基于FEM分析的板料冲压毛坯形状反算研究

利用覆盖拉延件成形过程的FEM分析结果,提出一种基于坐标变换和局部坐标不变性的毛坯反推算法,推导了反算公式,并给出可快速确定点所属单元的新算法。当使FEM输出中间网格数据后,该算法可用于h法和p法自适应网格划分。最后使用LS-DYNA950对方盒深冲作h法自适应分析为例验证本算法,结果表明该方法可以较精确地预测出板料毛坯形状。     

钢筋混凝土梁应力变形的有限元-无网格耦合分析

大变形处理是钢筋混凝土梁数值分析中的难点,有限元方法中的网格畸变会大大降低其求解精度,而无网格方法由于不受网格的束缚,能很好地处理钢筋混凝土大变形问题。为充分利用有限元和无网格方法的优点,更准确地求解大变形问题,建立有限元-无网格耦合计算方法,首先,通过有限元方计算得到大变形区域;然后,利用有限元-无网格耦合算法求解大变形问题,弥补有限元计算的局限性。通过对比纯有限元模型计算结果和有限元-无网格耦合模型计算结果,发现两者在变化趋势上差别不大,符合钢筋混凝土梁的变化规律,说明所建立的有限元-无网格耦合自适应算法能很好地模拟钢筋混凝土梁的应力变形,验证了有限元法-无网格法的自适应耦合算法的正确性。     

基于自适应网格粒子群算法的多目标配送优化模型

对配送方案的选择提出多目标优化,在满足客户需求的前提下,力求成本最低和各配送中心负荷均衡,建立多目标规划模型。运用粒子群算法对解空间粒子进行局部和全局的搜索,再运用自适应网格算法对非劣解外部集进行更新和维护,保持其规模。实证表明,采用基于自适应网格的多目标粒子群算法对该模型进行求解能够得到均匀分布于解空间的Pareto前沿。结果表明两目标具有一定的悖反关系,据此选择满意解。     

一种全四边形网格算法在MSC.Patran平台下的实现

章详细的阐述了一种全四边形网格生成算法一改进的边界推进法的具体实现方法，并且将该算法在MSC。Patran的平台上，用MSC.Patran Command Language作为编程语言实现，最后举出该程序在船舶有限元分析中所实现的几个例子，用图示说明该算法在MSC.Pastran平台下实行的可行性。     

有限元网格划分对边坡稳定性计算的影响

以有限元强度折减法在边坡稳定性分析中的一标准算例为依据,探讨ABAQUS中网格划分技术、网格形状、网格密度、局部加密网格、网格生成算法和单元积分方法对边坡稳定性计算的影响。得出在适当范围内加密网格可节约计算时间,二次积分单元计算精度高但更耗成本等结论。     

燃气发动机进气流动的数学模型及计算

本文建立ＬＰＧ发动机进气管内流场的三维数学模型。采用代数法生成三维贴体 网格，应用交错网格的ＳＩＭＰＬＥ算法计算出速度场和压力场，并对计算结果进行分析。     

约束Delaunay三角化在路线设计中的应用及其生成算法研究

综合分析了CDT在路线设计中的应用，并提出了相应的解决方案。深入研究了适合各种应用的CDT构建算法，即先不考虑约束条件构建初级标准DT，再将约束边嵌入初始DT中的两步法。标准DT的构建采用改进和优化后的逐点插入算法，通过建立网格索引，实现数据的高效组织和管理，再结合方向搜索技术,研究出了三角形的快速定位算法。采用WATSON的“数据相关三角形”算法优化构网，为减少优化时间，提出了按网格轮流取点的策略。实践证明，该算法具有速度快、网形优、精度高、用途广的特点。     

基于自适应卡尔曼算法的重型半挂车状态估计研究

在建立三轴重型半挂车简化动力学模型的基础上,提出了用于估计重型半挂车运动状态的自适应卡尔曼滤波估计算法。利用动力学软件Trucksim对该估计算法进行了验证,验证结果表明,所提出的自适应卡尔曼滤波算法能够在车速为30 km/h与60 km/h的两种扫频工况下,准确估计重型半挂车横摆角速度和铰接角,为重型半挂车的稳定性控制奠定了基础。     

