基于改进极限学习机的路面附着系数估计

路面附着系数是车-路相互作用中最为关键的参数之一,精确识别路面附着系数可用来确定汽车最佳安全控制方式,为此,提出一种基于改进极限学习机(Extreme Learning Machine,ELM)的路面附着系数估计方法。对车辆进行动力学分析,确定神经网络模型的输入量;搭建整车模型和工况,进行仿真试验建立数据集;利用限幅递推平均滤波算法处理数据集,并利用麻雀搜索算法对极限学习机进行改进优化,提高ELM的准确性及稳定性。试验结果表明,改进后的ELM在多方面性能有综合提升,预测准确率为93.4%,提高了4.89%,收敛速度提高了41.33%。

基于实时交通信息的PHEV模型预测控制策略研究

为提升插电式混合动力汽车(PHEV)的燃油经济性,提出了一种基于实时交通信息的车速预测方法,并以燃油经济性最优为目标,借助动态规划(DP)算法在预测时域内进行实时最优转矩分配,建立基于模型预测控制(MPC)的整车能量管理策略。MATLAB/Simulink仿真平台验证结果表明:与传统车速预测方法相比,基于实时交通信息的车速预测方法的车速预测精确度提高了13.5%;与基于历史车速的模型预测控制策略相比,基于实时交通信息的模型预测控制策略使整车燃油经济性提高了9.5%。