基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

基于驾驶工况辨识的插电式混合动力汽车保电能量管理策略

为了改善PHEV在低SOC状态下的保电性能，结合具体工况进行分析，明确造成保电性差的主要原因，一是需求功率较大，而发动机工作转速由于NVH性能要求受限；二是需求功率较低，但发动机未能有效利用时机进行发电。针对特定工况低SOC状态下保电性较差的问题，在原策略的基础上，提出一种基于工况识别的保电策略。通过对行驶工况进行在线辨识，根据识别结果适当放开发动机的发电能力。经过仿真验证，该策略能有效减缓整车在低SOC状态下的掉电速率。与原策略相比，SOC最低值提高7.19%，整车保电性能得到提升。     

基于线形识别的索力测量方法影响因素研究

拉索是索承重桥梁重要的传力构件，其受力状态是反映桥梁健康状态的重要指标，准确测量拉索的索力对保障桥梁结构的安全至关重要。结合数字图像处理技术和拉索计算理论，提出了一种基于线形识别的索力测量方法，可实现非接触式无损测量，设备简单，操作方便，效率高。通过高精度的图像采集及数字图像处理技术进行拉索线形的识别与提取，获取拉索有限空间点的几何坐标，再基于悬链线理论和过“三定点”的精确线形数值计算方法，即可快速计算出索力。通过缩尺模型试验验证了该方法可适用于不同长度、不同直径、不同倾角的索力测量，测量误差为2%～5%。采用数值仿真的方法，探究了温度变化、拉索弯曲刚度、减振装置等单一因素变化对索力测量精度的影响规律，并基于模型试验，剖析了图像采集角度及采集距离对测量精度的影响。结果表明：拉索的弯曲刚度、边界条件对短索测量精度的影响较大，拉索温度的变化对测量精度影响较小，减振装置对测量精度的影响随减振装置刚度提高而增大，拉索图像正面平拍和近距离采集可提高方法的精度；基于以上分析，建立了考虑弯曲刚度和减振装置影响的索力修正方法，修正后索力误差为1%～2%。     

基于注意力机制的双向门控循环单元网络齿轮故障识别系统

提出一种基于注意力机制 （Attention Mechanism，AM） 的双向门控循环神经网络模型的齿轮故障识别系统。使用基于 STM32 的嵌入式主控制器分别采集正常齿轮、断齿齿轮、轮齿剥落齿轮等 3 种故障齿轮工作时的振动传感器数据，使用基于注意力机制的双向门控循环单元网络模型进行齿轮故障识别。双向门控循环神经网络模型添加了注意力机制，保留输入特征的重要信息，不随步长增加而消失。将采集到的原始数据集按7∶2∶1的比例划分为训练集、验证集和测试集。测试集模型的齿轮故障识别准确率达到了99.67%，与GRU和Bi-GRU等模型的结果对比证明该模型的正确率更高。本系统可用于汽车变速器的监测与故障诊断。