CN109709803A - 一种基于pso改进的大脑情感学习智能控制器的汽车imt速度控制方法 - Google Patents
一种基于pso改进的大脑情感学习智能控制器的汽车imt速度控制方法 Download PDFInfo
- Publication number
- CN109709803A CN109709803A CN201811559669.9A CN201811559669A CN109709803A CN 109709803 A CN109709803 A CN 109709803A CN 201811559669 A CN201811559669 A CN 201811559669A CN 109709803 A CN109709803 A CN 109709803A
- Authority
- CN
- China
- Prior art keywords
- control
- speed
- motor
- torque
- automobile
- 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.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于PSO改进的大脑情感学习智能控制器的汽车IMT速度控制方法,属于控制算法领域。首先建立电机‑变速器集成系统控制学模型,设计基于大脑情感学习智能控制器的汽车电机—变速器集成系统速度控制器;设置PSO算法优化的适应度函数,设定参考电机转矩,在参考电机转矩下求当适应度函数最小时,速度控制器中的各待定参数。然后将得到的各待定参数输入速度控制器中,输出补偿后的电机转矩。驱动器通过CAN总线收到补偿后的电机转矩信号后,驱动电机按照理想的电机转矩旋转,输出对应的理想转速,实现电机的转速控制。本发明具有较高的自适应能力和计算速度快的优点,实现准确实时的速度控制,减小控制的超调量,控制器的性能有很大的提升。
Description
技术领域
本发明涉及一种基于PSO改进的大脑情感学习智能控制器的汽车IMT(电机-变速器集成系统)速度控制方法,属于控制算法领域。
背景技术
汽车作为不可或缺的物流运输工具和出行代步工具,在现代社会有着十分重要的地位。2017年中国汽车的保有量已经达到3.1亿辆,随之带来的是传统汽车引起的严重环境污染。因此,最近几年新能源汽车迎来了快速发展期,新能源汽车通过电能作为能源,且部件高度集成,减少汽车中的机械结构,一方面可以减少使用材料,另一方面提高汽车的传动效率,这都能大大减少汽车对环境的污染。
新能源汽车按动力装置分为三种:纯电动汽车、燃料电池汽车和混合动力汽车。其中,纯电动汽车有分布式(轮毂电机或轮边电机)驱动和集中式驱动(电机加减速器)两种驱动方式。电机加减速器的驱动方式只是用电池和电机组合替换了内燃机的供能方式,而其他传动系统基本保持不变。分布式驱动可以用轮毂电机直驱,或者轮边电机驱动。其中轮边电机驱动,是将驱动电机和减速机构集成为一个系统,被称为电机-变速器集成系统(IMT)。这种结构缩短了传递路线,加之电机有很好的工作特性,可以快速响应和容易控制其转速。所以,相比其他结构,有更高的传递效率。
但是,由于IMT结构没有离合器,导致换挡时比较困难。如果要保证换挡过程没有明显的顿挫感,不损坏换挡齿轮,就要求电机转速控制非常准确并且响应要快。然而汽车的行驶工况复杂,电机工作过程中有很多不确定性,导致目前无法实现。
发明内容
本发明针对上述问题,为了准确且实时地控制纯电动汽车IMT结构中电机的转速,提出了一种基于PSO改进的大脑情感学习智能控制器的汽车IMT速度控制方法。
具体步骤如下:
步骤一、建立电机-变速器集成系统(IMT)控制学模型;
步骤二、根据控制学模型,设计基于大脑情感学习智能控制器(BELBIC)的汽车电机—变速器集成系统速度控制器;
步骤三、设置PSO算法优化的适应度函数,设定参考电机转矩,并在参考电机转矩下求解当适应度函数最小时,速度控制器中的各待定参数。
步骤四、将得到的各待定参数,参考电机转矩和传感器测得的实际车轮转矩输入速度控制器中,输出补偿后的电机转矩。
步骤五、驱动器通过CAN总线收到补偿后的电机转矩信号后,驱动电机按照理想的电机转矩旋转,输出对应的理想转速,从而实现电机的转速控制。
本发明的优点在于:
(1)本发明将基于大脑情感学习智能算法(BEL)运用到汽车电机-变速器集成系统的速度控制中,具有较高的自适应能力和计算速度快的优点;针对过程和系统的不确定性,控制器能实现准确实时的速度控制。
(2)本发明用分段积分的方法,修正了基于大脑情感学习智能控制器(BELBIC)感官输入SI中的积分分量,减小控制的超调量。
(3)本发明基于大脑情感学习的智能算法依赖于感知输入和情感激励信号的设定,其中这两个信号中的参数和学习率,对控制器的控制性能影响很大;通过用PSO方法优化参数,使控制器的性能有很大的提升。
