ADCSM:一种细粒度汽车行驶工况模型构建方法

汽车行驶工况体现了汽车道路行驶的运动学特征,现有的行驶工况构建方法往往存在着构建粒度不细、精度不高的问题.为了解决工况构建的粒度和精度问题,提出了一种细粒度汽车行驶工况模型构建方法(Construction method of Automobile Driving Cycles based on SOM and Markov model,ADCSM).首先行驶数据进行Daubechies-4阶小波分析降噪,划分短行程,对短行程提取了10个特征,将短行程特征输入SOM神经网络,然后聚类到(1?3)神经网络中,得到聚类结果序列,并建立了马尔可夫模型,最终通过ADCSM算法完成工况构建.对所构建的工况进行了验证,并将所得工况与传统的K-means聚类构建方法的结果进行了比较分析.实验结果表明,ADCSM最终误差为4.07％,而传统的K-means误差为8.77％,ADCSM利用了SOM神经网络聚类的方法,比传统K-means方法聚类精度更高,并具备了工况自学习能力.ADCSM利用马尔可夫模型方法体现了城市行驶状况的转换关系,与传统K-means行驶工况构建方法相比粒度更细,故合成的行驶工况效果更好,更能反映城市特征.     

基于PCA主成分分析和K-means算法的汽车行驶工况数据量化研究

随着我国经济的快速发展,从汽车大国到汽车强国的逐步转变,汽车数量也急剧增加。本文针对轻型汽车实际道路行驶采集的数据(采样频率1Hz),处理为各个运动学片段,采用PCA结合K-means++聚类方法,对处理后数据样本进行降维处理,分析其中主要特征成分,将各运动学片段依据综合特征指标归类,计算主要特征参数,使用相关系数筛选典型特征片段。构建典型汽车行驶工况曲线。使用K-means聚类处理数据段,计算处理结果并分析与总体样本特征偏差范围,判断工况曲线构建的合理性,是否符合世界WLTC工况标准。结合汽车标准行驶工况比较分析综合特征指标差异。     

改进K-means聚类算法行驶工况及油耗研究

为解决传统聚类算法初始中心易陷入局部最优、耗时长的问题，提出一种改进的K-means聚类优化算法。该算法引入最大最小距离和加权欧氏距离，从剩余聚类点距离均值和出发，避免孤立点和边缘数据的影响。利用比重法对主成分进行改进，以由此获得的特征影响因子作为初始特征权重，构建一种加权欧氏距离度量。根据特征贡献率对聚类的影响，筛选具有代表性的特征因子凸显聚类效果，最终合成汽车行驶工况，分析瞬时油耗。结果表明，所提算法构建行驶工况的速度-加速度联合分布差异值仅为105%，比传统K-means聚类省时44.2%，行驶工况拟合度较高，能反映实际车辆的运行特征及油耗。      

优化初始聚类中心的K-means聚类算法

针对传统K-means算法对初始中心十分敏感,聚类结果不稳定问题,提出了一种改进K-means聚类算法。该算法首先计算样本间的距离,根据样本距离找出距离最近的两点形成集合,根据点与集合的计算公式找出其他所有离集合最近的点,直到集合内数据数目大于或等于[α]（[α]为样本集数据点数目与聚类的簇类数目的比值）,再把该集合从样本集中删除,重复以上步骤得到K（K为簇类数目）个集合,计算每个集合的均值作为初始中心,并根据K-means算法得到最终的聚类结果。在Wine、Hayes-Roth、Iris、Tae、Heart-stalog、Ionosphere、Haberman数据集中,改进算法比传统K-means、K-means++算法的聚类结果更稳定;在Wine、Iris、Tae数据集中,比最小方差优化初始聚类中心的K-means算法聚类准确率更高,且在7组数据集中改进算法得到的轮廓系数和F1值最大。对于密度差异较大数据集,聚类结果比传统K-means、K-means++算法更稳定,更准确,且比最小方差优化初始聚类中心的K-means算法更高效。     

改进YOLOv4的实验室设备检测算法

针对实验室设备的检测识别问题，提出一种改进YOLOv4算法。针对K-means聚类算法在尺度分布不均匀场景下的局限性，提出一种将数据集标注框按大小划分区间，分别聚类的IK-means++算法；在主干网络中引入通道注意力模块，提出一种阶梯状特征融合网格加强特征融合能力；以计算机实验室为例构建数据集进行训练。实验结果表明，IK-means++算法聚类效果得到有效提升；改进后的YOLOv4算法检测精度更高，模型复杂度更低，速度更快。     

基于优化型K-means聚类算法的锅炉热效率研究

针对K-means聚类算法存在初始聚类中心影响聚类精度的问题,提出采用生物地理学算法优化K-means聚类中心,使其能提高聚类算法的准确率.在基准数据集中对本算法进行实验,其结果表明改进算法具有良好的性能.其次,采用改进的K-means聚类算法对不同工况下的锅炉燃烧工艺参数进行聚类,并挖掘出每一类中热效率最高时的燃烧工...     

