NARX Neural Network Modelling of Hydraulic Suspension Dampers for Steady-state and Variable Temperature Operation

Summary Two NARX-type neural networks are developed for modelling nonlinear dynamic characteristics of passive twin-tube hydraulic dampers used in vehicle suspension systems. Quasi-isothermal and variable temperature NARX models are rigorously tested and compared with a state-of-the-art physical model proposed by Duym and Reybrouck (1998) and Duym (2000). Measured damper data, generated under isothermal and temperature varying conditions, is used for NARX training, physical model calibration, and predictive comparisons. Test kinematics include high amplitude sinusoidal displacements up to 14 Hz, and realistic random road profiles. The NARX models are trained via ‘teacher forcing’ and the feedforward backpropagation algorithm using both ‘Early Stopping’ and Bayesian Regularisation. Stable network design is also examined using the minimum posterior prediction error as the criterion for selecting a good network from a small number of tests. Calibration of the physical model proves highly complicated owing to considerable nonlinearity-in-the-parameters, requiring use of Sequential Quadratic Programming with an implicitly nonlinear constraint. The paper shows that NARX neural network modelling is vastly superior in terms of calibration efficiency, and prediction times, whilst offering roughly similar, if not better, model accuracy.     

A NARX damper model for virtual tuning of automotive suspension systems with high-frequency loading

A computationally efficient NARX-type neural network model is developed to characterise highly nonlinear frequency-dependent thermally sensitive hydraulic dampers for use in the virtual tuning of passive suspension systems with high-frequency loading. Three input variables are chosen to account for high-frequency kinematics and temperature variations arising from continuous vehicle operation over non-smooth surfaces such as stone-covered streets, rough or off-road conditions. Two additional input variables are chosen to represent tuneable valve parameters. To assist in the development of the NARX model, a highly accurate but computationally excessive physical damper model [originally proposed by S. Duym and K. Reybrouck, Physical characterization of non-linear shock absorber dynamics, Eur. J. Mech. Eng. M 43(4) (1998), pp. 181–188] is extended to allow for high-frequency input kinematics. Experimental verification of this extended version uses measured damper data obtained from an industrial damper test machine under near-isothermal conditions for fixed valve settings, with input kinematics corresponding to harmonic and random road profiles. The extended model is then used only for simulating data for training and testing the NARX model with specified temperature profiles and different valve parameters, both in isolation and within quarter-car vehicle simulations. A heat generation and dissipation model is also developed and experimentally verified for use within the simulations. Virtual tuning using the quarter-car simulation model then exploits the NARX damper to achieve a compromise between ride and handling under transient thermal conditions with harmonic and random road profiles. For quarter-car simulations, the paper shows that a single tuneable NARX damper makes virtual tuning computationally very attractive.     

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

基于小波优化GRU-ARMA模型的空中交通流量短时预测方法

空中交通流量短时预测是空中交通管理的基础,是有效缓解交通拥堵问题的前提。为提高空中交通流量短时预测的精度,减小空中交通管制员的工作压力,提出了基于小波优化GRU-ARMA的空中交通流量短时预测方法。在传统预测方法的基础上,通过小波变换对原始流量数据进行多尺度分解,提取不同频率交通流量的细节特征,对原始流量数据进行预处理。同时,根据小波变换,在低频处将频率细分作为趋势项,高频处将时间细分作为噪声项。其中,趋势项反映了空中交通流量随时间演化的整体趋势性,噪声项反映了随机因素对空中交通流量的综合影响。使用门控循环单元（GRU）神经网络模型预测趋势项,自回归滑动平均模型（ARMA）模型预测噪声项;将趋势项和噪声项的预测值叠加,得到最终的短时流量预测值。误差分析表明,该方法在每个预测点上的误差保持在2%左右,预测效果稳定;而直接采用原始流量数据进行预测的GRU、BiLSTM、CNN-LSTM神经网络模型及单一的ARMA模型,每个点的预测误差在5%~37.14%之间。与GRU、BiLSTM、CNN-LSTM神经网络模型相比,该模型的预测精度分别提高了3.02%,5.39%,5.05%。      

