共查询到20条相似文献,搜索用时 31 毫秒
1.
汽车性能优化方法及程序设计 总被引:1,自引:0,他引:1
本文介绍通过对汽车后桥主减速比和变速器传动比的不断匹配,从而使汽车的动力性和经济性优化的原理;重点叙述汽车性能优化数学模型的建立、复合形优化方法的原理和优化的具体步骤,以及程序的各个功能模块和运行流程及程序运行环境。 相似文献
2.
动力耦合系统的动力源参数匹配和能量管理策略两者相互关联,为提高混合动力重型货车的综合性能,两者应集成设计。针对混合动力重型货车参数匹配需反复计算、验证的特点,在Matlab/Simulink中建立了可缩放、自动寻优的参数匹配模型。以经济性为目标函数,基于粒子群算法进行动力源参数匹配,得到局部最优动力源参数结果。针对混合动力重型货车中广泛采用的基于规则的能量管理策略,其规则控制中一些阈值参数不确定的问题,应用粒子群算法对其关键控制参数进行优化,得到局部最优控制参数。为了实现全局最优的匹配结果,将动力源部件参数和控制策略参数进行集成优化,以动力性为约束条件,经济性最优为优化目标,得到全局最优的参数匹配结果。对比显示,全局优化匹配效果相较于动力源参数局部优化提升11.4%、相较于控制策略参数局部优化提升12.4%。 相似文献
3.
4.
针对液力变速箱与发动机动力匹配计算困难的问题,推导出以输出功率最大为优化目标的数学模型,并用Excel软件对原始参数进行处理和规划求解,实现传动系参数的最优匹配。 相似文献
5.
基于车辆动力学理论与方法,以车辆悬架系偏频特性及其相关参数为分析变量,依据平顺性要求对前后悬架的匹配关系进行分析探讨。建立适用于车辆行驶中与平顺性相关的基本分析模型,模型中以垂向振动频率和俯仰振动频率为评价指标。分析中将车身视为缸体,针对空载、满载等工况、分析不同条件时匹配的条件以及匹配参数的大致范围。依据所建模型与相关分析,对某款国产车辆的前后悬架系的偏频进行分析优化匹配。优化结果和实验结果相比较,说明了所用方法与结论具有一定的实用价值。 相似文献
6.
7.
传统的汽车传动系匹配研究方法,都是以汽车的动力性或经济性指标为优化目标的单目标优化。为了实现真正意义上的多目标优化,文章利用modeFRONTIER软件和遗传算法的组合优化策略,结合某5挡手动变速车传动系匹配,进行了基于燃油经济性的传动系参数优化设计,达到了降低汽车燃油消耗的效果,为汽车开发设计中传动系匹配优化提供了参考。 相似文献
8.
9.
本文对汽车变速器一体化优化匹配设计进行了研究,提出了一体化的方法并在程序中实现。经对BC131变速器实例考核,程序设计合理,具有工程实用价值。 相似文献
10.
测试技术对于三电匹配过程中的数据处理、性能优化十分重要,能够有助于直观的发现和帮助解决匹配过程中存在的问题,三电匹配测试技术的发展对于三电系统基础理论的研究、三电系统性能提升、三电系统设计方法创新等都有着极其重要的作用。本文对三电测试技术的测评体系进行了阐述、对三电匹配的技术优化方向做出了总结和展望。 相似文献
11.
本文从未来城市公交系统"快主慢辅、主次分明"的发展趋势出发,分析了此发展趋势对电动汽车的需求,比较了不同电动汽车产品的特点,根据趋势联系产品,提出电动汽车示范运营优化匹配思路。最后,结合实际提出了武汉电动汽车示范运营优化匹配规划。 相似文献
12.
本文中对液力变矩器与发动机的匹配进行研究。首先,建立了发动机转矩特性与液力变矩器原始特性模型,求得两者共同工作的输入输出特性;然后,根据一维束流理论和能量方程,以两者匹配工作的动力性和经济性为目标,以泵轮出口角和导轮进出口角为设计变量,建立了多目标匹配优化模型,使用遗传算法进行优化,得到Pareto最优解集。结果表明:优化后,最大输出转矩和平均输出功率提高,高效转速范围的燃油消耗率降低,验证了所建模型的正确性与可行性。 相似文献
13.
14.
15.
16.
17.
18.
“互联网+”模式下区域停车“用户-资源”优化匹配是解决找车位难问题的有效途径,传统研究主要关注动态匹配机制设计,缺乏对用户匹配时机的考虑。在随机动态环境下,用户到达目的地附近后进行适当的延时等待,往往可以获得更优质的泊位资源,但取决于当前的停车供需模式。据此首次提出智能延时匹配策略,将每个停车用户抽象为智能体,构建多智能体深度Q学习模型(M-DQN)。结合系统的停车供需状态学习,用户自主决策延时等待时间,进入分配池后,系统利用匈牙利算法进行泊位匹配。在智能体总数量可变的环境下,利用集中式训练与分布式执行的框架,实现多智能体协同优化。为对比智能延时策略的效果,设计等待零时长策略(Greedy)和等待最大时长策略(Max Delay)。在算例中,结合同济大学四平路校区实测停车数据,设计3种不同的停车供需模式场景。在工作日早高峰时段,Greedy是最优的匹配策略,M-DQN和Max Delay的平均停车过程总用时会增加,匹配成功率下降;在工作日非高峰时段,M-DQN的平均停车过程总用时相较于Greedy和Max Delay分别减少23.8%和22.4%,效果提升明显;在工作日晚高峰时段,M-DQN的平均停车过程总用时相较于Greedy和Max Delay分别减少了12.8%和14.5%,M-DQN可以结合供需状态学习到最优的匹配策略。研究结果表明:在停车供需相对平衡的环境下,所提出的延时匹配策略和多智能体深度强化学习方法可以有效减少用户停车的平均行驶时间和步行距离,且停车周转率越高效果越好;但延时策略在应用方面仍有一定的局限性,不适用于停车供给紧张,停车周转率较低的场景。 相似文献
19.