四角互联空气悬架系统平顺性与消扭特性

为提高车辆在不平路面上的行驶平顺性,减小车身所受扭转载荷,提出了一种四角互联空气悬架系统.基于工程热力学和车辆动力学理论,构建了带四角互联空气悬架的整车动力学模型.通过搭建试验台架,验证了所建模型的准确性,并在Matlab/Simulink中进行了仿真分析.研究结果表明:当车辆以20 km/h的速度行驶在对扭路面时,与传统空气悬架相比,四角互联空气悬架可使车身加速度、侧倾角和车轮动载荷分别改善22.5%,24.2%和16.3%, 并消除27.8%的车身扭转载荷,但悬架动行程增大20.6%;连接管路内径在0~10 mm范围增大,互联效果越显著,当车速在10~60 km/h范围时,四角互联空气悬架能有效提升车辆隔振性能,且车速在40 km/h以下消扭效果更加明显.      

汽车半主动空气悬架的神经网络控制方法

为了提高汽车半主动悬架的控制效果, 以空气弹簧压力为控制对象, 应用自适应神经网络控制方法, 进行了不同路面激励下的半主动空气悬架的车身垂直加速度、悬架动挠度和车轮动载荷的计算机仿真和实验研究, 并与被动悬架系统的相应参数进行了对比。发现在白噪声路面和较低频率的正弦路面激励下, 半主动空气悬架采用自适应神经网络控制能够明显降低车身垂直加速度、车轮动载荷和悬架动挠度, 降低范围为16%~85%, 提高了车辆的操纵稳定性, 改善了车辆的行驶安全性与乘坐舒适性。     

多智能体遗传算法优化神经网络权值研究

采用多智能体遗传算法来优化神经网络权值,经过神经网络自身的训练来进一步提高精度,结果表明,本算法能以较快的收敛速度获得较高的训练精度。     

基于多智能体的城市交通流控制原型系统

对中国目前的城市交通流控制系统存在的问题进行了分析。针对原系统结构中的不足提出了构建基于多智能体的智能城市交通流控制系统的思路, 并研究了该系统的基本框架和实现途径及方法, 同时探讨了该系统中各个交通智能体的结构以及它们的协调合作关系, 为基于多智能体的智能城市交通流控制系统的最终实现提供了理论指导和方法依据。     

基于ISIGHT的重型汽车空气悬架系统多目标优化设计

运用ADAMS/CAR建立重型汽车空气悬架模型和整车多体动力学模型,并对该车驾驶员处和鞍座处进行平顺性仿真分析.以驾驶员处和鞍座处加权加速度均方根为目标函数,以空气悬架弹簧刚度和减振器阻尼为试验因子,利用多目标优化软件ISIGHT进行多目标分析,获取最优参数.仿真分析结果表明,采用优化后的悬架参数可使驾驶员处以及鞍座处的舒适程度得到提高.     

多智能体技术在交通控制中的机理研究

文章以多智能体技术为核心,结合信号控制系统的特殊要求,建立了基于多智能体技术的城市交通信号控制系统的框架,并着重探讨了智能体的组成和内部运行机制.     

考虑博弈的多智能体强化学习分布式信号控制

交通需求的不均衡和波动会增加分布式信号控制优化的难度. 由于现有独立动作的多智能体强化学习(IA-MARL)仅基于自身的历史经验做出决策,基于IA-MARL的分布式信号控制难以及时缓解交通需求不均衡和波动的影响. 本文融入博弈论的混合策略纳什均衡概念,改进IA-MARL的决策过程,提出考虑博弈的多智能体强化学习(G-MARL)框架. 在采用带有泊松到达率的道路网络流量不均衡输入的格子网络中,分别对基于IA-MARL 和GMARL 的分布式控制方法进行数值模拟,获取单位行程时间和单位车均延误曲线. 结果显示,与IA-MARL相比,G-MARL在单位行程时间和单位车均延误方面分别改善59.94%和81.45%. 证明G-MARL适用于不饱和且交通需求不均衡和波动的分布式信号控制.     

基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优．用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明．此算法能更快的收敛到全局最优解。     

基于多智能体技术的高速公路监控系统研究

高速公路监控系统是一个开放的、智能的、分布式复杂的信息处理系统。通过剖析智能体和多智能体系统．提出基于多智能体技术的高速公路监控系统体系框架，并对其构成进行分析，探奇各类智能体的功能和结构。设计一个通用智能体模板，可为高速公路监控系统软件实现智能化探索一条新的途径，从而为系统的最终实现奠定基础。     

多智能体技术在交通系统协调控制中的应用

多智能体在交通控制系统中的应用逐渐成为交通控制领域的一个研究热点．应用多智能体技术,建立交通系统控制模型逐步得到交通工程相关研究者的重视．在分析交通系统协调控制模型和多智能体技术在交通系统协调控制中的应用现状的基础上,提出了建立基于多智能体技术的交通系统协调控制模型应注意的问题和发展趋势,以期能为相关研究提供一种新的思路．     

