CN113147711B - 一种超磁致伸缩线控制动系统的非线性制动力补偿方法 - Google Patents
一种超磁致伸缩线控制动系统的非线性制动力补偿方法 Download PDFInfo
- Publication number
- CN113147711B CN113147711B CN202110367168.6A CN202110367168A CN113147711B CN 113147711 B CN113147711 B CN 113147711B CN 202110367168 A CN202110367168 A CN 202110367168A CN 113147711 B CN113147711 B CN 113147711B
- Authority
- CN
- China
- Prior art keywords
- braking force
- brake
- nonlinear
- pedal
- giant magnetostrictive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 22
- 239000000463 material Substances 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000006073 displacement reaction Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 7
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 6
- 239000002775 capsule Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T13/00—Transmitting braking action from initiating means to ultimate brake actuator with power assistance or drive; Brake systems incorporating such transmitting means, e.g. air-pressure brake systems
- B60T13/74—Transmitting braking action from initiating means to ultimate brake actuator with power assistance or drive; Brake systems incorporating such transmitting means, e.g. air-pressure brake systems with electrical assistance or drive
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T7/00—Brake-action initiating means
- B60T7/02—Brake-action initiating means for personal initiation
- B60T7/04—Brake-action initiating means for personal initiation foot actuated
- B60T7/042—Brake-action initiating means for personal initiation foot actuated by electrical means, e.g. using travel or force sensors
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明公开一种超磁致伸缩线控制动系统的非线性制动力补偿方法,适用于将超磁致伸缩材料作为驱动源的车辆,包括以下步骤,根据当前制动参数预测下一时刻驾驶员踩踏制动踏板的深度;根据制动踏板的深度,计算得到制动时的理想制动力;将超磁致伸缩材料的磁滞特性参数和制动踏板的深度作为神经网络的输入,预测非线性制动力;利用超磁致伸缩线控制动系统的双线圈对理想制动力进行非线性补偿,使制动器达到理想制动。本发明利用神经网络预测该非线性制动力,通过双线圈将其补偿为理想制动力,保证了超磁致伸缩线控制动系统中对非线性制动力的补偿实时变化,时刻达到理想制动力,能够快速响应制动,提高制动系统的安全性和可靠性。
Description
技术领域
本发明涉及汽车制动技术领域,尤其是一种超磁致伸缩线控制动系统的非线性制动力补偿方法。
背景技术
汽车的普及使更多人享受到了交通工具的升级带来的便利和效益,近年来随着社会发展,全球节能环保理念的深入人心以及各国政策的大力支持,环境友好型能源应用愈加广泛,电动汽车已逐渐成为汽车行业的发展趋势。
电动化、线控化、节能化是目前汽车制动系统发展不可逆转的趋势,将彻底地改变人们生活和出行的方式,也对环保做出巨大贡献。线控制动系统即电子控制制动系统,分为液压式线控制动系统和机械式线控制动系统。液压式线控制动系统(EHB)是从传统的液压制动系统发展来的,仍以液压为制动能量源,而液压的产生和电控化相对来说比较困难;机械式线控制动系统(EMB)与常规的液压制动系统截然不同,以电能为能量来源,通过电机驱动制动垫块,由电线传递能量,数据线传递信号,但制动控制的难度较大,制动稳定性也较差。中国发明专利申请号为201911130905.X,专利名称为“一种基于磁致伸缩材料的盘式线控制动系统及其控制方法”,提出了一种基于磁致伸缩材料的盘式线控制动系统,利用磁致伸缩材料的特性,以其作为驱动源,并通过控制励磁线圈中电流来控制制动系统,消除了电控液压制动系统所存在的弊端,比于机械式线控制动系统结构简单,质量轻、体积小、能耗小且利于控制。
