基于核主元约简与半监督核模糊聚类的车辆行驶工况判别

为有效利用汽车行驶工况中与类别属性间的统计特征,提高汽车行驶工况判别的准确性与快速性,首先选择车速和踏板信号的数据信息构建特征集,利用相关性分析和核主元分析对特征集中能敏感反映工况类别的特征数据信息进行二次特征提取,按累计贡献率大于90%的标准进行主要特征量的选择,实现输入变量的二次约简;利用小波核函数的非线性映射能力构建半监督核模糊C均值聚类方法进行车辆行驶工况的判别。通过长春某混合动力公交车试验结果表明,该方法更全面准确地反映了工况特性,有效降低了输入特征参数的维数,更加准确有效地提取了不同工况条件下汽车行驶状态的数据特征,通过半监督核模糊C均值聚类算法中加入少量的训练样本来引导聚类过程,聚类精度可达到98.75%。     

预测个人出行特征的插电式混合动力汽车控制策略

为了节省混合动力汽车的行驶成本,提出了基于出行特征预测的混合动力汽车能量控制策略。介绍了插电式混合动力汽车的工作模式,使用主成分分析法提取了行驶工况特征值,依据特征值将行驶工况聚类为6类;依据个人出行历史数据,使用起始点聚类和关键点挖掘技术预测出行路径,基于贝叶斯后验概率给出了各路径的行驶概率;统计了预测路径的特征,依据此特征给出了能量分配和控制策略。经仿真验证,基于出行特征的能量控制方法,比CS/CD控制策略节省行驶成本7%左右。     

插电式混合动力汽车预测控制策略的研究

针对插电式混合动力汽车(PHEV)传统控制策略没有考虑未来车速的问题,通过对汽车未来行驶车速进行预测,在整车行驶模式下提出了一种把汽车未来车速信息考虑进当前的控制策略,从而实现了对发动机和电机转矩的合理分配。通过把新开发的基于车速信息的预测控制策略嵌入到ADVISOR中,在欧洲城市循环工况(NEDC)下进行了仿真分析。仿真结果表明:对汽车未来行驶车速进行预测的控制策略能够实现对发动机和电机转矩的进行合理分配,百公里油耗约为6.5L,相比基于规则控制策略燃油经济性提高了约7.14%,而且排放也有所降低,从而验证了基于预测信息的控制策略的有效性。     

混合动力汽车牵引电机转矩单独控制策略分析

针对混合动力汽车以纯电动模式在均一附着系数路面上以任意车速行驶或在附着系数分离路面上以中高车速行驶工况,牵引力控制系统进入电机转矩单独控制的问题。根据电机单独作用的特点,对电机转矩单独控制策略进行分析,利用Simulink搭建整车分析模型,对比分析了不同工况下采取和未采取该策略分析结果;并与传统内燃机汽车牵引力控制时的结果进行对比,结果表明车辆行驶的稳定性得到明显的改善。采取混合动力汽车在环试验验证分析了电机转矩单独控制策略在试验工况下的结果,从得到的曲线看出电机实际输出转矩很好的跟随了期望电机转矩,控制过程中电机转矩变化平稳,表明控制策略很好的解决混合动力汽车电机单独驱动时的牵引力控制问题,为实际生产设计提供参考。     

基于驾驶意图识别的多模耦合驱动系统能量管理

匹配多模耦合驱动系统可以使插电式混合动力汽车具备高效的集中式与分布式耦合驱动功能,但基于该系统所开展的整车经济性研究尚且不足。为降低整车能耗,开展基于驾驶意图识别的系统能量优化管理。利用模糊推理控制器识别不同工况驾驶员的驾驶意图,根据该驱动系统动力耦合方式、发动机工作特性和电机效率进行驱动模式分类;建立燃油经济性目标函数,采用瞬时优化方法分配发动机和主副电机转矩输出,以此为基础提出基于驾驶意图识别的能量管理策略;搭建模糊推理模型和整车模型,将新欧洲驾驶循环工况和实际车速采集结果作为测试工况,进行整车经济性的仿真分析。结果表明,所搭建模糊推理模型能准确识别驾驶员意图,采用所制定能量管理策略进行系统工作模式优选和转矩分配,使整车的燃油经济性得到了明显提高。针对多模耦合驱动系统开的这一能量优化研究,为系统高效利用奠定了理论基础。     

