CN108614424A - 基于bp神经网络的无级变速器滑移率控制方法及系统 - Google Patents

基于bp神经网络的无级变速器滑移率控制方法及系统 Download PDF

Info

Publication number
CN108614424A
CN108614424A CN201810558385.1A CN201810558385A CN108614424A CN 108614424 A CN108614424 A CN 108614424A CN 201810558385 A CN201810558385 A CN 201810558385A CN 108614424 A CN108614424 A CN 108614424A
Authority
CN
China
Prior art keywords
variable transmission
neural network
clamping force
contiuously variable
slip
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.)
Pending
Application number
CN201810558385.1A
Other languages
English (en)
Inventor
张飞铁
方赞斌
秦汉
朱世凡
奉山森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN201810558385.1A priority Critical patent/CN108614424A/zh
Publication of CN108614424A publication Critical patent/CN108614424A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Lubricants (AREA)
  • Control Of Transmission Device (AREA)

Abstract

本发明公开了一种无级变速器控制领域的基于BP神经网络的无级变速器滑移率控制方法及系统，包括：获取无级变速器运行时的参数数据，参数数据包括滑移率、从动轮夹紧力和辅助参数数据；对参数数据进行预处理，将经过预处理后的参数数据划分为训练样本数据和测试样本数据；以滑移率和辅助参数数据为输入，以从摩擦因数为输出构建BP神经网络，重复训练得到最优模型；以目标滑移率和实时辅助参数数据作为输入代入最优模型得到摩擦因数；根据得到的摩擦因数，代入夹紧力计算公式得到从动轮夹紧力，逐渐调整从而得到目标滑移率。本发明的控制方法灵活，速度快，实时性好。

