縱向運動的案例
【綜述】船舶在波浪上縱向運動與控制研究
1997 年，丁勇等 [102] 在單體船模上加裝了不同尺度的艏鰭、船艏橢圓環形翼、縱列片翼，并對比了引入以正弦信號主動控制片翼后（翼擺角范圍為?22°~22°）模型的縱搖運動。試驗結果表明，引入主動控制后，5 級海況下縱搖幅值可減少 25%~30%。之后，Jiao 等 [103] 進行了大量的水池試驗、海上試驗和理論研究，采用被動控制鰭和半潛艏來改善高速船的耐波性。試驗結果表明，兩種附體均對減小模型的縱搖和艏加速度有很好的效果。
2002 年，Lin 等 [104] 研究了采用可控艉壓浪板設計來減小圓舭船在波浪中的垂向運動，并通過試驗進行了驗證，在此基礎上選用可振動艉壓浪板代替可控艉板，測量了其對縱搖運動的減搖效果。模型試驗表明：如果能在波浪擾動和艉板恢復力之間建立合適的相位，使用振動翼可以很好地減小縱搖運動。
關于 T 型翼的模型試驗，鄭義和董文才 [105] 對高速輕型穿浪雙體船的縱向運動減搖進行了理論和試驗研究，分析了水翼的尺度、形式、安裝位置對縱向運動的影響，發現縱搖和垂蕩運動有義值可減少 20%~30%。梁洪光 [29] 對加裝 T 型翼的三體船進行了不同航速和不同波長規則波中的運動試驗，結果表明，高速時（傅汝德數 Fr=0.509）被動式 T 型翼最多可以減少艏加速度 24%，而減搖效果則會隨著波長的增加而減小。閆蕾 [106] 研究了攻角固定的 T 型翼對三體船型運動性能的影響。結果表明，在規則波中，相對于常規后三體船型，帶 T 型翼的前三體船型的迎浪縱向運動都得到了一定的改善。周廣利等 [107] 對三體船加裝T 型翼的阻力變化進行了試驗和數值研究，通過對比 3 種縱向安裝位置、2 種垂直翼高度和 3 種攻角情況，確定了安裝 T 型翼的較佳位置。
展開 Aircraft stability and control
本帖基于優化后的MATLAB實時腳本(.mlx)討論飛機定常直線平衡運動時穩定性和操縱性兩類基本問題，代碼是根據教材《航空飛行器飛行動力學》優化的，許多內容與上述課程不符，感興趣的朋友可以學習書本后參考上述課程中的代碼自己建立完整模型。
飛機基本參數如下,P294：
根據這些參數，建立飛機的典型縱向運動模態 ，近似短周期模態和近似長周期模態。
典型縱向運動模態。飛機的基準運動為水平直線飛行，不計擾動運動中高度變化引起的外力和力矩的影響，不考慮油門桿 操縱deltaP 。因此 γ=0，XH=ZH=MH_=0，由于是縱向擾動，忽略Za_dot 和Zq這兩個參數
近似短周期模態。如果僅研究擾動初始階段的情況，則由于時間較短，擾動引起的速度變化不大，故可略去速度變化引起的外力 和力矩的影響。 XV=ZV=MV_=0。參考Ref1,P297:
近似長周期模態。 長周期模態的表現時間較長，可以認為迎角和飛行法向速度已恢復為未擾動平衡狀態值，由切向力和法向力方 程，且近似認為Δα≈0。參考Ref1,P299:
例如短周期模態分析，其狀態矩陣、輸入-狀態矩陣、狀態-輸出單位矩陣和饋通矩陣如下：
回到典型縱向運動模態，根據P289頁氣動導數關系式計算得到狀態矩陣，求解穩定性問題：
特征根分布和模態特性如下：
可以發現，此飛機縱向擾動運動具有兩個模態，一個是周期短、衰減快的振蕩模態，一個是周期長、衰減慢的振蕩模態。
展開 基于AQWA的水下大尺度拖纜空間形位仿真分析
