一、自适应网络安全部件模型研究（论文文献综述）
闫斌斌[1]（2021）在《基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究》文中研究指明叶片是燃气轮机的重要部件,长时间在较高的转速、温度、压力和负荷条件下工作,受空气中的杂质污染和腐蚀,发生故障的概率极高,故障模式如结垢、磨损、腐蚀和打伤等。叶片故障严重影响燃气轮机运行的稳定性、经济性和安全性。因此,开展燃机叶片故障诊断研究十分必要。本文主要从气路性能诊断方法出发,研究基于混合模型的燃气轮机叶片故障预警及诊断中的若干关键问题:1)同型号不同燃气轮机个性化差异对气路性能机理模型仿真精度存在影响;2)仅凭机理的建模方式难以适应燃气轮机气路性能的残余个性化差异;3)采用单一参数和固定阈值的燃气轮机叶片故障预警存在误警率和漏警率较高的问题;4)叶片故障诊断过程中存在模型精度有限和寻优算法易陷入局部最优等问题。开展的主要工作如下:建立了燃气轮机个性化气路性能机理模型。针对同型号不同燃气轮机部件特性图的个性化差异,改进了现有的部件通用解析解,同时提出基于粒子群算法的性能自适应方法,通过定义的更新因子实现了部件特性曲线形状的靶向控制,进而实现了部件解析解与实际部件特性的精准匹配。针对燃气轮机循环设计点与循环参考点之间的个性化差异,提出基于逆向迭代和遗传算法的循环参考点整定方法,实现了循环参考点的精准整定,提高了气路性能机理模型的准确性。部件特性曲线和循环参考点的自适应调整,明显降低了燃气轮机实际性能与气路性能机理模型之间的个性化差异。通过燃气轮机现场实测数据验证了该方法的有效性。提出了两类燃气轮机气路性能混合驱动模型构建方法。针对某些燃气轮机循环参考点和部件特性曲线难以获取的问题,提出一种结合燃气轮机机理的气路性能混合模型构建方法,并定义为第一类混合模型。该方法面向燃气轮机部件单元体构建混合模型,其中神经网络结构、神经元数量和激活函数的选定分别参考燃气轮机模块化划分、截面热力参数数量以及部件非线性程度。针对循环参考点和部件特性曲线可用,但气路性能机理模型和燃气轮机实际性能之间仍存在残余个性化差异的情况,提出了一种基于径向基神经网络误差补偿的混合模型,并定义为第二类混合模型。该方法以机理模型为基础,通过径向基神经网络补偿残余个性化差异造成的误差。通过在役燃气轮机实测数据验证了该方法的有效性。建立了基于宽频振动和混合模型的燃气轮机叶片故障预警方法。由于采用单一参数和固定阈值的叶片故障预警易出现误报率和漏报率较高的问题,故提出了一种基于多参数的燃气轮机叶片故障变工况预警方法。首先基于宽频振动信号提取偏离特征参数,同时基于气路性能信号提取降级特征参数;其次研究特征参数的阈值设定方法,考虑变工况对阈值设定的影响,建立了叶片故障的3级预警规则。最后通过燃气轮机实际故障案例验证了该方法的有效性。研究了基于混合模型的燃气轮机叶片故障诊断方法。针对非线性气路故障诊断的优化算法易陷入局部最优的问题,建立了基于改进粒子群算法和混合模型的非线性叶片故障诊断模型。以实测数据为目标,通过气路性能混合模型的自适应调整确定部件性能降级量,进而识别燃气轮机叶片的故障模式。针对燃气轮机部件特性曲线和循环参考点难以获取的场合,基于测量参数进行叶片故障诊断,而该方法仅对叶片单一故障的诊断精度较高,对于多种叶片故障同时发生的场合诊断精度较低,因此研究了基于SVM和第一类混合模型的叶片单一故障诊断方法。在上述模型基础上,提出了基于改进相似度算法的叶片自动诊断方法,可自动识别叶片故障类型。通过燃气轮机叶片故障实测数据验证了该方法的有效性。本文的研究成果可以补充和拓展目前的叶片故障预警和诊断理论,同时为相关理论在工程实践中的应用提供参考。
王国刚[2]（2021）在《遥感卫星自主轨道机动与姿轨耦合系统控制研究》文中进行了进一步梳理随着商业遥感卫星的快速发展,卫星已从早期的单星技术验证发展为多星协作应用,来完成单一卫星不能实现的应用需求,例如快速观测和侦察、快速覆盖等任务。面向数量庞大的卫星星座的空间任务,这不仅增加了轨道控制的频次,造成了地面测控站的压力,而且大大地提高了卫星间的碰撞风险,因此自主轨道机动和姿轨耦合控制技术是遥感卫星平台在轨飞行作业的关键,也是目前遥感卫星的研究重点。本文针对遥感卫星的自主轨道机动与姿轨耦合控制问题,进行全面、系统地讨论和研究,并面向卫星间碰撞规避、星间绕飞、星座构型保持和轨道转移等典型遥感卫星轨道控制任务,建立遥感卫星完整的轨道控制算法和控制方案,全文的创新研究工作如下:针对多约束下的星座卫星碰撞问题,采用数学表征法建立测控资源、有效载荷和星座构型等约束模型,通过数值分析法和霍曼（Hohmann）变轨理论进行碰撞规避控制设计,采用数值分析法给出轨道系下的控制方向和控制时刻,利用坐标系变换获得惯性系下的控制方向,依据Hohmann理论给出合理的速度增量;为了减少碰撞规避过程中的燃料消耗,设计一种多约束下的能量最优碰撞规避控制方法,基于C-W方程建立质心坐标系下的卫星相对运动模型,通过坐标变换将该模型映射到惯性坐标系下,再结合约束模型来制定碰撞规避策略,选取卫星能量最优化指标、哈密顿函数和协态方程,给出最优条件下的速度增量和方向,实现燃料最优碰撞规避控制,通过数值仿真证明其有效性。针对高精度的轨道机动控制问题,分别对相位控制和编队飞行控制进行设计。采用小推力推进系统来进行相位控制设计,由于推进系统的推力小,控制周期较长,因此将相位控制过程分为三个阶段:相位调整、相位稳定漂移和相位刹车。由于推进系统存在安装偏差,会产生姿态干扰力矩,通过干扰力矩分析给出相位调整和刹车时的最大控制时长,设置好相位控制完成天数,采用开普勒定律计算轨道控制量,并通过反作用飞轮进行姿态控制。针对高精度编队控制问题,设计一种自适应滑模控制算法,考虑非圆轨道和其他引力扰动影响,建立相对运动模型,通过模型变换技术将该模型进行线性化,在该模型基础上,设计一种自适应滑模控制器,并利用神经网络来逼近线性化误差和重力扰动项,通过李雅普诺夫（Lyapunov）稳定性定理给出自适应更新律,结合正定矩阵判断定理,可以保证闭环跟踪系统渐近稳定,将数值仿真结果与传统滑模控制进行对比分析,验证所提出的算法有效性。轨道控制完全依赖于地面测控站,当卫星数量逐渐增多时,会增加日常地面操作的负担和测控站的压力,针对该问题,设计一种自主轨道控制策略。首先,设计一种平衡力臂优化法来给出小卫星推进系统的最优化结构设计,并且分析推进系统对卫星姿态产生的藕合力矩;其次,设计一种扩展卡尔曼滤波算法（EKF）来确定卫星精确的轨道,并通过星上的全球定位系统（GPS）接收机观测数据进行EKF模型参数优化设计;最后,基于滤波后的轨道进行自主相位控制策略设计,当超出设定阈值时,自动进行轨道控制,以姿控推力器的结构布局为基础,设计一种多脉冲的喷气调姿控制方法来解决姿态扰动问题,采用径向基函数（RBF）神经网络来逼近轨道控制过程中的耦合力矩和干扰力矩,并通过Lyapunov稳定理论证明控制系统的稳定性,通过数值仿真验证其有效性和可行性。针对姿轨耦合系统控制问题,进行卫星姿轨耦合仿真系统设计与控制算法研究。该仿真系统包括仿真计算机、星载计算机、交联环境仿真模拟机、飞轮以及卫星动力学模型。采用仿真软件对主要部件如星敏感器、光纤陀螺、推进系统和GPS接收机进行数学建模,通过交联环境仿真模拟机与星载计算机连接,建立半物理姿轨耦合仿真系统。由于卫星推进系统存在安装偏差和推力矢量偏差,会导致轨道控制过程中的姿态不稳定,本文提出一种反作用飞轮与推进系统协同工作的轨道控制方法,以上述的半物理仿真系统为基础,在姿态偏差角较小时,反作用飞轮进行姿态调整;在姿态偏差角较大时,推进系统进行姿态调整,通过在轨实验证明了其有效性。由于推进剂的消耗,会导致质心和转动惯量的变化,影响姿态控制精度,并且在复杂的空间环境中还会受到各种摄动力的影响,为了实现轨道与姿态能够同时以较高控制精度达到期望的状态,设计一种控制力和力矩有限的自适应RBF神经网络滑模控制方法,通过试验测量给出燃料的消耗速率和转动惯量的变化规律,然后建立时变的6自由度动力学模型,通过RBF神经网络补偿耦合干扰力矩和空间环境扰动,并通过Lyapunov理论证明其稳定性,通过数值仿真证明所设计的算法有效性。
