‘三步法”提高汽车分队野战车辆维修保养能力

随着作战任务的不断发展变化,提高装备维修保养能力越来越成为汽车分队能否完成多样化条件下运输保障任务的重要指标。通过实践和摸索,通常可以采取定位强化练、“三互”提高练、模拟环境练等3种方法,提高汽车分队野战条件下装备维修保养能力。     

实施“五个围绕”,保障运营安全

近年来,马鞍山市公共交通集团有限责任公司(以下简称马鞍山公交集团),以安全生产标准化为指导,以落实安全主体责任为抓手,以提升全员安全素质为重点,不断提高安全管理水平,努力防范和降低各类安全生产事故发生,确保集团公司安全管理工作稳步提高。2016年,集团公司首次实现了近20年来交通死亡事故为'零'的突破,被市人民政府授予'安全生产先进单位'光荣称号。     

基于移动互联网的公共交通车辆轮胎养护平台与大数据分析

本文通过阐述如何建立轮胎专家数据库,怎样应用车联网传感器和移动互联网技术,又如何借助轮胎异常预警算法,为城市公交公司管理者、工程师和驾驶员提供一整套行之有效的解决方案。公交车是城市公共交通运输体系中的重要一环,甚至可以说是最重要的一环。它承担的公共交通任务是,为尽可能多的市民提供安全、实惠的城市出行选择。因为涉及的市民数量大。     

以坚实的步伐迈向更高的起点——乌海公交改革发展之路

乌海市素有'黄河明珠'的美誉,三山环抱,一水中流,民风淳厚,被誉为镶嵌在黄河金腰带上的一颗明珠。1975年8月30日,国务院批准建立乌海市。翌年1月10日,乌达市和海勃湾市正式合并成立乌海市,为内蒙古自治区直辖市。乌海市是内蒙古自治区西部的新兴工业城市,乌海市境内资源富集,素以'乌金之海'著称。乌海市煤炭资源丰富,炼焦用煤占内蒙古已探明焦煤储量的60%。     

绿色之路 金龙同行——大金龙新能源客车服务“低碳盐城”

<正>又是秋冬季节,华东地区时常被雾霾笼罩,而盐城却成功逆袭,在刚刚公布的《江苏省2014年第三季度空气质量报告》中名列第一。近年来,盐城市践行"低碳"发展路线,大力发展公共交通,不断提高新能源客车所占的比例,环保效果已经凸现。作为盐城市最大的公共交通运输企业,盐城公交目前拥有运营线路61条,营运车辆870辆。据测算,运送相同数量的乘客,公交车与私家车相比能耗降     

公交车节油驾驶操作及相关问题解答

<正>1节油驾驶操作(1)起动车辆首先合上电源总开关,在供电正常下方可起动。(2)起动时打起动机每两次之间应间隔10秒左右,否则会损坏、缩短电瓶和起动机寿命。(3)起动后首先检查各仪表读数是否正常(如机油压力表:怠速时在0.1~0.2之间,水温表:视环境温度而定),在怠速运转3~5分钟后,方可起步运行,否则会因为机油润滑不够造成各零部件损坏。(4)采用一挡起步,起步后尽快换到高速挡(如路面条件允许,尽可能在100米内换完挡,行     

信号交叉口集聚车辆的跟驰行为分析与建模

为了更好地模拟城市信号交叉口集聚车辆的跟驰行为,进而应用于城市信号交叉口信号配时和交通流理论研究,采用一种基于视频的交通流数据采集方法来采集信号交叉口的微观交通行为数据.运用灰色关联分析方法对采集到的微观交通数据进行分析,挖掘出其中的有用信息,从而寻求能够最大程度反映信号交叉口集聚车辆跟驰行为的影响变量.构建城市信号交叉口车辆集聚过程中的跟驰模型并进行参数标定、效果验证和比较分析.研究表明,新提出的跟驰模型能够很好地拟合信号交叉口集聚车辆的跟驰行为实测数据,其拟合性和稳定性优于重新标定后的扩展GM模型.     

如何使用汽车天窗

近年来,许多汽车生产厂家纷纷推出天窗版轿车,受到消费者欢迎。一般来说,天窗版的普通轿车要比非天窗版的同款车高出1万元左右。汽车天窗利用的是负压换气的原理,能依靠汽车在行驶时气流产生的负压,迅速将车内污浊的空气抽出。那么,在什么情况下使用天窗才能使其发挥独特优势呢?汽车上多一个"窗",就犹如多了一个通风口。每天早晨,有些车主总会匆匆忙忙地驾车上班。建议这时打开天窗,利用它优越的负压原理,迅速排除车内积攒了一夜的苯、甲醛等有害气体,以保护驾乘者的身体健康。在     

基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。