摘要：为提升并联式混合动力汽车(parallel hybrid electric vehicle,PHEV)的燃油经济性,针对等效燃油消耗最小控制策略(equivalent fuel consumption minimum strategy,ECMS)在不同工况下适应性差的问题,以优化整车等效燃油消耗量为目标,设计基于工况识别算法的变等效因子ECMS能量管理策略。选取3类典型工况建立支持向量机分类模型,通过递归特征消除法对样本特征进行选择,采用鲸鱼算法对支持向量机进行参数优化,使用模拟退火算法分别对3类工况的ECMS等效因子进行离线全局最优求解,并分别存储于等效因子库中,通过训练好的支持向量机分类器对目标优化工况进行工况识别,不同类型的工况片段采用不同的等效因子进行转矩分配。仿真结果显示:相比于逻辑门限能量管理策略,基于工况识别算法的变等效因子ECMS能量管理策略的电池荷电状态(state of charge,SOC)变化量减少8.67%,节油率为13.11%;相比于优化前的ECMS策略电池SOC变化量减少3.47%,节油率约为6.63%。本文提出的基于工况识别算法的变等效因子ECMS能量管理策略可以有效地减少燃油消耗量,提升PHEV的整车经济性。

摘要：为解决商用车行驶工况优化设计中确定工况类型的问题,研究商用车行驶工况特性,提出一种基于朴素贝叶斯方法的高速公路工况识别方法。利用21辆长途运营商用车采集的106200 km行驶工况数据,以3 km为单位进行分割,共获得35230段有效试验路段数据(其中:高速公路27986段;一般公路6124段;城市公路1120段)。以该数据为基础,根据朴素贝叶斯方法分析汽车运行过程中的平均速度和挡位统计信息,确定面向商用车行驶工况优化设计的阈值划分区间,获得相关的先验概率和条件概率,利用MATLAB软件进行编程计算,对高速公路工况进行了识别分析。研究结果表明:高速公路工况识别的正确率到达88.26%,高速公路工况被误判为一般公路工况的误判率为9.54%,高速公路工况被误判为城市公路工况的误判率为2.20%;基于朴素贝叶斯方法的高速公路工况识别能够为商用车行驶工况优化设计提供一种有效的高速公路工况识别方法。

摘要：转向架作为高速列车关键承载部件,其载荷特征对于结构疲劳强度评估和可靠性设计至关重要。针对转向架构架载荷信号非平稳、非线性性质,引入多尺度熵方法,结合小波变换、集成经验模态分解等时频分析方法,对典型工况下实测构架载荷信号在不同频率下的复杂性进行分析,探究在制动、道岔和曲线工况下,高、低频构架载荷信号分量多尺度熵差异程度,具有明显差异的信号分量多尺度熵作为区别高速列车工况的指标,使用Relief算法进行特征选择,构造表征不同工况特征向量。将基于多尺度熵的工况特征向量输入支持向量机中,对特征提取方法和支持向量机参数优化方法进行评定,分析获得不同工况的最优识别方法。同时基于传统时频分析方法建立工况特征向量,输入支持向量机进行工况识别,对比识别结果,证明基于多尺度熵的工况识别方法可以明显提高工况的识别效果,为实现实时在线监测高速列车运行工况提供技术支持。

摘要：在冲击荷载作用下复合材料会产生断裂和分层等损伤。基于损伤数据对冲击工况进行识别,对改善复合材料的设计和确保其安全使用具有重要意义。基于此,本文提出一种基于深度学习和近场动力学(PD)理论的层合板冲击工况识别方法。首先使用改进的表面修正系数PD理论建立复合材料层合板刚体冲击损伤演化分析PD模型,PD模型数值模拟结果结合噪声数据增强技术构建层合板的冲击工况数据库;基于深度学习-卷积神经网络(CNN),对不同工况下的冲击损伤演化数据进行训练,实现对未知冲击工况的识别。结果显示,对于钢球冲击速度和角度的识别准确率均高于90%。

摘要：依靠人工观测锑浮选泡沫特征进行锑浮选工况识别,主观性强、误差大,严重制约浮选性能.基于计算机视觉的识别方法成本低、效果好.针对以上问题,提出一种基于轻量型卷积视觉Transformer(L-CVT)的锑浮选工况识别方法.通过Transformer层的堆叠代替标准卷积中矩阵乘法来学习全局信息,将卷积中的局部建模更替为全局建模,同时引入轻量型神经网络MobileNetv2中的子模块,减少计算成本.所提方法解决了卷积神经网络(CNN)忽略浮选图像内部长距离依赖关系的问题,同时也弥补了视觉Transformer(VIT)缺乏归纳偏置的缺点.实验结果表明,基于所提方法的锑浮选工况识别准确率最高可达93.56%,明显高于VGG16、ResNet18、AlexNet等主流网络,为锑浮选数据在工况识别领域提供了重要参考.

