基于核主元约简与半监督核模糊聚类的车辆行驶工况判别

为有效利用汽车行驶工况中与类别属性间的统计特征,提高汽车行驶工况判别的准确性与快速性,首先选择车速和踏板信号的数据信息构建特征集,利用相关性分析和核主元分析对特征集中能敏感反映工况类别的特征数据信息进行二次特征提取,按累计贡献率大于90%的标准进行主要特征量的选择,实现输入变量的二次约简;利用小波核函数的非线性映射能力构建半监督核模糊C均值聚类方法进行车辆行驶工况的判别。通过长春某混合动力公交车试验结果表明,该方法更全面准确地反映了工况特性,有效降低了输入特征参数的维数,更加准确有效地提取了不同工况条件下汽车行驶状态的数据特征,通过半监督核模糊C均值聚类算法中加入少量的训练样本来引导聚类过程,聚类精度可达到98.75%。

基于主动控制的异结构混沌系统有限时间同步

基于Lyapunov稳定性理论,结合主动控制法,提出了一种用于两个不同混沌系统在有限时间内完全同步的非线性控制方法。该方法可使两个异结构混沌系统快速精确地实现同步,并可通过调整控制器参数实现两系统在给定时刻的精确同步。该方法适用于更一般的混沌系统。以Chen系统和Liu系统为研究对象,理论分析及仿真结果进一步证实了该方法的有效性。

柔性机械手的鲁棒控制器设计

针对柔性机械手的动力学方程具有非最小相位的特点,运用重新定义的柔性机械手系统的输出,通过输入输出线性化,将系统分解为输入输出子系统和零动态子系统.考虑到柔性机械手系统存在的不确定性,设计终端滑模控制器,使输入输出子系统在有限时间内收敛到零.最优组合输出系数采用混沌遗传算法优化,以保证零动态子系统在平衡点附近渐近稳定,从而保证整个系统渐近稳定.仿真结果证明了设计方法的有效性.

基于混沌遗传算法的柔性机械手滑模控制器优化设计

针对柔性机械手动力学方程的非最小相位特点,本文提出一种柔性机械手的终端滑模控制方法,将关节电机转角和柔性模态变量的线性组合定义为柔性机械手系统的输出.通过输入输出线性化,将系统分解为输入输出子系统和零动态子系统.设计终端滑模控制策略,使输入输出子系统在有限时间收敛到零;利用混沌遗传算法优化控制器的设计参数,使零动态子系统在平衡点附近渐近稳定,从而保证整个系统的渐近稳定.本文提出的方法设计过程简单,易于实现.仿真结果证明了设计的有效性.

双臂柔性机械手的终端滑模控制

提出一种用于双臂柔性机械手系统的终端滑模控制方法,以解决其非最小相位控制问题.重新定义了柔性机械手系统的输出,通过输入输出线性化,将系统分解为输入输出子系统和内部子系统.设计逆动态终端滑模控制策略,使输入输出子系统在有限时间内收敛到零;选择适当的控制器参数,使零动态子系统在平衡点附近渐近稳定,从而保证整个系统的渐近稳定.仿真结果证明了该设计方法的有效性.

基于SOM神经网络的永磁同步电机故障诊断

为实现永磁同步电机的故障类别的诊断,采用小波函数根据不同频段进行故障特征提取,进行归一化数据样本处理,以剔除奇异样本。利用小波函数构成SOM(Self Organizing Map)的领域函数,形成次兴奋神经元进行权值更新,以避免SOM的局部最优。采用实验提取的故障数据作为SOM神经网络的输入样本进行网络训练,从而得出产生特定故障时所激发的相应神经元索引。实验结果验证了该方法的可行性和实用性。

非线性不确定系统的鲁棒滑模观测器设计

对非线性不确定性系统,提出一种鲁棒滑模观测器.所提出的鲁棒滑模观测器通过滑模与相应的控制策略来实现,设计参数的选取不需要求解大量方程,同时能保证对系统的非线性不确定项具有鲁棒性.通过设计滑模,可以调整观测器跟踪系统状态的收敛速度,使状态估计达到预期的指标.仿真结果验证了提出方法的有效性.

