基于Hilbert-Huang变换的制动意图聚类识别EI北大核心CSCD

为了进一步提高电动汽车再生制动系统对驾驶员制动意图的识别准确率,从而使电动汽车能在制动的过程中回收更多的能量,提出了基于Hilbert-Huang变换(HHT)的电动汽车制动意图聚类识别方法。建立了HHT的数学模型,基于HHT在时频域中进一步探寻中等制动和平缓制动两种制动意图下制动踏板行程信号的特征。建立了制动踏板行程信号特征提取模型,运用Hilbert局部边际能量谱得到局部特征能量,从而对信号特征进行提取,获取信号的特征向量。建立基于模糊C均值聚类算法的制动意图识别模型,并分别进行了离线实验和实时实验。结果表明所提出的基于HHT的制动意图模糊C均值聚类识别方法能更好地分辨中等制动和平缓制动意图,提高了识别准确率,并具有较好的实时性。     

基于实际驾驶需求的制动意图识别策略研究

基于电动汽车特性及线控制动系统特点,分析再生制动系统对整车制动性能和舒适性能的影响,提出一种基于实际驾驶需求的制动意图识别策略。通过驾驶员制动意图分析,将制动意图分为起步制动、滑行制动、停车制动、常规松制动、常规制动和紧急制动等6种制动模式。通过驾驶员制动意图的模式化,选取可识别的制动意图状态特征信号,基于驾驶员实际驾驶需求,制定制动意图识别控制策略。在紧急制动和常规制动的模式划分上,通过逻辑门限值的方法进行识别,并对限值进行分区划分和设置,以获得准确的制动意图并识别结果。基于以上分析,建立包括整车模型、控制器模型、驾驶员模型和测试工况的Simulink完整仿真模型,并进行仿真分析和验证。     

基于制动意图的电动汽车复合制动系统制动力分配策略研究

文中对制动意图的识别和不同制动意图所要求的不同的制动力分配策略进行研究.通过试验,验证了制动意图识别算法和制动力分配策略的可行性和有效性,为复合制动系统的应用奠定了基础.     

基于模糊逻辑的制动意图离线识别方法研究

文中根据驾驶员对车辆的操纵特性，对制动意图进行了分类，制定了制动意图识别的方法，为线控制动系统研究奠定基础。开展实车试验，确定可以用作制动意图识别的参数并提取其阈值。利用模糊逻辑对制动意图进行离线识别，表明模糊逻辑能够准确、及时地识别出驾驶员的制动意图。     

基于EEMD和熵理论的电动汽车制动意图识别方法

为抑制制动踏板信号中存在的间歇性成分或脉冲成分所造成的信号分解过程中的模式混叠现象,进一步提高制动意图识别的准确率和实时性,本文中提出了基于平均经验模式分解(EEMD)和熵理论的电动汽车驾驶员制动意图聚类识别法。首先,运用EEMD算法将制动踏板信号分解为IMF分量,以抑制模式混叠现象,更准确地提取制动踏板信号特征。接着,运用Shannon熵对IMF分量进行筛选,以减少特征提取的计算量。再用样本熵提取筛选后的制动踏板信号IMF分量的特征,得到不同制动意图的制动踏板信号特征向量。最后,运用聚类算法对制动意图进行识别。离线试验和实时试验的结果表明,基于EEMD和熵理论的制动意图聚类识别法比基于HHT的制动意图识别法具有更高的识别准确率和更好的实时性。     

基于K均值聚类与Bayesian分类器的车型识别方法

不同车型经过感应线圈时,线圈检测器采集过来信号变化的波形不同,同类车型对应采集的波形中如波峰极大值、峰值位置、平均值、波峰数等特征值都具有相似性。根据感应线圈采集所得信号的特点,讨论了一种基于K均值聚类与Bayesian分类器的车型识别方法。学习训练中,通过K均值聚类算法把不同波形的特征值归类,再采用Bayesian分类器算法去获得分类器。实验结果表明,该方法具有较高的车型识别精度。     

HEV制动意图识别的研究

基于大量的工况数据建立辨识模型,实现了对制动意图的准确识别.在此基础上优化了再生制动的控制策略.仿真结果表明,通过制动意图识别可有效地优化混合动力汽车再生制动的控制策略,从而进一步改善混合动力汽车制动时的驾驶感觉和燃油经济性.     