Description

基于BP神经网络的无级变速器滑移率控制方法及系统
技术领域
本发明属于无级变速器滑移率控制方法，具体涉及一种基于BP神经网络的无级变速器滑移率控制方法及系统。
背景技术
无级变速器效率偏低是因为金属带夹紧力过大,避免遇到道路阻力时不打滑，但是夹紧力过大不仅会使无级变速器传动效率降低,而且增大了液压系统的损耗。一些研究表明，减少金属带的夹紧力，使金属带和带轮之间存在一定的滑移，可以提高带与带轮间的摩擦因数，从而提高传动效率。但滑移率过大则会影响金属带的寿命，并且在滑移率达到某一临界点时，无级变速器的传动效率急剧下降。因此无级变速器一定存在一个最佳滑移率，使得无级变速器的效率最大。为此，需要对滑移率进行精准，快速的的控制。
发明内容
本发明目的在提供于一种基于BP神经网络的无级变速器滑移率控制方法及系统，以解决现有技术中存在的技术缺陷。
为实现上述目的，本发明提供了一种基于BP神经网络的无级变速器滑移率控制方法，包括以下步骤：
S1：获取无级变速器运行时的参数数据，参数数据包括滑移率、速比、油温和摩擦因数；
S2：对参数数据进行预处理，将经过预处理后的参数数据划分为训练样本数据和测试样本数据；
S3：构建以训练样本数据中的滑移率、速比和油温为输入，以摩擦因数为输出的BP神经网络，重复训练得到最优模型；
S4：以目标滑移率、实时油温和实时速比作为输入代入最优模型得到目标摩擦因数；
S5：根据所得目标摩擦因数，根据夹紧力计算公式计算得到所需输出夹紧力，调整夹紧力至所需输出夹紧力从而得到目标滑移率。
优选地，S3得到最优模型后，通过测试样本数据对最优模型的性能进行评价，若模型性能值低于指定阀值则返回S1，重新获取无级变速器运行时的参数数据。
优选地，S2中将经过预处理后的参数数据三分之二划分为训练样本数据，三分之一划分为测试样本数据。
优选地，变速器几何速比的计算方法为：
其中，Rsmax、Rpmin、Rs、Rp、xs、xp和a分别为从动轮最大半径、主动轮最小半径、从动轮当前半径、主动轮当前半径、从动轮位移、主动轮位移和带轮半锥角。
优选地，夹紧力计算公式如下：
μ为金属带与主动带轮之间的摩擦因数；α为带轮半锥角；Rp为主动轮工作半径；Tp为主动带轮输入转矩；Fs为从动轮夹紧力。
依托于上述方法，本发明还提供了基于BP神经网络的无级变速器滑移率控制系统，包括：
第一模块：用于获取无级变速器运行时的参数数据，参数数据包括滑移率、速比、油温和摩擦因数；
第二模块：用于对参数数据进行预处理，将经过预处理后的参数数据划分为训练样本数据和测试样本数据；
第三模块：用于构建以训练样本数据中的滑移率、速比和油温为输入，以摩擦因数为输出的BP神经网络，重复训练得到最优模型；
第四模块：用于以目标滑移率、实时油温和实时速比作为输入代入最优模型得到目标摩擦因数；
第五模块：根据所得目标摩擦因数，通过夹紧力计算公式得到所需输出夹紧力，调整夹紧力至所需输出夹紧力从而得到目标滑移率。
优选地，控制系统还包括评价模块，第三模块得到最优模型后，通过评价模块测试样本数据对最优模型的性能进行评价，若模型性能值低于指定阀值则返回第一模块，重新调整神经网络参数或获取无级变速器运行时的参数数据。
优选地，第二模块将经过预处理后的参数数据三分之二划分为训练样本数据，三分之一划分为测试样本数据。
优选地，第一模块中变速器几何速比的计算方法为：
其中，Rsmax、Rpmin、Rs、Rp、xs、xp和a分别为从动轮最大半径、主动轮最小半径、从动轮当前半径、主动轮当前半径、从动轮位移、主动轮位移和带轮半锥角。
优选地，第五模块中夹紧力计算公式如下：
μ为金属带与主动带轮之间的摩擦因数；α为带轮半锥角；Rp为主动轮工作半径；Tp为主动带轮输入转矩；Fs为从动轮夹紧力。
本发明具有以下有益效果：
本发明以滑移率、速比和油温为输入，以摩擦因数为输出构建BP神经网络，通过重复训练得到最优模型，设定目标滑移率，采集实时速比和油温从而得到摩擦因数，根据摩擦因数计算得到所需夹紧力，调整夹紧力从而使滑移率达到目标。本发明的控制方法计算量小，响应速度快，实时性好。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的基于BP神经网络的无级变速器滑移率控制方法流程图；
图2是本发明优选实施例的参数数据的神经网络拓扑图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
为实现上述目的，本发明提供了本发明提供了一种基于BP神经网络的无级变速器滑移率控制方法，参见图1，包括以下步骤：
S1：获取无级变速器运行时的参数数据，参数数据包括滑移率、速比、油温和摩擦因数。