基于二阶滑模的永磁同步电机直接转矩控制

针对传统永磁同步电机直接转矩控制(DTC)中存在的磁链和转矩脉动较大、低速时难以准确控制等问题,根据永磁同步电机的数学模型,结合二阶滑模和直接转矩控制思想,提出了基于二阶滑模速度控制器的永磁同步电机直接转矩控制系统。仿真结果表明,与传统的PI控制相比,二阶滑模的速度控制器对系统参数和外部干扰表现出较强的鲁棒性,能够在有限时间内收敛,且消弱了常规滑模控制中存在的抖振,整个系统的控制效果也得到了很大改善。

基于FCMAC神经网络的PHEV转矩分配策略

针对混合动力汽车转矩分配策略对整车的燃油经济性和排放性能具有重要的影响,提出了基于模糊小脑模型(FCMAC)神经网络控制的整车转矩分配方法.以某变速箱前置式双轴转矩耦合并联混合动力汽车为研究对象,建立了以发动机的输出转矩为目标的FCMAC神经网络控制策略,将输入量离散化后的高斯基模糊隶属度进行规则相乘后作为FCMAC神经网络的输入,经过hash映射及权值调整输出发动机转矩,实现了混合动力汽车的转矩分配.在AVL-Cruise及Matlab/Simulink平台上建立仿真模型,将其控制策略与基于逻辑门限值控制策略的仿真结果进行比较.结果表明:在NEDC工况下FCMAC控制策略较逻辑门限值控制策略,油耗与排放都有改善,提升了并联式混合动力汽车的燃油经济性和排放性.

基于鲁棒滑模观测器的两关节柔性机械手控制

柔性机械手系统为非最小相位系统,当控制有界时,该特性阻碍其端点位移渐近跟踪期望轨迹.本文首先重新定义柔性机械手系统的输出,通过输入输出线性化,将系统分解为输入输出子系统和零动态子系统;然后提出一种用于观测柔性模态导数的鲁棒滑模观测器,使状态估计达到预期的指标,解决了柔性模态导数难以获得的问题;设计积分滑模控制策略,使输入输出子系统在有限时间收敛到零;选择适当的控制器参数,使零动态子系统在平衡点附近渐近稳定,从而保证整个系统的渐近稳定.本文提出的方法设计过程简单,易于实现.仿真结果证明了设计的有效性.

权函数神经网络及在选矿厂能耗预测中的应用

针对大孤山选矿厂磁选工艺过程的多指标强耦合、时变、非线性和大滞后等特点,使基于数学模型的常规预测方法难以应用问题,提出一种新型的权函数神经网络建立能源消耗预测模型。该模型网络拓扑结构只有输入输出两层,网络权值由传统的常数改为权函数。在权函数构造上,结合选矿厂实际生产过程中所提供的生产数据,根据数据样本间隔距离的大小,分别采用不同的函数作为网络的权函数。训练算法仿真实验表明,该算法计算量小,且建模误差为10-2数量级,取得很好的预测效果,从而克服了传统算法局部极小与收敛速度慢的问题。

一类混沌系统的终端滑模控制

基于反步设计思想提出一种终端滑模控制方法,通过对混沌系统进行状态的变换,构造出快速收敛且收敛时间可以估计和计算的控制器,使得存在外部干扰的混沌系统输出能够在有限时间内跟踪上n阶可微的期望信号,保证系统的跟踪误差收敛至平衡点。并以Genesio为例进行了系统仿真。结果表明,该终端滑模控制器不仅具有良好的性能,而且具有较强的鲁棒性。

基于模糊控制的不确定混沌系统终端滑模同步

针对非匹配不确定混沌系统,提出一种直接自适应模糊滑模同步方法。通过设计滑模切换面,并将其作为模糊控制系统的唯一输入,模糊控制器的参数依滑模趋近条件在线确定,使得同步跟踪误差渐进到零点。本文方法简化了常规模糊控制结构的复杂性,削弱了滑模控制的抖振程度,并且同步时间较短,对参数不确定性及外干扰具有较好的鲁棒性。最后通过仿真实验证明了本文方法的有效性。

