CN114578708A - 基于Matlab/Simulink飞行汽车工况识别系统 - Google Patents

基于Matlab/Simulink飞行汽车工况识别系统 Download PDF

Info

Publication number
CN114578708A
CN114578708A CN202210092644.2A CN202210092644A CN114578708A CN 114578708 A CN114578708 A CN 114578708A CN 202210092644 A CN202210092644 A CN 202210092644A CN 114578708 A CN114578708 A CN 114578708A
Authority
CN
China
Prior art keywords
aerocar
flying
speed
working condition
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.)
Pending
Application number
CN202210092644.2A
Other languages
English (en)
Inventor
隗海林
王哲钊
邵诚世
刘洋
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202210092644.2A priority Critical patent/CN114578708A/zh
Publication of CN114578708A publication Critical patent/CN114578708A/zh
Pending legal-status Critical Current

Links

Images

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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Hybrid Electric Vehicles (AREA)

Abstract

本发明公开了基于Matlab/Simulink飞行汽车工况识别系统，包括：利用传感器采集的飞行汽车工作状态信息和工作环境信息，生成离线数据集，离线训练应用改进遗传算法优化的BP神经网络模型，在飞行汽车行驶过程中根据飞行汽车的速度、海拔高度和升降舵角度判断出飞行汽车当前所处的运行工况。本发明完善了工况识别研究体系，为混合动力能量管理策略的制定提供依据；利用BP神经网络可以有效改善混合动力能量管理策略中基于瞬时优化计算量过大、基于全局优化与基于规则自适应能力缺失及基于强化学习要求大量训练数据等问题；应用改进遗传算法优化所构建的BP神经网络能有效解决BP神经网络收敛速度慢、易陷入局部极小值和鲁棒性较差等问题，提高了陆空工况识别的准确度。

