CN116522779B - 一种装甲车辆动力性与发动机运行map图匹配系统及方法 - Google Patents
一种装甲车辆动力性与发动机运行map图匹配系统及方法 Download PDFInfo
- Publication number
- CN116522779B CN116522779B CN202310488121.4A CN202310488121A CN116522779B CN 116522779 B CN116522779 B CN 116522779B CN 202310488121 A CN202310488121 A CN 202310488121A CN 116522779 B CN116522779 B CN 116522779B
- Authority
- CN
- China
- Prior art keywords
- engine
- armored vehicle
- vehicle
- power
- layer
- 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 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 22
- 239000000446 fuel Substances 0.000 claims description 21
- 238000005316 response function Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000009194 climbing Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
一种装甲车辆动力性与发动机运行MAP图匹配的系统及方法,属于人工智能技术领域。方法包括:基于装甲车辆各典型工况发动机的油耗、转速、扭矩、功率绘制发动机的运行MAP图;根据装甲车辆发动机运行MAP图构建装甲车辆的整车模型;发动机最佳外特性线获取模块基于装甲车辆的整车模型,优化装甲车辆各挡位下的传动比,使装甲车辆各典型工况下发动机的功率或扭矩最佳,获得发动机最佳外特性线。本发明能够快速准确地确定发动机额定参数。
Description
技术领域
本发明提供一种装甲车辆动力性与发动机运行MAP图匹配的系统及方法,属于人工智能技术领域。
背景技术
装甲车辆开发过程中,整车动力性能与发动机的匹配是一件关键且困难的工作。传统的匹配过程是先根据车辆的使用需求,直接选用某型发动机,然后再对车辆动力性与发动机进行匹配。但是这种方法耗时长,成本高,第一,选用一台满足车辆使用需求的发动机是一件困难的事情,这个过程常采用试错的方法,并且十分依赖于工程师傅的经验;第二,选用的发动机虽然在某些工况下满足整车驱动功率需求,但是偏离高效区运行。
发明内容
本发明提供一种装甲车辆动力性与发动机运行MAP图匹配的系统及方法,其能快速准确地确定发动机额定参数。
为实现所述发明目的,本发明一方面提供一种装甲车辆动力性与发动机运行MAP图匹配方法,其包括:确定每个作战场景下所需达到的各路况下车辆行驶性能,所述车辆行驶性能包括车速;确定满足装甲车辆作战需求下发动机的功率、扭矩及油耗;根据所需要的车速通过第一深度神经网络调整发动机的功率、转速、扭矩、油耗;根据基于装甲车辆各典型工况发动机的油耗、转速、扭矩、功率绘制发动机的运行MAP图;根据装甲车辆发动机运行MAP图构建装甲车辆的整车模型;发动机最佳外特性线获取模块基于装甲车辆的整车模型,优化装甲车辆各挡位下的传动比,使装甲车辆各典型工况下发动机的功率或扭矩最佳,获得发动机最佳外特性线。
为实现所述发明目的,本发明另一方面提供一种装甲车辆动力性与发动机运行MAP图匹配的系统,其包括行驶性能指标确定单元、发动机参数确定单元和处理器,其中,行驶性能指标确定单元被配置为确定每个作战场景下所需达到的各路况下车辆行驶性能,所述车辆行驶性能包括车速;发动机参数确定单元被配置为确定满足装甲车辆作战需求下发动机的功率、扭矩及油耗;处理器包第一深度神经网络、发动机运行MAP图绘制模块、装甲车辆整车模型和发动机最佳外特性线获取模块,深度神经网络被配置为根据所需要的车速调整发动机的功率、转速、扭矩、油耗;所述发动机运行MAP图绘制模块根据基于装甲车辆各典型工况发动机的油耗、转速、扭矩、功率,绘制发动机的运行MAP图;装甲车辆整车模型被配置为根据装甲车辆发动机运行MAP图构建装甲车辆的整车模型;发动机最佳外特性线获取模块基于装甲车辆的整车模型,优化装甲车辆各挡位下的传动比,使装甲车辆各典型工况下发动机的功率或扭矩最佳,获得发动机最佳外特性线。
