论文投稿百科

车辆及道路车道线检测论文

发布时间:2024-07-02 01:42:56

车辆及道路车道线检测论文

本文将对论文 Towards End-to-End Lane Detection: an Instance Segmentation Approach 进行解读。这篇论文是于2018年2月挂在arxiv上的。        文中提出了一种端到端的车道线检测算法,包括LaneNet和H-Net两个网络模型。其中,LaneNet是一种将 语义分割 和 对像素进行向量表示 结合起来的多任务模型,负责对图片中的车道线进行 实例分割 ;H-Net是由卷积层和全连接层组成的网络模型,负责预测转换矩阵H,使用转换矩阵H对属于同一车道线的像素点进行回归(我的理解是对使用坐标y对坐标x进行修正)。        根据论文中的实验结果,该算法在图森的车道线数据集上的准确率为,在NVIDIA 1080 TI上的处理速度为52FPS。        如图1所示,对于同一张输入图片,LaneNet输出实例分割的结果,为每个车道线像素分配一个车道线ID,H-Net输出一个转换矩阵H,使用转换矩阵H对车道线像素进行修正,并对修正的结果拟合出一个三阶的多项式作为预测得到的车道线。       论文中将实例分割任务拆解为 语义分割 和 聚类 两部分,如图2所示,LaneNet中decoder分为两个分支,Embedding branch对像素进行嵌入式表示,训练得到的embedding向量用于聚类,Segmentation branch负责对输入图像进行语义分割(对像素进行二分类,判断像素属于车道线还是背景)。最后将两个分支的结果进行结合得到实例分割的结果。 在设计语义分割模型时,论文主要考虑了以下两个方面: 1.在构建label时,为了处理遮挡问题,论文对被车辆遮挡的车道线和虚线进行了还原; 2. Loss使用 交叉熵 ,为了解决样本分布不均衡的问题(属于车道线的像素远少于属于背景的像素),参考论文 ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation  ,使用了boundedinverse class weight对loss进行加权: 其中,p为对应类别在总体样本中出现的概率,c是超参数(ENet论文中是,使得权重的取值区间为[1,50])。        为了区分车道线上的像素属于哪条车道,embedding_branch为每个像素初始化一个embedding向量,并且在设计loss时, 使得属于同一条车道线的像素向量距离很小,属于不同车道线的像素向量距离很大 。 这部分的loss函数是由两部分组成:方差loss(L_var)和距离loss(L_dist): 其中,x_i为像素向量,μ_c为车道线的均值向量,[x]+ = max(0,x)         为了方便在推理时对像素进行聚类,在图4中实例分割loss中设置δ_d > 6*δ_v。         在进行聚类时,首先使用mean shift聚类,使得簇中心沿着密度上升的方向移动,防止将离群点选入相同的簇中;之后对像素向量进行划分:以簇中心为圆心,以2δ_v为半径,选取圆中所有的像素归为同一车道线。重复该步骤,直到将所有的车道线像素分配给对应的车道。        LaneNet是基于 ENet 的encoder-decoder模型,如图5所示,ENet由5个stage组成,其中stage2和stage3基本相同,stage1,2,3属于encoder,stage4,5属于decoder。        如图2所示,在LaneNet中,语义分割和实例分割两个任务 共享stage1和stage2 ,并将stage3和后面的decoder层作为各自的分支(branch)进行训练;其中, 语义分割分支(branch)的输出shape为W*H*2,实例分割分支(branch)的输出shape为W*H*N,W,H分别为原图宽和高,N为embedding vector的维度;两个分支的loss权重相同。         LaneNet的输出是每条车道线的像素集合,还需要根据这些像素点回归出一条车道线。传统的做法是将图片投影到鸟瞰图中,然后使用2阶或者3阶多项式进行拟合。在这种方法中,转换矩阵H只被计算一次,所有的图片使用的是相同的转换矩阵,这会导致地平面(山地,丘陵)变化下的误差。         为了解决这个问题,论文训练了一个可以预测转置矩阵H的神经网络H-Net, 网络的输入是图片 , 输出是转置矩阵H :         由图6可以看出,转置矩阵H只有6个参数,因此H-Net的输出是一个6维的向量。H-Net由6层普通卷积网络和一层全连接网络构成,其网络结构如图7所示: Curve fitting的过程就是通过坐标y去重新预测坐标x的过程:LaneNet和H-Net是分别进行训练的。在论文的实验部分,两个模型的参数配置如下所示: •    Dataset : Tusimple •    Embedding dimension = 4 •    δ_v= •    δ_d=3 •    Image size = 512*256 •    Adam optimizer •    Learning rate = 5e-4 •    Batch size = 8 •    Dataset : Tusimple •    3rd-orderpolynomial •    Image size =128*64 •    Adam optimizer •    Learning rate = 5e-5 •    Batch size = 10

道路交通论文

道路交通安全相关的论文应该怎么写呢?以下是我整理的道路交通论文,欢迎参考阅读!

摘要 :

交通安全关乎国计民生,是我国基础设施建设中不容忽视的问题之一。公路设计作为公路交通建设中关键的环节,其科学合理性直接影响着公路通车以后的使用性能,必须在公路设计阶段充分考虑对交通安全的影响。通过分析交通安全中公路设计因素的影响作用,探讨了改善公路设计的措施,以确保公路交通自设计之初就消除不必要的隐患,进一步提升公路交通安全。

关键词 :

交通安全;公路设计;线形设计;视距

引言

交通安全的影响因素中,公路设计是最不容忽视的因素之一。公路设计是公路工程建设中的关键环节,其科学性直接影响着道路以后的使用性能。公路设计过程中如果未对公路线形、抗滑系数等充分考虑,就可能在以后的车辆行驶过程中引发安全事故。因此,探讨公路设计中对交通安全的影响因素,并采取相应的改进措施是十分必要的。

1公路设计因素对交通安全的影响

公路交通作为交通系统中重要的组成部分,其安全性能对交通安全的影响是不容忽视的。公路设计是公路交通建设的关键步骤,设计质量的优劣直接影响着公路的使用性能。通常情况下,公路交通安全会受到多种因素影响,因此在公路设计的过程中应充分考虑各种因素的综合影响,进而在设计之初就采取相应的措施以确保公路交通系统的可靠性。

