一、基于神经网络模型的发动机工况识别（论文文献综述）
徐宏明,周泉[1]（2021）在《人工智能在发动机控制开发中的应用及前景》文中认为电动化、智能化、网联化、共享化（CASE）是汽车技术发展的趋势。根据国际能源署（IEA）的预测,到2050年,以包括插电式混合动力在内的电动化汽车将占有市场产品97%的份额。越来越严苛并要求通过实际行驶条件下检测的排放法规也对先进发动机技术,特别是发动机控制技术提出了新挑战。该文围绕基于模型的发动机控制开发中的优化问题,从前馈控制优化、反馈控制优化和动力总成全局优化3个层面,分析了人工智能（AI）技术在上述开发场景中的应用案例,展望了人工智能在发动机控制开发中的前景。研究表明,人工智能技术能将推动发动机控制开发中的3个融合:一是以发动机数字孪生技术为代表的信息系统与物理系统融合;二是以发动机多场景智能优化技术为依托的机器学习系统与经典控制系统融合;三是以动力总成域控制技术为基础的多源系统信息融合。这些融合将推动发动机技术的进一步发展,助力实现近零碳排放。
黄培炜[2]（2021）在《基于特征优选的航空发动机剩余寿命预测》文中指出航空发动机的健康管理与剩余寿命预测是航空航天领域的关键技术之一,是提高发动机安全可靠性和经济性的重要技术手段。剩余寿命预测作为健康管理的核心技术,旨在通过预测整机或部件的剩余寿命为运行规划和维修决策提供技术支撑。近年来航空发动机剩余寿命预测研究发现,一方面单一特征数据会直接影响剩余寿命的预测精度,另一方面过多的特征数据则存在信息冗余及时间序列信息考虑不充分的问题。因此,研究提出了一种基于特征优选的航空发动机剩余寿命预测方法,研究围绕着监测数据预测、特征的多目标优选和剩余寿命预测等内容展开研究:首先,基于长短时记忆网络建立单序列监测数据预测模型,预测不同工况下发动机测试样本的数据集。其次,基于特征融合与相似性匹配法,计算预测数据集剩余寿命值的均方根误差,定义剩余寿命预测评价指标,并分别基于多目标粒子群算法（MOPSO）和非劣分层遗传算法（NSGA-II）进行特征优选。最后,对基于特征优选的发动机剩余寿命预测效果进行了验证,并提出了一种新的改进标定策略（退化界限占比值α）,分析了该策略对发动机剩余寿命预测效果的影响。研究结果表明:1)基于长短时记忆网络建立的单序列监测数据预测模型拟合能力都达到较好的水平,能够较好地预测未来一定时间周期内的发动机特征监测数据;2)在一定特征数量范围内,随着特征数量的增加,剩余寿命预测效果呈现了不断提高的趋势,然而当继续增加特征数量,剩余寿命预测效果开始出现下降,说明了冗余特征会导致了发动机剩余寿命预测效果劣化,证明了特征优选对发动机剩余寿命预测的必要性;3)以不同工况的样本集分别用于特征多目标优选和剩余寿命预测研究,结果表明所提方法的正确性和鲁棒性。随着退化界限占比值α从0.65减小到0.35,不同特征数量下的剩余寿命预测效果均提升超过40%,说明提出的改进标定策略可以有效提升发动机RUL预测的效果。
王玉猛[3]（2021）在《SUV增程式电动汽车动力系统参数匹配与性能仿真》文中研究说明在汽车产业飞速发展,全球能源与环境问题日益加重的背景下,汽车产业作为国民支柱产业,需要首先开启转型发展。新能源汽车逐步取代传统燃油汽车已经成为不可逆转的趋势,我国的能源安全问题也加快了我国发展新能源汽车的步伐。我国对新能源汽车领域的发展提供了许多重要政策上的支持,目前纯电动汽车的发展缓慢,主要受限于电池技术和续航里程问题,而一种具有纯电驱动、高效率发动机提供电能输出的增程式电动汽车可以完美解决目前纯电动汽车发展遇到的问题,是当前汽车转型升级的重点车型构型。本文以某款SUV燃油汽车为原型,将SUV燃油车改型为增程式电动汽车,通过查阅增程式电动汽车的相关资料和文献,阐述了增程式电动汽车的国内外发展现状和重点研究的方向;提出了双驱动电机四驱模式的增程式电动汽车构型方案,对其工作原理和工作模式进行了阐述及提出拟开发的增程式电动汽车整车性能参数要求;在此基础上介绍了增程车动力系统选型及参数匹配的方法,并基于原车的动力系统进行了动力系统选型和参数匹配研究,得到SUV增程式电动汽车动力系统关键部件参数;基于动力匹配的结果在AVL-Cruise软件中通过连接各个模块并设置模块的参数,搭建了整车动力学仿真模型。根据车辆的运行特点和工作模式,设计了驱动控制策略、再生制动控制策略、电池控制策略以及基于多转速控制的增程器控制策略,并在Matlab/Simulink中搭建了整车控制策略的数学模型,通过Matlab DLL形式将两个模型对接联合,并对接口的输入输出参数进行设定,对上述的两个模型进行了联合仿真试验。仿真结果表明,整车的动力性和经济性均符合预期设计目标,动力系统各部件都能按照设定的控制规则运转,验证了本文动力系统参数匹配的合理性和控制策略的有效性。
王芳[4]（2021）在《民航发动机气路健康状态预测与备发调配建模方法研究》文中认为近十年来,国内航运需求激增、各个航空公司竞争激烈,安全、经济地保障民航发动机的运行成为重要课题。在民航发动机维护过程中,水洗等日常维护操作根据发动机气路性能下降的阈值确定维护时间。如果日常维护过于频繁,会提高发动机的维护成本;如果日常维护周期较长,发动机可能存在安全隐患。为了实现高效经济的日常维护,需要对发动机的性能进行精准的短期预测。在发动机的长期运行中,准确的维修计划和备发计划是经济性和安全运行的保障,要有准确的发动机气路性能趋势支持,发动机性能长期预测技术必须保障其趋势的稳定性和鲁棒性。在发动机维修决策的制定过程中,准确的故障定位是核心问题。由于信号的多源性和时序性,故障诊断技术也是发动机维修方案决策中的关键技术。上述研究为单机提供了维修时间和维修方案的决策支持,但由于航空公司机队规模较大,机队整体的维修决策不仅要保证单台发动机的性能恢复,还要在机队层面考虑维修和运营的经济性,因此需要建立多层面优化模型,为航空公司提供全面维修决策支持。此外,由于发动机的购买成本和保持成本较高,为了保障飞机任务并提高运营的经济性,各个航空公司基地存在密切的租用备发合作关系,具有抗冲击性的合作网络模型也会随着基地数目扩大以及调配频率增高越来越具迫切性。针对上述问题,本论文拟开展如下的研究工作。为了保证民航发动机性能短期预测中预测精度以及效率,需要建立抗噪性强、模型准确度和效率高的短期预测模型。由于极端学习机模型效率高,随机森林模型泛化性能好、抗噪性好,拟采用极端学习机和随机森林集成的方法建立发动机气路性能短期预测模型。考虑马赫数、飞行高度等工况会影响发动机气路性能参数值,拟采用工况分离的方法分析多工况下发动机气路性能预测的处理方案,提高性能短期预测模型的准确率。为获得民航发动机服役中性能长期变化主要趋势,重点解决现有回归预测模型对于训练样本的过拟合和欠拟合问题,通过建立预测模型对训练样本的拟合灵敏度模型来控制回归模型对原始样本的拟合程度,使预测模型对偏离样本群较远的样本灵敏度小,对样本群核心的样本灵敏度高,调整预测模型的拟合精度,使预测模型能够拟合出性能变化的主要趋势。由于民航发动机气路性能数据噪声大、原始监测数据非线性关系强,可分性差,为提高故障诊断的准确性,就要去除样本中的噪声,提取出样本中能够表征故障和正常样本本质的特征信息。此外,发动机故障本质是小概率事件,小样本模式识别也是必须要解决的问题。本文拟改进栈式自编码网络,利用栈式自编码网络的去噪功能,增加层间去除噪声样本模块,在提取特征的同时实现去噪;为扩充故障样本数量,利用遗传算法进化生成新样本的功能,对故障特征集合进行扩充,在较为完备的特征空间中,通过模式识别方法提高故障诊断的准确率。