为实现所述发明目的,本发明另一方面还提供一种装甲车辆动力性与发动机运行MAP图匹配方法,其包括:确定每个作战场景下所需达到的各路况下车辆行驶性能,所述车辆行驶性能包括车速;确定满足装甲车辆作战需求下发动机的功率、扭矩及油耗;根据所需要的车速通过第一深度神经网络调整发动机的功率、转速、扭矩、油耗;根据基于装甲车辆各典型工况发动机的油耗、转速、扭矩、功率绘制发动机的运行MAP图;根据装甲车辆发动机运行MAP图构建装甲车辆的整车模型;发动机最佳外特性线获取模块基于装甲车辆的整车模型,优化装甲车辆各挡位下的传动比,使装甲车辆各典型工况下发动机的功率或扭矩最佳,获得发动机最佳外特性线
优选地,第一深度神经网络包括第一输入层、第一隐含层和第一输出层,所述第一输入层包括两个神经元,分别输入装甲车辆车速v和挡位传动比i;第一输出层包括四个神经元,分别输出发动机的功率P、转速n、扭矩T、油耗b;第一隐含层至少包括函数层和调整层,函数层的函数关系包括:
式中,η为的装甲车的效率,Pz为阻力功率;ρ为燃油密度(kg/L);g为重力加速度;Gs为装甲车辆的行驶性能中百公里油耗;kp、kn、kT和kb为可调系数;G为装甲车辆的重量、f为地面变形阻力系数、d为装甲车辆主动轮的直径
调整层用对可调系数进行调整以使装甲车辆在作战场景下的多种典型工况达到最大速度行驶时,所需的功率在达到发动机的额定功率、额定转速、额定扭矩,式中θ表示kp、kn、kT和kb任一量,J(θ)表示优化的损失函数,δ表示学习次数。
优选地,多种典型工况包括爬坡工况和全速工况。
优选地,装甲车辆的整车模型包括第二深度学习神经网络,第二深度学习神经网络包括第二输入层、第二隐藏层、第二输出层,所述第二输入层包括三个神经元,分别输入发动机的有效扭矩、有效油耗以及有效功率;输出层输出传动比;隐含层采用响应函数来拟合输出层神经元和输入层各神经元的函数关系,当响应函数的相关性系数过大时,保持输入层的节点数不变,以步长1逐次增加隐藏层节点数使相关性系数减小,当响应函数的相关性系数过小时,以步长1逐次减小隐藏层节点数使相关性系数增大。
优选地,i(Ti,Pi,bi)=αT·iT(Ti)+αp·iP(Pi)+αb·ib(bi)
式中,Ti为有效扭矩,为有效功率,bi为有效油耗,αT、αp、αb为加权系数;iT(Ti)为传动比i随有效扭矩Ti变化的函数关系,iP(Pi)为传动比i随有效功率Pi变化的函数关系,ib(bi))为传动比i随有效有效油耗bi变化的函数关系。
与现有技术相比,本发明提供的装甲车辆动力性与发动机运行MAP图匹配的系统及方法可达到如下有益效果:快速准确地确定发动机额定参数,解决装甲车辆整车与发动机匹配过程中难以准确快速确定一款发动机的问题,解决装甲车辆整车与发动机匹配过程中,选定的车辆某些工况发动机没有在高效区运行的问题。
附图说明
图1是本发明提供的装甲车辆动力性与发动机运行MAP图匹配方法流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本发明中,术语“”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
图1是本发明提供的装甲车辆动力性与发动机运行MAP图匹配方法流程图。如图1所示,本发明提供一种装甲车辆动力性与发动机运行MAP图匹配方法,其特征在于,包括:
步骤1:确定装甲车辆的作战场景,明确装甲车辆可能应用的作战环境,例如高原、平原等,明确各作战环境下潜在的作战任务,例如近距突袭、远程奔袭等,据此建立正交的作战场景体系。
步骤2:确定每个作战场景下所需达到的各路况下车辆行驶性能指标,所述车辆行驶性能指标包括车速、各加速区间的加速时间、各车速下最大爬坡度以及各车速下的整车油耗;
步骤3:确定满足装甲车辆作战需求下发动机的功率、扭矩及油耗;步骤4:根据所需要的车速通过第一深度神经网络调整发动机的功率、转速、扭矩、油耗;
步骤5:根据基于装甲车辆各典型工况发动机的油耗、转速、扭矩、功率绘制发动机的运行MAP图;
步骤6:根据装甲车辆发动机运行MAP图构建装甲车辆的整车模型;步骤7:基于装甲车辆的整车模型,优化装甲车辆各挡位下的传动比,使装甲车辆各典型工况下发动机的功率或扭矩最佳,获得发动机最佳外特性线。
本发明中,第一深度神经网络包括第一输入层、第一隐含层和第一输出层,所述第一输入层包括两个神经元,分别输入装甲车辆车速v和挡位传动比i;第一输出层包括四个神经元,分别输出发动机的功率P、转速n、扭矩T、油耗b;第一隐含层至少包括函数层和调整层,函数层的函数关系包括:
式中,η为的装甲车的效率,Pz为阻力功率;ρ为燃油密度(kg/L);g为重力加速度;Gs为装甲车辆的行驶性能中百公里油耗;kp、kn、kT和kb为可调系数;G为装甲车辆的重量、f为地面变形阻力系数、d为装甲车辆主动轮的直径;
