超深地铁换乘枢纽超长自动扶梯故障的客流疏散

在存量城市空间紧约束的背景下,地铁车站站房建设逐渐深层化,站内自动扶梯呈现穿越层数多、提升高度大的趋势.地铁换乘枢纽站客流大,一旦发生紧急情况,极易造成人群拥堵,甚至踩踏等伤亡事故,其中,超长自动扶梯成为重点关注部位.根据超深地铁换乘枢纽地下空间面积大、层数多及内部结构复杂等特点,利用Revit组合MassMotion的建模仿真方法,以中国成都市4线地铁换乘枢纽骡马市站为例,模拟枢纽内超长自动扶梯故障对乘客出行造成的影响.通过设置超长自动扶梯故障场景,从微观角度模拟分析拥堵原因,制定限制方向和客流引导等疏散方案,减少乘客出行决策判断时间,优先保证更多乘客正常完成出行,缓解超长自动扶梯故障造成的客流拥堵.通过定量评估退出模拟用时与起讫点社会模拟成本等指标,发现虽然部分方向乘客的走行和候车成本增加,但整体出行用时降低.该方法可为地铁运营部门制定疏解预案提供参考.

基于层次分析法与差分进化算法极限学习机的自动扶梯故障检测

针对自动扶梯故障问题,以层次分析和差分进化算法极限学习机相结合的方式快速、准确地分析了自动扶梯发生的故障问题。首先,用层次分析法计算出各故障因数的权值,选取权值较大的一部分因素作为输入。然后,建立DE-ELM安全评测模型并与ELM模型比较,得出自动扶梯安全程度等级并说明自动扶梯的安全性。研究表明:对于很难或无法获得故障因素准确值的自动扶梯而言,层次分析法是一种有效实用的可靠性分析方法,再结合差分进化算法极限学习机的全局寻优能力,对自动扶梯故障问题的检测更加快速、准确。

支持向量机背景下的自动扶梯故障预测方法研究

随着人民生活水平的提高,购物中心、地铁等基础设施项目逐渐增多,自动扶梯的数量也在增加。然而,自动扶梯在正常运行过程中会受到多种因素的干扰,故障可视为自动扶梯的失稳问题。因此,为了解决自动扶梯故障预测的难题,利用支持向量机算法提出了风险预测模型,将重力算法应用其中,并对算法中的核函数计算过程进行优化,使支持向量机算法达到最优的性能,更好地实现对扶梯故障性问题的预测,并利用相对误差的计算进行算法优越性的研究。通过实验可知,算法在自动扶梯故障预测的过程中,运行效果优于其他算法,具有较好的预测性能。

基于一维卷积神经网络的自动扶梯机械故障分类研究

老旧扶梯机械故障较为隐蔽,定期检验不易发现,且对扶梯机械故障的智能分类的研究较少。自动扶梯振动信号复杂多变,数据量大,而采用传统机器学习算法对其机械故障进行诊断效果不佳。为实现自动扶梯机械故障的智能分类,在经典二维卷积神经网络的基础上,引入了卷积核的一维卷积神经网络,构建了自动扶梯机械故障的自动分类模型。首先为提高模型的泛化性能,融合凯斯西储大学轴承故障、东南大学齿轮故障和某大型商场自动扶梯梯级滚轮磨损故障的复合故障数据建立了数据集。然后用数据增强的方法对数据进行预处理,接着采用一维卷积神经网络,构建自动扶梯机械故障诊断模型。最后使用测试数据集对模型的分类精度进行了验证实验,结果表明该模型有着比传统机器学习算法自动化程度高、成本低、专业门槛低、步骤简单等明显优势,而且该模型能快速准确地对自动扶梯的机械故障进行自动诊断,实现了95%的诊断准确率,为下一步将该算法集成到检验仪器中打下了基础。