为解决机队维修决策问题,本文以机队可用度为上层优化目标,以单机维修成本为下层优化目标,将发动机可靠度作为主要约束,建立两层机队维修决策优化模型。在此类大规模优化问题中,变量数量与模型解空间的规模呈指数级关系,因此当发动机数量增加时,模型求解效率是一个重要指标。另外,由于此类模型的解空间是不连通的,要想获得最优解,必须获得所有非劣解空间。受到酵母菌繁殖时快速填满营养液区域的启发,本文拟研究基于酵母菌繁殖搜索的机队维修决策模型求解方法。通过解的迁移和多维繁殖两种搜索方式,遍历所有的非连通解空间并提高解的扩展效率,对上述模型的高效求解提供支持。如上所述,为提高运营经济性,需建立高效且抗冲击性的发动机基地合作网络,其中的难点问题是保证备发的调配活动不会引起其他发动机基地缺发的连锁反应。本文拟以无标度网络为基础建立基地合作网络,考虑基地的备发量、连通度和基地之间的发动机转运时间,建立基地节点间连接概率函数,获得具有异质结构的基地合作网络。同时,根据各基地节点的实时备发量,基于Q learning强化学习算法优化备发搜索路径,找到能够快速调配的发动机,保障整个网络内的发动机运力。这些关键技术涉及民航发动机的基本物理知识和基于深度学习的预测、模式识别和优化方法,具有较大的理论意义。同时,这些技术在民航发动机智能运维的应用上,能够提高民航发动机气路性能短期预测和长期预测的准确率、提高民航发动机气路性能故障诊断的准确率、提高机队维修决策模型的效率,并且能够提高备发管理的效率,具有较大的应用意义。
周敬肇[5]（2020）在《基于满足国6排放标准汽油发动机台架标定方法的研究》文中研究说明对新生产汽油车实施严格的排放标准,从源头预防和控制汽车污染物排放是大气污染防治的重要手段,也是缓解汽车产业高速发展与空气污染问题突出矛盾关系的有效措施。即将全面实施的国6排放标准不仅加严了型式检验试验的相关排放要求,同时也提出实际行驶污染物排放试验的要求,以减少汽车试验室排放结果与实际行驶排放结果的差异。本文对台架标定方法的研究就是为了满足国6排放标准的新要求。国6汽油机标定工作,特别是其台架标定工作工况范围覆盖面更广,控制要求更加精确。国6汽油机的控制系统更为复杂、控制系统多种技术措施组合应用、各工作部件间的耦合程度高,使用传统的全因子台架标定方法无法满足正常的开发周期需求。本文的研究工作是提出一种基于模型的标定方法,首先利用试验设计技术减少试验点数量,然后通过数据统计建模技术对试验点数据进行建模,最后通过数值求解优化技术得到台架标定数据。基于模型的标定方法,是一种既能够保证台架标定数据质量,又能够有效缩短开发周期的理想方法。本文着重通过国6汽油机台架标定工作中的充气模型标定和进排气VVT位置标定两项任务开展基于模型标定方法的研究。研究采用了空间填充试验设计技术,成功将两项台架标定工作的试验点数量从四万多个缩减到四千个;为了得到拟合精度更高的汽油机响应模型,并结合国6汽油机响应模型的应用特点,研究采用了高斯过程建模技术对所采集的试验数据进行数据统计建模工作;研究使用了序列二次规划的求解优化算法,直接式或间接式得到台架标定数据;最后将其应用经验,融合到整个国6汽油机的台架标定工作中。得到台架标定数据后,通过发动机台架性能试验、国6样车排放试验的相关结果,并结合工作量的实际情况,验证了所提出的标定方法能够满足国6汽油机台架标定工作的开发要求。
熊硕[6]（2020）在《自动驾驶车辆节能行驶控制策略研究》文中研究指明自动驾驶车辆在节约能源消耗、保障交通安全、提高交通运输效率等方面有重大的应用价值。自动驾驶车辆是强动态高实时系统,交通场景复杂,驾驶任务多变。如何实现复杂场景下自动驾驶车辆节能、安全、舒适地行驶,是这项技术应用所面临的问题。本文以汽油机驱动的自动驾驶乘用车为研究对象,以降低行驶能耗为目标,从轨迹规划和车辆行驶控制两方面开展研究,力图探索自动驾驶车辆规划与控制的新方法。首先,针对分层递阶规划中的节能路径规划问题,提出了基于驾驶员意图估计模型的周边交通参与车辆轨迹预测算法,获得有效的安全可行驶区域。使用车辆动力学模型辅以车道中心线高精度地图数据修正,有效提高了预测窗口宽度和预测精度;提出了基于空间非均匀采样的路径动态规划算法,将车辆行驶能耗与安全性、动力性和舒适性等条件,以动态加权方式构成代价函数,提升了能耗在路径规划中的权重。其次,针对分层递阶规划中的节能速度规划问题,提出了基于车辆动力学与能耗模型的凸优化方法:基于车辆能耗机理模型建立能耗目标函数,通过调整凸优化目标函数的权重系数,实现了以能耗优化为基本要求的速度多目标优化。在Pre Scan、Simulink和Car Sim组成的联合仿真平台上,验证了轨迹规划算法的节能效果。结果表明,加入能耗优化目标后,可使行驶能耗降低28%。再次,为了低能耗地跟踪轨迹规划输出的期望路径和速度,提出了车辆动力学模型前馈结合即时扰动观测的主动抗扰高效循迹控制算法。建立了包含汽油机均值模型的车辆纵向动力学模型和基于稳态转向假设的车辆横向动力学模型。为了补偿前馈模型的建模误差和抑制外界环境条件的随机干扰,提出了基于扩张状态观测器（ESO）的即时观测方法。以加速踏板最大开度和加速踏板正向变化率为关键指标构建驾驶行为空间,基于粒子群算法在车辆行驶过程中自动搜索最优值,使车辆具备驾驶行为自趋优能力。Car Sim仿真结果表明:相同工况下,本文的速度控制器相比Car Sim速度控制器能耗降低1.9%;通过驾驶行为关键参数优化改善驾驶行为后,能耗进一步降低2.37%。建立了用于自动驾驶算法测试的自动驾驶样车平台,采用Python编程语言开发了目标车辆轨迹预测、节能轨迹规划和循迹控制算法,在XAVIER嵌入式车载计算单元中运行。在天津大学自动驾驶实验场开展了道路实验,对算法的实时性和节能效果进行了验证。实验结果表明,算法执行时间小于100毫秒,节能轨迹规划算法使车辆能耗最大降低11.3%;规划与控制算法可比激进型驾驶员降低能耗10.4%,比温和型驾驶员降低能耗4.9%。
罗辉[7]（2020）在《基于深度特征的民航发动机气路异常检测方法研究》文中研究表明民航发动机是民用飞机的主要动力来源与引气装置,其健康状态对飞行的安全性与经济性至关重要。为提高飞行的安全性与经济性,需及时准确地检测发动机气路异常。目前常用的气路异常检测方法主要包括解析模型方法与数据驱动方法。由于建模的不确定性与发动机系统的复杂性,基于解析模型的气路异常检测方法难以保证精度。随着监测手段的进步和大数据技术的发展,数据驱动的气路异常检测方法越来越受到关注。但由于发动机型号很多、监测数据内在规律复杂,监测参数数量众多、监测过程容易受诸多因素干扰,传统的浅层机器学习方法中常用的统计特征难以准确表征其气路健康状态,造成其气路异常检测精度不高。深度特征是对原始数据的高层次抽象表示,它可以较好地表示数据的内在规律,降低数据维度,减少次要信息与噪声的干扰。深度学习方法可以从原始数据中自动提取深度特征,实现端对端学习,提高异常检测效果。有效的深度学习往往依赖于大量的标签数据,然而实际工程中收集大量的标签数据往往代价高昂。迁移学习能够帮助深度学习克服上述困难,它可以将源域的深度特征知识迁移至目标域的深度特征中,帮助提取目标域的深度特征或增强其泛化能力。因此,本文以深度学习、迁移学习为理论基础探索基于深度特征的民航发动机气路异常检测方法,分别对间歇性气路异常检测、持续性气路异常检测、小样本下的气路异常检测以及无标签下的气路异常检测四个方面的科学问题和关键技术展开研究。