对于制动系统来说,首先能够保证汽车行驶安全性,在行驶过程中能按照驾驶员的要求减速停车,保证车辆可靠停放。由于超磁致伸缩材料输出位移与激励电流是有滞回的且是非线性关系的,超磁致伸缩材料线控制动系统中制动器的制动力将是非线性的,无法快速响应完成制动,因此,需要对该非线性制动力进行补偿,使其达到所需制动力,来保障制动系统的实时性、稳定性和可靠性。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种超磁致伸缩线控制动系统的非线性制动力补偿方法,以解决超磁致伸缩线控制动系统中由超磁致伸缩材料引起的磁滞非线性问题。本发明通过驾驶员意图识别预测车辆行驶过程中的理想制动力和当前非线性制动力,利用双线圈控制输出对当前制动力进行非线性补偿,使其达到理想控制效果,保证制动过程中补偿力的实时变化和快速响应,提高超磁致伸缩线控制动系统的安全性。
为达到上述目的,本发明第一方面采用的技术方案如下:
一种超磁致伸缩线控制动系统的非线性制动力补偿方法,适用于将超磁致伸缩材料作为驱动源的车辆,包括以下步骤,根据当前制动参数预测下一时刻驾驶员踩踏制动踏板的深度;根据所述制动踏板的深度,计算得到制动时的理想制动力;将所述超磁致伸缩材料的磁滞特性参数和所述制动踏板的深度作为神经网络的输入,预测非线性制动力;利用所述超磁致伸缩线控制动系统的双线圈对所述理想制动力进行非线性补偿,使制动器达到理想制动。
进一步的,所述根据当前制动参数预测下一时刻驾驶员踩踏制动踏板的深度具体为,
S11、获取制动过程中制动踏板位移和加速踏板位移;
S12、根据所述加速踏板位移和所述制动踏板位移,判断驾驶员是否正在制动;
S13、对所述制动踏板位移和位移变化率进行模糊化处理,预测下一时刻驾驶员的制动意图;
S14、选取能体现当前驾驶员制动意图的制动力,确定下一时刻驾驶员踩踏制动踏板的深度。
更进一步的,S13中所述对所述制动踏板位移和位移变化率进行模糊化处理具体为,
S131、设踏板位移为X,其基本域广义确定为[0,255],将踏板行程基本域分为四个等级,从小到大依次为Z,PS,PM,PL;踏板位移变化率为dX,其基本域广义确定为[-30,30],将踏板位移变化率基本域分为五个等级,从小到大依次为NL,NS,ZR,PS,PL;设制动力为F,其基本域广义先确定为[0,255],将制动力基本域分为四个等级,与所述踏板行程基本域的等级相同,两者共用一个隶属度函数图;
S132、根据输入的所述踏板位移、踏板变化率和制动力,得到离散等级域{X}×{dX}到{F}的模糊蕴涵关系,即
Ri=xi×dxi×fi;
S133、假设有n条推理规则,则总的模糊蕴涵关系为:
S134、采用重心法进行解模糊化处理;设{F}={f1,f2,...,fp},其中p为规则数,则有模糊化处理后的F:
其中μf为模糊集合F的隶属度。
进一步的,在所述将所述超磁致伸缩材料的磁滞特性参数和所述制动踏板的深度作为神经网络的输入,预测非线性制动力之前,先对所述神经网络模型进行训练。
进一步的,所述利用所述超磁致伸缩线控制动系统的双线圈对所述理想制动力进行非线性补偿具体为,
S41、根据所述理想制动力Fd和所述非线性制动力Fa,计算需要补偿的制动力大小,
ΔF=Fd-Fa
S42、由所述需要补偿的制动力ΔF计算得到补偿电流ΔA,将所述补偿电流ΔA输出到补偿线圈;
S43、所述补偿线圈工作产生补偿制动力ΔF,同时励磁线圈工作产生非线性制动力Fa,二者分别输出至制动器,使其达到理想制动力Fd,实现制动力非线性补偿。
本发明第二方面提供一种计算机可读的存储介质,所述计算机可读的存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述技术方案任一项中所述的方法。
本发明第三方面提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述技术方案任一项中所述的方法。
本发明具有以下有益效果:
本发明在驾驶员制动意图识别的基础上,针对超磁致伸缩线控制动系统中由超磁致伸缩材料的磁滞特性产生的制动力呈非线性,系统无法理想制动的问题,利用神经网络预测该非线性制动力,通过双线圈将其补偿为理想制动力。
本发明保证了超磁致伸缩线控制动系统中对非线性制动力的补偿实时变化,时刻达到理想制动力,能够快速响应制动,提高制动系统的安全性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例超磁致伸缩线控制动系统的非线性制动力补偿方法流程图;
图2为图1实施例中驾驶员意图识别流程图;
图3为图1实施例中精神网络模型结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本实施例介绍一种超磁致伸缩线控制动系统的非线性制动力补偿方法,包括以下步骤:
步骤1、根据当前制动参数预测下一时刻驾驶员踩踏制动踏板的深度。
具体的,当前制动参数包括制动踏板位移和加速踏板位移。所述根据当前制动参数预测下一时刻驾驶员踩踏制动踏板的深度具体为,
S11、获取制动过程中制动踏板位移、加速踏板位移、当前车速信息及前方物体距离。
S12、根据所述加速踏板位移和所述制动踏板位移,判断驾驶员是否正在制动。
具体的,当驾驶员放松加速踏板和制动踏板时,车辆自由滑行;当驾驶员对加速踏板不操作,踩下制动踏板时,车辆制动行驶。
S13、对所述制动踏板位移和位移变化率进行模糊化处理,预测下一时刻驾驶员的制动意图,如图2所示。