调整层用对可调系数进行调整以使装甲车辆在作战场景下的多种典型工况达到最大速度行驶时,所需的功率在达到发动机的额定功率、额定转速、额定扭矩,式中θ表示kp、kn、kT和kb任一量,J(θ)表示优化的损失函数,δ表示学习次数。
本发明中,多种典型工况包括爬坡工况和全速工况。
本发明中,装甲车辆的整车模型包括第二深度学习神经网络,第二深度学习神经网络包括第二输入层、第二隐藏层、第二输出层,所述第二输入层包括三个神经元,分别输入发动机的有效扭矩、有效油耗以及有效功率;输出层输出传动比;第二隐藏层采用如下传动比i响应函数:
i(Ti,Pi,bi)=αT·iT(Ti)+αp·iP(Pi)+αb·ib(bi)
式中,Ti为有效扭矩,为有效功率,bi为有效油耗,αT、αp、αb为加权系数;iT(Ti)为传动比i随有效扭矩Ti变化的函数关系,iP(Pi)为传动比i随有效功率Pi变化的函数关系,ib(bi))为传动比i随有效有效油耗bi变化的函数关系;
当响应函数iT(Ti),iP(Pi)和ib(bi)的相关性系数过大时,保持输入层的节点数不变,以步长1逐次增加隐藏层节点数使相关性系数减小,当响应函数iT(Ti),iP(Pi)和ib(bi)的相关性系数过小时,以步长1逐次减小隐藏层节点数使相关性系数增大。
本发明中,通过分类优化的方式将第二深度学习神经网络简化,使响应函数线性化,所述分类例如将典型工况分为两种类型:需要爬坡工况和需要车速工况。
需要爬坡工况时,对应于启动工况、越野工况和爬坡工况,第二深度学习神经网络包括第二输入层、第二隐藏层、第二输出层,所述第二输入层包括两个神经元,分别输入发动机的有效扭矩和有效油耗;输出层输出传动比;第二隐藏层采用如下传动比i响应函数:
i(Ti,bi)=αT·Ti+αb·bi
该函数以有效扭矩最大和有效油耗最小为优化目标,其中有效扭矩的加权系数αT为0.6,而有效油耗的加权系数αb为0.4。优化目标函数值最大时对应的传动比、有效扭矩为最佳值。
需要车速工况时,对应于全速工况,第二深度学习神经网络包括第二输入层、第二隐藏层、第二输出层,所述第二输入层包括两个神经元,分别输入发动机有效油耗以及有效功率;输出层输出传动比;第二隐藏层采用如下传动比i响应函数:
i(Pi,bi)=αp·Pi+αb·bi
该函数以有效功率最大和有效油耗最小为优化目标,其中有效功率的加权系数αp为0.6,而有效油耗的加权系数αb为0.4。优化目标函数值最大时对应的传动比、有效功率为最佳值。
本发明还提供一种装甲车辆动力性与发动机运行MAP图匹配的系统,其包括作战场景确定单元、行驶性能指标确定单元、发动机参数确定单元和处理器,其中,所述作战场景确定单元被配置为确定装甲车辆的作战场景;行驶性能指标确定单元被配置为确定每个作战场景下所需达到的各路况下车辆行驶性能,所述车辆行驶性能包括车速、各加速区间的加速时间、各车速下最大爬坡度以及各车速下的整车油耗;发动机参数确定单元被配置为确定满足装甲车辆作战需求下发动机的功率、扭矩及油耗;处理器包第一深度神经网络、发动机运行MAP图绘制模块、装甲车辆整车模型和发动机最佳外特性线获取模块,深度神经网络被配置为根据所需要的车速调整发动机的功率、转速、扭矩、油耗;所述发动机运行MAP图绘制模块根据基于装甲车辆各典型工况发动机的油耗、转速、扭矩、功率,绘制发动机的运行MAP图;装甲车辆整车模型被配置为根据装甲车辆发动机运行MAP图构建装甲车辆的整车模型;发动机最佳外特性线获取模块基于装甲车辆的整车模型,优化装甲车辆各挡位下的传动比,使装甲车辆各典型工况下发动机的功率或扭矩最佳,获得发动机最佳外特性线。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种装甲车辆动力性与发动机运行MAP图匹配方法,其特征在于,包括:
确定每个作战场景下所需达到的各路况下车辆行驶性能指标,所述车辆行驶性能指标包括车速;
确定满足装甲车辆作战需求下发动机的功率、转速、扭矩及油耗,并根据所需要的车速通过第一深度神经网络调整发动机的功率、转速、扭矩、油耗;
根据基于装甲车辆各典型工况发动机的油耗、转速、扭矩、功率绘制发动机的运行MAP图;
根据装甲车辆发动机运行MAP图构建装甲车辆的整车模型;
基于装甲车辆的整车模型,优化装甲车辆各挡位下的传动比,使装甲车辆各典型工况下发动机的功率或扭矩最佳,获得发动机最佳外特性线。
2.根据权利要求1所述的方法,其特征在于,第一深度神经网络包括第一输入层、第一隐含层和第一输出层,所述第一输入层包括两个神经元,分别输入装甲车辆车速v和挡位传动比i;第一输出层包括四个神经元,分别输出发动机的功率P、转速n、扭矩T、油耗b;第一隐含层至少包括函数层和调整层,函数层的函数关系包括:
