针对汽车行人保护碰撞试验中大腿冲击器的生物力学特性问题,采用THUMS(total human model for safety)人体模型与大腿冲击器进行对比仿真分析.模拟THUMS-SUV行人交通事故,并对THUMS人体模型大腿所受冲击力和弯矩进行了输出.根据事故中行人大腿初始碰撞条件和行人大腿最低能量状态,分别建立两种工况的行人大腿冲击器碰撞模型并进行模拟,对比分析行人大腿冲击器和THUMS人体模型大腿的动态响应、最大瞬间冲击力和最大弯矩.仿真结果表明:相对THUMS人体模型而言,大腿冲击器的最大瞬间冲击力偏高而最大弯矩偏低,行人小腿和上身的运动和接触作用,会影响大腿部位的接触力和最大弯矩,因此大腿冲击器的生物仿真度有待提高.
准确估计锂离子电池的健康状态(state of health,SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度,提出了一种融合卷积神经网络(convolutional neural network,CNN)和Transformer的锂离子电池SOH估计方法。首先,分析了牛津实验室测试得到的锂离子电池充放电循环数据,提取了部分等间隔电压对应的充电时间序列作为表征电池老化的健康特征,并利用Pearson相关系数法定量分析了健康特征与SOH直接的相关性。然后,将具有局部特征提取能力的CNN与具有自注意力全局特征提取能力的Transformer相结合进行SOH估计。为了进一步提高估算精度,采用贝叶斯优化算法对CNN-Transformer全局超参数进行寻优,得到最优模型参数组合,提高了模型计算速度和SOH估算精度。在8个电池中进行交叉验证,结果表明:所提出的方法可以保证SOH估算最大误差、均方根误差和平均绝对误差分别小于1.5%、0.75%、0.63%。并将提出的方法与4种传统深度学习算法进行比较分析,发现该方法具有更好的估算精度和泛化能力。
