CN104049535B - 汽车ass和eps集成系统神经网络逆控制器及构造方法 - Google Patents
汽车ass和eps集成系统神经网络逆控制器及构造方法 Download PDFInfo
- Publication number
- CN104049535B CN104049535B CN201410244188.4A CN201410244188A CN104049535B CN 104049535 B CN104049535 B CN 104049535B CN 201410244188 A CN201410244188 A CN 201410244188A CN 104049535 B CN104049535 B CN 104049535B
- Authority
- CN
- China
- Prior art keywords
- input
- nerve network
- linear
- car load
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Feedback Control In General (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种汽车ASS和EPS集成系统神经网络逆控制器及构造方法,将ASS与EPS作为一个整体组成整车非线性系统,将神经网络逆置于整车非线性系统之前,神经网络逆与整车非线性系统串联复合成伪线性系统,在此基础上,对伪线性系统设计线性闭环调节器,将神经网络逆和线性闭环调节器相串联构成汽车ASS和EPS集成系统神经网络逆控制器。采用该控制器可以实现汽车垂直加速度、侧倾角、悬架动扰度、整车横摆角速度和质心偏置角之间非线性解耦控制,可以显著提高汽车ASS和EPS集成系统的控制性能。
Description
技术领域
本发明属于车辆工程设备的技术领域,涉及一种基于神经网络逆的汽车ASS和EPS集成系统控制器及其控制方法,适用于汽车整车非线性系统的高性能集成控制。
背景技术
随着科技水平的不断发展,人们对汽车的操纵性、平顺性、舒适性和行驶安全性等的性能要求越来越高。主动悬架系统(Active suspension system,ASS)可以有效地降低各种工况下路面不规则激励对车辆造成的过大加速度,从而可以提高行驶舒适性,改善车辆的操纵稳定性和平顺性,已成为国内外广大学者的研究热点之一。电动助力转向系统(Electricpower steering system,EPS)作为一种新型转向系统,所需的零件数目小于传统液压助力转向系统所需零件数目,而且不需要添加任何外围硬件电路即可改变系统的助力特性,具有优良的操纵轻便性,已经成为汽车助力转向系统的主流技术。在汽车正常行驶过程中,ASS与EPS之间存在着非线性耦合关系、两者必然会相互干扰、相互影响。因此,为了消除或降低汽车ASS与EPS之间的非线性耦合影响,有必要对ASS与EPS集成系统进行非线性解耦控制。目前对ASS与EPS集成系统的控制方法主要是基于微分几何理论的解耦控制方法。然而该方法需要建立ASS与EPS集成系统的精确数学模型,由于较难获得系统精确的数学模型,故该控制方法的控制效果欠佳。
发明内容
本发明的目的是为了克服现有汽车ASS与EPS集成系统解耦控制技术的不足,提供一种提高行驶舒适性,改善车辆的操纵稳定性和平顺性,并消除汽车垂直加速度、侧倾角、悬架动扰度、整车横摆角速度和质心偏置角之间非线性耦合的神经网络逆控制器。
本发明的另一目的是提供汽车ASS与EPS集成系统神经网络逆控制器的构造方法。
本发明汽车ASS与EPS集成系统神经网络逆控制器采用的技术方案是:包括神经网络逆和线性闭环调节器,将神经网络逆和线性闭环调节器相串联构成汽车ASS和EPS集成系统神经网络逆控制器,其中神经网络逆采用静态神经网络加5个积分器组成,线性闭环调节器包括垂直加速度调节器、侧倾角调节器、悬架动扰度调节器、整车横摆角速度调节器和质心偏置角调节器,线性闭环调节器对伪线性系统进行闭环控制;伪线性系统由垂直加速度子系统、侧倾角子系统、悬架动扰度子系统、整车横摆角速度子系统和质心偏置角子系统组成,神经网络逆与由ASS和EPS作为一个整体构成的整车非线性系统共同复合构成等效的伪线性系统。
