ABS模糊自适应控制器的设计与仿真研究

基于最佳滑移率的ABS自适应控制器要解决的问题有：在制动过程中，滑移率被稳定的控制在目标滑移率附近；自动识别道路附着状况，调整目标滑移率值以达到利用最大道路附着系数的自适应效果.本文在建立车辆单轮防抱死仿真系统的基础上，使用模糊控制，设计了一个基于最佳滑移率的复合式模糊自适应控制器。经ABS系统仿真实验表明，该控制器的控制稳定性、鲁棒性和自适应性均取得了良好的效果。     

观测器特征型随机非线性系统输出反馈镇定

考虑了一类具有稳定零动态观测器特征型随机非线性系统的输出反馈镇定问题. 应用一系列的状态变换, 将系统转化为下三角结构以便于应用积分反推设计方法设计控制器. 设计了输出反馈控制器, 证明了闭环系统的概率意义下的有界性. 当扰动向量场在原点处消逝时, 闭环系统为概率意义下渐近稳定. 此控制器还满足非线性系统的平衡条件.     

车辆转弯制动ABS模糊控制及稳定性仿真分析

在Matlab／Simlink下建立了八自由度车辆系统的仿真模型。采用模糊控制方法,设计了基于滑移率的ABS控制算法。针对车辆转弯制动工况,对15m／s、20m／s、25m／s三种车速进行了仿真分析。仿真结果表明所建立的ABS控制器能有效提高车辆的制动性能以及中低车速下的稳定性,但定性分析表明车辆在高速工况下出现不稳定现象。为此利用稳定性判定式,对车辆转弯制动ABS控制下的稳定性做了定量判定。判定结果表明,高速时车辆仅有ABS控制并不能达到稳定性控制的要求。     

约束切换非线性系统给出初始稳定区域的预测控制设计

有约束切换非线性系统的稳定控制是一个重要的研究问题．通常的预测控制方法可以很好的处理约束问题并使得系统稳定,但一般首先假设其中的优化问题初始可行,而对于初始稳定区域并没有具体的描述．本文针对一类输入变量受约束且状态不可测的非线性切换系统,提出了一种混合非线性预测控制方案．其主要思想是：利用李亚普诺夫函数和状态观测器,设计在预测控制器和有界反馈控制器之间适当切换的混杂控制器,以得到初始稳定区域的描述并使得子系统闭环稳定;对整个切换系统,基于状态估计,设计在各组件间平稳切换的切换律,以保证整个闭环系统的渐近稳定性．最后通过对一个化工过程实例进行仿真,验证了本文所提控制器的有效性．     

基于Hamilton函数方法的非线性微分代数系统反馈控制

基于Hamilton函数方法研究了一类非线性微分代数系统的镇定和H∞控制问题. 首先结合非线性微分代数系统内在的广义能量平衡特性提出了一种新的耗散Hamilton实现结构. 基于该结构, 对不存在外部扰动的非线性微分代数系统设计了镇定控制器, 对存在外部扰动的非线性微分代数系统, 证明了其L2增益分析问题可以归结为广义Hamilton-Jacobi不等式的求解问题, 并给出了H∞控制器的构造方法. 所提出的非线性微分代数系统的镇定和鲁棒控制器设计方法能充分利用非线性微分代数系统的结构特点, 所设计的控制器形式简单, 易于实现.     

基于特征模型的再入飞行器自适应制导律设计

文中针对航天飞机类再入飞行器对参考阻力加速度曲线的跟踪问题，设计了基于特征模型的自适应制导律．首先将线性定常系统的特征建模方法推广到单输入单输出线性时变系统，从而建立了再入飞行器的特征模型，然后对特征模型提出一种新的非线性微分黄金分割自适应控制律．当特征模型的系数属于有界闭凸集，且系数的变化速率满足一定约束条件时，文中证明了非线性微分黄金分割自适应控制系统是一致渐近稳定的．在特征模型的基础上，通过结合使用跟踪控制律、非线性微分黄金分割控制律和改进的逻辑积分控制律，设计了再入飞行器基于特征模型的自适应制导律．它克服了反馈线性化方法要求精确获得对象模型的缺点．仿真结果表明，文中设计的自适应制导律对参考阻力加速度曲线的跟踪性能明显优于反馈线性化方法．     

