基于 IDRSN-BiLSTM 的铣削加工表面粗糙度预测方法

针对传统的表面粗糙度预测方法过度依赖人工提取特征以及预测精度较低的问题,提出一种基于 Inception 模块改进 的深度残差收缩网络( IDRSN) 和双向长短时记忆网络(BiLSTM) 的表面粗糙度预测方法。 首先,利用深度残差收缩网络 (DRSN)中软阈值化结构和注意力机制对输入信号进行降噪处理。 其次,引入 Inception 模块构建 IDRSN 以提升网络的多尺度 信息获取能力,实现自适应多尺度特征提取。 然后,引入反向长短期记忆(LSTM)构建 BiLSTM 预测网络,利用正反两个 LSTM 提高网络捕捉历史和未来完整信息的能力。 最后,进行实验验证,分别对比 IDRSN、DRSN、BiLSTM 和人工提取特征 4 种方法的 提取特征效果,以及 BiLSTM、卷积神经网络(CNN)、DRSN 和 CNN-LSTM 4 种表面粗糙度预测模型的预测精度。 结果表明所提 方法具有较高的预测精度,为铣削加工表面粗糙度预测奠定了方法基础。     

基于规则与机器学习融合的换道决策建模方法研究

自主换道系统是智能车辆技术的重要发展方向,而换道决策是自主换道系统的关键。针对结构化道路下的自由换道场景,提出基于规则与机器学习融合的换道决策模型。针对换道决策过程中存在的多参数与非线性问题,提出基于支持向量机的换道决策模型,并引入贝叶斯优化算法确定决策模型的最优参数。从基于规则的角度出发,分析换道决策过程中的影响因素,包括换道必要性、安全性与换道收益,并将上述规则转化为模型训练数据的新特征与安全约束,对原有训练样本进行增广,以提升支持向量机模型的分类准确率。在NGSIM数据集上进行测试验证,结果表明,仅利用周围车辆基本行驶信息进行模型训练,对换道行为预测的准确率为73.05%,而引入基于换道规则计算得到的新特征后,模型预测准确率提升至83.83%。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。     

基于卷积GRU注意力的设备剩余寿命预测

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元（convolutional gated recurrent unit,简称ConvGRU）注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络（convolutional neural networks,简称CNN）提取设备状态的空间局部特征,门控循环神经单元（gate recurrent unit,简称GRU）提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。     

基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法

为了有效降低因驾驶员紧急换道行为而诱发的交通事故,提高道路交通事故链阻断效率,提出一种基于高斯混合隐马尔科夫模型(GMM-HMM)和人工神经网络(ANN)的紧急换道行为预测方法。首先利用GMM-HMM对车辆行驶状态以及驾驶行为连续观察序列进行换道意图辨识,采用ANN预测下一时段的驾驶行为,再预测换道过程中的横向加速度变化率,从而判断紧急换道的危险程度。驾驶员在环仿真实验及实车实验结果表明,该方法预测避险成功率达92.83%,实验避险成功率达90.32%。该方法能有效地对紧急换道行为进行提前警告与干预。     

不同驾驶员相同路况试验数据分析

定义车道变换行为,从实车试验数据中提取驾驶员换道数据序列,对不同驾驶员相同路况的换道数据进行分析,结果表明:车道变换过程中具有小横向加速度的特征,不同驾驶员在换道时间上存在差异,换道时间是体现驾驶员个体特性的关键特征,建立适应不同驾驶特性驾驶员的横向安全预警系统可提高驾驶辅助系统的实用性。为下一步设计符合驾驶员特性且满足不同驾驶员安全需求的控制策略提供了参考。     

基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测

及时准确的交通流信息对于智能交通系统的实现至关重要。针对现有预测方法不能充分利用交通流的时空特征,进而不能很好地提取交通流序列内在规律的问题,提出了一种结合卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的深度学习预测模型(C-BiLSTM),在网络底层利用一维CNN来捕获观测点交通流数据的空间特征,然后输入到双向LSTM网络提取时间周期特征,最后由全连接层输出预测结果。使用美国交通研究数据实验室的实测交通数据进行验证,结果表明,所提出的C-BiLSTM组合模型具有更高的准确性,其性能相比双向LSTM网络预测模型提升了1. 6%,相比单向LSTM网络预测模型提升了6. 6%,是一种高精度的交通流预测模型。     

基于深度CNN-LSTM神经网络的加工过程实时异常监测模型

为了有效兼顾加工过程实时信号的多维特征和序列特征,以实现精度更高的加工状态异常监测,本文提出了一种基于深度卷积-长短时记忆神经网络(Convolution Neural Network-Long Short Time Memory,CNN-LSTM)的异常监测模型.该模型以数控系统中采集的实时数据为输入,先利用CNN提取其高维特征并生成特征向量,再利用LSTM进行序列特征提取,最后通过逻辑回归得到异常诊断结果.实验表明,该模型的准确率、精确率、召回率等性能指标均超过98.5％,明显优于其他异常监测模型.     

