基于增强学习算法的插电式燃料电池电动汽车能量管理控制策略

以一款插电式燃料电池电动汽车(plug-in fuel cell electric vehicle,PFCEV)为研究对象,为改善燃料电池氢气消耗和电池电量消耗之间的均衡,实现插电式燃料电池电动汽车的燃料电池与动力电池之间的最优能量分配,考虑燃料电池汽车实时能量分配的即时回报及未来累积折扣回报,以整车作为环境,整车控制作为智能体,提出了一种基于增强学习算法的插电式燃料电池电动汽车能量管理控制策略.通过Matlab/Simulink建立整车仿真模型对所提出的策略进行仿真验证,相比于基于规则的策略,在不同行驶里程下,电池均可保持一定的电量,整车的综合能耗得到明显降低,在100、200和300 km行驶里程下整车百公里能耗分别降低8. 84%、29. 5%和38. 6%;基于快速原型开发平台进行硬件在环试验验证,城市行驶工况工况下整车综合能耗降低20. 8%,硬件在环试验结果与仿真结果基本一致,表明了所制定能量管理策略的有效性和可行性.     

电动汽车制动能量回收控制策略研究现状分析

以载重50 t纯电动矿用汽车为研究对象,提出了一种基于深度强化学习优化算法的再生制动回馈策略. 首先建立了纯电动矿用自卸车的数学模型. 随后提出了一种考虑载重和坡度变化的基于自动熵调节Soft actor-critic (SAC)和深度确定性策略梯度算法（DDPG）的能量管理策略. 其中车速、加速度、车辆质量与道路坡度、动力电池荷电状态（SOC)及充放电倍率作为状态变量;变速箱挡位作为动作变量;动力电池SOC及电池寿命作为奖励函数. 仿真结果表明,基于动态规划的控制策略和所提出的基于SAC算法与基于DDPG算法的优化控制策略回馈效率分别提高了18.15%、17.18%和16.63%,电池寿命分别提升了57.31%、56.87%和57.38%. 最后通过比较两种基于深度强化学习算法策略的奖励曲线,可以看出与基于DDPG算法的控制策略相比,所提出的基于SAC的能量管理控制策略的收敛速度提升了166.7%.

     

基于道路坡度信息的插电式混合动力汽车能量管理策略

考虑道路坡度对整车驱动需求的影响,针对插电式混合动力汽车,提出基于道路坡度信息的插电式混合动力汽车能量管理策略,进行车载导航系统在整车能量管理策略中应用的初步探究.根据车载导航系统提供的道路信息,建立坡道行驶电量消耗预估模型,分别对行程中电量消耗阶段和电量维持阶段动力电池的荷电指数进行规划,提出行车预充电时刻规划准则,使车辆在坡道行驶前动力电池的荷电指数达到预定值,保证车辆在坡道行驶时不会因动力电池亏电造成动力不足或过放电有损动力电池的使用寿命,并在上坡行驶结束后动力电池的荷电指数下降到临界值,有利于充分吸收制动回收的电能.利用MATLAB/Simulink仿真平台,对提出的能量管理策略进行仿真验证.本文所提出的基于坡道预测的能量管理策略能够避免动力电池的过放电,确保车辆上坡行驶过程电量充足.     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法.新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化.新算法不依赖于函数梯度信息,不需要手动调节网络结构.粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能.两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度.     

2种改进的神经网络结构学习算法

针对已提出的灵敏度计算和自构形2种神经网络结构学习算法,提出2种改进的算法.实验证明改进的算法比原算法有更好的泛化能力.     

基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断

针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法.首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障.分析结果表明该方法能够有效诊断滚动轴承故障.     