式中,η为的装甲车的效率,Pz为阻力功率;ρ为燃油密度(kg/L);g为重力加速度;Gs为装甲车辆的行驶性能中百公里油耗;kp、kn、kT和Kb为可调系数;G为装甲车辆的重量、f为地面变形阻力系数、d为装甲车辆主动轮的直径;
调整层用对可调系数进行调整以使装甲车辆在作战场景下的多种典型工况达到最大速度行驶时,所需的功率在达到发动机的额定功率、额定转速、额定扭矩,式中θ表示kp、kn、kT和kb任一量,J(θ)表示优化的损失函数,δ表示学习次数。
3.根据权利要求2所述的方法,其特征在于,多种典型工况包括爬坡工况和全速工况。
4.根据权利要求3所述的方法,其特征在于,装甲车辆的整车模型包括第二深度学习神经网络,第二深度学习神经网络包括第二输入层、第二隐藏层和第二输出层,所述第二输入层包括三个神经元,分别输入发动机的有效扭矩、有效油耗以及有效功率;输出层输出传动比;隐含层采用响应函数来拟合输出层神经元和输入层各神经元的函数关系,当响应函数的相关性系数过大时,保持输入层的节点数不变,以步长1逐次增加隐藏层节点数使相关性系数减小,当响应函数的相关性系数过小时,以步长1逐次减小隐藏层节点数使相关性系数增大。
5.根据权利要求4所述的方法,其特征在于,响应函数如下:
i(Ti,Pi,bi)=αT·Ti+αp·Pi+αb·bi
式中,Ti为有效扭矩,Pi为有效功率,bi为有效油耗,αT、αp、αb为加权系数。
6.一种装甲车辆动力性与发动机运行MAP图匹配的系统,其特征在于,包括行驶性能指标确定单元、发动机参数确定单元和处理器,其中,行驶性能指标确定单元被配置为确定每个作战场景下所需达到的各路况下车辆行驶性能,所述车辆行驶性能包括车速;发动机参数确定单元被配置为确定满足装甲车辆作战需求下发动机的功率、扭矩及油耗;处理器包第一深度神经网络、发动机运行MAP图绘制模块、装甲车辆整车模型和发动机最佳外特性线获取模块,深度神经网络被配置为根据所需要的车速调整发动机的功率、转速、扭矩、油耗;所述发动机运行MAP图绘制模块根据基于装甲车辆各典型工况发动机的油耗、转速、扭矩、功率,绘制发动机的运行MAP图;装甲车辆整车模型被配置为根据装甲车辆发动机运行MAP图构建装甲车辆的整车模型;发动机最佳外特性线获取模块基于装甲车辆的整车模型,优化装甲车辆各挡位下的传动比,使装甲车辆各典型工况下发动机的功率或扭矩最佳,获得发动机最佳外特性线。
7.根据权利要求6所述的系统,其特征在于,第一深度神经网络包括第一输入层、第一隐含层和第一输出层,所述第一输入层包括两个神经元,分别输入装甲车辆车速v和挡位传动比i;第一输出层包括四个神经元,分别输出发动机的功率P、转速n、扭矩T、油耗b;第一隐含层至少包括函数层和调整层,函数层的函数关系包括:
式中,η为的装甲车的效率,Pz为阻力功率;ρ为燃油密度(kg/L);g为重力加速度;Gs为装甲车辆的行驶性能中百公里油耗;kp、kn、kT和Kb为可调系数;G为装甲车辆的重量、f为地面变形阻力系数、d为装甲车辆主动轮的直径;
调整层用对可调系数进行调整以使装甲车辆在作战场景下的多种典型工况达到最大速度行驶时,所需的功率在达到发动机的额定功率、额定转速、额定扭矩,式中θ表示kp、kn、kT和kb任一量,J(θ)表示优化的损失函数,δ表示学习次数。
8.根据权利要求7所述的系统,其特征在于,多种典型工况包括爬坡工况和全速工况。
9.根据权利要求8所述的系统,其特征在于,装甲车辆的整车模型包括第二深度学习神经网络,第二深度学习神经网络包括第二输入层、第二隐藏层、第二输出层,所述第二输入层包括三个神经元,分别输入发动机的有效扭矩、有效油耗以及有效功率;输出层输出传动比;隐含层采用响应函数来拟合输出层神经元和输入层各神经元的函数关系,当响应函数的相关性系数过大时,保持输入层的节点数不变,以步长1逐次增加隐藏层节点数使相关性系数减小,当响应函数的相关性系数过小时,以步长1逐次减小隐藏层节点数使相关性系数增大。
10.根据权利要求9所述的系统,其特征在于,响应函数如下:
i(Ti,Pi,bi)=αT·iT(Ti)+αp·iP(Pi)+αb·ib(bi)