Description

基于Matlab/Simulink飞行汽车工况识别系统
技术领域
本发明属于汽车技术领域，具体涉及一种基于Matlab/Simulink飞行汽车工况识别系统。
背景技术
随着中国经济的飞速发展，汽车成为了人们出行必备的交通工具。混合动力飞行汽车的出现能很好的解决城市交通拥堵状况日益严重和排放污染严重等问题，且随着近几年国家低空政策的开放，混合动力飞行汽车前景广阔，全球很多国家均在飞行汽车上投入大量人力物力。研究混合动力飞行汽车能量管理策略可以增强飞行汽车的续航能力，减小噪声，降低排放。如今，混合动力能量管理领域最具挑战性的问题是车辆控制单元始终不知道行驶条件，这里的行驶条件可以解释为驾驶循环工况、不同的驾驶风格和意图、道路坡度及外温度等。如果没有这些信息，能量管理控制器就无法控制能量，在多种能源之间合理分配，从而造成燃料和能源的浪费。
因此，有必要提出一种基于Matlab/Simulink的混合动力飞行汽车陆空工况识别系统，无论是计算机仿真，还是实际运行，只需要通过实时采集飞行汽车的工作状态信息和工作环境信息，就可以通过建立的数学模型计算出工况相关的特征参数，与海拔高度和升降舵角度共同作为BP神经网络输入参数，识别运行工况。利用BP神经网络可以有效避免在制定混合动力能量管理策略时出现的基于瞬时优化计算量过大、基于全局优化与基于规则自适应能力缺失及基于强化学习要求大量训练数据等问题；应用改进遗传算法优化所构建的BP神经网络能有效解决BP神经网络收敛速度慢、易陷入局部极小值和鲁棒性较差等问题，提高了陆空工况识别的准确度。
发明内容
本发明的目的是为了解决采用不同能量管理策略的混合动力飞行汽车在行驶过程中，基于瞬时优化计算量过大、实时响应时间慢、基于全局优化与基于规则自适应能力缺失及基于强化学习要求大量训练数据等问题，而提出的一种基于Matlab/Simulink的混合动力汽车工况识别方法。该方法提高了工况特征参数的获取效率，对硬件要求较低，可以应用到混合动力飞行汽车能量管理策略中的基于规则、基于优化和基于人工智能的能量管理策略中，不仅能提高汽车控制单元的实时计算效率，还能帮助能量管理模块更合理的分配能源，提高燃油经济性。
本发明目的可以通过以下途径实现：
基于Matlab/Simulink的混合动力飞行汽车陆空工况识别系统，包括以下步骤：
1）利用Avl-Cruise软件中已有的地面行驶工况信息，并采集飞行汽车的飞行状态信息及飞行环境信息，生成离线数据集；所述的飞行状态信息为飞行汽车速度和升降舵角度，所述的飞行环境信息为飞行汽车海拔高度；
2）基于Simulink建立联合仿真模型，以离线数据集中的速度信号作为输入，经数学模型计算，输出工况相关特征参数，所得特征参数与飞行汽车的升降舵角度和海拔高度共同组成行驶工况训练样本，通过聚类方法将行驶工况分为七类；
3）初始化BP神经网络，利用训练样本训练BP神经网络工况识别模型；
4）基于改进的遗传算法优化BP神经网络工况识别模型，其中遗传算法的交叉概率随着迭代次数的增加而减小，使种群中优良个体的基因型得以保留延续；遗传算法的变异概率随着迭代次数的增加而增加，鼓励新个体的出现；
5）基于Simulink建立基于改进遗传算法优化的BP神经网络工况识别模型，并以混合动力飞行汽车的工作状态信息和工作环境信息作为输入，完成车辆的工况识别；
所述的步骤1）为：
利用Avl-Cruise软件中已有的地面行驶工况信息，即各种汽车行驶工况的速度-时间曲线；并将采集到的飞行汽车空中飞行的速度-时间曲线导入到Cruise中；飞行汽车在陆地行驶时，升降舵角度和海拔高度是一个常数；飞行汽车在空中飞行时，利用传感器采集飞行汽车的升降舵角度和海拔高度；根据飞行汽车的飞行状态信息和飞行环境信息，生成离线数据集；
所述步骤2）为：
基于Simulink建立数学模型，以Cruise中速度-时间曲线的20s为周期进行联合仿真，计算飞行汽车的运行平均车速、平均车速、怠速时间百分比、平均加速度、平均减速度、最大加速度、最小减速度，结合飞行汽车离线数据集中的升降舵角度和海拔高度，将所得9个特征参数共同组成行驶工况训练样本；得到的训练样本库采用二次聚类的方法将工况划分为七类，分别为拥堵工况、高速工况、城市工况、郊区工况、巡航工况、起飞爬升工况和降落工况；
所述步骤3）为：
初始化BP神经网络的权值和阈值，确定输入层、隐含层和输出层的神经元数目，选取激励函数和训练函数，设定迭代次数和目标性能，分别将各个样本数据的9个特征参数；作为神经网络的输入，并将相应的工况类别编号作为输出值，训练神经网络。
所述步骤4）为：
应用改进遗传算法对BP神经网络的权值和阈值进行优化，对训练完成的BP神经网络的权值和阈值编码得到初始种群，解码得到权值和阈值，并赋值给新建的BP神经网络，训练并测试该网络，误差值作为适应度，选择适应度高得染色体进行复制，交叉、变异后得到新的种群，直到得到最佳的神经网络权值和阈值，其中随着迭代次数的增加，减小交叉概率，使种群中优良个体的基因型得以保留延续，增加变异概率，鼓励新个体的出现；
将建立的最佳的BP神经网络封装为Simulink模块，基于Simulink建立在线工况识别系统，以混合动力飞行汽车的工作状态信息和工作环境信息作为输入，完成车辆的工况识别；
所述的基于Simulink建立数学模型：
Figure 550732DEST_PATH_IMAGE001
（1）
式中，