附图说明
图1为本发明一种基于PSO改进的大脑情感学习智能控制器的汽车IMT速度控制方法流程图;
图2为本发明的汽车电机—变速器集成系统的结构图;
图3为本发明的基于大脑情感学习的智能控制算法(BEL)结构图;
图4为本发明的PSO算法适应度函数的设置流程图。
具体实施方式
下面将结合附图对本发明作进一步的详细说明。
因为汽车在运行过程中工作状况复杂,被控对象结构复杂,容易引起转速控制不准确。再者建模过程中忽略了一些因素,导致基于控制模型不准确。本发明提出的一种基于PSO改进的大脑情感学习智能控制器的汽车电机-变速器集成系统速度控制方法,有其天然的自适应能力和鲁棒性,并且能够解决非线性问题。如图1所示,具体算法为:
步骤一、建立电机-变速器集成系统(IMT)控制学模型;
汽车电机—变速器集成系统的结构如图2所示,其中机械传动部分由电机、变速器、传动轴和车轮组成。电机输入扭矩和转速,在整个机械传动部分中传递,然后从车轮输出。对于特定的机械传动,各个部件上的转矩和转速满足一定的关系。
在汽车电机-变速器集成系统(IMT)中,每个部件上的转矩和转速满足的关系,如下公式:
其中,Jg是换挡齿轮的转动惯量(Kg·m2);Jm是驱动电机的转动惯量(Kg·m2);Jc是车辆的总惯量(Kg·m2);Jw是车轮的转动惯量(Kg·m2);mc是车辆的总质量(Kg);wg是换挡齿轮的转速(rad/s);wm是驱动电机的转速(rad/s);ww是车轮的转速(rad/s);Tgo是换挡齿轮的输出转矩(N·m);Tm是驱动电机的转矩;Tro是转动阻力矩;Tf是传动轴上的阻力矩(N·m);Tlo是整车的负载转矩(N·m);Tgr是道路阻力矩(N·m);Tair是整车的空气阻力矩(N·m);cm是电动机的阻尼系数;cf是传动轴的阻尼系数;cr是旋转阻力系数;kf是刚度系数;i0是主减速器的传动比;ig是换挡齿轮的传动比;θm是电机的旋转角度(rad);θw是车轮的旋转角度(rad);g是引力常量(取9.8);β是道路坡度(rad);ρair是空气密度;A是汽车的迎风面积(m2);cd是空气阻力系数;rw是汽车车轮的半径(m)。
对于任意给定的实际车轮的转速ww'和转角θ'w,根据公式(1)计算出电机实际对应的转速w'm、转角θ'm和转矩T'm:
T'lo是整车的负载实际转矩;θ'w是车轮的实际旋转角度;
步骤二、根据控制学模型,设计基于大脑情感学习的智能控制器(BELBIC)的汽车电机—变速器集成系统速度控制器;
本发明设计的速度控制器,目的是使电机的实际转速无限靠近理想转速,使速度追踪误差最小。因为存在环境干扰、制造误差以及建模误差等不确定因素,会导致有较大的控制误差,难以实现精确控制。基于大脑情感学习的智能控制算法(BELBIC)有很好的自适应能力和高的控制鲁棒性,实时性效果好等优点;将其用于IMT速度控制能够展现出很优秀的控制效果。
速度控制器的原理如图2所示,用传感器测得车轮的转速、转角以及转矩等信号,通过CAN总线传输到减速器控制单元(TCU)中;
TCU首先根据接收到的测量信号计算出电机的实际转矩;输入基于大脑情感学习的智能控制器(BELBIC),输出电机的加补偿后的理想转矩OP;
TCU输出补偿后的电机转矩信号,通过CAN总线传输到电机控制单元(MCU)中;MCU驱动电机旋转,最终实现电机的转速控制。
基于大脑情感学习的智能控制算法(BELBIC)的速度控制器结构,如图3所示,整个控制器分为杏仁体(A)和眶额皮质层(O)。其实现控制的原理是模仿人类大脑处理情感学习的过程,其中主要的学习过程发生在杏仁体中,眶额皮质层是对杏仁体中的学习起促进和抑制作用,这两个模块中的学习算法和BELBIC的控制输出分别如下:
OP=A-O(4)
其中Ai是杏仁体中第i个信号接收点的输出值,mi是杏仁体中第i个信号接收点相应的权值;Si是第i个感官输入值;Oi是眶额皮质层中第i个信号接收点的输出值,ni是眶额皮质层中第i个信号接收点相应的权值;j是杏仁体或眶额皮质层的信号接收点总数。OP是BELBIC控制器的输出。
两个权值的调节律如下:
其中,kA是杏仁体的学习率;ko是眶额皮质层的学习率(0<kA,ko<1);ES是情感激励信号;
Ath是丘脑信号在杏仁体中的输出,相当于将最强的一个信号提前馈入杏仁体,让杏仁体能提前学习到这一个信号,公式如下:
Ath=mth·max(S) (6)
根据公式(5)可以看出,Δmi·Si是一个正数,表明杏仁体一定的记忆功能,已经学习的信息不会遗忘;而Δni·Si可能是一个正数也可能是一个负数,其正负性取决于OP和ES之间的差值,当OP>ES时,即输出结果偏大,Δni·Si>0,此时O增加,最终会使OP减小,体现为眶额皮质层抑制杏仁体的学习过程,反之会促进其学习过程。综合来看,眶额皮质层是BELBIC中的一个辅助学习模块,使其输出在式中靠近合理的值。