在動態工況下，不同航速下艉部導纜器縱向運動時歷曲線見圖6～圖9，在疊加四級海況之后，由于海浪的波高較大，艉部的響應也較大。不同航速下艉部運動幅值與平均搖動周期見表5。由表5可知，6 kn航速下的運動幅值為1.53 m,18 kn航速下的運動幅值為1.9 m，因此在實際使用時，在導覽出口處設置水平與豎直垂直交叉的多組籠狀導纜輪，對拖纜進行防跳限位。
圖6 6 kn航速下艉部導纜器縱向運動時歷曲線
圖7 12 kn航速下艉部導纜器縱向運動時歷曲線
圖8 14 kn航速下艉部導纜器縱向運動時歷曲線
圖9 18 kn航速下艉部導纜器縱向運動時歷曲線
將動態工況下空間形位的分析終止時間設置為60 s,時間增量為0.05 s，即時間步數為1 200步，每種航速下的空間形位分別讀取10 s、20 s、30 s、40 s、50 s和60 s等6個時刻的狀態，4種航速下纜索的空間形位和纜索張力時歷曲線見圖10～圖17。
表5 不同航速下艉部運動幅值與平均搖動周期
從圖10～圖17中可看出：纜索張力最大均出現在船尾纜索端點處；航速為6 kn時最大張力為7 319 N，出現在40.5 s時刻；航速為12 kn時最大張力為5 824 N，出現在32.2 s時刻；航速為14 kn時最大張力為6 477 N，出現在33.3 s時刻；航速為18 kn時最大張力為8 046 N，出現在40.1 s時刻。
展開 基于四輪轉向和直接橫擺力矩控制的路徑跟蹤集成底盤控制算法設計
其中為目標路徑的曲率半徑，vx為實際車輛縱向速度，圖3中的目標點P隨車輛移動。
橫向位置誤差定義為目標路徑點P到x軸的垂直距離，其導數可導出為
結合方程 (8)、(9) 和 (10) 得出路徑跟蹤問題的狀態空間方程：
其中狀態向量，控制輸入向量，外部輸入向量，系數矩陣A、B、C、D和E由下式給出
4 底盤集成控制算法
總體控制框架
用于路徑跟蹤的4WIS和4WID EV的集成底盤控制框架如圖4所示。所提出的底盤集成控制算法主要由三部分組成：（1）縱向運動控制，（2）橫向和橫擺運動控制和（3）車輛狀態估計。
圖4 用于路徑跟蹤的4WIS和4WID EV的底盤集成控制框架
縱向運動控制旨在通過輪轂電機產生的縱向力使車輛達到理想的縱向運動響應。所需的縱向力由駕駛員控制的加速踏板位置直接計算。由于縱向運動控制不是路徑跟蹤控制的重點，本文主要討論4WIS和4WID EV的橫向和橫擺運動控制。圖4中，Fx為總縱向力，Tdi(i=fl,fr,rl,rr)為各輪轂電機的扭矩，Tdmax為輪轂電機的最大輸出扭矩，ax和axref分別是車輛的實際縱向加速度和參考縱向加速度。
橫向和橫擺運動控制由4WS和DYC實現。前后轉向角信號和外部橫擺力矩信號由所提出的魯棒控制器計算。然后，使用單軌模型的前后轉向角信號，基于阿克曼轉向幾何計算出每個車輪的轉向角。根據DYC的外部橫擺力矩信號和縱向運動控制的期望縱向力，基于控制分配算法計算每個車輪的驅動扭矩。
展開 
SAE J3016：駕駛自動化分級（2021年4月，中文版）
3.7.1 基于機動性的功能
傳統車輛上配備的駕駛自動化系統，其特征是：
1.通過執行一組有限的橫向和/或縱向車輛運動控制行為來支持駕駛員，這些行為足以滿足特定的、狹義定義的用例（例如，駐車操縱），同時駕駛員執行DDT的其余部分并監督1級或2級功能的執行（即1級或2級駕駛員支持功能）；或
2.執行一組有限的橫向和縱向車輛運動控制動作，以及相關的目標和事件檢測與響應（OEDR）和完整DDT的所有其他元素，以便在無人監督的情況下實現特定的、狹義定義的用例（3級或4級ADS功能）。
