电动汽车电池自动灭火器及其电动汽车

    公开(公告)号:CN114748815B

    公开(公告)日:2022-10-14

    申请号:CN202210416247.6

    申请日:2022-04-20

    摘要: 本发明提供了一种涉及新能源汽车、消防领域的电动汽车电池自动灭火器及其电动汽车,包括伺服减速电机、联轴器、齿轮箱输入轴、齿轮箱、齿条、刀具、CO灭火器、圆箍以及灭火器基座,伺服减速电机通过联轴器与齿轮箱上的齿轮箱输入轴相连接,齿轮箱通过齿条与刀具连接,刀具下方连接灭火器,灭火器连接于灭火器基座上,灭火器基座连接于齿轮箱上;伺服减速电机正转,使刀具刺穿灭火器,伺服减速电机反转,使刀具从灭火器中拔出,伺服减速电机继续反转,齿轮箱带动灭火器旋转直至偏离刀具,使灭火器的喷射不受刀具的影响。本发明不仅具有良好的响应稳定性与复用性,占用空间小,可长期存放,且只通过一个伺服减速电机控制,控制系统更加简洁且稳定。

    一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法

    公开(公告)号:CN112160761A

    公开(公告)日:2021-01-01

    申请号:CN202011023864.7

    申请日:2020-09-25

    IPC分类号: E21D9/08 E21D9/10

    摘要: 本发明公开了一种基于现场参数的硬岩TBM刀盘滚刀磨损实时评估方法,构造表征每把滚刀磨损的健康因子,定义为掘进区间内滚刀在隧道开挖面上的滚动距离与其最大滚动距离的比值,获取健康因子的影响因素作为特征集,将取对数后的健康因子作为目标变量;构造包含刀盘上所有滚刀数据的数据集,利用一维卷积神经网络建立数据集特征与目标变量之间的映射关系;对于待评估的滚刀,构造其特征集输入到训练好的模型中,评估各开挖区间健康因子并累加得到健康状态值,如果该值接近1,表明需要更换滚刀。本发明方法能有效地根据TBM采集的现场参数实时评估刀盘上每把滚刀的磨损,保证滚刀在临近磨损极限时被及时更换,减少滚刀检测时间,提高刀具利用率。

    基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统

    公开(公告)号:CN115559737A

    公开(公告)日:2023-01-03

    申请号:CN202210396985.9

    申请日:2022-04-15

    摘要: 本发明提供了一种基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统,包括:步骤1:采集盾构机掘进过程中的掘进参数并进行预处理,得到掘进参数序列;步骤2:对掘进参数序列中的每个掘进参数进行时域特征提取;步骤3:采用最小‑最大法对提取出的时域特征进行归一化并输送至深度残差网络;步骤4:构建盾构机刀盘结泥饼诊断神经网络模型并进行训练;步骤5:对预设时刻的结泥饼状况进行诊断;步骤6:根据预设数据集的实际值分别计算准确率和f1分数,评估结泥饼诊断的效果。本发明实现了对盾构机结泥饼状况的实时准确诊断,有助于指导司机及时发现刀盘结泥饼状况,及时进行处理,实现高效安全施工,提升盾构机的自动化和智能化水平。

    电动汽车电池自动灭火器及其电动汽车

    公开(公告)号:CN114748815A

    公开(公告)日:2022-07-15

    申请号:CN202210416247.6

    申请日:2022-04-20

    摘要: 本发明提供了一种涉及新能源汽车、消防领域的电动汽车电池自动灭火器及其电动汽车,包括伺服减速电机、联轴器、齿轮箱输入轴、齿轮箱、齿条、刀具、CO灭火器、圆箍以及灭火器基座,伺服减速电机通过联轴器与齿轮箱上的齿轮箱输入轴相连接,齿轮箱通过齿条与刀具连接,刀具下方连接灭火器,灭火器连接于灭火器基座上,灭火器基座连接于齿轮箱上;伺服减速电机正转,使刀具刺穿灭火器,伺服减速电机反转,使刀具从灭火器中拔出,伺服减速电机继续反转,齿轮箱带动灭火器旋转直至偏离刀具,使灭火器的喷射不受刀具的影响。本发明不仅具有良好的响应稳定性与复用性,占用空间小,可长期存放,且只通过一个伺服减速电机控制,控制系统更加简洁且稳定。

    基于混合深度神经网络的谐波减速器功率实时预测方法及系统

    公开(公告)号:CN113297704A

    公开(公告)日:2021-08-24

    申请号:CN202110672801.2

    申请日:2021-06-17

    摘要: 本发明提供了一种基于混合深度神经网络的谐波减速器功率实时预测方法及系统,包括:搭建谐波减速器加速寿命试验平台,采集谐波减速器的运行及监测参数;基于采集到的运行及监测参数构造数据集,并对数据集进行预处理;将预处理后的数据集按照预设比例划分为训练集、验证集和测试集;利用训练集训练混合深度神经网络,得到训练后的混合深度神经网络;利用训练后的混合深度神经网络预测验证集的功率信号,计算验证集数据的预测误差,当预测误差未满足预设要求时,调整训练后的混合深度神经网络的超参数,直至预测误差满足预设要求;将对应测试集数据输入调整后训练好的混合深度神经网络,对下一时刻功率信号进行预测。