Figure 61348DEST_PATH_IMAGE002
是飞行汽车的速度，
Figure 670446DEST_PATH_IMAGE003
是飞行汽车的运行时间，
Figure 393551DEST_PATH_IMAGE004
是平均车速；
Figure 270240DEST_PATH_IMAGE005
（2）
式中，
Figure 420599DEST_PATH_IMAGE006
是飞行汽车的速度，
Figure 516993DEST_PATH_IMAGE007
是飞行汽车的运行时间，
Figure 43789DEST_PATH_IMAGE008
是飞行汽车的加速时间，
Figure 40564DEST_PATH_IMAGE009
是飞行汽车的平均加速度；
Figure 863289DEST_PATH_IMAGE010
（3）
式中，
Figure 945515DEST_PATH_IMAGE006
是飞行汽车的速度，
Figure 10422DEST_PATH_IMAGE007
是飞行汽车的运行时间，
Figure 351450DEST_PATH_IMAGE011
是飞行汽车的减速速时间，
Figure 109190DEST_PATH_IMAGE012
是飞行汽车的平均减速度；
Figure 678712DEST_PATH_IMAGE013
（4）
式中，
Figure 783196DEST_PATH_IMAGE014
是飞行汽车的速度，
Figure 20143DEST_PATH_IMAGE015
是飞行汽车速度不为0的时间，
Figure 683205DEST_PATH_IMAGE016
为运行平均车速
Figure 507067DEST_PATH_IMAGE017
（5）
式中，
Figure 648198DEST_PATH_IMAGE018
是飞行汽车的运行时间，
Figure 739651DEST_PATH_IMAGE019
是飞行汽车速度不为0的时间，
Figure 340659DEST_PATH_IMAGE020
为怠速时间百分比；
基于Simulink/Cruise联合仿真，以Cruise中速度-时间曲线的20s为周期，根据飞行汽车速度，计算每个周期片段飞行汽车的运行平均车速、平均车速、怠速时间百分比、平均加速度、平均减速度、最大加速度、最小减速度；
飞行汽车飞行状态的需求功率计算方法如公式（6）：
Figure 353614DEST_PATH_IMAGE021
（6）
式中，
Figure 564016DEST_PATH_IMAGE022
为飞行汽车飞行阻力，
Figure 978817DEST_PATH_IMAGE023
为机翼面积；
Figure 485147DEST_PATH_IMAGE024
为阻力系数；
Figure 516557DEST_PATH_IMAGE025
为飞行汽车飞行速度；
Figure 265070DEST_PATH_IMAGE026
为飞行汽车所处高度的空气密度；
由式（6）可以看出
Figure 567000DEST_PATH_IMAGE027
和
Figure 742767DEST_PATH_IMAGE028
是影响飞行汽车需求功率的重要变量，其中空气密度
Figure 995894DEST_PATH_IMAGE029
随着海拔高度的增加而下降，阻力系数
Figure 282518DEST_PATH_IMAGE030
与飞行汽车的迎角有关；
因此，在对陆空工况进行识别时，引入飞行汽车海拔高度与升降舵角度，将每个周期片段计算所得七个特征参数与对应的飞行汽车升降舵角度及海拔高度共九个特征参数，共同组成行驶工况训练样本；
起飞爬升阶段升降舵角度大于0，地面行驶及巡航阶段升降舵角度为0，下降阶段升降舵角度小于0；起飞爬升阶段飞行汽车海拔高度在
Figure 173376DEST_PATH_IMAGE031
范巡航阶段飞行汽车海拔高度在
Figure 785623DEST_PATH_IMAGE032
范围内，下降阶段飞行汽车海拔高度在
Figure 260467DEST_PATH_IMAGE033
范围内；
其中，
Figure 117827DEST_PATH_IMAGE034
为飞行汽车初始高度；
Figure 627305DEST_PATH_IMAGE035
为飞行汽车巡航阶段最低高度；
Figure 879295DEST_PATH_IMAGE036
为飞行汽车巡航阶段最高高度；
Figure 620198DEST_PATH_IMAGE037
为飞行汽车下降阶段最低高度。
本发明的有益效果：
1. 基于Simulink/Cruise联合仿真的方法能快速得到工况相关特征参数，提高了工况特征参数的获取效率，对于陆空两栖运行工况，引入升降舵角度和海拔高度作为输入参数可以提高工况识别准确度，完善了飞行汽车的工况识别研究体系；
2. 利用BP神经网络可以有效改善混合动力汽车在行驶过程计算量过大，实时响应时间过长等问题，是人工智能算法在工况识别中的应用；
3.应用改进遗传算法优化所构建的BP神经网络解决了传统遗传算法出现的“早熟”和“退化”现象，也解决了神经网络收敛速度慢、易陷入局部极小值和鲁棒性较差等问题，有效提高了工况识别的准确度。
附图说明：
图1为本发明实施例的基于Simulink的混合动力飞行汽车陆空工况识别方法流程图；
图2为本发明实施例的典型工况的示意图；