赵孝礼[3]（2021）在《基于图嵌入自编码的滚动轴承故障诊断方法研究》文中研究表明滚动轴承作为旋转机械系统最为常见的零部件之一,被广泛应用于航空、航天、智能制造、交通运输、石油化工等诸多工业领域,承担着支撑、固定、导向或降低摩损等作用,被称之为“工业关节”。因此,对旋转机械核心部件如滚动轴承等进行有效的健康监测与故障诊断,对于保障机械设备安全稳定的运行有着积极的研究意义。随着测量、传感、计算等技术飞速发展,测量的工业数据呈现出高维、海量的分布现状,带来了“维数灾难”、类别不平衡、有标记信息短缺、有价值信息稀疏、无标记等工业问题。为此,数据驱动型的滚动轴承故障诊断方法应运而生,该类方法可从大量的工业数据中挖掘出有效、有价值的健康监测与故障诊断信息。近年来,深度学习已成为数据驱动型滚动轴承故障诊断领域广泛流行的方法之一,尤其是自编码（Auto-encoder,AE）模型,该类模型可自动地学习到潜藏在高维数据的多层敏感特征信息,从而提升分类、聚类或预测的准确性。然而,由于深度学习参数较多,训练样本与标记信息需求量过大,导致其训练过程比较复杂。与此同时,传统深度学习模型在面对新样本、标签少、类别不平衡、无标记等工业场景时比较困难,需要引入一种更为强大的数据驱动型故障诊断技术。图嵌入自编码作为一种新型的图神经网络,它能将图谱理论与深度学习很好的结合在一起,通过建立的图谱关系提取出数据的局部、判别、稀疏等结构信息,以此来辅助不同的工业任务。综上,本论文将图嵌入自编码理论引入到滚动轴承故障诊断领域,针对轴承故障诊断所存在的现实问题,开展了如下几个方面的研究工作:（1）以自编码为基础,从正则化自编码原理出发,结合拉普拉斯局部图嵌入,提出了深度拉普拉斯自编码（Deep Laplacian auto-encoder,DLap AE）算法。该算法是将拉普拉斯局部图嵌入到自编码模型形成拉普拉斯自编码,然后再堆栈多层拉普拉斯自编码构成DLap AE算法。在此基础上,针对轴承健康数据类别不平衡的问题,提出了基于DLap AE的滚动轴承故障特征提取方法。首先,该方法通过拉普拉斯局部图改进了自编码模型对类别不平衡数据的流形平滑与特征提取的性能;然后将所提取的敏感特征输入到分类器进行故障诊断与识别。实验轴承数据验证了该类别不平衡诊断方法的可行性。实验结果表明:该方法提高了类别不平衡健康数据的特征提取性能与故障诊断精度。（2）以稀疏自编码模型为基础,从半监督化的稀疏自编码原理出发,结合局部-非局部图嵌入与半监督学习,提出了半监督深度稀疏自编码（Semi-supervised deep sparse auto-encoder,SSDSAE）算法。该算法主要是利用局部与非局部图嵌入约束矩阵描述数据的无标记信息,然后再利用加权交叉熵定义数据的有标记信息,结合半监督学习实现了有标记信息与无标记信息的联合优化。在SSDSAE基础上,针对有标记样本少的问题,提出了基于SSDSAE的滚动轴承故障特征提取方法。首先,将采集到的振动频谱信号输入到SSDSAE算法进行特征提取,再将所提取的稀疏判别特征输入到反向传播分类器进行诊断与识别。基于滚动轴承实验数据的分析说明了提出方法的先进性。分析结果表明:相比其他半监督学习,该方法能充分利用故障数据的有标记与无标记信息,所提取的故障特征可分性更强,诊断结果更稳定。（3）以压缩自编码为研究基础,从稀疏化压缩自编码原理出发,结合稀疏图嵌入与同伦正则化,提出了自适应稀疏压缩自动编码（Adaptive sparse contrative auto-encoder,ASCAE）算法。该算法利用稀疏图嵌入实现压缩自编码的稀疏化性能提升,然后再利用同伦正则化实现核心参数的自适应优化。进一步的,为了克服滚动轴承数据中有价值信息稀疏的缺陷,提出了基于自适应压缩自编码结合优化无监督极限学习机（ASCAE-OUSELM）的滚动轴承故障诊断方法。该方法首先将轴承的振动频谱信号输入到ASCAE模型实现多层敏感特征的提取,再将所提取的特征输入到OUSELM分类器进行无监督的故障诊断与分离。滚动轴承实验数据验证了该方法的有效性与自适应性。实验结果表明:该方法实现了诊断模型的参数自适应优化,提高了诊断的自动化程度。（4）以极限学习机-自编码为研究基础,从无监督化的极限学习机-自编码原理出发,结合多阶图嵌入与无监督学习,提出了多阶图嵌入深度极限学习机-自编码（MGDELM-AE）算法。然后,再结合模糊C聚类（FCM）,提出了基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法,实现了滚动轴承的智能故障诊断。该方法的MGDELM-AE算法可利用柯西图嵌入的一阶接近度提取振动信号的局部结构信息,同时利用二阶接近度挖掘振动信号的全局结构信息实现了无监督的特征提取,然后将所提取的特征输入到FCM进行无监督故障聚类。轴承实测数据验证了该方法的高效性。分析结果表明:与其他相关方法相比,MGDELM-AE模型取得了具有一定竞争力的快速、精确的诊断效果。（5）通过轴承故障模拟实验与工业石化现场轴承数据对上述研究方法进行了应用性的验证。首先介绍了转子-轴承系统综合故障实验台的实验概况,然后分别通过上述四种故障诊断方法（即DLap AE、SSDSAE、ASCAE-OUSELM、MGDELM-AE）对实验数据与工程数据进行了分析与讨论。分析结果表明:四种诊断方法的有效性及其不同的适用场景都得到了进一步的验证与补充,DLap AE适用于健康数据类别不平衡的诊断、SSDSAE适用于类别标记少的诊断、ASCAE-OUSELM与MGDELM-AE适用于无监督故障诊断。
王苹宇[4]（2021）在《基于深度学习的行人再识别算法研究》文中研究说明近年来,监控摄像机数量的爆发式增长为智能视频监控提供了海量的数据,但同时也大大增加了视频信息处理的难度。行人再识别技术能够在大规模监控网络中对指定行人图像进行身份识别和检索,并建立该行人在不同摄像机下的身份关联,因此对智能视频监控网络中的目标跟踪、运动分析、行为理解等后续工作具有重大的意义。然而,行人图像通常包含姿态、遮挡、背景、光照、分辨率等诸多变化,这使得行人图像的表观特征会发生变化,给识别性能造成了重大的影响。本文分别从姿态变化、模态差异和长尾分布三个方面对行人再识别问题展开深入研究,提出了一系列解决方案,提高了行人再识别模型的有效性和鲁棒性。本文的主要研究内容和贡献在于:1.提出了基于层次注意力和分组注意力的高阶行人再识别算法来学习姿态不变性的高阶行人特征,以解决行人姿态非对齐的问题。利用Kronecker积来融合多层次的全局和局部卷积特征,采用计数梗概函数将Kronecker积转化为Hadamard积,在没有明显地损害高阶特征的表达能力的情况下,压缩了高阶特征的维度。通过设计分组乱序Kronecker积算法,采用通道分组和分组乱序策略来充分学习组内和组间特征的高阶交互,降低了高阶计算过程的时间和空间复杂度。同时,还通过利用分组乱序Kronecker积来融合多个全图和前景的卷积特征,进而获得了全图和前景的高阶特征。实验结果验证了所提出的方法在不依赖行人姿态估计和特征分割的情况下能够有效地对齐不同行人图像的姿态;2.提出了一种基于困难模态对齐网络的跨模态行人再识别框架来解决模态差异的问题。考虑到不同维度的模态差异是非均衡分布的,首先挖掘具有较大模态差异的困难子空间,然后集中消除该困难子空间的模态差异,有助于学习具有模态不变性的行人特征。此外,该框架能够同时消除全局和局部的模态差异,提高了模型的跨模态泛化能力。实验结果表明,相比于其它跨模态行人再识别方法,该框架在性能上具有明显的优势;3.提出了一种基于多区域匹配网络的跨模态行人再识别框架来解决模态差异的问题。该框架能够同时对齐粗粒度和细粒度的区域特征的模态分布,并且迁移不同区域的语义知识来加强不同区域特征之间的相关性,提高了行人特征的鲁棒性。此外,该框架能够自适应地为困难区域任务分配较高的权重,为简单区域任务分配较低的权重,从而突出困难区域任务的优先程度。实验结果表明,该框架能够大幅度提升跨模态行人再识别的准确率;4.提出了一种基于多元变化特征生成的非均衡行人再识别框架框架来同时解决行人数据在类别样本和难易样本上的非均衡问题。该框架从成分分解和特征生成的角度来均衡每个类别的样本数量,从而学习到类别均衡的行人特征。采用对抗学习方法来提高伪特征的识别难度,为再识别模型提供了更多遍历参数空间的机会来获得最佳的模型参数,缓解了难易样本非均衡的问题。实验结果验证了所提方法的有效性。