示例1: 1級泊車輔助功能自動執行平行泊車所需的橫向車輛運動控制動作，同時駕駛員執行縱向車輛運動控制動作并監督該功能。
示例2：2級泊車輔助功能自動執行橫向和縱向車輛運動控制操作，以便在駕駛員的監督下平行停放車輛。
示例3: 3級公路超車輔助功能自動執行橫向和縱向車輛運動控制動作，以及相關OEDR，當駕駛員或后備就緒用戶激活時，這些動作是在多車道公路上通過慢速移動車輛所必需的。
3.7.2 子行程功能
安裝在傳統車輛上的一種駕駛自動化系統，要求駕駛員在每次行程中至少有一部分時間執行完整的動態駕駛任務（DDT）。
注：子行程功能要求駕駛員在起點和功能ODD邊界之間和/或離開功能ODD后操作車輛，直到到達目的地（即完成行程）。
示例1: 1級自適應巡航控制（ACC）功能執行車輛縱向運動控制功能，以支持駕駛員在高速行駛時保持與車道上領先車輛的一致車頭時距。
展開 案例39-引線鍵合超聲換能器
在求解器輸出中，z（縱向）方向上的參與因子列在模態分析的末尾，如下所示：
在z方向上具有高參與因子的模式是期望的縱向模態評估的候選。還應檢查振型，以確定是否存在過度的橫向運動，因為這些振型在換能器操作期間不應被激發。檢查在這種情況下的結果，模態16、30和39是感興趣的模態，如以下三個圖所示。
第二種感興趣的模態將在隨后的諧波響應分析中進行研究：
值得注意的是，如果換能器用于更高頻率的應用，第三種感興趣的模態為87.3kHz：
在所有模態下，與z方向相比，鍵合工具的尖端在x和y方向上幾乎沒有運動，這是進行正確的引線鍵合所必需的。此外，第二和第三模式的頻率大致是第一模式的兩倍和三倍，正如預期的那樣。
預應力全諧波響應分析結果
對于引線鍵合，傳感器可以在50-60 kHz范圍內工作。盡管模態分析確定感興趣的第二縱向模式為58.9kHz，但需要確定實際振幅和阻抗值，因此進行諧波響應分析。
電壓自由度的“反作用力”是電荷。在POST26時間歷史后處理器（/POST26）中，在終端回溯電荷Q。因為電流和，則。該操作可通過CFACT和PROD命令執行，以基于電荷計算電流。阻抗計算和繪制如下：
尖端x、y和z位移直接在POST26中輸出，并繪制如下：
如圖所示，橫向運動（x和y）遠小于縱向運動（z）。該施加電壓的位移略大于0.1微米。
建議
要執行類似的分析，考慮以下提示和建議：
• 對于壓電材料，確保極化方向（由單元坐標系定義）正確。無論選擇哪個單元軸（x、y或z）作為極化方向，所有正交各向異性材料和壓電常數都必須相應地定義。
• 對于壓電常數，可以使用壓電應力矩陣（[e]形式）或壓電應變矩陣（[d]矩陣）。
展開 面向自動駕駛：四輪獨立驅動/轉向電動汽車配置與控制綜述與展望
陳辛波等基于4WID-4WIS EV的運動學和動力學模型，設計并驗證了轉向模式切換策略[46]。為了在高速條件下實現FWS和4WS之間的切換控制，設計了魯棒控制器[47]，旨在實現側偏角和橫擺角速度的平滑過渡。
3 4WID-4WIS EV的控制模型
該章節主要綜述了4WID-4WIS EV常用的控制模型，包括車輛動力學模型、車輛運動學模型和路徑跟蹤模型。
3.1 車輛動力學模型
車輛動力學模型通常用于描述車輛高速條件下的動力學特性，主要通過牛頓定律推導。根據控制自由度的數量，車輛動力學模型有各種演變形式[48]。一個復雜的動力學模型可以精確地描述車輛的動力學特性。然而，由于復雜模型具有很強的非線性和耦合性，這將給控制器的設計帶來困難[49]。雖然可以通過一些假設來簡化車輛動力學模型，但在某些情況下假設條件是無效的。例如，線性輪胎模型的假設在極端條件[50]下是不成立的。