神经遗传增程式电动汽车控制策略

结合恒温控制和功率跟随控制策略,在增程器开关启动时以动力电池的SOC和APU的需求功率作为判断条件。采用模糊规则,依据汽车荷电状态和驾驶员踏板开度建立APU需求功率模型。需求功率和功率阈值判断条件与荷电状态和电量阈值判断条件相结合,实现了不同状态下的增程器开关控制。通过Cruise仿真在FTP75工况下得出在不同功率阈值、电量阈值情况下电动汽车油耗的数值,采用神经网络遗传算法实现对燃油消耗率函数值的寻优。

基于RBF神经网络的鲁棒滑模观测器设计

针对非线性不确定性系统,提出一种鲁棒滑模观测器。所提出的鲁棒滑模观测器通过滑模与相应的控制策略来实现。设计参数的选取不需要求解大量方程,同时能保证对系统的非线性不确定性具有鲁棒性,系统中不确定性的上界值采用RBF神经网络进行自适应学习。通过设计滑模,可以调整观测器跟踪系统状态的收敛速度,使状态估计达到预期的指标。仿真结果验证了提出方法的有效性。

非匹配不确定混沌系统的RBF神经滑模同步

对于非匹配不确定混沌系统,提出一种RBF神经滑模同步方法.设计滑模切换面,并将其作为神经网络的唯一输入,网络的权值依滑模趋近条件在线确定,使得同步跟踪误差渐进到零点.该方法简化了常规神经网络控制结构的复杂性,削弱了滑模控制的抖振程度,并且同步时间较短,对参数不确定性及外干扰具有较好的鲁棒性.仿真结果验证了所提出方法的有效性.

参数不确定柔性机械手的神经滑模控制

通过重新定义系统的输出,将具有不确定性参数的柔性机械手系统分成输入输出子系统与零动态子系统。对输入输出子系统提出神经滑模控制策略,通过满足滑模可达条件对径向基函数(Radial basis function,RBF)神经网络的权值进行在线修正,以逼近系统的非奇异终端滑模控制输入,该方法可有效消除抖振;重新定义的系统输出中的系数,通过将零动态子系统在稳定工作点附近的近似线性化来选取。仿真试验结果表明,该方法实现了柔性机械手点到点的准确控制,消除了柔性机械手末端的弹性振动。

基于激光雷达和摄像机融合的智能车障碍物识别方法

针对智能车环境感知中单一传感器所存在的局限性问题,提出一种通过激光雷达融合摄像机来感应识别智能车前方障碍物的方法。首先,通过激光雷达与摄像机之间的校准,实现目标的三维数据的图像投影,并进行视觉图像与目标的三维雷达数据的融合,以提取障碍物候选区域。其次,提出了一种基于卷积神经网络(convolutional neural network,CNN)和支持向量机(support vector machines,SVM)的障碍物识别模型,用于训练KITTI数据库中的数据,检测视觉图像中的行人和车辆目标,以此来得到所需要的单帧下各传感器的目标检测数据。实验结果表明,所提出的模型在KITTI中选择的小数据集上获得的模型在实际测试中具有良好的性能,具有可靠的识别能力和良好的分类结果。

一种基于RTRL的神经网络驾驶员巡航模型

针对大多数巡航模型未能充分考虑驾驶员的行为特性,文中设计了以实时递归学习算法的神经网络为核心的驾驶员巡航模型。该模型选取前车车速、本车车速、前车加速度和安全车间距共4个参数作为模型输入,以驾驶员控制自车所期望的加速度值为输出,通过真实环境下的巡航实验获取数据样本对RTRL的神经网络进行训练,并对该模型进行仿真验证。仿真实验结果表明,本车期望加速度的预测值与实际真实值基本一致,误差控制在0.05以内,说明该模型能较准确的模拟驾驶员的巡航行为。

基于未知输入观测器的悬架故障诊断

首先将故障作为观测器的未知输入,从而通过观测器的设计来解耦故障与系统状态,然后用公式来统一描述悬架系统执行器故障、传感器故障以及元器件故障。Simulink仿真实验验证了观测器的可行性。