在外磁场中电子的进动和附加磁矩

本文从不同角度、用不同方法推证电子在磁场中角速度的改变量和附加磁矩,从而进一步阐明顺、抗磁质磁性起源的微观本质。     

动量矩的四元数表示法

通过无限小旋转变换的四元数，引入角速度矢量，再把矢量叉乘换成四元数乘法，最后由刚体动量矩叉乘表示换成四元数乘法形式。     

半挂车横摆模拟试验研究

通过比较道路实车试验,利用室内横摆实验台,在不同车速条件下对半挂车横向摆振特性进行试验研究,并对模拟试验结果和实际结果进行对比分析.研究结果表明:模型试验可以较好的表现出半挂车横向摆振特性,从而为研究真实半挂车的操纵稳定性能,提供了一种模拟试验的方法.     

四轮转向直接横摆力矩鲁棒集成控制仿真研究

将四轮转向与直接横摆力矩相结合,考虑模型摄动优化权函数抑制外扰,基于模型跟踪设计μ综合鲁棒集成控制器.采用J-turn操纵方式高速下验证控制器的鲁棒性,比较前轮转向直接横摆力矩,四轮转向与四轮转向直接横摆力矩三种车辆控制系统的操纵性能,仿真表明设计的四轮转向直接横摆力矩集成μ综合控制器更能有效地提高车辆闭环系统的鲁棒性,抵制外部扰动的鲁棒稳定性,且避免了H∞控制器的保守性.     

智能车辆弯路换道轨迹规划与横摆率跟踪控制

对自动化公路系统弯路上智能车辆换道控制进行了研究.假设期望的侧向加速度满足正反梯形的约束条件,考虑起始车道和目的车道曲率的差别,提出了一种弯路上车辆换道轨迹规划方法,推导了换道时车辆在惯性坐标系的期望运动状态计算公式;根据车辆期望运动状态计算了车辆换道时的期望横摆角、横摆角速度和横摆角加速度;假定依靠角速度传感器获得横摆角速度信息,基于车辆侧向动力学模型,采用非奇异终端滑模控制方法,设计了横摆角速度跟踪车辆换道滑模控制规律.基于李雅普诺夫稳定性理论,采用相平面法,对控制系统的有限时间收敛性进行了分析.仿真结果显示,若不考虑内外侧车道曲率差别,规划的期望换道轨迹,在换道结束时与目的车道位置之间总是存在偏离,偏离程度随曲率半径减小而增大;本文考虑内外侧车道曲率的差别,能得到无偏差的期望换道轨迹;设计的横摆率跟踪控制规律能实现对换道轨迹的理想跟踪.     

"l-L"旋进快慢的估算

借助于原子的矢量模型,利用“l-L”旋进带来的价电子动能增量与其相应的相互作用能的关系,给出了估算两价电子原子“l-L”旋进快慢的一般表示式。     

基于预测--模糊联合控制的分布式驱动车辆路径跟踪方法

为研究分布式驱动车辆（4wid）路径跟踪中的跟踪精度和稳定性的问题,提出了模型预测-模糊(Mpc-Fuzzy)的联合控策略, 缓解了单一模型预测控制下车辆跟踪精度与控制器计算压力间的冲突。采用模型预测控制设计了上层路径跟踪控制器,旨在利用模型预测“滚动优化”的优点降低跟踪误差的同时保证车辆的稳定性。下层采用模糊控制,将转向过度和转向不足量化为“方向偏差”和“位置偏差”,利用四轮转矩独立控制的优点进一步优化转矩输出,旨在降低模型预测控制器对参考模型线性化后带来的跟踪误差。为验证控制策略的可靠性,基于Carsim和Simulink.、Driving Scenario搭建联合仿真模型,将联合控制器和单运动学模型预测控制器进行对比研究。仿真结果表明联合控制器可在完成对给定路径跟踪的基础上,减少转向不足和转向过度的发生,降低了方向误差和位置误差。     

微石英音叉陀螺激励与检测电极的研究

根据弹性力学和静电理论建立压电梁弯曲振动时晶体内电场分布的泊松方程,研究微石英音叉陀螺不同形式的激励与检测电极的性能,对泊松方程求解,得出了几种典型电极形式下压电梁内电场的分布表达式,计算驱动电极的等效体力和检测电极的压电电流。根据等效体力和压电电流的大小确定出了最佳驱动电极和检测电极的形式,给出了微石英音叉陀螺电极性能的研究方法。     

按许用压力角设计最小尺寸的摆动从动杆移动凸轮机构的解析法

从由辅助角法推得的压力角表达式出发,首次构追起与摆动杆移动凸轮机构相应的角速度图,再据微分几何包络原理导出限制其最小尺寸的界线方程式,这样就可在电子计算机上直接计算凸轮的最小移动逑度或长度。文章将这种方法应用于力锁合式的摆动从动杆移动凸轮机构。     

基于遗传神经网络的车轮匹配整车逆动力学

为深入研究机械弹性车轮(MEW)的力学性能和整车稳定性的相互匹配关系,在Simulink中建立了整车非线性三自由度模型;利用基遗传算法对车轮模型参数进行辨识,并提取侧偏刚度与侧向力峰值作为车轮力学特性的评价指标;利用该模型进行了前后轴不同侧偏刚度和侧向力峰值组合的汽车前轮正弦输入模拟仿真,得到若干组汽车稳定性指标参数;利用遗传算法优化,建立了输入为汽车稳定性评价指标,输出为前后轮侧偏刚度和侧向力峰值组合的BP神经网络逆动力学模型.研究结果表明:遗传算法对车轮参数识别误差小于4%,用遗传神经网络算法(GANN)得到的测试结果最大误差为6.2%,平均误差为3.1%,所建立的遗传神经网络模型具有较高的车轮侧偏特性预测能力.