DCT变速四驱HEV混动至纯电动模式切换优化控制

双离合自动变速器（Dual clutch transmission,DCT）变速四轮分布式驱动混合动力汽车（Hybrid electric vehicle,HEV）直线行驶非紧急制动停车时,车辆常由发动机参与的前轮混合驱动模式切换至后轮轮毂电机纯电驱动模式,以提高整车能量转化效率。但该模式切换过程伴随着驱动转矩的前后轴转换和轴荷的前后转移,既涉及多动力源的转矩协调控制,也与车辆纵向动力学状态有关。若控制不当,常引起较大的车辆纵向冲击。针对DCT变速四驱HEV直线行驶工况混合动力至纯电动模式切换过程,基于5自由度车辆纵向动力学模型,利用ISG电机和轮毂电机转矩/转速快速响应的优势以补偿发动机转矩响应滞后以及离合器转矩波动,提出并开发了动力前后端多阶段切换过程模型预测优化控制策略。离线仿真及硬件在环试验结果表明,所开发的直线行驶工况模式切换模型预测控制策略不仅能较柔顺地完成动力由前轴向后轴的平滑过渡,将整车纵向冲击度限制在5 m/s³以内,而且也对整车参数摄动和传感器量测噪声具有较好的鲁棒抑制作用。     

基于驾驶风格识别的混合动力汽车能量管理策略

为了进一步提高混合动力汽车的燃油经济性,针对驾驶员的驾驶风格对混合动力汽车的燃油经济性有较大影响的问题。通过对驾驶操作引起的汽车行驶过程的车体冲击度分析,确定不同类型行驶工况下的驾驶风格区分方法,应用该方法在所采集的大量行驶工况数据上,得到不同驾驶风格的车速信息。将行驶工况识别算法、不同驾驶风格的车速信息、等效燃油最小能量管理策略相结合,获取不同驾驶风格下的最优需求功率分配方式,从而建立基于驾驶风格识别的能量管理策略。对一段随机工况应用所制定的能量管理策略,仿真结果表明,所提出的控制策略比不考虑驾驶风格的等效燃油最小能量管理策略燃油经济性提高了8.47%,发动机工作点更好地运行在其最佳效率曲线附近,电池SOC更稳定且更好地维持在高效区域。     

多轴特种混动车辆工况自适应驱动力分配控制

针对多轴电子驱动桥式特种混合动力车辆,提出基于工况自适应识别算法的驱动力协调分配控制策略。基于C-WTVC以及WUVSUB车辆标准行驶循环工况划分运动学片段,利用聚类分析的方法对车辆行驶工况分类,并基于简化的神经网络算法建立车辆行驶工况在线识别机制;基于工况识别结果提出工况自适应驱动力预分配控制策略,包括平均分配、动力性分配及经济性分配,其中经济性分配系数基于系统效率最优进行解算;在驱动力预分配的基础上,基于多轴车辆动力源冗余配置的特点,提出驱动力失效分配控制策略,保障车辆在故障状态下仍具备一定的行驶能力;最后通过仿真测试验证了驱动力协调分配控制策略的有效性。仿真结果表明:所提策略能够有效保证车辆在动力源失效状态下的动力性能,提高了车辆运行可靠性。     

混合动力汽车电动机辅助控制策略研究

混合动力汽车结合了传统和纯电动汽车驱动系统的特点,在保证车辆动力性的同时,可明显改善经济性。控制策略是混合动力汽车的核心,其根据驾驶员意图和行驶工况协调各部件间的能量流动合理进行动力分配,优化车载能源,提高整车经济性,适当降低排放。通过参照混联式混合动力汽车动力系统,选择基于逻辑规则中的电动机辅助控制策略;基于AVL CRUISE汽车仿真软件完成整车模型搭建,通过MATLAB/SIMULINK建立控制策略;在典型新欧洲行驶循环CYC＿NEDC工况下验证所设计控制策略的可行性,并分析行驶工况数据。结果表明：该控制策略可满足车辆需求,且经济性能表现良好。     