通过上面的分析可知,基于大脑情感学习的智能控制器BELBIC有天然的自适应能力;在跟踪控制中有固有的优势。但是,速度控制器性能的好坏主要依赖于感知输入S和情感激励信号ES函数的设置。
其中,感知输入S是控制器的主要输入,模拟人的感官,体现的是环境对控制决策的影响。所以选取控制误差、控制累计误差和误差的微分作为S的分量。
情感激励信号ES是调节BELBIC输出的一个重要信号,作用类似于人类的情感。首先,情感会受环境和决断的影响,又会反过来影响决断过程(学习)。因此,ES的几分量分别取控制误差、累计误差和整个系统的输出;
具体函数如下:
S=[p1e p2∫edt p3de/dt]T (7)
ES=p4e+p5∫edt+p6OP (8)
其中p1是感知输入S的控制误差e的系数;p2是感知输入S的控制累计误差∫edt的系数;p3是误差微分de/dt的系数;p4是情感激励信号的控制误差e的系数;p5是情感激励信号的控制累计误差∫edt的系数;p6是系统输出的系数;
在实际使用中发现,对于给定的有周期性的信号,控制时间越久,速度控制器的性能会更好,具体体现在稳态误差和累积误差会越来越小。但是在刚开始时,绝对误差太大,容易出现较大的超调。为了使控制更加稳定准确、减小控制超调,本发明将感知输入中累积误差分量进行修正。其原理是当控制输入(误差)太大时,用限幅的方法把输入控制在适当的范围内,避免一次的调整幅度过大。
具体修正公式如下:
p2=λp'2 (9)
其中p'2是一个常数,λ是p2的调节参数,ek是设定的误差限(是一个常数)。
步骤三、设置PSO算法优化的适应度函数,并给定参考电机转矩,在当前给定的参考电机转矩下求解适应度函数最小时速度控制器中的各待定参数。
基于大脑情感学习的智能控制算法有很好的自适应能力,但是感知输入S和情感激励信号ES中的各参数会影响控制响应的快慢和稳态控制误差;杏仁体和眶额皮质层的学习率更会关系到控制结果是否收敛,以及收敛速度。所以,设置一个收敛快且响应快且稳的控制器,参数设置很重要。
PSO是一种进化的优化算法,是通过适应度来约束求解过程,最终找到最优解。该算法规则简单,易实现,精度高,收敛速度快,很适合用来找全局最优解。这种算法从随机解出发,并且方向随意,但为了使算法收敛,或者更快收敛,在迭代开始前最好还是设置一个较好的初始值。
用PSO算法优化各参数的步骤如下:
a:在simulink环境中建立系统模型,通过手动调试找出一组待优化的参数初始值[p10,p20′,p30,p40,p50,p60]。
b:把待优化的参数编码,编写PSO算法和适应度函数的m文件。
本发明中速度跟踪控制的目标是使跟踪误差最小,可以用累计误差来刻画。但是在跟踪过程中误差可能为正也可能为负,可能相互抵消,不能从数值上看出误差和的大小。所以本发明用误差的绝对值的累计值作为优化的适应度函数。适应度函数计算过程如图4所示:将输入的参考电机转速,经过速度跟踪控制器和系统模型后,得到实际电机的转速;将参考电机转速和实际电机的转速相减做差,求差的绝对值得到控制误差,然后计算误差的绝对值,最后将每一步的误差绝对值积分。
其公式表达式:
fc=∫|w'm-wm|dt (11)
e=|w′m-wm|;
c:设定粒子的个数,长度和范围,将初始值复制给待优化的参数,运行PSO算法的m文件求出最优解。最后,将最优解[p1,p2',p3,p4,p5,p6]将其带入系统模型,得到使适应度函数fc值最小的最优控制模型。
步骤四、将得到的各待定参数,设定的参考转矩和传感器测得实际车轮转矩输入速度控制器中,输出加补偿后的电机转矩。
步骤五、驱动器通过CAN总线收到补偿后的电机转矩信号后,驱动电机按照理想的电机转矩旋转,输出对应的理想转速,从而实现电机的转速控制。
本发明修正了感知输入中累积误差分量增益,减小控制超调量。并且引入PSO优化算法,优化控制器中的重要参数,提高了控制器的控制性能,使其能更准确地控制电机转速。
Claims (4)
1.一种基于PSO改进的大脑情感学习智能控制器的汽车IMT速度控制方法,其特征在于,具体步骤如下:
步骤一、建立电机-变速器集成系统控制学模型;
步骤二、根据控制学模型,设计基于大脑情感学习智能控制器的汽车电机—变速器集成系统速度控制器;
步骤三、设置PSO算法优化的适应度函数,设定参考电机转矩,并在参考电机转矩下求解当适应度函数最小时,速度控制器中的各待定参数;
适应度函数公式表达式为:fc=∫|w'm-wm|dt;
w'm是电机实际对应的转速;wm是驱动电机的转速(rad/s);
步骤四、将得到的各待定参数,参考电机转矩和传感器测得的实际车轮转矩输入速度控制器中,输出补偿后的电机转矩;
步骤五、驱动器通过CAN总线收到补偿后的电机转矩信号后,驱动电机按照理想的电机转矩旋转,输出对应的理想转速,从而实现电机的转速控制。