氢燃料电池汽车不同制氢方案的全生命周期评价及情景模拟研究

为有效地提高插电式燃料电池汽车的经济性,实现燃料电池和动力电池的功率最优分配,考虑到行驶工况、电池荷电状态（State of charge, SOC）、等效因子与氢气消耗之间的密切联系,制定融合工况预测的里程自适应等效氢耗最小策略. 通过基于误差反向传播的神经网络来实现未来短期车速的预测,分析未来车辆需求功率变化,同时借助全球定位系统规划一条通往目的地的路径,智能交通系统便可获取整个行程的交通流量信息,利用行驶里程和SOC实时动态修正等效消耗最小策略中的等效因子,实现能量管理策略的自适应性. 基于MATLAB/Simulink软件,搭建整车仿真模型与传统的能量管理策略进行仿真对比验证. 仿真结果表明,采用基于神经网络的工况预测算法能够较好地预测未来短期工况,其预测精度相较于马尔可夫方法提高12.5%,所提出的能量管理策略在城市道路循环工况(UDDS)下的氢气消耗比电量消耗维持(CD/CS)策略下降55.6%. 硬件在环试验表明,在市郊循环工况 (EUDC)下的氢气消耗比CD/CS策略下降26.8%,仿真验证结果表明了所提出的策略相比于CD/CS策略在氢气消耗方面的优越性能,并通过硬件在环实验验证了所提策略的有效性.

     

基于改进迁移学习算法的岩体质量评价模型

岩体质量分级是进行工程设计和施工的基础。通过搜集不同地区55组实测样本和17组插值样本建立案例库,考虑岩体的复杂不确定性和异地岩体的差异性,在案例库基础上提出了一种改进两阶段回归迁移学习（Two-stage TrAdaBoost.R2）—孤立森林（Isolated Forest）多因素岩体质量等级预测模型。将广州抽水蓄能电站第1期地下工程的12个样本用于模型测试,结果表明：（1）迁移学习可以通过权重调整选出与目标区域岩体相似的样本,解决了传统机器学习方法中同区域训练样本数量不足的问题。（2）孤立森林算法与迁移学习相结合可以排除异常数据的影响,增加模型的稳定性。（3）利用训练好的模型对12个测试样本进行多次判定,结果与实际情况基本相符,验证了模型的有效性。     

基于数据增强的烧结矿转鼓强度预测研究

烧结矿转鼓强度是烧结过程中反映烧结矿质量的重要指标之一,其精确预测可以提高生产过程的控制精度和效率,降低生产成本和资源浪费。但在实际生产中,烧结矿转鼓强度预测存在一些困难,比如数据量有限、数据质量不佳等问题。因此,为了提高预测精度,首先采用生成对抗网络(GAN)对原始数据集进行扩增,以解决数据量有限的问题;然后采用麻雀搜索算法(SSA)优化的回声状态网络(ESN)构建预测模型。相比于传统的神经网络,ESN具有更好的稳定性和泛化能力,并且能够快速训练和适应新数据。通过试验验证了该模型的预测精度和效率,并与其他预测算法进行了比较。结果表明,采用扩增后的数据集和ESN模型可以显著提高预测精度,平均绝对百分比误差由1.41%缩小至1.06%。     

基于深度学习算法的区域地质矿产资源量预测方法

为了提供准确的资源量预测结果,设计了基于深度学习算法的区域地质矿产资源量预测方法。首先进行人工采样,并测试土壤湿度、重金属含量等参数,然后根据地区勘查历史数据统计该区域的岩浆活动频率并提取控制成矿的因素以了解其地质条件。接着使用网格化处理技术来校正地质勘查测线,调整勘查与探测中的线距并划分区域网格。在20m×20m的网格内,采用线性变量Kriging作为线性处理的插值,并磁化处理数据以完成对矿区地质勘查数据的预处理。随后利用这些预处理数据,使用深度学习模型建立区域地质矿产资源模型,并利用自编码神经网络来划分成矿网格。最后使用随机变量函数的概率分布采样来构建资源的概率分布模型以预测区域的矿产资源量。     

