Exploration of Collaborative Optimization Strategy for Oxygen Production System and Interior Environment Control of Railway Locomotives
Notice bibliographique
Résumé
With the increasing requirements of passenger comfort, safety and energy efficiency in railway transportation, the existing in-car environment control and oxygen production systems still have problems such as response lag, low energy efficiency and poor robustness in terms of multi-objective coordination, dynamic response capability and energy consumption control. To this end, this paper introduces the fusion technology of artificial intelligence and the Internet of Things to construct a collaborative optimization strategy based on the Model Predictive Control (MPC) framework to improve the comprehensive performance of the locomotive oxygen production system and the in-car temperature, humidity and air quality control. Specific methods include: building a multi-source sensor network to achieve real-time perception and data fusion of multiple parameters such as oxygen concentration, CO₂ level, temperature and humidity, using AI models to predict environmental conditions, and achieving coordinated control of oxygen concentration, temperature and humidity, and ventilation intensity based on MPC optimization objective functions. The experimental results in typical operation scenarios show that, in contrast, under the PID control strategy, the changes in oxygen concentration and temperature are large and exceed the limit. For example, at 180 seconds, the oxygen concentration dropped to 20.5% and the temperature is 22.9°C, both exceeding the set safety range. This paper provides theoretical support and technical paths for the low-carbon and intelligent operation of the intelligent locomotive environmental system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».