式中,Ti为有效扭矩,为有效功率,bi为有效油耗,αT、αp、αb为加权系数;iT(Ti)为传动比i随有效扭矩Ti变化的函数关系,iP(Pi)为传动比i随有效功率Pi变化的函数关系,ib(bi))为传动比i随有效有效油耗bi变化的函数关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310488121.4A CN116522779B (zh) | 2023-04-29 | 2023-04-29 | 一种装甲车辆动力性与发动机运行map图匹配系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310488121.4A CN116522779B (zh) | 2023-04-29 | 2023-04-29 | 一种装甲车辆动力性与发动机运行map图匹配系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116522779A CN116522779A (zh) | 2023-08-01 |
CN116522779B true CN116522779B (zh) | 2023-10-20 |
Family
ID=87402561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310488121.4A Active CN116522779B (zh) | 2023-04-29 | 2023-04-29 | 一种装甲车辆动力性与发动机运行map图匹配系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522779B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240391A (zh) * | 2017-06-30 | 2017-10-10 | 邢优胜 | 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔 |
CN107621199A (zh) * | 2017-08-28 | 2018-01-23 | 内蒙古第机械集团有限公司 | 一种智能声悬浮防护系统及一种包括此系统的装甲车辆 |
CN109766592A (zh) * | 2018-12-20 | 2019-05-17 | 中国北方车辆研究所 | 高原变海拔工况装甲车辆底盘系统设计方法 |
CN111515934A (zh) * | 2020-05-09 | 2020-08-11 | 中国人民解放军32286部队50分队 | 一种穿戴式单兵装备维修外骨骼系统及其控制方法 |
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
WO2021223594A1 (zh) * | 2020-05-07 | 2021-11-11 | 北京理工大学 | 一种分布式驱动电动汽车驱动系统多目标优化方法和系统 |
CN113942491A (zh) * | 2021-11-29 | 2022-01-18 | 中国北方车辆研究所 | 一种串联式混合动力系统及联网混合动力车辆能量管理方法 |
-
2023
- 2023-04-29 CN CN202310488121.4A patent/CN116522779B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240391A (zh) * | 2017-06-30 | 2017-10-10 | 邢优胜 | 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔 |
CN107621199A (zh) * | 2017-08-28 | 2018-01-23 | 内蒙古第机械集团有限公司 | 一种智能声悬浮防护系统及一种包括此系统的装甲车辆 |
CN109766592A (zh) * | 2018-12-20 | 2019-05-17 | 中国北方车辆研究所 | 高原变海拔工况装甲车辆底盘系统设计方法 |
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
WO2021223594A1 (zh) * | 2020-05-07 | 2021-11-11 | 北京理工大学 | 一种分布式驱动电动汽车驱动系统多目标优化方法和系统 |
CN111515934A (zh) * | 2020-05-09 | 2020-08-11 | 中国人民解放军32286部队50分队 | 一种穿戴式单兵装备维修外骨骼系统及其控制方法 |
CN113942491A (zh) * | 2021-11-29 | 2022-01-18 | 中国北方车辆研究所 | 一种串联式混合动力系统及联网混合动力车辆能量管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116522779A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9821803B2 (en) | Vehicle speed and coasting control method and system | |