间歇性气路异常是发动机实际运行过程中的常见异常,针对这类异常持续时间短的特点,选取采样频率较高的快速存取记录器（Quick Access Recorder,QAR）数据作为数据源,提出一种基于同机双发性能差异的发动机间歇性气路异常检测方法。针对QAR数据的深度特征提取容易受到变化的外界环境与工况干扰的问题,采用同机双发性能参数差异值作为模型输入。针对QAR数据包含部分噪声的特点,选取抗噪能力强的堆叠去噪自编码器对输入进行无监督特征学习来提取深度特征。经过真实的QAR数据验证,提出方法的异常检测性能优于对比方法。除了间歇性气路异常以外,发动机实际运行过程中的另一类常见异常是持续性气路异常。针对这类异常持续时间长且偏离正常的程度逐渐增加的特点,选取性能参数偏差值作为数据源,提出一种融合懒惰学习与卷积神经网络（Convolutional Neural Network,CNN）的发动机持续性气路异常检测方法。针对CNN提取的性能参数偏差值的深度特征对局域分布的表示能力不足的问题,将CNN与懒惰学习有机融合,发挥懒惰学习善于利用局域信息的优势,克服CNN模型以及懒惰学习方法固有的局限性。经过真实的性能参数偏差值数据验证,提出方法的异常检测性能优于单独的CNN模型或者懒惰学习方法。性能参数偏差值通常被发动机生产厂家牢牢掌握,一旦与它们的合作中断,航空公司将无法获取性能参数偏差值数据进行发动机持续性气路异常检测。为提高航空公司独立自主的持续性气路异常检测能力,选取飞机通信寻址与报告系统（Aircraft Communication Addressing and Reporting System,ACARS）报文作为数据源,提出一种基于分组卷积去噪自编码器的发动机持续性气路异常检测方法。针对高维ACARS报文数据的深度特征难以被有效提取的问题,该方法将所有的ACARS参数基于相关性划分为几个独立的变量组,并分别对每个变量组的ACARS报文数据提取其深度特征,之后融合形成特征向量。为降低对大量训练样本的需求,采用去噪自编码器对每个变量组的ACARS报文数据进行无监督特征学习,将学习获得的参数作为卷积特征映射参数。经过真实的ACARS报文数据验证,提出方法的异常检测性能优于对比方法,参数数量与时间成本明显降低。以上研究都假设气路状态监测数据比较充足,但是实际工程中某些型号的发动机引入时间较短或者数量较少导致其带有标签的气路状态监测数据较少,此时提取的深度特征往往泛化性不足。为此,在以上研究的基础上提出一种小样本条件下基于自适应fine-tuning的发动机气路异常检测方法。针对fine-tuning方法选取源域的随机性较大的问题,提出一种基于相似性度量的源型号发动机选择策略;针对fine-tuning方法中源域与目标域的深度特征相同假设的不合理性,提出一种深度特征迁移优化方法自适应地选择层迁移方案。经过真实的发动机气路状态监测数据验证,提出的方法能够在小样本条件下明显提升发动机气路异常检测性能。实际工程中某些型号的发动机由于未购买相关服务或不可预知原因导致其气路状态监测数据无标签,此时无法通过有监督学习方法提取深度特征。为此,在以上研究的基础上提出一种无标签条件下基于权重约束对抗判别领域自适应的发动机气路异常检测方法。通过分析气路异常检测任务的特点,在对抗领域自适应框架下选择了对抗判别领域自适应方法。针对气路状态监测数据较少导致目标型号气路异常检测模型的参数难以鲁棒地收敛至较优解的问题,在生成对抗损失函数中添加自定义权重约束项来改善目标模型参数优化的收敛性。通过真实的气路状态监测数据验证了该种无标签下的发动机气路异常检测方法的正确性。本文将深度学习、迁移学习的理论与方法引入到民航发动机气路异常检测中,对于丰富民航发动机气路异常检测技术体系和提高其运维管理水平具有一定的理论意义与应用价值,提出的方法与模型对于其他复杂装备的异常检测研究也具有一定的参考价值。
江冬冬[8]（2020）在《基于模型预测控制的混合动力车辆能量管理》文中研究指明在节能减排的大背景下,世界各国都制定了严格的车辆油耗和排放法规。混合动力车辆是当前的发展重点之一,能量管理控制策略是决定混合动力车辆动力性、经济性和排放性的关键因素。以P2并联这一典型结构形式的混合动力车辆为研究对象,考虑到其混杂系统的特性,采用混杂模型预测控制策略对其进行优化控制,并对其节油效果和计算速度进行优化。研究内容包括:（1）模型构建及验证。针对P2结构的并联式混合动力车辆,采用前向仿真的方法构建整车模型,采用等效燃油消耗最小算法对整车模型进行控制,将仿真结果和实车测试结果进行对比分析,验证仿真模型的有效性,为后续控制策略的研究打下基础。（2）采用非线性优化算法对模型预测控制问题进行求解。假设工况信息局部可知,对预测步长为230时进行仿真计算,分析预测步长对车辆燃油经济性的影响,并选择合适的预测步长。动态规划算法的求解速度较慢,采用连续广义最小残差算法来提高计算速度,将上述两种算法的仿真结果进行对比分析。（3）基于混杂模型预测控制算法的仿真分析。对象车辆模型中同时包含连续变量和离散变量,是典型的混杂系统,采用混杂模型预测控制算法对其优化求解。首先,对模型中的非线性部分进行线性化处理;然后,将模型转化成混合逻辑动态系统模型;最后,采用混合整数二次规划算法对其进行优化求解,并对其优化结果和运算速度进行分析。（4）基于分层混杂模型预测控制算法的仿真分析及实车验证。首先,对包含离散变量的混杂非线性模型进行外凸化处理;然后,将混杂非线性优化问题分解为转矩优化和传动比优化两部分,对其进行优化求解;最后对分层混杂模型预测控制算法的优化结果和运算速度进行对比分析。（5）模型预测控制算法的应用。当工况信息不可知时,可采用指数预测、神经网络预测和基于工况识别的神经网络预测三种方法对工况进行预测,分析工况预测的误差对燃油经济性的影响。根据网联信息可获得前车信息、红绿灯信息和道路坡度信息,在此基础上采用模型预测控制对车队进行控制,分析网联信息对车队燃油经济性的影响。通过上述研究工作,获得以下结论:（1）基于模型预测控制框架,当工况信息局部可知时,随着预测步长的增加,车辆燃油经济性不断增加,但是单步求解时间也不断增加,综合考虑车辆燃油经济性和求解时间,最终选择预测步长为15步。连续广义最小残差算法的百公里油耗相对于动态规划算法,在NEDC、LA92、UDDS和WLTC四个标准工况下分别增加了:28.9%、42.3%、59.2%和27.6%,其优化效果较差,且不能处理离散变量,不适合对混杂模型进行优化求解。（2）采用混杂模型预测控制算法时的车辆燃油经济性相对于连续广义最小残差算法在NEDC、UDDS和WLTC三个循环工况下分别提高了9.1%、8.3%和3.0%,在LA92工况下的降低了4.3%。混杂模型预测控制算法的单步求解时间随着预测步长的增加而快速增加,当取预测步长为1、3、6时,单步求解时间分别为:0.14s、1s、11.7s。此算法的求解速度较慢,不能满足实车使用的需求。（3）在NEDC、UDDS、LA92和WLTC四个标准循环工况下,基于分层混杂模型预测控制的车辆燃油经济性,相对于等效燃油消耗最小算法分别提高了5.5%、3.7%、12.2%和7.8%,分层混杂模型预测控制的单步运算时间在0.4s左右,具有实际应用的潜力。针对线性时变模型预测控制部分在实车上进行测试,通过调整控制量/控制量增量的权重和发动机启动条件,三次测试的结果分别为7.03L/100km、6.4 L/100km和6.2L/100km,验证了算法的优化效果和实时性。（4）基于工况识别的神经网络预测方法的工况预测精度最高,工况预测误差会造成车辆燃油经济性的降低。基于车联网的条件下,当前车信息可知时,可使得车队的燃油经济性更高、跟车距离更短、乘坐舒适性更好。当前车信息可知时,车队油耗在不同工况下都会有略微下降;当红绿灯信息可知时,车辆加减速的幅度更小、停车时间更短,车队燃油经济性可提高6.6%;当道路坡度信息可知时,车队的燃油经济性可提高5.1%。本文以P2结构的并联混合动力车辆为对象开展了能量管理算法研究,表明:基于分层混杂模型预测控制算法,结合网联信息,可有效提高混合动力车辆的节油效果。本文研究可为并联式混合动力车辆能量管理策略的开发提供理论依据和参考。
