自适应模糊神经网络在EPS中的应用

文章介绍了汽车电动助力转向系统(EPS)的组成及工作原理;为解决汽车EPS系统非线性问题,将模糊逻辑与神经网络相结合,采用了基于T-S(Takagi-Sugeno)模型的自适应神经网络模糊推理系统(ANFIS)控制策略;仿真试验验证了系统模型和控制理论的有效性和正确性.     

基于模糊自整定PID的EPS控制系统研究

根据电动助力转向系统的工作原理、控制模型、助力特性及控制策略,利用Matlab软件中simulink模块搭建基于模糊自整定PID控制的目标电流跟踪控制仿真模型,然后通过分析仿真结果得出模糊自整定PID控制能较好的满足EPS系统助力、操纵稳定、响应快的特性要求.对EPS控制系统研究具有一定的参考性.     

EPS系统性能试验研究

设计了电动助力转向系统性能试验台,对进口电动助力转向系统的转矩传感器、电机电流传感器进行标定,并进行台架性能测试。测试结果表明：转矩传感器在零输入时的输出不为零,向右转向时输出增加,向左转向时输出减小;各种车速下的助力特性曲线都有死区存在;相同车速下,电机助力随操舵力几乎呈线性增加;随着车速的增加,电机助力随操舵力变化的斜率近似呈双曲线减小。测试结果对电动助力转向系统有关传感器和控制器元件的选择、设计开发以及控制策略的制定具有一定的参考价值。     

汽车EPS系统原理及整车应用要点

EPS是当前世界最发达的转向助力系统,文章对汽车EPS市场发展及开发现状进行了阐述,通过介绍C-EPS系统的特点和工作原理,重点介绍ESP的关键技术,为设计人员提供设计依据,以便其更快更好地完成工作.     

基于容错技术的EPS控制系统优化设计

电动助力转向系统(EPS,Electric Power Steering)是集节能、环保、安全为一体的前沿技术,是未来车辆转向系统的发展方向。本文就EPS系统的发展以及工作原理进行简单介绍,着重对于目前EPS系统普遍存在一些问题和不足,进行了仔细的分析,从助力特性曲线优化和容错技术的应用两个方面入手,综合应用各种控制策略,提出了一些优化和改进EPS控制系统的措施,并且进行相关的设计。     

汽车EPS回正控制与仿真试验研究

为了改善汽车转向轻便性的问题以及解决传统EPS系统所带来的汽车回正性能降低的问题,建立了基于SIMULINK的电动助力转向系统仿真模型,创建了基于系统环和控制环的控制策略,提出了基于转向盘转角和目标操纵转矩的PID控制方法,通过仿真与试验拟合出转向盘转角θh——目标操纵转矩TdMap图.运用MATLAB仿真EPS助力效果与实车试验对比验证设计的控制策略,改善了汽车的助力回正性能,提高了汽车的转向轻便性和行车安全性.     

电动助力转向系统（EPS）控制单元的实验研究

电动助力转向（EPS）是一种全新的汽车动力转向技术。本文参照《汽车电动助力转向装置技术条件与台架试验方法（征求意见稿）》,对研制的控制器进行了功能试验、负载特征试验、助力电流特征试验、回正性能试验的实验验证。     

基于联合仿真分析的微型轿车EPS控制策略研究

为了提高某微型轿车的转向性能,进行了电动助力转向系统(EPS)控制策略的研究.针对微型轿车,设计了EPS助力控制、回正控制和阻尼控制策略,利用MATLAB/Simulink软件建立了EPS控制系统模型;运用MSC.ADAMS/CAR建立带EPS的微型轿车虚拟样机模型;参照相关国家标准,采用联合仿真分析的方法进行了微型轿车的操纵稳定性仿真试验.仿真结果表明,加入EPS控制的微型轿车转向轻便性和转向回正性能良好,所设计的EPS控制系统提高了汽车的转向性能.     

汽车中的EPS系统应用分析

本文综述了汽车助力转向系统EPS的发展,EPS系统的结构组成及工作原理。EPS具有节能、环保、成本低、易控制、结构简单、便于装车等传统转向助力系统无法比拟的优势,成为转向技术的发展方向。     

EPS参数的优化设计及仿真

为了提高汽车操纵的轻便性和灵活性,提出了将单纯形方法与模糊PID控制方法相结合设计EPS控制器的改进方法,为优化设计提供了理论依据.建立了EPS的数学模型、设计了调节控制器参数的模糊控制规则,并运用MatLab优化控制工具箱建立系统模型并进行了Simulink仿真实验研究.仿真结果表明:本设计方法大大地改善了系统的时域响应,提高了汽车操纵的轻便性和灵活性.     