汽车差动助力转向系统的可拓协调控制

根据电动轮汽车各轮扭矩独立可控的特点,改变左右转向轮的驱动力差提供转向助力,实现差动助力转向.考虑到差动助力转向系统对汽车稳定性的影响,利用Carsim/Simulink建立轮毂电机驱动电动汽车模型,设计了两层差动助力转向稳定性可拓协调控制系统.在上层控制器中,根据汽车行驶状态,建立可拓协调控制器,其中将二维可拓集合中的可拓距转换到一维可拓集合中计算,求解关联函数,确定各控制器输出权重.在下层控制器中,采用转向盘转矩直接控制策略,建立差动助力转向控制器;根据可拓域和非域中汽车状态的不同,实现基于横摆角速度和质心侧偏角的切换控制,进而建立横摆力矩控制器;基于二次规划方法对四轮驱动转矩优化分配,并根据所处的值域对3种不同的约束条件进行选择.最后利用Carsim和Matlab/Simulink在不同路面附着系数的双移线工况下进行仿真.仿真结果表明,与差动助力转向系统单独工作时相比,当路面附着系数为0.8时,该控制系统能够提高道路跟踪能力,横向偏差最多减少50%,纵向偏差最多减少30%,横摆角速度、质心侧偏角和侧向加速度明显减小,其均方根值分别优化了54.9%,21.4%和22.3%,改善了汽车操纵稳定性;当路面附着系数为0.4时,该系统能够避免汽车失稳,提高行车安全.     

分解式PID-模糊控制及其在ABS中的应用

为解决路面发生跃变时车轮抱死的问题,提出一种分解式PID模糊控制器（p-I-D Fuzzy）,并应用于ABS。建立模糊系统输出与输入的函数关系,结合PID表达式,理论分析表明该型控制器具有类似参数自适应整定PID的功能。分别在典型的高、中、低附着路面,以及跃变路面上进行仿真实验。结果表明这种控制器适应性强,在跃变路面下,超调量小,跟踪迅速。     

基于遗传算法优化的EPS路感混合H2/H∞控制

针对电动助力转向（EPS）系统统存在系统模型、干扰等不确定性,以及对系统动态特性的要求,提出基于遗传算法的EPS系统混合H2/H∞控制器．在EPS系统及整车二自由度数学模型基础上,以转向路感、系统鲁棒性和转向稳定性为控制目标,构建系统的状态空间方程和增广被控对象矩阵,并运用H2/H∞方法极小化系统中各种干扰对被控输出的影响,并在此基础之上应用H2方法对系统进行优化,提出基于遗传算法的EPS系统混合H2/H∞控制方法.EPS系统路感仿真结果表明,基于遗传算法的EPS系统混合H2/H∞控制器,综合了H2/H∞控制和H2/H∞控制的优点,具有较好的鲁棒性能和鲁棒稳定性,可有效抑制路面随机激励、转矩传感器量测、模型参数不确定等所引起的各种干扰和噪声,使驾驶员获得满意的路感．     

DCT变速混合动力轿车制动降档过程优化控制

针对装配干式双离合器式自动变速器(dual clutch transmission,DCT)的弱混合动力轿车发动机辅助制动工况,为充分回收制动能量,制定了电液复合制动力矩分配策略,并对该工况瞬态降档过程各阶段离合器传递力矩和ISG电机输出力矩协调控制问题展开了研究.首先,建立了DCT降档过程动力学方程,模糊识别驾驶员制动意图,计算并获得驾驶员需求制动力矩,考虑电机最大制动力矩限制、发动机辅助制动力矩以及整车行驶阻力矩,根据所制定的复合制动力矩分配策略决策了发动机辅助制动过程ISG目标输出力矩;其次,设计降档过程转矩相分离离合器控制律,模型计算得到了离合器传递力矩;再者,考虑ISG电机力矩响应速度及转速同步时刻冲击度等,设计了发动机转速参考轨迹,并综合运用线性二次型最优跟踪及模型参考自适应控制,在外界扰动及模型参数摄动的情况下求取了惯性相结合离合器转速同步过程ISG电机输出力矩;最后,为避免从降档过程切换至在档稳定减速制动时,由于电机力矩突变所造成的车辆较大冲击,设计了电机力矩切换控制策略.仿真结果表明:所设计的制动降档控制策略能够充分利用发动机辅助制动力矩,并回收部分制动能量,ISG电机能够响应降档过程需求制动力矩的变化,实现快速换档.     

一种高速铁路无砟轨道混凝土结构疲劳损伤模型

基于连续损伤力学理论和边界面概念,建立了高速铁路无砟轨道混凝土结构在循环荷载作用下的疲劳损伤模型.模型在主坐标系中采用了拉压两个边界面,根据加载面与极限断裂面、边界面之间的位置关系来计算高速铁路无砟轨道混凝土结构在复杂应力状态下的损伤,并由累积损伤与应变能释放率之间的关系确定循环加载中极限断裂面的变化规律.通过将该理论模型嵌入有限元软件ABAQUS的用户材料子程序UMAT,与同类模型进行比较验证了模型的可行性.最后对高速铁路双块式无砟轨道支承层进行了循环动荷载作用下的疲劳累积损伤分析.结果表明该模型不仅能够较好地反映支承层在循环荷载作用下疲劳损伤非线性演变规律,还可以展现其疲劳损伤分布形态的全过程,为研究高速铁路无砟轨道混凝土结构的疲劳损伤与寿命预测,提供了可行的理论分析方法.     

