基于UEGO传感器的空燃比自学习控制策略研究

从传统的开关型氧传感器和宽域氧传感器的物理特性和基本工作原理出发,提出了基于宽域氧传感器的电控增压稀燃CNG发动机的空燃比自学习算法策略,并将所编写的控制代码用于试验发动机上。台架标定试验表明,所设计的算法能够有效补偿发动机出现的磨损、疲劳、老化等状态,可提高实际空燃比的控制精度。

基于开关型EGO的A/F自学习控制策略研究

基于开关型氧传感器的电控发动机空燃比闭环PI反馈控制方法,对空燃比自学习控制策略进行了详细的分析,着重研究了空燃比自学习控制策略提出的必要性、与闭环PI调节的关系、使能条件、控制原理,同时设计了基于开关型氧传感器的自学习控制策略主程序和延时子程序算法,最终从理论层面上完成了对空燃比自学习控制策略的解析。

基于Labview的OBDⅡ故障发生器开发

2005年中国政府对OBDⅡ提出了系统的要求,OBDⅡ对减少大气污染,提高整车系统安全作用明显。笔者对氧传感器老化和失火诊断策略进行了分析,研究了用于燃气汽车OBDⅡ开发的氧传感器老化和失火诊断故障信号发生器,通过采用NI公司的板卡、Labview和Matlab/Simulink等开发工具产生了故障信号,经测试故障信号满足要求,能够用于OBDⅡ系统的测试开发。

基于相空间重构的驾驶风格定量评估

驾驶风格评价是智能交通领域的重要研究课题,一般采用频域或时域的分析方法对其进行定性的分类和识别,缺乏客观定量的评价体系。提出一种基于相空间重构的驾驶风格定量分析方法。首先,采用汽车测试数据和局部性神经网络建立个性化的驾驶员模型;然后,将个性化驾驶员模型应用于标准驾驶周期测试工况的速度跟随试验,以实现驾驶行为的标准化;最后,对标准化驾驶行为进行相空间重构,提出一种基于关联维数的驾驶风格指数,用于定量评估驾驶的激进程度,并应用于驾驶员风格的识别,仿真结果验证了所提方法的有效性。

个性化驾驶员模型及其在车辆测试中应用

为了在车辆测试中融入不同的驾驶风格而使测试结果更接近于真实,提出一种基于汽车测试数据和神经网络的驾驶员建模方法。考虑到实际数据的高度离散性和局部突变性,以局部性神经网络的典型代表小脑模型关节控制器(Cerebellar model articulation controller,CMAC)网络为基础,采用学习控制的直接逆模型法来建立驾驶员模型,用此模型代替驾驶员或常规的PID模型进行联邦测试循环(Federal test procedure,FTP)标准工况的实验室测试。另一方面,为方便起见,建立并采用基于神经网络和汽车测试数据(Vehicle test data,VTD)的汽车模型来代替真实汽车进行模拟测试。以VTD以及FTP标准为背景的测试结果验证了所提方法的有效性。同时,采用个性化驾驶员模型能够在体现驾驶风格情况下完成标准工况测试,减轻劳动强度,并使实验室测试更接近于真实。