解国强[9]（2019）在《变速器换档规律研究与换档提醒系统开发》文中认为本文讨论了如何进行发动机工况点的优化。根据最佳燃料消耗率曲线和等功率曲线以及驱动力矩,根据行驶阻力和驱动力的平衡,以及动力性和经济性的平衡,分析了换档工况点的变化趋势,分析了换档工况点的油耗和动力性。通过分析,可以通过改变档位,改变发动机工况点,提高负荷率,综合最低稳定车速和动力性以及驾驶性需求,使工况点靠近最佳燃料消耗量曲线进行运转。讨论了动力性换档规律、经济性换档规律、一般性换档规律、以及不同动力性需求的综合性换档规律的制定方法。根据各种换档规律的优化需求,提出了动力性和经济性功率分配的优化方法。根据动力性和经济性能的平衡,分析了不同模式的换档规律。仿真分析了不同换档规律对油耗和动力性的影响。并研究了如何基于Cruise,使用VBA开发相应的模块,实现所需求的换档规律的自动生成,从而大大提高了工作效率,为换档规律的标定提供了基础。换档规律是目前车辆的重要组成部分,掌握该项技术对车辆开发具有重要的意义。讨论了基于换档规律的换档提醒功能的控制逻辑,并讨论了控制逻辑的几种判断模式。讨论了如何采集数据,如何确定参数,如何做成控制逻辑,以及如何进行显示。使用MATLAB/Simulink做成控制逻辑,并与Cruise进行联合仿真验证。最终转成代码,实现换档提醒功能。在控制逻辑方面,研究了可执行性高的控制逻辑,对理解驾驶员的状态和意图以及车辆的状态判断进行了梳理,使控制逻辑更加智能化。设定了驾驶员当前档位判断模块和推荐档位判断模块,以及车辆状态的判断模块,使控制逻辑具备可执行性。使用Cruise和Matlab/Simulink进行联合仿真,通过仿真预测油耗的改善效果以及档位的合理性。使用Labview对整车驾驶模块进行建模,模拟车辆驾驶环境,接入仪表和油门踏板,在虚拟的车辆环境中对车辆进行驾驶。仪表仿真模拟了虚拟驾驶环境,对换档提醒系统的开发提供了数字车辆模型的参考。转毂试验对换档提醒系统的节油效果进行了验证。主观评价的场景包括常用场景和激烈驾驶场景,以及非正常驾驶场景,保证系统的准确性和稳定性。该换档提醒系统可以保证一定的准确性和稳定性,解决了技术壁垒和成本的课题,满足法规要求和市场要求,具备量产可行性,已在车辆开发中导入。
吴飞[10]（2019）在《基于P2构型混合动力汽车的驾驶意图及换挡策略研究》文中研究表明受能源危机和日益严峻的生态环保压力影响,全球大多数汽车厂商正积极推行新能源汽车,我国目前实施的“双积分”政策、新能源汽车补贴等,让新能源汽车成为焦点的同时,也对新能源汽车的续航里程、三电配置和综合油耗等提出了更高要求。作为车辆研发体系中的关键技术,混合动力汽车的控制策略和换挡规律对改善车辆的动力性和经济性具有决定性作用。传统换挡规律往往只考虑了车辆的单一性能,且局限于稳态行驶工况,在超车、上坡或拥堵等情形下容易发生意外换挡和循环换挡现象。因此,针对驾驶意图制定综合换挡策略,不仅可以改善动力性经济性,对驾驶性能和零部件寿命也有重要意义。首先介绍了混合动力汽车基本构型,从功率流的角度对P2构型的插电式混合动力汽车的工作模式进行分析,根据市场调研的结果设定了开发目标。通过理论计算的方法初步确定了PHEV混合动力系统中发动机、P2电机、变速器及动力电池等的参数。搭建了基于CRUISE的整车动力性、经济性仿真模型,为后续控制策略的开发和综合换挡策略的制定提供了模型基础。其次,综合考虑发动机和电机效率,提出了将发动机效率最优工作曲线和电机外特性曲线叠加得到混动系统输出转矩特性的方法,引入节气门开度计算了在不同节气门时对应的驾驶员需求扭矩。分别阐述了四种驱动模式下转矩分配策略,详细探讨了不同节气门开度时对应的发动机和电机转矩分配。针对制动模式下再生制动时的转矩分配策略,给出了启动电机制动的条件。通过实车试验验证了模型的正确性,匹配的动力传动系统满足设定的动力性指标。最后,针对不同的驱动模式,得到了最佳动力性和最佳经济性基本换挡规律。对驾驶意图进行分类分级,规定每一个等级对应的意图因子取值范围。提出了基于T-S模糊神经网络的识别方法,采用实车试验获取了驾驶意图识别的训练数据,利用意图识别模型输出意图因子表征量化的驾驶意图。在传统基本换挡规律的基础上,给出了基于意图识别的综合换挡策略。研究结果表明,意图识别模型可以准确识别驾驶员的操作并输出相应意图因子,综合换挡策略输出的挡位相比传统换挡有较大改善,紧急制动时没有意外升挡的情况,拥堵工况下也能及时避免循环换挡。采用NEDC循环试验,仿真结果满足设定的经济性目标。
二、基于神经网络模型的发动机工况识别（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络模型的发动机工况识别（论文提纲范文）
（1）人工智能在发动机控制开发中的应用及前景（论文提纲范文）
| 1 人工智能赋能的发动机前馈控制 |
| 1.1 理论模型的智能标定 |
| 1.2 数据驱动的复杂系统建模 |
| 2 人工智能赋能的发动机反馈控制 |
| 2.1 比例积分微分(PID)控制系统的智能调参 |
| 2.2 人工智能在线决策 |
| 3 人工智能赋能的动力总成层面全局优化 |
| 3.1 混动发动机模块设计 |
| 3.2 发动机工况点的全局优化 |
| 4 未来技术的发展趋势 |
| 4.1 信息系统与物理系统的融合 |
| 4.2 机器学习与经典控制的融合 |
| 4.3 多源信息“大数据”的融合 |
| 5 总结与展望 |
（2）基于特征优选的航空发动机剩余寿命预测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 基于数据驱动的剩余寿命预测方法 |
| 1.2.2 特征优选 |
| 1.2.3 研究现状分析 |
| 1.3 论文的主要研究工作 |
| 第二章 基于LSTM网络的监测数据预测 |
| 2.1 引言 |
| 2.2 监测数据说明 |
| 2.3 数据预处理 |
| 2.3.1 数据滤波 |
| 2.3.2 数据去量纲 |
| 2.4 时间序列预测方法概述 |
| 2.5 长短时记忆网络 |
| 2.6 基于LSTM的单序列监测数据预测 |
| 2.6.1 LSTM单序列预测模型构建 |
| 2.6.2 LSTM单序列监测数据预测模型实现 |
| 2.7 本章小结 |
| 第三章 基于多目标优化算法的特征优选 |
| 3.1 引言 |
| 3.2 目标函数I:特征数量f_(T1) |
| 3.3 目标函数II:剩余寿命预测评价指标f_(T2) |
| 3.3.1 基于特征融合的相似性匹配 |
| 3.3.2 剩余寿命标定 |
