基于矢量控制的双有源桥DC-DC变换器

双有源桥DC-DC变换器(Dual Active Bridge,简称DAB)是电力电子变压器取代传统变压器的核心器件,为了提升DAB的动态响应速度,在单移相的基础上,结合两电平PWM模型,提出了一种矢量控制策略。通过将高频变压器高压侧电流变为d-q坐标矢量,对DAB低压侧输出电压和无功电流进行控制。该控制方法可以提升动态响应速度,保证功率平衡并减小损耗。最后,在Matlab/Simulink仿真平台建立了DAB矢量控制模型。结果表明,DAB DC-DC变换器在矢量控制策略下,有更快的动态响应速度,对无功电流有良好的控制效果。     

基于达索平台的铁路隧道BIM建模效率提高的方法

铁路隧道建筑信息模型(BIM)设计过程中,重复性建模工作占据了设计者的大量时间。为了尽可能减少建模工作对设计者精力的耗费,采用C++语言进行CAA二次开发,将需要由设计者手动完成的重复工作交由计算机经筛选判断后自动完成。该程序在牡佳客运专线BIM建模过程中全面应用。实践表明,该方法与传统建模方式相比,可以更加准确、高效、智能化地生成符合设计需求的BIM模型。     

LNG船的燃气和蒸汽轮机推进器(英文)

Propulsion of liquefied natural gas (LNG) ships is undergoing significant change. The traditional steam plant is losing favor because of its low cycle efficiency. Medium-speed diesel-electric and slow-speed diesel-mechanical drive ships are in service, and more are being built. Another attractive alternative is combined gas and steam turbine (COGAS) drive. This approach offers significant advantages over steam and diesel propulsion. This paper presents the case for the COGAS cycle.     

冲击波和破片对超高分子量聚乙烯板联合作用的仿真模拟

为研究超高分子量聚乙烯板在爆炸冲击波和破片侵彻联合载荷作用下的破坏及响应,采用LS-DYNA数值仿真的方法来模拟爆炸产生的冲击波及破片群作用到靶板上的过程,通过改变爆炸距离、载荷形式和靶板厚度等因素,得到在不同条件下靶板变形破坏的结果.其模拟的结果表明:相比于冲击波或破片群的单一载荷作用,联合载荷作用对靶板的破坏能力更强;在联合作用下,随着爆距的增加,靶板的整体弯曲变形和破坏程度减小,靶板的破坏模式由开始的集团冲塞破口转为穿孔破口和撕裂破口共同存在,直至只存在穿孔破口;在联合作用下,随着靶板厚度的增加,破片群穿透靶板的剩余速度逐渐减小,速度衰减率增大,靶板抵御破片侵彻的能力提高,但仅改变靶板厚度对整体变形及破坏模式的影响并不明显.     

基于VTMIS的海事管理思考

在分析当前我国海事管理面临的难题和船舶交通与管理信息系统（VTMIS）所存在问题的基础上，结合VTMIS的不同功能，提出利用该系统创新海事服务方式、科学实施水上监管、有效规范内部管理、提高海事管理的震慑力等。同时指出，VTMIS在开发应用过程中也存在一些“水土不服”和缺乏专业人才等不足之处，应通过改进和完善系统、培养专业人才等方法进一步发挥VTMIS在水域管理中的作用。     

船用LNG供气系统吹扫惰化流程分析及氮气系统设计

氮气系统是保证液化天然气(LNG)动力船燃料供气系统(FGSS)安全运行的重要辅助系统,在供气系统进行一些关键操作流程前后,需要通过氮气对天然气进行吹扫惰化,避免可燃气体泄漏的风险。分析船用LNG供气系统在加注、供气及维护阶段涉及的吹扫惰化流程,并对2种常用的氮气发生装置进行介绍与对比,结合相关规范提出氮气发生装置的选型方案及氮气系统相关计算方法。     

智能驾驶实时目标检测的深度卷积神经网络

为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。