本文關鍵詞： 重型車輛 側翻預警算法 預警精度 遺傳算法 BP神經網(wǎng)絡　出處：《華南理工大學學報(自然科學版)》2017年02期 　論文類型：期刊論文

【摘要】：針對輪轂液壓混合動力重型商用車,引入基于遺傳算法優(yōu)化的BP神經網(wǎng)絡算法建立側翻預警控制策略.首先,建立重型車輛3自由度側翻參考模型,選取車輛側翻預警算法的側翻指標,并結合參考模型建立側翻指標觀測器;然后,在傳統(tǒng)TTR(Time-To-Rollover)側翻預警算法研究的基礎上,引入遺傳算法優(yōu)化的BP神經網(wǎng)絡(GANN)對傳統(tǒng)的TTR預警算法進行優(yōu)化,建立基于GANN-TTR的側翻預警算法;最后,利用Truck Sim仿真軟件建立整車模型,利用AMESim仿真軟件建立輪轂液壓系統(tǒng)模型,在Matlab/Simulink環(huán)境下實現(xiàn)側翻預警算法,并通過Matlab/Simulink、Trucksim和AMESim三軟件搭建聯(lián)合仿真平臺,選取階躍轉向和魚鉤轉向兩種典型工況進行仿真,對比傳統(tǒng)TTR、傳統(tǒng)BP神經網(wǎng)絡以及基于GANN-TTR的側翻預警算法的預警精度.仿真結果表明,基于GANNTTR的側翻預警算法能夠有效提高預警精度,通過方向盤轉角和縱向車速進行算法修正后得到的曲線與理想預警曲線誤差最小達5%.
[Abstract]:The BP neural network algorithm based on genetic algorithm is introduced to establish the early warning control strategy for the heavy commercial vehicle with hydraulic hybrid electric vehicle hub. Firstly, the 3 DOF rollover reference model of heavy duty vehicle is established. Selecting the rollover index of vehicle rollover early warning algorithm and combining with the reference model to establish the rollover index observer. Then, based on the traditional TTRT Time-To-Rollover early warning algorithm, Genetic algorithm optimized BP neural network was introduced to optimize the traditional TTR early warning algorithm, and the rollover early warning algorithm based on GANN-TTR was established. Finally, the whole vehicle model was established by using Truck Sim simulation software. The hydraulic system model of wheel hub is established by using AMESim simulation software, and the early warning algorithm of rollover is realized under the environment of Matlab/Simulink. Through Matlab / Simulink Trucksim and AMESim software, a joint simulation platform is built, and two typical working conditions, step steering and fishhook steering, are selected to simulate. Compared with the traditional TTR-based BP neural network and the GANN-TTR based rollover early warning algorithm, the simulation results show that the rollover early warning algorithm based on GANNTTR can effectively improve the early warning accuracy. The minimum error between the curve and the ideal warning curve is up to 5 by the algorithm correction of steering wheel angle and longitudinal speed.
【作者單位】： 吉林大學汽車仿真與控制國家重點實驗室;一汽解放青島汽車有限公司;
【基金】：國家自然科學基金資助項目(51575221,51675214) 吉林大學研究生創(chuàng)新研究項目(2016083)~~
【分類號】：U461.6;TP183

【相似文獻】

相關期刊論文 前10條

1 胡軍;宋曉琳;殷智宏;;遺傳算法在雙橫臂懸架優(yōu)化中的應用[J];客車技術與研究;2007年03期

2 浦金歡,殷承良,張建武;遺傳算法在混合動力汽車控制策略優(yōu)化中的應用[J];中國機械工程;2005年07期

3 孫海龍;隋允康;葉紅玲;;多方式進化遺傳算法及其優(yōu)化波紋薄壁管的耐撞性[J];科技導報;2012年18期

4 鄭宇龍;;基于遺傳算法車輛傳動系統(tǒng)優(yōu)化[J];汽車實用技術;2014年06期

5 楊易;谷正氣;胡林;羅國青;容哲;;病毒進化遺傳算法在動態(tài)路徑規(guī)劃中的運用研究[J];汽車工程;2007年01期

6 王曉云;原思聰;羅丹;;基于混沌遺傳算法的齒輪變速箱優(yōu)化設計[J];機械傳動;2011年09期

7 連志偉;顏超;;遺傳算法在混合動力汽車參數(shù)優(yōu)化中的應用[J];上海汽車;2008年09期

8 付郁;;基于改進遺傳算法的某發(fā)動機廠裝配線平衡研究[J];機械;2014年05期

9 蔣美華;周少良;陳欣;蘇俊剛;左志奇;;基于遺傳算法的高速工程車動力性優(yōu)化分析[J];建筑機械;2013年03期

10 顏超;連志偉;;基于遺傳算法的串聯(lián)混合動力汽車參數(shù)優(yōu)化[J];北京汽車;2008年04期

相關會議論文 前3條

1 岳敏楠;柳建華;;基于遺傳算法的車輛用空調換熱器的優(yōu)化[A];中國制冷學會2007學術年會論文集[C];2007年

2 任明旭;邸亞男;李勇;施艷春;;基于BP神經網(wǎng)絡和遺傳算法的電動汽車電機優(yōu)化設計[A];第十一屆沈陽科學學術年會暨中國汽車產業(yè)集聚區(qū)發(fā)展與合作論壇論文集（信息科學與工程技術分冊）[C];2014年

3 黃海波;黃鈺;陳緒平;;電控CNG發(fā)動機標定方法研究[A];2005年“南駿杯”汽車學術年會論文集[C];2005年

相關碩士學位論文 前10條

1 王琳琳;新型雙層液壓轎運車車廂的設計研究[D];上海工程技術大學;2015年

2 楊琦;混聯(lián)式混合動力汽車優(yōu)化研究[D];復旦大學;2014年

3 黃彬;陸空車輛跳飛過渡控制技術研究[D];北京理工大學;2016年

4 潘二東;插電式混合動力汽車參數(shù)匹配及優(yōu)化控制研究[D];昆明理工大學;2016年

5 王和杰;基于遺傳算法優(yōu)化的BP神經網(wǎng)絡的汽車油耗計算模型[D];江蘇科技大學;2016年

6 蔡曉龍;發(fā)動機缸蓋裝配線平衡改善研究[D];沈陽工業(yè)大學;2015年

7 黃婷;汽車總裝物料配送系統(tǒng)仿真與路徑優(yōu)化[D];南京林業(yè)大學;2016年

8 劉洪斌;CFRP薄管耐撞性參數(shù)研究及鋪層角度優(yōu)化設計[D];湖南大學;2015年

9 陳小雄;基于遺傳算法的汽車外形優(yōu)化[D];重慶理工大學;2016年

10 田闊;基于遺傳算法的車架結構優(yōu)化[D];河北工業(yè)大學;2011年

，

本文編號：1497923