基于ANFIS的纯电动轻卡自动换挡策略

在纯电动轻卡中,不同的换挡策略对于汽车的能耗有着很大的影响。基于模糊神经网络控制理论,依据传统的两参数换挡规律,采用具有2输入单输出的Sugeno模糊推理结构,建立了ANFIS换挡策略。通过具体的样本数据对换挡策略进行训练,在Cruise中搭建纯电动轻卡的整车模型作为仿真环境,代入整车参数进行仿真,将得到的仿真结果与传统模糊换挡策略进行分析比较,结果表明:ANFIS换挡策略能有效改善车辆的操作稳定性和经济性能,并在能耗上得到优化。     

基于概率神经网络的自动换挡策略研究

为了将驾驶员手动换挡经验制作成自动换挡策略,更好地满足汽车换挡的动力性要求,缩短变速箱自动换挡策略的研发时间,提出使用驾驶员手动换挡经验训练概率神经网络,从而高效率地制定汽车自动变速箱的换挡策略。在TruckSim中搭建汽车仿真模型,通过车辆CAN总线获得训练样本,在Matlab里训练概率神经网络模型。一方面进行PNN换挡策略与动力性换挡策略及BP神经网络换挡策略的仿真对比试验;另一方面进行原车离线数据的换挡试验。试验结果表明:基于概率神经网络的自动换挡策略可以实现正确率为98.76%的挡位控制,达到将优秀驾驶员手动换挡经验应用于自动换挡策略的要求;概率神经网络自动换挡策略的动力性优于动力学理论推导的换挡策略和BP神经网换挡策略。     

基于Q学习的纯电动重型商用车智能换挡控制策略研究

为了同时兼顾换挡策略的全局最优性与在线实时性,提出了基于Q学习算法的智能综合换挡策略。根据马尔科夫理论,构建需求功率转移概率模型。以电能消耗与加速度量纲归一化最大为加权目标,建立综合性能换挡策略优化模型。运用Q学习算法,得到不同车速下的需求功率、SOC、速比三者关系的MAP图,从而制定出整车智能综合换挡策略。基于AVL/Cruise仿真平台,选取C-WTVC为循环工况,进行综合性能仿真分析。结果表明:与传统综合换挡策略相比,基于Q学习算法的智能综合换挡策略,整车0～50 km/h的加速时间缩短了4.6%,整车的能量消耗率降低了5.3%,说明该换挡控制策略能够有效地改善整车的动力性与经济性。     

应用免疫粒子群算法的电动汽车经济性换挡策略研究

为使电动汽车正常行驶时的能量消耗率更低,对某款匹配两挡自动变速器的电动汽车进行经济性换挡策略研究。面向电机效率最优制定传统双参数经济性换挡策略;建立以工况能耗为目标、换挡时间为约束的集成优化模型,通过免疫粒子群算法求解得到换挡策略曲线;利用建立的整车仿真平台对优化前后的换挡策略进行UDDS、CCBC工况下的仿真。结果显示:优化后的换挡策略在2种工况下行驶100 km所节省的电能分别为6.36%和8.99%,电机工作点更集中于高效区。     

双电机两挡驱动系统协同控制策略研究

基于某新型双电机两挡变速箱驱动系统,研究了能耗经济性双电机转矩分配策略以及工况适应性两挡变速箱换挡策略。针对经济性优化目标,挖掘行驶工况数据与双电机效率的互补特征,提高协同控制效率,实现车辆能耗经济性最优控制。针对瞬态最优策略的换挡频繁问题,提出了在线辨识工况特征参数的方法,实时调整变速箱换挡规律及双电机转矩分配策略。基于Matlab/Simulink仿真验证了双电机两挡驱动系统工况适应性协同控制策略的可行性及有效性。     

基于灰色关联度的GM(1,1)-BP神经网络组合模型研究

改革开放以来,我国居民消费水平保持较快发展态势,准确预测未来居民消费水平能更好地掌握国民经济发展趋势,为政府相关部门制定战略规划和产业政策提供参考。为此,基于灰色关联度建立了GM(1,1)-BP神经网络组合模型,对2000—2016年居民消费水平进行模拟,并对比分析GM(1,1)模型、BP神经网络模型、灰色组合模型模型的预测误差。仿真结果表明,基于灰色关联度的GM(1,1)-BP神经网络组合模型能进一步提高预测准确性。     

基于一维卷积神经网络的工业产业安全评价与预警研究

文章基于产业安全理论和相关文献研究,建立了工业产业安全评价指标体系,运用熵权—灰色关联分析法评价2000—2018年工业产业安全状况,再构建LSTM神经网络预测模型预测2019—2023年工业产业安全各评价指标数据,将所有预测数据和历史数据相结合,建立基于一维卷积神经网络的工业产业安全预警模型,并对2019—2023年工业产业安全状况进行系统预警。结果表明:随着工业改革不断深入,安全度增速上升;预测未来五年工业产业安全程度整体处于安全状态。     

基于舒适性与运动感的车内声品质多维度评价

为全面评价车内声品质,针对舒适性、运动感两个听觉感受,建立车内声品质多维度评价模型。首先,采集匀速和加速工况下的车内噪声样本,用成对比较法分别进行舒适性和运动感两个维度的主观评价。然后,对两个维度下的主、客观评价结果做相关分析,并基于相关性较高的响度、尖锐度、粗糙度分别建立了两个维度下的声品质多元线性回归模型和GA-BP神经网络模型,对两个模型的预测误差进行比较,结果表明:多元线性回归模型对稳态工况下的预测效果较好,而对非稳态工况下的预测误差较大;而GA-BP神经网络模型对两个维度下的预测误差都在5%左右。     

基于ARM与多模型实现的试运线列车超速防护系统

针对试运线列车运行的安全性与停车准确度的要求,提出一种基于ARM与多模型实现的列车超速防护系统。通过车载设备传感器采样时间序列数据,并将其进行小波去噪,从而得到基于傅里叶模型的目标跟踪运行曲线。设计以模糊神经网络为动态预测模型的速度控制器,利用预测控制的滚动优化与误差矫正特性增加速度控制器在不同运行环境下的鲁棒性。为加快模糊神经网络的训练速度,将改进型粒子群模糊聚类算法的聚类结果作为模糊神经网络的前件规则构建参数。以中车试运线数据为例对其进行仿真,并通过基于曲线面积误差的评价指标对全局速度下的停车精确度进行分析。仿真结果表明:所提出的以傅里叶模型作为目标函数实现的基于模糊网络的预测控制策略具有明显的优势。     

基于邻域粗糙集神经网络的审计意见预测模型研究

审计意见类型及其预测结果受到企业各利益相关方的高度关注.同时选用财务指标和非财务指标为变量,构建了基于邻域粗糙集神经网络的审计意见预测模型.将领域粗糙集作为BP神经网络的前置系统,在保持分类能力不变的前提下进行指标约简,提取关键指标,再将约简的指标体系作为神经网络模型的输入变量.以2013-2015年沪深A股176家公司数据作为研究样本,采用三种模型进行审计意见预测对比分析,结果表明:本模型预测准确率达到97.06％,与单纯利用神经网络建模或单纯利用财务指标建模的预测效果相比具有更好的预测效果.     

基于模型预测控制的电动汽车起步工况仿真与性能评价

为提高电动汽车起步工况时的性能,设计了基于模型预测控制的驾驶员模型,建立了纯电动汽车整车模型和驾驶员模型。将驾驶员意图转化为加速踏板和制动踏板的开度变化,利用基于模型预测控制方法的上层控制器得到期望加速度,下层控制器根据期望加速度得到加速指令和减速指令,从而对车辆进行起步工况的加、减速控制。利用起步时间、驱动电机电压电流和冲击度3个评价指标对提出的模型预测控制方法和常规PID控制方法进行起步工况仿真的控制性能比较。分析了不同坡度(0%、10%和20%)和加速踏板开度下电驱动系统的性能。仿真结果验证了模型预测控制方法的有效性。     

基于动态规划的混联式混合动力客车能量管理控制策略研究

能量管理策略是混合动力车辆的核心技术之一,其优劣直接影响到燃油经济性。提出一种基于动态规划的能量管理控制策略优化设计方法。以燃油经济性为目标函数,以电池荷电状态、离合器状态及发动机转速为状态量,以发动机油门开度、离合器命令及发动机转速变化命令为控制量,建立最优控制的数学模型。求解最优控制模型并提取控制规律,设计改进的基于动态规划规则的能量管理控制策略。以中国典型城市公交工况为输入的目标循环工况,测试并验证了所开发的能量管理控制策略的正确性及实用性。应用该能量管理控制策略到实际车辆,并进行转鼓测试,测试结果表明:该控制策略相比基于规则的方法燃油经济性提升32%。     

Spark平台下基于优化BP神经网络模型的接触疲劳剩余寿命预测

针对海量监测数据背景下传统方法难以实现对机械装备/零部件状态的可靠诊断与预测等问题,以自主研发的滚动接触疲劳试验装备为依托,提出了一种Spark平台下基于优化BP神经网络模型的接触疲劳剩余寿命预测方法。引入基于指数衰减的周期性学习率改进BP神经网络优化模型,结合并行化技术构建了Spark平台下基于优化BP神经网络的接触疲劳剩余寿命预测模型。结果表明:基于Spark的优化BP神经网络模型能够实现剩余寿命预测,相比传统BPNN模型和SVR模型,预测精度分别提高了4.67%和9.18%,均方根误差分别降低了0.122和0.708,且模型具有更快的收敛速度。     

基于变速量化分级的车辆主动转向控制算法

针对车速动态变化引起转向特性改变,从而导致转向控制不稳定的问题,提出了基于变速量化分级的主动转向控制算法。首先,运用概率统计原理建立量化分级算法划分车速区间;其次,构建具备目标转向控制参数的车辆非线性动力学模型,在各分区间采集模型运行参数训练神经网络完成模式识别,结合基于位移偏差的修正算法建立分区间控制单元;最后,运用隶属函数实现了变车速下控制单元间的柔性切换。此外,设置车辆姿态监视算法,降低车辆的侧翻风险。联合Carsim车辆模型进行控制实验,结果表明,量化分级控制算法可提高变速工况转向控制的精度与稳定性。     

纯电动汽车两挡AMT换挡策略研究

两挡AMT相较于单级固定速比减速器,能够降低整车系统对电池和电机性能的要求,但需要为其设计合理的换挡策略,以保证车辆经济性和动力性满足需求。首先分析驱动工况下电池、电机和变速器效率随车速和加速踏板开度的变化情况,以系统效率最高为目标,设计最佳经济性换挡策略。其次,分析不同挡位下加速度随车速和加速度踏板开度的变化情况,以加速度最大为目标,设计最佳动力性换挡策略。最后,设计了一种换挡策略切换控制器,将百公里电耗和加速时间组成综合性能指标,基于模糊理论计算动力需求因数,根据动力需求因数选择相应的换挡策略。仿真和试验结果显示:相较于传统换挡策略,平均百公里电耗降低9.97%,加速度略有恶化约3.96%。因此,该换挡策略在基本保证驾驶员动力需求的同时,极大地提高了经济性,可有效延长车辆的续航里程。     

基于LVQ神经网络模型的企业财务危机预警

LVQ神经网络模型具有很好的模式识别特性，选取148家A股上市公司作为研究样本，构建基于LVQ神经网络的财务危机预警模型，经过训练测试后，该模型具有良好的分类功能。结果表明，利用LVQ网络进行模式识别是合适的。所构建的预警模型能够有效地预测企业的财务危机。     

基于EMD的神经网络股价预测方法

股价波动具有复杂、非平稳、非线性等特点,传统经济模型难以对其进行准确预测。文章将机械工程领域用于分解复杂信号的EMD算法嵌入神经网络模型建立了基于EMD的神经网络股价预测模型,并通过检验该模型有效性以及将该方法的预测效果与小波神经网络预测方法的预测效果相比较,得出该方法是优于小波神经网络预测方法的最佳股价预测方法的结论。     

面向表面质量的镍基高温合金铣削参数多目标优化研究

针对镍基高温合金材料在铣削过程中存在表面加工质量低的问题,提出一种基于神经网络及NSGA-Ⅱ算法的工艺参数多目标优化方法。采用不同工艺参数进行数控铣削镍基高温合金Inconel 718加工并获取数据集,以表面粗糙度为输出,不同工艺参数组合为输入,利用麻雀搜索算法建立SSA-BP神经网络模型用于预测Inconel 718铣削表面粗糙度;以最大材料去除率、最小表面粗糙度为优化目标,构建NSGA-Ⅱ工艺参数多目标优化主体模型,调用构建好的预测模型作为主体模型的目标函数并优化求解得到Pareto最优解集。使用TOPSIS法对Pareto最优解集进行最优解决策,得出最佳的工艺参数组合。优化结果表明：该方法不仅可用于高温合金材料数控铣削表面粗糙度预测,还可用于工艺参数优化,为进一步提高数控铣削材料加工质量和效率提供参考。     

基于RBF网络的股市混沌预测

根据股票市场具有动荡混沌的特性,以相空间重构理论和神经网络技术为基础,构建出股票价格短期预测的网络模型.用某股票的实际收盘价作为观测数据,通过训练RBF神经网络得到预测数据.结果表明,用径向基神经网络预测股价是可行的和有效的.     

基于灰色BP神经网络的商品房销售预测

应用灰色理论与BP神经网络理论,提出了一种基于灰色BP神经网络(GBPNN)的商品房销售预测方法,并建立了相应的GBPNN模型和求解.结果表明该方法不仅能优化预测精度,而且是一种很好的预测问题的有效方法.