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆(Long and Short-Term Memory, LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。     

基于CNN+LSTM神经网络的电液伺服阀故障预测

针对电液伺服阀故障预测中故障类型复杂多变、早期故障较弱、时间序列难以处理等问题,构建了卷积神经网络(CNN)和长短期记忆神经网络(LSTM)相结合的电液伺服阀故障预测模型,取代人工特征选择和提取,解决故障预测的时序问题。以G761型电液伺服阀为例,利用AMESim软件对伺服阀阀芯磨损和孔板堵塞故障数据集进行了仿真,并用仿真故障数据验证了模型的预测精度。同时将LSTM,CNN,CNN+LSTM 3种模型针对电液伺服阀故障预测诊断的精度进行对比,CNN+LSTM故障预测模型训练时间更快,得到更高的预测精度,具有更好的适应性。     

融合侧翻稳定性的SUV换道轨迹规划方法研究

针对运动型多功能汽车(Sport utility vehicle,SUV)换道过程中侧翻安全问题,提出融合侧翻稳定性的SUV换道轨迹规划方法。建立三自由度车辆动力学模型,推导SUV侧翻稳定性及侧滑稳定性评价指标。采集自车状态及环境信息,将换道轨迹规划分成预规划和重规划两个阶段;预规划阶段采用五次多项式模型生成横向轨迹簇,重规划阶段考虑周围车辆动态变化,生成包含自车纵向速度信息的轨迹簇。融合侧翻稳定性指标、侧滑稳定性指标以及双圆拟合的车辆外形最小距离,构建代价函数;进行轨迹簇碰撞筛选、稳定性筛选及轨迹选择。运用内点惩罚函数进行轨迹优化,求解最优轨迹。选取两种典型工况进行换道轨迹规划仿真,结果表明SUV沿着该方法规划的轨迹行驶可完成换道躲避障碍物,且横向位移小、换道效率高,可有效避免侧翻危险。     

融合一维卷积神经网络和双向门控循环单元的APM车辆轮胎径向载荷识别方法

针对轮胎载荷直接测量昂贵复杂及传统载荷识别方法精度低、鲁棒性差的现实,提出了一种融合一维卷积神经网络(1D CNN)和双向门控循环单元(BiGRU)的胶轮车辆轮胎径向载荷识别方法。充分考虑轮胎径向载荷数据的先验信息,以车辆振动响应、车体位姿、运行状态等多源信息构建特征集并经特征选择保留有效的特征子集,构造多时间步输入-单时间步输出的样本用以网络训练。运用1D CNN提取信号的多维度空间特征并输入BiGRU中双向捕获时序特征,得到载荷预测的结果,结合预测精度、泛化性能、鲁棒性能修正理论模型。以APM300型车辆为例进行载荷识别,与传统算法相比,所提方法有效降低了载荷识别的误差,适用于不同运行工况,且能克服不同程度的测量噪声,在工程领域有现实应用价值。     

基于相邻车道安全态势划分的换道决策

针对大多数换道决策研究中存在的相邻车道的交通状态分析不足致使换道安全性难以保证的问题,提出一种基于相邻车道安全态势划分的换道决策方法。根据车-车相对位置关系,建立关联车辆分类准则,确定当前车道、相邻车道和相邻第二车道上需要监测横、纵向运动状态的车辆。设计深度神经网络和基于左、右换道差异的横向偏离判断标准对关联车辆的车道保持、车道偏离和换道的横向运动行为进行预测。考虑关联车辆不同横向运动行为对自车相邻车道安全态势的影响,结合车-车相对纵向运动状态,设计自车相邻车道的安全态势划分方法,确定自车相邻车道的安全等级。在此基础上,设计换道决策准则,实现车辆换道的精准决策。仿真结果表明,所提出的换道决策方法能够准确的预测关联车辆的横向运动行为,可以在不同行驶环境下实现更加精准的换道决策,提高了车辆换道的安全性,并通过实车试验,进一步验证了所提出的换道决策方法的有效性。     

基于Transformer模块和CNN的无人机避障方法研究

针对传统CNN避障方法无法获得全局感受野、图像特征提取计算量大的问题,以四旋翼无人机为研究对象,提出一种基于Swin Transformer模块改进CNN模型的无人机避障方法。首先,使用Swin Transformer代替CNN模型中的Conv2D层,进行全局信息特征提取;然后,构建3个残差结构相连的Swin Transformer网络,输出无人机在当前飞行环境下的转向预测和碰撞预测;最后,设计无人机多姿态映射控制系统,输出无人机避障控制指令。实验结果表明,所提方法碰撞预测平均准确率为96.8%,转向预测均方根误差(RMSE)为0.068,满足了无人机自主避障的要求。     