路面附着系数的自适应衰减卡尔曼滤波估计

为了获得实时、准确的路面附着系数，进一步提高观测路面附着系数算法的精度和收敛速度，结合非线性车辆动力学模型和轮胎力修正模型，搭建分布式驱动电动汽车联合仿真平台，提出一种基于自适应衰减无迹卡尔曼滤波的路面附着系数观测算法。该算法设计与各轮对应的路面附着系数观测器，应用协方差匹配判据对观测器发散趋势进行判别，设计自适应加权系数修正预测协方差，以增强新近观测数据的利用率；同时采用次优Sage-Husa噪声估计器对未知的系统过程噪声进行估计，抑制观测器的记忆存储长度，调整过程噪声和测量噪声的均值与协方差，提高观测器的跟踪能力。利用分布式驱动电动汽车分别进行高、低附着路面和对开路面直线制动试验，并将自适应衰减无迹卡尔曼滤波路面附着系数观测器的观测结果与无迹卡尔曼滤波观测值、参考路面附着系数进行比较和分析。结果表明：高附着路面条件下，所设计的算法估计误差可控制在0.64%以内；低附着路面条件下，所设计的算法估计误差可控制在1.03%以内；对开路面条件下估计误差可控制在1.26%以内；自适应衰减无迹卡尔曼滤波算法相比无迹卡尔曼滤波算法响应速率更快，具有更高的估计精度和较强的自适应能力，估计结果整体上维持稳定，能够适应各种不同路面的估计。     

一种可应用于内燃机瞬态仿真的动网格模型

提出了一种基于非结构网格的动态层网格实现算法,结合滑移网格算法构建了基于分块滑移动态层的非结构化内燃机动网格模型,并基于TBD620柴油机建立了计算模型,所有算法都基于课题组自主研发的通用输运方程求解软件实现.流场计算采用适用于可压缩流场的有限体积法及SIMPLE算法.通过数值算例对所开发的滑移网格模型和动态层网格模型进行了验证,最后对内燃机缸内瞬态流场进行了仿真.计算结果表明,所发展的非结构化动网格模型可应用于内燃机瞬态流场的仿真.     

基于小波域量化的数字图像水印容量估计

提出了一种基于小波域的容量自适应数字图像水印算法，从小波量化出发，对可嵌水印位置进行选择。在此基础上，结合人眼视觉模型和图像纹理特性，得出小波域的水印最大可嵌强度，用修改极性的方法进行水印的嵌入和提取。仿真结果表明，该算法不仅具有较好的不可视性和鲁棒性，而且在保证这些性能的基础上实现了自适应容量，较好地协调了水印三要素间的关系。     

基于人工神经网络的柴油机故障诊断

故障诊断是计算机模式识别领域的一个活跃课题。文中提出了基于人工神经网络的柴油机故障诊断方法，设计了适合该诊断系统的BP网络结构，并给出了一种基于黄金分割法改进的BP算法，用来自适应调整网络学习速率。仿真结果表明：该算法具有很快的学习速度和较高的学习精度，完全适用于柴油机故障诊断系统。     

改进的数值流形算法在复杂裂纹模拟分析中的应用

在利用有限单元法进行复杂裂纹分析时,前处理的网格划分以及裂纹扩展时的网格重构会带来很大困难,而流形方法里定义的两套独立网格可统一求解连续和不连续问题,其前处理需求十分简单,特别适于求解各类裂纹问题。基于新发展的流形方法覆盖系统自动生成算法,采用三角形数学网格和J积分,将数值流形方法应用于各种复杂裂纹应力强度因子的计算和分析求解。数值算例结果表明了方法的有效性和计算精度。     

基于改进BP网交通流动态时序预测算法的研究

针对城市交通“智能运输系统”，提出了基于改进BP神经网络理论模型的路面交通流动态时序的预测算法，在BP算法的自适应学习率，在动量法优化网络收敛性等方面，进行了深入研究，并改进了基本BP算法中的收敛速度慢和易陷入局部最小点等问题，章给出了基于改进BP算法的交通流态时序的预测算法仿真实验，结果验证了该算法的可行性和先进性，在交通流时序预测方面有一定的应用价值。     