基于神经网络的模糊控制系统的研究

从模糊理论和神经网络各自特点出发 ,详细讨论这 2大系统的联系和区别 .进一步将两者有机的结合起来 ,实现基于神经网络的模糊控制推理结构的设计 ,同时给出其设计的方法和步骤 .显示两者的结合是实现更完美智能控制系统的有效途径 .     

带有参数自调整机构的多变量系统模糊神经网络解耦控制

在文献[1]的基础上,引入模糊神经网络和参数自调整算法,改善系统的智能,使系统具有自学习和自调整模糊规则的能力.仿真结果表明,该方法能实现静态解耦,并提高了系统的抗干扰能力和鲁棒性,改善了系统的性能.     

混合动力汽车补偿模糊神经网络能量管理策略

以上海大众汽车公司某型号混合动力电动汽车(HEV)的设计要求为基础,提出了一种基于补偿模糊神经网络的能量控制策略,并采用动态调整步长的梯度下降法加快算法的收敛速度.分析了样本数据选取、输入、输出模糊分割和模糊规则提取对控制器性能的影响.利用ADVISOR2002仿真平台进行二次开发,完成了基于补偿模糊神经网络的控制策略、并联电力辅助控制策略和模糊控制策略的仿真比较.仿真结果表明,基于补偿模糊神经网络的控制器具有较强的自适应能力,可以较好提高混合动力汽车的燃油经济性和排放性.     

基于模糊神经网络控制的汽车辅助再生制动系统研究

将驾驶安全性和制动能量回收相结合,提出了基于模糊神经网络控制的汽车辅助再生制动系统.通过试验数据建立基于驾驶员经验的模糊神经网络,实现根据驾驶车辆与前车的相对距离和相对速度动态调整制动强度;通过计算得到不同的车速和制动强度下,前轮再生制动力,前、后轮摩擦制动力查询表;将模糊神经网络和制动力查询表嵌入配备比例阀的制动系统从而完成辅助再生制动系统的设计.在Simulink下搭建此辅助再生制动系统模型进行仿真实验,结果表明,此再生制动系统可以有效辅助驾驶安全,避免追尾事故发生,并可充分回收制动能量.     

模糊神经网络的若干进展

文章对本世纪80年代中期兴起并紧密结合现代科学技术进步的一门新兴学科——模糊神经网络进行了综述，分析了所取得的主要成果及其特点，并指出了今后模糊神经网络研究中有待解决的许多阿题。对开展模糊神经网络的研究将具有启迪作用和现实意义。     

模糊神经网络控制系统

介绍了将神经网络和模糊控制相结合,即用人工神经网络算法产生模糊推进规则和隶属函数,再基于这些模糊推理规则和隶属函数产生模糊逻辑控制的一种新颖控制策略-模糊神经网络系统的组织结构及其神经网络的设计。     

轮式机器人遗传模糊神经网络转向控制

针对数学模型复杂的轮式机器人的转向控制问题，使用基于遗传算法的模糊神经网络转向控制方法．首先建立车辆的神经网络模型，然后构造模糊神经网络控制器，再用遗传算法寻找模糊神经网络控制器的参数，最后提高控制器对速度变化的适应性．仿真表明，该方法可以对机器人的转向进行有效控制，效果良好，能适应各种不同速度变化，是一种有实用意义的控制方法．     

基于神经网络的车用发动机广义预测控制

为了改善具有非线性特性的发动机燃油控制效果,以达到高效率、低污染的要求。利用一种前向神经网络作为非线性系统的模型,并将其分为线性部分和非线性部分。其中非线性部分用单隐层的BP神经网络对其建模,采用学习速度较快的Davidon最小二乘法在线调整网络权值;线性部分采用受控自回归积分滑动平均(CARIMA)模型作为其数学模型,用递推最小二乘法(RLS)作为其参数辨识的方法。每步将所得非线性系统的网络模型线性展开,得到线性回归模型,并以非线性前馈增益方式补偿建模误差,建立了一种适合非线性系统的自校正广义预测控制器。仿真结果表明该算法收敛速度快,控制动作平稳,控制效果理想。     

神经模糊网络自适应模糊控制研究

提出了一种由样品辨识、模糊推理和控制处理 3个子网模块构成的基于知识的多层神经网络 .这种网络由各子网分别构成并按照最初的模糊控制结构适当连接而建立 ,具有明确区分各组成子网功能及其知识流结构 .由于综合了模糊逻辑的推理过程及神经网络的学习能力 ,使它能够在其结构中以模糊规则的形式引入语言知识并通过网络的训练及自学习对这些知识进行加工 ,从而实现了真正意义上的自适应模糊控制器 .最后还讨论了这种 NFN网络在动态过程控制中的应用