基于变预测时域MPC的自动驾驶汽车轨迹跟踪控制研究

为了保证自动驾驶汽车轨迹跟踪的精度及行驶过程中的稳定性,提出一种基于车辆横向稳定状态在线识别和模糊算法的变预测时域模型预测控制（MPC）方法。针对车辆稳定状态的在线识别,采用k-means聚类算法对车辆行驶状态参数进行聚类分析,得到聚类质心,通过在线对比当前车辆状态量与不同聚类质心之间的欧氏距离获取车辆的实时安全等级。同时计算出当前车辆的轨迹跟踪横向偏移量,以这二者为输入,通过模糊控制算法在线计算出预测时域的变化量并输出给MPC控制器实现预测时域的自适应调整,最后求解出自动驾驶车辆跟踪轨迹的最优的控制序列,以达到在保持车辆稳定的前提下实现高精度轨迹跟踪控制的目的。CarSim/Simulink联合仿真结果表明,改进后的变预测时域MPC算法在提高自动驾驶汽车轨迹跟踪精度及横向稳定性方面的表现优于传统MPC控制器。     

极限工况下无人驾驶车辆运动规划策略研究

针对无人驾驶车辆在极限工况下的运动规划问题,提出一种适应极限工况的无人驾驶车辆运动规划策略。首先,建立了准确描述车辆运动的动力学模型,并采用修正的非线性轮胎模型反映轮胎与不同路面之间的动力学特性;其次,提出一种基于安全制动距离的自适应势场模型,以适应极限工况下外界条件与车辆参数的变化;再次,考虑到车辆在极限工况下易发生横向失稳,设计出横向稳定性指标(Lateral stability index,LSI)作为关键优化参数,并展开车辆横向稳定性分析;然后,基于模型预测控制方法(Model predictive control,MPC),将极限工况下的运动规划问题转化为多目标优化问题;最后,构建出PreScan-Simulink-CarSim联合仿真平台,并在冰雪路面等多种极限工况下对所提出的运动规划策略进行了验证。仿真结果表明,该策略有效提升了无人驾驶车辆在极限工况下的安全性与稳定性。     

低附着系数路面车道保持模型预测控制及汽车稳定性控制

提出了车道保持模型预测控制算法。在低附着系数路面上分析了双移线工况下转向角和侧向加速度二次低通滤波之差的峰值与汽车失稳程度之间的关系,基于可测信号(转向角、侧向加速度、横摆角速度和车速)提出了模糊控制算法,设计了汽车稳定性控制器。为了阻止低速和不严重失稳工况下汽车稳定性控制器的误启动,提出了不稳定指标模糊控制算法;为了避免汽车稳定性系数急速减小,设计了稳定性系数保持器。CarSim/Simulink仿真结果表明,在低附着系数路面上所设计的转向控制器和汽车稳定性控制器具有更好的车道保持能力和稳定性。     

基于CNN-GRU组合神经网络的数控机床进给系统热误差研究

热变形引起的误差是影响数控机床精度的主要因素之一。为了减小热误差对数控机床精度的影响,提出一种基于CNN-GRU组合神经网络的热误差预测方法。通过热误差实验,采集螺旋曲面专用数控机床直线进给系统的温升数据和热误差数据;利用模糊C均值聚类和灰色关联度分析筛选进给系统温度敏感点;以温度敏感点的温升数据和进给系统热误差为数据样本,建立CNN-GRU热误差预测模型。为验证模型的准确性和实用性,与基于CNN-LSTM和基于LSTM的传统热误差预测模型进行预测对比分析,结果表明CNN-GRU模型预测结果的平均绝对误差、均方根误差和决定系数均优于CNN-LSTM模型和LSTM模型,具有较高的预测精度和鲁棒性。提供的热误差模型可为后续误差补偿奠定基础,为数控机床的热误差预测提供思路。     

Lateral control of autonomous vehicle by yaw rate feedback

In the autonomous vehicle, the reference lane is continually detected by machine vision system. And then the vehicle is steered to follow the reference yaw rates which are generated by the deviations of lateral distance and the yaw angle between a vehicle and the reference lane. To cope with the steering delay and the side-slip of vehicle, PI controller is introduced by yaw rate feedback and tuned from the simulation where the vehicle is modeled as 2 DOF and 79 DOF and verified by the results of an actual vehicle test. The lateral control algorithm by yaw rate feedback has good performances of lane tracking and passenger comfort.