在車輛動力學控制方面，研究人員通常考慮縱向運動、橫向運動、橫擺運動和側傾運動。圖5顯示了4WID-4WIS EV的動力學模型。根據圖5，四自由度車輛動力學模型可以用以下表示[51,52]：
其中，vx是縱向速度，β是側偏角，r是重心的橫擺角速度，?是側偏角。另外∑Fx是輪胎的總縱向力，∑Fy是輪胎側總側向力，∑Mz是橫擺力矩，∑Lx是側傾力矩。Fw是空氣阻力，Ff是滾動阻力。m是汽車的質量，ms是汽車的簧上質量。Iz是橫擺慣性矩，Ixz是慣性積，Ix是側傾慣性矩。
展開 基于線性變參數系統的四輪轉向自主地面車輛路徑跟蹤控制及實驗驗證
接著建立了線性變參數系統模型，使路徑跟蹤控制器能夠適應不同的縱向速度和路面摩擦系數。再者，設計了一種用于路徑跟蹤的線性二次型調節器控制器，并進行了穩定性分析。為了消除干擾引起的誤差，將前饋控制與線性二次型調節器控制器相結合。
為了驗證所設計控制器的路徑跟蹤性能，基于在CarSim中建立的高保真整車模型進行了數值仿真。此外，還進行了實際道路試驗。仿真和實驗結果表明，所設計的控制器具有良好的路徑跟蹤性能。另外，路徑跟蹤控制器對不同的縱向速度和路面摩擦系數具有良好的魯棒性。
關鍵詞：四輪轉向，自主地面車輛，路徑跟蹤，線性變參數系統
1 引言
近年來，隨著各種交通問題（包括擁堵和事故）的增加，自主地面車輛（AGV）已成為研究的熱點。AGV的研究主要集中在環境感知、規劃決策和運動控制方面。運動控制是AGV的基本能力和首要任務，主要包括縱向運動控制和側向運動控制。AGV的縱向運動控制可以描述為跟蹤目標縱向速度1。AGV的側向運動控制可以描述為路徑跟蹤控制，其目的是使AGV自動跟蹤目標路徑2。
AGV的路徑跟蹤控制問題可定義為最小化側向偏移和航向誤差3。各種控制算法已應用于路徑跟蹤控制，包括滑模控制（SMC）4-6、最優控制7,8、模糊控制9,10、模型預測控制（MPC）11-13、魯棒控制14–16和智能控制17,18。然而，大多數路徑跟蹤控制算法是為前輪轉向（FWS）的AGV設計的。與前輪轉向的AGV相比，四輪轉向（4WS）的AGV具有更多的運動控制自由度（DoF）。
展開 自動駕駛汽車的發展與“相鄰可能”
一個完整的DDT包括但不限于以下子任務：
通過轉向控制車輛的橫向運動 (操作)。
通過加速和減速實現縱向車輛運動控制 (操作)。
通過物體和事件檢測、識別、分類和反應 (操作和戰術) 來監控駕駛環境，統稱為Object and event detection and response (OEDR)。
對象和事件響應執行 (操作和戰術)。
策略規劃 (戰術)。
通過燈光，喇叭，信號，手勢等 (戰術) 加強車輛的顯著性。
上面的描述可以使用下圖 ↓ 來表示。也就是在自動駕駛系統中，所有的戰略任務（包括目的地設置、途經點計劃、路徑和時間選擇等）是由車輛的操作者來完成的，而行駛過程中的所有戰術功能（OEDR、橫向和縱向控制等）都是DDT的任務范疇，由自動駕駛系統來完成。
（有圖有真相 之“如果你懂，你就看得懂”）
從另一維度，下圖 ↓ 說明了如何使用不同級別的自動駕駛功能的不同組合來完成一次行程。在這個圖里我們可以看出，一個從起點（Origin）到目的地（Destination）的駕駛任務的完成方式既可以使用Level 0的方式（駕駛員獨立完成）也可以使用Level 4（完全自動駕駛）的方式完成，還可以采用Level 0~4的不同組合來完成。