汽车防抱死制动系统（ABS）轮速算法研究

在分析现有轮速算法的基础上，提出精度自适应轮速算法，并对各种算法进行了实验比较，证明该算法在保证高速低速计算精度同时，很好地保证了低速控制实时性。     

有限元接触算法在连杆强度分析中的应用

介绍了有限元接触算法的原理及计算流程；通过对某型号运输车发动机活塞连杆组建立装配模型，应用有限元软件对其进行了网格划分，建立了接触对，并运用有限元接触算法分析了该连杆的强度。     

等参单元法在计算机绘制等值线中的应用

文章介绍了一种绘制等值线的等参单元法，该方法同传统的矩形网格和三角形网格相比，具有对网格适应性强，追踪等值点简单，用较少的内存单元就可绘制出光滑曲线，特别适用于用微机绘制航道、测量等领域中不规则区域的等值线。     

基于单神经元的汽车方向自适应PID控制

针对汽车方向动力学控制存在的非线性和参数时变不确定性问题，提出了一种新的基于单神经元的汽车方向自适应PID控制算法。该算法利用了神经网络的自学习和自适应能力，实现了方向PID控制器的参数在线自整定，从而避免了传统的自适应PID控制必须在线辨识被控系统的参考模型参数而带来的计算工作量大的问题。仿真计算和场地试验验证表明该控制算法可有效地控制汽车按照预期给定的轨迹行驶，且保证了汽车方向闭环控制系统具有较强的适应性和鲁棒性。     

基于自适应神经模糊推理系统的平行泊车路径规划

针对常见的平行泊车场景,提出一种基于自适应神经模糊推理系统的平行泊车路径规划方法。以基于优化算法的泊车路径规划方法得出的泊车路径作为训练样本,利用Python脚本语言建立以自适应遗传算法和拟牛顿法为内核的自动化训练框架,使自动训练后的自适应神经模糊推理系统既可继承基于优化算法的泊车路径规划方法适用范围更广的优势,又有效解决该方法求解过程计算量大的问题。通过仿真分析验证所提出方法的可行性和有效性,结果表明:自动训练后的自适应神经模糊推理系统可依据汽车初始泊车位姿和泊车位信息快速规划出可行的平行泊车路径。     

考虑动力学模型系统误差补偿的智能车GNSS/IMU组合定位算法

为了解决智能车动态组合定位过程中，因动力学模型与实际模型之间存在偏差导致滤波精度下降的问题，针对智能车全球导航卫星系统(GNSS)/惯性测量单元(IMU)组合定位系统，结合非线性预测滤波(NPF)和自适应滤波的优点，提出了一种考虑动力学模型系统误差实时估计和补偿的自适应非线性预测滤波(ANPF)算法。首先，根据NPF算法原理，通过最小化预测观测残差与系统误差的加权平方和，估计动力学模型系统误差；其次，结合自适应滤波原理，利用状态预测残差向量构造自适应因子，设计了一种自适应扩展卡尔曼滤波(AEKF)算法，用于估计系统状态向量，并通过自适应因子抑制动力学模型系统误差和线性化误差对系统状态估计精度的影响，克服NPF对系统状态估计精度有限的缺陷；再次，对动力学模型系统误差的估计误差和由动力学模型系统误差引起的系统噪声的等效协方差阵进行了分析和推导，以补偿动力学模型系统误差对系统状态估计的影响；最后，通过车载GNSS/IMU组合定位系统试验，从算法精度、鲁棒性和实时性方面对提出的算法和其他滤波算法的性能进行了验证和对比分析。研究结果表明:提出的自适应算法继承了NPF算法简易性和高实时性的优点，同时克服了NPF算法估计精度有限的缺陷，具有较好的滤波解算精度，水平定位精度小于1.0 m，算法单次平均执行时间约为0.013 9 ms，在精度和实时性的平衡方面显著优于其他滤波方法。