增加应变路径提高内孔翻边高度极限

传统的内孔翻边工艺，未能充分挖掘金属板材自身的应变裕度。笔者曾沿用这一工艺，对本文所涉及的驾驶员门外板窗口进行模拟翻边，未能成功，后利用板料双拉成型原理，用一种新的成型工艺，在不改变零件设计的情况下使窗口一次成型。     

降雨条件下南宁膨胀土坝体填筑稳定性分析

利用南宁膨胀土的物理力学性质,建立均质土坝模型,针对广西地区的气候条件,并根据非饱和膨胀土的强度随含水量变化的规律,利用数值模拟的方法研究在降雨条件下膨胀土坝填筑过程中的稳定性分析以及降雨持时对分层填筑的影响,并得到了膨胀土坝在降雨入渗后,其稳定性受到影响的结论,为土坝填筑施工参数的控制提供依据和注意事项。     

一座钢人行桥优化设计

对一座钢人行天桥的原始设计图纸进行优化设计。为减少原设计用钢量,采用M idas建立4种模型进行结构优化设计分析。通过对各模型位移、应力、结构基频的比较后,决定采用既减小主梁钢板厚度,又在桥墩中灌注混凝土的方案。优化前、后的主梁位移及基频均相近,但承载能力极限组合下的最大主应力明显变小。与原设计相比,优化设计节约用钢量29%。     

道路运输车辆达标车型整车主动安全项目测试简析

道路运输车辆达标车型的实施,有效提升了道路运输车辆的安全性能。文章主要从电子稳定性控制系统、车道偏离预警系统、前向碰撞预警系统、自动紧急制动系统四个整车主动安全测试项目对道路运输车辆达标车型相应标准进行介绍,为道路运输车辆达标车型相关从业人员提供了主动安全整车项目试验参考。     

实车数据驱动的锂电池剩余使用寿命预测方法研究

锂离子动力电池剩余使用寿命（RUL）预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法,本质上是一个递推的过程,每一次预测的误差会随预测次数增加而累积,难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论,建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法,使用编码器-解码器（ED）框架改进长短时记忆神经网络模型（LSTM）构建从序列到序列预测的EDLSTM模型,并融合ARIMA模型预测误差趋势,进而修正最终预测结果。理论分析和实车采集数据验证表明,该方法在预测比例超过历史数据总量35%的情况下,仍然能较好地拟合实车SOH衰退曲线,有效提高锂电池剩余使用寿命的预测精度。     

基于非线性降维IC特征的实车电池SOH估计EI北大核心CSCD

基于实车电池复杂的运行数据,本文使用增量容量分析方法提取IC峰特征作为电池充电片段的有效特征,使用t-SNE非线性降维方法处理IC峰特征,消除多维特征冗余性,以解决实车数据难以提取可靠特征的问题。另外构建支持向量回归模型,实现对电池健康状态的估计。结果表明,本文使用的增量容量曲线峰特征能有效表征电池健康状态衰退变化;对实车数据的平滑、降噪方法可以较好地提升训练数据质量;基于t-SNE降维特征的SVR模型提升了对电池健康状态的估计精度,保证了有限样本数据集上实现准确估计。     

基于效益费用比法的道岔预防性养护维修时机研究

道岔预防性养护维修的时机研究是道岔预防性养护维修技术研究内容的重要组成部分。通过对道岔性能指标和道岔状态的评定分析,确定可接受的最低道岔性能指标值;根据道岔的管理数据,建立道岔性能指标与养护维修时间的回归衰变方程,由此计算不同预防性养护维修时间的效益面积与费用比值,其中最大比值所对应的预防性养护维修时间即为最佳养护维修时机。该方法称为“效益费用比法”。按照该方法推算道岔的养护维修时间,可提高道岔养护维修效率,延长道岔的寿命,降低道岔养护维修费用,节约铁路运输成本,保障铁路运输安全。     

青春无悔献身海疆--记海军某部小车班班长陈晓宏

一个掌握过硬汽车驾驶和修理技术的海疆卫士；一个以实际行动践行“三个代表”重要思想的实践者；一个将青春无私奉献在转向盘上的新时期军人。     

内胎使用“五注意“

汽车轮胎与车辆行驶的安全性有密切关系.而内胎若使用不当,除造成经济损失外,还会引发交通事故,故内胎使用应注意:……     

高速公路交通状态预测的多源数据融合研究

针对目前高速公路交通状态预测大量使用单一数据源的不足,通过对收费站抽样刷卡数据与浮动车GPS数据的预处理,得到体现同一时间和同一空间的交通状态多源数据;采用极限学习机算法对高速公路交通状态进行预测和估计,并用行程时间指数TTI对道路交通状态进行估计;以广州机场高速公路南线为例,对比分析结果表明,采用多源数据融合模型得出的行程时间均方根误差和平均绝对百分比误差均小于单一数据源模型,且极限学习机在数据准确性与稳定性上均有良好效果,优化率分别为80.6%、53.7%。