范家铭[5]（2020）在《基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究》文中研究说明伴随着我国“一带一路”战略铺展开来,高铁已成为我国新“四大名片”之一,其知名度和重要性不亚于古老中国的“四大发明”。截止2019年末,中国已投入运营的高速铁路里程数达到3.5万公里,稳居世界首位。道路千万条,安全第一条,安全性是高铁飞速发展的基石。对关键零部件的健康状态监测,尤为重要。PHM（Prognostics and Health Management）技术可以对高铁在途运行设备进行状态感知、健康监控,并对故障的发生做出预测,从而降低安全风险。本文利用故障预测与健康管理的技术手段,以数据无损压缩技术、数据传输加密技术、故障特征提取方法、信号去噪技术、关键参数优化方法和神经网络方法为理论基础,建立基于PHM技术的高铁车载通信装备健康监测智能分析方法,实现了关键零部件的故障定位及预测。该方法虽然实现了故障快速定位和精准预测,但通常需要高性能计算机来支撑数据的计算和分析,所以本文将高铁运行数据进行实时无损压缩并加密后,通过铁路无线通信网络将数据回传至地面分析服务器,以其高性能计算能力快速、准确地进行故障定位和预测,有效地解决了高铁车载设备不具备高性能计算能力而无法实时处理数据的问题。地面分析服务器对数据进行解密和特征分析高效快捷,利用神经网络算法使故障识别和故障预测的精度及效率都得以保障,为保障高速铁路安全运营提供了重要的技术手段。本文提出的方法已在兰州铁路局项目中得到了应用,并在实际应用中不同程度的降低了运维成本和故障不可复现率,体现出PHM技术在故障诊断和故障预测研究方面的意义和价值。本文的主要研究成果如下:（1）针对高速铁路的安全运行问题,结合了故障预测与健康管理技术理论,提出了一种基于动车组PHM体系架构。该架构对高铁车载通信装备进行了PHM技术理论分析、故障诊断技术分析、预测技术分析、应用分析等技术进行论述,并基于故障预测与健康管理技术为理论基础提出了动车组故障预测与健康管理体系框架,对高铁车载通信装备的健康状态监测和故障预测方面提供重要理论指导。（2）高铁车载装备的网络资源有限,无法满足对监测的车载装备运行信息实时传输至地面服务器,为此提出了一种无损压缩技术与加密技术联合算法。该算法利用铁路既有无线网络基础在低带宽下实现实时传输高铁车载通信装备运行数据,以供地面服务器实时分析车载装备的健康状况和故障预测。该算法以行程长度无损压缩算法为基础进行了改进以降低数据的压缩比率,同时融入Logistic混沌理论和RSA加密算法以及Logistic置乱加密算法,减少网络传输时所占用的网络带宽,提高了网络传输的安全性,为进一步分析设备的健康状态和故障诊断及预测提供基础性保障。（3）故障诊断通常需要对故障特征进行提取并分析,去除数据中混杂的噪声。该部分对接收到的车载装备运行信息展开深入研究,针对高铁车载通信装备在运行中因场强信号而导致的故障问题,提出了一种基于PHM技术的高铁车载通信装备的故障诊断方法。该方法以双树复小波包变换为基础进行算法改进,同时结合了自适应噪声的完备经验模态分解来进行故障噪声的降噪与特征提取,然后利用无监督学习中的密度聚类方法进行自适应改进,并将提取出的特征类型进行特征分类,最后将分类结果输入到极限学习机中进行训练。实验验证了提出的故障诊断方法具有较强的特征提取能力、快速识别故障能力以及高精度的识别率,为设备的故障预测提供良好的支撑。（4）深入分析高铁车载通信装备的实际运行工况中,针对高铁车载通信装备故障发生率较高的原因是由于电池失效导致高铁车载通信装备无法正常工作的问题,提出了一种HA-FOSELM电池失效预测方法。该方法为了降低噪声对预测带来的影响,采用变分模态分解方法进行去噪处理,同时使用含有遗忘机制的在线序列极限学习机算法对去噪后的数据进行学习和训练,该算法支持数据的动态增量更新。为了提高算法的识别精度和降低关键参数对该算法的影响,引入了混合灰狼优化算法对HA-FOSELM方法的关键参数进行自适应优化,同时融合注意力机制,从而有效地提高了预测精度。通过实验验证,本文提出的方法在性能、效率、精度等方面都优于传统的神经网络算法,有效地降低了因电池故障导致列车行驶安全的问题。
朱华[6]（2020）在《基于自适应巡航的PHEV智能控制系统研究》文中提出在能源危机与环境污染的影响下,全球对汽车排放的限制要求越来越高。混合动力汽车（Hybrid Electric Vehicle,HEV）结合了传统汽车续驶里程长和电动汽车高效、环保的优点,其研究和开发已成为汽车行业的一大热点。为解决HEV安全、节能问题,目前大多数控制策略集中于汽车各动力部件工作性能对整车的影响,并没有考虑周围车辆的行驶状态,因此由车辆内部各部件协调工作向车辆与周边环境协作控制发展具有很重要的意义。本文将自适应巡航控制技术（Adaptive Cruise Control,ACC）与多智能体（Agent）技术引入HEV能量管理策略中,为HEV的节能降耗提供一种新的研究方法,主要研究工作如下:以某型并联式混合动力汽车（PHEV）为研究对象,根据车辆的动力性能要求,确定动力总成主要部件及整车参数,建立相应的数学模型。分析ACC控制方法原理以及影响因素,在多Agent系统框架下提出动力总成控制策略方案。根据对七个工况识别特征参数的识别判断当前行驶工况,自主完成对行驶工况的识别,系统Agent基于当前行驶工况以及期望行驶状态,从提高整车的燃油经济性与排放性能的角度,下达任务至各部件Agent;部件Agent然后从提高工作效率的角度交互协作,最后在交互中达成共识,完成动力分配。其次,通过MATLAB/Simulink软件建立各动力部件Agent和系统Agent模型,并基于多Agent系统典型架构搭建出PHEV动力总成控制策略模型,同时将搭建好的控制策略模型嵌入ADVISOR仿真平台中进行整车性能仿真。仿真结果表明,所设计的基于ACC的PHEV动力总成控制策略能够按照当前行驶工况合理选择行车模式,在其控制下的发动机效率和电机效率以及整车相关指标均更加理想。最后,为验证控制策略的可行性,进行了台架实验,采用D2P Motohawk系统搭建“PHEV动力总成控制策略”实验平台,目标参数的标定实验的完成将由D2P工控机实现,之后通过各动力部件的协作控制完成能量分配实验。实验结果表明,与仿真结果基本相同,证明了控制策略的可行性及有效性,为HEV的节能降耗提供一种新的研究思路。
罗殊彦[7]（2018）在《嵌入式系统智能控制能力度量与评价模型研究》文中提出机载计算机是飞机中最核心的部件,具有高可靠、高安全、高性能等特点。航空计算技术不断发展,对新一代机载计算机提出了更高的要求。美国率先研发了最新一代的机载计算机,提出了综合核心处理机（Integrated Core Processor,简称ICP）的概念,并成功将其应用于F-35等重要机型。ICP的出现标志着机载计算机正从过去的分立式、混合式、联合式结构向高度智能化、综合化、模块化方向发展。ICP采用了分区操作系统、异构多核处理、多类总线混合通信等多种新技术,使得传统的性能评价指标和能力度量方法无法满足当前系统评价要求,该发展趋势对系统性能评价方法、能力度量模型的研究提出了新的挑战。针对上述问题,本文在深入分析当前机载计算机及ICP特性的基础上,提出了一套多维度的嵌入式系统性能综合评价方法。该方法以嵌入式系统的智能控制能力评价作为重点,分析了影响其性能的各级指标,并提出了相应的评价方法和度量模型。本文主要研究内容及创新点如下:1)提出了一种基于灰色理论的五维度嵌入式系统性能综合评价方法。该方法从嵌入式系统的智能控制、网络互联、综合计算、安全防护和能耗控制五个方面考虑,采用多维、多级的方式评价系统性能,并通过雷达图展示评价结果,便于用户更好地对系统进行选型和优化。通过灰关联分析,解决了由于指标间关联度高,导致评价结果不精确的问题。此外,针对嵌入式系统智能控制能力评价,提出了一种基于离差智商的性能评价方法,以及基于相对能力曲线的性能评价模型,解决了对智能控制能力度量过程中,因指标得分上限不一致,导致评价结果难以统一度量的问题,并通过案例阐明了所提出评价方法的可行性与有效性。2)提出了一种基于GCM因子的异构多核处理单元间的动态通信策略,及其自适应能力评价方法。传统的异构多核处理单元的核间多采用静态通信策略,针对系统运行环境多变、资源有限、通信性能不稳定的问题,本文提出一种基于系统内存约束和时间约束的异构多核间动态通信策略模型,并引入通信粒度、通信缓存和消息传输机制影响因子（简称GCM因子）,研究其对系统核间通信不同阶段的性能影响,以评价系统核间通信自适应能力。实验结果表明:相比不同参数配置下的静态通信策略,动态通信策略通过选择合理的GCM因子,优化了核间通信的传输效率,能使通信任务执行时间缩短5%-30%,动态通信策略具有较好的自适应性和平稳性。同时,所提出的系统核间通信策略自适应能力评价方法,能准确给出不同策略下的自适应性得分,使评价结果具有较高的综合性和适应性。3)设计并实现了一种动态周期执行时间（简称DCET）的分区任务调度算法,并提出相应的任务调度自寻优能力评价方法。在ARINC 653标准的约束下,针对分区任务调度的固定周期时间窗口,易导致空闲时间片剩余过多的问题,在确保任务优先级不出现反转的情况下,采用剩余时间片管理机制,计算每个分区在执行完本周期任务后的剩余时间片,实时动态规划该分区中任务执行顺序,提高处理器的利用率。通过对DCET算法的可调度性和实时性进行分析,提炼出构建系统任务调度自寻优能力的评价方法。实验结果表明:相比传统APS及其改进算法,DCET算法在平均任务切换时间上减少了0.015μm（约0.4%）,平均任务执行时间上减少了2.585ms（约9.14%）。该评价方法的提出,能有效评价不同任务调度算法的自寻优能力。4)提出了一种基于Roofline模型的嵌入式系统能耗自调节机制,及相应的自调节能力评价方法。针对目前能耗控制技术种类繁多,且不同技术达到的节能效果无法统一度量的问题,提出了一种能耗自调节能力评价体系,涵盖平均节能率、性能损失率、能耗性能比、节能强度等关键指标,通过性能、能耗、节能强度绘制Roofline模型图,结合模型中的“屋顶线”、“脊点”等要素,衡量出不同能耗控制策略之间的关系。实验结果表明:DPM+DVS策略在单位能耗下所提供的计算能力更高,比不用节能策略降低了2.37%,比单一的DPM和DVS策略分别降低了3.8%和2.5%,且DVS策略在节能效果中占主要因素。该评价方法的提出,有效地将不同策略下的系统能耗与性能之间的关系进行量化分析,评价结果能正确地反映出系统能耗的自调节能力。
