无储能单元串联式电传动车辆直流母线电压鲁棒控制的研究

鉴于一般串联式电传动车辆带有一定容量的储能单元,导致系统体积大、成本高、寿命低等缺陷,提出一种无储能单元的串联式电传动系统,并针对取消储能单元带来的母线电压波动问题,在传统电压和电流双闭环PI控制基础上加入模糊控制,制定了模糊自适应PI控制的直流母线电压控制策略,提出了PI参数的在线自整定方法。搭建无储能单元串联式电传动系统的Matlab/Simulink模型,对模型和控制策略进行仿真。结果表明,模糊自适应PI控制策略有利于提高系统的响应速度,减小电压的超调量,增强系统鲁棒性,有更好的静、动态性能。     

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。     

基于神经网络的柴油机轨压模型补偿容错控制研究

电控柴油机高压共轨燃油喷射系统具有很强的非线性、时变性和扰动性,传统的控制方式难以精确控制系统的轨压。基于BP神经网络辨识得到了非线性柴油机燃油喷射系统模型,提出了一种模型补偿容错控制方法。该方法在PID参数模糊自整定控制的基础上,通过加入一个基于梯度下降算法的误差补偿控制器修正输出偏差,实现了对柴油机燃油喷射系统时变性和扰动性的控制。仿真结果证明了该方法的有效性,与传统PID控制和模糊PID控制相比具有更好的鲁棒性和抗扰动性。     

神经网络PID控制参数整定及仿真

PID控制器算法简单,鲁棒性好,可靠性高,但是参数整定通常是依靠经验来确定。神经网络具有很好的自适应能力和非线性映射功能,对智能控制有很好的效果。本文通过BP神经网络的自学习能力对PID参数进行在线整定,并通过matlab软件进行仿真研究。仿真结果表明:通过BP神经网络,可以对PID参数进行有效的整定。     

基于复合神经网络模型的四轮独立驱动电动车控制

针对四轮独立驱动电动车的运动控制，提出了一种基于Ackerman转向模型和神经网络方法的复合模型，用于对各个车轮转速进行仿真和控制。这种复合模型的特点是结构非常精简，其参数可用实际整车数据来直接整定，尤其适合于车辆的中低速运行控制。     

基于模糊PI控制策略的电动汽车无离合器两挡变速控制

针对电动汽车低速大转矩的要求,提出了一种无离合器两挡变速电动汽车PMSM驱动控制方案,即基于转速模糊PI参数自整定的PMSM矢量控制系统,以期改善电动汽车高低速控制性能.仿真与实验结果表明,该系统克服了PMSM矢量控制系统传统转速PI控制中存在的超调量大、响应速度慢等缺点,通过转速跟踪实现了电动汽车无离合器的换挡,提高了电动汽车在各种路况下的实用性.     

基于强化学习的智能车辆路径跟踪变参数MPC多目标控制

为了解决智能车辆在工况变化时跟踪精度下降和稳定性变差的问题,提出基于强化学习的变参数模型预测控制(MPC)算法多目标控制策略,实现智能车辆路径跟踪控制系统的参数自适应整定。基于车辆动力学模型设计其线性时变MPC控制器,获得最优前轮转向角和附加横摆力矩。基于Actor-Critic强化学习架构,设计进行控制参数整定的深度确定性策略梯度(DDPG)智能体和双延迟深度确定性策略梯度(TD3)智能体,构造以跟踪精度和稳定性为目标的收益函数,并搭建对接工况和变曲率工况2种典型仿真场景进行算法性能验证,当车辆处于对接工况时,根据路面附着系数的变化及时调整控制器的预测时域和权重矩阵;当车辆处于变曲率工况下时,针对道路曲率变化及时调整控制器的预测时域和权重矩阵。通过MATLAB/SimuLink、CarSim和Python联合仿真分析,将强化学习方法参数整定MPC与固定参数MPC和模糊控制方法参数整定MPC进行对比,结果表明：强化学习方法更能够在保证车辆安全性的前提下,尽可能提高智能车辆在不同路面条件下的路径跟踪精度。在对接工况下,强化学习方法参数整定MPC相较于固定参数MPC和模糊控制方法参数整定M...     

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。     

无人驾驶汽车转向系统参数自整定及优化研究

针对已有的PID控制器在伺服系统中适应性差、参数调整困难的问题,对永磁同步电机伺服系统进行研究。提出了一种综合模型和规则的参数自整定策略,基于典型系统对三闭环PID控制器整定得到初值,其中利用模型参考自适应算法对电机进行辨识以得到速度环参数初值,采用共轭梯度法在参数初值邻域内寻优,进行Matlab/Simulink仿真分析,并通过了试验验证。结果表明,参数自整定下的控制器比传统控制器位置超调量上升了5%以内,上升时间下降了20%～50%。通过仿真与试验验证,参数自整定算法可以更优化地适应各种工况。     

基于分数阶理论的车辆ABS控制研究

针对车辆制动过程中出现制动失稳问题及对控制安全、稳定性的要求,结合车辆动力学模型,提出一种基于分数阶比例积分微分理论的车辆制动防抱死分数阶PID主动控制方法,并利用Oustaloup滤波器和遗传优化算法对分数阶PID控制器进行有理化和参数整定处理,得到优化后的分数阶PID控制器,最后采用MATLAB/Simulink对车辆制动防抱死分数阶PID控制器进行了离线仿真分析。通过仿真分析表明,当车辆以20m/s的速度在路面上制动时,路面参数一定,采用遗传算法优化的分数阶PID控制相对于模糊自适应控制、传统整数阶PID控制,在制动时间上下降了2.1%和3.1%,制动距离缩短了3.86%和5.82%,其具有较低的超调量、较快的响应和较小的稳态误差。     

