JP2023040995A - On-vehicle flywheel dynamic modeling method based on data driven and mechanism model combination - Google Patents

On-vehicle flywheel dynamic modeling method based on data driven and mechanism model combination Download PDF

Info

Publication number
JP2023040995A
JP2023040995A JP2022076591A JP2022076591A JP2023040995A JP 2023040995 A JP2023040995 A JP 2023040995A JP 2022076591 A JP2022076591 A JP 2022076591A JP 2022076591 A JP2022076591 A JP 2022076591A JP 2023040995 A JP2023040995 A JP 2023040995A
Authority
JP
Japan
Prior art keywords
matrix
model
transfer function
data
magnetic suspension
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
Application number
JP2022076591A
Other languages
Japanese (ja)
Other versions
JP7311189B2 (en
Inventor
朱志瑩
Zhiying Zhu
孫玉坤
Yukun Sun
李▲シン▼雅
Xinya Li
張巍
Wei Zhang
朱海浪
Hailang Zhu
▲ツゥン▼冰玉
Bingyu Cong
倪▲イュ▼恵
Yuhui Ni
▲チ▼光▲シン▼
Guangxin Qi
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Publication of JP2023040995A publication Critical patent/JP2023040995A/en
Application granted granted Critical
Publication of JP7311189B2 publication Critical patent/JP7311189B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Discrete Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Magnetic Bearings And Hydrostatic Bearings (AREA)
  • Tires In General (AREA)

Abstract

To provide an on-vehicle flywheel dynamic modeling method based on a combination of data driven and a mechanism model.SOLUTION: A method comprises the steps of: calculating a transfer function matrix between input and output of a magnetic suspension flywheel rotor system according to a motion equation of the magnetic suspension flywheel rotor system in an online model; calculating a frequency response transfer function matrix and a residue matrix according to the transfer function matrix; calculating a relationship among the residue matrix, an undamped inherent frequency, and the modal damping ratio and a relationship between the residue matrix and a modal shape matrix in a frequency domain; acquiring a relationship between the frequency response transfer function matrix and the modal shape matrix by using a least square complex frequency domain method; and identifying modal parameters. The method further comprises the steps of: in an offline model, constructing a mechanism model of the magnetic suspension flywheel rotor system; and constructing an extreme learning machine model on the basis of, combinations of data driven and mechanism models.SELECTED DRAWING: Figure 2

Description

本発明は、磁気浮上モーターの技術分野に関し、特に、データドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法に関する。 TECHNICAL FIELD The present invention relates to the technical field of magnetic levitation motors, and more particularly to a vehicle flywheel dynamic modeling method based on a combination of data-driven and mechanism models.

近年登場した磁気サスペンションベアリングレスモーターは、磁気ベアリングとスイッチドリラクタンスモーターの２つの利点を兼ね備えており、システム構造の簡素化、臨界速度と信頼性の向上などで、磁気サスペンションフライホイールモーターとして、フライホイールの分野に適用しており、国内外の学者も広範囲にわたる研究を行い、径方向相分割構造と軸方向相分割構造を次々と開発した。軸方向相分割構造は、モーター／発電機能を実現するとともに、磁気軸受を追加することなく、軸方向に分散されたサスペンション巻線の径方向４自由度のサスペンションを実現できる。そのため、システム統合と臨界速度が大幅に向上し、フライホイールのサスペンションの支持とエネルギー変換システムに非常に適している。 Magnetic suspension bearingless motors, which have appeared in recent years, combine the advantages of both magnetic bearings and switched reluctance motors. It has been applied to the field of wheels, and domestic and foreign scholars have conducted extensive research and developed radial phase split structures and axial phase split structures one after another. The axial phase split structure can realize the motor/generator function as well as the radial four degrees of freedom suspension of axially distributed suspension windings without additional magnetic bearings. This greatly improves system integration and critical speed, making it very suitable for flywheel suspension support and energy conversion systems.

新型の磁気サスペンション支持技術は急速に発展しており、高性能支持技術として、航空、エネルギー、国防、電力、宇宙科学などで重要な応用価値がある。それによって支持される回転システムは、高速、高精度、柔軟性などに開発されており、磁気サスペンション支持システムの構造的動的特性の分析は、開発プロセスにおいて非常に重要である。磁気軸受ローターシステムの動的特性、特にモード周波数、モード形状、減衰などの構造システムのモードパラメーターの研究は、磁気軸受ローターシステムの構造安定性に対して重要である。 The new magnetic suspension support technology is developing rapidly, and as a high-performance support technology, it has important application value in aviation, energy, national defense, power, space science and so on. The rotating system supported by it is developed for high speed, high precision, flexibility, etc., and the analysis of the structural dynamic characteristics of the magnetic suspension support system is of great importance in the development process. The study of the dynamic properties of magnetic bearing rotor systems, especially the modal parameters of structural systems such as modal frequency, mode shape and damping, is important for the structural stability of magnetic bearing rotor systems.

車載フライホイールは、可動体に搭載・作動する磁気サスペンション式エネルギー貯蔵フライホイールであり、走行状態の違いや路面の凹凸による全方向への振動などがフライホイールローターの安定運転に影響を与える。しかし、車載フライホイールモデルに関する従来技術がなく、システムの安定性を確保するために、走行状態をリアルタイムに検出することはできない。 An in-vehicle flywheel is a magnetic suspension type energy storage flywheel that is mounted and operated on a movable body, and vibrations in all directions due to differences in driving conditions and uneven road surfaces affect the stable operation of the flywheel rotor. However, there is no prior art on the in-vehicle flywheel model, and the running state cannot be detected in real time to ensure the stability of the system.