陆桑炜[8]（2019）在《变循环发动机非线性自适应模型研究》文中研究表明随着工程科学的发展,变循环发动机由于兼顾高单位推力超声速巡航和低耗油率亚声速巡航的能力,成为了当前航空发动机领域的发展重点。为了研究变循环发动机的性能特点与控制规律,需要建立精确的变循环发动机部件级模型。一般的手动模型修正方法需要耗费大量的人力成本和时间成本,因此,论文针对变循环发动机非线性自适应模型进行研究。建立了变循环发动机部件级模型,通过稳态仿真和动态仿真验证了非线性模型的合理性。改进了各个部件流路的热力学计算方法,提高了部件级模型实时性。为论文后续研究变循环发动机控制规律和自适应建模奠定了基础。研究了变循环发动机慢车以上状态和加力状态的控制规律。针对模式切换过程中推力抖动量过大的问题,分析了发动机台架试验可测参数与推力的相关性,以此为参考建立了神经网络推力估计器,研究了变循环发动机直接推力控制。分析并选择了自适应模型的待优化参数和目标参数,分别采用粒子群算法和容积卡尔曼滤波算法估计部件特性修正系数。通过仿真比较,在达到相同的目标精度的情况下,后者具有更好的实时性。研究了变循环发动机部件特性的自适应更新策略,分析模型修正过程中常见的问题并提出了解决方案。计算出了部件特性修正系数与特性线缩放系数的关系,实现了变导叶部件特性的自适应更新。验证了变循环发动机非线性自适应模型的有效性和工程适用性。
郑前钢[9]（2018）在《智能航空发动机综合优化控制研究》文中研究表明随着现代航空发动机技术的快速发展及其作战环境复杂度大幅度提高,与之相对应的控制技术要求越来越高,智能发动机控制正是在此背景下产生的。其主要特征为发动机根据不同环境、飞行任务需求,能够自适应地在多种控制模式下运行,包括基线模式、延寿模式、应急模式、性能模式等。智能发动机优化控制是上述多模式控制的核心内容,本文开展了智能发动机综合优化控制相关理论与技术的研究。首先,发展了与智能发动机优化控制相关的实时仿真模型。建立了飞机/发动机综合实时仿真平台,用于模拟发动机在不同飞行任务和飞行条件下的动、稳态运行过程;针对涡扇发动机机载稳态模型,提出了基于单纯形样条的机载模型建模方法,该方法对平滑对象具有很强拟合能力以及良好的泛化能力;针对涡扇发动机机载动态模型,提出了基于最小批量梯度下降法神经网络的机载模型建模方法,该方法使得神经网络能够适用于发动机的大包线、多状态、多变量的大样本数据,极大提高了机载模型的精度和泛化性能。通过仿真结果验证了上述模型的精度和有效性。其次,研究了发动机加速优化控制方法。为了提高发动机的响应速度,提出了基于导叶角调节和改进可行序列二次规划算法的发动机加速优化控制,重点研究了风扇和压气机导叶角调节对发动机加速优化响应速度的影响;针对传统加速优化控制中只考虑当前时刻最优,忽略加速前后耦合作用影响,提出了基于控制量曲线优化的全局加速控制方法,该方法以控制量最终稳定时间为优化目标,以控制量曲线为优化量,综合考虑加速前后期控制输入对发动机响应的综合影响,从而提高发动机响应速度。再次,进行了基线模式研究,提出基于复合预测模型的非线性模型预测控制方法,并应用于基线模式中。基线模式以推力为控制目标,克服了传统控制器通过控制发动机可测参数来间接控制推力而导致推力控制精度不准的缺点;为了提高预测控制的实时性,建立了全包线机载预测模型,基于部级模型和卡尔曼滤波器建立复合预测模型,提高发动机健康参数的估计精度。仿真结果验证了控制效果的有效性和实时性。然后,开展了延寿模式和应急模式的研究。在延寿模式方面,提出了基于控制律实时优化的寿命延长控制,建立叶片热机械疲劳寿命模型和寿命延长控制的优化目标,重点研究如何降低在加速过程的热机械疲劳;在应急模式方面,提出了基于控制律实时优化的应急控制,建立快速响应和增推力的两种实时优化模式,研究了导叶角调节和放宽限制边界在应急过程对响应速度和最终推力输出的影响。最后,开展了性能模式的研究。建立了最大推力、最小耗油率和最低涡轮前温度三种性能模式;为了提高寻优模型精度,提出了基于深度神经网络的发动机机载模型建模方法,相比于浅层神经网络,该方法由于采用更深的网络结构,使得模型表达能力更强;为了提高寻优算法的全局搜索能力,提出了遗传粒子群-可行序列二次规划算法的混合优化算法,并应用于性能寻优控制中,该方法兼具有智能优化算法的全局搜索能力和数学规划局部搜索能力。
《中国公路学报》编辑部[10]（2017）在《中国汽车工程学术研究综述·2017》文中进行了进一步梳理为了促进中国汽车工程学科的发展,从汽车噪声-振动-声振粗糙度（Noise,Vibration,Harshness,NVH）控制、汽车电动化与低碳化、汽车电子化、汽车智能化与网联化以及汽车碰撞安全技术5个方面,系统梳理了国内外汽车工程领域的学术研究进展、热点前沿、存在问题、具体对策及发展前景。汽车NVH控制方面综述了从静音到声品质、新能源汽车NVH控制技术、车身与底盘总成NVH控制技术、主动振动控制技术等;汽车电动化与低碳化方面综述了传统汽车动力总成节能技术、混合动力电动汽车技术等;汽车电子化方面综述了汽车发动机电控技术、汽车转向电控技术、汽车制动电控技术、汽车悬架电控技术等;汽车智能化与网联化方面综述了中美智能网联汽车研究概要、复杂交通环境感知、高精度地图及车辆导航定位、汽车自主决策与轨迹规划、车辆横向控制及纵向动力学控制、智能网联汽车测试,并给出了先进驾驶辅助系统（ADAS）、车联网和人机共驾等典型应用实例解析;汽车碰撞安全技术方面综述了整车碰撞、乘员保护、行人保护、儿童碰撞安全与保护、新能源汽车碰撞安全等。该综述可为汽车工程学科的学术研究提供新的视角和基础资料。
二、自适应网络安全部件模型研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、自适应网络安全部件模型研究（论文提纲范文）
（1）基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景与意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 气路性能机理模型研究进展 |
| 1.2.2 气路性能混合模型研究进展 |
| 1.2.3 叶片故障预警研究进展 |
| 1.2.4 叶片故障诊断研究进展 |
| 1.3 当前研究趋势及需要解决的关键问题 |
| 1.3.1 当前研究趋势 |
| 1.3.2 需要解决的关键问题 |
| 1.4 本文研究内容及结构安排 |
| 第二章 燃气轮机个性化气路性能机理模型 |
| 2.1 引言 |
| 2.2 燃气轮机通用气路性能机理模型 |
| 2.2.1 部件数学模型 |
| 2.2.2 稳态数学模型 |
| 2.2.3 动态数学模型 |
| 2.3 燃气轮机部件特性曲线自适应 |
| 2.3.1 部件特性通用解析解 |
| 2.3.2 更新因子提取及灵敏度分析 |
| 2.3.3 改进粒子群优化算法 |
| 2.3.4 通用解析解自适应方法 |
| 2.3.5 方法验证 |
| 2.4 燃气轮机循环参考点整定 |
| 2.4.1 循环参考点 |
| 2.4.2 循环参考点逆向迭代求解理论 |
| 2.4.3 循环参考点整定方法 |
| 2.4.4 验证案例描述 |
| 2.4.5 方法评估与验证分析 |
| 2.5 燃气轮机个性化气路性能机理模型应用 |
| 2.5.1 燃气轮机及其气路测试参数概述 |
| 2.5.2 个性化稳态气路性能机理模型及应用 |
| 2.5.3 个性化动态气路性能机理模型及应用 |
| 2.6 本章小结 |
| 第三章 燃气轮机气路性能混合驱动模型 |
| 3.1 引言 |
| 3.2 燃气轮机气路性能数据驱动模型 |
| 3.2.1 多层感知机理论 |
