基于高斯–柯西变异海鸥优化算法的柴油机共轨压力控制研究

为优化柴油机轨压稳定控制和快速响应控制,提出一种将改进的海鸥算法与PID控制器相结合的共轨压力控制方法。根据高压共轨系统的物理结构和工作原理,搭建了高压共轨系统实时仿真模型;针对原始海鸥算法种群分布不均匀、容易陷入局部最优等问题,提出将Tent混沌映射、非线性惯性权重和高斯–柯西混合变异策略融入海鸥算法中,提升了算法的计算精度和收敛速度等方面的性能;基于改进后的海鸥算法完成对模型的轨压PID控制器参数自适应整定。研究结果表明：改进海鸥算法优化后的PID控制的轨压稳态和动态特性都明显优于常规PID控制。在稳定工况下,轨压波动幅值减小了33%以上;在动态过程中,稳定时间缩短了14%以上,超调量减小了71%以上。     

基于Artims的带阻滤波在车辆NVH改进方面的运用

采用滤波分析技术,通过带阻滤波对滤波前后的噪声结果对比,可以得出某频率成分或者某阶次成分对总体的贡献比例,预测通过某改进措施降低此频率成分或阶次成分的幅值会对整体幅值的改善情况,能快速定位主要的噪声源。     

柴油机尿素选择性催化还原系统虚拟标定及NOx转化率优化方法研究

基于尿素选择性催化还原系统物理模型与尿素喷射量控制模型联合仿真的虚拟标定方法,获得了目标NO_x转化率脉谱;采用多目标遗传算法对尿素选择性催化还原系统进行优化,得到最优尿素喷射量目标值,同时优化了NO_x转化率和NH₃泄漏值。分析了原排参数及优化结果对NO_x转化率的影响。仿真结果表明,采用优化后的尿素喷射量可实现较高的NO_x转化率,在排温200～300℃的条件下NO_x转化率平均提高35%左右,同时满足国六排放法规对NH₃泄漏限值的要求。     

基于深度强化学习的增程式电动轻卡能量管理策略

为了解决增程式电动轻卡辅助动力单元（auxiliary power units， APU）和动力电池之间能量的合理分配问题，在Simulink中建立面向控制的仿真模型，并提出一种基于双延迟深度确定性策略梯度（twin delayed deep deterministic policy gradient， TD3）算法的实时能量管理策略，以发动机燃油消耗量、电池荷电状态（state of charge， SOC）变化等为优化目标，在世界轻型车辆测试程序（world light vehicle test procedure， WLTP）中对深度强化学习智能体进行训练。仿真结果表明，利用不同工况验证了基于TD3算法的能量管理策略（energy management strategy， EMS）具有较好的稳定性和适应性；TD3算法实现对发动机转速和转矩连续控制，使得输出功率更加平滑。将基于TD3算法的EMS与基于传统深度Q网络（deep Q-network，DQN）算法和深度确定性策略梯度（deep deterministic policy gradient， DDPG）算法进行对比分析，结果表明：基于TD3算法的EMS燃油经济性分别相比基于DQN算法和DDPG算法提高了12.35%和0.67%，达到基于动态规划（dynamic programming， DP）算法的94.85%，收敛速度相比基于DQN算法和DDPG算法分别提高了40.00%和47.60%。