従来技術の欠点を解決するために、本発明の目的は、データドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法を提供することである。機構モデルとデータドリブンの組合せに基づく方法は、エクストリームラーニングマシンアルゴリズムを用いてサンプルデータをトレーニングさせ、フライホイールシステムのサスペンション応力、平均路力、加速比、減速比、均一速度比、アイドル比、平均速度、平均運行速度、最大速度、最小速度、最大加速度、最大減速度、速度標準偏差、加速度標準偏差、累積走行距離、平均加速度、平均減速度をトレーニングしてエクストリームラーニングマシンモデルを構築し、道路状況の識別に有利であり、出力道路状況の正確度を向上させることができる。 SUMMARY OF THE INVENTION In order to overcome the shortcomings of the prior art, the objective of the present invention is to provide an on-vehicle flywheel dynamic modeling method based on the combination of data-driven and mechanism model. The method, based on a combination of mechanism models and data-driven, uses extreme learning machine algorithms to train sample data, and evaluate flywheel system suspension stress, average road force, acceleration ratio, deceleration ratio, uniform speed ratio, idle ratio, average Train speed, average running speed, maximum speed, minimum speed, maximum acceleration, maximum deceleration, speed standard deviation, acceleration standard deviation, cumulative mileage, average acceleration, average deceleration to build an extreme learning machine model, road It is advantageous for situation identification and can improve the accuracy of the output road situation.

上記の目的を達成するために、本発明は以下の技術案を採用している。 In order to achieve the above objects, the present invention employs the following technical proposals.

データドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法であって、Ｓ１、オンラインモデルにおいて、磁気サスペンションフライホイールローターシステムの運動方程式により、磁気サスペンションフライホイールローターシステムの入力と出力との間の伝達関数行列を計算するステップと、Ｓ２、ステップＳ１で得られた伝達関数行列に従って周波数応答伝達関数行列を計算し、ステップＳ１の伝達関数行列に従って留数行列を取得し、周波数ドメインにおいて、留数行列と不減衰固有振動数、モード減衰比との間の関係、および留数行列とモード形状行列との間の関係を計算するステップと、Ｓ３、ステップＳ２で得られた周波数応答伝達関数行列、留数行列と不減衰固有振動数、モード減衰比との間の関係、および留数行列とモード形状行列との間の関係に基づいて、最小二乗複素周波数ドメイン方法により、周波数応答伝達関数行列とモード形状行列との関係を求め、モードパラメーターを識別するステップと、Ｓ４、オフラインモデルにおいて、磁気サスペンションフライホイールローターシステムの機構モデルを構築し、オフラインモデルとオンラインモデルとを組み合わせてサンプルデータを取得し、データドリブンと機構モデルとの組合せに基づいて、エクストリームラーニングマシンモデルを構築し、前記エクストリームラーニングマシンモデルが道路状況を識別するために用いられるステップとを含む、データドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法。 An in-vehicle flywheel dynamic modeling method based on a combination of data-driven and mechanical models, in which S1, in the online model, the equation of motion of the magnetic suspension flywheel rotor system allows the relationship between the input and output of the magnetic suspension flywheel rotor system to be S2: calculating a frequency response transfer function matrix according to the transfer function matrix obtained in step S1; obtaining a residue matrix according to the transfer function matrix in step S1; calculating the relationship between the number matrix and the undamped natural frequencies, the modal damping ratios, and the relationship between the residue matrix and the mode shape matrix; S3, the frequency response transfer function matrix obtained in step S2; , the relationship between the residue matrix and the undamped natural frequencies, the modal damping ratios, and the relationship between the residue matrix and the mode shape matrix, the frequency response transfer function matrix and the mode shape matrix to identify mode parameters; and constructing an extreme learning machine model based on the combination of the data driven and the mechanism model, wherein the extreme learning machine model is used to identify road conditions. based in-vehicle flywheel dynamic modeling method.

好ましくは、前記ステップＳ１は、Ｓ１１、磁気サスペンションフライホイールローターシステムの運動方程式を計算するステップであって、運動方程式の入力が磁気サスペンションフライホイールローターシステムのＮ次元加速度、速度および変位応答ベクトルであり、出力が磁気サスペンションフライホイールローターシステムのＮ次元振動力ベクトルである、ステップと、Ｓ１２、ステップＳ１１における磁気サスペンションフライホイールローターシステムの運動方程式をラプラス変換するステップと、Ｓ１３、磁気サスペンションフライホイールローターシステムの入力と出力との間の伝達関数行列を計算するステップとを含む。 Preferably, the step S1 is S11, calculating the equation of motion of the magnetic suspension flywheel rotor system, wherein the input of the equation of motion is the N-dimensional acceleration, velocity and displacement response vectors of the magnetic suspension flywheel rotor system. , the output is the N-dimensional vibration force vector of the magnetic suspension flywheel rotor system; S12, Laplace transforming the equation of motion of the magnetic suspension flywheel rotor system in step S11; and S13, the magnetic suspension flywheel rotor system. calculating a transfer function matrix between the inputs and outputs of the .

Figure 2023040995000002
Figure 2023040995000002

好ましくは、前記ステップＳ２は、Ｓ２１、フーリエ変換に従って、伝達関数行列を周波数応答伝達関数行列に変換し、磁気サスペンションフライホイールローターシステムの周波数ドメイン出力と入力の関係を導き出し、Ｓ２２、ステップＳ１で取得した伝達関数行列の特性方程式を計算し、特性根を求め、前記特性根は、不減衰固有振動数、モード減衰比を表しており、Ｓ２３、ステップＳ２１に計算された特性方程式と特性根を組み合わせ、伝達関数行列の留数行列を計算し、留数行列と、不減衰固有振動数、モード減衰比との間の関係を取得し、Ｓ２４、磁気サスペンションフライホイールローターシステムのモード形状ベクトルに基づき、留数行列とモード形状行列の関係を取得する。 Preferably, said step S2 includes: S21, transforming the transfer function matrix into a frequency response transfer function matrix according to Fourier transform, deriving the relationship between the frequency domain output and input of the magnetic suspension flywheel rotor system, S22, obtained in step S1 The characteristic equation of the transfer function matrix is calculated, and the characteristic root is obtained. The characteristic root represents the undamped natural frequency and the modal damping ratio, and the characteristic equation and the characteristic root calculated in step S23 are combined. , calculating the residue matrix of the transfer function matrix, obtaining the relationship between the residue matrix, the undamped natural frequency, and the modal damping ratio; S24, based on the mode shape vector of the magnetic suspension flywheel rotor system; Obtain the relationship between the residue matrix and the mode shape matrix.

