一种新颖的可逆式蓄电池充放电电路

根据蓄电池充放电装置要求，研制了一种结构新颖的蓄电池充放电电路。该电路仅用较少的元件，同时实现了对蓄电池充电和放电，并具有PFC功能。论述了电路的工作原理，通过仿真和实验研究，证实了该电路的可行性。     

大鼠弥漫性轴索损伤后海马CA1区锥体神经元电活动变化

目的观察弥漫性轴索损伤(diffuse axonal injury,DAI)后大鼠海马CA1区锥体细胞自发放电的特征,揭示DAI对大鼠海马CAl区锥体神经元兴奋性的影响。方法雄性健康成年SD大鼠30只,随机分为正常对照组及DAI后6h组、12h组、24h组、72h组。采用玻璃微电极细胞外记录的方法记录海马神经元的放电活动,每只动物记录2个单位放电。分析比较各组各个单位放电的放电类型、放电频率等差异。结果 1DAI后各组与正常组大鼠海马CA1区锥体细胞观察到3种类型放电,即不规则放电、规则放电和簇式放电。在放电类型上各组差异无统计学意义。2比较各组的12个单位放电的平均放电频率、平均ISI可得出DAI后12h组的平均放电频率低于其他组,差异有统计学意义;其他组比较差异则无统计学意义。3比较各组簇式放电的簇内ISI:DAI后12h组最小,其次是24h组、72h组,6h组与正常组最大且差异无统计学意义。结论 DAI对大鼠海马CAl区锥体神经元兴奋性具有明显影响,并且呈不同放电类型的动态变化。     

试论电力变压器铁芯多点接地故障及技术解决措施

在电力系统和配电工作中变压器有着功能核心与重要价值的地位,是电力系统建设与稳定的重要设备。随着电力需要和负荷的增加,电力变压器受到系统内外的影响呈现出各类故障,其中电力变压器铁芯多点接地就是具有典型性和危害性的故障。本研究以电力变压器铁芯多点接地表现形式的描述入手,分析了产生电力变压器铁芯多点接地的原因,提供了检查电力变压器铁芯多点接地的方法,提出了应对电力变压器铁芯多点接地问题的处理措施。     

雷克萨斯RX450h混合动力系统剖析（三）

④等待10min或更长时间使逆变器总成内的高压电容放电，如图17所示。     

奔驰车自行放电

一辆00款奔驰S320轿车（采用W220底盘），出现仪表盘上红色的多功能转向盘故障指示灯亮，而且蓄电池会自行放电，换上电量充足的蓄电池后将轿车摆放一夜，发动机会因蓄电池的电自行放完而无法起动。     

再谈电容放电式电子点火器（CDI）可控硅的损坏原因

电容放电式电子点火器，从点火器内部对储能电容的充电方式来讲有两种。一是磁电机充电，在摩托车磁电机总成里有专用的充电线圈。二是直流升压充电，这种点火器一般采用蓄电池的直流电源，磁电机内部没有充电线圈，在点火器内部有一部分电路是先把蓄电池送来的直流电通过振荡升压电路将直流电变成恒定的高频交流电，其电压一般在220-360V之间，再经二极管整流给储能电容充电，这种振荡升压电路均采用恒压控制，即蓄电池电压从7-18V之间变化时，振荡升压电路变换出来的交流电的电压保持一定的数值不变。这种技术一般用在高档摩托车上。它克服了磁电机充电在高转速和低转速时充电电压相差甚远的弊端。不论是磁电机充电还是直流升压充电，点火器电路的最后输出极的工作原理大致是一样的，均为可控硅的触发端被触发信号触发后导通，使储存在电容上的电荷向点火线圈的初级放电，从而在次级线圈里感应产生上万伏的高压实现火花塞间隙放电点火。     

星星之火的传导者——国产力爽·第二代加速力缸线之比较

在汽车正常行驶中，火花塞的放电强度对混合气燃烧的充分与否有很关键的作用。火花塞放电的电流来自于高压线圈，并由连接火花塞和高压线圈的缸线传导，所以火花塞的放电强度不但取决于火花塞自身质量的好坏，还取决于高压线圈的电量及传导电流的稳定性。[编者按]     

宝马X6氧传感器如何监控三元催化器的损坏

车型:E71. 行驶里程:50000km. 故障现象:用户反映,车辆行驶中发动机故障灯点亮,车辆启动正常,也无抖动现象,急加速时感觉稍微有点迟缓. 故障诊断:接车后首先通过ISID进行诊断检测,读取发动机系统的故障内容:3106,废气触媒转换器有效程度位于临界值以下;A7C9,温度在工作范围之上.执行检测计划,分析可能产生的故障原因为废气触媒转化器堵塞或者排气装置损坏.     

电动汽车用智能电池探讨

在总结国内外智能电池定义及结构方面研究现状的基础上，提出了电动汽车用智能电池的定义，给出了该定义的基本结构，说明了其内部功能的实现方法和基本控制策略。     

基于大数据分析的电动汽车行驶里程 预测方法研究

针对电动汽车行驶里程预测问题,采用人工智能与大数据的分析方法对电动汽车的续驶里程进行预测。首先,通过对北京市某款电动汽车的实际运行数据进行预处理分析,筛选出有效的放电小片段,进行特征工程分析;然后,利用微分思想构造出模型的输入与输出,建立分类与回归树预测模型;为了进一步提高预测精确度,采用随机森林与梯度提升迭代决策树两种不同的模型融合算法对模型进行优化。结果表明,模型融合算法能显著减少预测结果的均方误差,能够很好的预测电动汽车行驶里程。