| 3.2.2 燃气轮机气路性能数据驱动模型构建方法 |
| 3.2.3 方法验证 |
| 3.3 面向单元体的燃气轮机气路性能混合模型 |
| 3.3.1 面向对象与燃气轮机气路性能仿真 |
| 3.3.2 面向单元体的气路性能混合模型构建方法 |
| 3.3.3 方法验证 |
| 3.4 基于径向基神经网络误差补偿的混合模型 |
| 3.4.1 径向基神经网络 |
| 3.4.2 基于径向基神经网络的误差补偿方法 |
| 3.4.3 方法评估与对比验证 |
| 3.5 气路性能混合模型应用实例 |
| 3.5.1 应用案例1 |
| 3.5.2 应用案例2 |
| 3.5.3 应用案例3 |
| 3.5.4 应用案例4 |
| 3.5.5 案例对比分析 |
| 3.6 本章小结 |
| 第四章 基于宽频振动和混合模型的燃气轮机叶片故障预警 |
| 4.1 引言 |
| 4.2 宽频振动信号特征提取 |
| 4.2.1 宽频振动信号测试 |
| 4.2.2 宽频振动信号特征提取方法 |
| 4.2.3 各部件宽频振动信号特征 |
| 4.3 气路性能信号特征提取 |
| 4.3.1 压气机气路性能信号特征 |
| 4.3.2 燃气涡轮气路性能信号特征 |
| 4.3.3 动力涡轮气路性能信号特征 |
| 4.4 基于宽频振动和混合模型的叶片故障预警方法 |
| 4.4.1 报警阈值 |
| 4.4.2 叶片故障特征阈值设定方法 |
| 4.4.3 叶片故障预警方法 |
| 4.5 方法应用案例 |
| 4.5.1 叶片报警阈值生成 |
| 4.5.2 预警方法验证 |
| 4.6 本章小结 |
| 第五章 基于混合模型的燃气轮机叶片故障诊断 |
| 5.1 引言 |
| 5.2 燃气轮机叶片故障 |
| 5.2.1 典型叶片故障 |
| 5.2.2 燃气轮机叶片故障判据 |
| 5.3 基于改进粒子群和混合模型的燃气轮机叶片故障诊断 |
| 5.3.1 非线性气路分析法 |
| 5.3.2 比折合参数表征的叶片健康参数 |
| 5.3.3 基于改进粒子群和混合模型的叶片故障诊断方法 |
| 5.3.4 方法验证及实际应用案例 |
| 5.4 基于SVM和混合模型的燃气轮机叶片故障诊断 |
| 5.4.1 支持向量机 |
| 5.4.2 基于混合模型的叶片故障模拟 |
| 5.4.3 基于SVM和混合模型的叶片故障诊断方法 |
| 5.4.4 方法评估及实际应用案例 |
| 5.5 燃气轮机叶片故障自动诊断方法 |
| 5.5.1 模式识别理论 |
| 5.5.2 叶片故障模式相似度分析 |
| 5.5.3 基于改进相似度的自动诊断方法 |
| 5.5.4 应用案例 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要研究成果 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（2）遥感卫星自主轨道机动与姿轨耦合系统控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 国内外遥感卫星发展历程 |
| 1.3 国内外研究现状 |
| 1.3.1 卫星轨道控制研究现状 |
| 1.3.2 卫星姿态控制研究现状 |
| 1.3.3 卫星姿轨耦合控制技术研究现状 |
| 1.4 本文主要研究内容及章节安排 |
| 第2章 多约束下遥感卫星轨道路径规划 |
| 2.1 引言 |
| 2.2 坐标系介绍 |
| 2.3 约束建模 |
| 2.3.1 光学载荷约束 |
| 2.3.2 测控资源约束 |
| 2.3.3 星座构型约束 |
| 2.3.4 轨道类型约束 |
| 2.3.5 控制策略约束 |
| 2.4 基于Hohmann理论的多约束小卫星轨道机动控制 |
| 2.4.1 问题描述 |
| 2.4.2 控制策略分析与设计 |
| 2.4.3 仿真实验研究 |
| 2.5 多约束下小卫星的能量最优轨道控制 |
| 2.5.1 问题描述 |
| 2.5.2 最优控制器设计 |
| 2.5.3 仿真实验研究 |
| 2.6 本章小结 |
| 第3章 遥感卫星的高精度轨道机动控制算法研究 |
| 3.1 引言 |
| 3.2 在轨轨道机动控制 |
| 3.2.1 设计思想概述 |
| 3.2.2 遥感卫星轨道控制策略 |
| 3.2.3 案例仿真 |
| 3.3 轨道机动自适应控制 |
| 3.3.1 问题描述 |
| 3.3.2 控制算法设计 |
| 3.3.3 仿真实验研究 |
| 3.4 本章小结 |
| 第4章 遥感卫星自主轨道控制算法研究 |
| 4.1 引言 |
| 4.2 推进系统布局 |
| 4.2.1 推进系统分类 |
| 4.2.2 推进系统的结构布局设计 |
| 4.2.3 推进系统耦合力矩分析与仿真 |
| 4.3 基于EKF滤波的自主轨道控制算法研究 |
| 4.3.1 问题描述 |
| 4.3.2 轨道确定算法设计 |
| 4.3.3 自主轨道控制算法设计 |
| 4.3.4 仿真实验研究与讨论 |
| 4.4 本章小结 |
| 第5章 姿轨耦合系统设计与控制算法研究 |
| 5.1 引言 |
| 5.2 卫星姿轨耦合系统设计 |
| 5.3 姿轨耦合系统控制算法 |
| 5.3.1 基于角动量卸载法的小卫星姿轨协同控制 |
| 5.3.2 基于自适应神经网络的小卫星姿轨耦合控制 |
| 5.4 本章小结 |
| 第6章 全文总结与工作展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读博士学位期间研究成果 |
（3）基于图嵌入自编码的滚动轴承故障诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩写符号注释 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断技术的研究现状 |
| 1.2.1 基于传统数据驱动型的滚动轴承故障诊断方法研究现状 |
| 1.2.2 基于深度学习的滚动轴承故障诊断方法研究现状 |
| 1.2.3 基于自编码的滚动轴承故障诊断方法研究现状 |
| 1.2.4 基于图嵌入自编码的滚动轴承故障诊断方法研究现状 |
| 1.3 亟待解决的问题与进一步的研究方向 |
| 1.4 论文主要内容和技术路线 |
| 第2章 图嵌入及自编码基础理论 |
| 2.1 引言 |
| 2.2 图嵌入基本理论 |
| 2.2.1 图谱理论概述 |
| 2.2.2 图嵌入框架的假设 |
| 2.2.3 流形正则化技术 |
| 2.2.4 图嵌入一般框架 |
| 2.3 自编码及其变种 |
| 2.3.1 自编码 |
| 2.3.2 稀疏自编码 |
| 2.3.3 降噪自编码 |
| 2.3.4 压缩自编码 |
| 2.3.5 深度自编码 |
| 2.4 本章小结 |
| 第3章 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法 |
| 3.2.1 拉普拉斯图嵌入 |
| 3.2.2 拉普拉斯自编码 |
| 3.2.3 深度拉普拉斯自编码模型 |
| 3.2.4 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法流程 |
| 3.3 实验验证与分析 |
| 3.3.1 CWRU轴承数据采集与参数设置 |
| 3.3.2 类别平衡数据与类别不平衡数据的诊断结果 |
| 3.3.3 提取特征的评估和分析 |
| 3.3.4 全寿命轴承数据的实验验证和分析 |
| 3.4 本章小结 |
| 第4章 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法研究 |
| 4.1 引言 |
| 4.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法 |
| 4.2.1 半监督深度稀疏自编码的整体思路 |
| 4.2.2 局部与非局部图嵌入 |
| 4.2.3 有标记样本的重构约束矩阵 |
| 4.2.4 半监督深度稀疏自编码的目标函数 |
| 4.2.5 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法流程 |
| 4.3 实验验证与分析 |
| 4.3.1 实验设置和实施细节 |
| 4.3.2 故障诊断结果 |
| 4.3.3 与相关半监督学习故障诊断方法比较 |
| 4.4 本章小结 |
| 第5章 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法研究 |