具体的,踏板位移变化率体现了制动意图的紧急程度。变化率越大,制动的紧急程度越高,相应的制动强度越高;变化率越小,说明制动的紧急程度越小,制动强度就越小。
进一步的,对所述制动踏板位移和位移变化率进行模糊化处理具体步骤如下:
S131、设踏板位移为X,其基本域广义确定为[0,255],将踏板行程基本域分为Z,PS,PM,PL四个等级;踏板位移变化率为dX,其基本域广义确定为[-30,30],将基本域分为NL,NS,ZR,PS,PL五个等级;设制动力为F,其基本域广义先确定为[0,255],将制动力基本域分为Z,PS,PM,PL四个等级,可以与踏板行程公用一个隶属度函数图,则有
X={Z,PS,PM,PL};
dX={NL,NS,ZR,PS,PL};
F={Z,PS,PM,PL};
S132、根据输入经过计算输出得到离散等级域{X}×{dX}到{F}的模糊蕴涵关系,即
Ri=xi×dxi×fi
S133、设一共有n条推理规则,则总的模糊蕴涵关系为:
由模糊推理的合成规则,当模糊控制器输入X=x*,同时dX=dx*时,控制器经过推理得到的输出为:
f*=(x*×dx*)oR
S134、输出量采用重心法进行解模糊化处理。设{F}={f1,f2,...,fp},其中p为规则数,则有:
其中μf为模糊集合F的隶属度。
S14、选取能体现当前驾驶员制动意图的制动力,确定下一时刻驾驶员踩踏制动踏板的深度。
步骤2、根据所述制动踏板的深度,计算得到制动时的理想制动力Fd。
步骤3、由于超磁致伸缩线控制动系统中的超磁致伸缩材料输出位移与激励电流是有滞回的且是非线性关系的,由超磁致伸缩材料作为驱动源产生的制动力也是非线性的,根据步骤1中的踏板深度,利用神经网络模型预测此非线性制动力Fa。
具体的,神经网络模型包括输入层、隐含层和输出层,如图3所示,其中输入层包括制动踏板深度和超磁致伸缩材料磁滞特性,输出层为非线性制动力。
需要说明的是,在利用所述神经网络进行预测非线性制动力之前,需对神经网络模型进行训练,具体包括:
(1)对参数进行初始化。根据训练样本的输入输出数据确定网络输入层和输出层神经元个数m,n。隐含层的神经元个数无法准确确定,其神经元个数一般遵从l=2m+1进行设定。对各层连接权值和阈值进行初始化,给定激励函数和学习速率,迭代次数。
(2)计算隐含层输出。根据系统输入、输入层和隐含层的连接权值以及隐含层阈值,计算隐含层输出:
式中,l为隐含层包含的神经元个数;f为隐含层激励函数;ωij为输出层和隐含层间的连接权值;a为隐含层内各神经元的阈值。
(3)计算输出层输出。根据隐含层输出、隐含层和输出层的连接权值以及输出层阈值,计算神经网络的预测输出值:
式中,Ok为神经网络的预测输出值;ωjk为隐含层和输出层之间各神经元的连接权值;b为输出层阈值。
(4)计算误差。根据神经网络预测输出和期望输出,计算预测误差值:
ek=Yk-Ok,(k=1,2,L,m)
(5)更新权值。根据预测误差值更新网络连接权值:
ωjk=ωjk+ηHjek,(j=1,2,L,l;k=1,2,L,m)
式中,η为学习速率。
(6)更新阈值。根据预测误差值更新网络节点阈值:
bk=bk+ek,(k=1,2,L,m)
(7)判断算法迭代是否结束,若没有结束,返回步骤(2)。
步骤4、根据步骤2和步骤3中得到的理想制动力和预测的非线性制动力,利用超磁致伸缩杆缠绕的双线圈对其进行非线性补偿,使制动器完成理想制动。
具体的,包括以下步骤:
S41、根据所述理想制动力Fd和所述非线性制动力Fa,计算需要补偿的制动力大小,
ΔF=Fd-Fa
S42、由所述需要补偿的制动力ΔF计算得到补偿电流ΔA,将所述补偿电流ΔA输出到补偿线圈;
S43、所述补偿线圈工作产生补偿制动力ΔF,同时励磁线圈工作产生非线性制动力Fa,二者分别输出至制动器,使其达到理想制动力Fd,实现制动力非线性补偿。
本发明第二方面提供一种计算机可读的存储介质,所述计算机可读的存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述技术方案任一项中所述的方法。
本发明第三方面提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述技术方案任一项中所述的方法。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种超磁致伸缩线控制动系统的非线性制动力补偿方法,适用于将超磁致伸缩材料作为驱动源的车辆,其特征在于,包括以下步骤,
根据当前制动参数预测下一时刻驾驶员踩踏制动踏板的深度;
根据所述制动踏板的深度,计算得到制动时的理想制动力;
将所述超磁致伸缩材料的磁滞特性参数和所述制动踏板的深度作为神经网络的输入,预测非线性制动力;
利用所述超磁致伸缩线控制动系统的双线圈对所述理想制动力进行非线性补偿,使制动器达到理想制动;
其中,所述根据当前制动参数预测下一时刻驾驶员踩踏制动踏板的深度具体为,
S11、获取制动过程中制动踏板位移和加速踏板位移;
S12、根据所述加速踏板位移和所述制动踏板位移,判断驾驶员是否正在制动;
S13、对所述制动踏板位移和位移变化率进行模糊化处理,预测下一时刻驾驶员的制动意图,具体包括,
S131、设踏板位移为X,其基本域广义确定为[0,255],将踏板行程基本域分为四个等级,从小到大依次为Z,PS,PM,PL;踏板位移变化率为dX,其基本域广义确定为[-30,30],将踏板位移变化率基本域分为五个等级,从小到大依次为NL,NS,ZR,PS,PL;设制动力为F,其基本域广义先确定为[0,255],将制动力基本域分为四个等级,与所述踏板行程基本域的等级相同,两者共用一个隶属度函数图;
S132、根据输入的所述踏板位移、踏板变化率和制动力,得到离散等级域{X}×{dX}到{F}的模糊蕴涵关系,即
