为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of S...为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of Safety Margin,RDSM)评估车辆实时跟驰风险水平,采用模糊C-均值聚类方法将风险水平划分为无风险或低风险、中风险及高风险;从跟驰前车类型、车辆在隧道内位置、驾驶环境、当前时刻的车辆驾驶和交互状态,以及历史的车辆驾驶和交互状态这5个方面,在数据中选取26项潜在影响因素,构建两类车辆的多项Logit模型和相关随机参数Logit模型,分析和比较各项因素对两类车辆的高速公路隧道实时跟驰风险的影响,揭示影响因素的异质性。结果表明:大型车在隧道内的实时跟驰风险受到更多因素的影响;跟驰车辆与其前车的车辆类型不同时,隧道实时跟驰风险会相对降低;前车驾驶状态的波动更容易导致跟驰高风险;平均边际效应显示,相比于在隧道进口段,小型车在隧道出口段实时跟驰风险为高风险的概率增加了0.0413,大型车在隧道内部路段实时跟驰风险为高风险的概率增加了0.0155;高风险状态下的跟驰间距标准差在两类车辆中均表现出异质性。展开更多
针对工业环境中随机冲击干扰下滚动轴承微弱故障特征提取难题,提出一种基于自适应短时维纳滤波(Adaptive Short Time Wiener Filtering,ASTWF)和改进正交匹配追踪(Orthogonal Matching Pursuit,OMP)的滚动轴承故障特征提取方法。该方法...针对工业环境中随机冲击干扰下滚动轴承微弱故障特征提取难题,提出一种基于自适应短时维纳滤波(Adaptive Short Time Wiener Filtering,ASTWF)和改进正交匹配追踪(Orthogonal Matching Pursuit,OMP)的滚动轴承故障特征提取方法。该方法首先采用包络峭度和随余比(Random Shocks and Margin Ratio,RMR)作为联合判据,界定窗长界限并自适应确定STWF最优窗长参数,进而将随机冲击干扰从测试信号中分离出来;然后,利用立方包络自相关谱估计信号中周期频率,构造周期原子库,降低匹配原子冗余度;最后,利用相似性理论优化匹配追踪迭代终止条件,并结合周期原子库,实现弱故障冲击特征快速、准确提取。根据仿真信号和通过变速箱下线检测所得工程数据,可验证所提出方法可有效识别随机冲击干扰下的滚动轴承微弱故障特征。对比最小熵形态反卷积(Minimum Entropy Morphological Deconvolution,MEMD)方法对于随机冲击干扰下滚动轴承微弱故障特征提取效果,发现所提出方法具有更好的故障特征提取能力;与经典OMP方法相比,所提出改进OMP方法信号重构速度提升66%。展开更多
文摘为研究小型车和大型车两类车辆在高速公路隧道路段内的跟驰行为,本文使用“卡口相机结合激光雷达”的数据采集模式,采集广东省祈福隧道的车辆行驶轨迹,并分别提取两类车辆的跟驰轨迹数据;提出实时安全裕度偏差(Real-time Deviation of Safety Margin,RDSM)评估车辆实时跟驰风险水平,采用模糊C-均值聚类方法将风险水平划分为无风险或低风险、中风险及高风险;从跟驰前车类型、车辆在隧道内位置、驾驶环境、当前时刻的车辆驾驶和交互状态,以及历史的车辆驾驶和交互状态这5个方面,在数据中选取26项潜在影响因素,构建两类车辆的多项Logit模型和相关随机参数Logit模型,分析和比较各项因素对两类车辆的高速公路隧道实时跟驰风险的影响,揭示影响因素的异质性。结果表明:大型车在隧道内的实时跟驰风险受到更多因素的影响;跟驰车辆与其前车的车辆类型不同时,隧道实时跟驰风险会相对降低;前车驾驶状态的波动更容易导致跟驰高风险;平均边际效应显示,相比于在隧道进口段,小型车在隧道出口段实时跟驰风险为高风险的概率增加了0.0413,大型车在隧道内部路段实时跟驰风险为高风险的概率增加了0.0155;高风险状态下的跟驰间距标准差在两类车辆中均表现出异质性。
文摘针对工业环境中随机冲击干扰下滚动轴承微弱故障特征提取难题,提出一种基于自适应短时维纳滤波(Adaptive Short Time Wiener Filtering,ASTWF)和改进正交匹配追踪(Orthogonal Matching Pursuit,OMP)的滚动轴承故障特征提取方法。该方法首先采用包络峭度和随余比(Random Shocks and Margin Ratio,RMR)作为联合判据,界定窗长界限并自适应确定STWF最优窗长参数,进而将随机冲击干扰从测试信号中分离出来;然后,利用立方包络自相关谱估计信号中周期频率,构造周期原子库,降低匹配原子冗余度;最后,利用相似性理论优化匹配追踪迭代终止条件,并结合周期原子库,实现弱故障冲击特征快速、准确提取。根据仿真信号和通过变速箱下线检测所得工程数据,可验证所提出方法可有效识别随机冲击干扰下的滚动轴承微弱故障特征。对比最小熵形态反卷积(Minimum Entropy Morphological Deconvolution,MEMD)方法对于随机冲击干扰下滚动轴承微弱故障特征提取效果,发现所提出方法具有更好的故障特征提取能力;与经典OMP方法相比,所提出改进OMP方法信号重构速度提升66%。
