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.     

装载机零公里性能不达标原因分析及解决方案

针对某50型装载机零公里性能检测不达标问题展开分析,重点研究怠速偏高或偏低、怠速加载熄火、双失速工况牵引力偏大或偏小、最大牵引力偏大或偏小,以及最高转速偏大或偏小等问题,并从整机与柴油机配套设计计算和出厂检验控制等方面查找原因,提出具体的解决方案。实际应用效果表明,改进方案可以大幅减少装载机零公里性能检测不达标问题,取得较好效果。     

聚乙二醇-三聚氰胺甲醛和聚乙烯醇半互穿网络的构建及表征

为提高三聚氰胺甲醛(MF)树脂制品的柔韧性,以聚乙二醇接枝三聚氰胺(M-PEG)替代部分三聚氰胺,并与甲醛、聚乙烯醇(PVA)在碱性条件下合成了聚乙二醇-三聚氰胺甲醛(PEG-MF)与PVA的半互穿聚合物网络体系(SemiIPN)。采用红外光谱、拉曼光谱、热重分析、差示扫描量热法等手段对Semi-IPN的微观结构进行了剖析,并分析了PEG、PVA等柔性链段对Semi-IPN黏度、游离甲醛含量、柔韧性等性能的影响。结果表明,PVA作为线型结构贯穿于聚乙二醇-三聚氰胺甲醛树脂交联网络体系结构中,形成了半互穿网络结构;所形成的Semi-IPN的热分解温度比MF树脂降低了60℃左右;Semi-IPN的韧性比纯MF树脂提高了800%,最高可达到19.700kJ/m2。     

我参与编修矿志的记忆碎片

多年过去了,我仍然珍藏着一套《峰峰孙庄矿志》,打开那烫金的墨绿色封面,一股油墨清香扑面而来。翻开这本凝结着我的心血和汗水的矿志,字里行间充溢的编写组的集体智慧和热忱不由得让我回想起编修矿志的点点滴滴,一幅幅昔日的画面在我的脑海中不断回放。一、紧急受命编修矿志2009年初,正在紧张工作的我接到领导下达的命令,立即放下手头工作,参与到编修《峰峰孙庄矿志》的工作中去,为《峰峰煤矿志》第二版编修做好前期准备。从全矿各单位     

（S）-噻吗洛尔半水合物的合成及表征

为了开发β受体阻断剂新药（S）-噻吗洛尔半水合物，采用3-吗啉-4-氯-1，2，5-噻二唑为起始原料，经水解反应得到中间体1（3-吗啉-4-羟基-1，2，5-噻二唑）。中间体1与R-环氧氯丙烷发生醚化反应，经后处理及重结晶得到中间体2 {（R）-4-［4-（环氧乙烷-2-基甲氧基）-1，2，5-噻二唑-3-基］吗啉}。中间体2经胺化反应、马来酸成盐及重结晶得到（S）-马来酸噻吗洛尔。（S）-马来酸噻吗洛尔经游离、纯水转晶得到符合药典标准的（S）-噻吗洛尔半水合物，总收率14.05%且e.e.值为99.66%。最终成品经IR、1H-NMR、13C-NMR、MS、TGA、DSC表征，并优化各步反应条件。结果表明:以三乙胺为醚化反应缚酸剂75 ℃反应最佳；以乙醇为胺化反应溶剂46 ℃反应16 h最佳；S-噻吗洛尔的转晶拆分以水作溶剂，比传统不对称合成工艺安全稳定，操作简单，适合工业化生产。     

工业以太网实时通信技术及进展

随着我国工业技术的飞速发展,工业通信方式也逐渐向自动化的方向发展。而将以太网运用到工业生产中来实现实时通信,但其实时性的实现仍旧是行业内研究的重点。本文就以太网运用与工业实时通信技术,结合对以太网通信机制和技术特点的分析进行讨论,并提出一些解决方式。     

公安信息系统安全审计技术现状和问题

自《关于加快推进公安信息系统应用日志安全审计工作的通知》(公传发〔2013〕516号)下发以来,公安业务系统的安全审计工作有了很大的进展,但在落地的过程中,也出现了一些现象值得去研究和讨论。文章在安全审计发展现状的基础上,论述了存在的问题,并针对关键问题给出具体的技术实现思路以及实现方案。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。