图3为本发明实施例的BP神经网络结构示意图；
图4为本发明实施例的基于改进遗传算法优化神经网络的流程图；
图5为本发明实施例的基于Simulink平台建立的神经网络工况识别模型；
图6为本发明实施例的混合动力飞行汽车陆空工况识别方法原理图。
具体实施方式
以下将通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1~图6所示，图1为一种基于Matlab/Simulink的混合动力飞行汽车陆空工况识别系统流程图，具体包括以下步骤：
步骤一：利用Avl-Cruise软件中已有的地面行驶工况信息，即各种汽车行驶工况的速度-时间曲线，并采集飞行汽车的飞行状态信息及飞行环境信息。飞行状态信息即飞行汽车速度和升降舵角度，飞行环境信息即飞行汽车海拔高度。所述传感器包括：GPS、惯性测量元件及电子陀螺仪等。飞行汽车在陆地行驶时，升降舵角度和海拔高度是一个常数。根据飞行汽车工作状态信息和工作环境信息，生成离线数据集，最后将采集到的飞行汽车空中飞行的速度-时间曲线导入到Cruise中。
步骤二：基于Simulink建立数学模型：
Figure 514205DEST_PATH_IMAGE038
（1）
式中，
Figure 143769DEST_PATH_IMAGE039
是飞行汽车的速度，
Figure 566660DEST_PATH_IMAGE040
是飞行汽车的运行时间，
Figure 783140DEST_PATH_IMAGE041
是平均车速；
Figure 746417DEST_PATH_IMAGE042
（2）
式中，
Figure 699329DEST_PATH_IMAGE043
是飞行汽车的速度，
Figure 325745DEST_PATH_IMAGE044
是飞行汽车的运行时间，
Figure 262477DEST_PATH_IMAGE045
是飞行汽车的加速时间，
Figure 763865DEST_PATH_IMAGE046
是飞行汽车的平均加速度；
Figure 603908DEST_PATH_IMAGE047
（3）
式中，
Figure 899760DEST_PATH_IMAGE048
是飞行汽车的速度，
Figure 58209DEST_PATH_IMAGE049
是飞行汽车的运行时间，
Figure 97709DEST_PATH_IMAGE050
是飞行汽车的减速速时间，
Figure 792258DEST_PATH_IMAGE051
是飞行汽车的平均减速度；
Figure 259011DEST_PATH_IMAGE052
（4）
式中，
Figure 170335DEST_PATH_IMAGE053
是飞行汽车的速度，
Figure 983833DEST_PATH_IMAGE055
是飞行汽车速度不为0的时间，
Figure 297002DEST_PATH_IMAGE056
为运行平均车速
Figure 669078DEST_PATH_IMAGE057
（5）
式中，
Figure 802119DEST_PATH_IMAGE058
是飞行汽车的运行时间，
Figure 950466DEST_PATH_IMAGE060
是飞行汽车速度不为0的时间，
Figure 852563DEST_PATH_IMAGE061
为怠速时间百分比；
对步骤一所述速度-时间曲线进行运动学片段划分，依据相关专家学者所做的研究，以180s为周期，选用运行平均车速、平均车速、怠速时间百分比、平均加速度、平均减速度、最大加速度、最小减速度作为特征参数，可以较为准确的识别工况，本发明实例为了获取更多的训练样本，以20s为周期划分运动学片段，如图2所示，基于Simulink/Cruise联合仿真，根据飞行汽车速度，计算每个周期片段飞行汽车的运行平均车速、平均车速、怠速时间百分比、平均加速度、平均减速度、最大加速度、最小减速度。
飞行汽车飞行状态的需求功率模型如公式（6）：
Figure 926698DEST_PATH_IMAGE062
（6）
式中，
Figure 48500DEST_PATH_IMAGE063
为飞行汽车飞行阻力，
Figure 233494DEST_PATH_IMAGE064
为机翼面积；
Figure 990097DEST_PATH_IMAGE066
为阻力系数；
Figure 724880DEST_PATH_IMAGE067
为飞行汽车飞行速度；
Figure 832513DEST_PATH_IMAGE069
为飞行汽车所处高度的空气密度。由式（6）可以看出
Figure 555619DEST_PATH_IMAGE070
和
Figure 933773DEST_PATH_IMAGE072
是影响飞行汽车需求功率的重要变量，其中空气密度随着海拔高度的增加而下降，阻力系数与飞行汽车的迎角有关。因此，在对陆空工况进行识别时，引入飞行汽车海拔高度与升降舵角度，将每个周期片段计算所得七个特征参数与对应的飞行汽车升降舵角度及海拔高度共同组成行驶工况训练样本。起飞爬升阶段升降舵角度大于0，地面行驶及巡航阶段升降舵角度为0，下降阶段升降舵角度小于0；起飞爬升阶段飞行汽车海拔高度在
Figure 349710DEST_PATH_IMAGE073
范围内，巡航阶段飞行汽车海拔高度在
Figure 679061DEST_PATH_IMAGE074
范围内，下降阶段飞行汽车海拔高度在