| 3.3.3 获取剩余寿命预测评价指标 |
| 3.4 基于改进的非劣分层遗传算法的特征优选 |
| 3.4.1 Pareto最优解集介绍 |
| 3.4.2 参数初始化 |
| 3.4.3 创建初始种群 |
| 3.4.4 优选种群的建立 |
| 3.4.5 交叉操作 |
| 3.4.6 变异操作 |
| 3.4.7 生成子代 |
| 3.4.8 迭代终止条件 |
| 3.5 基于多目标粒子群算法的特征优选 |
| 3.5.1 粒子群优化算法 |
| 3.5.2 多目标粒子群算法 |
| 3.6 特征优选实现及对比 |
| 3.7 本章小结 |
| 第四章 基于特征优选结果的剩余寿命预测验证 |
| 4.1 引言 |
| 4.2 未知工况下的剩余寿命预测验证 |
| 4.3 基于改进标定策略的剩余寿命预测 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（3）SUV增程式电动汽车动力系统参数匹配与性能仿真（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 增程式电动汽车概述与发展现状 |
| 1.2.1 增程式电动汽车的工作原理及特点 |
| 1.2.2 国外发展现状 |
| 1.2.3 国内发展现状 |
| 1.3 增程式电动汽车的研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文研究内容 |
| 第2章 增程式电动汽车动力系统部件选型 |
| 2.1 整车构型方案和工作模式介绍 |
| 2.2 电机的选型 |
| 2.3 电池的选型 |
| 2.4 增程器的选型 |
| 2.4.1 发动机的选型 |
| 2.4.2 ISG电机的选型 |
| 2.5 本章小结 |
| 第3章 增程式电动汽车动力系统参数匹配 |
| 3.1 电机的参数匹配 |
| 3.1.1 电机功率的确定 |
| 3.1.2 电机转速的确定 |
| 3.1.3 电机转矩的确定 |
| 3.1.4 参数修正 |
| 3.2 动力电池的参数匹配 |
| 3.2.1 电池的额定电压 |
| 3.2.2 电池的峰值功率的确定 |
| 3.3 增程单元的参数匹配 |
| 3.4 动力系统匹配结果 |
| 3.5 本章小结 |
| 第4章 增程式电动汽车控制策略研究 |
| 4.1 增程式电动汽车控制策略概述 |
| 4.2 控制策略的设计原则 |
| 4.3 控制策略设计 |
| 4.3.1 驱动控制策略设计 |
| 4.3.2 制动控制策略设计 |
| 4.3.3 动力电池控制策略设计 |
| 4.3.4 增程器控制策略设计 |
| 4.4 本章小结 |
| 第5章 动力系统建模及性能仿真 |
| 5.1 仿真软件简介 |
| 5.2 基于Cruise的增程式电动汽车整车模型建模 |
| 5.2.1 整车模块 |
| 5.2.2 驱动电机模块 |
| 5.2.3 动力电池模块 |
| 5.2.4 发动机模块 |
| 5.2.5 发电机模块 |
| 5.3 基于Matalb/Simulink的控制策略模型 |
| 5.3.1 驱动控制策略和制动控制策略 |
| 5.3.2 增程器和动力电池控制模型 |
| 5.3.3 联合仿真模型的建立 |
| 5.4 联合仿真及结果分析 |
| 5.4.1 动力性分析 |
| 5.4.2 经济性分析 |
| 5.4.3 对比分析 |
| 5.4.4 工况点分析 |
| 5.5 本章小结 |
| 第6章 全文总结与工作展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（4）民航发动机气路健康状态预测与备发调配建模方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的目的和意义 |
| 1.2 民航发动机结构和主要性能参数 |
| 1.3 国内外研究发展现状 |
| 1.3.1 民航发动机气路性能短期预测技术研究现状 |
| 1.3.2 民航发动机气路性能长期预测技术研究现状 |
| 1.3.3 民航发动机故障诊断技术研究现状 |
| 1.3.4 机队维修决策技术研究现状 |
| 1.3.5 发动机备发调配技术研究现状 |
| 1.3.6 智能学习技术在装备智能维护中的应用现状 |
| 1.3.7 文献相关问题分析 |
| 1.4 本文的主要研究内容 |
| 第2章 民航发动机气路性能短期预测方法 |
| 2.1 引言 |
| 2.2 民航发动机气路性能短期预测模型 |
| 2.2.1 集成学习策略 |
| 2.2.2 极端学习机学习机制 |
| 2.2.3 基于极端学习机和随机森林集成的预测模型 |
| 2.3 民航发动机时间序列的多工况处理方法 |
| 2.4 民航发动机气路性能短期预测案例分析 |
| 2.4.1 基于NASA涡扇发动机仿真数据集的案例分析 |
| 2.4.2 基于民航发动机EGT时间序列的案例分析 |
| 2.5 本章小结 |
| 第3章 民航发动机气路性能长期预测方法 |
| 3.1 引言 |
| 3.2 基于拟合灵敏度的预测调整模型 |
| 3.2.1 民航发动机气路性能长期预测问题描述 |
| 3.2.2 回归模型预测和学习模型单步预测在性能预测中的适用性分析 |
| 3.2.3 拟合灵敏度分析 |
| 3.2.4 基于拟合灵敏度的预测模型调整方法 |
| 3.2.5 基于拟合灵敏度的预测模型的拟合误差分析 |
| 3.2.6 基于拟合灵敏度的新型灰度预测模型 |
| 3.3 基于拟合灵敏度的新型灰度预测模型优化方法 |
| 3.3.1 基于拟合灵敏度的新型灰度预测模型的参数初始化 |
| 3.3.2 基于拟合灵敏度的新型灰度预测模型优化方法 |
| 3.4 民航发动机气路性能长期预测案例分析 |
| 3.4.1 实验数据介绍 |
| 3.4.2 模型参数灵敏度分析 |
| 3.4.3 预测结果 |
| 3.4.4 新型灰度模型与其他预测模型对比分析 |
| 3.5 本章小结 |
| 第4章 民航发动机气路故障诊断方法 |
| 4.1 引言 |
| 4.2 基于变样本SAE的民航发动机气路性能数据初步特征提取 |
| 4.2.1 栈式自编码网络 |
| 4.2.2 基于变样本SAE的初步特征提取 |
| 4.3 基于遗传算法的民航发动机气路性能特征进化 |
| 4.4 基于变样本SAE的模式识别方法 |
| 4.5 民航发动机故障诊断模型案例分析 |
| 4.5.1 基于UCI故障数据集的案例分析 |
| 4.5.2 民航发动机气路性能数据集案例实验 |
| 4.6 本章小结 |
| 第5章 基于酵母繁殖搜索策略的机队维修决策优化 |
| 5.1 引言 |
| 5.2 基于维修成本和机队可用度的维修决策建模 |
| 5.2.1 维修模型的基本假设 |
| 5.2.2 单机维修决策建模 |
| 5.2.3 机队维修决策建模 |
| 5.3 酵母繁殖搜索策略 |
| 5.3.1 酵母繁殖搜索方法基本思想 |
| 5.3.2 搜索空间中解单元的定义 |
| 5.3.3 酵母繁殖搜索策略 |
| 5.3.4 仿真模型测试案例分析 |
| 5.4 基于酵母繁殖搜索策略的机队维修决策优化方法 |
| 5.5 机队维修决策案例分析 |
| 5.6 本章小结 |
| 第6章 发动机基地合作网络建模与备发调配优化方法 |