基于LVQ工况识别的混合动力汽车自适应能量管理控制策略

为提高混合动力汽车的燃油经济性,选取6种典型行驶工况代表“市区”、“郊区”和“高速公路”3类主要工况,采用基于规则的模糊能量管理控制策略,以整车燃油经济性为目标,在3类主要工况下用改进型粒子群优化算法优化发动机联合工作曲线与发动机关闭曲线系数,得到相应的优化后的隶属度函数的参数;运用学习向量量化(LVQ)算法识别车辆运行工况,动态选择相应的模糊控制策略,使混合动力汽车控制策略对选定的几种代表性工况具有自适应性,从而提高整车的燃油经济性。仿真对比结果表明,相比于传统混合动力汽车,燃油经济性提高了3.4%。     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

基于信息融合与神经网络的复合振动故障诊断

依据复合故障特性,提出了一种基于信息融合与神经网络的复合振动故障诊断方法。进行了传感器级的时间跨度的特征融合,然后再实行全局的空间跨度的融合。融合过程基于神经网络式特征提取,该方法可以在系统状态未知的情况下。自适应地融合不同故障测点的信息。从而较全面、准确、及时地反映系统的振动故障状态。并以汽车动力系统复合故障的诊断事例详细说明了该方法的具体实现步骤。结果表明,经过多故障特征信息融合,诊断结论的可信度明显提高,不确定性明显减小,显示了该诊断方法的有效性。     

无线传感器网络多级融合的机械故障诊断方法

针对无线传感器网络(wireless sensor networks,简称WSNs)在机械故障诊断应用中大量振动信号不能实时传输的问题,提出基于无线传感器网络多级分层信息融合的机械故障诊断方法。采用簇树网络结构扩大网络监测覆盖范围,将WSNs信息融合分为数据级融合、特征级融合及决策级融合3个级别,终端节点对原始振动信息进行数据级融合以提取特征信息,簇头节点对特征信息进行特征级融合得到模式识别结果,网关节点对识别结果进行决策级融合以评估机械设备运行状态。实验表明,该方法能有效应用于机械故障诊断。     

数据融合技术在声全息测量中的应用

提出了基于神经网络和证据理论的数据融合技术。首先,根据声全息的测量原理,建立了由传感器子网和融合子网组成的数据融合模型。接着,给出了基于神经网络的传感器子网结构,实现了从目标特征参数到目标类型的映射,得到初步的输出结果。然后,采用证据理论将目标信息融合起来,达到对目标的有效识别得到最后的识别结果。最后,给出了数据融合技术应用于声全息法识别声源的实例计算。实验结果表明:数据融合后的声源识别率为94.2%,比融合前提高了11.7%。该技术减小了由于信息量不足或存在较大偶然误差而带来的不利影响,使声源的识别结果更可靠。     

基于神经网络的高线中轧电机故障诊断的研究

在对中轧电机故障诊断的特点和要求基础上,提出了一种基于神经网络的故障诊断方法。对所采集的高线中轧电机的各参数进行数据预处理与特征提取、归一化后,把这些特征参数作为神经网络的输入,经过学习训练,以判断系统状态,识别系统的故障。工程实践表明该故障诊断方法可行、有效。     

A fault diagnosis approach for roller bearing based on IMF envelope spectrum and SVM

Targeting the modulation characteristics of roller bearing fault vibration signals, a method of fault feature extraction based on intrinsic mode function (IMF) envelope spectrum is proposed to overcome the limitations of conventional envelope analysis method. By utilizing the proposed feature extraction method, the disadvantages of conventional envelope analysis method such as the chosen of central frequency of filter with experience in advance, looking for spectral line of fault characteristic frequencies in envelope spectrum and so on could be overcome. Firstly, the original modulation signals are decomposed into a number of IMFs by empirical mode decomposition (EMD) method. Secondly, the ratios of amplitudes at the different fault characteristic frequencies in the envelope spectra of some IMFs that include dominant fault information are defined as the characteristic amplitude ratios. Finally, the characteristic amplitude ratios serve as the fault characteristic vectors to be input to the support vector machine (SVM) classifiers and the work condition and fault patterns of the roller bearings are identified. Since the recognition results are available directly from the output of the SVM classifiers, the proposed diagnosis method provides the possibility to fulfill the automatic recognition to machinery faults.     