Figure 205857DEST_PATH_IMAGE075
范围内；
其中，
Figure 438517DEST_PATH_IMAGE077
为飞行汽车初始高度；
Figure 290936DEST_PATH_IMAGE079
为飞行汽车巡航阶段最低高度；
Figure 373161DEST_PATH_IMAGE081
为飞行汽车巡航阶段最高高度；
Figure 205113DEST_PATH_IMAGE082
为飞行汽车下降阶段最低高度。
最后，将到的训练样本库采用二次聚类的方法把飞行汽车运行工况划分为七类，分别为拥堵工况、高速工况、城市工况、郊区工况、巡航工况、起飞爬升工况和降落工况。
步骤三：初始化BP神经网络的权值和阈值，输入层和输出层的神经元数目分别由输入工况特征参数和工况类别决定，隐含层神经元个数由经验公式确定，选取传输函数和训练函数：
（1）选取tansig函数为隐含层的传输函数，公式如下：
Figure 56395DEST_PATH_IMAGE083
（7）
（2）选取purelin函数为输出层的传输函数，公式如下：
Figure 548556DEST_PATH_IMAGE084
（8）
（3）选取trainlm函数为训练函数。设定迭代次数为2000和目标性能1e-4，隐含层数量为1层，隐含层神经元数为9，分别将各个样本数据的9个特征参数作为神经网络的输入，并将相应的7种工况类别作为输出，训练神经网络。选取均方根误差RMSE作为损失函数，公式如（9）。
Figure 353963DEST_PATH_IMAGE085
（9）
式中：
Figure 222562DEST_PATH_IMAGE087
为神经网络的输出值；
Figure 193929DEST_PATH_IMAGE089
为真实值；
Figure 358456DEST_PATH_IMAGE090
为输出值的长度。
步骤四：尽管BP神经网络的识别准确度已经很高，但由于其网络初始化权值和阈值随机性较高，且每次训练后得到的权值和阈值都不相同，导致神经网络收敛速度慢，容易陷入局部最优，鲁棒性低，还是会使得神经网络的识别精度下降。而应用遗传算法优化后的BP神经网络收敛速度快，鲁棒性强，已经在应用在多个领域。本发明提出应用改进遗传算法优化神经网络，改善了传统遗传算法优化神经网络出现的“早熟”和“退化现象”，流程如图4所示。对所述步骤三训练完成的BP神经网络的权值和阈值编码得到初始种群，解码得到权值和阈值，并赋值给新建的BP神经网络，训练并测试该网络，误差值作为适应度，选择操作选用几何规划排序选择（normGeoSelect）选择适应度高得染色体进行复制，交叉、变异后得到新的种群，交叉概率为：
Figure 306952DEST_PATH_IMAGE091
(8)
式中，
Figure 979242DEST_PATH_IMAGE093
为交叉概率，
Figure 539536DEST_PATH_IMAGE095
为将要交叉的两个个体中，较好个体的适应度函数值，
Figure 107921DEST_PATH_IMAGE096
是当前群体适应度函数的平均值，
Figure 153499DEST_PATH_IMAGE098
是当前群体最大的适应度函数值，
Figure 98321DEST_PATH_IMAGE100
、
Figure 778701DEST_PATH_IMAGE102
是大于0小于1的常数，且有
Figure DEST_PATH_IMAGE103
，
Figure DEST_PATH_IMAGE105
是可随进化过程的进行而改变的调节项，
Figure DEST_PATH_IMAGE107
是总进化代数，
Figure DEST_PATH_IMAGE109
是当前进化代数。
变异概率为：
Figure 109800DEST_PATH_IMAGE110
（9）
式中，
Figure 875630DEST_PATH_IMAGE112
为变异概率，
Figure 358564DEST_PATH_IMAGE114
为将要变异个体的适应度，
Figure 660495DEST_PATH_IMAGE116
是大于0小于1的常数，
Figure 570682DEST_PATH_IMAGE118
是变异梯度常数，变异梯度常数
Figure 558230DEST_PATH_IMAGE118
的取值满足
Figure DEST_PATH_IMAGE119
迭代至最大迭代次数，将得到最佳的神经网络权值和阈值，其中改进遗传算法方案如上述公式所示，随着迭代次数的增加，交叉概率将适当减小，使种群中优良个体的基因型得以保留延续，变异概率将适当增加，鼓励新个体的出现，有效改善了传统遗传算法优化神经网络出现的“早熟”和“退化”现象。
步骤五：将建立的最佳的BP神经网络封装为Simulink模块，为了保证输出唯一确定的工况类别，引入竞争神经网络模块，基于Simulink建立在线工况识别系统，以混合动力汽车的工作状态信息和工作环境信息作为输入，完成车辆的工况识别。
以上仅是本发明的优选实施例，熟悉本领域技术的人员显然可以容易的对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不经过创造性的劳动，因此本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (7)

