电动汽车用动力电池振动疲劳测试方法开发

动力电池是当前新能源汽车中的核心零件,其性能,安全,可靠与耐久性直接影响整个车辆安全耐久性能,而电池系统的抗振动冲击特性是产品开发设计过程中需要满足的重要指标.文中着重阐述动力电池振动疲劳的测试验证策略与具体实施指导,为电池系统研发和测试工作提供重要参考.     

高分子材料导热性能影响因素研究进展

介绍了高分子材料导热性能影响因素研究进展，重点阐释了聚合物基体的结构特性（链结构、分子间相互作用、取向、结晶度等）、导热填料（种类、含量、形态、尺寸等）以及制备方法等对高分子材料导热性能的影响。     

电动汽车用动力电池振动疲劳测试方法开发

动力电池是当前新能源汽车中的核心零件,其性能,安全,可靠与耐久性直接影响整个车辆安全耐久性能,而电池系统的抗振动冲击特性是产品开发设计过程中需要满足的重要指标.文中着重阐述动力电池振动疲劳的测试验证策略与具体实施指导,为电池系统研发和测试工作提供重要参考.     

机械设备故障规律及运行趋势预测方法综述

对于机械设备的故障运行问题,技术人员应当深入研究机械设备的故障规律,并研究出运行趋势的预测方法,从传感器的检测时间间隔与使用数量等方面加以深入的研究。本文介绍了机械设备运行状态的故障预测方法,并将机械设备运行状态的故障预测方法总结为三个步骤,分别是数据获取、处理与设备寿命预测,结合这些内容,提出了关于机械设备故障运行的一些方法,旨在为相关技术人员提供参考依据。     

冰蓄冷空调直接供冷电费贯序削减趋优控制方法

冰蓄冷空调优化控制方法中,基于智能算法的控制方法建模及求解复杂,可行性差,而工程常用的控制方法经济效益不佳.为解决上述问题,首先,以机组工况容量、蓄冰容量为约束条件,以日运行费用最小为目标函数,构建冰蓄冷空调优化运行的数学模型.然后,提出一种基于直接供冷电费贯序削减的冰蓄冷空调趋优控制方法,根据电价及直接供冷电费的排序安排制冰及融冰的时段,经迭代计算可寻得优化解.最后,与GAMS软件优化结果相比较,验证该方法的有效性,与工程常用的控制方法相比较,验证所提的方法的经济性和可行性.     

应用卡尔曼滤波的激振力时域识别方法研究

激振力识别属于结构动力学中的第二类反问题,为识别振动系统的激励力,本文基于卡尔曼滤波器和最小方差估计的方法,分别建立了以系统位移和加速度为输入参数的激振力时域识别方法.推导了两种方法的识别公式,并对两种方法的识别结果和识别结果的稳健性进行了仿真分析.仿真结果表明,两种方法对噪声方差初值的设定均不敏感;以加速度幅值为输入的方法识别精度优于以位移幅值为输入的方法;以位移幅值为输入的方法识别结果稳健性较好.最后采用力锤敲击试验验证了识别方法的有效性和精度.     

地铁机电安装绩效领先指标自动预测方法

目前的绩效领先指标的预测中对样本数据的平稳性考虑不足,样本数据波动性大,影响最终的预测准确性.因此提出地铁机电安装绩效领先指标自动预测方法,首先对影响项目绩效的指标进行拟定描述,确定指标后使用Lasso方法来确定其中变量对绩效指标影响程度,然后使用ADF单位根检验法对相关波动数据进行平稳化处理,运用BP神经网络技术来实现自动预测.为了验证设计方法是否满足设计目的 ,设计实验,使用某地铁机电安装工程的数据作为样本数据并进行自动预测,预测结果显示:本文设计方法对比其他方法结果更接近实际值,设计满足设计要求.     

新媒体的发展对现代音乐艺术教育的影响——评《音乐教育理论与科研方法》

随着我国现代科技的飞速发展,媒体时代已经悄然来临。各行各业依靠媒体与自身行业特点,不断挖掘媒体价值,丰富产业内涵。而国内教育领域也不例外,现代教育研究者开始在教育活动中引入新媒体,使其能够发挥更大的教育传播价值。而不同等级的学校以及相关教育机构,也开始不断增加新媒体的认知和应用。     

基于Matlab的电力系统电压调整仿真实验教学平台设计

电压调整是"电力系统分析"课程中一个重要内容.传统教学大多依靠理论分析,抽象且不易理解,配套实验存在局限性.本文基于Matlab图形用户界面设计并开发了一种电力系统电压调整仿真实验教学平台,师生通过计算机以交互方式进行电压调整仿真实验,界面友好、操作简捷、教学便利,帮助学生加深对电力系统电压调整的理解,有助于开放式实验教学、培养学生实践能力.     

非光滑凸问题投影型对偶平均优化方法的个体收敛性

对于一般凸问题,对偶平均方法的收敛性分析需要在对偶空间进行转换,难以得到个体收敛性结果.对此,文中首先给出对偶平均方法的简单收敛性分析,证明对偶平均方法具有与梯度下降法相同的最优个体收敛速率Ο(lnt/t).不同于梯度下降法,讨论2种典型的步长策略,验证对偶平均方法在个体收敛分析中具有步长策略灵活的特性.进一步,将个体收敛结果推广至随机形式,确保对偶平均方法可有效处理大规模机器学习问题.最后,在L1范数约束的hinge损失问题上验证理论分析的正确性.