| 5.1 引言 |
| 5.2 布谷鸟搜索算法与无监督极限学习机 |
| 5.2.1 布谷鸟搜索算法(CSA) |
| 5.2.2 无监督的极限学习机(USELM)算法 |
| 5.3 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法 |
| 5.3.1. 稀疏图嵌入的自适应稀疏自编码(ASCAE)算法 |
| 5.3.2. 优化的无监督极限学习机(OUSELM)分类器 |
| 5.3.3 基于ASCAE-OUSELM的滚动轴承故障诊断方法流程 |
| 5.4 实验验证与分析 |
| 5.4.1 滚动轴承HRB6205数据集 |
| 5.4.2 参数设置与优化 |
| 5.4.3 故障诊断结果 |
| 5.4.4 与其他故障诊断方法对比 |
| 5.5 本章小结 |
| 第6章 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法研究 |
| 6.1 引言 |
| 6.2 相关概念与多阶图嵌入框架 |
| 6.2.1 相关概念 |
| 6.2.2 多阶图嵌入 |
| 6.3 基于多阶图深度极限学习机-自编码的滚动轴承故障诊断方法 |
| 6.3.1 多阶图嵌入深度极限学习机-自编码算法 |
| 6.3.2 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法流程 |
| 6.4 实验验证与分析 |
| 6.4.1 实验设置与数据说明 |
| 6.4.2 多阶约束惩罚项的评估与分析 |
| 6.4.3 计算效率和算法性能的评估 |
| 6.4.4 与其他相关方法进行对比 |
| 6.5 本章小结 |
| 第7章 图嵌入自编码在滚动轴承故障诊断中的应用研究 |
| 7.1 引言 |
| 7.2 实验方案概况 |
| 7.2.1 双跨度转子-轴承系统实验描述与数据采集 |
| 7.2.2 故障信号的预处理与分析 |
| 7.3 滚动轴承的实验应用研究 |
| 7.3.1 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.3 基于自适应稀疏压缩自编码与多阶图嵌入深度极限学习机算法的验证 |
| 7.3.4 不同诊断方法的特征提取性能比较与分析 |
| 7.3.5 诊断方法的性能评估与分析 |
| 7.4 工程应用实例 |
| 7.4.1 工业石化泵的轴承性能退化数据采集与分析 |
| 7.4.2 工业石化泵的轴承故障诊断 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的研究成果 |
（4）基于深度学习的行人再识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 行人再识别 |
| 1.2.1 行人再识别的研究现状 |
| 1.2.2 行人再识别的主要挑战 |
| 1.2.3 行人再识别的数据集 |
| 1.2.4 行人再识别的评价指标 |
| 1.3 研究内容 |
| 1.4 章节安排 |
| 第二章 跨姿态行人再识别 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 跨姿态行人再识别 |
| 2.2.2 高阶统计 |
| 2.2.3 注意力机制 |
| 2.3 姿态非对齐问题 |
| 2.4 基于层次注意力的高阶行人再识别框架 |
| 2.4.1 整体网络框架 |
| 2.4.2 全局层次高阶池化 |
| 2.4.3 局部层次高阶池化 |
| 2.4.4 总体损失函数 |
| 2.4.5 梯度优化 |
| 2.4.6 注意力机制 |
| 2.4.7 实验结果与分析 |
| 2.5 基于分组注意力的高阶行人再识别框架 |
| 2.5.1 整体网络框架 |
| 2.5.2 分组乱序高阶池化 |
| 2.5.3 前景注意力高阶池化 |
| 2.5.4 总体损失函数 |
| 2.5.5 梯度优化 |
| 2.5.6 注意力机制 |
| 2.5.7 实验结果与分析 |
| 2.6 本章小结 |
| 第三章 跨模态行人再识别 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 跨模态行人再识别 |
| 3.2.2 跨模态检索 |
| 3.3 基于困难模态对齐网络的跨模态行人再识别框架 |
| 3.3.1 整体网络框架 |
| 3.3.2 深度困难模态对齐 |
| 3.3.3 全局局部模态对齐 |
| 3.3.4 总体损失函数 |
| 3.3.5 实验结果与分析 |
| 3.4 基于多区域匹配网络的跨模态行人再识别框架 |
| 3.4.1 整体网络框架 |
| 3.4.2 多区域模态对齐 |
| 3.4.3 跨区域关系蒸馏 |
| 3.4.4 区域优先注意力 |
| 3.4.5 总体损失函数 |
| 3.4.6 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 非均衡样本的行人再识别 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 非均衡行人再识别 |
| 4.2.2 非均衡学习 |
| 4.3 长尾分布问题 |
| 4.4 基于多元变化特征生成的非均衡行人再识别框架 |
| 4.4.1 整体网络框架 |
| 4.4.2 独立成分分解 |
| 4.4.3 可分解特征生成 |
| 4.4.4 对抗特征生成 |
| 4.4.5 总体损失函数 |
| 4.4.6 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 附录A 定理证明 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（5）基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前存在的问题 |
| 1.4 主要研究内容和创新点 |
| 1.5 论文组织结构 |
| 2 关键技术及相关工作 |
| 2.1 引言 |
| 2.2 机车综合无线通信设备工作原理 |
| 2.3 压缩算法 |
| 2.3.1 无损压缩技术 |
| 2.3.2 有损压缩技术 |
| 2.4 加密算法 |
| 2.5 特征提取方法 |
| 2.6 PHM技术 |
| 2.6.1 PHM系统体系结构 |
| 2.6.2 动车组PHM体系结构 |
| 2.6.3 动车组PHM技术架构 |
| 2.6.4 动车组PHM系统功能和目标 |
| 2.6.5 动车组PHM诊断技术 |
| 2.6.6 动车组PHM预测技术 |
| 2.7 小结 |
| 3 基于无损数据压缩及加密联合算法的研究 |
| 3.1 问题提出 |
| 3.2 相关研究 |
| 3.3 SRLE无损压缩算法 |
| 3.3.1 SRLE压缩处理 |
| 3.3.2 SRLE解压处理 |
| 3.4 混合加密算法 |
| 3.4.1 Logistic混沌加密算法 |
| 3.4.2 RSA加密算法 |
| 3.4.3 压缩加密联合算法 |
| 3.5 实验与结论 |
| 3.5.1 压缩性能分析 |
| 3.5.2 安全性能分析 |
| 3.5.3 复杂度及效率分析 |
| 3.6 小结 |
| 4 基于PHM技术的高铁车载通信装备故障诊断 |
| 4.1 问题提出 |
| 4.2 相关研究 |
| 4.3 基于高铁机车综合通信设备中故障诊断的研究 |
| 4.3.1 实验数据集 |
| 4.3.2 特征提取 |
| 4.3.3 无监督聚类 |
| 4.3.4 极限学习机故障识别模型 |
| 4.4 实验与结论 |
| 4.4.1 仿真实验验证 |
| 4.4.2 实测数据集实验验证 |
| 4.5 小结 |
| 5 基于PHM技术的高铁车载通信装备健康状态评估预测 |
| 5.1 问题提出 |
| 5.2 相关研究 |
| 5.3 基于锂电池的剩余使用寿命预测与健康状态监测 |
| 5.3.1 实验数据集 |
| 5.3.2 健康状况和健康指标 |
| 5.3.3 降噪处理 |
| 5.3.4 关键参数优化 |
| 5.3.5 注意力机制 |
| 5.3.6 遗忘机制的在线序列极限学习机 |
| 5.4 实验与结论 |
| 5.4.1 算法训练过程 |
| 5.4.2 在线监测部分 |
| 5.4.3 剩余使用寿命预测部分 |
| 5.5 小结 |
