Research on Safety Evaluation Methods in the Maintenance of Hybrid Vehicles
Notice bibliographique
Résumé
With increasing emphasis on environmental problems, hybrid vehicles have become an important development direction of the automobile industry, and the safety assessment in the maintenance process has been particularly valued. This study establishes a systematic hybrid vehicle maintenance safety evaluation method, focusing on three key technologies: battery management system (BMS) fault diagnosis, high-voltage system isolation, and power battery safety detection. The multisource data fusion technology is used to carry out real-time monitoring and fault warning of BMS; adopt the design concept based on high-voltage interlock to realize the effective isolation of the automotive high-voltage system; and reconstruct the battery state through the simulation model to comprehensively evaluate the health of the power battery. In the experimental part, by randomly selecting the models of the main hybrid vehicles on the market, a database was built that covers more than 100 typical faults and a number of fault diagnosis algorithms were compared and tested on the actual car. The research results show that the evaluation method has reached the industry-leading level in terms of fault detection rate, fault location accuracy, and response time. The diagnostic precision rate has increased by an average of 15% and the response time has been reduced by 30%. The research not only provides a scientific and systematic safety evaluation tool for the maintenance of hybrid vehicles but also lays a theoretical foundation for the formulation and upgrading of training standards for the automotive maintenance industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».