（有圖有真相 之“管TA懂不懂，看了就說懂”）
這種組合方式與我們目前的現狀和認知高度吻合：在某些特定場景下，我們可以啟用不同Level的自動駕駛功能。而且，某個具體的自動駕駛功能仍然只能適用于某種具體的駕駛場景，也就是ODD（Operational design domain，設計運行域）。
自動駕駛系統只有在ODD中才能發揮作用，這是因為自動駕駛系統本身有著諸多的局限性。
展開 這款戰機的起落架如此奇怪，為什么卻被西方稱之為神奇的設計？
米格-23之所以采用如此復雜的主起落架設計與該機的總體設計有關，該機的機身較窄且采用上置可變后掠翼決定只能把主起落架布置于機身兩側，但米格-23兩側進氣口之后的中央機身段被燃油箱所占據，留給主起落架艙的空間極其有限，只有一小塊矩形空間，無法像“幻影”F1、蘇-24、以及“美洲虎”上單翼戰斗機那樣把起主落架艙沿機身縱向布置，并采用向前收起的傳統支柱式主起落架。
為該機設計主起落架的難度不亞于螺螄殼里做道場。根據野史，米格設計局向全蘇聯航空研究機構求助后，一位莫斯科航空學院的女大學生以逆向思維提出了“蟹爪”式主起落架設計，在收放時化傳統支柱式起落架的縱向運動為橫向運動，解決了困擾該機的設計難題。
米格23“蟹爪”式起落架在結構上可被分為液壓收放動作筒、橫向支柱、機輪與搖臂式減震單元、聯動連桿等幾部分組成。收起時橫向支柱在液壓動作筒的驅動下向上運動，同時機輪單元會聯動連桿的帶動下折疊在橫向支柱后方，最終使整個主起落架結構收入緊湊的起落架艙內。除了具有緊湊的好處外，這種“蟹爪”式起落架展開后的主輪距達到2.88米，保證了米格-23在簡易跑道起降時的穩定性。
其實“蟹爪”式起落架并不是米格-23首創的，早在二戰時期格魯曼公司的F4F“野貓”戰斗機就使用了類似結構的主起落架，只是限于當時的材料技術，該機的起落架結構更加復雜一點而已。
來源：航空制造網、悟空問答、雷曼軍事現代艦船
展開 自動駕駛人機交互 [六]：最小風險策略MRM
MRM需要的感知、決策和執行能力，包括但不限于：
車輛橫向運動控制；
車輛縱向運動控制；
目標與實踐探測；
控制決策；
車輛照明及信號裝置控制；
遠程信息交互。
自動駕駛系統對最小風險策略MRM的能力要求隨著系統的駕駛自動化等級目標、設計運行區域ODD、系統架構方案等的不同而有所差異。
例如極星polestar2，其環境感知傳感器架構為3R1V（1前向攝像頭+1前向毫米波雷達+2后角毫米波雷達），未配備足夠的側向環境感知傳感器，因此在自動駕駛系統出現異常且駕駛員未能有效介入動態駕駛任務時，polestar2只能實現單車道內的減速或停車可控制，無法實現跨越車道級的靠路邊停車或緊急車道停車。
圖 2 極星polestar2
2、MRM的策略
最小風險策略MRM的合理性，極大地影響著自動駕駛系統用戶和外部交通參與者的安全性。因此在自動駕駛系統設計過程中，需針對不同的失效場景、結合自動駕駛系統設計方案，“量身定制”最小風險策略的具體內容，過激的策略和過于保守的策略，都將對自動駕駛系統的運行安全造成較大影響。
危害場景
自動駕駛系統可能觸發最小風險策略MRM的危害場景有：
? 自動駕駛系統環境感知功能失效或能力受限；
? 車輛超出自動駕駛系統設計運行區域ODD的定義范圍；
? 駕駛員監控系統DMS確認駕駛員當前狀態異常，無法正常承擔駕駛任務；
? 自動駕駛系統規劃控制單元或執行器發生失效。
執行策略