本发明汽车ASS与EPS集成系统神经网络逆控制器的构造方法采用的技术方案是:依次包括以下步骤:1)将ASS与EPS作为一个整体组成整车非线性系统;2)确定整车非线性系统的逆系统的输入输出变量;3)采用离线训练好的静态神经网络加5个积分器构成神经网络逆;4)将主动悬架力F1、F2、F3、F4和电动助力转矩Tm的阶跃激励信号加到整车非线性系统的输入端,采集垂直加速度az、侧倾角φ、悬架动扰度fd、整车横摆角速度γ和质心偏置角β,并离线分别求其一阶导数,并对信号做规范化处理,组成神经网络的训练样本集,对静态神经网络进行训练,从而确定静态神经网络的各个权系数;5)将神经网络逆置于整车非线性系统之前,神经网络逆与整车非线性系统串联复合成伪线性系统;形成垂直加速度的一阶伪线性子系统、侧倾角的一阶伪线性子系统、悬架动扰度的一阶伪线性子系统、整车横摆角速度的一阶伪线性子系统和质心偏置角的一阶伪线性子系统;6)对得到的5个所述一阶伪线性子系统分别设计垂直加速度调节器、侧倾角调节器、悬架动扰度调节器、整车横摆角速度调节器和质心偏置角调节器,并由所述的5个调节器构成线性闭环调节器,将神经网络逆与线性闭环调节器共同组成汽车ASS和EPS集成系统神经网络逆控制器。
本发明的有益效果是:
1、本发明利用神经网络逆控制方法,静态模糊神经网络采用3层MLN网络,隐层神经元激活函数使用S型函数,输出层的神经元采用纯线性函数,能够有效改善训练时神经网络的泛化能力、收敛精度以及缩短训练所需用的时间;
2、通过选用二次型指标最优方法进一步合理设计线性闭环调节器,实现了汽车ASS与EPS集成系统的高性能协调控制;
3、本发明采用的控制方法与传统ASS与EPS集成系统的控制方法相比,不需要增加任何硬件设施,控制算法由软件编程,成本低,实现简便,具有广阔的应用前景;
4、本构造方法的控制器可以有效改善汽车行驶安全性、乘坐舒适性、操纵性和平顺性。
附图说明
图1是由ASS与EPS组成整车非线性系统的示意图及其等效图;
图2是整车非线性系统的神经网络逆构成框图;
图3是神经网络逆与整车非线性系统复合构成的伪线性系统的示意图及其等效图;
图4是由线性闭环调节器与伪线性系统组成的闭环控制系统结构图;
图5是采用汽车ASS和EPS集成系统神经网络逆控制器对整车非线性系统进行控制原理框图。
图6是本发明神经网络逆控制器7使用IPG(Car Maker)试验平台进行控制系统实施的原理框图;
图7是IPG(Car Maker)试验平台的系统软件框图。
具体实施方式
下面结合附图对本发明的具体实施方式进一步说明。
如图1和图5所示,本发明汽车ASS和EPS集成系统神经网络逆控制器,包括神经网络逆4和线性闭环调节器6,将神经网络逆4和线性闭环调节器6相串联构成汽车ASS和EPS集成系统神经网络逆控制器7,其中神经网络逆4采用静态神经网络41加5个积分器组成,线性闭环调节器6包括垂直加速度调节器64、侧倾角调节器62、悬架动扰度调节器63、整车横摆角速度调节器64和质心偏置角调节器65,线性闭环调节器6对伪线性系统5进行闭环控制;伪线性系统5由垂直加速度子系统51、侧倾角子系统52、悬架动扰度子系统53、整车横摆角速度子系统54和质心偏置角子系统55组成,神经网络逆4与整车非线性系统3共同复合构成等效的伪线性系统5;其中,整车非线性系统3由ASS1和EPS2作为一个整体构成,静态神经网络41具有10个输入节点和5个输出节点,其中静态神经网络41的第一个输入为神经网络逆4的第一个输入,神经网络逆4的第一个输入经过第一个积分器和静态神经网络41的第二个输入相连接,静态神经网络41的第三个输入为神经网络逆4的第二个输入,神经网络逆4的第二个输入经过第二个积分器和静态神经网络41的第四个输入相连接,静态神经网络41的第五个输入为神经网络逆4的第三个输入,神经网络逆4的第三个输入经过第三个积分器和静态神经网络41的第六个输入相连接,静态神经网络41的第七个输入为神经网络逆4的第四个输入,神经网络逆4的第四个输入经过第四个积分器和静态神经网络41的第八个输入相连接,静态神经网络41的第九个输入为神经网络逆4的第五个输入,神经网络逆4的第五个输入经过第五个积分器和静态神经网络41的第十个输入相连接,静态神经网络41的输出就是神经网络逆4的输出。
本发明具体的实施分以下8步:
1、构成整车非线性系统3。如图1所示,将ASS1与EPS2作为一个整体组成整车非线性系统3,整车非线性系统3以主动悬架力F1、F2、F3、F4和电动助力转矩Tm为输入,以垂直加速度az、侧倾角φ、悬架动扰度fd、整车横摆角速度γ和质心偏置角β为输出。
2、通过分析、等效与推导,为神经网络逆的构造与学习训练提供方法上的根据。首先建立整车非线性系统3的数学模型,即静止坐标系下5阶微分方程,其向量相对阶为{1,1,1,1,1}。经推导可以证明该5阶微分方程可逆,即5逆系统存在,并可确定整车非线性系统3的逆系统的输入变量为垂直加速度az的一阶导数侧倾角φ的一阶导数悬架动扰度fd的一阶导数整车横摆角速度γ的一阶导数和质心偏置角β的一阶导数输出变量为整车非线性系统3的输入F1、F2、F3、F4和Tm。从而可以构造出神经网络逆(4),为学习训练提供了方法上的根据,如图2所示。
