正面碰撞下后排乘员损伤预测研究

为完善车辆事故自动呼救(Automatic Crash Notification,ACN)系统对乘员的损伤预测,对后排乘员在正面碰撞下的各部位损伤进行了研究.首先根据实车50km/h下的正面碰撞试验建立正面碰撞下的仿真模型,并对模型进行验证;其次对模型设置不同的初速度,得到不同速度变化量下的后排乘员头部、胸部、颈部损伤...     

一类基于轨迹预测的驾驶员方向控制模型

驾驶员方向控制模型在人-车-路闭环系统仿真、驾驶员辅助系统开发和智能汽车控制中具有重要作用。在假设驾驶员具有汽车轨迹预测能力的基础上,提出一类基于轨迹预测的驾驶员方向控制模型。分别假定汽车在将来一段时间内保持恒定的横摆角速度或横摆角加速度,并结合汽车状态参数预测汽车的行驶轨迹,采用期望式、增量式以及期望式与增量式集成的转角决策方法建立5种不同的驾驶员模型。在ve DYNA/Simulink联合仿真平台上对各驾驶员模型进行仿真试验,结果表明,增量式驾驶员模型表现出良好的路径跟踪精度和很强的鲁棒性,期望式模型的转向操纵更加平滑,而集成式模型则具备综合优势。在ve DYNA/Labview硬件在环实时试验台架上对所提出的驾驶员模型进行模拟试验,所得结论与仿真基本一致。     

动态贝叶斯网络在设备剩余寿命预测中的应用研究

采用动态贝叶斯网络对设备剩余寿命进行预测,建立了基于动态贝叶斯网络模型的设备剩余寿命预测框架模型,运用动态贝叶斯网络的粒子滤波近似推理算法对加工过程中钻头寿命预测进行实例研究,结果表明了该方法的有效性.     

CS-PSO算法在贝叶斯网络结构学习中的应用

针对传统的贝叶斯网络(Bayesian network, BN)结构学习算法运行效率低、算法易早熟、学习效果不理想等缺点,选取布谷鸟(Cuckoo search, CS)和粒子群(Particle swarm optimization, PSO)智能算法,结合BN结构特点,提出了一种CS-PSO的BN结构学习算法。首先,对CS算法从以下三个方面进行改进:利用最大支撑树来指导CS算法的初始化方向,利用解的适应度来调节解的寻优及舍弃过程,利用PSO算法来进行CS算法的位置更新。其次根据BN的结构特征,将CS-PSO算法应用于BN的结构学习。最后采用chest clinic、 credit和car diagnosis三种经典网络作为仿真模型,进行贪婪算法、 K2算法、 CS算法和CS-PSO算法的建模和仿真比较。结果表明, CS-PSO算法在BN的结构学习中,收敛速度快、收敛精度高且稳定性好,可以更快、更优地得到精确的贝叶斯网络结构模型。     

灰色GM(1,1)模型在齿轮疲劳寿命预测中的应用

在齿轮疲劳寿命预测中,需要大量的齿轮疲劳试验数据.运用灰色GM(1,1)模型预测疲劳试验数据,可以大幅度缩短试验时间,节约试验费用,快速获得齿轮可靠性指标.文中简要介绍了灰色GM(1,1)模型的原理,通过具体实例建立了齿轮疲劳寿命GM(1,1)模型.预测结果表明,将灰色系统理论用于齿轮的疲劳寿命试验数据预测是可行的,理论上为有效缩短齿轮疲劳寿命试验时间提供了一个快速有效的方法.     

双通道式车辆事故自动呼救系统的触发算法设计

针对传统的车辆事故自动呼救系统在安全气囊的传感灰度区存在不触发的问题,设计一个独立于安全气囊点火信号的算法通道,以保证汽车发生碰撞后安全气囊未正常触发的情况下仍能发送呼救信号,让乘员及时得到救援,提高紧急呼救系统的安全可靠性.首先给出所设计的双通道式车辆事故自动呼救系统的决策过程,然后利用比功率算法和移动窗积分算法分别...     

灰色模型在机械故障预测中的应用

机械故障预测需要同时跟踪多个特征参数,本文针对当前故障预测方法单独考虑各特征参数的缺陷,将灰色多变量预测模型-MGM（1,n)模型引入机械故障预报,从系统的角度对各特征参数进行统一描述,滚动轴承试验证明了该预测方法的有效性,最报讨论了其适用讨论。     

Bayesian预测及其在钢丝绳缺陷识别中的应用

本文提出了动态系统故障诊断的Ｂａｙｅｓｉａｎ预测方法，为机电设备诊断提供了新的理论，对钢丝绳检测信号的状态定量识别设计了一种新的算法并且通过实例进行了验证．     

基于模型预测控制的人车路闭环系统建模

为研究驾驶员和车辆在极限工况下的表现,建立了人-车-路闭环系统仿真模型。首先,研究了基于模型预测控制(model predictive control,MPC)的驾驶员模型,利用非线性二自由度车辆预测模型,以使轨迹跟踪误差最小的最优方向盘转角作为驾驶员模型对控制车辆的输入;利用Car Sim车辆动力学仿真软件,对目标车辆进行了参数化建模与实车试验验证。最后,采用双移线工况对建立的人-车-路闭环系统仿真结果进行了验证分析。     

贝叶斯在地铁备件库存预测中的应用研究

地铁备件管理是地铁安经济运行的重要环节,研究了在综合国内外多种经济预测方法的基础上,提出了贝叶斯地铁备件需求预测模型,并以南京地铁备件为研究对象,利用mathematica工具,分别对部分季度和年度预测周期的关键备件需求进行了预测.     

