基于人工神经网络的高速公路入口匝道控制算法

利用BP人工神经网络对高速公路单个入口匝道进行控制。根据具体问题对神经网络控制器的设计进行了讨论，利用BP改进算法对神经网络控制器进行训练。利用Matlab对控制器的控制效果进行了仿真，将仿真结果与车道、需求-容量控制的效果进行了比较，结果表明，该神经网络控制器可以获得优良的控制效果。     

基于BP-PID的电动汽车热泵空调温度控制系统研究与设计

电动汽车热泵空调系统具有时变性、非线性和滞后性的特点,传统的比例-积分-微分（PID）控制方法无法达到理想的控制效果。针对反向传播（BP）神经网络,推导出其正向和反向传播阶段公式,给出了详细的控制算法设计,在传统PID控制器基础上设计出一种自学习BP神经网络PID控制器。对热泵空调系统模型仿真,结果表明,该控制器具有稳定性高,鲁棒性好等优点,优于传统PID控制效果。最后把BP-PID算法与脉冲宽度调制（PWM）控制相结合,进行了系统软硬件原理设计,与传统PID控制相比稳定时间从155 s减少到145 s,实现空调温度控制,为后续车型开发做准备。     

基于BP-PID控制器的盾构液压推进控制系统研究

为解决盾构在复杂地层施工时推进速度和压力难以控制的问题,在压力流量控制的基础上提出BP神经网络控制策略。通过AMESim建立推进系统物理模型,并利用Simulink设计出BP神经网络控制器,最后对系统进行联合仿真,分析推进系统液压缸在变流量和变负载工况下推进速度和压力的响应特性。仿真结果表明:该控制策略与常规PID控制相比,波动幅度降低,调节时间快。采用BP神经网络PID控制能够有效地提高盾构在负载突变情况下速度和压力控制精度,稳定性好、适应能力强,为盾构控制系统设计和优化提供理论参考。     

灭火智能车辆PID控制方法研究

为满足灭火智能车辆在火灾现场所需的精确运动要求和技术性能,充分利用BP神经网络能够逼近任意非线性系统的优点,将BP神经网络和PID控制相结合,把训练后的网络输出作为PID控制器输入,并不断调整其P、I、D参数,进而调整控制器的输出电压以控制灭火智能车辆的速度。     

基于安全距离模型的车辆跟随控制策略研究

针对车辆协同驾驶领域中的跟随过程,建立了安全距离控制模型,采用BP神经网络PID控制策略设计了控制器,并通过MATLAB/Simulink软件进行仿真分析,将BP神经网络PID控制与传统PID控制的控制效果进行了对比,最后运用缩微环境下的智能车辆系统试验平台设计了Update算法,完成了跟随试验验证。仿真和试验结果表明,本文设计的智能控制器减小了车间距误差,提高了控制准确性,能满足车辆安全跟随行驶要求。     

电控空气悬架车高调节与车姿控制研究

针对电控空气悬架在车高调节过程中存在的过充,过放以及震荡等不良现象和加速、减速、转弯以及路面随机干扰对整车姿态的影响,根据变质量充放气系统热力学理论,提出一种能够对气体质量流量进行自适应快速调节的单神经元PID控制方法。根据车辆动力学理论,建立了加速、减速、转弯以及路面随机干扰下的空气悬架车身高度调节系统整车模型。基于神经网络控制算法,设计了车身高度调节的单神经元PID控制器和整车姿态控制的BP神经网络PID控制器。为检验所设计控制器的性能,搭建了Matlab/Simulink车身高度控制仿真模型和整车姿态控制仿真模型。仿真结果表明所设计的控制系统不仅能够实现车身高度的有效调节,同时还能抑制车身高度调节中的整车姿态变化。     

AMT汽车动态模糊神经网络三参数换挡策略研究

提出了动态模糊神经网络三参数换挡控制原理及其控制器训练算法,将该控制器运用到长安羚羊AMT轿车上,进行神经网络三参数换挡控制仿真与试验,并与两参数换挡进行了比较。结果表明,采用动态模糊神经网络三参数换挡比两参数换挡更符合驾驶员的换挡经验和习惯,挡位切换曲面变化平滑,比传统计算法求解换挡规律更简便,易于实现,鲁棒性更强。     

模糊神经网络在发动机怠速控制中的应用

讨论了发动机怠速控制方法,对用模糊控制，BP神经网络控制方法进行了深入研究，给出了模糊控制和PID调节在怠速控制上的对比及BP神经网络用于学习模型控制器的输入与输出之间的函数关系，以取代模数控制规则表。在BP网络的训练过程，采用了自调整的学习算子以加速收敛，并给出了仿真结果。     

电动汽车用永磁同步电机自适应PI控制仿真分析

为提高永磁同步电机矢量控制系统的响应速度,提高系统鲁棒性,文章使用一种自适应比例积分（PI）矢量控制策略对传统矢量控制进行改进。文章根据一款混合动力电动汽车用永磁同步电机的相关参数建立了电机模型和传统矢量控制仿真模型;设计了基于BP神经网络的自适应PI控制器,对传统矢量控制模型进行了改进;最后对两种控制系统转矩突变的工况进行了仿真对比和分析。结果表明：与传统矢量控制策略相比,设计的基于BP神经网络的自适应PI矢量控制策略能够有效提高系统的响应速度,增强控制系统的鲁棒性,满足了车用电机的使用要求。     

基于自适应神经网络动态面算法的ECHPS系统控制策略研究

针对重型商用车采用固定助力特性的液压转向系统(Hydraulic Power Steering,HPS)存在操纵稳定性差的缺点,提出了一种旁通流量控制式电控液压转向系统(Electrical Controlled Hydraulic Power Steering,ECHPS)。建立了该转向系统核心部件电液比例阀数学模型,设计了ECHPS系统的助力控制策略和助力特性曲线,为了消除被控系统受到参数不确定性和外界干扰的影响,采用神经网络与自适应动态面技术相结合的算法设计了一种新型控制器。通过理论与仿真分析证明了所设计的自适应神经网络动态面控制器不仅响应快、跟踪效果好、控制精度高,而且能够实现汽车低速时的转向轻便性和高速时的良好路感要求。     

基于动态规划与神经网络的增程式电动汽车能量管理策略研究

设计了一种具有实时控制能力的增程式电动汽车混合型能量管理策略。首先建立了面向能量管理策略优化的增程式电动汽车整车模型。根据能量管理策略特点,将优化目标设置为增程器系统燃油消耗及动力电池当前SOC值与目标值之间差值的总和。再采用动态规划算法求解增程式电动汽车在给定行驶工况下的能量管理优化问题,从而获得了增程器开启时刻与输出功率优化结果。但由于动态规划算法需要已知详细的工况信息,很难应用于实车实时控制,而且从动态规划优化结果中不易提取控制规则,因此利用BP神经网络算法对优化结果进行离线训练,建立了增程器输出功率与车辆行驶状态参数间的非线性映射关系,得到了具有实时控制能力的神经网络控制模型。在采用BP神经网络训练时,根据车辆各个状态参数在CAN总线中的传输精度,对神经网络输入层、输出层参数的精度进行了修正。仿真结果表明:神经网络模型能够获得类似动态规划的最优控制效果,能够控制动力电池SOC在目标值的3%误差带以内。采用NEDC工况对混合型能量管理策略进行了硬件在环仿真试验,试验结果表明:与实车采用的电能消耗-电能维持型控制策略相比,所提出的混合型能量管理策略使汽车的燃油经济性提高了9.5%。     

基于神经网络实现交叉口多相位模糊控制

根据城市交叉口交通流的特点,给出了一种交叉口多相位自适应控制算法,综合考虑相邻车道上的车队长度,利用多层BP神经网络实现了道路交叉口多相位模糊控制.仿真结果表明,所设计的模糊神经网络控制器能有效地减少单交叉口平均车辆延误,具有较强的学习和泛化能力.     

基于神经网络实现交叉口多相位模糊控制

根据城市交叉口交通流的特点，给出了一种交叉口多相位自适应控制算法，综合考虑相邻车道上的车队长度，利用多层BP神经网络实现了道路交叉口多相位模糊控制。仿真结果表明，所设计的模糊神经网络控制器能有效地减少单交叉口平均车辆延误，具有较强的学习和泛化能力。     

液压半主动悬架的自适应神经网络控制

提出了液压半主动悬架系统的自适应神经网络控制策略 ,分析了系统模型及自适应神经网络控制器的设计和实现 ,并对控制效果进行了仿真研究。结果表明通过这种控制策略可以得到比较好的控制效果。     

电喷天然气发动机空燃比闭环控制及仿真研究

建立了用于控制仿真分析的天然气发动机动态模型 ;利用所建立的动态模型 ,进行了天然气发动机空燃比控制的动态仿真 ,分别采用PID控制器和神经网络控制器进行控制 ,并对控制效果进行了研究 ,比较分析了不同的控制策略在空燃比控制系统中的作用。     

基于模糊神经网络的列车制动控制智能算法研究

在基于模糊神经网络结构的基础上,通过分析影响建立模糊神经网络模型的主要因素,建立了用于列车运行控制的控制器模型,并且给出了相关参数的辨识方法.以货物列车为仿真对象,采用带有动量因子的BP反向传播算法对整个控制模型进行了仿真.仿真结果表明,基于模糊神经网络的智能算法能够满足列车制动控制的安全性、准确性及舒适性的要求,将其运用于列车制动控制是可行的.     

振动压路机电液无级调幅控制研究

通过总结和分析各国现有振动压路机振动轮调幅装置的不足,提出能够实现智能控制的电液无级调幅系统方案,详述了其组成和调幅原理。针对电液调幅系统具有非线性、大时滞的特点,提出了神经网络自适应PID控制策略,将神经网络自适应补偿器与PID控制器并联,补偿系统参数摄动、非线性和外界扰动对系统控制性能的影响,提高系统的响应速度和控制精度。基于DSP芯片TMS320LF2407A设计了硬件控制器,实现了神经网络自适应PID控制的数字化。结果表明:提出的控制策略相比于传统的PID控制在快速性、准确性方面均具有一定的优越性,为开发智能化振动压路机奠定了基础。     

车辆横向稳定性自适应神经网络控制策略研究

设计了一种"前馈+反馈"自适应神经网络控制器,通过直接横摆力矩和前轮主动转向的复合控制来提高车辆横向稳定性。反馈控制器采用PD控制策略,以实际横摆角速度与目标横摆角速度的偏差为输入量;前馈控制器采用RBF神经网络,以反馈控制器的输出为误差进行学习,而实现自适应控制。仿真结果表明,采用上述复合控制,能有效跟踪目标横摆角速度并降低质心侧偏角,提高了车辆在高速急转向时的稳定性。     

基于模糊神经网络的智能车辆循迹控制

为提高智能车辆自主循迹控制的精度,提出了一种基于模糊神经网络控制( FNNC)和神经网络预测( NNP)的智能循迹控制策略。转向控制器的输入量有3个：预瞄点处的横向循迹误差、汽车横摆角速度和侧向加速度。车速控制器的输入量有4个：预瞄点处的面积误差、侧向加速度、汽车侧偏角和转向盘转角。网络训练采用误差反向传播法。仿真与试验结果表明,所设计的循迹控制器通过对驾驶员操作样本的训练,能实现对车辆的车速与转向控制,横向循迹误差和目标车速均比较理想。     

高速公路入口匝道模糊神经网络ACO控制

针对入口匝道控制中局部需求大于高速公路主线容量情况下Alinea控制算法不能有效反馈的问题,结合模糊控制和神经网络的优点,通过神经网络来训练模糊控制规则,提出蚁群算法优化的模糊神经网络控制器,并对控制器应用于入口匝道控制进行了详细设计。仿真结果表明,基于蚁群优化算法的模糊神经网络控制器学习次数远小于Alinea控制算法,且收敛速度快,运算效率高,控制品质好,能够更好地稳定主线交通流密度。