动态模拟试验台车减速度影响因素研究

在动态模拟台车试验中,减速度曲线问题是台车试验能否顺利完成的重要条件之一。对于不同的台车试验,所规定的试验曲线都有所不同,为了能够快速有效地满足法规或开发试验的要求,本中主要通过对动态模拟试验台车积累的大量试验数据进行了归纳分析,总结出了影响试验减速度曲线的重要试验因素,建立了试验数据库,寻找出了试验因素和试验曲线的减速度峰值、减速度脉宽等试验要素间的规律,使得试验曲线在一定程度上得到了有效地控制;并结合具体实际试验验证规律的正确性。

高速列车受电弓区车内噪声研究与控制

针对高速列车受电弓区噪声相对较高的问题,提出受电弓减振安装方案,并在模拟实车环境下验证了其降噪效果和可靠性。首先,在某高速列车上进行了线路运行条件下受电弓区振动和噪声测试,分析发现结构振动是该区域噪声传播的重要方式,设计了一种独特的锥形椭圆结构减振座,用于受电弓弹性安装;其次,搭建了模拟现车试验台,验证减振座的降噪效果;最后,进行了总计252万次的疲劳试验以验证减振座的可靠性。试验结果表明,该减振座能够有效减小受电弓振动对车体的激励,从而降低该区域的噪声,降噪效果约为4dB(A),其疲劳可靠性能够满足线路运行要求。

基于深度学习DBN算法的高速公路危险变道判别模型

针对危险变道过程影响交通安全这一问题,提出一种基于深度学习DBN(deep belief netw orks)算法与分类分析方法的新型危险变道量化判别模型,以解决现存车辆变道过程不可被量化分析及准确判别的问题.招募28名被试者,利用模拟器仿真平台开展实际场景下试验,获取详细的车辆行驶数据及驾驶环境数据作为训练的模型输入.采用SVM算法作为输出层的分类器,建立了DBN-SVM判别模型及基于样本下模型的一般训练方法.该模型的识别精度为93.78%,较朴素贝叶斯模型和BP-ANN神经网络分别提高20.11%和14.45%,并且调整参数后判别结果稳定.DBN-SVM模型可以根据驾驶员历史驾驶数据对即将发生的危险变道做出预测及判别,对驾驶员提出警告,从而减少交通事故的发生.此外,该研究为车联网环境下变道判别及警示的研究提供了理论支持.