好ましくは、前記ステップＳ２の計算は、Ｓ２１、ラプラス式において、とし、フーリエ変換に従って、伝達関数行列を周波数応答伝達関数行列に変換し、磁気サスペンションフライホイールローターシステムの周波数ドメイン出力と入力の関係

Figure 2023040995000003
Preferably, the calculation in step S2 is S21, in the Laplace equation, transforming the transfer function matrix into a frequency response transfer function matrix according to the Fourier transform, and the relationship between the frequency domain output and input of the magnetic suspension flywheel rotor system
Figure 2023040995000003

好ましくは、前記ステップＳ３は、Ｓ３１、モード形状行列の加重直交条件の計算式を取得し、Ｓ３２、周波数応答伝達関数行列、留数行列と不減衰固有振動数、モード減衰比の関係、留数行列とモード形状行列の関係、およびモード形状行列の加重直交条件計算式と組み合わせて、最小二乗複素周波数ドメイン方法を用いて、周波数応答伝達関数行列とモード形状行列の関係を取得し、Ｓ３３、複素周波数ドメインにおける周波数応答伝達関数行列の表現式を取得し、周波数応答伝達関数行列

Figure 2023040995000004
に従って異なる周波数の値を取得し、十分な次元の連立方程式を形成し、
Figure 2023040995000005
に対して、拡張コンパニオン行列を取得し、拡張コンパニオン行列の極点を計算して、モードパラメーターの減衰を伴う固有周波数
Figure 2023040995000006
、モード減衰比
Figure 2023040995000007
を取得し、オンラインモデルにおいて、磁気サスペンションフライホイールローターシステムの実際の入力出力値に基づいて実際測定された周波数応答伝達関数行列を取得し、モードパラメーターのモード形状行列を計算する。 Preferably, the step S3 includes: S31, obtaining a weighted orthogonal condition calculation formula for the mode shape matrix; Obtain the relationship between the frequency response transfer function matrix and the mode shape matrix using the least squares complex frequency domain method, in combination with the relationship between the matrix and the mode shape matrix, and the weighted orthogonality condition calculation formula for the mode shape matrix; Obtaining the expression of the frequency response transfer function matrix in the frequency domain, the frequency response transfer function matrix
Figure 2023040995000004
obtain values of different frequencies according to and form a system of equations of sufficient dimension,
Figure 2023040995000005
, we obtain the extended companion matrix and compute the poles of the extended companion matrix to find the eigenfrequencies with damping of the modal parameters
Figure 2023040995000006
, modal damping ratio
Figure 2023040995000007
and obtain the actually measured frequency response transfer function matrix according to the actual input and output values of the magnetic suspension flywheel rotor system in the online model, and calculate the mode shape matrix of the mode parameters.

Figure 2023040995000008
Figure 2023040995000009
Figure 2023040995000008
Figure 2023040995000009

好ましくは、前記ステップＳ４は、Ｓ４１、オフラインモデルにおいて、軸方向分割相磁気サスペンションフライホイールローターに基づいて、磁気サスペンションフライホイールローターシステムの機構モデルを構築し、Ｓ４２、オフラインモデルとオンラインモデルを組み合わせて、サンプルデータを取得し、前記サンプルデータは、オンラインモデルの信号値低下、失効データ、およびオフラインモデルのサスペンション応力データを含み、信号値低下および失効データは、オンラインモデルのセンサーが検出した応力信号および振動信号を含み、サスペンション応力データが機構モデルによって収集され、Ｓ４３、サンプルデータを組み合わせてデータドリブンとし、データドリブンと機構モデルの組合せに基づいて、エクストリームラーニングマシンモデルを構築し、前記エクストリームラーニングマシンモデルが道路状況を識別するために用いられる。 Preferably, the step S4 includes: S41, building a mechanical model of the magnetic suspension flywheel rotor system based on the axial split-phase magnetic suspension flywheel rotor in the offline model; and S42, combining the offline model and the online model. , obtaining sample data, said sample data including online model signal drop and lapse data, and offline model suspension stress data, where the signal drop and lapse data are stress signals detected by the sensors of the online model and Suspension stress data, including vibration signals, are collected by the mechanism model, S43, combining the sample data to be data-driven, building an extreme learning machine model based on the combination of the data-driven and the mechanism model, said extreme learning machine model is used to identify road conditions.

Figure 2023040995000010
Figure 2023040995000010

好ましくは、前記サンプルデータは、磁気サスペンションローターフライホイールシステムのサスペンション応力、平均路力、加速比、減速比、均一速度比、アイドル比、平均速度、平均運行速度、最大速度、最小速度、最大加速度、最大減速度、速度標準偏差、加速度標準偏差、累積走行距離、平均加速度、平均減速度を含む。 Preferably, the sample data includes suspension stress, average road force, acceleration ratio, reduction ratio, uniform speed ratio, idle ratio, average speed, average running speed, maximum speed, minimum speed, maximum acceleration of magnetic suspension rotor flywheel system. , maximum deceleration, speed standard deviation, acceleration standard deviation, cumulative mileage, average acceleration, average deceleration.

本発明は、機構モデルとデータドリブンの組合せに基づく方法であり、エクストリームラーニングマシンアルゴリズムを用いてサンプルデータをトレーニングさせ、フライホイールシステムのサスペンション応力、平均路力、加速比、減速比、均一速度比、アイドル比、平均速度、平均運行速度、最大速度、最小速度、最大加速度、最大減速度、速度標準偏差、加速度標準偏差、累積走行距離、平均加速度、平均減速度をトレーニングして、エクストリームラーニングマシンモデルを構築する。本発明は、道路状況の識別に有利であり、出力道路状況の正確度を向上させることができる。 The present invention is a method based on a combination of mechanism model and data-driven, using extreme learning machine algorithms to train sample data, and evaluate suspension stress, average road force, acceleration ratio, deceleration ratio, uniform speed ratio of flywheel system. , idle ratio, average speed, average running speed, maximum speed, minimum speed, maximum acceleration, maximum deceleration, speed standard deviation, acceleration standard deviation, cumulative mileage, average acceleration, average deceleration, and extreme learning machine build a model; The present invention is advantageous in identifying road conditions and can improve the accuracy of the output road conditions.

