|
搜索
搜 索
高等教育领域数字化综合服务平台
汽车制动防抱死装置
Ø 成果简介：汽车制动防抱死装置（ABS），是汽车主动安全装置的代表，通过在制动过程中自动调节各车轮制动器制动力矩的大小，使车轮滑移率被控制在理想的范围内，保证车轮有较大的侧向附着能力，保持汽车制动时的方向稳定性和缩短制动距离，减少交通事故发生。国家把该装置列为第一条汽车关键零部件急需开发应用的产品。适用于车辆液压、气压制动系统。具有一通道、二通道、三通道、四通道等多种布置型式。目前研发的具有自主知识产权的ABS装置，技术成熟，已技术升级到ABS/ASR装置。Ø&
北京理工大学
2021-01-12
汽车制动防抱死装置
汽车制动防抱死装置，是汽车主动安全装置的代表，通过在制动过程中自动调节各车轮制动器制动力矩的大小，使车轮滑移率被控制在理想的范围内，保证车轮有较大的侧向附着能力，保持汽车制动时的方向稳定性和缩短制动距离，减少交通事故发生。国家把该装置列为第一条汽车关键零部件急需开发应用的产品。适用于车辆液压、气压制动系统。具有一通道、二通道、三通道、四通道等多种布置型式。目前研发的具有自主知识产权的ABS装置，技术成熟，已技术升级到ABS/ASR装置。
北京理工大学
2021-04-13
新型汽车缓速器
北京工业大学
2021-04-14
汽车紧急防溺水装置
本实用新型属于汽车设备领域，尤其涉及一种汽车紧急防溺水装置。包括固定底盘、中型高压钢瓶 以及可拆卸式气囊容纳盒，所述固定底盘通过螺丝固定在汽车底盘上，所述可拆卸式气囊容纳盒通过螺 丝与固定底盘连接;所述中型高压钢瓶放置在汽车后备箱内，中型高压钢瓶出口处布置电动充气阀门;
武汉大学
2021-04-14
镁合金汽车轮毂
本成果经西南交大与江苏荣镁轮毂有限公司合作开发，2012年9月通过部级鉴定，属汽车轻量化产品，可进行短平快的投资。
西南交通大学
2016-06-28
电动汽车无线充电
课题组聚焦于电动汽车无线充电这一应用场景，全面梳理了该领域的研究现状。课题组充分考虑了充电场景的现实需要，跟进报道了停车对准、磁场屏蔽、异物检测等配套技术的最新进展。联系工程实际，课题组还对比研究了数份电动汽车无线充电技术的国内外主流标准，挖掘其在性能指标、技术路线和安装环境等问题上的异同。基于以上，课题组最终对电动汽车无线充电技术的未来发展做出了
南方科技大学
2021-04-14
汽车雨刮器专用测控系统
项目简介 汽车雨刮器是汽车雨天行驶的重要安全设备。汽车雨刮器高速、低速刮水功能和自 动复位功能，是通过雨刮器电机的结构和控制方式实现的。目前汽车上常用的雨刮器电 机根据接线方式主要有 5 线制和 4 线制两种类型，对复位区宽度检测需要采用特殊电路， 并通过示波器捕捉电机转过复位区时产生的电脉冲信号宽度来进行评价的，这种方法操 作困难，效率低下，只适合样品抽检；对于高、低转速检测，目前的检测方法是在雨刮 器曲柄起始位置放置接近开关，刮臂往返刮刷一次，接近开关通、断、通一次，根据两 次导通
江苏大学
2021-04-14
新能源汽车教学设备
新能源汽车教学设备采用新能源汽车实物为基础，可将新能源汽车的电池、发动机、空调、全车电器等部件单独做成教学装置。新能源汽车教学设备适用于本科，职业技术学院的汽车专业教学。
浙江高联电子设备有限公司
2021-02-01
基于多径能量窗的CDMA移动通信接收技术
本技术系CDMA移动通信系统核心技术方面的发明性成果，由国家杰出青年科学基金项目和教育部重点科学基金项目联合支持，并结合国家863计划九五重点之重项目和信产部移动通信专项基金“第三代移动通信系统研究开发项目”的实施而形成。
东南大学
2021-04-10
基于大数据的能源互联网能量管理系统
随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。
清华大学
2021-04-11