1.基于Matlab/Simulink的飞行汽车陆空工况识别系统，包括以下步骤：
1）利用Avl-Cruise软件中已有的地面行驶工况信息，并采集飞行汽车的飞行状态信息及飞行环境信息，生成离线数据集；所述的飞行状态信息为飞行汽车速度和升降舵角度，所述的飞行环境信息为飞行汽车海拔高度；
2）基于Simulink建立联合仿真模型，以离线数据集中的速度信号作为输入，经数学模型计算，输出工况相关特征参数，所得特征参数与飞行汽车的升降舵角度和海拔高度共同组成行驶工况训练样本，通过聚类方法将行驶工况分为七类；
3）初始化BP神经网络，利用训练样本训练BP神经网络工况识别模型；
4）基于改进的遗传算法优化BP神经网络工况识别模型，其中遗传算法的交叉概率随着迭代次数的增加而减小，使种群中优良个体的基因型得以保留延续；遗传算法的变异概率随着迭代次数的增加而增加，鼓励新个体的出现；
5）基于Simulink建立基于改进遗传算法优化的BP神经网络工况识别模型，并以混合动力飞行汽车的工作状态信息和工作环境信息作为输入，完成车辆的工况识别。
2.根据权利要求1所述的基于Matlab/Simulink的飞行汽车陆空工况识别系统，其特征在于，所述的步骤1）为：
利用Avl-Cruise软件中已有的地面行驶工况信息，即各种汽车行驶工况的速度-时间曲线；并将采集到的飞行汽车空中飞行的速度-时间曲线导入到Cruise中；飞行汽车在陆地行驶时，升降舵角度和海拔高度是一个常数；飞行汽车在空中飞行时，利用传感器采集飞行汽车的升降舵角度和海拔高度；根据飞行汽车的飞行状态信息和飞行环境信息，生成离线数据集。
3.根据权利要求1所述的基于Matlab/Simulink的飞行汽车陆空工况识别系统，其特征在于，所述步骤2）为：
基于Simulink建立数学模型，以Cruise中速度-时间曲线的20s为周期进行联合仿真，计算飞行汽车的运行平均车速、平均车速、怠速时间百分比、平均加速度、平均减速度、最大加速度、最小减速度，结合飞行汽车离线数据集中的升降舵角度和海拔高度，将所得9个特征参数共同组成行驶工况训练样本；得到的训练样本库采用二次聚类的方法将工况划分为七类，分别为拥堵工况、高速工况、城市工况、郊区工况、巡航工况、起飞爬升工况和降落工况。
4.根据权利要求1所述的基于Matlab/Simulink的飞行汽车陆空工况识别系统，其特征在于，所述步骤3）为：
初始化BP神经网络的权值和阈值，确定输入层、隐含层和输出层的神经元数目，选取激励函数和训练函数，设定迭代次数和目标性能，分别将各个样本数据的9个特征参数；作为神经网络的输入，并将相应的工况类别编号作为输出值，训练神经网络。
5.根据权利要求1所述的基于Matlab/Simulink的飞行汽车陆空工况识别系统，其特征在于，所述步骤4）为：
应用改进遗传算法对BP神经网络的权值和阈值进行优化，对训练完成的BP神经网络的权值和阈值编码得到初始种群，解码得到权值和阈值，并赋值给新建的BP神经网络，训练并测试该网络，误差值作为适应度，选择适应度高得染色体进行复制，交叉、变异后得到新的种群，直到得到最佳的神经网络权值和阈值，其中随着迭代次数的增加，减小交叉概率，使种群中优良个体的基因型得以保留延续，增加变异概率，鼓励新个体的出现。
6.根据权利要求1所述的基于Matlab/Simulink的飞行汽车陆空工况识别系统，其特征在于，所述步骤5）为：
将建立的最佳的BP神经网络封装为Simulink模块，基于Simulink建立在线工况识别系统，以混合动力飞行汽车的工作状态信息和工作环境信息作为输入，完成车辆的工况识别。
7.根据权利要求1、2、3、4或5所述的基于Matlab/Simulink的混合动力飞行汽车陆空工况识别系统，其特征在于，所述的基于Simulink建立数学模型：
Figure 504465DEST_PATH_IMAGE001
（1）
式中，
Figure 418195DEST_PATH_IMAGE002
是飞行汽车的速度，
Figure 568685DEST_PATH_IMAGE003
是飞行汽车的运行时间，
Figure 618680DEST_PATH_IMAGE004
是平均车速；
Figure 953847DEST_PATH_IMAGE005
（2）
式中，
Figure 761397DEST_PATH_IMAGE006
是飞行汽车的速度，
Figure 574632DEST_PATH_IMAGE007
是飞行汽车的运行时间，
Figure 479134DEST_PATH_IMAGE008
是飞行汽车的加速时间，
Figure 860568DEST_PATH_IMAGE009