如下圖3所示，在自動駕駛系統功能設計中，可定義多個最小風險策略MRM和最小風險狀態MRC。
展開 
自動駕駛還有這些「冷知識」,你知道嗎？
動態駕駛任務
DDT全稱Dynamic Driving Task，即動態駕駛任務，指的是在道路上駕駛車輛需要做的操作和決策，包括對車輛進行橫向運動和縱向運動方向的操作，對車輛周圍環境的監測和執行對應操作，等等。
簡單來說，DDT可以理解為自動駕駛方案實現的若干具體功能。在現今已量產的輔助駕駛、自動駕駛車型中，比較常見的跟車行駛、自適應巡航、緊急制動，以及極少數車型配備的撥桿換道、主動超車，便都是典型的動態駕駛任務。
不過即使是名字相同的功能，因為技術指標的不同，所能達到的性能也是不盡相同。以彎道車道保持為例，有的車輛只能應對一些不太急的彎道，比如遇到半徑小于250m的彎道，很可能就需要駕駛員操控。而在Nullmax的方案中，車輛可以支持曲率小得多的彎道，并且支持自動并線。
再比如撥桿換道，有的車型需要駕駛員確認路況，有的要求撥桿換道時達到一定速度以上。而不支持撥桿換道的車型，則需要駕駛員轉動方向盤執行換道。在Nullmax的方案中，車輛在駕駛員撥桿后可以自行判斷路況決定換道時機。
除了這些市面上可見的功能外，自動駕駛還能完成很多其他的DDT，比如橫向避讓。一般來說，汽車的車道保持通常設定為車道中心線行駛，不過考慮到鄰近車道可能存在不規范行駛的情況，所以讓車輛臨時在安全距離內偏離車道中心線，避讓旁側壓線車輛，能有效降低危險性、提高用戶體驗。這是Nullmax方案中的一項特色功能。
展開 水分沿針織物縱橫向傳遞速度的研究
(2)就一塊織物而言 ,其沿線圈縱向的濕傳導性能要比沿線圈橫向的濕傳導性能強得多 ,這說明織物沿線圈縱向的毛細孔隙貫通性要比沿線圈橫向的毛細孔隙貫通性好 ,更利于液態水的傳導。
(3)結合織物組織結構參數可得出線圈密度及織物克重與其平均芯吸速率的關系。如表 7 和圖 7、圖 8 所示。從圖 7、圖 8 可見 ,就同一種織物而言 ,隨著織物密度和克重的增加 ,織物的芯吸速率有先遞增后遞減的趨勢。這是因為密度與克重的增加意味著織物中紗線與紗線之間 ,纖維與纖維之間的孔隙變小 ,等效毛細半徑減小 ,毛細管內的壓力增加 ,芯吸作用增強 ,芯吸速率提高 ;但隨著紗線與紗線、纖維與纖維的進一步靠攏 ,一些毛細管孔徑被堵塞 ,雖然毛細壓力增加 ,但輸送液態水變得困難 ,毛細效應受到阻礙 ,芯吸速率卻反而變小。
213 針織物組織結構對芯吸速率的影響
由上可知 ,織物厚度對沿織物縱橫向兩個方向的芯吸速率影響都較大 ,且織物越厚 ,芯吸速率越慢。橫密對芯吸速率呈負影響 ,且影響較大。縱密對縱向芯吸速率呈負影響。線圈密度對芯吸速率呈負面的影響 ,而線圈長度的影響很小。總的來說 ,厚度的影響最大 ,成負影響。
214 織物芯吸規律
從實驗結果得到的芯吸長度與時間的回歸方程看 ,兩者成非常好的指數函數關系 ,指 數 b近似等于 015 ,但偏差較大 ,說明織物芯吸不完全符合 Washburn 方程。如前所述 ,織物不同于與外界無質量交換的毛細管 ,組成織物的紗線中的纖維可以形成連續的毛細孔 ,但水分在紗線中的運動已經不再只是單調地沿纖維縱向 ,而到達纖維表面的水分也會沿著其橫截面方向運動 ,從而潤濕整塊織物。從水分可沿針織物縱向傳導開來 ,也可看出這一點。織物縱向并不是由連續紗線組成的 ,而是靠線圈的穿套而成。
展開 <<MSC.MARC在材料加工工程中的應用>>書
314
9.4.4 接觸特征規律 316
