基于道路线形的智能汽车事故多发路段预判模型

分析了道路线形对智能汽车行驶安全性的影响,分别使用数据驱动的机器学习方法和模型驱动的经典数学建模方法,建立了以道路线形技术指标为输入的神经网络模型和多元数学模型,预测事故多发路段;计算了各个道路线形技术指标与事故率之间的偏相关系数,从中挑选出与事故率相关程度较大的道路线形特征,使用T检验和F检验验证了道路线形特征组合和...     

钢桥面浇注式+SMA组合结构车辙变形深度预估

为了阐明浇注式沥青混合料室内60℃车辙试验结果与实体工程应用中表现出的高温稳定性不一致的原因,揭示钢桥面浇注式沥青混合料+改性沥青SM A组合结构车辙变形发展规律,采用理论研究与工程应用相结合的方法,以马鞍山长江公路大桥为依托,采用建设期现场铺装用沥青混合料成型试件,进行了40℃、60℃、70℃温度条件下、接地压强为0...     

电池管理系统里的电池健康评估和寿命预测

本文对锂离子电池的应用特性进行了总结,分析了电压、电流、温度三大参数对锂离子电池健康和寿命的影响,尤其是充电截止电压,化成电流和高温情况对电池容量的影响。以不同材料之间的比较试验为基础,重点分析了高充电截止电压,充电电流和高温对材料稳定结构的破坏,从而引发电池循环寿命降低的原理。最后基于电池使用中放电电流和环境温度应力为参数,进行了基于电压、电流、温度的锂离子电池循环寿命预计模型研究,得到锂离子电池循环寿命预计基础模型,为混合动力汽车锂电池3参数与寿命关联模型构建提供了重要的研究基础。     

基于粒子群和LSTM模型的变区间短时停车需求预测方法

停车信息是智能停车诱导系统得以成功实施的关键与基础, 被广泛认为能够有效解决当前停车难问题。鉴于停车信息在解决停车问题中的重要性, 研究了基于粒子群和LSTM模型的变区间短时停车需求预测方法。为充分发挥数据在提高模型预测精度的作用, 提出了以马尔可夫生灭过程为基础概率转移模型, 将停车到达率、离开率量化车随时间变化的停车需求, 通过标定实际的停车到达率和离开率, 确定预测模型的动态预测间隔与时段; 采用LSTM网络作为基础预测模型, 并利用粒子群优化算法优化网络参数。以吉林大学南岭校区停车场为研究对象, 按工作日与非工作日分别对停车数据进行预测并与其他预测模型进行对比分析。结果表明: 提出的停车需求预测模型在工作日的预测平均绝对误差为2.53辆, 均方误差为11.89辆; 非工作日的预测平均绝对误差为2.32辆, 均方误差为10.89辆。     

轿车车窗上升过程声品质预测模型研究

针对声品质主观评价试验成本高的问题,提出一种基于车窗上升过程稳态噪声和瞬态噪声的声品质预测模型。采集24款轿车左前门车窗上升过程的噪声信号,在时域上划分为具有瞬态噪声特征的启动阶段、停止阶段和具有稳态噪声特征的平稳运行阶段,分别计算出3个阶段的客观评价参数。通过主观评价试验得到每款样本车的主观评价结果。运用BP神经网络建立了车窗上升过程的声品质预测模型,预测结果表明,此方法提取的客观评价参数能反映左前门车窗上升过程的声品质特征,BP神经网络建立的声品质预测模型具有较高准确度和泛化能力,能在一定程度上代替评测员对车窗上升过程声品质进行评价。     

道路不平致车身俯仰运动对气动升力影响研究

为了探究路面不平产生的车身俯仰运动对气动升力的影响,结合汽车动力学参数与路面参数,得到不同路面空间频率下的车身俯仰运动规律,并利用重叠网格技术实现了车身绕质心的正弦俯仰运动,通过对比风洞试验数据验证了湍流模型的准确性。通过车身表面压力、车身周围流场结构分析了车身俯仰时的气动升力变化规律。结果表明,同一俯仰角下,车尾下摆时产生的气动升力数值大于车尾上摆;车尾下摆时,由于前轮腔的“吸力”效应,车底气流速度降低;车尾上摆时,由于前轮腔的“排斥”效应,车底气流速度增大。     

自动驾驶障碍车辆行为预测技术研究

为了使自动驾驶车辆可以像有经验的驾驶员一样对周围车辆的行为做出准确的判断,通过车辆周围传感器来感知障碍车辆的相对位置信息,并结合自身车辆的高精定位信息,获得障碍车辆的精确位置,通过应用隐马尔可夫模型建立不同驾驶行为的预测模型,最终通过模型的预测来判断障碍车辆的可能驾驶意图,辅助自动驾驶车辆进行有效的驾驶决策,更好的规划安全高效的行驶路线。     

基于混沌时序最小二乘支持向量机的汽油机瞬态空燃比预测模型研究

针对由氧传感器构成的瞬态空燃比反馈控制系统无法满足实时性要求的问题,提出了基于混沌时序最小二乘支持向量机(LS-SVM)的瞬态空燃比预测模型。对试验采集到的一维空燃比数据利用相空间重构技术构造多维空间数据,恢复空燃比时间序列的多维非线性特性,然后采用LS-SVM对重构后的数据进行训练及预测,得出预测结果。仿真结果表明:与Elman神经网络预测模型及前馈BP神经网络预测模型相比较,混沌时序LS-SVM预测模型具有更强的非线性预测能力,能够有效地提高瞬态空燃比的预测精度。     

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

BP神经网络技术因其良好的非线性动力学特性、函数逼近能力、自组织和自适应能力,已广泛应用于基坑变形预测中。但实际应用过程中发现BP神经网络具有收敛速度慢、初始权阈值对计算结果影响较大,且易陷入局部最优等缺陷。采用引入具有启发式寻优、全局优化特点的蚁群算法优化BP神经网络,对基坑变形进行预测,并与BP神经网络进行比较。结果表明:ACO-BP神经网络模型预测基坑变形可行;预测精度高于BP模型,且结果稳定、速度较快、误差满足工程的要求。     

基于ARMA的桥梁监测信息预测技术研究

为解决桥梁结构健康监测中长期累积的海量监测数据处理问题,采用数据挖掘中的时间序列分析方法,利用自回归移动平均(ARMA)技术对桥梁历史静态监测量进行分析,直接得出关于其过去行为的有关结论,进而推断其未来发展趋势。与基于因果关系的结构式模型预测法不同,ARMA无需明确模型结构或边界条件,而是直接从统计学的角度预测变量未来发展情况。采用该技术对西安白蛇峪大桥应变监测数据进行分析,试验结果显示出较高的预测精度;采用该技术对重庆偏岩子大桥的应变、挠度、裂缝、倾斜监测量进行预测,试验统计结果表明,ARMA单步预测误差小于10%的置信度在97%以上,在工程实际中具有可实用性,可为桥梁结构的安全预警提供重要参考依据。