平面线形设计对交通安全的影响

公路线是公路交通系统的主要组成部分,平面线形设计也是公路交通安全中首要考虑的因素。公路平面线形设计中必须充分考虑驾驶员在道路行驶过程中的心理和视觉感受,因为这些因素都直接影响着驾驶员在车辆行驶中的安全稳定性。实际上,每个驾驶员在车辆驾驶中的习惯和操控手法都不一致,这里主要考虑驾驶员的共性习惯问题,并兼顾个性效应。此外,设计中还应考虑紧急情况出现时驾驶员能够做出的控制和反应,以应对不同紧急状况的发生,从而在公路设计过程中就加强对交通事故及严重交通事故的预防。平面线形设计的优劣能够直接影响以后道路行驶中驾驶员的视觉效果,在设计过程中应特别重视对以上因素的影响[1]。视距设计对公路交通安全的影响所谓视距,通常包括平面视距和纵断视距。视距对于驾驶员安全行车的影响也是不容忽视的,良好的视距设计可以在驾驶员的行车过程中营造舒适的外在环境,并在紧急情况出现时能够有更加充分的时间和空间来采取措施,及时操控车辆到安全的区域。公路设计中的视距设计根据内容又可以分为停车视距设计、会车视距设计及超车视距设计,其中最应该引起重视的是超车视距,因为超车通常是最容易引起交通事故的操作之一。超车视距也被认为是最长的视距,交通意外风险最高,在行车过程中需要的时间和空间最多,因此必须在超车视距设计中给予充分的考虑。

纵断面线形设计对公路交通安全的'影响

纵断面的公路设计通常对视距的影响是决定性的,同时也是公路设计中影响交通安全的重要因素之一[2]。公路的线形设计中纵断面设计是十分重要的一个环节,特别是出现较长或者大型纵坡的情况时,公路纵断面的影响必须完全考虑。在公路上行驶的车辆一旦遇到长或大的纵坡,车辆载重量又较大的情况,就会保持长时间的低档行驶,进而对车辆造成一定的影响。除了大纵坡以外,还有一些其它方面的情况需要认真考虑,由于涉及到道路危险,因此纵断面的线形设计至关重要。

平纵组合设计对公路交通安全的影响

平纵组合设计是影响交通安全的又一重要因素。组合设计的最终目的是为了让道路行驶过程更人性化,更符合驾驶员的习惯,也是帮助行驶车辆能够更好地协调。只有设置了相应的平纵组合设计,才能够尽量避免或减少车辆在行驶的过程中由于不适应而引发的交通事故。平纵组合的设计对于公路交通来说是十分重要的,要充分考虑到驾驶员的行车习惯及在各种路段行车过程中产生的惯性心理及其影响。

2改善公路设计中对交通安全影响因素的措施

公路交通安全关系到社会生活的方方面面,提供良好的交通环境需要公路设计过程中充分地考虑到影响交通安全的因素,并采取相应的措施。公路交通安全系数的提高,离不开科学合理的公路设计。

改进公路平面线形设计

公路直线路段过长就容易引起驾驶员的视觉疲劳,同时也可能导致驾驶员的车速过快,因此,公路支线路段在设计长度上应尽量避免连续过长的路段。为了确保公路路段前后线形性能的稳定性,选择曲线半径时通常要用到比最小半径大的半径,且一般不超过1000m。此外,行车路段中出现比现行路段更复杂的情况后,应充分考虑车辆面临突然的变化采取习惯性制动措施的情况,一方面应尽可能通过曲线技术指标将路段科学过渡,留给驾驶员充分的时间做好预防突发状况的准备。此外,公路不仅仅是供人们通行的基础设施,同时也是周围环境的营造者,公路设计中也要考虑到对环境的影响,以为人们提供良好的行车外在环境。

改进公路视距设计的方法及措施

在改进公路视距设计中主要从以下3个方面进行分析[3]:首先,驾驶员在公路上行车要实现超车就必须具有足够的超车时间和空间,视距设计时就应考虑到为车辆超车提供行车净空的标准要求,并在以后的施工中严格保证净空的规范质量,以确保车辆行进过程有序地完成。其次,公路设计的过程中任何设计方案的提出都要满足国家标准的要求,特别是高等级公路和主干线公路,必须满足在该路段标准车速行驶的状态下完成超车所需要的时间和空间保证。最后,公路路段中如果出现人工构造物或者边坡时,除了要保证相应的空间以外,还应该考虑到构造物对驾驶员视线的影响,可以适当设置交通标志以提示驾驶员可能要面临的路况,以尽早采取制动或其它措施来应对,预防和减少交通意外的出现。

改进纵断面线形设计的措施

纵断面线形设计主要是针对长、大纵坡的路段,在设计的过程中要考虑长、大纵坡等实际情况。路段中出现较长或者较大的纵坡路段时,就需要对该路段进行爬坡设计,除了相应的受力计算外,也要保证各种行驶车辆在该路段爬坡时车辆的性能稳定性,绝不可采取极限值计算并应用于设计中。因为如果采取极限值法进行设计,一旦车辆性能受到影响就会发生不必要的交通事故。如果必须要采取极限值时,也应该辅助以相应能够有效降低车速的措施,或者设置醒目的道路警告交通标志,提前向驾驶员提示预警,让其尽早采取措施以减少由于特殊路段行车不当而引起的交通安全事故。

改进平面组合设计的措施

组合设计的目的通过平面上直线与曲线的交叉或者其它方式的纵断相接,为驾驶员提供良好的行车环境,以预防和减少交通意外的出现。例如,公路路段中出现急转弯或者连续陡坡的情况时,通过平面曲线设计将道路平曲线设置的长于平面竖曲线,可以有效降低车辆行驶该路段过程中的不适应,从而降低交通意外的发生概率。直线纵断面在驾驶员行车的过程中可能会造成视觉上的阻碍,在公路设计中应注意避免,同时,还应考虑到驾驶员突然采取制动措施时的车辆可能行进状况,设置相应的平面区域,以降低紧急意外引起的事故发生率,确保公路交通安全。

3结语

经济的发展离不开基础设施的建设,公路交通作为我国的主要交通形式正在扮演者越来越重要的角色。公路设计是公路交通的关键步骤,良好的公路设计能够为交通安全及早地剔除隐患,减少重大交通事故的出现频率。随着我国经济建设的快速发展,公路交通安全越来越受到公众的重视,公路设计工作者需要承担的责任越来越大,在设计过程中应充分考虑交通安全的影响因素,提高公路交通的可靠稳定性。

车道线检测硕士论文

1、<> 2、<> 将pixel分割转换为grid分类的问题。对H*W的图像划分成h*(w+1)的网格,分割时需要处理H*W个点的进行分类,类别数目(C+1);现在只需要处理h*C个点的分类,类别数目(w+1)。 分类损失(交叉熵)+ “平滑”损失(相邻的两条anchor应该相似)+“二阶差分”损失(车道线为直的,斜率一致) 此外,在训练时,加入分割辅助支路,因此还有分割的交叉熵损失。 利用多项式进行道路建模(图中所示多项式系数a,每一条车道线有4个系数,即为3阶多项式)。 s为纵向方向车道线距图像底部的最小距离,h为纵向方向车道线距图像底部的最大距离(所有车道线共享一个h),c为车道线的置信度。 多项式损失的计算:取y坐标,通过多项式计算x坐标,计算MSE损失。如果某个点损失小于预设阈值,令损失为0,为了减少对于已经预测准确的点的关注。