改进的K-means算法在维文连体段聚类中的应用

在维吾尔文文字识别中,能否有效地聚类将直接影响识别结果的好坏。为改善聚类效果,针对维吾尔文连体段聚类,提出了一种改进的K-means聚类算法。该算法首先采用等间距法多次选择类中心,然后选择最佳码本和利用有效相似比来动态调整聚类个数K,最后完成了连体段聚类。实验结果表明:与传统K-means算法相比,改进的K-means算法得到了较好聚类效果,聚类正确率达90%以上。     

局部迭代的快速K-means聚类算法

为了解决K-means算法在聚类数量增多的情况下,因选择了不合适的中心初值而影响到聚类效果这一问题,提出了一种局部迭代的快速K-means聚类算法（PIFKM+?）。该算法在K-means聚类的基础上,不断寻找能够被分割的聚类簇和能够被删除的聚类簇,并对受影响的局部数据进行重新聚类处理,降低了整个聚类更新的时间复杂度,提高了聚类的效果。PIFKM+?算法在面对聚类数量众多的情况下,具有能够快速更新聚类、对聚类中心初值不敏感、能够提高聚类精确度等优势。通过与K-means和K-means++两种算法的比较,在仿真数据集和真实数据集的综合实验下,验证了该算法的精确性、高效率性和可扩展性,同时实验结果的统计分析表明该算法在提高了聚类精确度的同时并没有损失太多的时间效率。     

快速混合Web文档聚类

提出了一种使用后缀树聚类算法优化K-means文档聚类初始值的快速混合聚类方法STK-means。该方法首先构建文档集的后缀树模型,使用后缀树聚类算法识别初始聚类、提取K-means聚类算法初始值中心值。然后,把后缀树模型的节点映射到M维向量空间模型中的特征项,利用TF-IDF方案计算基于短语的文档向量特征值。最后,使用K-means算法产生聚类结果。实验结果表明该方法优于传统K-means聚类算法和后缀树聚类算法,并具备了这些算法聚类速度快的优点。     

基于改进K-means聚类的变压器异常状态识别模型

针对投运时间不长的变压器数据中有极大部分是正常数据的情况,为了有效利用变压器历史正常数据识别变压器是否异常,本文提出了基于改进K-means聚类的变压器异常状态识别模型。针对变压器绝大部分运行数据为正常数据、正常数据逐渐按一定的趋势变化以及异常状态数据变化急剧等特点,基于历史正常数据与K-means算法建立变压器异常状态识别模型;根据对正常数据聚类的结果确定用于识别新数据的各个阈值;通过计算新数据到各聚类中心的距离并与各阈值对比确认变压器是否异常。针对传统K-means算法的缺点,对K-means算法进行基于密度与距离选择K值与初始聚类中心的改进,使K-means算法有稳定的K值与聚类中心,聚类过程更加快速、稳定、有效,从而使识别模型计算得到的阈值更可靠。实例分析表明,模型能有效对变压器的异常状态进行快速、准确的识别,为变压器状态评估提供一种新思路。     

基于CVT的混合动力汽车建模与仿真

建立了基于无级变速器 (Continously Variable Transmission,CVT) 的前向并联式混合动力电动汽车动力系统模型,为了研究整车动力性、经济性,根据行驶动力学方程,采用极值原理和曲面拟合法对发动机台架试验得到的数据进行了多项式拟合,建立了发动机万有特性与最佳操作曲线(Optimal Operating Line,OOL) 模型,并建立了牵引用三相感应电机动力模型以及牵引蓄电池(State of Charge,SOC)模型.同时,提出了燃油消耗最低、蓄电池充放电平衡的能量分配控制策略,进行整车动力性仿真计算,仿真结果表明在保证循环结束电池充放电基本平衡的同时发动机燃油消耗最低,仿真试验对比结果验证了建立的模型的精确性.     

插电式混合动力汽车车载复合电源功率分配策略研究

将原有插电式混合动力汽车单一电源系统改造成复合电源系统,根据整车性能要 求及所用循环工况对车载电源的能量和功率需求解耦,完成动力电池和超级电容的参数匹配; 在Matlab/simulink 中建立复合电源功率分配策略,仿真结果表明,采用复合电源能减少动力电 池循环充电次数,有效避免大电流对动力电池的冲击,充分发挥超级电容的高比功率特性,与 改造前相比,燃油经济性提高3.4%,纯电动行驶里程增加1.3%。     

插电式混合动力汽车车速预测及整车控制策略

本文针对插电式混合动力汽车(plug-in hybrid electric vehicle,PHEV)这一典型混杂系统,提出了一种基于车速预测的混合逻辑动态(mixed logical dynamical,MLD)模型预测控制策略.首先,通过对发动机和电动机能量消耗模型进行线性化,建立双轴并联插电式混合动力城市公交车的动力传动系统数学模型;其次,运用模糊推理进行驾驶意图分析,提出基于驾驶意图识别和历史车速数据相结合的非线性自回归(nonlinear auto-regressive models,NAR)神经网络车速预测方法进行未来行驶工况预测.然后,以最小等效燃油消耗为目标建立PHEV的混合逻辑动态模型,运用预测控制思想对车速预测时域内最优电机转矩控制序列进行求解.最后,通过仿真实验验证了本文所提出控制策略在特定的循环工况下与电动助力策略相比,能够提高燃油经济性.     