| 6 总结及展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于自适应巡航的PHEV智能控制系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 混合动力汽车研究现状 |
| 1.2.1 混合动力汽车行业发展现状 |
| 1.2.2 混合动力汽车控制策略研究现状 |
| 1.3 自适应巡航控制技术研究现状 |
| 1.4 研究目的与意义 |
| 1.5 主要研究内容 |
| 第2章 混合动力汽车动力系统结构与整车建模 |
| 2.1 PHEV动力系统结构与基本参数 |
| 2.2 PHEV动力总成系统建模与方法 |
| 2.3 驾驶员模型 |
| 2.4 PHEV动力系统数学模型 |
| 2.4.1 发动机模型 |
| 2.4.2 电机模型 |
| 2.4.3 电池模型 |
| 2.4.4 其他传动部件模型 |
| 2.5 PHEV整车动力学模型 |
| 2.6 本章小结 |
| 第3章 PHEV多智能体智能控制策略 |
| 3.1 基于ACC的PHEV动力总成控制策略 |
| 3.2 动力总成多智能体系统的控制策略 |
| 3.2.1 Agent理论 |
| 3.2.2 多Agent系统控制策略模型的搭建 |
| 3.2.3 系统Agent模型 |
| 3.3 各子Agent控制策略模型 |
| 3.3.1 电机Agent模型 |
| 3.3.2 发动机Agent模型 |
| 3.3.3 电池Agent模型 |
| 3.4 本章小结 |
| 第4章 PHEV智能控制系统仿真研究 |
| 4.1 行驶工况分析 |
| 4.1.1 工况数据参数获取 |
| 4.1.2 工况分类与识别 |
| 4.1.3 行驶工况识别仿真分析 |
| 4.2 控制策略仿真分析 |
| 4.2.1 整车仿真模型 |
| 4.2.2 动力系统部件性能分析 |
| 4.2.3 整车性能分析 |
| 4.3 本章小结 |
| 第5章 多Agent系统智能控制实验研究 |
| 5.1 D2P Motohawk系统 |
| 5.2 实验方案设计 |
| 5.3 控制策略实现 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 第6章 全文总结及展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科技成果 |
| 致谢 |
（7）嵌入式系统智能控制能力度量与评价模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 机载计算机技术与性能评价 |
| 1.1.2 嵌入式智能控制能力度量方法 |
| 1.2 国内外研究现状 |
| 1.2.1 嵌入式系统性能综合评价方法 |
| 1.2.2 嵌入式智能控制能力度量方法 |
| 1.3 研究内容与创新点 |
| 1.4 论文结构 |
| 第二章 嵌入式系统性能评价方法和能力度量模型研究 |
| 2.1 引言 |
| 2.2 基于灰色理论的嵌入式系统五维度能力综合评价方法 |
| 2.2.1 系统架构和性能分析 |
| 2.2.2 五维度能力指标体系构建 |
| 2.2.3 基于灰色理论的五维度综合评价方法 |
| 2.3 基于离差智商计算的嵌入式系统智能控制能力评价方法 |
| 2.3.1 智能控制能力性能分析 |
| 2.3.2 智能控制能力指标体系构建 |
| 2.3.3 基于离差计算的智能控制能力评价方法 |
| 2.4 基于相对能力曲线的嵌入式系统智能控制能力度量模型 |
| 2.5 嵌入式系统智能控制能力度量案例分析 |
| 2.6 本章小结 |
| 第三章 基于GSPN的锁步非相似系统自诊断能力评价方法研究 |
| 3.1 引言 |
| 3.2 基于ICP系统的锁步处理器和非相似架构设计 |
| 3.2.1 处理器锁步机制设计 |
| 3.2.2 非相似结构设计 |
| 3.3 基于GSPN的系统自诊断模型 |
| 3.3.1 建模工具和建模流程 |
| 3.3.2 单通道锁步模型 |
| 3.3.3 锁步非相似系统模型 |
| 3.4 基于PAV方法的系统自诊断能力评价方法 |
| 3.5 案例分析 |
| 3.6 本章小结 |
| 第四章 基于GCM因子的自适应核间通信策略及评价方法研究 |
| 4.1 引言 |
| 4.2 异构核间通信过程和性能影响因子分析 |
| 4.2.1 核间通信流程 |
| 4.2.2 GCM影响因子 |
| 4.2.3 核间通信阶段传输模型 |
| 4.2.4 影响因子实验分析 |
| 4.3 基于动态通信策略的HMPU核间通信性能优化 |
| 4.3.1 动态通信策略自适应模型 |
| 4.3.2 动态通信策略实验分析 |
| 4.4 核间通信策略自适应能力评价方法 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 第五章 基于DCET的系统自寻优任务调度算法及评价方法研究 |
| 5.1 引言 |
| 5.2 基于ARINC653标准的分区系统架构设计 |
| 5.3 基于DCET的自寻优任务调度算法 |
| 5.3.1 自寻优任务调度模型 |
| 5.3.2 自寻优任务调度算法流程 |
| 5.3.3 可调度性和实时性分析 |
| 5.4 自寻优任务调度能力评价方法 |
| 5.5 实验分析 |
| 5.6 本章小结 |
| 第六章 基于Roofline模型的能耗自调节机制及评价方法研究 |
| 6.1 引言 |
| 6.2 能耗自调节能力的指标体系 |
| 6.2.1 操作系统层能耗调节指标分析 |
| 6.2.2 硬件层能耗调节指标分析 |
| 6.2.3 能耗控制相关评价指标 |
| 6.3 基于Roofline模型的系统能耗与性能分析 |
| 6.3.1 Roofline模型分析流程 |
| 6.3.2 Roofline模型建模流程 |
| 6.4 系统能耗自调节能力评价方法 |
| 6.5 实验分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 不足与展望 |
| 参考文献 |
| 在学期间发表的学术论文 |
| 在学期间参加项目情况 |
| 致谢 |
（8）变循环发动机非线性自适应模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 变循环发动机技术发展 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 自适应建模技术 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究内容安排 |
| 第二章 变循环发动机部件级建模 |
| 2.1 引言 |
| 2.2 变循环发动机气动热力学建模 |
| 2.2.1 建模假设 |
| 2.2.2 建模前准备 |
| 2.2.3 各部件气动热力学建模 |
| 2.2.4 整机数学模型 |
| 2.3 变循环发动机模型仿真 |
| 2.3.1 稳态仿真 |
| 2.3.2 动态仿真 |
| 2.4 发动机模型实时性改进方法 |
| 2.4.1 模型流路计算耗时分析 |
| 2.4.2 热力学计算改进方法 |
| 2.5 本章小结 |
| 第三章 变循环发动机控制规律研究 |
| 3.1 引言 |
| 3.2 慢车以上状态控制研究 |
| 3.2.1 极限保护控制逻辑 |
| 3.2.3 加减速控制逻辑 |
| 3.3 加力状态控制研究 |
| 3.3.1 双回路单变量控制 |
| 3.3.2 前馈控制 |
| 3.4 模式切换控制研究 |
| 3.4.1 传统单变量控制 |
| 3.4.2 直接推力控制 |
| 3.5 本章小结 |
| 第四章 模型修正算法研究 |
| 4.1 引言 |
| 4.2 待优化参数和目标参数选取 |
| 4.3 基于优化算法的模型修正方法 |
| 4.3.1 粒子群算法简介 |
| 4.3.2 适应度函数 |
| 4.3.3 惩罚函数 |
| 4.3.4 控制参数设置 |
| 4.3.5 基于粒子群算法的模型修正流程 |
| 4.4 基于容积卡尔曼滤波的模型修正方法 |
| 4.4.1 容积准则 |
| 4.4.2 状态估计 |
| 4.4.3 时间更新 |
| 4.4.4 量测更新 |
| 4.4.5 基于容积卡尔曼滤波的模型修正流程 |
| 4.5 两种算法模型修正效果对比 |
| 4.6 本章小结 |
| 第五章 变循环发动机自适应建模 |
| 5.1 引言 |
| 5.2 部件特性自适应更新策略 |
| 5.2.1 “下赶法”更新部件特性 |
| 5.2.2 部件特性修正问题分析 |
| 5.3 变导叶部件特性自适应修正 |