3、构造神经网络逆4。如图2所示,采用静态神经网络41和5个积分器来构成动态神经网络,并用动态神经网络逼近逆系统。其中静态神经网络采用3层MLN网络,输入节点数为10,隐含节点数为18,输出层节点数为5,隐层神经元激活函数使用S型函数输出层的神经元采用纯线性函数f(x)=x,x为神经元的输入,静态神经网络的权系数将在下一步的离线学习中确定。然后用此具有10个输入节点、5个输出节点的静态神经网络41加5个积分器构成具有5个输入、5个输出的神经网络逆4,如图2虚线框内所示。其中,第一个积分器的输入与逆系统的第一个输入变量相连,第一个积分器的输出与静态神经网络41的第二个输入相连;第二个积分器的输入与逆系统的第二个输入变量相连,第二个积分器的输出与静态神经网络41的第四个输入相连;第三个积分器的输入与逆系统的第三个输入变量相连,第三个积分器的输出与静态神经网络41的第六个输入相连;第四个积分器的输入与逆系统的第四个输入变量相连,第四个积分器的输出与静态神经网络41的第八个输入相连;第五个积分器的输入与逆系统的第五个输入变量相连,第五个积分器的输出与静态神经网络41的第十个输入相连;静态神经网络41的输出就是神经网络逆4的输出。
4、确定静态神经网络41的权系数。将主动悬架力F1、F2、F3、F4和电动助力转矩Tm的阶跃激励信号{F1,F2,F3,F4,Tm}加到整车非线性系统3的输入端,采集垂直加速度az、侧倾角φ、悬架动扰度fd、整车横摆角速度γ和质心偏置角β,并离线分别求其一阶导数,并对信号做规范化处理,组成神经网络的训练样本集{az,φ,fd,γ,β,F1,F2,F3,F4,Tm},采用带动量项和变学习率的误差反传BP算法对静态神经网络41进行训练,经过1000次左右训练,神经网络输出均方误差小于0.01,满足要求,从而确定静态神经网络41的各个权系数。
5、形成伪线性系统5。由确定各个权系数的静态神经网络41与5个积分器构成神经网络逆4,将神经网络逆4置于整车非线性系统3之前,神经网络逆4与整车非线性系统3串联复合成伪线性系统5;该伪线性系统5等效为5个一阶伪线性子系统,分别为:垂直加速度的一阶伪线性子系统51、侧倾角的一阶伪线性子系统52、悬架动扰度的一阶伪线性子系统53、整车横摆角速度的一阶伪线性子系统54和质心偏置角的一阶伪线性子系统55;从而达到对汽车ASS和EPS集成系统的垂直加速度、侧倾角、悬架动扰度、整车横摆角速度和质心偏置角之间非线性解耦控制,把复杂的非线性强耦合系统控制转化为简单的5个单变量线性系统的控制,如图3所示。
6、作出线性闭环调节器6。如图4所示,依据线性系统的设计方法,对得到的5个上述一阶伪线性子系统分别作出垂直加速度调节器61、侧倾角调节器62、悬架动扰度调节器63、整车横摆角速度调节器64和质心偏置角调节器65,这5个调节器均选用二次型指标最优方法进行设计,并由上述的5个调节器构成线性闭环调节器6。二次型指标最优方法具体原理如下:寻求最优的控制矢量U,使得二次型指标
为极小,其中Q为正定或者半正定的实对称矩阵,R为正定的实对称矩阵,且分别为X和U的加权矩阵。当满足下式的线性控制规律时,对任意初始状态都是最优的
Uopt(t)=-KTX(t)=U*(t) (2)
其中K为最优反馈增益矩阵,满足
K=PRP-1 (3)
其中P为正定的对称矩阵,为Riccati方程
PA+ATP+Q-PRP-1BTP=0 (4)
的正定对称解。当Q阵选定之后,用式(4)求出P阵,然后用式(3)求出K阵,即可实现最优控制。
7、如图5所示,将神经网络逆4与线性闭环调节器6共同组成汽车ASS和EPS集成系统神经网络逆控制器7。
8、整个基于神经网络逆控制器7的整车非线性系统3在IPG(Car Maker)试验平台上进行实施,具体如图6所示。图6中有工控机、IPG(Car Maker)试验平台,工控机上安装有Matlab平台,IPG(Car Maker)试验平台与底盘非线性系统3之间有硬件接口电路相连,底盘非线性系统3通过车载信号传感器来采集数据,获得相应的控制信号,送入信号实时监测模块,并与IPG(Car Maker)试验平台相连,实现数据传输。Matlab平台安装有Simulink仿真软件,编译之后生成的程序与IPG(Car Maker)相连,IPG(Car Maker)生成的可执行代码通过硬件接口电路发出执行信号,对整车非线性系统3进行控制。
