重庆市山区公路雪灾等级划分及预警评估模型研究

通过对国内外相关领域雪灾等级的分析,结合重庆气象条件和公路网的实际情况,提出适合重庆的山区公路雪灾分级标准。将雪灾强度数学模型与雪灾等级划分情况相结合,用动态聚类法找出各雪灾等级的重心,从而建立雪灾预警评估模型。     

锂电池安全预警的神经网络算法研究

据不完全统计,2020年国内电动汽车起火案例已经超过100起,用户对于电动汽车的安全性关注程度剧增.为充分辨认电动汽车的安全程度,利用神经网络算法进行车辆安全预警分析,以反向传播算法为主体,通过多参数耦合方式来预判车辆发生安全问题的概率.通过外部因素,如车辆使用环境、用户习惯等;内部因素,如锂电池的老化、析锂情况等进行神经网络的参数叠加.为提高算法的准确性,使用海鸥算法对神经网络进行优化,在原算法的基础上,进一步提高神经网络收敛到期望误差的速度,增强全局搜索能力.在算法拟合上优化程度提升了99.75％,模型算法与输出结果相吻合.采用单个车辆对模型算法进行验证,通过优化模型可以准确识别车辆发生安全风险的概率.     

燃料电池轿车分级式故障处理策略研究

提出了一种分级式故障处理方法。以某燃料电池轿车为对象,具体阐述了分级式故障处理策略的实现。重点介绍了故障的级别划分方法以及处理策略。通过硬件在环系统（HIL）验证了分级式故障处理策略的实用性和有效性。     

锂离子电池性能衰退机理与故障预警策略研究

针对新能源汽车用锂离子动力电池在车载复杂工况下,由于老化过程造成整车性能下降以及产生安全隐患的问题开展研究。分析锂离子电池老化机理,研究老化路径对衰减过程的影响;对当前常用的电池模型方法进行了总结,并着重介绍了动力电池电化学- 热- 机耦合仿真模型;分析了实际应用下锂离子电池伴随老化过程可能出现的风险,归纳了主要容量衰退分析方法。研究表明,基于动力电池云端控制的故障预警方案将是动力电池整车应用未来的发展方向。     

大数据驱动的新能源汽车多维度安全预警建模方法研究

新能源汽车安全已是一个非常严峻的现实问题,直接影响到产业的未来与发展。综合阐述了基于大数据驱动的安全预警技术建模的方法学问题。从多个层次、多个维度讨论了安全预警的技术方法,重点分析提出了基于系统稳定性、相关性、一致性等累计风险模型与事故特征匹配追踪两大类模型。介绍稳态概率计算方法、累计风险计算方法、风险曲线识别方法。介绍了基于中心距、能量一致性的累计风险模型与应用情况,最后介绍一类全新的模式匹配识别模型:事故特征匹配追踪模型。总结提出了从微观定义安全、宏观预警安全、智能完善安全、数据保障安全一个比较完整的安全预警体系与方法。     

您了解引擎故障的预警信号吗?

早些年,如果您的汽车引擎出了毛病,您多半要找机械师来修理,但是现今的汽车都是由电子设备武装的,光靠"机械师"的手工维修可能无法判断故障出在哪里。无论您是喜欢在家自己钻研汽车的发烧友,还是专业的汽车维修人员,在检修汽车故障时,都不能仅仅靠纯手工方法来操作。     

基于特征提取和XGBOOST的电动重卡电池故障预警方法

电池包经常处于深度放电状态会极大地影响电池寿命,在严重情况下甚至会导致停车故障,传统故障诊断方法难以判断电池潜在故障以及故障发生程度。因此,本文提出了一种基于特征提取和XGBoost的电池故障预警方法。该方法对电池数据进行预处理,根据电芯端电压构建新的特征,对电池数据进行标注,建立XGBoost预测模型来预测电压故障,判断动力电池是否欠压。此外,还采用K折交叉验证以及随机搜索算法提高预测的准确性。实验结果表明,该方法可以有效区分故障车和正常车,并提前定位故障发生时间,从而避免潜在的事故风险。     

驾驶人状态适应式疲劳预警方法的研究

为设计针对驾驶人不同疲劳状态的预警方案,本文建立了包括察觉性、理解性和接受性的评价体系,系统研究了听觉、视觉和触觉3种预警方式对处于不同疲劳状态的驾驶人的预警效果。研究结果表明,各种预警方式对处于不同疲劳状态下的驾驶人具有不同的预警效果。听觉方式较适合于轻微疲劳状态,而触觉方式则更适合于非常疲劳状态。据此最终提出了一种适应于驾驶人不同疲劳状态的复合预警方案。     

实车数据驱动的锂电池剩余使用寿命预测方法研究

锂离子动力电池剩余使用寿命（RUL）预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法,本质上是一个递推的过程,每一次预测的误差会随预测次数增加而累积,难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论,建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法,使用编码器-解码器（ED）框架改进长短时记忆神经网络模型（LSTM）构建从序列到序列预测的EDLSTM模型,并融合ARIMA模型预测误差趋势,进而修正最终预测结果。理论分析和实车采集数据验证表明,该方法在预测比例超过历史数据总量35%的情况下,仍然能较好地拟合实车SOH衰退曲线,有效提高锂电池剩余使用寿命的预测精度。     

数据和知识双驱动下的土压平衡盾构结泥饼事件预警模型

针对施工中结泥饼事件成因机制复杂、预判难度大的问题,从数据建模和知识推理2种角度综合判断盾构结泥饼事件概率。从数据建模角度,采用无阈值递归图转换和极限学习机自编码器技术建立基于施工多维时序数据的结泥饼异常诊断子模型;从知识推理角度,提取土压平衡盾构结泥饼事件规则,形成事件诊断知识库,建立基于历史施工经验的结泥饼事件诊断子模型。基于2个子模型输出结果,采用综合概率法,建立数据和知识双驱动的结泥饼事件预警模型。实际工程应用表明： 数据和知识双驱动的预警模型能够有效预测结泥饼事件,且预警效果优于单一形式的子模型,较子模型的误报率更低,预警时间早于人工发现的结泥饼事件,为工程安全提供了技术保障。