| 6.1 引言 |
| 6.2 基地合作网络建模问题分析 |
| 6.3 基于无标度网络的基地合作网络建模 |
| 6.3.1 基地合作网络建模影响因素分析 |
| 6.3.2 基地合作网络的连接概率函数的构建 |
| 6.3.3 基地合作网络模型的选择策略分析 |
| 6.4 基于Q learning的基地合作网络动态响应路径优化方法 |
| 6.4.1 强化学习算法 |
| 6.4.2 基于Q learning的基地合作网络路径优化过程 |
| 6.5 基地合作网络建模与备发调配优化案例分析 |
| 6.5.1 实验数据 |
| 6.5.2 基于无标度基地合作网络模型的静态分析 |
| 6.5.3 基于无标度基地合作网络模型的动态分析 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（5）基于满足国6排放标准汽油发动机台架标定方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 国外轻型车排放标准实施情况 |
| 1.1.2 中国轻型汽车国6排放标准 |
| 1.2 国6汽油机技术路线 |
| 1.2.1 汽油机控制系统的应对措施 |
| 1.2.2 国内生产企业的选择 |
| 1.3 汽油机标定及国6的影响 |
| 1.3.1 汽油机标定 |
| 1.3.2 国6对标定工作的影响 |
| 1.4 台架试验的发展现状 |
| 1.4.1 传统的台架标定方法 |
| 1.4.2 基于模块的标定方法 |
| 1.4.3 基于模型的标定方法 |
| 1.5 论文研究的意义及主要内容 |
| 第二章 台架试验设计技术研究 |
| 2.1 试验设计技术研究 |
| 2.1.1 经典试验设计 |
| 2.1.2 空间填充设计 |
| 2.1.3 试验设计技术分析比较 |
| 2.2 空间填充试验设计的应用研究 |
| 2.2.1 试验设计准备 |
| 2.2.2 试验设计应用 |
| 2.3 台架试验自动化实践 |
| 2.4 本章小结 |
| 第三章 台架数据建模技术研究 |
| 3.1 模型质量评价及数据处理 |
| 3.1.1 模型质量评价 |
| 3.1.2 试验数据处理 |
| 3.2 数据统计建模技术研究 |
| 3.2.1 国6汽油机响应模型的特点 |
| 3.2.2 数据统计建模技术分析比较 |
| 3.3 高斯过程建模的应用研究 |
| 3.4 本章小结 |
| 第四章 台架数据标定优化研究 |
| 4.1 优化模型研究 |
| 4.2 标定优化的应用研究 |
| 4.2.1 直接式标定优化 |
| 4.2.2 间接式标定优化 |
| 4.3 本章小结 |
| 第五章 台架试验实施及应用评价 |
| 5.1 台架试验目标 |
| 5.1.1 研究对象 |
| 5.1.2 发动机台架试验室 |
| 5.1.3 台架试验内容 |
| 5.2 台架试验开发平台 |
| 5.2.1 软件环境 |
| 5.2.2 硬件环境 |
| 5.2.3 自动化实践 |
| 5.3 基于模型的标定方法应用评价 |
| 5.3.1 台架性能评价 |
| 5.3.2 样车排放性能评价 |
| 5.3.3 工作量评价 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）自动驾驶车辆节能行驶控制策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 自动驾驶车辆节能行驶控制策略研究的重要意义 |
| 1.2 自动驾驶车辆研究现状 |
| 1.2.1 国外自动驾驶车辆研究现状 |
| 1.2.2 国内自动驾驶车辆研究现状 |
| 1.3 自动驾驶车辆节能行驶关键技术分析 |
| 1.3.1 自动驾驶车辆总体技术结构 |
| 1.3.2 节能行驶策略与自动驾驶关键技术的关系 |
| 1.4 自动驾驶车辆节能行驶关键技术研究现状 |
| 1.4.1 车辆轨迹预测方法研究现状 |
| 1.4.2 车辆轨迹规划方法研究现状 |
| 1.4.3 车辆循迹控制方法研究现状 |
| 1.5 节能行驶策略研究现状以及本文的技术路线 |
| 1.6 本文的研究内容及意义 |
| 第二章 自动驾驶实验仿真平台搭建与控制策略设计 |
| 2.1 自动驾驶实验样车平台 |
| 2.1.1 自动驾驶车辆硬件架构 |
| 2.1.2 自动驾驶车辆软件架构 |
| 2.2 自动驾驶虚拟仿真平台 |
| 2.3 自动驾驶车辆节能行驶技术难点分析与策略设计 |
| 2.3.1 自动驾驶车辆节能行驶技术难点分析 |
| 2.3.2 自动驾驶车辆节能行驶控制策略设计 |
| 2.4 本章小结 |
| 第三章 基于交通场景分类与驾驶意图辨识的动态车辆轨迹预测 |
| 3.1 引言 |
| 3.2 目标运动车辆跟踪算法 |
| 3.2.1 目标车辆运动状态估计 |
| 3.2.2 基于相似度函数的目标车辆位置跟踪 |
| 3.2.3 车辆检测及跟踪算法道路实验 |
| 3.3 基于高精度地图数据的目标运动车辆定位算法 |
| 3.3.1 运动车辆坐标系转换 |
| 3.3.2 基于地图匹配的车辆车道定位 |
| 3.4 基于交通场景分类与驾驶意图辨识的轨迹预测方法 |
| 3.4.1 驾驶意图与道路类型对车辆运动轨迹的约束分析 |
| 3.4.2 驾驶员驾驶意图估计模型 |
| 3.4.3 路口场景轨迹预测方法 |
| 3.4.4 非路口场景轨迹预测方法 |
| 3.5 轨迹预测算法道路试验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于车辆轨迹规划的节能行驶方法 |
| 4.1 分层递阶轨迹规划架构设计 |
| 4.2 全局参考路径生成与坐标系转换 |
| 4.2.1 基于三次样条插值的全局参考路径 |
| 4.2.2 基于全局参考路径的坐标系转换 |
| 4.3 基于空间非均匀采样的路径动态规划算法 |
| 4.3.1 运动车辆轨迹S-L坐标系投影 |
| 4.3.2 复杂约束条件下的路径动态规划算法 |
| 4.4 基于车速规划的行驶能耗优化算法 |
| 4.4.1 车辆瞬时能耗模型 |
| 4.4.2 车辆行驶速度凸优化问题构建 |
| 4.5 本章小结 |
| 第五章 基于循迹控制的节能行驶方法 |
| 5.1 基于模型前馈与即时扰动观测的控制架构 |
| 5.2 用于控制的车辆横纵向动力学模型 |
| 5.2.1 车辆纵向动力学模型 |
| 5.2.2 车辆横向动力学模型 |
| 5.3 基于模型前馈与即时扰动观测的车辆横纵向控制算法 |
| 5.3.1 车辆纵向控制算法设计 |
| 5.3.2 车辆横向控制算法设计 |
| 5.4 基于粒子群算法的车辆行驶能耗自趋优方法 |
| 5.5 本章小结 |
| 第六章 节能行驶控制策略的仿真与实车验证 |
| 6.1 轨迹规划与循迹控制算法有效性验证 |
| 6.1.1 轨迹规划算法验证 |
| 6.1.2 循迹控制算法验证 |
| 6.2 车辆节能行驶算法仿真验证 |
| 6.2.1 基于速度规划的节能行驶方法验证 |
| 6.2.2 基于驾驶行为改善的节能行驶方法验证 |
| 6.3 节能行驶控制策略实车综合性验证 |
| 6.3.1 纵向控制算法实车验证 |
| 6.3.2 横向控制算法实车验证 |
| 6.3.3 轨迹规划算法实车验证 |