基于朴素贝叶斯分类器的公共自行车系统故障诊断方法

针对公共自行车没有安装车载检测传感器、流动及停放区域较大、管理部门无法及时发现自行车故障等问题,提出了基于朴素贝叶斯分类器的自行车故障诊断方法。通过分析公共自行车系统(PBS)租用记录、维修记录和用户评价,选取15个状态分类特征作为自行车故障检测的特征向量;根据朴素贝叶斯分类器后验概率,获取每个状态分类特征对类的贡献率;以召回率作为评价指标来预测诊断故障自行车。采用杭州市PBS 2016年的相关数据对模型进行实践验证,通过预测模型输入特征值的优化,测试样本的召回率达85.79%,精度较为理想。     

调整PWM整流器功率因数在生产中的应用

通过检测电源电压和电源电流的相角,利用三相电压型整流器(VSR)的电压空间矢量调制技术(SVM)及PI调节器直接控制调制函数的相角,实现三相电流型整流器(CSR)的三逻辑空间矢量调制,并实现了电流型整流器交流侧的单位功率因数和直流侧电流的平稳运行。利用独立于硬件模块的功率因数二阶调整,稳定生产中的整流器功率输出。实际结果证明了该方法的有效性。     

时间序列预测模型的建模方法与应用

介绍时间序列分析的基本理论及其预测建模的方法;采用参数识别方法,结合某大型建筑发生沉降的动态数据,建立该建筑物变形的时序预测模型,对建筑变形进行了监测和预报.实际工程应用表明,该模型能准确监测和预报建筑的变形,具有很强的实际应用价值.     

改进GM-Markov模型在道路交通事故预测中的应用研究

针对随机波动性数据对灰色GM(1.1)模型预测精度的影响问题,提出了基于BX数据处理方法与马尔可夫链理论的灰色预测模型(BXGrey-Markov模型)。首先,引入BX数据生成法对原始数据进行处理,以弱化原始数据之间的随机性。在灰色预测方法的基础上,引入马尔可夫链预测理论,建立了灰色马尔可夫预测模型,它是将灰色预测模型与马尔可夫预测方法优化组合,灰色预测模型用于预测随机序列数据的总体发展趋势,而用马尔可夫链模型预测各数据在总体趋势下的随机波动性变化,得到随机时间数列趋势预测模型的解。通过上海市交通事故预测实际数据进行了验证表明:灰色马尔可夫预测模型预测精度高于GM(1,1)模型的预测精度。GM(1,1)模型的平均预测精度为42.29%,BX GM(1,1)-Markov模型的平均预测精度为86.9%。     

磨损趋势预测的GM模型应用

趋势预测是故障诊断与工况监测中的一个重要环节。以油液光谱分析为例 ,探讨了灰色系统理论的GM(1.1)模型、新息GM(1.1)模型及其综合应用。实例分析表明 ,综合模型较单一模型在多步预测时具有较高的精度     

基于遗传算法的混合动力汽车前向仿真驾驶员模型参数优化

建立了采用PI控制的混合动力汽车前向仿真驾驶员模型,针对传统方法难以整定PI控制器控制参数的问题,提出了基于遗传算法优化PI控制器控制参数的方法,给出了遗传算法的目标函数及其实现过程。仿真结果表明,基于遗传算法优化控制参数的驾驶员模型,能够使得实际车速很好地跟踪循环工况目标车速。     

研制阶段系统可靠性增长的Bayesian评估与预测

基于新Dirichlet先验分布,建立一种适合小子样复杂系统异总体可靠性增长分析的Bayesian模型。充分利用先验信息和阶段试验信息,结合产品研制的试验数据,利用最优化方法研究新的Dirichlet先验分布容易定量和衡量先验参数确定的方法,解决了超参数物理意义不明确难以确定问题。通过变量替换的Gibbs抽样简化了后验推断,合理估算出当前阶段和后续试验阶段产品可靠性的Bayesian点估计和置信下限;结合试验数据,利用该模型实现了未来阶段可靠性的预测,扩展了模型应用范围。实例表明该模型参数含义清晰明确,简单易行,利于工程应用。     

残差修正灰色模型及其在珩磨尺寸预报中的应用

针对一阶一变量灰色模型(Grey model with first order and one variable,GM(1,1))预测精度低、稳健性差的问题,提出了一种改进的GM(1,1)模型。通过背景值优化和参数累积估计,重新推导了GM(1,1)模型的预测公式,并引入残差修正系数和加权马尔科夫链对预测值进行两次残差修正,以提高预测精度。对柱塞套内圆珩磨尺寸的预测结果表明,该模型在原始数据波动条件下的预测精度最高,能弥补其它GM(1,1)模型的不足并实现对珩磨尺寸的预报。     

灰色关联分析的神经网络模型在轴承故障预测中的应用

为提高小样本轴承故障预测的精度,提出了灰色关联分析的神经网络预测模型。利用神经网络训练样本数据,并使用灰色关联分析不断调整其隐含层节点数,以寻找到最优的数据解,完成训练过程;基于已训练好的模型对未来时间点的运行状态进行分析,并根据设备的理论诊断标准实现故障预测。将提出的模型与同样可预测小样本波动数据的灰色马尔科夫预测模型进行实例应用对比,结果显示,灰色关联分析的神经网络预测模型效果明显优于灰色马尔科夫模型。