第一步，先设定无级变速器的速比为某一定值，本发明速比范围应该0.442到2.432之间，以0.01为步长调整无级变速器的速比。不同情况下根据无级变速器钢带参数选择范围。第二步，先将油温保持在某一固定值，范围应保持在65°到105°之间，再以1°为步长调整油温。第三步，使夹紧力保持一定值。第四步，调整负载转矩，使无级变速器的滑移率在0.1％到5％变化，并记录数据。第五步，重复第二步和第四步，并记录每一组数据。第六步，重复第一步和第五步，并记录每一组数据。将最终得到的以滑移率、速比和油温为自变量，以摩擦因数为因变量的参数数据表。油温、滑移率、变速器速比和摩擦因数为无级变速器较为重要的运转参数。滑移率、油温、变速器速比、摩擦因数神经网络拓扑图如图2所示。
S2：对参数数据进行预处理，将经过预处理后的参数数据划分为训练样本数据和测试样本数据。
为了消除单位的影响，先要对参数数据进行预处理。本发明使用预处理方法为Z-score标准化，公式如下
其中表示式x为单个特征样本数据，σ为某一特征的标准差，μ为某一特征的平均数。
S3：构建以训练样本数据中的滑移率、速比和油温为输入，以摩擦因数为输出的BP神经网络，重复训练得到最优模型。
将滑移率、速比和油温为输入，摩擦因数作为输出。可以根据下式确认隐层节点个数：
N2为隐层神经元的个数，N1为输入层神经元个数，N3为输出层神经元个数。
设计神经网络的隐层与输出层间的激活函数f(x)与各层之间的数据传输，如下式所示：
其中，Oij为第i层第j个神经元的输出，Wijk为第i层第j个神经元到第i+1层第k个神经元的连接权值，b为偏置，Ni为第i层神经元总数。
S4：以目标滑移率、实时油温和实时速比作为输入代入最优模型得到目标摩擦因数。
将训练好的最优模型下载到TCU并在无级变速器实验台架上运行。将采集的温度、速比和人为给定的目标滑移率输入至神经网络，由神经网络计算得到当前工况下的摩擦因数，
S5：根据计算所得的摩擦因数，通过夹紧力计算公式计算目标从动轮夹紧力进行调整从而得到目标滑移率。
由计算公式计算所需夹紧力，得到目标滑移率。上位机可以实时观测理论滑移率与实际滑移率误差是否满足要求。
优选地，S3得到最优模型后，通过测试样本数据对最优模型的性能进行评价，若模型性能值低于指定阀值则返回S1，重新获取无级变速器运行时的参数数据。
通过训练集得出最优模型后，可以先使用测试集进行模型预测从而评价模型的性能。具体为：将测试本的输入至训练好的模型，比较BP神经网络模型输出的摩擦因数与测试样本的摩擦因数的误差是否在给定范围。对于误差在给定范围内的，输出最优模型；对于误差不在给定范围内的，认为模型存在偏差，对模型进行调整，若效果不好，重新获取数据进行建模。
优选地，S2中将经过预处理后的参数数据三分之二划分为训练样本数据，三分之一划分为测试样本数据。
训练样本数据和测试样本数据的比例根据需求决定。获取的数据中并非划分为训练样本数据的比例越高越好，这会导致测试结果存在不确定因素，但比例应超过测试样本数据。
优选地，变速器速比的计算方法为：
其中，Rsmax、Rpmin、Rs、Rp、xs、xp和a分别为从动轮最大半径、主动轮最小半径、从动轮当前半径、主动轮当前半径、从动轮位移、主动轮位移和带轮半锥角。
速比为辅助参数数据之一，但并不能直接获取，需要根据获取上述参数，并通过上述参数计算得到。相关参数可通过查阅金属带的技术手册所得。无级变速器滑移率表达式如下：
式中，ig为无级变速器的几何速比，i为无级变速器的主动轮与从动轮转速之比。其中i的表达式如下：
优选地，夹紧力计算公式如下：
μ为金属带与主动带轮之间的摩擦因数；α为带轮半锥角；Rp为主动轮工作半径；Tp为主动带轮输入转矩；Fs为从动轮夹紧力。
通过上述获得的摩擦因数，根据其他参数计算得到所需的从动轮夹紧力，通过改变从动轮夹紧力使滑移率趋于目标滑移率。
依托于上述方法，本发明还提供了基于BP神经网络的无级变速器滑移率控制系统，包括：
第一模块：用于获取无级变速器运行时的参数数据，参数数据包括滑移率、速比、油温和摩擦因数；
第二模块：用于对参数数据进行预处理，将经过预处理后的参数数据划分为训练样本数据和测试样本数据；
第三模块：用于构建以训练样本数据中的滑移率、速比和油温为输入，以摩擦因数为输出的BP神经网络，重复训练得到最优模型；
第四模块：用于以目标滑移率、实时油温和实时速比作为输入代入最优模型得到目标摩擦因数；
第五模块：根据所得目标摩擦因数，通过夹紧力计算公式得到所需输出夹紧力，调整夹紧力至所需输出夹紧力从而得到目标滑移率。
优选地，控制系统还包括评价模块，第三模块得到最优模型后，通过评价模块测试样本数据对最优模型的性能进行评价，若模型性能值低于指定阀值则返回第一模块，重新调整神经网络参数或获取无级变速器运行时的参数数据。
优选地，第二模块将经过预处理后的参数数据三分之二划分为训练样本数据，三分之一划分为测试样本数据。
优选地，第一模块中变速器几何速比的计算方法为：