基于交通流特征的可变信息板布局优化方法

为了引导交通流的合理分布并确定城市路网中可变信息板的布局方案,本文提出了一种基于路段交通流特征信息量评估的可变信息板布局优化方法。利用图论对城市路网进行描述,建立了基于信息熵的路段交通流特征信息量评估模型。并结合实际路网的拓扑结构特性,设计了可变信息板布局方案的初步生成方法。12节点的网络实例验证显示:该布局方法是有效的,且便于交通管理者所理解。同时,提出的交通流特征提取方法具有较强的应用性,可为道路规划与安全评估提供基础信息。     

道路交通事故等间隔序列的灰色预测方法

在分析道路交通系统灰色属性的基础上，论文提出可以将道路交通事故作为道路交通系统行为特征量处理，运用灰色理论和方法来进行道路交通事故预测，在此基础上，建立了道路交通事故的等间隔序列灰色预测模型，并运用实例验证了模型的实用性。     

Forecasting multivariate time series with linear restrictions using constrained structural state‐space models

This paper presents a methodology for modelling and forecasting multivariate time series with linear restrictions using the constrained structural state‐space framework. The model has natural applications to forecasting time series of macroeconomic/financial identities and accounts. The explicit modelling of the constraints ensures that model parameters dynamically satisfy the restrictions among items of the series, leading to more accurate and internally consistent forecasts. It is shown that the constrained model offers superior forecasting efficiency. A testable identification condition for state space models is also obtained and applied to establish the identifiability of the constrained model. The proposed methods are illustrated on Germany's quarterly monetary accounts data. Results show significant improvement in the predictive efficiency of forecast estimators for the monetary account with an overall efficiency gain of 25% over unconstrained modelling. Copyright © 2002 John Wiley & Sons, Ltd.     

Using a heterogeneous multinomial probit model with a neural net extension to model brand choice

The multinomial probit model introduced here combines heterogeneity across households with flexibility of the (deterministic) utility function. To achieve flexibility deterministic utility is approximated by a neural net of the multilayer perceptron type. A Markov Chain Monte Carlo method serves to estimate heterogeneous multinomial probit models which fulfill economic restrictions on signs of (marginal) effects of predictors (e.g., negative for price). For empirical choice data the heterogeneous multinomial probit model extended by a multilayer perceptron clearly outperforms all the other models studied. Moreover, replacing homogeneous by heterogeneous reference price mechanisms and thus allowing price expectations to be formed differently across households also leads to better model performance. Mean utility differences and mean elasticities w.r.t. price and price deviation from reference price demonstrate that models with linear utility and nonlinear utility approximated by a multilayer perceptron lead to very different implications for managerial decision making. Copyright © 2007 John Wiley & Sons, Ltd.     

A forecasting procedure for nonlinear autoregressive time series models

Forecasting for nonlinear time series is an important topic in time series analysis. Existing numerical algorithms for multi‐step‐ahead forecasting ignore accuracy checking, alternative Monte Carlo methods are also computationally very demanding and their accuracy is difficult to control too. In this paper a numerical forecasting procedure for nonlinear autoregressive time series models is proposed. The forecasting procedure can be used to obtain approximate m‐step‐ahead predictive probability density functions, predictive distribution functions, predictive mean and variance, etc. for a range of nonlinear autoregressive time series models. Examples in the paper show that the forecasting procedure works very well both in terms of the accuracy of the results and in the ability to deal with different nonlinear autoregressive time series models. Copyright © 2005 John Wiley & Sons, Ltd.     

Estimation of short-run predictive factor for US growth using state employment data

We estimate a predictive single factor model targeted to unobserved common growth in gross domestic product and gross domestic income (GDI) using a state-space framework with select state employment data. We use likelihood-based comparison to select the states to estimate the dynamic factor. The results show improved in-sample and out-of-sample performance than threshold principal component factors and financial spreads. Out-of-sample evaluations indicate larger gains for GDI growth with 14% to 20% lower mean squared forecast errors than other alternatives. Sectoral employment factors based on selected sectors using the state-space framework also show forecasting gains. An expanded model using both sectoral and state employment data shows that their common component is the primary predictive factor.