插电式并联混合动力汽车模型预测控制

将动态规划应用于模型预测控制构架中,建立了基于空间域的插电式并联混合动力汽车燃油经济性预测控制数学模型.基于动态规划的插电式混合动力汽车全局优化控制的仿真表明,蓄电池荷电状态(SOC)基本上都是从行驶起点时的最大值逐渐减少到终点时的最小允许值,提出理论SOC参考斜率作为模型预测控制SOC的参考斜率,并以未来行驶工况中出现的特殊工况为依据对理论SOC参考轨迹进行修正.结果表明采用此方法能使模型预测控制策略的控制效果接近全局优化控制策略的计算结果,汽车油耗显著降低.     

强混合动力汽车驱动模式切换扭矩协调控制策略

在对强混合动力系统工作特性分析的基础上,以车辆行驶平顺性为目标,通过对系统在不同驱动模式切换过程中发动机、电机及离合器和变速器参数变化的分析,制定了针对不同模式切换过程扭矩波动的扭矩协调控制策略.建立了基于该控制策略的强混合动力汽车动力学仿真模型,进行了典型驱动模式切换过程的仿真与分析.结果表明,提出的扭矩协调控制策略能够减小驱动模式切换过程中的扭矩波动,有效提高强混合动力汽车在模式切换过程中的动力传递的平稳性.     

基于RCP的HEV动力总成控制系统

基于dSPACE数字信号处理与应用系统,通过运用快速控制原型技术(RCP)对串联式混合动力系统的多能源动力总成控制单元选择3种不同的控制策略和控制算法进行了实时仿真和系统台架试验.应用快速原型控制技术的仿真分析与台架试验表明,在串联式混合动力系统控制中,采用兼顾电池充电安全与系统能量需求的控制策略比功率跟随型和能量补偿型更适合实际系统工作的需要.     

基于强化学习的牛鞭效应对策模型

在不确定供应链环境中提高供应链节点决策能力是提高竞争优势的主要方式.需求波动沿供应链从下游到上游逐级放大的牛鞭效应是供应链管理的重要问题.在综合分析供应链牛鞭效应的成因以及现有对策基础上,针对多层、多节点供应链模型,分析并运用强化学习理论和方法,提出有助于减弱牛鞭效应的强化学习算法.该强化学习算法能够用在不确定、多层、多成员供应链环境中,可取得整体最大效益,从而提高供应链的运作效率.     

基于PLC的分布式电热前床自动控制系统

介绍了基于PLC的分布式控制系统在电热前床自动化改造中的应用、系统设计、硬件配置、软件开 及PLC组网通信。系统开发投入运营后取得了良好的效果。     

基于深度强化学习的炼钢车间天车调度方法

针对炼钢车间天车任务产生的动态不确定性,提出了基于深度强化学习算法的炼钢车间天车调度方法.首先,基于强化学习将天车调度问题转化为对天车操作动作序列的求解,采用DQN(Deep Q-network)算法构建动作价值网络模型进行求解;然后,以某钢厂出钢跨天车调度为研究对象,以任务完成总时间最短为目标,介绍了基于深度强化学习...     

带模糊算法的复合控制系统在电加热炉上的应用

本文介绍以控制多台电加热炉的实际课题为背景研制的一类新型集散控制系统。现场控制站引入带有在线修改系数模糊算法的复合控制。仿真和实时控制结果表明，这种控制方法具有超调小，调整时间快，精度高的特点。     

基于简约学习前馈补偿的永磁直线同步电机跟踪控制

针对永磁直线同步电机易受端部效应、负载扰动和参数不确定等因素影响的特点,提出一种使用学习滤波器的简约学习前馈补偿控制策略.为消除端部效应的影响,设计多个低维B样条网络进行学习前馈补偿,从而达到良好的补偿效果;为保证系统的稳定性,在学习前馈控制中增加学习滤波器.仿真结果表明,该策略对非周期性输入信号具有良好的跟踪特性,同时有效解决了学习前馈补偿控制中的"维数灾难".