2.如权利要求1所述的一种基于PSO改进的大脑情感学习智能控制器的汽车IMT速度控制方法,其特征在于,步骤一中所述的电机-变速器集成系统控制学模型,如下公式:
其中,Jg是换挡齿轮的转动惯量(Kg·m2);Jm是驱动电机的转动惯量(Kg·m2);Jc是车辆的总惯量(Kg·m2);Jw是车轮的转动惯量(Kg·m2);mc是车辆的总质量(Kg);wg是换挡齿轮的转速(rad/s);wm是驱动电机的转速(rad/s);ww是车轮的转速(rad/s);Tgo是换挡齿轮的输出转矩(N·m);Tm是驱动电机的转矩;Tro是转动阻力矩;Tf是传动轴上的阻力矩(N·m);Tlo是整车的负载转矩(N·m);Tgr是道路阻力矩(N·m);rTia是整车的空气阻力矩(N·m);cm是电动机的阻尼系数;cf是传动轴的阻尼系数;cr是旋转阻力系数;kf是刚度系数;i0是主减速器的传动比;ig是换挡齿轮的传动比;θm是电机的旋转角度(rad);θw是车轮的旋转角度(rad);g是引力常量(取9.8);β是道路坡度(rad);ρair是空气密度;A是汽车的迎风面积(m2);cd是空气阻力系数;rw是汽车车轮的半径(m);
对于任意给定的实际车轮的转速ww'和转角θ'w,根据上述公式计算出电机实际对应的转速w'm、转角θ'm和转矩T'm:
T'lo是整车的负载实际转矩;θ'w是车轮的实际旋转角度。
3.如权利要求1所述的一种基于PSO改进的大脑情感学习智能控制器的汽车IMT速度控制方法,其特征在于,步骤二中所述的基于大脑情感学习智能控制器的汽车电机—变速器集成系统速度控制器,分为杏仁体和眶额皮质层;
这两个模块中的学习算法和速度控制器的控制输出分别如下:
OP=A-O
其中Ai是杏仁体中第i个信号接收点的输出值,mi是杏仁体中第i个信号接收点相应的权值;Si是第i个感官输入值;Oi是眶额皮质层中第i个信号接收点的输出值,ni是眶额皮质层中第i个信号接收点相应的权值;j是杏仁体或眶额皮质层的信号接收点总数;OP是速度控制器的输出;
杏仁体和眶额皮质层中第i个信号接收点的两个权值的调节律如下:
其中,kA是杏仁体的学习率;ko是眶额皮质层的学习率(0<kA,ko<1);ES是情感激励信号;Ath是丘脑信号在杏仁体中的输出,公式如下:
Ath=mth·max(S)。
4.如权利要求3所述的一种基于PSO改进的大脑情感学习智能控制器的汽车IMT速度控制方法,其特征在于,速度控制器性能的好坏主要依赖于感知输入S和情感激励信号ES函数的设置;其中,选取控制误差、控制累计误差和误差的微分作为S的分量;ES的几分量分别取控制误差、累计误差和整个系统的输出;
具体函数如下:
S=[p1e p2∫edt p3de/dt]T
ES=p4e+p5∫edt+p6OP
其中p1是感知输入S的控制误差e的系数;p2是感知输入S的控制累计误差∫edt的系数;p3是误差微分de/dt的系数;p4是情感激励信号的控制误差e的系数;p5是情感激励信号的控制累计误差∫edt的系数;p6是系统输出的系数;
将感知输入中累积误差分量进行修正;公式如下:
p2=λp'2
其中p'2是一个常数,λ是p2的调节参数,ek是设定的误差限(是一个常数)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811559669.9A CN109709803B (zh) | 2018-12-20 | 2018-12-20 | 一种基于pso改进的大脑情感学习智能控制器的汽车imt速度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811559669.9A CN109709803B (zh) | 2018-12-20 | 2018-12-20 | 一种基于pso改进的大脑情感学习智能控制器的汽车imt速度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109709803A true CN109709803A (zh) | 2019-05-03 |
CN109709803B CN109709803B (zh) | 2020-09-04 |
Family
ID=66256918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811559669.9A Active CN109709803B (zh) | 2018-12-20 | 2018-12-20 | 一种基于pso改进的大脑情感学习智能控制器的汽车imt速度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109709803B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111845746A (zh) * | 2020-08-06 | 2020-10-30 | 合肥工业大学 | 基于大脑情感学习回路模型的跟车控制方法及其控制系统 |