本発明の構造概念図である。1 is a structural conceptual diagram of the present invention; FIG. 本発明のフローチャート図である。1 is a flow chart diagram of the present invention; FIG. 実施形態における軸方向分割相磁気サスペンションフライホイールモーターローター座標系の概念図である。1 is a conceptual diagram of an axial split-phase magnetic suspension flywheel motor rotor coordinate system in an embodiment; FIG. 本発明の実施形態における機械的組立図の断面図である。FIG. 2 is a cross-sectional view of a mechanical assembly drawing in an embodiment of the present invention; 本発明の実施形態におけるエクストリームラーニングマシンＥＬＭの構造図である。1 is a structural diagram of an extreme learning machine ELM in an embodiment of the present invention; FIG.

本発明をより詳しく理解するために、以下、図面及び実施形態を参照しながら、本発明について説明する。 In order to understand the present invention in more detail, the present invention will now be described with reference to the drawings and embodiments.

本発明によって提供される、データドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法は、図１及び図２に示すように、以下のステップを含む。 An automotive flywheel dynamic modeling method based on the combination of data-driven and mechanism model provided by the present invention includes the following steps, as shown in FIGS.

（Ｓ１）：オンラインモデルにおいて、磁気サスペンションフライホイールローターシステムの運動方程式により、磁気サスペンションフライホイールローターシステムの入力と出力との間の伝達関数行列を計算する。 (S1): Calculate the transfer function matrix between the input and output of the magnetic suspension flywheel rotor system according to the equation of motion of the magnetic suspension flywheel rotor system in the online model.

（Ｓ２）：ステップＳ１における伝達関数行列に従って周波数応答伝達関数行列を計算し、ステップＳ１の伝達関数行列に従って留数行列を取得し、周波数ドメインにおいて、留数行列と不減衰固有振動数、モード減衰比との関係、及び留数行列とモード形状行列との間の関係を計算する。 (S2): Calculate the frequency response transfer function matrix according to the transfer function matrix in step S1, obtain the residue matrix according to the transfer function matrix in step S1, and in the frequency domain, the residue matrix, the undamped natural frequency, the modal damping , and the relationship between the residue matrix and the mode shape matrix.

（Ｓ３）：ステップＳ２で得られた周波数応答伝達関数行列、留数行列と不減衰固有振動数、モード減衰比との関係、および留数行列とモード形状行列の間の関係に基づいて、最小二乗複素周波数ドメイン方法により、周波数応答伝達関数行列とモード形状行列との間の関係を求め、モードパラメーターを識別する。 (S3): The minimum A quadratic complex frequency domain method is used to determine the relationship between the frequency response transfer function matrix and the mode shape matrix to identify the modal parameters.

（Ｓ４）：オフラインモデルにおいて、磁気サスペンションフライホイールローターシステムの機構モデルを構築し、オフラインモデルとオンラインモデルとを組み合わせて、サンプルデータを取得し、データドリブンと機構モデルの組合せに基づいて、エクストリームラーニングマシンモデルを構築する。前記エクストリームラーニングマシンモデルは、道路状況を識別するために用いられる (S4): Build a mechanism model of the magnetic suspension flywheel rotor system in the offline model, combine the offline model and the online model to obtain sample data, and perform extreme learning based on the combination of data-driven and mechanism models. Build a machine model. The extreme learning machine model is used to identify road conditions

［実施形態］
ステップ一：オンラインモデルは、フライホイールシステム動力学モデル、センサー、収集された応力信号と振動点信号、特徴抽出およびマッピング、モーダルパラメーターモジュール、運転状態、およびエクストリームラーニングマシンモデルを含む。フライホイールシステム動力学モデルでは、磁気サスペンションフライホイールシステムの運動方程式は、

Figure 2023040995000011
[Embodiment]
Step 1: Online models include flywheel system dynamics models, sensors, collected stress and vibration point signals, feature extraction and mapping, modal parameter modules, driving conditions, and extreme learning machine models. In the flywheel system dynamics model, the equation of motion for the magnetic suspension flywheel system is
Figure 2023040995000011

磁気サスペンションフライホイールローターシステムの初期状態が零であり、式（１）をラプラス変換すると、

Figure 2023040995000012
If the initial state of the magnetic suspension flywheel rotor system is zero and the Laplace transform of equation (1) is
Figure 2023040995000012

Figure 2023040995000013
Figure 2023040995000013

Figure 2023040995000014
Figure 2023040995000014

Figure 2023040995000015
Figure 2023040995000015

ステップ二：式（２）により、

Figure 2023040995000016
Step 2: By equation (2),
Figure 2023040995000016

Figure 2023040995000017
Figure 2023040995000017

ここで、

Figure 2023040995000018
が磁気サスペンションフライホイールローターシステムの周波数応答関数行列であり、
Figure 2023040995000019
は、それぞれ、磁気サスペンションフライホイールローターシステム周波数ドメインでの入力および出力である。 here,
Figure 2023040995000018
is the frequency response function matrix of the magnetic suspension flywheel rotor system, and
Figure 2023040995000019
are the input and output, respectively, in the magnetic suspension flywheel rotor system frequency domain.

Figure 2023040995000020
Figure 2023040995000020

Figure 2023040995000021
Figure 2023040995000021

Figure 2023040995000022
Figure 2023040995000022

Figure 2023040995000023
Figure 2023040995000023

留数行列と磁気サスペンションフライホイールローターシステムのモード形状ベクトルとの間の関係式は、

Figure 2023040995000024
The relation between the residue matrix and the mode shape vectors of the magnetic suspension flywheel rotor system is
Figure 2023040995000024

Figure 2023040995000025
Figure 2023040995000025

ステップ三：最小二乗複素周波数ドメイン方法（ｌｅａｓｔ－ｓｑｕａｒｅｓ ｃｏｍｐｌｅｘ ｆｒｅｑｕｅｎｃｙ－ｄｏｍａｉｎ ｍｅｔｈｏｄ）を用いて、周波数応答伝達関数行列とモード形状行列の関係を取得する。 Step 3: Obtain the relationship between the frequency response transfer function matrix and the mode shape matrix using the least-squares complex frequency-domain method.

