融合侧倾稳定性的智能客车轨迹跟踪增益调度控制策略

基于三自由度智能客车简化模型,考虑了智能客车易发生侧翻稳定性问题,采用轨迹跟踪与侧倾稳定性相结合的方式,利用多点预瞄的LQR(Linear quadratic regulator)最优控制算法,提出了智能客车轨迹跟踪控制策略.本策略采用增益调度方法,以实现变化车速工况的客车轨迹跟踪控制,搭建了Matlab/Simulink软件与Trucksim软件联合仿真平台,进行智能客车轨迹跟踪控制策略软件在环仿真实验.结果表明:所提控制策略适应了智能客车轨迹跟踪过程中的车速动态变化,实现了轨迹位移和航向角平滑稳定良好地跟踪,最大侧向位移误差率和最大航向角峰值误差率分别为1.56％和2.14％,保证了轨迹跟踪过程中智能客车横摆侧倾稳定性.     

高压共轨柴油机燃油状态系统的研究

通过对柴油机燃油状态系统的研究,并结合其对柴油机性能的影响进行系统地分析,确立了基于高压共轨柴油机燃油状态系统的控制策略,利用ASCET软件进行控制策略程序的编写和仿真,模拟结果表明,燃油状态系统可以满足柴油机的需求。     

商用车简化模型参数辨识方法

为了准确表征车辆动态特性,在建立了简化商用车稳定性模型的基础上,利用Truck-sim数据并运用最小二乘法与遗传算法结合的方法对模型关键参数进行了辨识。利用辨识后的关键参数形成的MAP图,进行了模型动态工况仿真研究。仿真结果与Trucksim数据对比结果表明:利用此方法辨识出的关键参数MAP图能够满足商用车简化模型表征车辆实际状态的要求,为车辆稳定性控制奠定了基础。     

基于优化Elman神经网络的锂电池容量预测北大核心CSCD

锂离子电池容量的精确预测有利于提升电池的使用安全和避免电池滥用,受其复杂的内部电化学反应和外部使用条件影响,对其老化后的容量精确预测一直是电池管理系统的难点之一。为实现锂电池全服役周期内容量的高效准确预测,本文提出了一种基于遗传算法优化的Elman神经网络(GA-Elman)电池容量预测模型。首先选择电池不同循环下的放电容量增量、内阻以及温度数据作为有效表征电池老化和容量衰减规律的特征量,其次运用主成分分析算法对特征量进行降维以降低训练量数据维度,然后基于Elman神经网络构建电池容量预测模型,并引入遗传算法优化Elman神经网络的权值和阈值,实现对电池容量的高效精确预测,最后在不同电池上对该模型进行了验证。验证结果表明:与传统Elman神经网络和长短期记忆神经网络(long and short term memory neural network,LSTM NN)预测模型相比,GA-Elman神经网络预测模型有更好的预测精度和更高的运算效率。在不同电池上该模型预测结果的最大平均绝对误差为0.92%,最大均方根误差为1.02%,最小拟合系数为0.9679,表明该模型可以精确预测锂电池衰退过程中的容量并且对不同电池有较强的适应性。     

面向复杂工况的重型半挂车侧翻控制策略研究

对复杂工况下重型半挂车侧翻最优控制进行了研究.基于前馈与反馈相结合的方式,采用挂车主动转向和差动制动集成,应用LQR(Linear quadratic regulator)最优控制算法,提出了重型半挂车侧翻控制策略.此策略采用线性变参数简化模型,利用遗传粒子群算法优化了控制策略的控制权重系数,以协调控制策略的各子系统和实现控制策略最优控制,并进行了控制策略的硬件在环试验台实验.实验结果表明:本策略有效地提高了重型半挂车复杂工况的侧翻控制能力.     

考虑坡度工况的FCHEV队列分层优化控制策略研究

在面对坡度工况时，如何开发同时兼顾车辆间协同控制与能耗经济性的控制策略是提高交通效率与发挥车辆节能潜力的关键技术之一。以燃料电池混合动力汽车队列为研究对象，以安全行驶及优化能耗为目标，提出了一种基于改进粒子群优化算法与Q学习的燃料电池混合动力汽车队列分层优化控制策略。该策略中上层控制器在保证满足与前车距离或速度限制等安全约束的前提下，利用改进的粒子群优化算法获取节能速度轨迹，并使用模型预测控制框架实时调整主车速度遵循节能速度轨迹行驶。下层控制器根据上层求解的车速和需求功率等信息建立Q学习控制器，实现燃料电池混合动力汽车动力电池与燃料电池之间的最优能量分配。仿真结果表明，本文所提出的分层控制策略在坡度工况下，表现出良好的跟踪性能和安全性能，且优化结果与动态规划策略相似，表明该策略的能耗经济性及可行性。     

高压共轨柴油机燃油状态系统的研究

通过对柴油机燃油状态系统的研究,并结合其对柴油机性能的影响进行系统地分析,确立了基于高压共轨柴油机燃油状态系统的控制策略,利用ASCET软件进行控制策略程序的编写和仿真,模拟结果表明,燃油状态系统可以满足柴油机的需求。