车道线检测算法通常分为两种类型:一种是基于基于视觉特征来做语义分割或者实例分割,例如 LaneNet 和 SCNN ;另一种是通过视觉特征来预测车道线所在位置的点,以此来解决 no-visual-clue 问题的模型,比如本文提到的 Ultra-Fast-Lane-Detection 。

offical github : paper : Ultra Fast Structure-aware Deep Lane Detection

下图展示了整个模型的结构,基本可以分为三个部分: Backbone 、 Auxiliary 部分和用于车道线候选点选择的 Group Classification 部分。可以看出,由于整个 pipeline 中参与最终 inference 的部分只进行了下采样而不像分割模型还进行了多轮的上采样,因此模型整体的计算量是相当低的,根据论文给出的结果可以达到 300FPS 。

Backbone 部分采用了较小的 ResNet18 或者 ResNet34 ,下采样到 4X 的部分作为最终的特征,这里其实是较为浅层的特征,一般分割模型要下采样到 16x 或者 32x 。论文里也提到了使用较大的感受野就可以达到不错的检测效果,这样就可以极大的提高模型的推理速度。

Auxiliary 部分对三层浅层特征进行了 concat 和上采样,用来进行实例分割。其目的是在训练过程中增强视觉特征,不参与推理。

Group Classification 部分如下所示,论文称之为 row-based selecting method based on global image features ,即在全局特征上进行行索引来计算候选点,这样的方法将先验假设融入到了车道线检测的任务中。

在分割任务上,最终的特征图的大小是 HxWxC 。分类是要沿着 C 方向的, C 方向的向量代表一个像素位置的特征向量属于哪一个类别;在本方法中,最终的特征图的大小是 hx(w+1)xC 。 h 是要在垂直方向上采样的行的数量( row anchor ), h

文章中使用的 Loss 函数分为三部分,分别是多分类损失 L_cls , 分割损失 L_seg 和车道结构化损失 L_str 。其中 L_cls 和 L_seg 是常用的分类、分割任务中常用的两种损失。

结构损失的目的是利用车道结构的先验知识来约束预测出来的车道线的形状。其中 L_sim 为相似度损失, L_shp 为形状损失。

相似度损失的出发点是同一个车道中,相邻的两个点之间的距离应该尽可能的近,这里使用 L1 范式来进行距离的约束。

形状损失的出发点是基于大多的的车道线都是直线,即使是曲线其大部分也是近似的直线。对于同一条车道线,在相邻 row achor 上的车道线的候选点的位置的选择应该尽可能的相近。理想的状况下它的值应该为 0 。

Loc 函数的含义是第 i 条车道的第 j 个 row anchor 中车道点的期望。 Prob 代表的是第 i 条车道的第 j 个 row anchor 中,第 k 个位置是车道点的概率。因为背景不被计算在内,因此 k 的取值从 1 开始。

论文给出 metric 结果如下所示,其评估硬件应该为 NVIDIA GTX 1080TI 。该方法在保证精度接近的情况下,极大的提升了推理速度,很适合实时检测的任务。

为了测试其真实的推理性能,我在 NVIDIA RTX 3070+CUDA11+ 的环境性进行了测试。模型的 backbone 为 resnet18 ,输入尺寸为 (288, 800, 3) 的情况下, Ultra-Fast-Lane-Detection 的推理性能如下所示,单 batch 推理速度约为 350FPS ,其性能与论文给出的结果基本一致。