モード形状行列の加重直交（ｗｅｉｇｈｔｅｄ ｏｒｔｈｏｇｏｎａｌｉｚａｔｉｏｎ）条件により、

Figure 2023040995000026
Due to the weighted orthogonalization condition of the mode shape matrix,
Figure 2023040995000026

Figure 2023040995000027
Figure 2023040995000027

Figure 2023040995000028
Figure 2023040995000028

Figure 2023040995000029
Figure 2023040995000029

Figure 2023040995000030
Figure 2023040995000030

Figure 2023040995000031
Figure 2023040995000031

Figure 2023040995000032
Figure 2023040995000032

Figure 2023040995000033
Figure 2023040995000033

Figure 2023040995000034
Figure 2023040995000034

Figure 2023040995000035
Figure 2023040995000035

最後に、モード形状行列を求める。オンラインモデルにおいて、磁気サスペンションフライホイールローターシステムの実際の入力出力値に従って、実測の周波数応答伝達関数行列を取得し、モードパラメーターのモード形状行列を計算する。本実施形態では、オンラインモデルにおけるセンサーが収集された応力信号および振動点信号に基づいて、磁気サスペンションフライホイールローターシステムの実際の入力・出力として、モード形状行列を計算することができる。 Finally, we obtain the mode shape matrix. In the online model, according to the actual input-output value of the magnetic suspension flywheel rotor system, obtain the measured frequency response transfer function matrix, and calculate the mode shape matrix of the mode parameters. In this embodiment, based on the sensor-collected stress and vibration point signals in the online model, the mode shape matrix can be calculated as the actual input and output of the magnetic suspension flywheel rotor system.

実際測定された周波数応答関数に基づいて、関数方程式をフィッティングし、モード形状行列を求める。実際測定された周波数応答関数は、

Figure 2023040995000036
Based on the actually measured frequency response function, the function equation is fitted to obtain the mode shape matrix. The actually measured frequency response function is
Figure 2023040995000036

ステップ四：オフラインモデルにおいて、軸方向分割相（Ａｘｉａｌ Ｓｐｌｉｔ Ｐｈａｓｅ）磁気サスペンションフライホイールのローターに従って、磁気サスペンションフライホイールローターシステムの機構モデルを構築する。オフラインモデルとオンラインモデルを組み合せることで、サンプルデータを取得する。前記サンプルデータは、オンラインモデルの信号値低下、失効データ、およびオフラインモデルのサスペンション応力データを含み、信号値低下および失効データは、オンラインモデルのセンサーが検出した応力信号および振動信号を含み、サスペンション応力データは、機構モデルにより取得できる。サンプルデータと組み合わせてデータドリブンとし、データドリブンと機構モデルの組合せに基づいて、エクストリームラーニングマシンモデルを構築する。前記エクストリームラーニングマシンモデルは、道路状況を識別するために用いられる。 Step 4: In the off-line model, build the mechanism model of the magnetic suspension flywheel rotor system according to the rotor of the axial split phase magnetic suspension flywheel. Obtain sample data by combining offline and online models. The sample data includes signal value drop and lapse data of the online model, and suspension stress data of the offline model, wherein the signal value drop and lapse data include stress signals and vibration signals detected by sensors of the online model, and suspension stress Data can be obtained by mechanistic models. Combine with sample data to make it data-driven, and build an extreme learning machine model based on the combination of data-driven and mechanism models. The extreme learning machine model is used to identify road conditions.

Figure 2023040995000037
Figure 2023040995000037

Figure 2023040995000038
Figure 2023040995000038

Figure 2023040995000039
Figure 2023040995000039

Figure 2023040995000040
Figure 2023040995000040

Figure 2023040995000041
Figure 2023040995000041

Figure 2023040995000042
Figure 2023040995000042

軸方向分割相磁気サスペンションフライホイールモーターのサスペンション応力モデルは、機構モデルであり、

Figure 2023040995000043
The suspension stress model of the axial split-phase magnetic suspension flywheel motor is a mechanism model,
Figure 2023040995000043

Figure 2023040995000044
Figure 2023040995000044

サンプルデータは、オンラインモデルでの信号値低下、失効データ、オフラインモデルでのサスペンション応力データを含み、信号値低下および失効データは、オンラインモデルでセンサーが検出した応力信号および振動信号を含み、サスペンション応力データは、機構モデルによって収集されることができる。サスペンション応力データは、０．１Ｓの時間間隔でサンプリングされ、合計時間が１００ｍｓであり、１０００本サンプルセットを取得する。サンプルデータは、磁気サスペンションローターフライホイールシステムのサスペンション応力、平均路力、加速比、減速比、均一速度比、アイドル比、平均速度、平均運行速度、最大速度、最小速度、最大加速度、最大減速度、速度標準偏差、加速度標準偏差、累積走行距離、平均加速度、平均減速度を含む。ＥＬＭ構造図は、図５に示されている。ＥＬＭアルゴリズムには、Ｎ個のトレーニングサンプルペア

Figure 2023040995000045
The sample data includes signal drop and lapse data in the online model, and suspension stress data in the offline model. Data can be collected by the mechanistic model. Suspension stress data are sampled at time intervals of 0.1 S for a total time of 100 ms, acquiring 1000 sample sets. The sample data are magnetic suspension rotor flywheel system suspension stress, average road force, acceleration ratio, reduction ratio, uniform speed ratio, idle ratio, average speed, average running speed, maximum speed, minimum speed, maximum acceleration, maximum deceleration , speed standard deviation, acceleration standard deviation, cumulative mileage, average acceleration, average deceleration. The ELM structure diagram is shown in FIG. The ELM algorithm has N training sample pairs
Figure 2023040995000045

Figure 2023040995000046
Figure 2023040995000046

Ｃが正則化パラメーターであり、汎化能力（ｇｅｎｅｒａｌｉｚａｔｉｏｎ ａｂｉｌｉｔｙ）と予測精度のバランスを取るために使用される。粒子群最適化アルゴリズムによって最適解

Figure 2023040995000047
を取得し、出力モデル
Figure 2023040995000048
に代入すると、エクストリームラーニングマシンモデルを得る。モードパラメーターと組み合わせて、モード分類データベースを形成し、データドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリングを完成する。 C is the regularization parameter, used to balance generalization ability and prediction accuracy. Optimal solution by particle swarm optimization algorithm
Figure 2023040995000047
and output model
Figure 2023040995000048
, we get the extreme learning machine model. Combined with mode parameters to form a mode classification database, complete the on-board flywheel dynamic modeling based on the combination of data-driven and mechanism model.