摘要：为保证离心泵的安全高效运行,需要对离心泵的运行工况进行识别研究.首先,使用测试函数对比研究了经验模态分解、集合经验模态分解和互补集合经验模态分解3种振动信号特征提取方法,基于性能最优的特征提取方法提取不同工况下运行的离心泵振动信号特征数据.然后,对支持向量机模型进行改进,提出了一种使用k-means聚类算法优化的二叉树支持向量机模型,并将改进模型应用到离心泵4种不同运行工况的识别中.同时,使用其他2种多分类支持向量机模型作为对比.研究结果表明:3种特种提取方法中,互补集合经验模态分解无模态混叠迹象性,噪声干扰小,性能表现更好;改进支持二叉树向量机模型分类准确率可达82.17%,对设计的4种工况具有很好的分类效果;改进支持二叉树向量机模型结构简单,训练时间短,实时性好,综合性能优于其他2种模型.

摘要：为提高混合动力汽车燃油经济性及控制策略随路况的实时适应能力,以一款双行星排式的新型功率分流混合动力汽车为研究对象,选定五种典型工况,制定识别精度较高的模糊控制器进行工况识别,并优化各工况等效因子,建立了一种基于工况识别的自适应等效燃油消耗最低能量管理策略(A-ECMS)。仿真结果表明,相比于基于规则的实车控制策略及等效燃油消耗最低策略(ECMS),采用A-ECMS策略的油耗分别降低24.7%和2.8%,且发动机和电机工作点集中在更加高效的区域。通过整车转毂试验对A-ECMS策略进行有效性验证,试验结果表明,相比于ECMS策略,整车电耗减少8.2%,油耗降低5.2%,进一步验证了A-ECMS策略有效性及具有较好的燃油经济性。

摘要：篦冷机的运行性能是决定整个水泥生产过程的能源利用效率的重要因素,而准确把握工况状态则是保证冷却过程的运行性能处于最优的前提。以篦冷机为研究对象,提出一种基于融合聚类的篦冷机工况划分与评价方法。首先,通过分析与3种典型工况相关的专家知识及操作经验,选取篦下压力和窑主机电流为检测参数;然后,利用融合聚类算法得到不同运行工况下的聚类标签;最后,利用RBF-SVM算法对得到的聚类标签进行训练得到工况识别模型。利用水泥企业的现场运行数据进行了仿真实验,实验结果表明所提方法为提高水泥冷却过程的运行性能提供了一套可行方案。

摘要：锌快粗选是锌浮选的第一个浮选工艺,其工况状态直接影响后续精选和扫选的性能效果。现有基于卷积神经网络的浮选工况识别方法直接构建泡沫图像和工况类别的关系模型,自动挖掘与工况关联的泡沫深度特征,取得了一定的效果,但忽略了不同采样率下泡沫视频的动态时序信息。为此,提出一种基于改进慢快双流网络的模型,通过泡沫视频对锌快粗选工况进行识别。首先,以慢快双流网络作为主干网络,引入P3D-A轻量化结构减少网络参数,提高模型推理效率。然后,融入时间注意力模块(Time Attention, TA)、空间注意力模块(Channel Spatial Attention, CSA)和空间时间聚合模块(Spatial Time Together, STT),对泡沫视频时空特征进行有效表征,促进双流网络融合。最后,设计辅助网络(Auxiliary Network, AN),降低模型过拟合,提高工况识别准确率。实验结果表明,所提方法能准确地识别锌快粗选工况,准确率达82.54%,与已有的慢快双流网络相比,准确率提高了11.98%。

摘要：提出了基于主成分分析-学习向量量化(PCA-LVQ)神经网络智能算法的行驶工况的识别方法。基于用户车联网数据,通过运动学片段划分后,首先对速度、刹车频次、驾驶时间等多维度特征参数进行主成分分析(principal component analysis,PCA),实现输入信息降维处理,避免冗余信息带来的识别误差。其次将降维后的信息输入到LVQ神经网络模型中进行训练,并将模型用于用户典型驾驶工况的识别,分别对模型识别的影响因素进行研究。结果表明:基于PCA-LVQ智能算法的行驶工况识别方法能够有效进行工况识别,工况识别的精度与运动学片段长度相关,还受训练样本量和识别量的影响,但不受工况顺序影响。