日本动车组节能技术的发展趋势

从开始建设铁路以来,节能就一直是铁路企业关注的重点.用能耗除以乘客-公里而得出的乘客能耗率,是验证节能技术效能的有用指标.众所周知,铁路客运的能源绩效超过了长途汽车、公交汽车和飞机等其他运输方式.日本官方每年都要发布铁路的能耗率.此外,单个铁路企业能耗率可用其能耗除以乘客-公里来计算,这两种方法都出现在官方报告上.文章...     

平交路口车辆转弯轨迹计算方法研究

通过对车辆转弯过程的分析,细化了车辆转弯轨迹的计算方法,借助程序进行批量计算,模拟得到车辆在各种转弯角度下的行车轨迹,进而得到研究车辆转弯角度与转弯半径变化趋势,为设计者提供车辆转弯相关设计参数。     

基于有限元法及遗传算法的推力杆球铰多目标优化方法

为优化推力杆的球铰结构并提高其疲劳寿命,提出一种基于有限元法和遗传算法的推力杆球铰多目标优化方法。该优化方法通过有限元法计算不同橡胶衬套预压缩量和球铰结构的推力杆球铰橡胶衬套的应变分布特征和刚度参数,进而得到推力杆刚度参数、橡胶衬套预压缩量与球铰关键结构参数之间的关系,并在此基础上采用遗传算法建立推力杆球铰的多目标优化模型。利用建立的多目标优化模型计算得到推力杆球铰的优化方案。样件台架试验结果表明,此优化方案使推力杆球铰的疲劳寿命提高了7倍。提出的多目标优化方法充实了变截面橡胶金属复合结构的设计理论,并为推力杆的优化设计提供了理论依据。     

基于卡尔曼-高斯联合滤波的车辆位置跟踪

车辆位置的精确、可靠获取,一直是阻碍智能驾驶技术的难题.特别当车辆处于复杂道路环境中时,车辆卫星定位信号易受较大干扰,使车辆定位产生漂移现象.针对车辆定位的这种漂移现象,研究了针对车辆位置跟踪的卡尔曼-高斯联合滤波方法.对于车辆卫星定位受到的干扰不同,采用分层处理的滤波方法;针对卡尔曼滤波不能较好地滤除一些干扰较大的位置漂移点,通过设置与车速、航向角等相关的动态阈值,对卫星定位的车辆位置进行动态阈值判断;通过动态阈值识别出的车辆位置漂移数据,结合高斯过程回归,以车辆的历史数据作为学习样本,使用预测值和真实观测值构建补偿量,通过对卡尔曼观测方程加入动态观测补偿实现车辆位置优化;对于一般噪声产生的卫星定位波动,联合滤波也可以有效优化.实车实验表明,该方法可以有效识别出车辆定位的漂移点,车辆卫星定位在信号受较大干扰的情况下,车辆卫星定位的精度可以提高30%左右,最大误差由9 m降低到0.8 m左右.该联合滤波方法在使用低成本定位装置的情况下,有效提高车辆卫星定位的精度及可靠性.      

大数据平台在新能源汽车安全领域的应用

通过利用行业内主流的大数据技术搭建新能源大数据平台,重点对新能源汽车车联网大数据进行算法研究、建模分析。分别从故障远程在线诊断、车联网大数据指标分析、车联网大数据算法模型等方面对新能源汽车故障、驾驶行为、充电行为等进行深入研究,以保障新能源汽车车辆安全。     

2019年客车市场现状及对2020年的基本判断

2019年,客车企业在新能源领域深耕挖掘,精准把握市场热点,推动技术和产品的快速发展。我国新能源客车市场从市场规模看,客车行业不断推出最有价值的技术、最具前瞻的产品,其中公交客车在数量级的贡献度最大。     

动态

博世研发出一款结合摄像头和人工智能的新型车内监控系统睡眠不足、注意力分散、安全带未系等情况都可能会对驾乘人员人身安全造成严重后果。为避免危险驾驶及可能导致的道路交通事故,未来的车辆传感器不仅需要感知外部路况信息,而且需要实时关注驾乘人员状态。为此,博世已经研发出一款结合摄像头和人工智能的新型车内监控系统。博世集团董事会成员Harald Kroeger表示:"当车辆能够准确感知驾乘人员状态,驾驶就能变得更加安全和便捷。"该系统预计于2022年投产。届时,欧盟也将把驾驶员疲劳和注意力分散预警等安全驾驶技术作为新车标配。据欧盟委员会估计,到2038年,车辆安全新标准将挽救超过25000人的生命,并避免超140000起严重道路交通事故。实时监测车内状况能从源头上解决自动驾驶车辆的安全问题。例如,在高速公路上,自动驾驶车辆若要将驾驶控制权移交给驾驶员,需确保驾驶员未处于微睡眠、正在阅读报刊或使用智能手机发邮件等状态。     

使用元征X-431 PAD V进行保养周期归零——以2017款阿斯顿马丁车为例

实测车型2017款阿斯顿马丁车,发动机型号为AM29。功能描述当保养指示灯点亮时,说明车辆需要保养,在完成保养后,需要重置保养周期使保养指示灯熄灭。路径选择自动搜索扫描车辆信息-选择特殊功能T选择保养指示灯归零功能→按功能提示执行。操作说明(1)在元征X-431 PAD V汽车诊断设备上正确选择车型信息(图1)。     

基于RFID电子车牌数据的公交行程时间预测方法

为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据,基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素,选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据,选取3 000组实际运行数据完成公交行程时间预测模型的训练,另筛选50组数据验证模型的有效性和准确性。研究结果表明：组合模型可动态自适应预测公交行程时间,预测值平均相对误差为3.23%,绝对误差集中在8 s左右,明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型,可认为选择RFID电子车牌数据作为组合模型的输入,能够明显改善模型预测精度;组合模型预测值的残差分布更为集中、鲁棒性较好,泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标,结果进一步表明,组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。