助燃剂对公交车用柴油机性能影响的研究

以1台公交车柴油机为样机,研究了普通柴油和不同助燃剂添加比例柴油应用于柴油机时的动力性、经济性、烟度和排放特性。试验结果表明,添加助燃剂基本不影响发动机的动力性和燃油经济性,但可以改善烟度和PM的排放,燃用不同助燃剂添加比例柴油的烟度和PM排放差别不大。助燃剂的添加使NOx和HC排放略有上升,但影响较小。     

柴油机燃用麻疯树油甲酯的氮氧化物排放特性

研究了柴油机燃用麻疯树油甲酯的NOx排放特性。以1台轻型车用直喷式柴油机为试验样机,分别燃用6种不同生物柴油掺混比例的混合燃油,研究总的NOx排放以及NO,NO2,N2O等NOx主要组分的排放特性。结果表明,燃用各种混合燃油的NOx排放曲线形态较为接近,低负荷时差异较小,随负荷增加,排放差异增大。NOx排放以NO和NO2为主,NO排放随着负荷上升而增加,NO在总NOx排放中始终占有最高比例。NO2排放也占有相当比例,在低负荷时较高,随着负荷增大浓度降低,大负荷高温不利于NO2的生成。N2O排放量极低,在中低负荷时有一定生成量,高负荷N2O排放几乎为0,缸内稀燃低温有利于N2O排放的生成。在同一稳定工况下,随生物柴油混合比的提高,NOx,NO,NO2比排放量呈线性增加,N2O比排放量呈线性降低。发动机燃烧生物柴油后,NOx及其组分NO,NO2和N2O的排放量发生改变,而各自的排放变化规律并未发生变化。     

HEV控制器硬件在环仿真平台的研究与开发

针对控制器传统开发方法中存在的局限性以及混合动力汽车动力传动系统控制的复杂性,应用控制系统现代开发技术,为某型混合动力客车多能源动力总成控制器开发了硬件在环仿真测试平台,该平台包括实时硬件和系统模型、信号调理电路等,并利用它对控制器进行了仿真测试。仿真测试结果与试验结果说明,所开发平台模型的精度基本能够满足仿真测试要求。控制器的环境试验和在EMC试验中的成功应用以及控制器在车上的正常运行,验证了在混合动力汽车多能源动力总成控制器的开发过程中采用自行开发硬件在环仿真测试平台这一技术方案的可行性。     

基于声强与神经网络技术的发动机故障诊断

根据发动机的结构特点,将其表面划分成不同的测试区域进行声强信号采集;依据声强特征,确定不同区域对应零部件的工作状况;利用模块化神经网络,建立基于声强特征的故障诊断模型,该模型中包含发动机低速与中速诊断模块、决策模块和故障知识库;在建模过程中,利用特征函数强化故障特征作为网络输入。结果表明,该方法具有诊断精度高、速度快、实时自学习等特点,为建立更为完善的发动机智能化故障诊断系统提供新途径。     

发动机智能化故障诊断系统中的知识融合技术

从知识融合的物理层次角度,对发动机智能化故障诊断系统的知识融合技术进行了探讨,通过对知识融合内容各节点以及接口的研究,证明了知识融合具有互补性、实时性、低成本性和再学习等优点。该项研究成果为实现发动机智能化故障诊断提供了一条新的途径。     

基于多视图协同交互技术的换道图谱构建与分类

为直观展示换道过程中驾驶人视觉感知与手脚操作的细节特征,研究了多视图协同可视化的换道图谱。采用驾驶模拟舱进行高速公路驾驶实验,提取换道过程相关指标数据。将平行坐标、计数图、柱状图与换道轨迹协同可视化以构建换道图谱。采用多视图交互技术对提取的40个换道过程进行分析,提出换道过程的合格区范围并以此将换道图谱分为合格、临界合格和不合格3类,并对不合格图谱进行致因分析。结果表明,合格、临界合格和不合格图谱的比例分别为10.00%、12.50%和77.50%。不合格图谱的转向盘转速、加速度、横向加速度的平均标准差（6.57°;0.91 m/s²;0.41 m/s²）都大于合格图谱的平均标准差（4.55°;0.34 m/s²;0.17 m/s²）。导致图谱不合格的主要因素是：驾驶人手的急速操作引起转向盘转动幅度过大、横向加速度过大;驾驶人脚的急速操作引起纵向加速度的变化幅度过大。换道图谱能够精准地对换道过程进行可视化分析与诊断,为驾驶人优化换道行为提供支撑。

     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

基于CFD方法的空调风管除霜性能开发

基于空调风管除霜性能开发过程,将总体性能分解到风管性能、玻璃近壁面的速度性能以及考虑温度的除霜性能。使用计算流体力学(CFD)方法,在设计前期通过稳态分析控制风管的性能及速度性能;在设计后期通过瞬态分析评估空调除霜的能力。分析结果表明,空调除霜性能目标从部件到整车均满足要求。     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明：直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。     

高边坡路堑施工

从高边坡路堑土石方开挖方法、边坡防护、排水工程及时跟进施工,施工过程中对边坡稳定性的监控量测方面,阐述了高边坡路堑的施工工序和施工方法。