本発明は、機構モデルとデータドリブンを組み合せる方法に基づいており、エクストリームラーニングマシンアルゴリズムを用いて、サンプルデータをトレーニングさせ、フライホイールシステムのサスペンション応力、平均路力、加速比、減速比、均一速度比、アイドル比、平均速度、平均運行速度、最大速度、最小速度、最大加速度、最大減速度、速度標準偏差、加速度標準偏差、累積走行距離、平均加速度、平均減速度をトレーニングして、エクストリームラーニングマシンモデルを構築する。これは、道路状況を識別することに有利であり、出力道路状況の正確度を向上させるのに役立つ。 The present invention is based on a method of combining a mechanism model and data-driven, using extreme learning machine algorithms, trained on sample data, suspension stress, average road force, acceleration ratio, deceleration ratio, uniformity of flywheel system. Train speed ratio, idle ratio, average speed, average running speed, max speed, min speed, max acceleration, max deceleration, speed standard deviation, acceleration standard deviation, cumulative mileage, average acceleration, average deceleration, extreme Build a learning machine model. This is advantageous in identifying road conditions and helps improve the accuracy of the output road conditions.

最後に、上記内容は、本発明の好ましい実施形態にすぎないことに留意されたい。当業者にとって、本発明の原理から逸脱することなく、いくつかの改良および修正を行うことができるが、これらの改良および修正は、いずれも本願の特許請求の範囲に含まれている。 Finally, it should be noted that the above contents are only preferred embodiments of the present invention. Numerous improvements and modifications can be made by those skilled in the art without departing from the principles of the invention, and all such improvements and modifications are intended to be covered by the claims of the present application.

Claims (10)

データドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法であって、
Ｓ１、オンラインモデルにおいて、磁気サスペンションフライホイールローターシステムの運動方程式により、磁気サスペンションフライホイールローターシステムの入力と出力との間の伝達関数行列を計算するステップと、
Ｓ２、ステップＳ１で得られた伝達関数行列に従って周波数応答伝達関数行列を計算し、ステップＳ１の伝達関数行列に従って留数行列を取得し、周波数ドメインにおいて、留数行列と不減衰固有振動数、モード減衰比との間の関係、および留数行列とモード形状行列との間の関係を計算するステップと、
Ｓ３、ステップＳ２で得られた周波数応答伝達関数行列、留数行列と不減衰固有振動数、モード減衰比との間の関係、および留数行列とモード形状行列との間の関係に基づいて、最小二乗複素周波数ドメイン方法により、周波数応答伝達関数行列とモード形状行列との関係を求め、モードパラメーターを識別するステップと、
Ｓ４、オフラインモデルにおいて、磁気サスペンションフライホイールローターシステムの機構モデルを構築し、オフラインモデルとオンラインモデルとを組み合わせてサンプルデータを取得し、データドリブンと機構モデルとの組合せに基づいて、エクストリームラーニングマシンモデルを構築し、前記エクストリームラーニングマシンモデルが道路状況を識別するために用いられるステップとを含む、ことを特徴とするデータドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法。 An in-vehicle flywheel dynamic modeling method based on a combination of data-driven and mechanical models, comprising:
S1, calculating the transfer function matrix between the input and output of the magnetic suspension flywheel rotor system according to the equation of motion of the magnetic suspension flywheel rotor system in the online model;
S2, calculate the frequency response transfer function matrix according to the transfer function matrix obtained in step S1, obtain the residue matrix according to the transfer function matrix of step S1, and in the frequency domain, the residue matrix and the undamped natural frequency, mode calculating the relationship between the damping ratio and the relationship between the residue matrix and the mode shape matrix;
S3, based on the frequency response transfer function matrix obtained in step S2, the relationship between the residue matrix and the undamped natural frequencies, the modal damping ratios, and the relationship between the residue matrix and the mode shape matrix, determining the relationship between the frequency response transfer function matrix and the mode shape matrix by a least squares complex frequency domain method to identify the modal parameters;
S4, in the offline model, build a mechanism model of the magnetic suspension flywheel rotor system, combine the offline model and the online model to obtain sample data, and based on the combination of the data-driven and mechanism model, create an extreme learning machine model. and the extreme learning machine model is used to identify road conditions. 前記ステップＳ１は、
Ｓ１１、磁気サスペンションフライホイールローターシステムの運動方程式を計算するステップであって、運動方程式の入力が磁気サスペンションフライホイールローターシステムのＮ次元加速度、速度および変位応答ベクトルであり、出力が磁気サスペンションフライホイールローターシステムのＮ次元振動力ベクトルである、ステップと、
Ｓ１２、ステップＳ１１における磁気サスペンションフライホイールローターシステムの運動方程式をラプラス変換するステップと、
Ｓ１３、磁気サスペンションフライホイールローターシステムの入力と出力との間の伝達関数行列を計算するステップとを含む、ことを特徴とする請求項１に記載のデータドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法。 The step S1 is
S11, calculating the equation of motion of the magnetic suspension flywheel rotor system, wherein the input of the equation of motion is the N-dimensional acceleration, velocity and displacement response vector of the magnetic suspension flywheel rotor system, and the output is the magnetic suspension flywheel rotor; a step, which is the N-dimensional vibrational force vector of the system;
S12, Laplace transforming the equation of motion of the magnetic suspension flywheel rotor system in step S11;
S13, calculating the transfer function matrix between the input and output of the magnetic suspension flywheel rotor system. dynamic modeling method.
Figure 2023040995000049
Figure 2023040995000049
 前記ステップＳ２は、
Ｓ２１、フーリエ変換に従って、伝達関数行列を周波数応答伝達関数行列に変換し、磁気サスペンションフライホイールローターシステムの周波数ドメイン出力と入力の関係を導き出し、
Ｓ２２、ステップＳ１で取得した伝達関数行列の特性方程式を計算し、特性根を求め、前記特性根は、不減衰固有振動数、モード減衰比を表しており、
Ｓ２３、ステップＳ２１に計算された特性方程式と特性根を組み合わせ、伝達関数行列の留数行列を計算し、留数行列と、不減衰固有振動数、モード減衰比との間の関係を取得し、
Ｓ２４、磁気サスペンションフライホイールローターシステムのモード形状ベクトルに基づき、留数行列とモード形状行列の関係を取得する、ことを特徴とする請求項１に記載のデータドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法。 The step S2 is
S21, transforming the transfer function matrix into a frequency response transfer function matrix according to the Fourier transform, deriving the relationship between the frequency domain output and input of the magnetic suspension flywheel rotor system;
S22, calculate the characteristic equation of the transfer function matrix obtained in step S1, obtain the characteristic root, the characteristic root represents the undamped natural frequency and the modal damping ratio,
S23, combining the characteristic equation and the characteristic root calculated in step S21, calculating the residue matrix of the transfer function matrix, obtaining the relationship between the residue matrix, the undamped natural frequency, and the modal damping ratio;
S24, obtaining the relationship between the residue matrix and the mode shape matrix according to the mode shape vector of the magnetic suspension flywheel rotor system. Wheel dynamic modeling method.
Figure 2023040995000050
Figure 2023040995000051
Figure 2023040995000050
Figure 2023040995000051
 前記ステップＳ３は、
Ｓ３１、モード形状行列の加重直交条件の計算式を取得し、
Ｓ３２、周波数応答伝達関数行列、留数行列と不減衰固有振動数、モード減衰比の関係、留数行列とモード形状行列の関係、およびモード形状行列の加重直交条件計算式と組み合わせて、最小二乗複素周波数ドメイン方法を用いて、周波数応答伝達関数行列とモード形状行列の関係を取得し、
Ｓ３３、複素周波数ドメインにおける周波数応答伝達関数行列の表現式を取得し、周波数応答伝達関数行列
Figure 2023040995000052
に従って異なる周波数の値を取得し、十分な次元の連立方程式を形成し、
Figure 2023040995000053
に対して、拡張コンパニオン行列を取得し、拡張コンパニオン行列の極点を計算して、モードパラメーターの減衰を伴う固有周波数
Figure 2023040995000054
、モード減衰比
Figure 2023040995000055
を取得し、オンラインモデルにおいて、磁気サスペンションフライホイールローターシステムの実際の入力出力値に基づいて実際測定された周波数応答伝達関数行列を取得し、モードパラメーターのモード形状行列を計算する、ことを特徴とする請求項１に記載のデータドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法。 The step S3 is
S31, obtaining a weighted orthogonal condition calculation formula for the mode shape matrix;
Combined with S32, the frequency response transfer function matrix, the residue matrix and the undamped natural frequency, the relationship between the modal damping ratio, the relationship between the residue matrix and the mode shape matrix, and the weighted orthogonality condition calculation formula for the mode shape matrix, the least squares Using the complex frequency domain method to obtain the relationship between the frequency response transfer function matrix and the mode shape matrix,
S33, obtain the expression of the frequency response transfer function matrix in the complex frequency domain, and obtain the frequency response transfer function matrix
Figure 2023040995000052
obtain values of different frequencies according to and form a system of equations of sufficient dimension,
Figure 2023040995000053
, we obtain the extended companion matrix and compute the poles of the extended companion matrix to find the eigenfrequencies with damping of the modal parameters
Figure 2023040995000054
, modal damping ratio
Figure 2023040995000055
and obtaining the actually measured frequency response transfer function matrix according to the actual input output value of the magnetic suspension flywheel rotor system in the online model, and calculating the mode shape matrix of the mode parameters. The on-vehicle flywheel dynamic modeling method based on the combination of data-driven and mechanism model according to claim 1.
Figure 2023040995000056
Figure 2023040995000057
Figure 2023040995000058
Figure 2023040995000056
Figure 2023040995000057
Figure 2023040995000058
 前記ステップＳ４は、
Ｓ４１、オフラインモデルにおいて、軸方向分割相磁気サスペンションフライホイールローターに基づいて、磁気サスペンションフライホイールローターシステムの機構モデルを構築し、
Ｓ４２、オフラインモデルとオンラインモデルを組み合わせて、サンプルデータを取得し、前記サンプルデータは、オンラインモデルの信号値低下、失効データ、およびオフラインモデルのサスペンション応力データを含み、信号値低下および失効データは、オンラインモデルのセンサーが検出した応力信号および振動信号を含み、サスペンション応力データが機構モデルによって収集され、
Ｓ４３、サンプルデータを組み合わせてデータドリブンとし、データドリブンと機構モデルの組合せに基づいて、エクストリームラーニングマシンモデルを構築し、前記エクストリームラーニングマシンモデルが道路状況を識別するために用いられる、ことを特徴とする請求項１に記載のデータドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法。 The step S4 is
S41, in the off-line model, build a mechanical model of the magnetic suspension flywheel rotor system based on the axial split-phase magnetic suspension flywheel rotor;
S42, combining the offline model and the online model to obtain sample data, the sample data including the signal value degradation and failure data of the online model and the suspension stress data of the offline model, the signal value degradation and failure data being: Suspension stress data is collected by the mechanism model, including stress and vibration signals detected by sensors in the online model,
S43, combining the sample data to be data-driven, building an extreme learning machine model based on the combination of the data-driven and the mechanism model, wherein the extreme learning machine model is used to identify road conditions; The on-vehicle flywheel dynamic modeling method based on the combination of data-driven and mechanism model according to claim 1.
Figure 2023040995000059
Ｓ４２、オフラインモデルとオンラインモデルを組み合わせてサンプルデータを取得し、前記サンプルデータは、オンラインモデルの信号値低下、失効データ、およびオフラインモデルのサスペンション応力データを含み、信号値低下および失効データは、オンラインモデルのセンサーが検出した応力信号および振動信号を含み、サスペンション応力データが機構モデルによって収集され、
Ｓ４３、サンプルデータを組み合わせてデータドリブンとし、データドリブンと機構モデルの組合せに基づいて、エクストリームラーニングマシンモデルを構築し、前記エクストリームラーニングマシンモデルが道路状況を識別するために用いられ、エクストリームラーニングマシンモデルは、
Figure 2023040995000060
Figure 2023040995000059
S42, combining the offline model and the online model to obtain sample data, the sample data including the signal value degradation and failure data of the online model, and the suspension stress data of the offline model; Suspension stress data is collected by the mechanism model, including stress and vibration signals detected by the model's sensors;
S43, combining the sample data to be data-driven, building an extreme learning machine model based on the combination of the data-driven and the mechanism model, the extreme learning machine model being used to identify road conditions, the extreme learning machine model teeth,
Figure 2023040995000060
 前記サンプルデータは、磁気サスペンションローターフライホイールシステムのサスペンション応力、平均路力、加速比、減速比、均一速度比、アイドル比、平均速度、平均運行速度、最大速度、最小速度、最大加速度、最大減速度、速度標準偏差、加速度標準偏差、累積走行距離、平均加速度、平均減速度を含む、ことを特徴とする請求項９に記載のデータドリブンと機構モデルの組合せに基づく車載フライホイール動的モデリング方法。 Said sample data includes suspension stress, average road force, acceleration ratio, deceleration ratio, uniform speed ratio, idle ratio, average speed, average running speed, maximum speed, minimum speed, maximum acceleration, maximum deceleration of the magnetic suspension rotor flywheel system. Vehicle flywheel dynamic modeling method based on combination of data-driven and mechanism model according to claim 9, characterized in that it includes speed, speed standard deviation, acceleration standard deviation, cumulative mileage, average acceleration and average deceleration. .
JP2022076591A 2021-09-10 2022-05-06 Automotive Flywheel Dynamic Modeling Method Based on Combination of Data-Driven and Mechanism Models Active JP7311189B2 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111058760.4A CN113761660A (en) 2021-09-10 2021-09-10 Vehicle-mounted flywheel dynamic modeling method based on data driving and mechanism model fusion
CN202111058760.4 2021-09-10