是飞行汽车的平均加速度；
Figure 748890DEST_PATH_IMAGE010
（3）
式中，
Figure 303499DEST_PATH_IMAGE006
是飞行汽车的速度，
Figure 390403DEST_PATH_IMAGE007
是飞行汽车的运行时间，
Figure 270635DEST_PATH_IMAGE011
是飞行汽车的减速速时间，
Figure 380673DEST_PATH_IMAGE012
是飞行汽车的平均减速度；
Figure 4553DEST_PATH_IMAGE013
（4）
式中，
Figure 821330DEST_PATH_IMAGE014
是飞行汽车的速度，
Figure 872463DEST_PATH_IMAGE015
是飞行汽车速度不为0的时间，
Figure 735376DEST_PATH_IMAGE016
为运行平均车速
Figure 428526DEST_PATH_IMAGE017
（5）
式中，
Figure 99810DEST_PATH_IMAGE018
是飞行汽车的运行时间，
Figure 56265DEST_PATH_IMAGE019
是飞行汽车速度不为0的时间，
Figure 965114DEST_PATH_IMAGE020
为怠速时间百分比；
基于Simulink/Cruise联合仿真，以Cruise中速度-时间曲线的20s为周期，根据飞行汽车速度，计算每个周期片段飞行汽车的运行平均车速、平均车速、怠速时间百分比、平均加速度、平均减速度、最大加速度、最小减速度；
飞行汽车飞行状态的需求功率计算方法如公式（6）：
Figure 930796DEST_PATH_IMAGE021
（6）
式中，
Figure 315641DEST_PATH_IMAGE022
为飞行汽车飞行阻力，
Figure 442997DEST_PATH_IMAGE023
为机翼面积；
Figure 14924DEST_PATH_IMAGE024
为阻力系数；
Figure 518717DEST_PATH_IMAGE025
为飞行汽车飞行速度；
Figure 758069DEST_PATH_IMAGE026
为飞行汽车所处高度的空气密度；
由式（6）可以看出
Figure 118643DEST_PATH_IMAGE027
和
Figure 177866DEST_PATH_IMAGE028
是影响飞行汽车需求功率的重要变量，其中空气密度
Figure 219771DEST_PATH_IMAGE029
随着海拔高度的增加而下降，阻力系数
Figure 313629DEST_PATH_IMAGE030
与飞行汽车的迎角有关；
因此，在对陆空工况进行识别时，引入飞行汽车海拔高度与升降舵角度，将每个周期片段计算所得七个特征参数与对应的飞行汽车升降舵角度及海拔高度共九个特征参数，共同组成行驶工况训练样本；
起飞爬升阶段升降舵角度大于0，地面行驶及巡航阶段升降舵角度为0，下降阶段升降舵角度小于0；起飞爬升阶段飞行汽车海拔高度在
Figure 48367DEST_PATH_IMAGE031
范巡航阶段飞行汽车海拔高度在
Figure 594886DEST_PATH_IMAGE032
范围内，下降阶段飞行汽车海拔高度在
Figure 112586DEST_PATH_IMAGE033
范围内；
其中，
Figure 795371DEST_PATH_IMAGE034
为飞行汽车初始高度；
Figure 701010DEST_PATH_IMAGE035
为飞行汽车巡航阶段最低高度；
Figure 734825DEST_PATH_IMAGE036
为飞行汽车巡航阶段最高高度；
Figure 649692DEST_PATH_IMAGE037
为飞行汽车下降阶段最低高度。
CN202210092644.2A 2022-01-26 2022-01-26 基于Matlab/Simulink飞行汽车工况识别系统 Pending CN114578708A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210092644.2A CN114578708A (zh) 2022-01-26 2022-01-26 基于Matlab/Simulink飞行汽车工况识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210092644.2A CN114578708A (zh) 2022-01-26 2022-01-26 基于Matlab/Simulink飞行汽车工况识别系统