并联新能源汽车最优效率实时控制

为了提高并联混合动力汽车驱动系统的实时效率,降低燃油消耗,本文提出一种基于效率最优的协调控制策略.根据不同驱动模式下电池的充放电状态,建立了充放电状态下驱动系统的等效燃油消耗模型,在分析电池效率和发动机效率的基础上,得到驱动系统效率的统一表达式,进而通过建立不同功率需求不同荷电状态下系统最优效率的功率分配系数图谱,设计了系统效率最优的协调控制策略,协调控制策略根据优化的功率分配系数在发动机和电机间进行力矩分配,协调控制策略可以离线计算并实时执行.两种工况循环下的仿真结果表明效率最优控制策略能有效地提高混合动力系统实时效率和燃油经济性.     

A novel PPGA-based clustering analysis method for business cycle indicator selection

A new clustering analysis method based on the pseudo parallel genetic algorithm (PPGA) is proposed for business cycle indicator selection. In the proposed method, the category of each indicator is coded by real numbers, and some illegal chromosomes are repaired by the identification and restoration of empty class. Two mutation operators, namely the discrete random mutation operator and the optimal direction mutation operator, are designed to balance the local convergence speed and the global convergence performance, which are then combined with migration strategy and insertion strategy. For the purpose of verification and illustration, the proposed method is compared with the K-means clustering algorithm and the standard genetic algorithms via a numerical simulation experiment. The experimental result shows the feasibility and effectiveness of the new PPGA-based clustering analysis algorithm. Meanwhile, the proposed clustering analysis algorithm is also applied to select the business cycle indicators to examine the status of the macro economy. Empirical results demonstrate that the proposed method can effectively and correctly select some leading indicators, coincident indicators, and lagging indicators to reflect the business cycle, which is extremely operational for some macro economy administrative managers and business decision-makers.     

Plug_in电动车能量管理控制器研究

基于模糊神经网络算法研究设计Plug_in混合动力汽车整车能量管理控制器。将驾驶行为用神经网络进行建模,驾驶模式、踏板(油门和刹车)位置以及当前车轮力矩作为神经网络输入,目标力矩作为输出;将道路类型、目标力矩、电池SOC、当前车轮力矩为模糊输入变量,以满足整车动力性能、燃油经济性和极限边界极值为约束条件,对混合动力汽车的能量进行分配与管理,并在DSP硬件平台设计实现能量管理控制器。测试表明,行驶里程在40 km内时,样车等价燃油经济性最好,随着行驶里程的增加,燃油经济性下降,整个测试过程中样车动力性能以及各部件工况良好。     

电动汽车排放的改进差分进化算法

文章针对增程式电动汽车增程器燃油经济性和CO、HC排放问题进行优化。首先,将问题利用归一化和加权平均的方法转化为单一目标问题,以增程器外特性、功率区间需求和其他特性参数作为约束条件,利用MATLAB软件基于map图进行建模和仿真,使用改进的差分进化算法予以实现。最后,在AVL Puma Open台架实验平台上对HWFET工况下的增程器燃油经济性和CO、HC排放运用文章所提出的策略进行实验验证。实验结果表明,以增程器的燃油经济性和CO、HC排放为目标,可以实时精确地控制发动机转速、发电机转矩,有效实现降低整车油耗和排放。     

混合动力电动汽车中利用决策树CART算法的能源管理方案

针对混合动力电动汽车(HEV)氮氧化物( )排放的问题,提出了一种基于决策树CART算法的柴油混合动力能源管理策略。首先,提出了一种结合决策树与回归树的分类算法(Classification and Regression Tress,CART),针对类别和变量特征,从一个或多个预测变量中预测出个例的趋势变化关系;然后,通过控制发动机和电动机之间的扭矩分配,引入了额外的自由度以调整从纯燃料经济性情况到纯 限制情况的优化权衡;最后,采用基于软件在环路和硬件在环仿真的方法,从而根据动力系统配置了解系统性能,并调整所提出的能源管理策略。实验结果表明,提出的柴油混合动力能源管理策略中, 的减少对燃料消耗的影响,且可以通过选择最佳工作点和限制发动机动力来限制 排放的潜力。相比其他几种较新的同类方案,提出的方案在同等燃料消耗的情况下 排放量更小,在燃料消耗略有下降的情况下,可以显着降低 。     

混合动力系统能量管理策略的实时优化控制算法

依据最优控制理论得到的混合动力汽车能量管理策略与未来的驾驶需求相关联,无法解决算法的实时性问题.本文另辟蹊径,结合规则构造二次型性能指标来限制发动机功率的大幅度频繁波动,间接地降低油耗.为此,在对混合动力系统近似线性处理的基础上,利用二次型最优跟踪理论推导出定常的反馈控制律,将发动机和电机功率表示成系统当前状态和车速指令的线性函数并应用于非线性实车系统.仿真结果表明,本文提出的能量管理实时控制算法可以达到良好的节油效果, 对不同的道路工况和电池初始荷电状态有良好的适应性.