面向人机共驾决策的实时驾驶能力评价算法

面向智能辅助驾驶系统人机共驾决策问题对于驾驶人实时驾驶能力评估的需求,考虑现有驾驶评价的单一性问题,提出综合考虑驾驶技能、驾驶状态以及驾驶风格等驾驶人实时驾驶能力评价算法.该算法在提出驾驶能力具有相对性和连续性基础上,首先提出基于高斯核函数的客观熵权驾驶技能相对评价模型、基于时间尺度的驾驶状态相对评价模型以及基于无监督决策分类树的驾驶风格软划分模型;其次,提出具有“惩罚”与“肯定”机制的驾驶能力评价机制及评价模型,实现满足人机共享决策控制需求的实时驾驶能力评价.最后,通过实验比较分析可知,本文提出的评价算法能够满足人机共享系统对于驾驶人驾驶能力评价实时性、客观性、全面性的需求.

基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm,GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题,面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题,提出一种能够快速缩小搜索空间,且有效避免陷入局部最优的在线快速搜索的优化辨识框架,实现电动汽车动力电池等效电路模型参数在线快速辨识,扩展全局搜索优化算法的应用范围.进一步,将此算法应用于电池剩余荷电状态(SOC)估算问题,提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较,结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.

电动汽车动力电池健康状态在线估算方法

针对电动汽车动力电池SOH(state of health)的估算问题,提出一种可以在线运行的有效估算方法.其优势在于仅依托电池管理系统实时测量电压、电流等数据,无需离线电池寿命衰退曲线及电池的初始状态,因此更符合电动汽车对于SOH估算问题的实际需求.在电池恒流充电模式下,以Thevenin及OCV-SOC模型为基础,构建以时间和SOH为隐变量的电池模型.基于此电池模型,提出利用NLS(nonlinear least square)初始化GA搜索范围的快速求解算法进行在线参数辨识,得到电动汽车实时的SOH估计值.验证结果表明SOH估计算法具有较好的实用性及较高的估算精度.

基于高斯隐马尔可夫模型的人机共享控制区域化决策算法

针对伺服级共享控制决策中权衡安全性、干预度与驾驶体验的问题,提出基于高斯隐马尔可夫模型(Gaussian Hidden Markov Model,GHMM)的人机共享控制区域化决策算法.此算法利用高斯分布函数表征驾驶人的实时相对驾驶能力;利用区域化的高斯矢量环境风险场量化模型表征不同环境区域的环境风险值以及其模糊风险等级;最后综合驾驶人绝对能力、驾驶状态以及环境风险实现人机共享控制中控制权的高可靠、合理分配.实验表明,本文提出的人机共享区域化决策模型能够在考虑驾驶人相对能力及环境风险源所在方位的基础上给予较为合理的控制权柔性分配方案,有效降低风险至智能驾驶模型可控范围内.

阶次自适应AR等效电路模型的锂电池SOC滑模观测

基于等效电路模型的一类车载动力电池剩余荷电状态(state of charge,SOC)的估算方法,其估算精度高度依赖于模型精度,模型精度又正比于模型复杂度,以至于难以较好地应用于嵌入式控制单元.提出复杂度相对较低、能够自适应确定最优模型阶次的全新等效电路模型——基于阶次自适应AR模型的车载动力电池等效电路灰箱模型.基于此灰箱模型,给出锂离子电池SOC的滑模观测器设计推导及能观性、收敛性证明.结果表明,本文提出的基于阶次自适应AR等效电路灰箱模型的滑模观测器SOC估算方法(adaptive autoregressive-sliding mode observer,AAR-SMO)具有低模型复杂度、高精度、强鲁棒性及快速收敛等性能.

云制造模式下分布式资源共享激励机制研究

针对云制造模式下分布式企业间迫切需要开展大规模开放式协作及资源共享的需求,结合演化博弈理论,建立分布式环境下资源共享激励机制,分析了不同情况下资源共享的演化博弈趋势.通过理论分析及仿真实验可知:资源可共享总量、资源共享水平、资源利用能力、协同收益系数、评价收益系数、共享激励系数及投机惩罚系数对资源共享起促进作用,共享成本系数起阻碍作用,直接收益系数无影响,协同收益分配系数与资源共享演化稳定状态呈倒U型关系.本文研究内容为促进分布式资源共享,加速未来云制造模式下产业创新研发提供借鉴意义.

SOC estimation based on data driven exteaded Kalman filter algorithm for power battery of electric vehicle and plug-in electric vehicle

State of charge(SOC)estimation has always been a hot topic in the field of both power battery and new energy vehicle(electric vehicle(EV),plug-in electric vehicle(PHEV)and so on).In this work,aiming at the contradiction problem between the exact requirements of EKF(extended Kalman filter)algorithm for the battery model and the dynamic requirements of battery mode in life cycle or a charge and discharge period,a completely data-driven SOC estimation algorithm based on EKF algorithm is proposed.The innovation of this algorithm lies in that the EKF algorithm is used to get the SOC accurate estimate of the power battery online with using the observable voltage and current data information of the power battery and without knowing the internal parameter variation of the power battery.Through the combination of data-based and model-based SOC estimation method,the new method can avoid high accumulated error of traditional data-driven SOC algorithms and high dependence on battery model of most of the existing model-based SOC estimation methods,and is more suitable for the life cycle SOC estimation of the power battery operating in a complex and ever-changing environment(such as in an EV or PHEV).A series of simulation experiments illustrate better robustness and practicability of the proposed algorithm.

基于改进偏最小二乘回归的矿浆元素含量预测

针对使用最小二乘回归和逐步回归等方法时,在工业采矿预测矿石元素含量建模过程中出现的自变量之间存在多重相关致使拟合效果不佳的情况,提出应用改进偏最小二乘回归方法,对工业采矿预测矿石元素含量的建模方法。经验证该模型对实验数据拟合效果良好,最大误差为0.153 122 055,平均误差仅为3.873 290 5%,相应精确度优于以最小二乘发为基础的原模型。实验结果表明,所提方法是一种可以提高准确度的方式。

基于全新等效电路模型的电池关键状态在线联合估计器

针对电池三大关键状态(State of Charge–SOC、State of Health-SOH、State of Power-SOP)之间相互耦合的关系,同时考虑到其估计精度受到电池时变的内部参数等因素影响的问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的电池关键状态在线联合估计算法.该方法提出基于AR模型的全新电池ECM,给出同时表征SOC、SOH和电池内部压降的状态空间方程以及区别化参数更新策略.在此基础上,考虑状态方程容易发生不正定的问题,提出采用平方根无迹卡尔曼滤波(square root unscent kalman filter,SR-UKF)算法实现电池状态的联合估计.该算法的优势在于真正实现了电池关键状态以及ECM参数的联合估计,更符合实际工程应用需求.仿真验证表明,在噪声干扰环境下,该联合估计器能够得到较高的精确度和稳定性.