为提升随机路面与局部脉冲激励路面下的悬架平顺性,提出语义分割路面识别的主动悬架显式模型预测控制(Explicit Model Predict Control,EMPC)方法。建立2自由度主动悬架动力学模型;搭建基于空洞空间金字塔池化的DeepLabV3语义分割路面...为提升随机路面与局部脉冲激励路面下的悬架平顺性,提出语义分割路面识别的主动悬架显式模型预测控制(Explicit Model Predict Control,EMPC)方法。建立2自由度主动悬架动力学模型;搭建基于空洞空间金字塔池化的DeepLabV3语义分割路面识别网络,对网络进行训练及验证;设计基于路面识别的主动悬架EMPC控制策略,将悬架动力学模型转化为预测模型,确定代价函数和约束条件,根据路面识别结果匹配代价函数最优加权权重;离线划分系统状态参数区域,求解各状态分区内系统的最优控制律;在随机路面和脉冲路面下,将所设计的控制策略与被动悬架、线性二次高斯控制(Linear-quadratic-gaussian Control,LQG)进行仿真分析对比。相较于LQG控制,基于路面识别的主动悬架EMPC控制策略可在随机路面下改善悬架性能,且在脉冲路面下对悬架的调节时间降低20%以上,悬架的平顺性得到有效提升。展开更多
针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD...针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。展开更多
文摘为提升随机路面与局部脉冲激励路面下的悬架平顺性,提出语义分割路面识别的主动悬架显式模型预测控制(Explicit Model Predict Control,EMPC)方法。建立2自由度主动悬架动力学模型;搭建基于空洞空间金字塔池化的DeepLabV3语义分割路面识别网络,对网络进行训练及验证;设计基于路面识别的主动悬架EMPC控制策略,将悬架动力学模型转化为预测模型,确定代价函数和约束条件,根据路面识别结果匹配代价函数最优加权权重;离线划分系统状态参数区域,求解各状态分区内系统的最优控制律;在随机路面和脉冲路面下,将所设计的控制策略与被动悬架、线性二次高斯控制(Linear-quadratic-gaussian Control,LQG)进行仿真分析对比。相较于LQG控制,基于路面识别的主动悬架EMPC控制策略可在随机路面下改善悬架性能,且在脉冲路面下对悬架的调节时间降低20%以上,悬架的平顺性得到有效提升。
文摘针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。