基于Takens理论和SVM的滑坡位移预测

针对滑坡变形时序非线性,数据量少的特点,引入Takens理论,采用支持向量机(SVM)建立其预测模型,建模过程中,比较了由不同核函数获得的SVM模型的性能,同时将SVM与RBF、El-man神经网络模型进行外推7步预测试验比较。结果表明:RBF核函数具有更好的工程实用价值;在有限样本情况下,SVM预测模型具有更好的准确性和泛化性,其7步预测平均误差率控制在5%以内,可见该方法在滑坡变形预测方面极具潜力。     

非线性耦合模型在桥梁桩基沉降预测中的应用研究

通过对桥梁桩基的沉降预测,能有效地评价和判断桥梁的稳定性,为现场施工提供一定的指导依据。同时,系统性的预测方法能有效提高预测精度,因此,将灰色模型和BP神经网络进行耦合,建立了桥梁桩基沉降的初步预测模型,再利用马尔科夫链建立误差修正模型,实现桥梁桩基沉降的分阶段预测。该模型发挥了灰色模型“累加生成”灰色序列的优点,增加了沉降数据的规律性,又充分利用了BP神经网络和马尔科夫链的非线性预测能力,具有系统性强、全面性高等优点。同时,利用2个实例进行验证,结果表明实测值和预测值较吻合。其中,实例1平均相对误差为1.37%,实例2的平均相对误差为1.39%,两实例的预测结果差异不大,具有较高的预测精度,验证了所提预测模型的有效性。     

基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.     

基于BP神经网络的阿拉套山隧道围岩物理力学参数反演分析

为研究高寒地区设置中心深埋水沟单线铁路隧道的围岩力学参数问题,以兰新铁路新建博州支线阿拉套山隧道为工程背景,基于FLAC3D数值模拟软件联合MATLAB中的神经网络工具箱构建BP神经网络算法,建立隧道开挖位移正演和反演模型,对围岩物理力学参数作反演分析。通过对中心水沟开挖前的拱顶和拱腰监测数据做拟合分析,发现隧道变形已趋于稳定,反演过程不需考虑中心水沟开挖对围岩的二次扰动。以水沟开挖前的拱顶沉降值和拱腰收敛值作为输入函数,以围岩的体积弹性模量K、剪切弹性模量G、黏聚力c、内摩擦角φ、重度γ作为输出函数训练神经网络模型,利用训练好的模型进行所需参数的反演分析。将反演参数代入FLAC3D正演模型计算后,提取中心水沟开挖前的拱顶沉降值和拱腰收敛值,与中心深埋水沟开挖前的实际监控量测值相比较为接近。结果证明,围岩物理力学参数的反演较为合理,对于变形的预测较为准确,可为隧道后期工程的施工和优化设计提供参考。     

基于时间序列相似性搜索的交通流短时预测方法

为了进一步提高交通流短时预测的效果,在分析现有预测模型存在问题的基础上,设计了1种基于时间序列相似性搜索的交通流短时多步预测方法.利用界标模型对交通流时间序列数据进行模式表示,在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列,进而确定与预测时刻相对应的历史数据,利用回声状态网络模型实现交通流的短时多步预测.采用某特大城市快速路5 min采样间隔的交通流量数据进行实验验证和对比分析.实验结果表明,回声状态网络模型的预测精度分别比ARIMA模型和BP神经网络模型提高了6.25%和3.85%,以时间序列相似性搜索结果作为模型输入数据能够进一步提高交通流短时预测的精度.      

基于GRA-SSA-Elman的隧洞TBM掘进适应性评价

为准确评价隧洞施工TBM掘进适应性，保障TBM安全、高效施工，提出一种基于灰色关联分析（GRA）与麻雀搜索算法（SSA）优化Elman神经网络的TBM掘进适应性预测模型。首先，从地质条件、掘进参数、不良地质、施工组织4个方面综合考虑，初步选取13个主要影响因素，建立隧洞TBM掘进适应性评价指标体系； 然后，利用GRA分析指标与掘进适应性间的关联性，引入SSA优化Elman神经网络，提高模型性能，并采用留一交叉验证法验证模型的准确性及可靠性，使得模型最接近原始数据分布特征； 最后，结合北疆水利工程某标段中待测样本对模型预测效果进行验证，同时与Elman、PSO-Elman、BP神经网络模型预测结果及现场实际结果对比分析。结果表明： SSA-Elman模型预测结果与实际工程结果吻合度较高，该模型能够正确、有效地对TBM掘进适应性进行预测评价，且具有合理性和可操作性，可为隧洞TBM适应性评价提供一种新方法。     

