-
题名玻璃温室棚顶自动清洗机的研制
被引量:3
- 1
-
-
作者
李济霖
寇杰
孙亚平
贺帅
蒋猛
-
机构
西南大学工程技术学院
-
出处
《科技创新与应用》
2016年第14期68-69,共2页
-
基金
国家级大学生创新性实验计划项目(201410635081)
-
文摘
文章针对现在国内清洗玻璃温室棚顶的情况,设计了一种玻璃温室棚顶自动清洗机。清洗机由洗刷机构、行走机构和控制部分三大部分组成。整套装置采用了快速接头连接方式,使清洗机构各部分均可快速连接、拆卸,大大方便装置的搬运和运输。同时采用单片机控制,具有较高的自动化程度,可以有效解决目前玻璃温室顶棚清洗的自动化低,安全性差,效率低等问题。
-
关键词
玻璃温室
棚顶
自动化
清洗
快速接头
-
分类号
U279.325
[机械工程—车辆工程]
-
-
题名云端数据驱动的锂电池故障分级预警研究
被引量:6
- 2
-
-
作者
郭文超
杨林
邓忠伟
李济霖
范志先
-
机构
上海交通大学机械与工程学院
电子科技大学机械与电气工程学院
中通客车股份有限公司
-
出处
《汽车工程》
EI
CSCD
北大核心
2023年第9期1677-1687,1701,共12页
-
基金
国家自然科学基金(51875339)
国家重点研发计划(2022YFE0102700)
国家新能源汽车监测管理中心西南分中心和新能源汽车事故调查协作网资助。
-
文摘
目前还未有一种有效手段针对故障类型未知的车辆云端数据进行无监督式的故障预警,为此本文提出了一种云端数据驱动的锂电池故障分级预警方法。首先通过机理分析选取适用于云端数据特性的特征,构建6类差熵特征集进行多次混合聚类实现对电池健康度的打分评价。通过引入温度信息区分热相关故障并构建预警等级划分准则判断电池故障状态。利用5种现场故障案例进行验证,结果表明,该方法能准确识别故障并区分故障类型,且具有较高的超前性和适应性。
-
关键词
锂电池
无监督式故障预警
差熵特征集
预警等级划分
-
Keywords
lithium-ion battery
unsupervised fault warning
differential entropy feature sets
warning level division
-
分类号
U469.72
[机械工程—车辆工程]
-
-
题名中小型养鸡场智能控制系统的开发设计
- 3
-
-
作者
贺帅
段文婷
李济霖
蒋猛
-
机构
西南大学工程技术学院
-
出处
《安徽农业科学》
CAS
2015年第14期334-336,共3页
-
基金
科技部中小企业创新基金项目(13c26215115108)
国家级大学生创新创业训练计划项目(201410635081)
-
文摘
针对中小规模化养殖场技术资金投入不足、管理落后的现状,开发了一种低成本、高稳定性、智能化的适合农村集约化养鸡场的控制系统。该系统以单片机为控制核心,通过温湿度采集模块、光照度采集模块、烟度检测模块实时检测养鸡场温度、空气湿度、鸡笼采光情况和烟度等环境因子,并将检测到的环境因子信号传输给单片机,通过与设定值比较,单片机对现场的风机、空调、灯光等设施进行相应的控制,使各个环境因子维持在合适水平。该系统成本低、投资少易于推广,同时还可解决传统人工养殖不科学、欠规范的问题。
-
关键词
养鸡场
单片机
智能控制系统
开发设计
-
Keywords
Chicken farm
Microcontroller
Intelligent control system
Development and design
-
分类号
S818.5
[农业科学—畜牧学]
-
-
题名电动汽车电池能量分配单元集成化测试系统设计
被引量:1
- 4
-
-
作者
李济霖
刘宏阳
杨林
-
机构
上海交通大学机械与动力工程学院
-
出处
《机电一体化》
2019年第4期25-31,共7页
-
文摘
针对电池能量分配单元(BDU)进行各种测试时所需的测试电路不同,设计了一套测试系统。系统利用上位机搭建测试逻辑模型,通过对外设继电器矩阵和外围设备的控制来实现测试电路的在线重构以完成检测的自动化与集成化。实验结果表明,测试系统可以满足预期的精度要求,同时又可以大幅度减少人工操作与测试时间,大大提高生产效率。
-
关键词
BDU
继电器矩阵
电路重构
自动化
集成化
-
Keywords
BDU
relay matrix
circuit reconstruction
automation
integration
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于长短期记忆网络的电动汽车电池故障诊断
被引量:2
- 5
-
-
作者
刘宏阳
杨林
李济霖
-
机构
上海交通大学机械与动力工程学院
-
出处
《机电一体化》
2020年第1期17-23,37,共8页
-
文摘
由于动力电池的数据是时序数据,而电池故障的发生具有随时间演变的特征,因此,提出一种基于长短期记忆网络的电动汽车电池故障诊断方法。首先,根据电池实验数据建立电池模型,通过注入电池不同故障得到动力电池故障数据集;然后,将电池故障数据集分成训练集和测试集,使用长短期记忆网络对训练集数据训练,在训练迭代次数达到设定值,并且识别准确率收敛之后,采用训练好的参数对测试集数据进行测试得到故障结果;最后,计算预测正确率,并与常用的数据驱动故障诊断的支持向量机模型进行对比。结果显示所提方法对动力电池的故障识别准确率达98%以上,甚至能够有效识别串联电池组中单体电池内部微短路、容量偏小等故障类型,明显优于利用支持向量机模型的电池故障诊断。
-
关键词
时序数据
电池模型
电池故障诊断
长短期记忆网络
-
Keywords
time series data
battery model
battery fault identification
long-short-term memory networks
-
分类号
TM912
[电气工程—电力电子与电力传动]
-