道路集装箱运输常见安全隐患

1货物超重国际标准化组织对不同尺寸集装箱的额定质量有明确规定,例如:20英尺标准集装箱的额定质量为30 480 kg,其中,集装箱自重2 300 kg,理论上最多可载货28 180 kg。造成货物超重的主要原因包括货主故意超载和货物估重误差。(1)货主故意超载有的货主为了降低运输成本,在装箱时故意超载,导致集装箱货物超重,给集装箱运输埋下安全隐患。(2)货物估重误差在实务操作中,受条件限制,     

船舶电气设备安装工艺探讨

引言船舶电气设备在船上有着极为重要的地位,电气设备供电运行的连续性和可靠性将直接影响船舶的经济指标、技术指标和生命力,而施工工艺的好坏又直接决定着电气设备将来运行的可靠性。此外,水上航行遇到大风浪的冲击,电气设备要受到很大的震动,对电气设备本身除了要有防震的要求外,对于安装质量要求要牢固、可靠。因此既能适应船厂的生产条件、又能省工省料的先进施工工艺,对缩短整个船舶建造周期、以及     

你会判断车距吗?

我们在路上,经常能看到很多司机并线时犹豫不决;或是在较窄路段,不是紧靠左侧就是紧靠右侧行驶,一般这都是新手对车身位置感不明确所致。如何正确掌握车与车、车与路边的距离呢?今天就为大家讲解一下查看车距的小窍门,或许对您有所帮助,但我们不能准确到每个车型当中,这也主要受车     

奔驰柴油发动机结构原理与维修(七)

温度传感器(B19/7)安装在氧化催化转换器后,柴油颗粒过滤器的上游。温度传感器(B19/7)的任务是记录DPF上游的废气温度。这个数值用于对废气后处理和柴油颗粒过滤器的再生进行控制、监视。只有废气温度超过550℃时才能保证颗粒的燃烧。6.催化转换器上游氧传感器(B85)位置:氧传感器安装在氧化催化转换器前部,涡轮增压器下游。催化转换器前的宽频传感器(氧传感器)探测废气内的剩余氧含量,并发送相应的信号给CDI控制模块。     

汽油车八大传感器的位置与作用

水温传感器安装在发动机缸体、缸盖的水套或出水管上,与冷却液直接接触。电控单元根据水温信号,修正燃油喷射和点火正时,并在仪表盘上安有水温报警灯。空气流量传感器一般安装在空气滤清器与节气门之间。计算单位时间的空气流量,作为决定喷油量的基本信号之一。     

汽车科技

<正>伴随着电子技术的迅猛发展,应用在汽车产品上的电子科技类配置逐渐增多,并且其中的大多数逐渐占据了宣传资料上的显眼位置。回顾2014,看看有哪些汽车科技能够让你畅想未来。1.线控转向系统"线控转向系统"这个名词也会大家会有些陌生,其实这项技术很早便应用于飞机的转向装置上,简单的解释线控转向就是用电信号取代传统的机械转向系统。这项技术在汽车上量产应用还是第一次。装配了这项技术的车辆转向时,不再依靠传统的机械连接,而是     

抽气式涡轮帆的气动力学分析研究

介绍了抽气式涡轮帆的结构和工作原理,使用Gambit软件建立了涡轮帆的模型,并采用RNG k-ε湍流模型描述了涡轮帆的动力学特性。利用Fluent软件对抽气式涡轮帆进行了数值模拟计算,并与风洞试验数据进行了对比,升阻力系数的模拟结果与试验数据变化趋势基本一致。计算了特定情况下椭圆筒不同偏转角时的升阻力系数,并模拟了不同旋转角下吸气强度以及旋转角为0°时分流板位置对涡轮帆升阻力系数的影响,为涡轮帆的优化选择提供了依据。     

基于双轴位置转台的捷联惯导系统级标定技术

本文研究一种基于双轴位置转台的激光陀螺捷联惯导系统的系统级标定方法。建立了附加约束条件的陀螺和加速度计标定模型,从捷联惯导系统的误差方程出发,建立30维Kalman滤波标定模型,以速度和位置作为观测量,并设计双轴位置旋转路径,对惯性仪表标定参数进行激励与辨识。仿真实验结果表明,该方法能够准确估计出陀螺和加速度计的15个标定误差参数,具有一定的参考价值。     

大跨铁路斜拉桥平行钢丝斜拉索锚杯调整量设计研究

斜拉桥平行钢丝斜拉索锚杯长度一般根据锚杯内钢丝的锚固长度及其他构造尺寸确定,对于修正主梁线形偏差的调整量有限。针对大跨铁路斜拉桥中由施工、制造及桥上永久荷载偏差等导致主梁成桥线形偏差较大,而现行规范中的锚杯尺寸可能存在调整量不足的问题,以某千米级公铁两用斜拉桥为背景进行平行钢丝斜拉索锚杯调整量设计研究。采用悬索理论,分析道砟容重离散性引起的斜拉索索力偏差、斜拉索弹性模量偏差及斜拉索锚固点位置偏差对斜拉索无应力长度的影响,以确定合适的锚杯放张与张拉调整量。结果表明：对于铁路斜拉桥,现行规范规定的锚杯张拉调整量基本能够满足要求,放张调整量则可能存在不足;道砟容重离散性对斜拉索无应力长度影响相对最大,设计中应预留相应的锚杯放张调整量;对300 m以上的中、长索,还应考虑斜拉索索力偏差和斜拉索弹性模量偏差的影响,预留锚杯放张与张拉调整量;斜拉索弹性模量建议取2.0×10⁵ MPa,并考虑其在(1.9～2.1)×10⁵ MPa范围内进行设计。     

基于深度学习的智能车辆视觉里程计技术发展综述

针对基于模型的视觉里程计在光照条件恶劣的情况下存在鲁棒性差、回环检测准确率低、动态场景中精度不够、无法对场景进行语义理解等问题,利用深度学习可以弥补其不足。首先,简略介绍了基于模型的里程计的研究现状,然后对比了常用的智能车数据集,将基于深度学习的视觉里程计分为有监督学习、无监督学习和模型法与深度学习结合3种,从网络结构、输入和输出特征、鲁棒性等方面进行分析,最后,讨论了基于深度学习的智能车辆视觉里程计研究热点,从视觉里程计在动态场景的鲁棒性优化、多传感器融合、场景语义分割3个方面对智能车辆视觉里程计技术的发展趋势进行了展望。