针对柴油发动机推进特性下的中高负荷工况出现的NO_(x)排放峰值现象,以及燃油价格日益上涨带来降低油耗率的迫切需求,本研究通过调节柴油/甲醇组合燃烧(diesel/methanol compound combustion,DMCC)发动机多种控制参数,在保证动力性前提...针对柴油发动机推进特性下的中高负荷工况出现的NO_(x)排放峰值现象,以及燃油价格日益上涨带来降低油耗率的迫切需求,本研究通过调节柴油/甲醇组合燃烧(diesel/methanol compound combustion,DMCC)发动机多种控制参数,在保证动力性前提下,实现NO_(x)排放和有效燃油消耗率(brake specific fuel consumption,BSFC)的同步下降。为避免大规模试验带来的成本增加,首先基于高斯过程回归建立DMCC发动机排放的NO_(x)体积分数、BSFC和指示功率预测模型;然后将所建模型与第二代非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)结合,对NO_(x)的体积分数和BSFC进行优化,并将Pareto前沿解集代入逼近理想解排序法(the technique for order preference by similarity to an ideal solution,TOPSIS)寻找最优控制参数组合;最后将最优控制参数组合标定至电子控制单元,与原机数据进行对比分析。结果表明:基于高斯过程回归建立的预测模型的拟合优度大于0.95,均方根误差小于1,具有良好的一致性和准确性;使用NSGA-Ⅱ获取的最佳控制参数与优化前(原机工况)的相比,NO_(x)的排放量下降74.5%,仅为3.47 g/(kW·h),BSFC平均下降6.7%,仅为203.5 g/(kW·h)。展开更多
锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定...锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。展开更多
轨迹跟踪是无人驾驶控制系统中至关重要的功能之一。车辆动力学模型对轨迹跟踪性能有显著影响,但是存在模型复杂度和求解效率之间的矛盾,在非线性工况下无法满足轨迹跟踪精度要求,为此提出基于高斯过程回归(Gaussian Process Regression...轨迹跟踪是无人驾驶控制系统中至关重要的功能之一。车辆动力学模型对轨迹跟踪性能有显著影响,但是存在模型复杂度和求解效率之间的矛盾,在非线性工况下无法满足轨迹跟踪精度要求,为此提出基于高斯过程回归(Gaussian Process Regression,GPR)的模型预测控制(Model Predictive Control,MPC)方法。使用简单模型从而确保求解效率,通过GPR对车辆模型补偿从而提高轨迹跟踪性能。提出基于单轨动力学模型的车辆状态融合估计方法,获得GPR误差补偿模型;构建轨迹跟踪问题模型,推导GPR误差补偿模型在预测时域的迭代方程,对预测时域内的车辆状态进行动态补偿,实现轨迹跟踪控制;通过搭建实车验证平台开展典型工况试验验证,与无补偿MPC方法进行对比。研究结果表明,新方法轨迹跟踪精度得到明显提升,轨迹跟踪横向误差和航向误差分别降低了33.3%和27.9%,同时还兼顾了车辆舒适性的提升,侧向加速度和横摆角速度均值分别下降了17.1%和21.7%。展开更多
文摘针对柴油发动机推进特性下的中高负荷工况出现的NO_(x)排放峰值现象,以及燃油价格日益上涨带来降低油耗率的迫切需求,本研究通过调节柴油/甲醇组合燃烧(diesel/methanol compound combustion,DMCC)发动机多种控制参数,在保证动力性前提下,实现NO_(x)排放和有效燃油消耗率(brake specific fuel consumption,BSFC)的同步下降。为避免大规模试验带来的成本增加,首先基于高斯过程回归建立DMCC发动机排放的NO_(x)体积分数、BSFC和指示功率预测模型;然后将所建模型与第二代非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)结合,对NO_(x)的体积分数和BSFC进行优化,并将Pareto前沿解集代入逼近理想解排序法(the technique for order preference by similarity to an ideal solution,TOPSIS)寻找最优控制参数组合;最后将最优控制参数组合标定至电子控制单元,与原机数据进行对比分析。结果表明:基于高斯过程回归建立的预测模型的拟合优度大于0.95,均方根误差小于1,具有良好的一致性和准确性;使用NSGA-Ⅱ获取的最佳控制参数与优化前(原机工况)的相比,NO_(x)的排放量下降74.5%,仅为3.47 g/(kW·h),BSFC平均下降6.7%,仅为203.5 g/(kW·h)。
文摘锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。
文摘轨迹跟踪是无人驾驶控制系统中至关重要的功能之一。车辆动力学模型对轨迹跟踪性能有显著影响,但是存在模型复杂度和求解效率之间的矛盾,在非线性工况下无法满足轨迹跟踪精度要求,为此提出基于高斯过程回归(Gaussian Process Regression,GPR)的模型预测控制(Model Predictive Control,MPC)方法。使用简单模型从而确保求解效率,通过GPR对车辆模型补偿从而提高轨迹跟踪性能。提出基于单轨动力学模型的车辆状态融合估计方法,获得GPR误差补偿模型;构建轨迹跟踪问题模型,推导GPR误差补偿模型在预测时域的迭代方程,对预测时域内的车辆状态进行动态补偿,实现轨迹跟踪控制;通过搭建实车验证平台开展典型工况试验验证,与无补偿MPC方法进行对比。研究结果表明,新方法轨迹跟踪精度得到明显提升,轨迹跟踪横向误差和航向误差分别降低了33.3%和27.9%,同时还兼顾了车辆舒适性的提升,侧向加速度和横摆角速度均值分别下降了17.1%和21.7%。