激光焊匙孔特征的近红外与X射线传感分析

由于多传感匙孔特征参数可以有效地反映大功率激光焊接质量状态,本文研究了匙孔特征信息的提取方法并建立了焊缝成形预测模型。以大功率盘形激光焊接304不锈钢为试验对象,应用近红外高速摄像机和X射线视觉成像系统同时提取了焊接过程中的熔池动态图像,并分割出匙孔区域。针对近红外图像,应用矩方法导出匙孔的不变矩特征,同时定义并提取匙孔面积和最前端点纵坐标两个特征;针对X射线图像则提取匙孔深度和熵两个特征。在不同激光功率条件下得到匙孔特征并进行特征融合分析,然后建立了3个BP神经网络焊缝成形预测模型。探索了匙孔形态、焊接条件和焊接状态三者之间的联系,实现了对焊接过程的在线监测。试验结果表明,将两个传感器获取的匙孔特征信息融合并进行主成分分析变换后,熔宽和熔深的预测绝对误差平均值分别为0.18mm和0.57mm,比基于单个传感器获取匙孔特征建立的BP神经网络分别减小了0.03mm和0.31mm,显示提出的方法能够有效在线监测大功率盘形激光焊接状态。     

基于数据融合和改进MoCo的工业机器人抖动原因识别

实际工程中工业机器人受关节控制参数不佳易引起末端抖动，抖动原因识别有助于定位关节异常及优化控制。而工业机器人抖动原因识别存在周期信号冗余度高、抖动方向多及抖动状态样本标签缺失的问题，故提出基于数据融合和改进动量对比学习(MoCo)的工业机器人抖动原因识别方法。首先，对工业机器人末端各传感器数据依次进行数据降维、数据扩充、水平拼接融合及降维，构建充足且全面反映抖动方向及状态信息的融合样本。其中，数据融合前降维可降低周期样本冗余度及提升样本融合效率，数据融合后降维可避免融合样本过长导致模型训练复杂度增加。其次，在MoCo前标记少量融合样本由正编码器分类通道输出监督信息，引导特征聚类。然后，改进对比学习策略，将正编码器提取的无标签融合数据特征与动量编码器保存的负样本特征的聚类中心进行对比，去除特征相似度最高的聚类中心以降低对比类别错误的假负样本干扰。并通过对称调换两个编码器的输入进行两次对比损失计算，完成编码器训练。最后，在编码器分类通道后添加Softmax分类器完成工业机器人抖动原因识别。实验结果表明，所提方法在不同工况的工业机器人抖动原因识别准确率均在90%以上，证明了该方法的有效性。     

基于频谱分析和卷积神经网络的高速轴向柱塞泵空化故障诊断

针对高速轴向柱塞泵不同空化故障等级诊断依赖人工特征提取、识别准确率低的问题,提出了一种融合振动信号频谱分析和卷积神经网络的诊断方法。采集不同空化等级情况下柱塞泵壳体振动信号,对连续的振动数据进行切片并作频谱分析,获得频谱图作为数据集;利用二维卷积神经网络对不同空化等级的信号频谱图进行分类。为提高所提方法的鲁棒性,采用带通滤波的方法抑制频谱图中的噪声频率。试验结果表明:对于不同信噪比的振动信号输入,均能准确地识别出柱塞泵的空化故障等级。     

基于小波包的全信息解调方法及其应用

针对旋转机械故障信号的振动特点,将小波包络解调与基于数据融合技术的全矢谱相结合,提出一种诊断旋转机械调制信号的分析方法。首先,对安装在转子同一截面不同方向上的传感器信息同步整周期采样,对来自不同方向的时域信号分别采用小波包进行分解并重构,以实现带通滤波的效果;然后,采用全矢谱技术对两组重构信号进行数据融合;最后,对合成后的信号做包络解调分析。通过仿真研究和工程实例分析可以得出,对来自同一截面、不同方向的时域信号分别作小波包络谱分析时,两者在能量分布和频谱结构上存在着较大差别,以致造成提取故障信息的不完整或造成误判、漏判。基于小波包的全信息解调分析方法通过对同源的双通道信号的有效融合,可全面地反映出信号中包含的不同调制信息。与基于全矢谱的传统包络解调分析进行对比分析,具有较好的分析结果和可信度。