US20150362065A1 (en) | Transmission control system | |
US10247303B2 (en) | System and method for calculating vehicle speed and controlling a continuously variable transmission | |
CN110569527B (zh) | 一种基于混合粒子群算法的汽车变速器传动比设计与优化方法 | |
US9694826B1 (en) | Vehicle controls for determining optimal gear shifting opportunities using dynamically determined vehicle parameters | |
You et al. | Shift strategy of a new continuously variable transmission based wheel loader | |
SE534455C2 (sv) | Förfarande och system för framförande av ett fordon | |
CN109271702B (zh) | 工程车发动机与液力变矩器逆向匹配的优化方法 | |
CN116522779B (zh) | 一种装甲车辆动力性与发动机运行map图匹配系统及方法 | |
CN109624732A (zh) | 一种适用于电动轮驱动车辆的多层驱动防滑控制方法 | |
Gu et al. | Study on double-clutch transmission gear shift control based on optimal control theory | |
SE0950973A1 (sv) | Förfarande och system för framförande av ett fordon vid reducerat behov av framdrivningseffekt | |
US11713040B2 (en) | Method for controlling braking of a vehicle | |
CN110469661B (zh) | 一种基于cvt效率的动力性速比优化方法及系统 | |
KR20190112537A (ko) | 파워 트레인의 통합 제어 방법 및 통합 제어기 | |
CN106994895A (zh) | 一种四驱结构的地面耦合混合动力装置及其控制方法 | |
CN115288872A (zh) | 一种扭矩控制方法、装置及系统 | |
Cheng et al. | Data Mining Approach for the Identification of the Intelligent Gear Decision Strategy for the Stepped Automatic Transmission | |
Komaladewi et al. | Geometric Progression Application In Design Transmission Gear Ratio | |
CN113173174B (zh) | 一种车辆行驶速度的确定方法、装置和设备 | |
Ganji et al. | Combined quasi-static backward modeling and look-ahead fuzzy control of vehicles | |
CN117005958B (zh) | 一种无级变速发动机控制器及控制系统 | |
Deshmukh et al. | CVT Ratio Scheduling Optimization with Consideration of Engine and Transmission Efficiency | |
Ramesh et al. | Design of efficient powertrain system for a motorsports race car using a bike engine. | |
CN114987434A (zh) | 混合动力拖拉机功率分配控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |