基于神经元PID的磁粉离合器电流控制

因为磁粉离合器的传递转矩与励磁电流呈线性关系,而且易于实现电子控制,故越来越多地应用在微型车上。针对装有磁粉离合器的电控机械式自动变速器,设计了磁粉离合器的驱动控制电路。由于驱动电路存在非线性以及汽车运行时复杂环境的干扰,应用传统的PID控制难以在控制参数整定上达到最优,为此提出利用具有自学习和自适应能力的神经元来构成磁粉离合器的自适应控制器。实验结果表明,基于该方法的磁粉离合器驱动控制动态效果较好,且系统具有较好的自适应性。     

电动汽车用直流电机共模电磁干扰模型的分析

在电机设计过程中,经常仅评估绕组在低频或工频时的电感,但绕组的传导干扰模型必须考虑高频时绕组之间、绕组与机壳之间所存在的不可忽视的分布电容等参数的影响。对于直流电机绕组的电磁兼容(EMC)建模,先用实验测试绕组的阻抗,然后将其等效成集总参数电路。参数的选取是目前该领域建模中的难点,这里采用具有正反馈机制的蚁群算法(ACA)进行等效电路参数的智能搜索和全局优化,从而得到最优的等效电路参数。仿真及实验结果表明,所得参数在整个EMC频段内的仿真阻抗与实测阻抗具有较好的一致性。     

自动离合器位置跟踪神经元自适应PID控制

针对自动离合器位置难以准确快速跟踪控制的问题,在采用蜗卷弹簧作为补偿装置改善驱动机构性能基础上,设计了一种具有前馈作用的增益可调神经元自适应PID控制器,利用前馈控制加快控制器的响应速度,利用神经元的自学习功能实现权值的自动调整,采用PSD算法实现增益的自动调整.实验结果表明,与常规控制器相比,该控制器用于离合器位置跟踪控制动、静态误差小,能够适应离合器负荷和目标接合速度的非线性变化,具有较好的鲁棒性,能够满足离合器位置跟踪控制要求.     

TCU控制器的EMI分析

电力电子技术的应用及其快速发展使得电力电子线路中的电磁干扰(EMI)问题日益突出.由于汽车的内部环境恶劣,各部件都承受了严重的EMI威胁.针对TCU的驱动电路作了详细的EMI分析,指出EMI主要来自电源电路及驱动电路,而且开关器件的通断将引入很大的di/dt和du/dt.对此,提出了相应的抑制措施,并从时域和频域两方面验证了所采用措施的正确性和合理性.     

改进粒子群优化算法的PID交流伺服系统控制策略

交流伺服系统由于其具有稳定性好、响应速度快等优点,在工控领域得到了广泛应用.但是采用传统控制策略难以获得满意的控制效果.针对这一问题,本文提出一种基于改进粒子群优化算法的PID控制策略,利用粒子群算法对控制器的初始参数进行优化,消除控制器的初始值对控制效果的影响,同时克服不确定因素对系统响应性能的不利影响,使其达到最佳工作状态.Matlab仿真结果表明,该控制策略有收敛速度快、控制精确度高及抗干扰能力强等优越性,改善了常规PID控制器的性能.     

SVPWM过调制中控制角算法的分析与应用

针对高速弱磁下低压电动机的高功率输出时由于电源内阻的影响,母线电压会随着输出功率的上升而下降的问题,提出了一种基于面积等效原理的空间矢量脉宽过调制中控制角的算法,算法简单、准确,占用内存小,程序执行时间短,移植性强,能够完成调制比从0至1的线性调制到过调制中六阶梯波工作状态的平滑过渡,并具有良好的线性增益.仿真及实验结果表明,该算法控制下的低压电动机运行稳定,提高了直流母线电压利用率,此应用是扩展电机转速范围、增加最大输出转矩的一种有效方法.     

基于粒子群优化的电磁离合器模糊控制研究

针对车辆起步过程中应用传统模糊控制存在的精度不高、自适应能力有限等问题,提出了应用粒子群算法优化模糊控制器量化因子的方法。优化的量化因子随环境变化以及负载变化实时跟踪模糊控制器的参数变化,使得模糊控制器的鲁棒性和控制精度都得到了提高。仿真与实验结果表明,在车辆起步过程中,与传统的模糊控制算法相比基于粒子群优化的模糊控制算法能够在减小冲击度的同时有效减小滑摩功,具有较为理想的起步效果。     

基于加权在线样本更新的目标长时跟踪方法

针对在长时跟踪过程中因丢失视野导致目标跟踪失败的问题,提出了基于加权在线样本更新的目标长时跟踪方法。 首 先,使用 ResNet50 网络提取目标深度特征并增强初始帧样本优化目标模型,提高初始帧样本权重影响;然后,利用目标模型对 测试帧样本进行分类,并采用置信度分值加权在线学习样本以增强样本质量,提升模型的分类效果;其次,使用置信度分值判别 目标状态并跟踪定位目标,目标丢失时使用时空约束搜索在丢失处自适应扩展区域并随机搜索目标,同时利用在线学习快速优 化目标模型,增强其对目标的搜索能力;最后,针对搜索过程设计一种自适应阈值判别方法,充分利用图像背景信息,将目标丢 失时背景置信度分值作为判别阈值,降低搜索过程中相似背景的影响以准确找回目标。 使用 LTB50 数据集进行实验验证,成 功率和跟踪 F-score 分别为 66. 1% 和 64. 4% ,优于其他方法;在四足移动机器人平台上进行真实场景实验,目标完全遮挡和视野 外两种情况下成功率分别为 87. 8% 和 85. 8% ,证明了方法的有效性。     

电磁离合器电流的神经网络整定PID控制

针对电磁离合器驱动电路存在的非线性,及汽车运行时复杂环境使其应用传统的PID控制难以在控制参数整定上达到最优的问题,依据神经网络收敛速度快,全局逼近能力强的优点,提出了基于径向基函数(Radial Basis Function)神经网络整定PID控制电磁离合器电流的方法,在保留传统PID控制优点的同时,利用RBF神经网络对PID控制参数进行在线整定.仿真与试验结果证明,基于该方法驱动控制的电磁离合器电流动态效果与跟踪效果较好,抗干扰能力好于传统的PID控制,系统具有较好的自适应性.     

发动机输出转矩的改进BP神经网络估计

针对混合动力汽车控制系统的开发过程,提出一种应用改进BP神经网络对发动机输出转矩进行估计的方法.根据在发动机实验台中所测得的部分样本数据,将传统的BP网络误差函数进行改进,建立了发动机输出转矩估计模型,并利用最优停止法对网络进行训练,避免了过拟合现象.实验结果表明,利用改进的BP网络对发动机输出转矩进行估计,减轻了网络训练负担,降低了网络训练的误差,提高了发动机输出转矩估计的精确度.