基于GA、RBF和改进Cao方法的空中交通流预测方法

针对传统空中交通流量预测方法精度不足、时效性差的问题,考虑空中交通流量时间序列的混沌特征,在相空间重构理论的基础上,研究了结合遗传算法（GA）、径向基（RBF）神经网络与改进Cao方法的空中交通流量预测方法。为降低传统Cao方法人为参数选择引入的误差,提高相空间重构精度,通过判定虚假邻近点,以及迭代比较嵌入维度离差和可接受偏差,确定重构相空间嵌入维度值的选择标准,进而得到重构后的空中交通流量时间序列数据;为提升径向基神经网络预测精度并降低参数误差,使用遗传算法优化RBF神经网络的中心矢量、加权系数和输出层阈值,再通过最优系数标定后的神经网络对重构后的时间序列进行预测;利用实际空中交通流量数据进行仿真以验证方法的有效性,并结合最大Lyapunov指数和预测结果分析了预测的时效性以及时间尺度对精度影响。结果显示：(1)改进后的预测方法具有更好的非线性拟合能力,提高了交通流量时间序列的预测精度;(2)以5 min时间间隔预测为例,相比传统RBF神经网络,改进方法的平均绝对误差、均方误差以及平均绝对百分比误差分别降低了19.44%、34.78%和27.21%;(3)相比反向传播（BP）神经网络...     

融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型

山区高速公路事故严重程度预测对保障交通安全具有重大意义.针对现有事故严重程度预测模型存在准确率低、泛化性差等问题,考虑到深度卷积神经网络可以高效处理图像问题,为此将事故影响因素图像化,提出一种融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型.该模型首先采用相关性分析确定影响交通事故严重程度的因素,依据严重程...     

基于BP神经网络预测正庚烷-乙醇混合燃料自燃温度

正庚烷-乙醇混合燃料的自燃温度对研究反应控制压燃(RCCI)具有重要的参考意义。采用BP神经网络预测正庚烷-乙醇混合燃料自燃温度,该神经网络模型以正庚烷掺混比、当量比和进气压力为输入,自燃温度为输出,单层隐含层有16个节点时迭代过程均方误差和训练状态梯度均最小。研究结果表明:对神经网络模型训练、验证、测试的线性系数和全局线性系数R分别为0.997 78,0.997 9,0.994 92和0.997 33,预测精度较高;验证了该神经网络模型对正庚烷掺混比、当量比和进气压力变化的泛化能力,预测值与试验值的误差均在允许范围内,因此本模型得到的预测值与试验值具有良好的一致性。     

基于灰色BP神经网络组合模型的基坑变形预测研究

为了使得基坑变形预测在“少样本”“贫信息”的情况下依然能够得出精度较高的结果,在传统的灰色GM(1,1)模型和BP神经网络模型的基础上,进行了灰色BP神经网络组合模型的研究。通过总结2传统模型的原理和算法,归纳各自的优缺点,分析2模型在本质原理上的关系,提出了构建组合模型的方法。利用广州市轨道交通三号线燕塘站的监测数据,对灰色GM(1,1)模型、BP神经网络模型和灰色BP神经网络组合模型分别进行了检验,肯定了组合模型的优越性。     

Calibration efficiency improvement of rule-based energy management system for a plug-in hybrid electric vehicle

This paper presents a calibration method of a rule-based energy management strategy designed for a plug-in hybrid electric vehicle, which aims to find the optimal set of control parameters to compromise within the conflicting calibration requirements (e.g. emissions and economy). A comprehensive evaluating indicator covering emissions and economy performance is constructed by the method of radar chart. Moreover, a radial basis functions (RBFs) neural network model is proposed to establish a precise model within the control parameters and the comprehensive evaluation indicator. The best set of control parameters under offline calibration is gained by the multi-island genetic algorithm. Finally, the offline calibration results are compared with the experimental results using a chassis dynamometer. The comparison results validate the effectiveness of the proposed offline calibrating approach, which is based on the radar chart method and the RBF neural network model on vehicle performance improvement and calibrating efficiency.     

