排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
2.
混合动力电动汽车能量管理控制策略及仿真 总被引:1,自引:0,他引:1
研究电动汽车能量管理优化控制问题,混合动力电动汽车(HEV)能量管理系统,由于动力效率决定于发动机性能控制。针对传统方法燃油利用率低,车辆驾驶控制方式影响了优化。为了提高能源优化效率及优化驾驶控制,提出了一种燃油经济性和驾驶性能全局优化的能量管理控制策略。首先在系统中加入驾驶性能变量,并在代价函数中加入驾驶性能限制,然后把HEV能量管理问题建模为多步决策过程问题,运用动态规划(DP)原理,得到了全局优化的能量管理控制器。将该控制器模型嵌入高级车辆仿真器ADVISOR的并联车辆模型中,与传统规则的控制策略进行仿真对比。仿真结果表明,新的控制策略使燃油经济性提高了约16%,并且使驾驶性能控制在良好的范围内,能有效提高HEV能量管理的效率和实用性,为优化设计提供了依据。 相似文献
3.
4.
防夹电动车窗控制器自动检测仪设计 总被引:1,自引:0,他引:1
为了克服人工检测系统操作复杂、效率低、检测精度不高等缺点,提高防夹车窗控制器的生产效率及产品合格率,设计了一种防夹电动车窗控制器自动检测系统。该检测系统以89S52单片机为控制核心,结合继电器、数码管显示等外围电路,实现了对防夹电动车窗控制器各项功能的自动测试,同时反馈防夹电动车窗控制器的功能状态信息。经过实践证明该设备比人工检测设备的具有更多测试功能,且技术先进,自动化程度高,测量精度高,极大地提高了控制器的生产效率和产品合格率,产生了显著的经济效益。 相似文献
5.
6.
针对传统的求逆运动学方法相当复杂,一般的神经网络收敛速度慢、精度不高的缺陷,提出一种由3个并行的BP(BackPropagation)神经网络组成的系统来解决运动学逆问题,输入数据分别通过3个并行的BP神经网络,再对输出分别求正运动学解,然后计算误差,最后选择误差最小的作为系统的输出;仿真表明,该方法可以有效地解决运动学逆问题,使用3个并行的BP神经网络可以使整个系统的误差更小,BP神经网络使用Levenberg-Marquardt训练方法,可以使学习收敛速度更快。 相似文献
7.
基于RBF和BP网络的机器人逆运动学求解 总被引:1,自引:0,他引:1
针对传统的求逆运动学方法相当复杂以及一般的神经网络收敛速度慢、精度不高的缺陷,提出一种由1个RBF(Radial Basis Function)网络和2个BP(Back Propagation)网络组成的系统来解决运动学逆问题,输入数据分别通过3个并行的神经网络,对输出分别求正运动学解,计算误差,选择误差最小的作为系统的输出,其中BP网络运用LM(Levenberg-Marquardt)方法进行训练.仿真表明:该方法可以有效的解决运动学逆问题,避免了传统解法中的一些棘手问题. 相似文献
1