Ri=xi×dxi×fi;
S133、假设有n条推理规则,则总的模糊蕴涵关系为:
S134、采用重心法进行解模糊化处理;设{F}={f1,f2,...,fp},其中p为规则数,则有模糊化处理后的F:
其中μf为模糊集合F的隶属度;
S14、选取能体现当前驾驶员制动意图的制动力,确定下一时刻驾驶员踩踏制动踏板的深度。
2.根据权利要求1所述的超磁致伸缩线控制动系统的非线性制动力补偿方法,其特征在于,在所述将所述超磁致伸缩材料的磁滞特性参数和所述制动踏板的深度作为神经网络的输入,预测非线性制动力之前,先对所述神经网络模型进行训练。
3.根据权利要求1所述的超磁致伸缩线控制动系统的非线性制动力补偿方法,其特征在于,所述利用所述超磁致伸缩线控制动系统的双线圈对所述理想制动力进行非线性补偿具体为,
S41、根据所述理想制动力Fd和所述非线性制动力Fa,计算需要补偿的制动力大小,
ΔF=Fd-Fa
S42、由所述需要补偿的制动力ΔF计算得到补偿电流ΔA,将所述补偿电流ΔA输出到补偿线圈;
S43、所述补偿线圈工作产生补偿制动力ΔF,同时励磁线圈工作产生非线性制动力Fa,二者分别输出至制动器,使其达到理想制动力Fd,实现制动力非线性补偿。
4.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至3任一项中所述的方法。
5.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至3任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367168.6A CN113147711B (zh) | 2021-04-06 | 2021-04-06 | 一种超磁致伸缩线控制动系统的非线性制动力补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367168.6A CN113147711B (zh) | 2021-04-06 | 2021-04-06 | 一种超磁致伸缩线控制动系统的非线性制动力补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113147711A CN113147711A (zh) | 2021-07-23 |
CN113147711B true CN113147711B (zh) | 2022-04-05 |
Family
ID=76888794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110367168.6A Active CN113147711B (zh) | 2021-04-06 | 2021-04-06 | 一种超磁致伸缩线控制动系统的非线性制动力补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113147711B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707248B (zh) * | 2022-04-14 | 2024-04-26 | 江苏恒力制动器制造有限公司 | 基于神经网络的ehb压力控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101977034A (zh) * | 2010-11-08 | 2011-02-16 | 北京理工大学 | Backlash自适应滤波器及其对迟滞的建模与补偿方法 |
CN104796111A (zh) * | 2015-05-14 | 2015-07-22 | 北京航空航天大学 | 一种用于动态迟滞系统建模与补偿的非线性自适应滤波器 |
CN106230308A (zh) * | 2016-09-05 | 2016-12-14 | 山东大学 | 一种具有自感知功能的滚珠丝杠副预紧力测控系统及方法 |
CN107807531A (zh) * | 2017-11-30 | 2018-03-16 | 北京航空航天大学 | 一种用于超磁致伸缩跟踪平台的自适应逆跟踪控制方法 |
CN110962825A (zh) * | 2019-11-19 | 2020-04-07 | 南京航空航天大学 | 一种基于磁致伸缩材料的盘式线控制动系统及其控制方法 |
CN111547028A (zh) * | 2020-04-20 | 2020-08-18 | 江苏大学 | 一种考虑制动意图的制动强度模糊识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106594115B (zh) * | 2016-12-29 | 2018-11-06 | 合肥工业大学 | 一种电机联合磁致伸缩作用的线控制动器 |
-
2021
- 2021-04-06 CN CN202110367168.6A patent/CN113147711B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101977034A (zh) * | 2010-11-08 | 2011-02-16 | 北京理工大学 | Backlash自适应滤波器及其对迟滞的建模与补偿方法 |
CN104796111A (zh) * | 2015-05-14 | 2015-07-22 | 北京航空航天大学 | 一种用于动态迟滞系统建模与补偿的非线性自适应滤波器 |
CN106230308A (zh) * | 2016-09-05 | 2016-12-14 | 山东大学 | 一种具有自感知功能的滚珠丝杠副预紧力测控系统及方法 |