铁道机车车辆期刊

交通技术,直接找这些期刊的官网~咨询编辑如何投稿就可以了

1、北方交通 2、北京公路 3、北京汽车 4、变流技术与电力牵引 5、长客科技 6、车辆与动力技术 7、车迷 8、车时代 9、车世界 10、车用发动机 11、车与人 12、车主之友 13、城市车辆 14、城市道桥与防洪 15、城市公共交通 16、城市轨道交通研究 17、城市交通 18、船舶 19、船舶标准化 20、船舶标准化工程师 21、船舶标准化与质量 22、船舶工程 23、船舶经济贸易 24、船舶力学 25、船舶设计通讯 26、船舶物资与市场 27、船电技术 28、船海工程 29、船检科技 30、船艇 31、大众汽车(豪华版) 32、当代汽车 33、道路交通管理 34、道路交通与安全 35、地下工程与隧道 36、电动自行车 37、电力机车与城轨车辆 38、电气化铁道 39、东北公路 40、东风汽车 41、都市快轨交通 42、发动机燃料系统 43、福建交通科技 44、港工技术 45、港工技术与管理 46、港工勘察(内部资料) 47、港口经济 48、港口科技 49、港口装卸 50、公路 51、公路工程 52、公路交通技术 53、公路交通科技 54、公路与汽运 55、广船科技 56、广东公路交通 57、广东造船 58、广铁科技 59、广西交通科技 60、国防交通工程与技术 61、国际船艇 62、国家安全通讯 63、国外机车车辆工艺 64、国外舰船工程 65、国外内燃机车 66、国外铁道车辆 67、哈尔滨铁道科技 68、海交史研究 69、海事大观 70、航道科技 71、航海 72、航海技术 73、黑龙江交通科技 74、湖北汽车 75、湖南交通科技 76、华东公路 77、华南航道 78、机车车辆工艺 79、机车车辆通讯 80、机车电传动 81、机电兵船档案 82、机电设备 83、集装箱化 84、驾驶天地 85、驾驶园 86、减速顶与调速技术 87、舰船电子工程 88、舰船科学技术 89、舰船知识 90、江苏船舶 91、江苏交通 92、江苏交通科技 93、江西交通 94、交通标准化 95、交通环保 96、交通节能与环保 97、交通科技 98、交通科技与经济 99、交通世界(建养机械) 100、交通世界(运输车辆) 101、交通与计算机 102、交通与社会 103、交通与运输 104、交通运输工程学报 105、交通运输工程与信息学报 106、交通运输系统工程与信息 107、轿车情报 108、京铁科技通讯 109、客车技术 110、客车技术与研究 111、路基工程 112、眉厂科技 113、名车志 114、摩托车 115、摩托车技术 116、摩托车信息 117、内蒙古公路与运输 118、内燃机车 119、汽车导购 120、汽车电器 121、汽车工程 122、汽车工业研究 123、汽车工艺与材料 124、汽车技术 125、汽车驾驶员 126、汽车科技 127、汽车情报 128、汽车生活 129、汽车时代 130、汽车实用技术 131、汽车维护与修理 132、汽车维修 133、汽车维修技师 134、汽车维修与保养 135、汽车文摘 136、汽车与安全 137、汽车与驾驶维修 138、汽车与你 139、汽车与配件 140、汽车与社会 141、汽车运输研究 142、汽车运用 143、汽车杂志 144、汽车之友 145、汽车知识 146、汽车族 147、桥梁建设 148、青海交通科技 149、轻型汽车技术 150、山东交通科技 151、山西交通科技 152、商用汽车 153、上海船舶运输科学研究所学报 154、上海公路 155、上海汽车 156、上海铁道科技 157、上海造船 158、时代汽车 159、实用汽车技术 160、世界海运 161、世界汽车 162、世界桥梁 163、世界隧道 164、水道港口 165、水路运输文摘 166、水运工程 167、水运管理 168、水运科学研究 169、四机科技 170、隧道建设 171、隧道译丛 172、天津航海 173、天津汽车 174、铁道标准设计 175、铁道车辆 176、铁道工程学报 177、铁道货运 178、铁道机车车辆 179、铁道机车车辆工人 180、铁道技术监督 181、铁道建筑 182、铁道建筑技术 183、铁道勘测与设计 184、铁道勘察 185、铁道劳动安全卫生与环保 186、铁道通信信号 187、铁道文摘 188、铁道学报 189、铁道运营技术 190、铁道知识 191、铁路安全 192、铁路采购与物流 193、铁路地质与路基 194、铁路工程造价管理 195、铁路技术创新 196、铁路通信信号工程技术 197、西部交通科技 198、现代城市轨道交通 199、现代船舶 200、现代交通技术 201、现代隧道技术 202、小型内燃机与摩托车 203、学术动态 204、移动电源与车辆 205、游艇业 206、云南交通科技 207、云南现代交通 208、运输经理世界 209、造船技术 210、浙江交通科技 211、中船重工 212、中国船检 213、中国道路运输 214、中国港口 215、中国港湾建设 216、中国公路 217、中国公路学报 218、中国海事 219、中国航海 220、中国航务周刊 221、中国机械 222、中国舰船研究 223、中国交通年鉴 224、中国交通信息产业 225、中国轮胎资源综合利用 226、中国汽车工业年鉴 227、中国汽车画报 228、中国汽车市场 229、中国水运(理论版) 230、中国水运(上半月) 231、中国水运(下半月) 232、中国水运(学术版) 233、中国索道 234、中国铁道科学 235、中国铁道年鉴 236、中国铁路 237、中国铁路(英文版) 238、中国修船 239、中国造船 240、中国自行车 241、中外船舶科技 242、中外公路 243、中文科技资料目录-船舶工程 244、重型汽车 245、珠江水运 246、筑路机械与施工机械化 247、专用汽车 248、装备维修技术 249、综合运输

《铁道知识》双月刊 《上海铁道科技》季刊 《国外铁道车辆》双月刊 《铁道建筑》月刊 《铁道运输与经济》月刊 《铁道货运》月刊 《铁道车辆》月刊 《现代城市轨道交通》双月刊 《中国铁路》月刊 《铁道机车车辆》双月刊

《中国铁路专用设备及器材、配件行业产销需求与投资预测分析报告》指出《铁道机车车辆》是铁道部主管,由铁道科学研究院机车车辆研究所与中国铁道学会牵引动力委员会联合主办的铁道机车车辆专业和供电专业的综合性科技期刊。创刊于1981年。其办刊宗旨是:坚持科学发展观,认真贯彻“科教兴国”的方针,努力准确、及时、全面地反映和交流铁路和城市轨道交通的机车车辆、供电系统方面的试验研究和设计成果,运用检修经验,有关的新产品、新技术、新工艺、新材料以及国内外技术动态、技术政策等,从而为铁路运输生产及城市轨道交通的技术进步和发展作出贡献。读者对象:从事铁道和城轨交通机车车辆专业和供电专业的试验研究、设计制造和运用检修的科技人员、管理人员和院校师生等。 主管单位:中华人民共和国铁路局主办单位:中国铁道科学研究院机车车辆研究所中国铁道学会牵引动力委员会一级管理主编:张冀荃ISSN:1008-7842CN:11-1917/U地址:北京西直门外大柳树路2号邮政编码:100081