Publications (2)

Publication Number Publication Date
JP2023040995A true JP2023040995A (en) 2023-03-23
JP7311189B2 JP7311189B2 (en) 2023-07-19

Family

ID=78794660

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022076591A Active JP7311189B2 (en) 2021-09-10 2022-05-06 Automotive Flywheel Dynamic Modeling Method Based on Combination of Data-Driven and Mechanism Models

Country Status (2)

Country Link
JP (1) JP7311189B2 (en)
CN (1) CN113761660A (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648829A (en) * 2024-01-29 2024-03-05 中国海洋大学 Laplacian domain calculation method for nonlinear marine structure dynamic response
CN117703927A (en) * 2024-02-05 2024-03-15 贵州中航华强科技有限公司 Magnetic suspension bearing control system

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115056218A (en) * 2022-05-30 2022-09-16 华中科技大学 Method and system for identifying robot mode by using joint motor current signal
CN117874479A (en) * 2024-03-11 2024-04-12 西南交通大学 Heavy-duty locomotive coupler force identification method based on data driving

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5445887B2 (en) 2006-08-18 2014-03-19 国立大学法人 千葉大学 Magnetic bearing device
CN108984815B (en) 2018-04-20 2022-06-21 江苏大学 Control method of vehicle-mounted flywheel battery radial suspension supporting system based on working condition
CN110059348B (en) 2019-03-12 2023-04-25 南京工程学院 Axial split-phase magnetic suspension flywheel motor suspension force numerical modeling method

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648829A (en) * 2024-01-29 2024-03-05 中国海洋大学 Laplacian domain calculation method for nonlinear marine structure dynamic response
CN117648829B (en) * 2024-01-29 2024-05-03 中国海洋大学 Laplacian domain calculation method for nonlinear marine structure dynamic response
CN117703927A (en) * 2024-02-05 2024-03-15 贵州中航华强科技有限公司 Magnetic suspension bearing control system
CN117703927B (en) * 2024-02-05 2024-04-16 贵州中航华强科技有限公司 Magnetic suspension bearing control system

Also Published As

Publication number Publication date
CN113761660A (en) 2021-12-07
JP7311189B2 (en) 2023-07-19

Similar Documents

Publication Publication Date Title
JP7311189B2 (en) Automotive Flywheel Dynamic Modeling Method Based on Combination of Data-Driven and Mechanism Models
CN110552961B (en) Active magnetic bearing control method based on fractional order model
CN108227492B (en) Identification method for tail end load dynamic parameters of six-degree-of-freedom series robot
CN102564763B (en) Dynamic pre-tightening force measurement method of main shaft bearing of machine tool
CN103076163A (en) Online test method for characteristic parameter of bearing-rotor system
Vasudevan et al. Design for control of wheeled inverted pendulum platforms
CN111692210B (en) Construction method of active magnetic bearing controller based on table look-up method
CN103292958A (en) Model based rotor non-trial-mass unbalance parameter identification method
CN108415253B (en) Control method of flywheel battery magnetic bearing system based on Markov jump theory
CN106596008B (en) A kind of on-vehicle fuel vibration experiment of the practical driving cycles of simulation
Yue et al. Unbalance identification of speed-variant rotary machinery without phase angle measurement
Batra et al. Anti-jerk dynamic modeling and parameter identification of an electric vehicle based on road tests
CN114679098A (en) Feedforward compensation method and device for permanent magnet synchronous motor, computer equipment and medium
CN115081330A (en) Virtual and real data mirror image updating method for digital twin model of gear transmission system
CN114002963A (en) Multi-working-condition suspension support system dynamic modeling method
Yuhao Estimation of Vehicle Status and Parameters Based on Nonlinear Kalman Filtering
CN115009044A (en) Control method of vehicle axial split-phase magnetic suspension flywheel rotor system based on neural network inverse expansion structure
CN115077901B (en) Bearing dynamic load indirect measurement method considering basic excitation
JP4342555B2 (en) Method and apparatus for controlling a power unit having a continuously variable transmission
CN105371872B (en) Gyroscope flywheel system disturbance method of estimation based on extension High-gain observer
Bo et al. The study on rotating machinery fault diagnosis based on deep neural networks
Fang et al. Adaptive Fuzzy Backstepping Control of MEMS Gyroscope Using Dynamic Sliding Mode Approach
CN113741404B (en) Control method, device and system for simulating vehicle load and storage medium
Basnet Kalman filter utilization in rotor dynamics
Mou Dynamic Analysis of Turbocharger Rotor System

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220519

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220527

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230613

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230629

R150 Certificate of patent or registration of utility model

Ref document number: 7311189

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150