磁流变阻尼器参数对座椅悬架系统减振效果的影响

应用Bingham本构力学模型, 得到了磁流变阻尼器(MRD) 的结构尺寸参数(缸体内径、活塞直径、活塞杆直径、活塞有效长度)、线圈匝数和磁流变液表观黏度与输出阻尼力的关系, 利用力学模型分析了MRD的6个参数对输出阻尼力和动态范围的影响; 建立了基于MRD的半主动座椅悬架系统模型, 以驾驶人加速度和座椅软垫动行程的均方根作为减振效果的评价指标, 采用百分比斜率均方根评价MRD参数的影响程度; 结合Bingham本构力学逆模型, 分析了MRD的6个参数对减振效果的影响及MRD磨损对减振效果的影响。分析结果表明: 活塞直径对驾驶人加速度和座椅软垫动行程的影响因子分别为4.83、5.46, 缸体内径的影响因子分别为4.45、4.75, 线圈匝数的影响因子分别为0.61、0.67, 活塞杆直径的影响因子分别为0.53、0.59, 活塞有效长度的影响因子分别为0.51与0.56, 因此, 活塞直径对减振效果的影响最大, 其次为缸体内径, 随后依次为线圈匝数、活塞杆直径与活塞有效长度, 而磁流变液表观黏度对减振效果几乎没有影响; 为了获得较好的减振效果, 应使MRD的最大输出阻尼力与动态范围足够大。     

变阻尼汽车半主动悬架系统神经网络反馈控制研究

提出将神经网络反馈控制策略用于变阻尼汽车半主动悬架的控制．通过仿真研究表明变阻尼半主动悬架能较好地改善汽车的行驶平顺性和操纵稳定性．证明了该控制策略用于变阻尼汽车半主动悬架控制是可行的和有效的。     

铁道车辆横向能量回馈式主动悬挂鲁棒控制

为保证一类具有参数不确定的铁道车辆横向能量回馈式主动悬挂系统的稳定性, 通过引入带有交叉乘积项的二次型调节器, 提出了一种鲁棒H∞控制器的设计方法, 并对含摄动的悬挂系统模型进行了鲁棒H∞控制器设计。分析了具有参数摄动的能量回馈式主动悬挂系统的能量平衡条件, 并在MATLAB/SIMULINK下, 对控制系统进行了仿真。仿真结果表明: 不确定闭环系统的结构奇异值峰值为0.867 5, 鲁棒H∞控制器使得能量回馈式主动悬挂系统鲁棒稳定; 车辆模型的共振频率增益降低了40 dB, 悬挂减振性能得到明显改善; 整个仿真过程回收能量为29.5 J, 系统达到了能量平衡。     

高速列车横向半主动悬挂系统模糊控制

为了抑制由高速车体摇头引起的车体横向振动, 构造了高速列车横向半主动悬挂系统模糊控制结构, 采用模糊控制策略, 以减振器的实际阻尼力和车体、构架的横向振动加速度为反馈输入, 对车体前后横向悬挂系统的可调减振器进行双闭环反馈独立控制。以美国六级轨道谱为输入, 在列车运行速度为270km.h^-1时, 结合表征列车悬挂系统横向振动特征的17自由度动力学模型, 对半主动悬挂机车和被动悬挂机车的横向振动、摇头振动进行计算。计算结果表明: 采用半主动悬挂的高速车体平稳性改善了12.54%, 摇头振动幅值减少了35.00%, 横向振动幅值减少了48.45%, 在车体固有频率(1~6Hz)附近, 车体横向振动、摇头振动抑制达到50%。可见, 该控制结构和控制策略能够明显抑制车体横向振动。     

A study of maneuvering control for an air cushion vehicle based on back propagation neural network

A back propagation (BP) neural network mathematical model was established to investigate the maneuvering control of an air cushion vehicle (ACV). The calculation was based on four-freedom-degree model experiments of hydrodynamics and aerodynamics. It is necessary for the ACV to control the velocity and the yaw rate as well as the velocity angle at the same time. The yaw rate and the velocity angle must be controlled correspondingly because of the whipping, which is a special characteristic for the ACV. The calculation results show that it is an efficient way for the ACV's maneuvering control by using a BP neural network to adjust PID parameters online.     

磁浮列车悬浮系统LSTM与MGD融合的在线异常检测方法

针对磁浮列车悬浮系统的在线异常检测问题,提出了一种基于长短时记忆(LSTM)神经网络与多元高斯分布(MGD)的检测方法;建立学习悬浮系统正常运行的LSTM时间序列预测模型,得到了正常情况下的预测误差;基于间隙、电流和加速度的预测误差,建立了反映正常情况下预测误差分布特性的MGD模型;以对数概率密度作为检测指标,设计了在线检测逻辑,并以F₁分数作为检测效果衡量指标设置阈值;为了验证所提方法的有效性,利用磁浮列车运营线数据模拟在线数据,采用所提方法对过轨道接缝异常、砸轨异常和加速度信号异常进行了检测与分析。研究结果表明：在检测以上3类异常时,所提方法的F₁分数分别达到了100.00%、97.85%和83.33%,所提方法的检测指标在正常和异常情况下对比明显,可以反映出悬浮系统产生异常到调整好的具体时间段,并且算法平均耗时约2 s;相较于基于超球体高斯分布方法,所提方法检测率平均提高了1.9%,其中对于持续时间短的过轨道接缝异常的检测率提高了9.4%。可见,所提方法可以对悬浮系统状态数据进行异常在线检测。