Publications (1)

Publication Number Publication Date
CN114578708A true CN114578708A (zh) 2022-06-03

Family

ID=81771563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210092644.2A Pending CN114578708A (zh) 2022-01-26 2022-01-26 基于Matlab/Simulink飞行汽车工况识别系统

Country Status (1)

Country Link
CN (1) CN114578708A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103921743A (zh) * 2014-05-08 2014-07-16 长春工业大学 汽车行驶工况判别系统及其判别方法
WO2017162197A1 (zh) * 2016-03-23 2017-09-28 冯春魁 飞行器的数据的获取、处理及飞行状况监控的方法及系统
CN111581904A (zh) * 2020-04-17 2020-08-25 西安理工大学 考虑循环次数影响的锂电池soc及soh协同估算方法
CN112270336A (zh) * 2020-09-07 2021-01-26 河北工业大学 一种ga-bp工况识别方法及系统
LU102400A1 (en) * 2019-08-06 2021-02-09 Nanjing Seawolf Ocean Tech Co Ltd Path planning method and system for unmanned surface vehicle based on improved genetic algorithm

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103921743A (zh) * 2014-05-08 2014-07-16 长春工业大学 汽车行驶工况判别系统及其判别方法
WO2017162197A1 (zh) * 2016-03-23 2017-09-28 冯春魁 飞行器的数据的获取、处理及飞行状况监控的方法及系统
LU102400A1 (en) * 2019-08-06 2021-02-09 Nanjing Seawolf Ocean Tech Co Ltd Path planning method and system for unmanned surface vehicle based on improved genetic algorithm
CN111581904A (zh) * 2020-04-17 2020-08-25 西安理工大学 考虑循环次数影响的锂电池soc及soh协同估算方法
CN112270336A (zh) * 2020-09-07 2021-01-26 河北工业大学 一种ga-bp工况识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
汪伟: "纯电动汽车工况识别和能量控制策略研究", 《 机械科学与技术》, vol. 40, no. 9, 28 December 2020 (2020-12-28), pages 1444 - 1450 *
田毅: "神经网络工况识别的混合动力电动汽车模糊控制策略", 《控制理论与应用》, vol. 28, no. 3, 15 March 2011 (2011-03-15), pages 363 - 369 *
邵诚世: "倾转旋翼飞行汽车气动特性分析", 《中国优秀硕士学位论文全文数据库基础科学辑》, 15 January 2023 (2023-01-15), pages 004 - 117 *

Similar Documents

Publication Publication Date Title
Wu et al. Fuzzy energy management strategy for a hybrid electric vehicle based on driving cycle recognition
CN107688343B (zh) 一种混合动力车辆的能量控制方法
CN105741637B (zh) 四轮轮毂电机电动汽车智能转向控制方法
CN111260118B (zh) 一种基于量子粒子群优化策略的车联网交通流量预测方法
CN107577234B (zh) 一种驾驶员在环的汽车燃油经济性控制方法
CN106427589A (zh) 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
CN112230675B (zh) 在协同搜救中考虑运行环境和性能的无人机任务分配方法
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
CN106529674A (zh) 多无人机协同多目标分配方法
Lin et al. Traffic signal optimization based on fuzzy control and differential evolution algorithm
CN108482481B (zh) 四轮独立驱动与转向电动汽车的四轮转向控制方法
CN103593986B (zh) 一种优化尾气排放的干线绿波协调控制信号配时方法
CN113222385B (zh) 一种电动汽车行驶工况构建与评价方法
CN110182217A (zh) 一种面向复杂超车场景的行驶任务复杂度量化评估方法
CN114170789A (zh) 基于时空图神经网络的智能网联车换道决策建模方法
CN116187161A (zh) 一种智能网联环境下混合动力客车智能能量管理方法及系统
CN111907523B (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
CN116432448B (zh) 基于智能网联车和驾驶员遵从度的可变限速优化方法
CN112339756A (zh) 一种基于强化学习的新能源汽车红绿灯路口能量回收优化速度规划算法
CN110427690A (zh) 一种基于全局粒子群算法生成ato速度曲线的方法及装置
CN114912195B (zh) 一种商用车空气动力学序列优化方法
CN113401123B (zh) 融合驾驶模式信息的汽车预测巡航参数自整定控制系统
CN113276829B (zh) 一种基于工况预测的车辆行驶节能优化变权重方法
CN112749508B (zh) 一种基于gmm和bp神经网络的路感模拟方法
CN106647279B (zh) 一种基于模糊规则的机车智能操纵优化计算方法

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