Efficient empirical modelling of a high-performance shock absorber for vehicle dynamics studies

This paper develops an intuitive empirical nonlinear dynamic shock absorber model for simulation studies. Unlike other existing dynamic shock absorber models, it does not suffer from the complexity of modelling complex physical behaviour, or the inefficiencies of unstructured black-box modelling. The model consists of an algebraic backbone, which is a function of velocity alone, and a nonlinear low-pass filter, which has been designed based on the observation that the damper can respond more quickly at higher velocities. Due to the simplicity of the model, it can be fitted with data and evaluated quickly. The model was fitted using shock dynamometer test data using a random shock position command. The completed model is then validated using random, sine wave, and bump test data. This analysis shows the strengths and weaknesses of the model and suggests areas for future development.     

基于递进复合式组合预测模型的软岩隧道大变形预测研究

为实现对隧道大变形发展趋势的判断,达到优化现场施工,避免出现施工安全问题的目的,采用LS-SVM和优化GM(1,1)模型对隧道变形进行预测,并以误差平方和为指标,将两者的预测结果进行组合,再进一步利用BP神经网络对前者的预测误差进行修正,以实现综合预测。通过实例检验,得到最小二乘法对支持向量机的优化效果要优于对灰色模型的优化效果,且误差修正模型能进一步有效地提高预测精度,使预测值与实测值更为接近;同时,通过本文的预测结果,得到后4个周期的变形仍具有持续变形的趋势,应采取有效措施,避免工程事故的发生。本文预测模型具有较好的预测精度及适用性,对隧道大变形研究具有一定的参考意义。     

车用汽油机过渡工况进气流量预测研究

提出了一种基于混合遗传算法的径向基神经网络(HGARBF)的车用汽油机过渡工况进气流量预测模型。首先设计了一种新的混合遗传算法,利用梯度算法每次迭代得到的结果来改进遗传算法的群体,将遗传算法的最优个体与梯度算法的迭代解相比较,选择其中的最优点作为梯度算法下一步迭代的起始点,运用该混合遗传算法进行径向基神经网络参数的优化,改善径向基神经网络不同初始参数对其性能的影响;然后建立了基于HGARBF网络的过渡工况进气流量的预测模型。仿真结果表明,该预测模型优于经典的进气流量平均值模型,为精确及时测试汽油机进气流量提供了新的方法。     

基于混沌递进预测模型与趋势检验的深基坑变形规律研究

为提高基坑变形预测精度及稳定性,首先,利用遗传算法优化BP神经网络的结构参数,再将参数优化后的BP神经网络与灰色模型结合,构建出GA-BP神经网络模型,并利用该模型实现基坑变形序列的初步预测; 其次,基于残差序列的混沌特性,再利用混沌理论进行残差优化,进一步构建考虑混沌特性优化的GA-BP神经网络模型; 最后,将SR检验引入到基坑变形趋势判断中,以检验预测结果的准确性。实例检验表明： 通过遗传算法及混沌理论的递进优化,能逐步提高预测精度,验证文章预测模型的有效性,且预测结果与SR检验结果的一致性较好,说明该预测模型的可信度高。     

基于风险分析的公路工程保险费率厘定

在考虑工程风险及保险实际理赔情况的基础上,形成了含自然灾害、项目环境等7个指标维度的风险评价体系,利用粒子群(PSO)算法优化BP神经网络的初始阈值及权值,建立了公路工程保险费率厘定模型。将该模型应用于34个公路工程保险实际案例,通过PSO-BP神经网络拟合保险样本中风险指标因素与费率之间的关系,实现费率预测。对比分析PSO-BP神经网络与BP神经网络的仿真效果,结果表明,PSO-BP神经网络模型能较好地反映公路工程实际风险水平,预测准确度高,收敛速度快,适用于保险费率厘定。