CN107807531A (zh) * | 2017-11-30 | 2018-03-16 | 北京航空航天大学 | 一种用于超磁致伸缩跟踪平台的自适应逆跟踪控制方法 |
CN110962825A (zh) * | 2019-11-19 | 2020-04-07 | 南京航空航天大学 | 一种基于磁致伸缩材料的盘式线控制动系统及其控制方法 |
CN111547028A (zh) * | 2020-04-20 | 2020-08-18 | 江苏大学 | 一种考虑制动意图的制动强度模糊识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113147711A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Deep reinforcement learning of energy management with continuous control strategy and traffic information for a series-parallel plug-in hybrid electric bus | |
WO2022227720A1 (zh) | 车辆速度跟踪控制方法、装置、设备及存储介质 | |
CN106314428A (zh) | 一种避撞系统、避撞方法及机动车辆 | |
CN109204390B (zh) | 一种基于深度学习的列车控制方法 | |
CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
Marzbanrad et al. | Self-tuning control algorithm design for vehicle adaptive cruise control system through real-time estimation of vehicle parameters and road grade | |
CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
CN113147711B (zh) | 一种超磁致伸缩线控制动系统的非线性制动力补偿方法 | |
CN110490275A (zh) | 一种基于迁移学习的驾驶行为预测方法 | |
CN111830962A (zh) | 强化学习代理控制器的解释数据 | |
Selvaraj et al. | An ML-aided reinforcement learning approach for challenging vehicle maneuvers | |
Zhang et al. | Model‐Predictive Optimization for Pure Electric Vehicle during a Vehicle‐Following Process | |
JP4251095B2 (ja) | 車両制御装置 | |
Abreu et al. | Model-free intelligent control for antilock braking systems on rough roads | |
Dubey et al. | Autonomous braking and throttle system: A deep reinforcement learning approach for naturalistic driving | |
JP7350188B2 (ja) | 運転支援装置、学習装置、運転支援方法、運転支援プログラム、学習済モデルの生成方法、学習済モデル生成プログラム | |
Aoyama et al. | A design methodology for real-time distributed software architecture based on the behavioral properties and its application to advanced automotive software | |
CN110843746B (zh) | 一种基于强化学习的防抱死刹车控制方法及系统 | |
JP2014024409A (ja) | 車両用ブレーキ制御装置 | |
CN114148349B (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
Mu et al. | An autonomous emergency braking strategy based on non‐linear model predictive deceleration control | |
CN113140104B (zh) | 一种车辆列队跟踪控制方法、装置及计算机可读存储介质 | |
Alonso et al. | Genetic optimization of fuzzy adaptive cruise control for urban traffic | |
Liang et al. | Dynamic neural network-based integrated learning algorithm for driver behavior | |
Pan et al. | Pressure controlling of integrated electro-hydraulic braking system with considering driver brake behaviour |
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 |