9.4.5 坯料縱向運動的變形段 317
9.5 旋軋成形溫度場模擬結果分析 318
9.5.1 旋軋成形過程的溫度場分布 318
9.5.2 坯料上一點的溫度變化 319
9.5.3 坯料橫切面溫度場分布 320
9.5.4 坯料切面圓周溫度變化 322
9.5.5 旋軋成形應變速率特點分析 323
9.6 小結 324
第10章 管材液壓成形有限元分析實例 325
10.1 引言 325
10.2 管材液壓成形原理 325
10.3 管材液壓成形有限元模型的建立 326
10.3.1 幾何模型 326
10.3.2 單元網格的劃分 332
10.3.3 材料特性的定義 336
10.3.4 幾何特性的定義 339
10.3.5 接觸條件的定義 341
10.3.6 邊界條件的定義 345
10.3.7 載荷工況的定義 346
10.3.8 定義作業參數并提交運行 347
10.4 管材液壓成形模擬結果分析 351
10.4.1 壁厚分布 352
10.4.2 應變分布 354
10.5 小結 357
第11章 渦輪盤閉模鍛造中組織演變的有限元模擬 358
11.1 概述 358
11.2 組織演變的有限元計算 358
11.2.1 組織演變模型 358
11.2.2 用戶子程序二次開發 359
11.3 有限元模型的建立 364
11.3.1 幾何模型 365
11.3.2 材料模型 377
11.3.3 接觸條件 382
11.3.4 初始條件 386
11.3.5 網格重劃分 386
11.3.6 定義工況 387
11.3.7 定義作業參數 389
11.3.8 提交作業 392
11.4 結果分析 392
11.4.1 溫度場 393
11.4.2 等效應變場 394
11.4.3 流線場 395
11.4.4 組織場
展開 一文讀懂自動駕駛測試全過程
A-事故場景
事故可以看做是交通安全的一個濃縮機，能夠體現出實際交通環境的高危場景，事故場景研究目前以深度事故研究數據為主， 如GIDAS， CIDAS等
B-開放道路場景
開放道路場景來源于人們的日常駕駛數據以及實車道路測試數據，道路場景能夠很好地體現隨機性、復雜性以及區域特征，可用于分析真實的交通環境和駕駛行為特征
C-法規標準場景
國內外法律法規涉及的場景， 如GB/ISO/ECE/NHTSA/SAE/Euro-NCAP等機構組織的測試標準，法規標準場景是自動駕駛功能在研發和定義階段需要滿足的最基本要求
Ｄ-功能交互場景：
AD AS系統或自動駕駛系統是由橫向、縱向-預警或控制等多個子功能構成的， 各個功能之間經常存在功能交互區域， 如ACC和AEB系統都對車輛的縱向運動進行控制， 兩功能在交互場景區域作用時是否存在問題需要進行驗證；功能交互場景能夠測試智能系統功能邏輯交互上的重疊區與間隔區，發現功能交互漏洞與邏輯混亂等問題
E-虛擬重構場景
真實駕駛過程中場景數目是無限的，使用參數隨機生成算法可以重組場景：虛擬重構場景，能夠補充大量來知工況的測試場景，打破數據采集的局限性。
場景采集設備和安裝布置
硬件在環測試主要是測什么？
硬件在環指的是，利用仿真軟件，實時機和硬件IO接口，對接到真實的ECU，在實時的環境進行算法測試。
硬件在環仿真是自動駕駛汽車技術測試與驗證的重要環節，具有周期短、成本低及效率高等優點。
自動駕駛汽車，相對于傳統車輛，驗證成指數級增加。都依靠實車測試，從時間上和成本上都不現實，進行充分的仿真測試非常關鍵。
展開 