findings suggest that these models exhibit sound applicability over time based on XGBOOST and SVR, respectively.