车道线检测发论文简单吗

本文将对论文 Towards End-to-End Lane Detection: an Instance Segmentation Approach 进行解读。这篇论文是于2018年2月挂在arxiv上的。        文中提出了一种端到端的车道线检测算法,包括LaneNet和H-Net两个网络模型。其中,LaneNet是一种将 语义分割 和 对像素进行向量表示 结合起来的多任务模型,负责对图片中的车道线进行 实例分割 ;H-Net是由卷积层和全连接层组成的网络模型,负责预测转换矩阵H,使用转换矩阵H对属于同一车道线的像素点进行回归(我的理解是对使用坐标y对坐标x进行修正)。        根据论文中的实验结果,该算法在图森的车道线数据集上的准确率为,在NVIDIA 1080 TI上的处理速度为52FPS。        如图1所示,对于同一张输入图片,LaneNet输出实例分割的结果,为每个车道线像素分配一个车道线ID,H-Net输出一个转换矩阵H,使用转换矩阵H对车道线像素进行修正,并对修正的结果拟合出一个三阶的多项式作为预测得到的车道线。       论文中将实例分割任务拆解为 语义分割 和 聚类 两部分,如图2所示,LaneNet中decoder分为两个分支,Embedding branch对像素进行嵌入式表示,训练得到的embedding向量用于聚类,Segmentation branch负责对输入图像进行语义分割(对像素进行二分类,判断像素属于车道线还是背景)。最后将两个分支的结果进行结合得到实例分割的结果。 在设计语义分割模型时,论文主要考虑了以下两个方面: 1.在构建label时,为了处理遮挡问题,论文对被车辆遮挡的车道线和虚线进行了还原; 2. Loss使用 交叉熵 ,为了解决样本分布不均衡的问题(属于车道线的像素远少于属于背景的像素),参考论文 ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation  ,使用了boundedinverse class weight对loss进行加权: 其中,p为对应类别在总体样本中出现的概率,c是超参数(ENet论文中是,使得权重的取值区间为[1,50])。        为了区分车道线上的像素属于哪条车道,embedding_branch为每个像素初始化一个embedding向量,并且在设计loss时, 使得属于同一条车道线的像素向量距离很小,属于不同车道线的像素向量距离很大 。 这部分的loss函数是由两部分组成:方差loss(L_var)和距离loss(L_dist): 其中,x_i为像素向量,μ_c为车道线的均值向量,[x]+ = max(0,x)         为了方便在推理时对像素进行聚类,在图4中实例分割loss中设置δ_d > 6*δ_v。         在进行聚类时,首先使用mean shift聚类,使得簇中心沿着密度上升的方向移动,防止将离群点选入相同的簇中;之后对像素向量进行划分:以簇中心为圆心,以2δ_v为半径,选取圆中所有的像素归为同一车道线。重复该步骤,直到将所有的车道线像素分配给对应的车道。        LaneNet是基于 ENet 的encoder-decoder模型,如图5所示,ENet由5个stage组成,其中stage2和stage3基本相同,stage1,2,3属于encoder,stage4,5属于decoder。        如图2所示,在LaneNet中,语义分割和实例分割两个任务 共享stage1和stage2 ,并将stage3和后面的decoder层作为各自的分支(branch)进行训练;其中, 语义分割分支(branch)的输出shape为W*H*2,实例分割分支(branch)的输出shape为W*H*N,W,H分别为原图宽和高,N为embedding vector的维度;两个分支的loss权重相同。         LaneNet的输出是每条车道线的像素集合,还需要根据这些像素点回归出一条车道线。传统的做法是将图片投影到鸟瞰图中,然后使用2阶或者3阶多项式进行拟合。在这种方法中,转换矩阵H只被计算一次,所有的图片使用的是相同的转换矩阵,这会导致地平面(山地,丘陵)变化下的误差。         为了解决这个问题,论文训练了一个可以预测转置矩阵H的神经网络H-Net, 网络的输入是图片 , 输出是转置矩阵H :         由图6可以看出,转置矩阵H只有6个参数,因此H-Net的输出是一个6维的向量。H-Net由6层普通卷积网络和一层全连接网络构成,其网络结构如图7所示: Curve fitting的过程就是通过坐标y去重新预测坐标x的过程:LaneNet和H-Net是分别进行训练的。在论文的实验部分,两个模型的参数配置如下所示: •    Dataset : Tusimple •    Embedding dimension = 4 •    δ_v= •    δ_d=3 •    Image size = 512*256 •    Adam optimizer •    Learning rate = 5e-4 •    Batch size = 8 •    Dataset : Tusimple •    3rd-orderpolynomial •    Image size =128*64 •    Adam optimizer •    Learning rate = 5e-5 •    Batch size = 10

车道线检测算法通常分为两种类型:一种是基于基于视觉特征来做语义分割或者实例分割,例如 LaneNet 和 SCNN ;另一种是通过视觉特征来预测车道线所在位置的点,以此来解决 no-visual-clue 问题的模型,比如本文提到的 Ultra-Fast-Lane-Detection 。

offical github : paper : Ultra Fast Structure-aware Deep Lane Detection

下图展示了整个模型的结构,基本可以分为三个部分: Backbone 、 Auxiliary 部分和用于车道线候选点选择的 Group Classification 部分。可以看出,由于整个 pipeline 中参与最终 inference 的部分只进行了下采样而不像分割模型还进行了多轮的上采样,因此模型整体的计算量是相当低的,根据论文给出的结果可以达到 300FPS 。

Backbone 部分采用了较小的 ResNet18 或者 ResNet34 ,下采样到 4X 的部分作为最终的特征,这里其实是较为浅层的特征,一般分割模型要下采样到 16x 或者 32x 。论文里也提到了使用较大的感受野就可以达到不错的检测效果,这样就可以极大的提高模型的推理速度。

Auxiliary 部分对三层浅层特征进行了 concat 和上采样,用来进行实例分割。其目的是在训练过程中增强视觉特征,不参与推理。

Group Classification 部分如下所示,论文称之为 row-based selecting method based on global image features ,即在全局特征上进行行索引来计算候选点,这样的方法将先验假设融入到了车道线检测的任务中。

在分割任务上,最终的特征图的大小是 HxWxC 。分类是要沿着 C 方向的, C 方向的向量代表一个像素位置的特征向量属于哪一个类别;在本方法中,最终的特征图的大小是 hx(w+1)xC 。 h 是要在垂直方向上采样的行的数量( row anchor ), h

文章中使用的 Loss 函数分为三部分,分别是多分类损失 L_cls , 分割损失 L_seg 和车道结构化损失 L_str 。其中 L_cls 和 L_seg 是常用的分类、分割任务中常用的两种损失。

结构损失的目的是利用车道结构的先验知识来约束预测出来的车道线的形状。其中 L_sim 为相似度损失, L_shp 为形状损失。

相似度损失的出发点是同一个车道中,相邻的两个点之间的距离应该尽可能的近,这里使用 L1 范式来进行距离的约束。

形状损失的出发点是基于大多的的车道线都是直线,即使是曲线其大部分也是近似的直线。对于同一条车道线,在相邻 row achor 上的车道线的候选点的位置的选择应该尽可能的相近。理想的状况下它的值应该为 0 。

Loc 函数的含义是第 i 条车道的第 j 个 row anchor 中车道点的期望。 Prob 代表的是第 i 条车道的第 j 个 row anchor 中,第 k 个位置是车道点的概率。因为背景不被计算在内,因此 k 的取值从 1 开始。

论文给出 metric 结果如下所示,其评估硬件应该为 NVIDIA GTX 1080TI 。该方法在保证精度接近的情况下,极大的提升了推理速度,很适合实时检测的任务。

为了测试其真实的推理性能,我在 NVIDIA RTX 3070+CUDA11+ 的环境性进行了测试。模型的 backbone 为 resnet18 ,输入尺寸为 (288, 800, 3) 的情况下, Ultra-Fast-Lane-Detection 的推理性能如下所示,单 batch 推理速度约为 350FPS ,其性能与论文给出的结果基本一致。