其中，Rsmax、Rpmin、Rs、Rp、xs、xp和a分别为从动轮最大半径、主动轮最小半径、从动轮当前半径、主动轮当前半径、从动轮位移、主动轮位移和带轮半锥角。
优选地，第五模块中夹紧力计算公式如下：
μ为金属带与主动带轮之间的摩擦因数；α为带轮半锥角；Rp为主动轮工作半径；Tp为主动带轮输入转矩；Fs为从动轮夹紧力。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于BP神经网络的无级变速器滑移率控制方法，其特征在于，包括以下步骤：
S1：获取无级变速器运行时的参数数据，所述参数数据包括滑移率、速比、油温和摩擦因数；
S2：对所述参数数据进行预处理，将经过预处理后的所述参数数据划分为训练样本数据和测试样本数据；
S3：构建以训练样本数据中的所述滑移率、所述速比和所述油温为输入，以所述摩擦因数为输出的BP神经网络，重复训练得到最优模型；
S4：以目标滑移率、实时油温和实时速比作为输入代入所述最优模型得到目标摩擦因数；
S5：根据目标摩擦因数，通过夹紧力计算公式得到所需输出夹紧力，调整夹紧力至所需输出夹紧力从而得到目标滑移率。
2.根据权利要求1所述的基于BP神经网络的无级变速器滑移率控制方法，其特征在于，所述S3得到所述最优模型后，通过测试样本数据对所述最优模型的性能进行评价，若模型性能值低于指定阀值则返回所述S1，重新调整神经网络参数或获取无级变速器运行时的参数数据。
3.根据权利要求1所述的基于BP神经网络的无级变速器滑移率控制方法，其特征在于，所述S2中将经过预处理后的所述参数数据三分之二划分为训练样本数据，三分之一划分为测试样本数据。
4.根据权利要求1所述的基于BP神经网络的无级变速器滑移率控制方法，其特征在于，所述变速器几何速比的计算方法为：
其中，Rsmax、Rpmin、Rs、Rp、xs、xp和a分别为从动轮最大半径、主动轮最小半径、从动轮当前半径、主动轮当前半径、从动轮位移、主动轮位移和带轮半锥角。
5.根据权利要求1所述的基于BP神经网络的无级变速器滑移率控制方法，其特征在于，所述夹紧力计算公式如下：
μ为金属带与主动带轮之间的摩擦因数；α为带轮半锥角；Rp为主动轮工作半径；Tp为主动带轮输入转矩；Fs为从动轮夹紧力。
6.基于BP神经网络的无级变速器滑移率控制系统，其特征在于，包括：
第一模块：用于获取无级变速器运行时的参数数据，所述参数数据包括滑移率、速比、油温和摩擦因数；
第二模块：用于对所述参数数据进行预处理，将经过预处理后的所述参数数据划分为训练样本数据和测试样本数据；
第三模块：用于构建以训练样本数据中的所述滑移率、所述速比和所述油温为输入，以所述摩擦因数为输出的BP神经网络，重复训练得到最优模型；
第四模块：用于以目标滑移率、实时油温和实时速比作为输入代入所述最优模型得到目标摩擦因数；
第五模块：根据目标摩擦因数，通过夹紧力公式计算得到所需输出夹紧力，调整夹紧力至所需输出夹紧力从而得到目标滑移率。
7.根据权利要求6所述的基于BP神经网络的无级变速器滑移率控制系统，其特征在于，所述控制系统还包括评价模块，所述第三模块得到所述最优模型后，通过评价模块测试样本数据对所述最优模型的性能进行评价，若模型性能值低于指定阀值则返回所述第一模块，重新获取无级变速器运行时的参数数据。
8.根据权利要求6所述的基于BP神经网络的无级变速器滑移率控制系统，其特征在于，所述第二模块将经过预处理后的所述参数数据三分之二划分为训练样本数据，三分之一划分为测试样本数据。
9.根据权利要求6所述的基于BP神经网络的无级变速器滑移率控制系统，其特征在于，第一模块中所述变速器几何速比的计算方法为：
其中，Rsmax、Rpmin、Rs、Rp、xs、xp和a分别为从动轮最大半径、主动轮最小半径、从动轮当前半径、主动轮当前半径、从动轮位移、主动轮位移和带轮半锥角。
10.根据权利要求6所述的基于BP神经网络的无级变速器滑移率控制系统，其特征在于，所述第五模块中夹紧力计算公式如下：
μ为金属带与主动带轮之间的摩擦因数；α为带轮半锥角；Rp为主动轮工作半径；Tp为主动带轮输入转矩；Fs为从动轮夹紧力。
CN201810558385.1A 2018-06-01 2018-06-01 基于bp神经网络的无级变速器滑移率控制方法及系统 Pending CN108614424A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810558385.1A CN108614424A (zh) 2018-06-01 2018-06-01 基于bp神经网络的无级变速器滑移率控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810558385.1A CN108614424A (zh) 2018-06-01 2018-06-01 基于bp神经网络的无级变速器滑移率控制方法及系统