| 6.3.4 节能行驶算法实车验证 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 发表论文 |
| 参加科研情况 |
| 致谢 |
（7）基于深度特征的民航发动机气路异常检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究发展现状 |
| 1.2.1 民航发动机气路异常检测方法研究现状 |
| 1.2.2 QAR数据异常检测方法研究现状 |
| 1.2.3 性能参数偏差值数据异常检测方法研究现状 |
| 1.2.4 ACARS数据异常检测方法研究现状 |
| 1.2.5 小样本下的异常检测方法研究现状 |
| 1.2.6 无标签下的异常检测方法研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 基于同机双发性能差异的间歇性气路异常检测 |
| 2.1 引言 |
| 2.2 QAR数据的特点与深度特征提取 |
| 2.2.1 QAR数据的特点 |
| 2.2.2 QAR数据深度特征提取难点分析 |
| 2.3 联合SDAE与高斯分布的间歇性气路异常检测 |
| 2.3.1 QAR数据参数选择 |
| 2.3.2 同机双发性能参数差异值计算 |
| 2.3.3 基于SDAE的性能参数差异值深度特征提取 |
| 2.3.4 性能参数差异值深度特征高斯模型构建 |
| 2.3.5 异常检测模型性能评估指标 |
| 2.4 基于同机双发性能差异的间歇性气路异常检测方法验证 |
| 2.4.1 实验数据准备 |
| 2.4.2 SDAE模型超参数设置 |
| 2.4.3 实验结果及其分析 |
| 2.5 本章小结 |
| 第3章 性能参数偏差值驱动的持续性气路异常检测 |
| 3.1 引言 |
| 3.2 性能参数偏差值的特点与深度特征提取 |
| 3.2.1 性能参数偏差值的特点 |
| 3.2.2 性能参数偏差值深度特征提取难点分析 |
| 3.3 懒惰学习与CNN融合的异常检测策略 |
| 3.3.1 CNN模型的优势与基本结构 |
| 3.3.2 懒惰学习与CNN的概率融合方法 |
| 3.3.3 懒惰学习自适应调整样本权重方法 |
| 3.4 性能参数偏差值驱动的持续性气路异常检测方法验证 |
| 3.4.1 实验数据准备 |
| 3.4.2 超参数设置 |
| 3.4.3 实验结果及其分析 |
| 3.5 本章小结 |
| 第4章 ACARS报文驱动的持续性气路异常检测 |
| 4.1 引言 |
| 4.2 ACARS报文数据的特点与深度特征提取 |
| 4.2.1 ACARS报文数据的特点 |
| 4.2.2 ACARS报文数据深度特征提取难点分析 |
| 4.3 基于分组卷积去噪自编码器的持续性气路异常检测 |
| 4.3.1 ACARS参数分组策略研究 |
| 4.3.2 卷积特征映射参数的无监督学习 |
| 4.3.3 卷积特征映射与池化 |
| 4.3.4 基于分组卷积去噪自编码器的异常检测主要步骤 |
| 4.4 ACARS报文驱动的持续性气路异常检测方法验证 |
| 4.4.1 实验数据准备 |
| 4.4.2 模型超参数设置 |
| 4.4.3 实验结果及其分析 |
| 4.5 本章小结 |
| 第5章 基于深度特征迁移的小样本下的气路异常检测 |
| 5.1 引言 |
| 5.2 小样本下的发动机气路异常检测问题分析 |
| 5.2.1 Fine-tuning方法适用性分析 |
| 5.2.2 基于fine-tuning方法的深度特征迁移难点分析 |
| 5.3 基于自适应fine-tuning方法的跨型号气路异常检测 |
| 5.3.1 基于相似性度量的源型号选择策略 |
| 5.3.2 跨型号气路异常检测模型的深度特征迁移优化 |
| 5.3.3 跨型号气路异常检测流程 |
| 5.4 基于深度特征迁移的小样本下的气路异常检测方法验证 |
| 5.4.1 实验数据准备与超参数设置 |
| 5.4.2 实验结果及其分析 |
| 5.5 本章小结 |
| 第6章 基于深度特征迁移的无标签下的气路异常检测 |
| 6.1 引言 |
| 6.2 无标签下的发动机气路异常检测问题分析 |
| 6.2.1 对抗领域自适应框架下的方法选择 |
| 6.2.2 基于对抗判别领域自适应方法的深度特征迁移难点分析 |
| 6.3 基于改进对抗判别领域自适应的深度特征迁移 |
| 6.3.1 对抗判别领域自适应方法 |
| 6.3.2 平衡对抗判别领域自适应方法 |
| 6.3.3 标签约束对抗判别领域自适应方法 |
| 6.3.4 权重约束对抗判别领域自适应方法 |
| 6.4 基于深度特征迁移的无标签下的气路异常检测方法验证 |
| 6.4.1 实验数据准备与超参数设置 |
| 6.4.2 对抗判别领域自适应方法实验结果及其分析 |
| 6.4.3 平衡对抗判别领域自适应方法实验结果及其分析 |
| 6.4.4 标签约束对抗判别领域自适应方法实验结果及其分析 |
| 6.4.5 权重约束对抗判别领域自适应方法实验结果及其分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（8）基于模型预测控制的混合动力车辆能量管理（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 混合动力系统结构形式 |
| 1.2.2 P2 结构的并联式混合动力系统 |
| 1.3 混合动力车辆能量管理策略 |
| 1.3.1 确定性规则控制策略 |
| 1.3.2 模糊规则控制策略 |
| 1.3.3 全局优化控制策略 |
| 1.3.4 瞬时优化控制策略 |
| 1.3.5 P2 结构并联式混合动力系统的能量管理策略 |
| 1.4 车联网技术的研究现状 |
| 1.5 论文主要内容及技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 第2章 混合动力车辆建模及验证 |
| 2.1 对象车辆工作模式分析 |
| 2.2 车辆建模 |
| 2.2.1 发动机建模 |
| 2.2.2 电机模型 |
| 2.2.3 电池模型 |
| 2.2.4 纵向动力学模型 |
| 2.2.5 驾驶员模型 |
| 2.3 等效燃油消耗最小算法 |
| 2.4 车辆仿真模型验证 |
| 2.5 本章小结 |
| 第3章 非线性模型预测控制算法 |
| 3.1 模型预测控制算法的基本原理 |
| 3.2 动态规划算法 |
| 3.2.1 动态规划算法求解过程 |
| 3.2.2 动态规划仿真结果分析 |
| 3.3 模型预测控制+动态规划求解 |
| 3.4 连续广义最小残量算法 |
| 3.5 本章小结 |
| 第4章 混杂模型预测控制算法 |
| 4.1 混杂模型预测控制 |
| 4.1.1 逻辑命题与线性不等式之间的转换 |
| 4.1.2 模型线性化处理 |
| 4.2 混合逻辑动态系统建模 |
| 4.2.1 基于HYSDEL建模 |
| 4.2.2 构建代价函数 |
| 4.3 仿真结果分析 |
| 4.4 本章小结 |
| 第5章 基于混杂模型的分层控制算法 |
| 5.1 混杂非线性模型预测控制 |
| 5.2 分层混杂模型预测控制 |
| 5.3 仿真结果 |
| 5.4 线性时变模型预测控制的实车验证 |
