基于充电脉冲激励的电池内短路故障诊断方法

动力锂离子电池是电动汽车重要的动力来源,其安全稳定运行对于保障电动汽车续航里程和保证驾乘人员安全具有重要意义。然而,目前锂离子电池相关的安全事故频发,而电池内短路故障由于发生在电池内部,具有隐蔽性和不可预知性而难以察觉。提出一种面向电动汽车充电过程的电池内短路故障诊断方法,以阶梯充电电流作为激励,通过建立电池内短路故障等效电路模型,结合带遗忘因子的最小二乘算法辨识等效电路模型参数,进而进行荷电状态(state of charge,SOC)估计和短路电阻估计,从而实现电池内短路故障诊断。在所搭建的电池内短路故障模拟测试平台上进行实验,结果表明所提出方法可以有效识别模拟的50和75Ω短路故障,短路电阻估计精度分别是94%和86.7%。     

生物水泥技术应用于液化地基处理的研究进展

土壤中存在大量的微生物，这些微生物的生命活动在一定程度上影响着土体的物理力学性质，而生物水泥技术就是利用这些微生物的矿化过程来解决岩土问题。为探究生物水泥技术处理液化地基的应用前景，对近年来众多学者的研究进行了归纳和总结，发现采用该技术处理后的试样渗透性明显降低，土体强度得到较大提升，抗液化性能也发生明显改善。此外，还对该技术微生物培养过程中各类物质的选择，以及处理方法的选择进行了较为全面的总结，为其他学者进一步研究提供了参考。     

基于气体检测的锂电池热失控预警研究进展

由于锂离子电池热失控过程中往往伴随着特征气体的产生,可以通过检测气体的释放及其浓度来对锂电池热失控进行预警。介绍热失控气体的产生机理,总结电池类型、电池参数、外部环境条件对热失控气体的影响,不同热失控特征气体的产生现象等方面的研究现状,分析现有的基于气体检测的锂离子电池热失控早期预警研究的进展,并对其下一步的发展进行了展望,以期为提高锂离子电池的运行安全提供指导。     

磷酸铁锂离子电池模组热失控气体扩散仿真

为研究磷酸铁锂离子电池在泄压阀打开之后,释放的气体在模组中扩散行为,本文基于实际100％SOC磷酸铁锂离子电池模组尺寸建立1:1几何模型,模拟电池模组内部电池发生热失控、泄压阀打开及释放气体的扩散行为;通过FDS软件对其进行仿真研究,分析磷酸铁锂离子电池在热失控时释放H2、CO、CH4和CO2气体的扩散规律.研究结果表明:磷酸铁锂离子电池在泄压阀打开后,在8s内气体充满整个电池模组箱内部上侧,在电池模组箱上方内部的温度维持在55℃;在30 s之后,模组箱内气体空间分布逐渐趋于平衡,不随时间的变化而发生变化.在释放的气体中CO2约占30％,在4种气体中占比最大.本文的研究成果可为磷酸铁锂离子电池模组的设计以及气体探测系统的设计提供参考依据.     

磷酸铁锂储能电站电池预制舱消防系统研究

为确保磷酸铁锂储能电站安全可靠运行,降低磷酸铁锂储能电池的火灾风险,针对磷酸铁锂储能电站电池预制舱的火灾防火和灭火系统控制策略展开研究。以磷酸铁锂电池早期热失控及热扩散的特征气体参数为探测对象,对电池热失控状态进行预测预警,及早预测电池异常状态。采用与电池管理系统（BMS）智慧联动,提出多层次火灾报警控制策略,以控制电池舱爆炸风险隐患,保障储能系统安全。     

龙眼果酒酿造酵母的筛选及其发酵条件优化

筛选出了适合龙眼果酒发酵的酵母菌株A1Ya.通过正交实验,优化得到最佳的发酵条件为:温度28℃、糖用量25%、pH 6.0、酵母用量为1.95×107个/mL,发酵时间7d,龙眼果酒中乙醇含量高达15.62%.     

预制舱式磷酸铁锂电池储能电站防火设计

预制舱式磷酸铁锂电池储能电站在我国应用较为广泛,其消防安全问题是国内外关注的焦点问题。本文通过开展磷酸铁锂储能电池模块在过充条件下的燃烧特性试验,分析总结了预制舱式磷酸铁锂电池储能电站火灾发生发展的特点,并以此为依据,从火灾危险性、防火间距、火灾预警策略、灭火系统设计、消防给水及消防车道等方面提出储能电站防火设计的基本原则。     

外压作用下椭圆截面柱壳的弹性屈曲

基于能量法推导了外压作用下椭圆截面柱壳弹性屈曲临界荷载的理论解,推导中考虑了椭圆截面连续变化的曲率,引入带有衰减系数的位移函数以反映外压作用下椭圆柱壳的变形特点,并利用里兹法求解外压椭圆柱壳的能量方程。由椭圆柱壳理论解退化求得的圆柱壳外压屈曲荷载与已有文献的经典解吻合良好,与有限元分析结果的比较进一步验证了该文理论解的准确性。基于理论解的参数分析表明:在外压作用下,椭圆柱壳具备比圆柱壳更优越的力学性能;椭圆柱壳的外压屈曲荷载随椭圆截面比的增大而增大,随壳体名义径厚比的减小而增大;椭圆柱壳的外压屈曲荷载随壳体长度的增大而降低,但当名义长径比大于1左右后,屈曲荷载基本保持不变。     

面向异质性医学图像处理的深度学习算法综述

近年来深度学习技术在诸多计算机视觉任务上取得了令人瞩目的进步,也让越来越多的研究者尝试将其应用于医学图像处理领域,如面向高通量医学图像(CT、MRI)的解剖结构分割等,旨在为医生提供诊断辅助,提高其阅片效率.由于训练医学图像处理的深度学习模型同样需要大量的标注数据,同一医疗机构的数据往往不能满足需求,而受设备和采集协议的差异的影响,不同医疗机构的数据具有很大的异质性,这导致通过某些医疗机构的数据训练得到模型很难在其他医疗机构的数据上取得可靠的结果.此外,不同的医疗数据在患者个体病情阶段的分布上也往往是十分不均匀的,这同样会降低模型的可靠性.为了减少数据异质性的影响,提高模型的泛化能力,域适应、多站点学习等技术应运而生.其中域适应技术作为迁移学习中的研究热点,旨在将源域上学习的知识迁移到未标记的目标域数据上;多站点学习和数据非独立同分布的联邦学习技术则旨在在多个数据集上学习一个共同的表示,以提高模型的鲁棒性.从域适应、多站点学习和数据非独立同分布的联邦学习技术入手,对近年来的相关方法和相关数据集进行了综述、分类和总结,为相关研究提供参考.