基于智能车辆的多传感器数据融合算法研究与分析综述

多传感器数据融合是20世纪80年代发展起来的一门新技术,将智能车辆中多个传感器采集的数据进行合成,并充分利用多感器数据间的冗余和互补特性,从而得出准确的环境信息用于地面车辆定位、车辆跟踪、车辆导航等。文章通过对现有的数据融合方法进行分类和归纳总结,对多传感器数据融合算法的研究和数据融合技术的应用情况进行阐述,为智能车辆多传感数据融合方面的研究提供参考。     

改进《工程热力学》教学内容刍议

《工程热力学》是将热力学理论应用于工程而形成的一门专业基础课。在工程实际中有着广泛的应用。学生在未来的工作中将会遇到各种热工实际问题，这就需要我们从工程的角度去讨论热力学理论，让学生充分了解这些理论在工程实际问题中的应用，掌握必备的基础理论知识和应用技巧。为此，《工程热力学》教材应更多地注重工程应用，     

基于神经网络的传感器故障诊断仿真

针对现代工业大型复杂系统的不确定性使得对其进行建模比较困难的特点，提出了一种用神经网络进行传感器故障诊断的方法．以凝汽式汽轮机调速系统中的转速传感器为例进行了传感器故障诊断研究，给出了仿真实现结果，并加以分析．仿真结果表明，所提出的利用神经网络进行传感器的故障诊断的方法具有可行性．     

小型固态航向姿态系统的设计与应用

随着科技的发展，航向测量系统日益小型化、智能化。小型HPR－1固态航向姿态系统就是在这种背景下研发出来的，以Honeywell公司的HMR3300数字罗盘为核心，内含单片机，外带手持显示控制器的航姿系统。该系统不仅可以完成对航向、倾斜、俯仰等航姿信号的实时采集，而且可以在进行误差补偿之后提供多路满足用户需求的数字量和模拟量的输出。该系统具有体积小、重量轻、精度高、可靠性高和使用灵活等特点，可以应用于无人机导航、车辆、轮船的航向测量等多个领域。     

铸铁试件轴向压缩断面角度分析

传统理论认为铸铁试件压缩断面应发生在４５°斜面上，而实际试验中却在５５°左右的斜面上发生。本文作了理论上的探讨和论证。     

基于HCRD的列车锁紧板偏转自动识别方法

针对货车故障轨旁图像检测系统(TFDS)中锁紧板偏转故障,提出一种基于霍夫变换、Canny边缘检测和形状模板相结合的HCRD(Hough-Canny-Right angle Detection)方法.通过霍夫变化及数学几何模型定位转向架锁紧板部位,再对Canny边缘检测后的边缘图像进行角度特征的检测,整个识别只需要一个形状模板就能实现锁紧板偏转图像高精度自动识别,具有很好的判别能力.采用python编程,平均每张图像识别时间为0.067 s.且锁紧板下边缘处是否有角度特征作为锁紧板是否偏转的判断依据,具有很高的可靠性.实验证明,HCRD方法能精确检测出锁紧板的非正常范围(>5°)的偏转,且具有较好的鲁棒性和抗噪能力.该方法为TFDS故障图像识别提供了一种新的思路.     

基于多传感器信息融合的轨道交通列车轮径校正方法

多传感器信息融合是实现轨道交通列车高精度定位的发展趋势。针对列车车轮在运行过程中逐渐磨损导致轮径减小,从而影响轮轴速度传感器测速定位精度的问题,通过分析定位传感器的误差特性,采用轮轴速度传感器、加速度计和多普勒测速雷达构成列车组合定位系统,并结合卡尔曼滤波理论,提出一种基于卡尔曼滤波的轮径预测校正方法。该方法在各传感器工作正常时,通过多传感器信息滤波融合得到列车运动状态参数的最优估计,并完成轮径校正;在辅助传感器失效或故障时,通过过去和当前的传感器量测信息对未来一定时间内的列车运动状态做出定量的预测估计,进而完成轮径的预测与校正。仿真试验结果表明,本文所提出的方法能够达到较高的精度水平,提高了列车组合定位系统的可靠性和自主能力。     

做好修车设备传感器的计量管理工作

随着修车设备技术的发展,传感器计量管理工作越发重要。通过对现状调查,找出问题并分析原因,提出提高计量管理能力、修订完善计量管理制度、开展证后计量确认工作的具体措施。     

HX_D3B型机车主变压器过热故障分析

文章对HXD3B型机车运用中微机显示屏提示＂主变压器过热＂的问题进行分析,对故障原因进行分类汇总并给出判定方法,并提出对应的处理措施及改进建议,达到消除机车质量隐患,确保机车安全行运的目的。     

基于深度学习的车辆异常事件检测研究

基于全连接神经网络以及在高速公路场景下采集的真实车辆数据,设计一种车辆异常事件检测方法。所设计的方法利用激光雷达检测出目标与车道线信息,经过计算组成具备时空特征的输入数据,在将目标数据制作成数据集后,利用神经网络进行训练并提取输入数据的多维度特征,实现车辆异常事件检测。之后利用异常事件检测的时间信息与激光雷达和视频相机的目标融合数据,在视频数据中进行事件取图并加以验证。所述方法的总体检出率为 97.11%,准确率为 97.10%,相关值均高于传统事件检测算法,且算法耗时与传统事件检测算法相比更少。试验证明相应方法能更快速、更准确地识别车辆异常事件。