CN114114929A (zh) * | 2022-01-21 | 2022-03-01 | 北京航空航天大学 | 一种基于lssvm的无人驾驶车辆路径跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279564A (zh) * | 2011-04-29 | 2011-12-14 | 南京航空航天大学 | 应用智能pid控制器的飞行仿真转台控制系统及方法 |
US8332085B2 (en) * | 2010-08-30 | 2012-12-11 | King Fahd University Of Petroleum And Minerals | Particle swarm-based micro air launch vehicle trajectory optimization method |
CN103197683A (zh) * | 2013-04-18 | 2013-07-10 | 南京航空航天大学 | 四旋翼无人直升机飞行高度与姿态智能控制方法 |
CN104991446A (zh) * | 2015-05-21 | 2015-10-21 | 南京航空航天大学 | 一种基于大脑情感学习的无人机推力变向智能控制方法 |
-
2018
- 2018-12-20 CN CN201811559669.9A patent/CN109709803B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8332085B2 (en) * | 2010-08-30 | 2012-12-11 | King Fahd University Of Petroleum And Minerals | Particle swarm-based micro air launch vehicle trajectory optimization method |
CN102279564A (zh) * | 2011-04-29 | 2011-12-14 | 南京航空航天大学 | 应用智能pid控制器的飞行仿真转台控制系统及方法 |
CN103197683A (zh) * | 2013-04-18 | 2013-07-10 | 南京航空航天大学 | 四旋翼无人直升机飞行高度与姿态智能控制方法 |
CN104991446A (zh) * | 2015-05-21 | 2015-10-21 | 南京航空航天大学 | 一种基于大脑情感学习的无人机推力变向智能控制方法 |
Non-Patent Citations (4)
Title |
---|
P.GHAEBI PANAH.ETC: "Velocity Control of a PMLSM Using a Brain Emotional Learning Based Intelligent Control Strategy", 《2011 IEEE INTERNATIONAL CONFERENCE ON SYSTEM ENGINEERING AND TECHNOLOGY》 * |
王建彬,杨宜民,陈建平: "改进BELVC的四轮驱动机器人运动控制方法", 《华中科技大学学报(自然科学版)》 * |
王雷,席军强: "无离合器纯电动客车机械式自动变速器换挡评价的研究", 《汽车工程学报》 * |
陈建平,王建彬,杨宜民: "基于大脑情感学习的四轮驱动机器人速度补偿控制", 《智能系统学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111845746A (zh) * | 2020-08-06 | 2020-10-30 | 合肥工业大学 | 基于大脑情感学习回路模型的跟车控制方法及其控制系统 |
CN114114929A (zh) * | 2022-01-21 | 2022-03-01 | 北京航空航天大学 | 一种基于lssvm的无人驾驶车辆路径跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109709803B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106080155B (zh) | 一种驱动电机与自动变速器的优化集成系统及换挡控制方法 | |
CN101680385B (zh) | 用于车辆驱动单元的扭矩控制装置和控制方法 | |
US20130096808A1 (en) | Method for controlling an engine for a motor vehicle | |