基于模糊自适应PID的干混砂浆配料系统

针对目前干混砂浆配料系统采用传统PID控制的不足,提出一种基于模糊自适应PID控制的方法。新方法从系统输入取配料误差、误差变化率等参数修正,实现PID参数在线自整定。仿真结果表明:采用模糊自适应PID控制后,配料系统调节时间更短,响应更快,抗干扰能力和适应参数变化能力都优于常规PID控制。     

基于改进BP神经网络的车轮定位参数动态测量

结合人工神经网络(ANN)技术，提出了基于改进的BP神经网络的车轮定位参数动态测量方法，编制了相应的程序，并进行了试验验证。结果表明，通过将车辆前进时的侧滑量作为已训练好改进BP神经网络的输入，根据网络的输出值可以有效地识别出车辆行驶时的车轮外倾角与前束值，从而实现在侧滑试验台上对车轮外倾角和前束值的测定，并依据测定结果有效地指导检修人员进行车轮外倾角与前束值的调整。     

孤立交叉口多相位自适应模糊控制及其神经网络实现

针对城市中心区交叉口交通流分布的特点,综合考虑本相位和相邻相位车道上的车辆排队长度(以下简称“队长”),应用模糊控制和神经网络具有的学习功能,提出了一种孤立交叉口多相位自适应模糊控制算法,该算法采用两个规则前件进行模糊推理,并给出了基于3层神经网络实现的模糊控制器的网络结构及其改进的BP网络训练算法和运行程序,结合已有类似研究成果进行了仿真比较研究,结果表明:该控制方法在信号周期自动调节和减少车辆延误方面都有明显改进,在实现城市交叉口智能控制中具有推广应用价值。     

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。     

基于自适应动态滑模控制的智能汽车纵向巡航控制

为消除参数不确定性和外部干扰等因素对智能汽车纵向巡航控制的影响,提出一种基于自适应动态滑模的纵向巡航控制方法.建立以广义纵向力导数项为控制输入的车辆纵向动力学模型,基于反步法构建保证车速与纵向加速度同时收敛于期望值的新型滑模函数;在此基础上,设计了期望广义纵向力的动态滑模控制律,并利用RBF神经网络对控制律中的未知干扰...     

工程车辆液压行走驱动系统模糊自适应PID控制策略研究

在现有工程机械PID控制器的基础上,利用模糊推理实现了对PID参数在线自整定模糊自适应控制,并且在MATLAB软件下将该控制器在车辆液压底盘试验台系统中的应用进行了研究,仿真结果表明,参数自适应模糊PID控制能使系统达到满意的控制效果.     

电喷汽车发动机容错控制研究

电喷汽车发动机的容错控制对于改善汽车发动机的排放、经济性有重要作用.针对传统的失效保护功能的缺陷,提出使用基于改进BP神经网络算法的主从神经网络建立某型电喷发动机的容错控制模型.仿真实验表明了该方法的有效性.     

基于RBF神经网络的智能网联车辆队列控制

为了消除大多数现有智能网联车辆队列控制成果中车辆纵向动力学模型已知的假设,研究具有未知动态的智能网联车辆的队列控制问题,提出了基于径向基函数神经网络的分布式车辆队列控制方案。该方案先利用欧拉法将车辆的纵向动力学模型进行了离散化,后结合反步法和径向基函数神经网络设计了离散分布式车辆队列控制器。相较于现有成果,该方案通过利用径向基函数神经网络逼近车辆的未知非线性动态,取消了车辆动力学特性完全已知的假设。此外,相较连续的队列控制算法,离散的控制算法更适合数字控制器的实现。最后,通过理论分析和仿真模拟的方式验证了所提出算法的有效性。     

基于改进粒子群优化BP神经网络的弯道转向行为预测

为研究驾驶人视觉特性和弯道转向行为的内在联系,借助模拟驾驶器,选取50名驾驶人在3种不同半径的弯道上进行驾驶试验。在整理采集的试验数据后,分别比较驾驶人视觉特性(瞳孔面积变化率、扫视速度、扫视幅度)、弯道转向行为(方向盘旋转率、车辆侧向加速度)与弯道半径之间的关系,并进一步提出一种以驾驶人视觉特性为预测因素,基于BP神经网络的驾驶人弯道转向行为预测方法。为使BP神经网络适用于小样本量的预测情况,需引入改进粒子群算法对BP神经网络进行优化。对粒子群算法的改进之处主要体现为:在粒子群算法进行搜索的过程中,采用动态惯性权值与自适应方法,解决了一般粒子群算法中粒子快速趋同的问题。在模型训练的过程中,选取BP神经网络的误差作为改进PSO算法的适应值,由事先确定的最大迭代次数与误差范围共同决定迭代的终止条件。最后,分别使用基于BP神经网络的驾驶人弯道转向行为预测方法,与基于改进粒子群优化BP神经网络的驾驶人弯道转向行为预测方法,对弯道转向行为进行预测,结果表明:基于改进粒子群优化BP神经网络的弯道转向行为预测方法相较传统预测方法具有更高的预测精度,可以有效地预测驾驶人弯道转向行为。     

ARM平台下高精度柴油机故障诊断系统设计

针对传统方法难以精确诊断柴油机的故障问题,基于嵌入式ARM平台设计了一个高精度的柴油机故障诊断系统。提出一种改进的人工蜂群算法并以此优化BP神经网络算法训练故障样本,得到一组精确度较高的故障模型参数。在ARM平台上以该模型参数进行运算诊断获得故障类型。结果表明,改进的人工蜂群算法克服了基本人工蜂群算法易陷入局部最优的缺点,提高了故障诊断结果的精确度。