Publications (1)

Publication Number Publication Date
CN108614424A true CN108614424A (zh) 2018-10-02

Family

ID=63664610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810558385.1A Pending CN108614424A (zh) 2018-06-01 2018-06-01 基于bp神经网络的无级变速器滑移率控制方法及系统

Country Status (1)

Country Link
CN (1) CN108614424A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113135192A (zh) * 2021-05-20 2021-07-20 北京理工大学 一种能得到估计不确定性的履带车辆滑移率估计方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004083870A2 (en) * 2003-03-19 2004-09-30 The Regents Of The University Of California Method and system for controlling rate of change of ratio in a continuously variable transmission
CN101397012A (zh) * 2007-03-30 2009-04-01 丰田自动车株式会社 动力输出设备和用于控制其的方法,以及车辆和驱动系统
US20100211274A1 (en) * 2009-02-19 2010-08-19 Toyota Jidosha Kabushiki Kaisha Braking force control apparatus for vehicle
CN102678908A (zh) * 2012-05-22 2012-09-19 湖南大学 自动变速器怠速起步转矩自适应匹配方法
CN103967963A (zh) * 2014-05-21 2014-08-06 合肥工业大学 基于神经网络预测的dct湿式离合器温度的测量方法
CN104199536A (zh) * 2014-07-23 2014-12-10 西安空间无线电技术研究所 一种基于bp神经网络的fpga动态功耗估算方法
CN106838197A (zh) * 2011-10-26 2017-06-13 卡特彼勒公司 无级变速器和用于操作无级变速器的方法
WO2017186911A1 (en) * 2016-04-28 2017-11-02 Punch Powertrain N.V. A vehicle, a continuously variable transmission system, a control method, and a computer program product

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004083870A2 (en) * 2003-03-19 2004-09-30 The Regents Of The University Of California Method and system for controlling rate of change of ratio in a continuously variable transmission
CN101397012A (zh) * 2007-03-30 2009-04-01 丰田自动车株式会社 动力输出设备和用于控制其的方法,以及车辆和驱动系统
US20100211274A1 (en) * 2009-02-19 2010-08-19 Toyota Jidosha Kabushiki Kaisha Braking force control apparatus for vehicle
CN106838197A (zh) * 2011-10-26 2017-06-13 卡特彼勒公司 无级变速器和用于操作无级变速器的方法
CN102678908A (zh) * 2012-05-22 2012-09-19 湖南大学 自动变速器怠速起步转矩自适应匹配方法
CN103967963A (zh) * 2014-05-21 2014-08-06 合肥工业大学 基于神经网络预测的dct湿式离合器温度的测量方法
CN104199536A (zh) * 2014-07-23 2014-12-10 西安空间无线电技术研究所 一种基于bp神经网络的fpga动态功耗估算方法
WO2017186911A1 (en) * 2016-04-28 2017-11-02 Punch Powertrain N.V. A vehicle, a continuously variable transmission system, a control method, and a computer program product

