基于电机效率的纯电动汽车传动系统参数匹配研究

为降低能耗、提高续航里程,本文提出了以提高电机效率为目标的纯电动汽车三档变速传动方案.首先,在分析电机工作特性的基础上提出了三档传动系统参数匹配方法;然后以某纯电动汽车为研究对象,对其驱动系统进行了改动:方案一在不改变原车型动力系统参数的情况下将传动系统由一档改为三档,并运用所提出的方法确定各档位的传动比;方案二在满足整车动力性指标要求下对电机重新选型并匹配三档传动系统;最后利用ADVISOR软件进行NEDC工况仿真分析.结果表明:在不改变原车型动力系统参数的情况下,采用三档传动可使整车的动力性和经济性都有一定的提升,续航里程提高了 9.2％,百公里电耗降低了 1.28 kW·h;重新选型电机后,采用三档传动续航里程提高了 14.1％,百公里电耗降低了 1.87kW·h.     

2种侧围加强内框总成检具结构对比分析

概述了侧围加强内框总成与周边零件的匹配关系,从检具操作的人机工程出发,描述了侧围加强内框总成检具的2种定位方式和结构设计,对比了2种定位方式对于检测结果的影响,总结了其优点和弊端,结果表明侧围加强内框总成检具采用车内方向朝下的定位方式效果更好。     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。     

基于PolyWorks虚拟装配间隙面差计算分析研究

随着当今社会汽车制造业的迅猛发展,高标准和高需求已经是消费者对汽车制造凯歌的主旋律。而这其中,汽车钣金件的间隙面差就是其中一个重要因素。快速检测间隙面差是否满足设计要求直接关系到汽车白车身的生产精度和企业的工作效率。传统计算间隙面差大多利用量具,易划伤被测物且在零件实际装配后才可测量,降低生产效率,而非接触测量造价昂贵。本课题基于实物的汽车钣金件虚拟装配,对间隙面差的计算方法进行分类与参数调整,提出一种高效率、高标准的间隙面差计算流程。     

城市地下综合管廊PPP项目物有所值评价优化研究

通过结合综合管廊的行业特点补充和细化评价指标,建立综合管廊PPP项目VFM评价指标体系,改进以往评价指标缺乏针对性的问题。利用C-OWA算子和两维语义专家组合赋权法计算专家权重,对评分进行修正以提高评价的准确性。以海口市城市地下综合管廊项目为例,验证该模型的可行性和实用性。     

基于儿童使用主体的建成环境评价尺度研究

评价尺度是建筑使用后评价的基 本问题之一，它是使用者评判建成环境好 坏、优劣的重要测度标准。为弥补目前环境 评价尺度研究方面的缺失，建立与儿童使用 主体相一致的建成环境评价尺度，对儿童常 用语义量词进行汇总和筛选，采用五级线 分刻度方法进行问卷调查研究。基于儿童的 理解，通过问卷试验分析，结果表明：双侧 5级区间评价尺度为：很（负面）；有点（负 面）；中等；有点（正面）；很（正面）；单侧 5级区间评价尺度为：不；好像有点；比较； 很；特别。     

基于语义分割算法的水库漂浮物智能识别

为了满足水库漂浮物强监管的需求，发挥水库水雨情视频监控的优势，将语义分割算法DeepLabV3+应用于水库漂浮物智能识别任务中。首先，通过多要素数据采集方法以及多种图像数据增强方式系统性整合得到水库漂浮物语义分割数据集。然后，提出改进的加权代价函数，以适应数据集中各类的总像素数量不平衡的问题。实验结果表明，通过规范采集与多种数据增强建立的数据集，以及改进的加权代价函数，提高了水库漂浮物语义分割模型的准确率。所提模型像素准确率平均值、平均交叉比分别可达到95.21%、91.03%，通过微信企业号实现的移动监管，可为水利相关部门对水库漂浮物进行及时的智能监控预警提供新的技术方案。     

基于张量计算的卷积神经网络语义表示学习

卷积神经网络已在多个领域取得了优异的性能表现,然而由于其不透明的内部状态,其可解释性依然面临很大的挑战.其中一个原因是卷积神经网络以像素级特征为输入,逐层地抽取高级别特征,然而这些高层特征依然十分抽象,人类不能直观理解.为了解决这一问题,我们需要表征出网络中隐藏的人类可理解的语义概念.本文通过预先定义语义概念数据集(例如红色、条纹、斑点、狗),得到这些语义在网络某一层的特征图,将这些特征图作为数据,训练一个张量分类器.我们将与分界面正交的张量称为语义激活张量(Semantic Activation Tensors,SATs),每个SAT都指向对应的语义概念.相对于向量分类器,张量分类器可以保留张量数据的原始结构.在卷积网络中,每个特征图中都包含了位置信息和通道信息,如果将其简单地展开成向量形式,这会破坏其结构信息,导致最终分类精度的降低.本文使用SAT与网络梯度的内积来量化语义对分类结果的重要程度,此方法称为TSAT(Testing with SATs).例如,条纹对斑马的预测结果有多大影响.本文以图像分类网络作为解释对象,数据集选取Image Net,在Res Net50和Incep...     

压缩感知改进探地雷达回波信号时延估计

针对探地雷达回波受环境及多径干扰而导致时延估计的精度和速度不满足应用需求的问题,提出了基于改进快速匹配追踪的时延估计算法,算法首先基于压缩感知理论对雷达探地回波进行稀疏分解和重构,以提高信号的信噪比,消除回波中强干扰信号对时延估计的影响,然后采用QR分解优化的快速正交匹配追踪对时延估计模型进行求解,降低基函数错选概率,提高模型收敛速度.仿真实验表明,算法能够有效均衡回波信号中强信号分量和弱信号分量,具有较高的回波时延估计精度.