具体系统的程序框图如图7所示,包括主程序和中断服务子程序。主程序主要进行系统初始化、变量参数初始化、以及对中断声明和中断向量进行初始化,同时打开中断,由定时器开始计数,根据计数器的计数来判断中断是否到来。如果中断开始了,则进入中断服务子程序,主要进行现场保护、信号采集、计数处理,然后进行神经网络逆控制算法的计算,对输出变量处理之后,进行现场恢复,最后返回主程序。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种汽车ASS和EPS集成系统神经网络逆控制器的构造方法,该控制器包括神经网络逆(4)和线性闭环调节器(6),将神经网络逆(4)和线性闭环调节器(6)相串联构成汽车主动悬架系统ASS(1)和电动助力转向系统EPS(2)集成系统神经网络逆控制器(7),其中神经网络逆(4)采用静态神经网络(41)加5个积分器组成,线性闭环调节器(6)包括垂直加速度调节器(61)、侧倾角调节器(62)、悬架动扰度调节器(63)、整车横摆角速度调节器(64)和质心偏置角调节器(65),线性闭环调节器(6)用于对伪线性系统(5)进行闭环控制;伪线性系统(5)由垂直加速度子系统(51)、侧倾角子系统(52)、悬架动扰度子系统(53)、整车横摆角速度子系统(54)和质心偏置角子系统(55)组成,神经网络逆(4)与整车非线性系统(3)共同复合构成等效的伪线性系统(5);
所述整车非线性系统(3)由主动悬架系统ASS(1)与电动助力转向系统EPS(2)作为一个整体构成,所述的静态神经网络(41)具有10个输入节点和5个输出节点,其中静态神经网络(41)的第一个输入为神经网络逆(4)的第一个输入,神经网络逆(4)的第一个输入经过第一个积分器和静态神经网络(41)的第二个输入相连接,静态神经网络(41)的第三个输入为神经网络逆(4)的第二个输入,神经网络逆(4)的第二个输入经过第二个积分器和静态神经网络(41)的第四个输入相连接,静态神经网络(41)的第五个输入为神经网络逆(4)的第三个输入,神经网络逆(4)的第三个输入经过第三个积分器和静态神经网络(41)的第六个输入相连接,静态神经网络(41)的第七个输入为神经网络逆(4)的第四个输入,神经网络逆(4)的第四个输入经过第四个积分器和静态神经网络(41)的第八个输入相连接,静态神经网络(41)的第九个输入为神经网络逆(4)的第五个输入,神经网络逆(4)的第五个输入经过第五个积分器和静态神经网络(41)的第十个输入相连接,静态神经网络(41)的输出就是神经网络逆(4)的输出;其特征在于,包括以下步骤:
1)将主动悬架系统ASS(1)与电动助力转向系统EPS(2)作为一个整体组成整车非线性系统(3),整车非线性系统(3)以主动悬架力F1、F2、F3、F4和电动助力转矩Tm为输入,以垂直加速度az、侧倾角φ、悬架动扰度fd、整车横摆角速度γ和质心偏置角β为输出;
2)确定整车非线性系统(3)的逆系统的输入变量为垂直加速度az的一阶导数侧倾角φ的一阶导数悬架动扰度fd的一阶导数整车横摆角速度γ的一阶导数和质心偏置角β的一阶导数输出变量为整车非线性系统(3)的输入F1、F2、F3、F4和Tm;
3)采用离线训练好的静态神经网络(41)加5个积分器构成神经网络逆(4),第一个积分器的输入与逆系统的第一个输入变量相连,第一个积分器的输出与静态神经网络(41)的第二个输入相连;第二个积分器的输入与逆系统的第二个输入变量相连,第二个积分器的输出与静态神经网络(41)的第四个输入相连;第三个积分器的输入与逆系统的第三个输入变量相连,第三个积分器的输出与静态神经网络(41)的第六个输入相连;第四个积分器的输入与逆系统的第四个输入变量相连,第四个积分器的输出与静态神经网络(41)的第八个输入相连;第五个积分器的输入与逆系统的第五个输入变量相连,第五个积分器的输出与静态神经网络(41)的第十个输入相连;静态神经网络(41)的输出就是神经网络逆(4)的输出;
4)将主动悬架力F1、F2、F3、F4和电动助力转矩Tm的阶跃激励信号加到整车非线性系统(3)的输入端,采集垂直加速度az、侧倾角φ、悬架动扰度fd、整车横摆角速度γ和质心偏置角β,并离线分别求其一阶导数,并对信号做规范化处理,组成神经网络的训练样本集,对静态神经网络(41)进行训练,从而确定静态神经网络(41)的各个权系数;
5)将神经网络逆(4)置于整车非线性系统(3)之前,神经网络逆(4)与整车非线性系统(3)串联复合成伪线性系统(5);形成垂直加速度的一阶伪线性子系统(51)、侧倾角的一阶伪线性子系统(52)、悬架动扰度的一阶伪线性子系统(53)、整车横摆角速度的一阶伪线性子系统(54)和质心偏置角的一阶伪线性子系统(55);