| 5.4.1 台架初步测试 |
| 5.4.2 启停规则优化及台架测试验证 |
| 5.4.3 MPC控制参数优化及台架测试验证 |
| 5.5 本章小结 |
| 第6章 基于预测信息及车联网信息的车辆能量管理 |
| 6.1 基于预测信息的能量管理 |
| 6.1.1 基于指数的工况预测 |
| 6.1.2 基于神经网络的工况预测 |
| 6.1.3 基于工况识别的神经网络预测 |
| 6.1.4 工况预测结果对比分析 |
| 6.2 基于网联信息的能量管理 |
| 6.2.1 基于车车信息的能量管理 |
| 6.2.2 基于红绿灯信息的能量管理 |
| 6.2.3 基于道路坡度信息的能量管理 |
| 6.3 本章小结 |
| 第7章 全文总结与展望 |
| 7.1 全文工作总结 |
| 7.2 主要创新点 |
| 7.3 后续工作展望 |
| 参考文献 |
| 作者简介 |
| 个人教育简历 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参与的科研项目 |
（9）变速器换档规律研究与换档提醒系统开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 参数式换档规律 |
| 1.2.2 基于模糊逻辑的换档决策方法 |
| 1.2.3 智能化换档决策方法 |
| 1.2.4 换档提醒系统 |
| 1.3 本文拟解决的问题和技术路线 |
| 第二章 换档规律的制定方法研究 |
| 2.1 基于最佳燃料消耗率曲线的油耗分析 |
| 2.1.1 最佳燃料消耗率曲线 |
| 2.1.2 行驶阻力曲线 |
| 2.1.3 等功率曲线 |
| 2.1.4 各档驱动力矩 |
| 2.1.5 基于最佳燃料消耗率曲线的工况优化 |
| 2.2 换档规律制定 |
| 2.2.1 动力性换档规律 |
| 2.2.2 经济性换档规律 |
| 2.2.3 一般性换档规律 |
| 2.2.4 可优化的综合性换档规律 |
| 2.2.5 换档规律的修正 |
| 2.3 性能仿真分析 |
| 2.3.1 采用不同换档规律时的档位分析 |
| 2.3.2 采用不同换档规律时的整车性能 |
| 2.4 程序开发 |
| 2.4.1 计算机辅助程序 |
| 2.4.2 VBA在软件自动化方面的使用 |
| 2.4.3 VBA软件与Cruise的联合仿真 |
| 2.5 本章小结 |
| 第三章 换档提醒系统的开发 |
| 3.1 技术方案 |
| 3.1.1 基本控制原理 |
| 3.1.2 基本逻辑结构 |
| 3.1.3 当前档位判断 |
| 3.1.4 推荐档位判断 |
| 3.2 基于Matlab/Simulink的建模和仿真 |
| 3.2.1 基于Matlab/Simulink进行控制逻辑建模 |
| 3.2.2 控制逻辑仿真 |
| 3.3 本章小结 |
| 第四章 仿真评价与试验评价 |
| 4.1 基于Cruise与 Matlab/Simulink耦合的油耗仿真评价 |
| 4.2 基于labview的硬件信号在环仪表仿真 |
| 4.3 油耗转毂试验评价 |
| 4.4 主观驾驶评价 |
| 4.5 效果评价 |
| 4.6 本章小结 |
| 第五章 研究结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）基于P2构型混合动力汽车的驾驶意图及换挡策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的意义 |
| 1.1.1 混合动力汽车研究背景 |
| 1.1.2 研究意义 |
| 1.2 混合动力汽车基本构型 |
| 1.3 混合动力汽车综合换挡策略研究现状 |
| 1.3.1 传统基本换挡规律 |
| 1.3.2 基于驾驶意图综合换挡策略 |
| 1.3.3 综合换挡策略分析 |
| 1.4 主要研究内容及技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 第2章 P2构型混合动力汽车参数匹配及仿真建模 |
| 2.1 混动系统工作模式分析及开发目标设定 |
| 2.1.1 混合动力系统工作模式分析 |
| 2.1.2 整车参数与性能目标 |
| 2.2 动力部件选型及参数计算 |
| 2.2.1 发动机选型与参数计算 |
| 2.2.2 P2驱动电机选型与参数计算 |
| 2.2.3 DCT变速器选型与参数计算 |
| 2.2.4 动力电池选型与参数计算 |
| 2.3 基于CRUISE的仿真模型 |
| 2.3.1 CRUISE仿真建模环境 |
| 2.3.2 整车纵向动力学模型 |
| 2.3.3 CRUISE仿真模型 |
| 2.4 本章小结 |
| 第3章 混动系统转矩分配策略 |
| 3.1 混动系统转矩特性分析 |
| 3.2 驱动模式的转矩分配 |
| 3.2.1 单发动机驱动 |
| 3.2.2 纯电驱动 |
| 3.2.3 混合驱动 |
| 3.2.4 行车充电 |
| 3.3 制动模式的转矩分配 |
| 3.3.1 制动能量回收 |
| 3.3.2 滑行制动 |
| 3.4 仿真模型的验证 |
| 3.5 本章小结 |
| 第4章 混合动力汽车综合换挡策略 |
| 4.1 选定换挡控制参数 |
| 4.2 混合动力汽车换挡规律求解 |
| 4.2.1 混合动力汽车动力性换挡规律求解 |
| 4.2.2 混合动力汽车经济性换挡规律求解 |
| 4.2.3 混合动力汽车降挡规律 |
| 4.3 驾驶意图识别 |
| 4.3.1 驾驶意图识别分类及识别参数 |
| 4.3.2 基于模糊神经网络的驾驶意图识别 |
| 4.4 基于驾驶意图的综合换挡策略 |
| 4.5 本章小结 |
| 第5章 基于驾驶意图识别的仿真分析 |
| 5.1 基于驾驶意图的综合换挡策略仿真 |
| 5.2 拥堵工况下的换挡策略仿真 |
| 5.3 循环工况仿真结果 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
四、基于神经网络模型的发动机工况识别（论文参考文献）
- [1]人工智能在发动机控制开发中的应用及前景[J]. 徐宏明,周泉. 汽车安全与节能学报, 2021(02)
- [2]基于特征优选的航空发动机剩余寿命预测[D]. 黄培炜. 华东交通大学, 2021(01)
- [3]SUV增程式电动汽车动力系统参数匹配与性能仿真[D]. 王玉猛. 吉林大学, 2021(02)
- [4]民航发动机气路健康状态预测与备发调配建模方法研究[D]. 王芳. 哈尔滨工业大学, 2021(02)
- [5]基于满足国6排放标准汽油发动机台架标定方法的研究[D]. 周敬肇. 华南理工大学, 2020(05)
- [6]自动驾驶车辆节能行驶控制策略研究[D]. 熊硕. 天津大学, 2020(01)
- [7]基于深度特征的民航发动机气路异常检测方法研究[D]. 罗辉. 哈尔滨工业大学, 2020(01)
- [8]基于模型预测控制的混合动力车辆能量管理[D]. 江冬冬. 浙江大学, 2020(08)
- [9]变速器换档规律研究与换档提醒系统开发[D]. 解国强. 华南理工大学, 2019(06)
- [10]基于P2构型混合动力汽车的驾驶意图及换挡策略研究[D]. 吴飞. 哈尔滨工业大学, 2019(01)