轨道车辆ei论文

国际铁道车辆系统动力研究新进展瑞士Bombar山er公司,研究了采用耦合轮对机车转向架的曲线通过和稳定性优化问题。众所周知,在传统的车辆设计中,曲线通过和稳定性是一对矛盾。研究人员曾采用多种方法试图同时提高这2种基本性能,该文针对机车轮对要传递牵引力的情形,开发了一种轮对交叉耦合机构,可以分离轮对导向和牵引力传递功能,并在瑞士联邦铁路公司460系列机车上成功应用,其车轮旋削周期较以前延长3倍一4倍。 美国运输技术中心(TTCl)H.Wu研究了货车转向架心盘摩擦对曲线通过和横向稳定性的影响,并对目前采用的心盘润滑材料进行了评价。主要结果如下:(1)在正常的车辆和轨道状态下,心盘润滑条件对轮轨横向力影响很小; (2)对于采用滚动接触旁承(RSB)的货车而言,心盘摩擦因数对车辆横向稳定性有重要影响,为了降低货车蛇行危险,心盘摩擦因数最小不能低于0.3; (3)常接触旁承(CCSB)可以有效地改善货车横向稳定性,于采用常接触旁承的货车来说,心盘摩擦对车辆失稳速度影响很小; (4)仿真结果显示,常接触旁承较滚动接触旁承平均提高蛇行失稳速度约16km凡;(5)聚酯作为心盘摩擦材料具有良好的应用前景。 此外,澳大利亚昆士兰中央大学的Y.Handoko等利用VAMPIRE软件首次研究了非对称制动力对货车曲线通过性能的影响。他们简单地采用正负摇头力铁道车辆 第42卷第1期2004年1月矩来模拟非对称制动力的作用。结果表明,货车通过曲线时若施加负的摇头力矩将增大冲角和轮轨横向力,不利于曲线通过。2车辆运动稳定性研究进展 车辆非线性运动稳定性属于理论性很强的研究领域,甚至涉及浑沌、分叉等深层次概念。近2年国际上对此专题的研究仍以理论研究为主,但出现了一些新观点,如曲线上的运动稳定性、轨道体系对车辆运动稳定性的影响等。 丹麦工业大学H.True等在转向架非线性运动稳定性及分叉研究的基础上进一步分析了具有干摩擦悬挂阻尼货车轮对的动力学稳定性问题。 澳大利亚F.Xia和丹麦工业大学H.Tme研究了三大件式货车转向架的动力学问题,其主要特点是考虑了楔块二维干摩擦特性(以前均简化为一维问题),计算出了三大件式货车转向架的线性和非线性临界速度分别为102.6km凡和73.8km凡。计算结果说明三大件式货车转向架呈现浑沌运动。 澳大利亚Y.Q.Sun等强调在货车蛇行运动稳定性计算中考虑轨道离散支承模型的重要性。结果表明,考虑粘弹性轨道模型计算得出的蛇行失稳临界速度要低于不考虑轨道模型(即“刚性”轨道)之值,一般低10%以下。值得指出的是,这一工作早在2年前已由中国西南交通大学完成[:,引。他们采用车辆—轨道耦合动力学方法求解车辆临界速度,其结果是,采用中国的铁路参数,车辆临界速度差异在8%以下(考虑实际轨道弹性结构时临界速度更低),结果是类似的。该项研究结果对经典的车辆动力学计算方法(不考虑轨道结构弹性)中车辆临界速度的计算提出了质疑。因为经典方法会过高地估计车辆运行稳定性,因而是偏于危险的。 德国DLR的J.Arn01d等探讨了考虑车轮弹性对铁道车辆运行性能的影响,认为轮对结构弹性会导致较刚性轮对更大的横向振幅,因而也会影响到整车的运行性能。 波兰华沙技术大学K.noinski等认为,考虑铁道车辆在曲线轨道上的运动稳定性是必要的。而在此之前人们研究车辆运动稳定性问题一般是针对直线轨道上车辆自激振动横向稳定性,曲线轨道(半径及超高等)被认为是一种外界激扰源而抑制了自激振动,因此该文必将引起一定争论。 德国G.Schupp从理论上讨论了机械系统数值分叉分析方法在铁道车辆运动稳定性中的应用可能性。3.2国外应用情况 纽约地铁l 080节新车厢,每年补充200节新车厢;美国、加拿大、南非等国重载货物列车数千辆;美英国道比AEA铁路技术公司J.R.Evans等针对近年来英国铁路愈来愈严重的轮轨滚动接触疲劳(RCF)问题,从车辆动力学角度分析RCF产生的原因及防止途径。首先开展了准静态曲线通过仿真分析,给出了车辆悬挂设计、轮轨踏面、润滑及车速等因素对轮轨滚动接触疲劳的影响关系;其次,进行了动力学仿真分析,这更有助于确定引起RCF的接触条件,并可分析轨道几何不平顺对RCF的影响。 南非SPOORNET的R.Frohling等从理论分析和运用经验方面介绍了大轴重(30t)条件下车轮踏面磨耗及滚动接触疲劳问题。该项研究主要是结合在瑞典运营的新型货车UNO所出现的车轮磨耗严重及踏面剥离损伤问题而开展的理论分析工作,最后提出了对车轮型面重新设计的方案。 此外,法国J.B.Ayabse和H.C1\011et对半赫兹条件下轮轨接触斑的求解方法进行了研究。英国I.Persson等采用遗传算法对铁路车轮型面进行了优化,并认为该方法可以用于钢轨断面优化及轮轨型面匹配研究。4 车辆系统动力学其他领域研究进展 在本届国际会议上尚有其他一些与车辆系统动力学相关的论文进行了宣读、交流,主要包括车辆悬挂(主动)、弓网动力学及车辆空气动力学等几个方面。相对而言,这些方面的论文数量较少,但也展示了铁路车辆系统动力学研究中的一些新问题。4.1 车辆悬挂 日本M.Adac山为了同时提高车辆曲线通过性能和运动稳定性,在车辆二系悬挂中增加了辅助弹簧(横向弹簧),采用VA朋PIRE软件进行了动态仿真,结果显示,该措施可以减小高速曲线通过时车体稳态横向加速度。 中国西南交通大学邬平波等采用柔性车体模型并 考虑半主动悬挂研究了客车的动力学响应。车体模型考虑了一阶垂弯、一阶横弯和一阶扭转模态,车辆其他部件仍视为刚体。计算比较了刚体和柔性车体模型下车体的垂向、横向平稳性指标,并利用滚动振动试验台进行了半主动悬挂试验。 日本H.nunashima等试图采用二系主动悬挂来改善A(>T(自动轨道运输)车辆的乘坐舒适性。采用Ho控制理论实现横向力的主动控制,仿真结果显示A(订车辆乘坐舒适性可以得到明显提高。4.2 弓网动力学 瑞典P.Harell等针对多受电弓受流情形,研究了接触网区段叠合(图8)对弓网动力学的影响,此项研究此前未见报道。接触网叠合区 意大利S.Bru山等讨论了受电弓—接触网系统的中频、高频动态相互作用,主要分析了弓网接触力与离线之间的关系、吊杆对接触力的影响以及接触导线不规则磨耗的成因等问题。4.3 空气动力学 意大利F.Cheli等采用数值仿真和风洞试验的方法研究了给定风场下作用于铁道车辆车体上的空气动载荷及其相应的车辆响应。 日本铁道综合技术研究所M.Suzuh等采用运行试验和数值分析方法研究了列车在隧道中运行时车辆振动与空气动作用力的相互作用,以及减轻空气动力所导致的附加振动的对策。5 车辆系统动力学研究展望 综上所述,近2年来国际上铁道车辆系统动力学研究进展显著,特别是在提高车辆曲线通过性能、提高车辆运行稳定性和解决车辆微道相互作用实际问题等方面研究十分活跃,研究出许多新方法和新技术。结合这些研究进展,笔者认为今后在以下方面将会引国际铁道车辆系统动力学研究新进展 翟婉明起普遍关注并得到进一步发展: (1)随着列车向快速化及高速化方向发展,综合解决车辆直线运动稳定性和曲线通过性能的方法、途径和技术措施将会继续成为广大铁路研究人员研究的热点之一。 (2)主动控制技术是改进铁路机车车辆运行品质的有效方法,在铁路发达国家已得到广泛应用。然而,随着铁路运输与航空、公路运输竞争的进一步激化,不断提高列车运营速度并同时提高乘坐舒适性已成为现代铁路追求的目标。而实现这一目标的手段在很大程度上便是采用先进的主动控制技术。因此,这一领域发展前景广阔。 (3)轮轨接触理论研究已日臻完善,而轮轨运输系统中由于轮轨滚动接触而产生的问题越来越多。因此,如何合理运用轮轨系统动力学(车辆做道系统动力学)理论研究解决这些实际问题(如轮轨不规则磨耗、滚动接触疲劳问题),必将成为本领域研究的一个重要方面,而要解决不规则的轮轨磨耗难题,需要发展同时考虑车辆俄道高频相互作用和损伤机制的综合模型。 (4)车辆微道相互作用研究已越来越能反映铁路中的各种实际因素,今后将进一步走向实际工程应用,如高速(快速)铁路桥头过渡段轨道设计、大轴重货车对线路的动力作用研究、轮轨磨损及轨道沉陷预测、车辆榇道动态相互作用脱轨研究及安全评判标准确定等。 (5)高速列车运行过程中(特别是通过隧道时)空气动力效应对车辆振动性能的影响问题已日益受到人们的关注,是进一步改善乘坐舒适性(包括降低噪声)不可回避的研究课题。 (6)动力学仿真技术已在国际车辆系统动力学研究与应用领域得到十分广泛的应用,发挥了极大效用。各种车辆动力学仿真软件日益成熟。我国应注意这一趋势,组织开发各种大型通用动力学软件,为机车车辆动力学性能优化提供科学工具。与此同时,必须重视仿真软件的试验验证,只有经过广泛验证的软件才能用于指导生产实际。