6)对得到的5个所述一阶伪线性子系统分别设计垂直加速度调节器(61)、侧倾角调节器(62)、悬架动扰度调节器(63)、整车横摆角速度调节器(64)和质心偏置角调节器(65),并由所述的5个调节器构成线性闭环调节器(6),将神经网络逆(4)与线性闭环调节器(6)共同组成汽车ASS和EPS集成系统神经网络逆控制器(7)。
2.根据权利要求1所述的汽车ASS和EPS集成系统神经网络逆控制器的构造方法,其特征在于:所述步骤3)中的静态神经网络(41)采用3层MLN网络,输入节点数为10,隐含节点数为18,输出层节点数为5,隐层神经元激活函数使用S型函数输出层的神经元采用纯线性函数f(x)=x,x为神经元的输入。
3.根据权利要求1所述的汽车ASS和EPS集成系统神经网络逆控制器的构造方法,其特征在于:所述步骤4)采用带动量项和变学习率的误差反传BP算法对静态神经网络(41)进行训练,经过1000次训练,神经网络输出均方误差小于0.01。
4.根据权利要求1所述的汽车ASS和EPS集成系统神经网络逆控制器的构造方法,其特征在于:所述步骤6)中的5个调节器均选用二次型指标最优方法进行设计,并由所述的5个调节器构成线性闭环调节器(6)。
5.根据权利要求1所述的汽车ASS和EPS集成系统神经网络逆控制器的构造方法,其特征在于:所述步骤6)中的神经网络逆控制器(7)采用IPG实现来控制汽车ASS(1)和EPS(2)集成系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410244188.4A CN104049535B (zh) | 2014-06-04 | 2014-06-04 | 汽车ass和eps集成系统神经网络逆控制器及构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410244188.4A CN104049535B (zh) | 2014-06-04 | 2014-06-04 | 汽车ass和eps集成系统神经网络逆控制器及构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104049535A CN104049535A (zh) | 2014-09-17 |
CN104049535B true CN104049535B (zh) | 2016-08-31 |
Family
ID=51502564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410244188.4A Active CN104049535B (zh) | 2014-06-04 | 2014-06-04 | 汽车ass和eps集成系统神经网络逆控制器及构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104049535B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6208981B1 (en) * | 1995-07-26 | 2001-03-27 | Siemens Aktiengesellschaft | Circuit configuration for controlling a running-gear or drive system in a motor vehicle |
CN103439883A (zh) * | 2013-03-17 | 2013-12-11 | 江苏大学 | 汽车底盘集成系统神经网络广义逆解耦控制器及构造方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7080055B2 (en) * | 2000-10-03 | 2006-07-18 | Board Of Regents, The University Of Texas System | Backlash compensation with filtered prediction in discrete time nonlinear systems by dynamic inversion using neural networks |
-
2014
- 2014-06-04 CN CN201410244188.4A patent/CN104049535B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6208981B1 (en) * | 1995-07-26 | 2001-03-27 | Siemens Aktiengesellschaft | Circuit configuration for controlling a running-gear or drive system in a motor vehicle |