DE102014214763A1 (de) | Echtzeit-kraftstoffverbrauchsschätzung | |
US8751087B1 (en) | Hybrid vehicle system loss learning | |
CN104048034A (zh) | 在瞬变事件过程中基于电动机扭矩的变矩器滑动控制 | |
CN105377661B (zh) | 车辆控制装置 | |
CN109334454B (zh) | 一种限制车速的方法、装置和整车 | |
CN110154784A (zh) | 一种驾驶员需求驱动扭矩在线确定方法 | |
Xu et al. | Learning time reduction using warm-start methods for a reinforcement learning-based supervisory control in hybrid electric vehicle applications | |
CN104925052B (zh) | 用于自适应马达功率损耗估计的方法和系统 | |
DE102015100394A1 (de) | Motordrehmomentsteuerung für leistungsverzweigtes Hybrid-Elektrofahrzeug unter Verwendung von Zustandsschätzung | |
CN109709803A (zh) | 一种基于pso改进的大脑情感学习智能控制器的汽车imt速度控制方法 | |
CN104175891A (zh) | 纯电动汽车能量回收再生制动控制方法 | |
Wang et al. | Hybrid electric vehicle modeling accuracy verification and global optimal control algorithm research | |
CN103696857A (zh) | 一种用于电动汽车增程器的电子节气门装置和控制方法 | |
CN106285960B (zh) | 一种车辆仿真参数的计算方法和装置 | |
CN109131308B (zh) | 控制混合动力系统的方法和装置 | |
CN107323308A (zh) | 一种具有预测能力的燃料电池汽车牵引扭矩计算方法 | |
Deng et al. | A novel real‐time energy management strategy for plug‐in hybrid electric vehicles based on equivalence factor dynamic optimization method | |
GB2448671A (en) | A method of controlling driveline backlash | |
US10486679B2 (en) | Management of gear lash closure rate in a powertrain system | |
Chai et al. | Robust shifting control of a motor‐transmission integrated system considering anti‐jerking and speed regulation for electric vehicles | |
Adel et al. | Parallel HEV hybrid controller modeling for power management | |
Awadallah et al. | A system analysis and modeling of a HEV based on ultracapacitor battery |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190503 Assignee: BEIJING SEA BREEZE INTELLIGENT TECHNOLOGY LLC Assignor: BEIHANG University Contract record no.: X2021110000004 Denomination of invention: A speed control method of automobile IMT based on PSO improved brain emotion learning intelligent controller Granted publication date: 20200904 License type: Common License Record date: 20210125 |