浅论轨道车辆数字化制造技术平台应用探索论文

引言

随着工业的推出,全球范围正在掀起新一轮的制造业革命,数字化制造(DM)的优势吸引了各个制造领域的聚焦与关注。现在,国内大型装备制造企业都在向波音、空客、GE等国际大公司学习,系统开展数字化制造技术的研究与应用。近十年来,以中航工业为代表的航空制造业,高度重视数字化技术的研究与应用,大力改善信息基础设施建设,结合产品研制,在三维数字化设计、数字仿真、三维数字化工艺等方面开展应用研究,制定了企业系列数字化技术标准规范,成为轨道交通装备制造业的学习参照范例。

1轨道交通车辆数字化制造技术现状

轨道交通车辆行业近年来开始重视三维数字化制造,但是整体水平还相对落后,主要表现在:

1)数字化基础薄弱。设计、工艺、制造等各业务单元信息化应用,尚未形成集成、共享的整体;数字化应用与开发能力不强,基础设施不配套。

2)设计模型局限于几何模型,模型无法作为业务数据的核心,三维模型仅为设计做参考;产品制造信息、属性等还限于二维表达,设计数据发布采用蓝图形式。

3)工艺环节采用二维CAPP,仅限于工艺文档编辑,工艺数据发布采用纸质工艺卡片;生产制造采用ERP、MES系统,但是与设计、工艺脱节。

4)产品研制采用串行模式,部门间信息、数据交流存在壁垒,各专业间交流不畅;研制过程中存在很多不增值环节,生产准备周期长,更改反复频繁。

与此同时,产业链上的各供应配套厂家技术平台基本处于二维时代,而行业内缺少统一的数字化技术标准,缺少并行协同的基本环境。

2基于单一产品数据源的设计制造技术平台构想

轨道交通车辆的发展趋势特点是小批量订单式生产,交付周期越来越短,个性化需求众多。如何充分利用成熟车型产品平台,快速实现高性能、高质量、低成本的个性化派生设计和制造,是现代轨道交通装备企业必须面对的课题。而本文涉及的构建单一数据源的设计制造技术平台,就是结合当前两化融合的技术发展趋势,提出的解决方案构想与实施探索。

通过设计、工艺和制造信息化平台的优化应用,整合公司现有产品、技术,建立企业知识库,实现产品技术数据、生产制造数据的共享与重用;实现模块化、个性化的快速定制开发;也为虚拟仿真验证提供必要的数据基础;在提高产品性能的同时,提高产品可制造、可维护性能。

系统架构与平台设计

南车株机公司设计的数据管理平台采用TC系统,制造环节采用ERP系统(包含一定的MES功能),已经应用多年,但是工艺采用传统的CAPP,一直与设计和生产脱节。经过广泛的调研,选用TCM进行工艺设计与管理,并将设计、工艺整合成产品生命周期管理系统(PLM)。其次,梳理应用多年的ERP/MES系统,将PLM平台与ERP/MES系统无缝高效集成搭建企业单一数据源的设计制造技术平台,总体技术架构设计;并实现从设计模型、设计数据到工艺文件、工艺模型、加工程序,再到生产、维护维修的数字化制造业务流程。

主要业务模型设计如下:

设计方面:逐步探索自顶向下设计模式,在NX/TC环境下建立标准化的三维设计环境和各类产品设计模板,以灵活、快速、高效的方式对设计进行建模和修改,提高设计效率。同时,改变现有三维几何模型加二维图的制造信息表达模式,应用NXPMI工具,将产品几何信息、产品制造信息全部集成在三维模型上表达,逐步取消二维图纸。利用NX/TC协同设计平台在虚拟环境下进行三维设计分析与仿真验证,开展数字化样机设计,提高设计准确性和效率。

工艺方面:引入TCM模块,工艺与设计基于TC系统一体化,开展三维结构化工艺设计、工艺技术体系及工艺资源的数据平台化管理。以三维设计模型、设计BOM、设计文件为输入,进行三维工艺设计和工艺仿真,按照工艺技术标准体系输出三维工艺设计文件、工艺BOM。用TC系统集成的NX进行三维工装设计、CAM数控加工仿真。同时,积极探索TC系统与焊接、装配、钣金、弯管等仿真软件集成,构建工艺仿真验证与设计平台形成反馈闭环。

生产制造:采用ERP/MES系统,通过中间数据库与TC系统集成,打通设计BOM、工艺BOM、制造BOM数据链。ERP/MES系统接收TC系统工艺设计的一次流程划分和原材料拆分、工艺路线、工序材料定额和工序工时定额、以及设计/工艺变更等数据;然后根据项目计划和工艺数据,下达生产计划及生产资源配置。将TC、CAPP、ERP三个系统的物料编码在物料编码平台统一管理,实现物料计划、采购、生产、物流、成本的流程化管理。以项目管理为主线,开展生产计划、作业排程、物料配送、完工情况等生产制造管理;其次与EHR中的组织、人员同步,实现生产作业人员管理。

数据源定义和传递设计

从产品方案设计到运行维护的整个生命周期过程,以三维产品模型为数据组织的核心,所有的产品定义数据、工艺定义数据、制造定义数据都围绕三维模型展开,形成统一、唯一的产品数据源。在此基础上开展设计、工艺、制造的.各业务环节的协同关联。

实现产品EBOM、PBOM、MBOM的管理,建立不同BOM组织方式之间的关联关系,从不同的视角组织整个产品生命周期中的不同阶段的数据,并维持相互之间的联系。

数据源定义主要包括:

1)统一的数字化产品模型定义,建立规范化的产品设计环境及统一的产品模型定义。

2)统一的产品及物料编码定义和应用,通过编码管理系统对产品及物料进行统一编码。

3)统一的数字化产品BOM模式定义,对EBOM/PBOM/MBOM统一管理。

4)统一的标准件和通用件定义和管理。

5)统一的工程更改模式,建立闭环的产品工程更改管理流程体系。

支撑规范和标准设计

针对轨道车辆制造行业特点,围绕数字化的三维设计、制造、试验、管理与信息化,引用借鉴《数字化产品定义数据实施规程》、ISO16792∶2006《技术产品文件数字产品定义数据通则》、GB/T24734—2009《技术产品文件数字化产品定义数据通则》系列标准等,从以下几个方面开展标准规范体系搭建:

1)基础通用标准规范:包括术语标准、图形符号与代号标准、三维设计软件安装与配置文件应用规范;

2)三维工程化应用规范:包括三维设计标准规范、三维建模标准规范、三维标注标准规范、仿真规范、三维制造标准规范;

3)系统应用与管理标准规范:包括PDM系统基础应用标准规范、PDM系统产品图文档管理标准规范、PDM系统三维工艺文件标准规范、PDM系统BOM管理标准。

实施路径与步骤设计

按照总体规划,分步实施原则开展平台搭建与应用。

第一阶段:平台搭建。这个阶段研究业务流程模式,搭建设计、工艺、制造一体化平台,打通设计、工艺、制造、检验数据链。阶段重点工作是搭建TCM工艺平台以及TC与ERP系统集成,通过试点零部件的测试应用验证技术平台的可行性。

第二阶段:平台验证。以设计制造技术平台的验证应用、全三维设图4BOM数据流程计制造研究为核心,选取整车项目在系统平台上运行,完整验证技术平台在各业务环节应用。

第三阶段:优化应用。这个阶段完善优化技术平台,在公司内部多项目推广应用,逐步将技术平台覆盖公司内部制造各流程。未来再考虑与异地子公司融合。

3单一产品数据源的设计制造技术平台的实践

三年来,围绕搭建及实践应用单一数据源设计制造技术平台,进行了大量的测试验证,主要包括:软件模块技术测试、软件模块功能测试、系统集成技术测试、系统集成功能测试、零部件模拟测试、项目运行测试。前期用转向架组装等7个典型零部件数据进行了软件功能模块、系统集成的测试验证;然后用具体项目的大部件进行了模拟运行,选用马其顿动车组项目上线测试。

4结束语

通过上述构想与阶段性探索,可以得出如下结论:

1)选择TCM进行工艺设计与管理,基于TC平台,工艺直接重用设计模型。业务上采用设计工艺一体化项目管理。马其顿动车组项目试制几乎没有工艺准备周期,通过一体化并行协同,及时开展了工装设计、加工程序编制、工艺分析等工作。但是在测试环节也发现,系统全方位展开运用,还需要妥善解决产品数据搭建模式、发布、变更管理等部分问题,如怎样实现自顶向下设计,如何实现异地协同设计,如何适应快速生产情况下的提前采购,如何实现工艺设计的简统化与标准化等问题。

2)数据上TC与ERP/MES集成,打通了设计、工艺、制造数据链。马其顿动车组项目做到了数据同源。但是,还需要解决以下问题:基于设计BOM生成工艺BOM的数据结构,不同视角下BOM的重构与一体化的关联管理;TCM工艺规划多工艺路线与ERP生产排产单一工艺路线情况下的物料传递;数据版本更替在技术平台内部多个系统中准确有效传递。

3)搭建设计制造技术平台,除解决单一数据源、知识传承与共享外,在虚拟环境下的设计、制造、仿真验证,亦真正体现数字化制造价值所在。目前只在个别零部件上进行部分模拟验证,验证各环节也独立存在。需要探索优化的是,构建数据模型的时候如何满足仿真的需要,如何将设计、仿真、改进建立闭环验证反馈系统。

4)使用设计制造技术平台,对公司经营管理既有业务模式冲击很大,除软硬件设施外,适合企业特点的技术标准及管理流程制度的及时跟进也至关重要,甚至比系统平台本身更关键。

5)设计制造技术平台各种纷繁复杂的软件都有一定的业务范围,企业都需根据自身独特的产品及经营特点,进行适度的二次开发。如何用好技术平台又不受制于软件升级,在搭建技术平台的时候就应该统筹考虑。

总之,数字化制造技术平台是实现数字化制造的基本保证。南车株机公司通过大量的数据测试以及马其顿动车组等项目的试运行,证明搭建的TC、ERP/MES数字化设计制造一体化技术平台技术架构、技术路线满足数字化制造技术需求。马其顿动车组项目的实践应用也开启了我们数字化制造的探索应用之旅。但是为了使数字化制造技术平台很好的服务于公司生产制造,也为了用好这个技术平台,技术方面目前还需要重点研究:MBD(Model-BasedDefinition,基于模型的定义)模型技术,一体化BOM的优化应用,多系统集成及其管理流程数字化。

相关百科
热门百科
首页
发表服务