CN103439883A (zh) * | 2013-03-17 | 2013-12-11 | 江苏大学 | 汽车底盘集成系统神经网络广义逆解耦控制器及构造方法 |
Non-Patent Citations (2)
Title |
---|
"基于神经网络逆系统方法的汽车底盘解耦控制";朱茂飞 等;《农业机械学报》;20111231;第42卷(第12期);第14页左栏-第17页右栏 * |
"车辆转向与主动悬架集成系统控制";陈龙 等;《江苏大学学报(自然科学版)》;20060930;第27卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104049535A (zh) | 2014-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104049536B (zh) | 底盘非线性系统模糊神经网络广义逆控制器的构造方法 | |
CN104898691B (zh) | 编队卫星有限时间构型包含控制方法 | |
Ahmad et al. | A modular fuzzy control approach for two-wheeled wheelchair | |
CN103072440B (zh) | 一种汽车主动悬架系统的控制方法 | |
CN103434359B (zh) | 一种汽车主动悬架系统的多目标控制方法 | |
CN107450328B (zh) | 一种基于e-s滑模观测器的抗干扰容错控制方法 | |
CN103279039A (zh) | 一种机器人神经网络式计算力矩控制器训练平台及训练方法 | |
CN104076687B (zh) | 一种主动悬架和电动助力转向集成系统的解耦控制方法 | |
CN108875125B (zh) | 一种位移和全局应力混合约束下的连续体双材料结构拓扑优化方法 | |
Mousavi-Bideleh et al. | Multiobjective optimisation of bogie suspension to boost speed on curves | |
CN103279032A (zh) | 一种异质多智能体系统的鲁棒趋同控制方法 | |
Obayashi et al. | Formation mechanism of a basin of attraction for passive dynamic walking induced by intrinsic hyperbolicity | |
CN102594245B (zh) | 一种欠驱动双耦合电机的滑模控制方法 | |
CN106094817B (zh) | 基于大数据方式的强化学习仿人机器人步态规划方法 | |
CN103439883A (zh) | 汽车底盘集成系统神经网络广义逆解耦控制器及构造方法 | |
CN105912748A (zh) | 一种车身结构各局部模态贡献度的评价方法 | |
CN103116273A (zh) | 工程运输车行驶综合性能控制系统及方法 | |
CN104049535B (zh) | 汽车ass和eps集成系统神经网络逆控制器及构造方法 | |
CN106200383A (zh) | 一种基于模型参考自适应神经网络的三轴惯性稳定平台控制方法 | |
Saadatzi et al. | Novel system identification method and multi-objective-optimal multivariable disturbance observer for electric wheelchair | |
CN109507891A (zh) | 一种半主动模糊控制方法 | |
Zhang et al. | Identification of key design parameters of high-speed train for optimal design | |
CN115972216B (zh) | 并联机器人正运动求解方法、控制方法、设备及存储介质 | |
CN103019098A (zh) | 汽车底盘集成系统鲁棒控制器及构造方法 | |
Kulikov et al. | The Principles of Discrete Modeling of Rod Constructions of Architectural Objects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |