基于集成深度学习的时间序列预测模型

基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类时序数据,但是该模型难以预测多类别的真实高维数据。针对这个问题,提出基于集成深度学习的时间序列预测模型,对多类时序对应训练多个深可信网络(deep belief networks, DBN)模型来学习低维特征,利用低维特征对应训练多个GCRBM时序模型。预测时序时先通过训练出的一组DBN模型对目标数据进行降维并通过重建误差识别类别,然后通过识别到的类别所对应的GCRBM模型预测目标数据的后期时序。在CASIA-A步态数据集上的试验结果表明:本方法能够准确识别出步态序列,而且预测结果能够模拟出真实的步态序列,证实了本模型的有效性。     

磁旋转编码器在永磁同步电机位置测量中的应用

为了检测永磁同步电机磁极位置,在电机位置传感器安装之后要对其进行初始定位.根据电机反电动势信号与电机位置角的关系,利用电机反电动势过零信号来定位磁旋转编码器.根据这一方案,无需调整编码器的安装位置即能够确定磁旋转编码器所输出的绝对角度与电机位置角的关系.测试结果还表明,根据磁旋转编码器输出的绝对角度,在电机刚开始转动时就能够精确检测出电机磁极的初始位置,其分辨率能够满足课题要求.     

四轮独立驱动电动车控制系统FlexRay通信网络的设计与实现

四轮独立驱动电动汽车控制系统对通信确定性有更高的要求。基于汽车总线开发V模式流程,从四轮独立驱动控制系统通信需求出发,设计其FlexRay通信网络;采用Network Designer生成网络数据库,导入到CANoe.FlexRay软件对网络进行了全仿真、半实物仿真,验证了所设计的FlexRay通信网络的协议参数的正确性,最后将该网络用于样车中;实验结果表明,所设计的FlexRay通信网络完全可用于四轮独立驱动电动车控制系统,具有较高的可靠性、确定性及实时性,能够满足控制系统的通信需求。     

一种新颖的基于死区时间在线调整的SVPWM补偿算法

提出了一种逆变器的死区补偿算法,以改善永磁同步电动机的电流波形。传统的SV-PWM死区补偿算法的前提是逆变器三个桥臂的死区时间相同并且不变,若要正确地消除死区效应必须准确地检测出电流的方向。本文所提出的补偿方案是分别独立地改变三个桥臂各自的死区时间,且死区大小由对应相电流的大小实时地计算出来,目的是使由死区引起的扰动电压矢量跟随电流矢量同步旋转。这种情况下,死区扰动电压矢量在d-q坐标系下的分量可由id和iq算得,死区补偿不再需要检测电流方向,这就避免了传统的补偿算法在相电流处于零附近时由于电流方向检测的不准而使得补偿效果下降。实验结果表明,所提出的方案能够有效地改善电流波形的正弦程度,且消除了传统方案需要检测电流方向的弊端,同时算法实现简单,具有工程实用价值。     

永磁同步电机EPS的阻尼控制

汽车电动助力转向系统(Electric Power Steering System,简称EPS)采用阻尼控制可以防止直线行驶时因外界干扰引起的转向盘抖动,同时还能避免高速行驶转向回正过程中转向盘回正超调。实现阻尼控制的传统方法是采用固定占空比将电机绕组短路形成阻尼力矩。但该方法会使id,iq电流出现波动,从而引起转矩波动,使转向盘手感变差。根据逆变器施加于电机上的电压矢量,分析了传统阻尼控制方法应用于永磁同步电机EPS时电流和转矩出现波动的原因,在此基础上提出了在旋转坐标系下引入一个虚拟制动电阻实施阻尼控制的方法。理论分析和实验结果表明,采用所提出的方法,id,iq将不再出现波动,转向盘手感得到改善。     

一种集成卷积神经网络和深信网的步态识别与模拟方法

针对高斯过程的条件受限玻尔兹曼机(Gaussian-based conditional restricted Boltzmann machine, GCRBM)时序模型可以对单一种类的步态时序数据进行很好的预测,但对多类步态时序数据难以识别和预测的问题,提出一种集成卷积神经网络(convolutional neural network, CNN)和深信网(deep belief network, DBN)的步态识别与模拟方法。利用所有类步态数据训练多个不同结构的CNNs模型,利用多类数据训练多个DBNs模型学习低维特征,并通过低维特征训练多个GCRBMs模型。在步态识别与模拟时,CNNs分类器通过投票法确定步态数据的类别;通过识别到的类所对应的DBNs模型低维特征作为对应GCRBMs模型的输入预测目标数据的后期时序低维特征;利用DBNs重构阶段将后期时序低维特征模拟出步态图像。在CASIA系列步态数据集上的试验结果表明:与支持向量机(support vector machine, SVM)、集成DBN和CNN等方法相比,本研究方法的识别率有一定的提高,提出的模型能够根据步态时序预测结果模拟出真实的步态序列图像,证实了模型的有效性。