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
B. BONSEN等: "Implementation of a slip controlled CVT in a production vehicle", 《PROCEEDINGS OF 2005 IEEE CONFERENCE ON CONTROL APPLICATIONS, 2005. CCA 2005》 *
于谦龙: "《基于企业财务预警模式的高校财务困境预警研究》", 28 February 2014, 北京：企业管理出版社 *
冯显武: "基于滑移的金属带式无级变速器最佳夹紧力的控制研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
周美兰，等: "基于神经网络的汽车无级变速器故障诊断系统研究", 《仪器仪表学报》 *
张飞铁: "无级变速器湿式离合器系统起步控制研究", 《中国博士学位论文全文数据库工程科技II辑》 *
徐铭志: "基于神经网络PID的金属带式无级变速器速比控制研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
曹成龙: "金属带式无级变速器夹紧力及速比控制技术研究", 《中国博士学位论文全文数据库工程科技II辑》 *
柳炳祥，等: "《智能优化方法及应用》", 31 August 2017, 南京：江苏美术出版社 *
闫新庆: "基于滑移反馈的金属带式无级变速器夹紧力控制研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113135192A (zh) * 2021-05-20 2021-07-20 北京理工大学 一种能得到估计不确定性的履带车辆滑移率估计方法
CN113135192B (zh) * 2021-05-20 2022-12-20 北京理工大学 一种能得到估计不确定性的履带车辆滑移率估计方法

Similar Documents

Publication Publication Date Title
CN110594317B (zh) 一种基于双离合器式自动变速器的起步控制策略
Chiang A novel pitch control system for a wind turbine driven by a variable-speed pump-controlled hydraulic servo system
JP2000193075A (ja) ベルト式無段変速機の制御装置
CN108594654A (zh) 一种基于二型模糊滑模的桥式吊车防摆控制方法
CN106780127A (zh) 含分布式光伏配电网的评价方法
CN103711598B (zh) 液压系统调节设备、方法、功率匹配控制系统和工程机械
CN108614424A (zh) 基于bp神经网络的无级变速器滑移率控制方法及系统
CN102663221A (zh) 一种多原油多性质调合优化方法
CN106647837A (zh) 用于控制液压系统的方法、控制器以及机械
CN102983574B (zh) 在线可变权重的多目标混合整数协调二级电压的控制方法
CN108549213A (zh) 一种基于rbf神经网络pid的速比控制方法
CN108717259A (zh) 一种直流电动装置控制系统及其构建方法
CN106678352B (zh) 控制无级变速器的装置及方法
CN103209417B (zh) 基于神经网络的频谱占用状态的预测方法以及装置
CN107035860B (zh) 控制无级变速器的方法和设备
CN107688296A (zh) 基于sis平台的自动调节回路在线评估方法及系统
CN103759930B (zh) 一种平衡阀瞬态试验装置及瞬态试验方法
CN109884885A (zh) 一种直流电动装置控制系统及其构建方法
CN105205222A (zh) 一种滚动轴承多目标优化设计方法和系统
CN114004146A (zh) 一种基于全工况供热机组灵活运行滑压曲线优化确定方法
CN107044538B (zh) 改主意换挡期间的cvt控制
EP3961067A1 (de) Kühlverfahren für ein hydraulisches element eines kühlölkreislaufs, steuergerät, kraftfahrzeug
US10151389B2 (en) Method for controlling shift speed of continuous variable transmission
CN117005958B (zh) 一种无级变速发动机控制器及控制系统
CN111897203A (zh) 基于数据驱动和机理建模状态监测的加热器经济调节方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181002

RJ01 Rejection of invention patent application after publication