基于欠定盲源分离的柴油机曲轴轴承故障诊断方法研究

针对柴油机曲轴轴承振动信号盲源分离的欠定问题,提出了基于相空间重构和动态聚类奇异值分解的适定化方法。首先通过引入广义时间窗的概念确定最佳时间延迟和嵌入维数,重构信号相空间矩阵;然后对其进行奇异值分解,并对奇异值进行动态聚类以确定最佳重构阶数,进而重构得到虚拟观测信号,从而将欠定问题转变为适定或超定;最后利用自适应Parafac方法对原观测信号与虚拟观测信号构成虚拟传播路径进行盲源分离得到有效源信号。仿真结果表明,该方法可有效分离出混合信号中的源信号,并将其应用到柴油机曲轴轴承故障诊断中,诊断准确率提高了18.4%。     

客车主要噪声源识别的试验研究

基于偏奇异值分析法识别噪声源的基本原理，采用了近场声压测量法，同步采集15个传感器的振动与声压信号，识别出客车车外噪声的主要噪声源，分析出各噪声源对车外噪声的贡献并做出降低车外噪声的预测分析。所采用的试验与分析方法具有计算量小、声源定位准确的特点，并且可以准确预测零部件的改进对车外噪声的影响。试验研究和实车应用表明，这种方法可以适用于复杂的工程实际。     

乘用车驾驶员制动意图识别参数的选择

在良好路面条件下进行乘用车制动试验,获取不同制动强度下制动过程中的车速、制动踏板位移、制动踏板力和制动管路油压等信号并进行数据处理;分析采用不同参数及其组合进行驾驶员制动意图识别的优缺点,最终确定制动踏板位移是最适合于驾驶员制动意图识别的参数.     

基于改进局域波法的柴油机振动信号分析

提出了一种基于奇异值分解降噪的柴油机振动信号局域波分解方法,首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解的奇异值降噪,接着利用经验模式分解法提取降噪后振动信号的基本模式分量,最后作出时频曲线和边界谱曲线。对滤波前和滤波后的柴油机振动信号进行了局域波分析,分析结果表明,奇异值分解能够有效地提高信噪比,突出原始振动信号的特征,使得降噪后的振动信号分解出的基本模式分量和时频曲线以及边界谱曲线具有更明确的物理意义,有利于对柴油机进行精确诊断。     

基于长短期记忆网络的换道意图识别方法

准确识别周围车辆的换道意图将有助于自动驾驶系统决策,从而提升安全性和舒适性。提出一种基于长短期记忆（Long Short-term Memory,LSTM）网络的换道意图识别方法,能够较为准确地识别周围车辆的换道意图。该方法先通过构造收益函数来描述目标车辆（被预测的车辆）与其邻域车辆之间的交互关系,得到目标车辆左换道、右换道和车道保持的收益值,并将该收益值作为交互特征输入到意图识别网络;在意图识别网络中,引入注意力机制,通过网络自学习得到的权重对LSTM层各个时刻的输出加权求和,能够对编码信息进行有效利用,提高换道意图的识别性能;由于车辆的换道意图存在较强的前后依赖性,引入条件随机场（Conditional Random Field,CRF）,采用意图转移特征函数对各个时刻换道意图进行联合建模,并构建负对数似然损失函数作为整个网络的损失。为了验证所提方法的有效性,基于NGSIM数据集训练并评估模型。结果表明：所提方法对换道意图识别的准确率、宏观F1分数、测试集损失分别为0.916 4、0.874 6和0.168 3,均优于支持向量机（SVM）、隐马尔可夫模型（HMM）和LSTM模型。同时,所提模型对左换道和右换道的平均换道提前识别时间分别为3.08、2.33 s,综合换道提前识别时间为2.81 s,优于基线模型,能够为主车的决策提供充足的冗余时间。通过消融分析可知,引入的交互作用模块、注意力机制和条件随机场对准确率的贡献分别为0.012 2、0.004 3和0.011 0,印证了相关模块的有效性。最后由场景验证的案例可以得出,所提方法在准确率、稳定性和换道提前识别时间等指标上优于对比模型。     

潜在语义分析在交通事故分析中的应用

交通事故频发,给人民群众的生命财产造成很大的损失.对交通事故因素的分析,找出事故发生的真正原因是目前急需解决的问题。本文提出了一种基于潜在语义分析(LSA)的相关度组合技术来分析大量交通事故成因,挖掘出事故发生的规律,以利于交通管理部门采取有效措施,防患交通事故的发生。     

一种制动Groan噪音的前期识别方法

为了在前期识别潜在的Groan噪音,避免前期开展的台架性能试验和其他台架噪声、振动与声振粗糙度（NVH）试验重新开发,文章通过对Groan噪音的机理进行分析,推导出Groan噪音机理和力矩波动之间的对应关系,从而制定出适用于Groan噪音的前期台架试验方法。文章选择两种不同的摩擦材料,按照制定的前期台架试验方法,开展了台架对比测试和整车评价对比测试。结果表明,所制定的前期识别方法有效,台架结果和整车评价结果具有高度一致性。可见,Groan噪音可以通过文章所述方法进行前期识别,从而节省费用和时间。     

基于车辆制动激励和小波包能量分析的连续梁桥基础冲刷识别方法

近年来,因基础冲刷引发的桥毁事故频发,冲刷会造成桥梁下部结构周围土体被破坏进而导致基础承载力下降,并且由于冲刷位置隐蔽增加了识别检测的难度.为了精准识别桥梁下部结构的基础冲刷损伤,利用车辆制动作用可引起更为显著的桥梁下部结构纵桥向动力响应这一特点,提出了一种基于车辆制动作用下桥梁动力响应小波包能量分析的连续梁桥基础冲刷...     

基于手机GPS定位数据的交通方式换乘点识别方法研究

交通方式换乘点识别长期以来是手机大数据交通调查领域的一大技术难点,既有研究大多通过设置出行时间、距离阈值进行识别,算法经验性强,普适性不佳,且易将起讫点、信号控制、交通拥堵等停留误识别为换乘停留.为此,提出了一种基于手机GPS定位数据的交通方式换乘点识别新方法:首先,构建模糊时空聚类算法识别个体运动.静止状态,算法同步...     

基于CEEMD-SA-RNN的柴油机曲轴轴承磨损预测

为解决传统故障诊断方法效率低的问题,以某步兵战车柴油机为研究对象,提出了一种补充的集合经验模态分解与奇异值分解相结合提取信号的特征,使用模拟退火算法优化循环神经网络对曲轴轴承磨损程度进行预测的方法。采用补充的集合经验模态分解方法对振动信号进行分解,用奇异值分解方法进行特征提取,利用特征对模拟退火算法优化的循环神经网络进行训练及预测。对所提出的算法进行试验分析,结果显示预测准确率达到97.48%,比普通的循环神经网络系统预测的准确率提高了5%以上。     

基于SVD-UKF的车用锂离子动力电池传感器故障诊断研究

针对传感器故障诊断问题,提出通过分析模型预测电压与传感器观测电压的残差来诊断传感器是否发生故障的方法。使用无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法估计电池的端电压,并提出使用奇异值分解（Singular Value Decomposition,SVD）代替平方根法分解,以解决协方差矩阵非正定导致的算法无法正常运行的问题。提出使用累积和（Cumulative Sum,CUSUM）法对残差进行分析,通过监测CUSUM的变化来判断传感器是否发生故障。以动应力测试（Dynamic Stress Test,DST）工况作为验证工况,用3类常见的传感器故障对提出的方法进行验证。结果表明,提出的传感器故障检测方法在一些微小故障的检测中,相比于传统的设定残差阈值的方法更灵敏,能更快检测出微小的数据偏移情况。