| 5.3.1 变导叶部件特性插值原理 |
| 5.3.2 部件特性图缩放系数计算方法 |
| 5.3.3 变导叶部件特性更新 |
| 5.3.4 变循环发动机自适应建模方法 |
| 5.4 算法仿真验证 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文内容总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）智能航空发动机综合优化控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 术语缩略词 |
| 注释表 |
| 第一章 绪论 |
| 1.1 选题必要性和研究意义 |
| 1.2 智能航空发动机建模技术 |
| 1.3 加速优化控制 |
| 1.4 基线模式 |
| 1.5 延寿模式与应急模式 |
| 1.6 性能模式 |
| 1.7 论文内容安排 |
| 第二章 航空发动机建模技术研究 |
| 2.1 引言 |
| 2.2 飞机/发动机综合模型 |
| 2.2.1 飞机模型 |
| 2.2.2 进气道模型 |
| 2.2.3 尾喷管模型 |
| 2.2.4 发动机共同工作方程及求解 |
| 2.3 发动机机载稳态模型 |
| 2.3.1 单纯形样条 |
| 2.3.2 单纯形样条稳态模型 |
| 2.4 发动机机载动态模型 |
| 2.4.1 MGD-NN |
| 2.4.2 动态模型结构 |
| 2.5 数值仿真 |
| 2.5.1 稳态模型仿真 |
| 2.5.2 动态模型仿真 |
| 2.6 本章小结 |
| 第三章 航空发动机加速优化控制研究 |
| 3.1 引言 |
| 3.2 传统加速优化控制原理 |
| 3.2.1 优化原理 |
| 3.2.2 导叶角作用 |
| 3.2.3 改进FSQP算法 |
| 3.3 控制量曲线优化原理 |
| 3.3.1 Bezier曲线 |
| 3.3.2 建立优化问题 |
| 3.3.3 两种加速优化方法比较 |
| 3.4 数字仿真 |
| 3.4.1 传统加速优化控制 |
| 3.4.2 全局加速优化控制 |
| 3.5 本章小结 |
| 第四章 基于非线性模型预测控制的基线模式研究 |
| 4.1 引言 |
| 4.2 机载自适应复合预测模型 |
| 4.2.1 发动机状态变量模型的建立 |
| 4.2.2 状态变量模型的求解 |
| 4.2.3 机载自适应模型 |
| 4.2.4 建立全包线机载模型 |
| 4.2.5 机载自适应模型仿真 |
| 4.3 基线模式与预测控制原理 |
| 4.3.1 滚动优化 |
| 4.3.2 预测模型 |
| 4.3.3 基线模式优化原理 |
| 4.3.4 实时优化算法 |
| 4.4 数值仿真 |
| 4.5 本章小结 |
| 第五章 延寿模式与应急模式下的实时优化控制研究 |
| 5.1 引言 |
| 5.2 延寿模式 |
| 5.2.1 叶片热机械疲劳寿命模型 |
| 5.2.2 延寿模式下的优化原理 |
| 5.2.3 在线实时瞬态MGD-NN模型 |
| 5.3 应急模式 |
| 5.3.1 几种常见应急控制方法 |
| 5.3.2 应急模式下的优化原理 |
| 5.3.3 在线优化实时瞬态MGD-NN模型 |
| 5.4 数字仿真 |
| 5.4.1 延寿模式 |
| 5.4.2 应急模式 |
| 5.5 本章小结 |
| 第六章 性能模式的优化算法与建模方法研究 |
| 6.1 引言 |
| 6.2 性能模式的优化原理及寻优算法 |
| 6.2.1 优化原理 |
| 6.2.2 寻优算法 |
| 6.3 深度神经网络机载模型 |
| 6.3.1 深度神经网络 |
| 6.3.2 机载模型 |
| 6.4 数值仿真 |
| 6.4.1 最大安装推力性能模式 |
| 6.4.2 最小耗油率性能模式 |
| 6.4.3 最低涡轮前温度性能模式 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的研究成果及发表的学术论文 |
（10）中国汽车工程学术研究综述·2017（论文提纲范文）
| 索引 |
| 0引言 |
| 1汽车NVH控制 (长安汽车工程研究院庞剑总工程师统稿) |
| 1.1从静音到声品质 (重庆大学贺岩松教授提供初稿) |
| 1.1.1国内外研究现状 |
| 1.1.1.1声品质主观评价 |
| 1.1.1.2声品质客观评价 |
| 1.1.1.3声品质主客观统一模型 |
| 1.1.2存在的问题 |
| 1.1.3研究发展趋势 |
| 1.2新能源汽车NVH控制技术 |
| 1.2.1驱动电机动力总成的NVH技术 (同济大学左曙光教授、林福博士生提供初稿) |
| 1.2.1.1国内外研究现状 |
| 1.2.1.2热点研究方向 |
| 1.2.1.3存在的问题与展望 |
| 1.2.2燃料电池发动机用空压机的NVH技术 (同济大学左曙光教授、韦开君博士生提供初稿) |
| 1.2.2.1国内外研究现状 |
| 1.2.2.2存在的问题 |
| 1.2.2.3总结与展望 |
| 1.3车身与底盘总成NVH控制技术 |
| 1.3.1车身与内饰 (长安汽车工程研究院庞剑总工程师提供初稿) |
| 1.3.1.1车身结构 |
| 1.3.1.2声学包装 |
| 1.3.2制动系 (同济大学张立军教授、徐杰博士生、孟德建讲师提供初稿) |
| 1.3.2.1制动抖动 |
| 1.3.2.2制动颤振 |
| 1.3.2.3制动尖叫 |
| 1.3.2.4瓶颈问题与未来趋势 |
| 1.3.3轮胎 (清华大学危银涛教授、杨永宝博士生、赵崇雷硕士生提供初稿) |
| 1.3.3.1轮胎噪声机理研究 |
| 1.3.3.2轮胎噪声计算模型 |
| 1.3.3.3轮胎噪声的测量手段 |
| 1.3.3.4降噪方法 |
| 1.3.3.5问题与展望 |
| 1.3.4悬架系 (吉林大学庄晔副教授提供初稿) |
| 1.3.4.1悬架系NVH问题概述 |
| 1.3.4.2悬架系的动力学建模与NVH预开发 |
| 1.3.4.3悬架系的关键部件NVH设计 |
| 1.3.4.4悬架NVH设计整改 |
| 1.4主动振动控制技术 (重庆大学郑玲教授提供初稿) |
| 1.4.1主动和半主动悬架技术 |
| 1.4.1.1主动悬架技术 |
| 1.4.1.2半主动悬架技术 |
| 1.4.2主动和半主动悬置技术 |
| 1.4.2.1主动悬置技术 |
| 1.4.2.2半主动悬置技术 |
| 1.4.3问题及发展趋势 |
| 2汽车电动化与低碳化 (江苏大学何仁教授统稿) |
| 2.1传统汽车动力总成节能技术 (同济大学郝真真博士生、倪计民教授提供初稿) |
| 2.1.1国内外研究现状 |
| 2.1.1.1替代燃料发动机 |
| 2.1.1.2高效内燃机 |
| 2.1.1.3新型传动方式 |
| 2.1.2存在的主要问题 |
| 2.1.3重点研究方向 |
| 2.1.4发展对策及趋势 |
| 2.2混合动力电动汽车技术 (重庆大学胡建军教授、秦大同教授, 彭航、周星宇博士生提供初稿) |
| 2.2.1国内外研究现状 |
| 2.2.2存在的问题 |
| 2.2.3重点研究方向 |
| 2.3新能源汽车技术 |
| 2.3.1纯电动汽车技术 (长安大学马建、余强、汪贵平教授, 赵轩、李耀华副教授, 许世维、唐自强、张一西研究生提供初稿) |
| 2.3.1.1动力电池 |
| 2.3.1.2分布式驱动电动汽车驱动控制技术 |
| 2.3.1.3纯电动汽车制动能量回收技术 |
| 2.3.2插电式混合动力汽车技术 (重庆大学胡建军、秦大同教授, 彭航、周星宇博士生提供初稿) |
| 2.3.2.1国内外研究现状 |
| 2.3.2.2存在的问题 |
| 2.3.2.3热点研究方向 |
| 2.3.2.4研究发展趋势 |
| 2.3.3燃料电池电动汽车技术 (北京理工大学王震坡教授、邓钧君助理教授, 北京重理能源科技有限公司高雷工程师提供初稿) |
| 2.3.3.1国内外技术发展现状 |
| 2.3.3.2关键技术及热点研究方向 |
| 2.3.3.3制约燃料电池汽车发展的关键因素 |
| 2.3.3.4燃料电池汽车的发展趋势 |
| 3汽车电子化 (吉林大学宗长富教授统稿) |
| 3.1汽车发动机电控技术 (北京航空航天大学杨世春教授、陈飞博士提供初稿) |
| 3.1.1国内外研究现状 |
| 3.1.2重点研究方向 |
| 3.1.2.1汽车发动机燃油喷射控制技术 |
| 3.1.2.2汽车发动机涡轮增压控制技术 |
| 3.1.2.3汽车发动机电子节气门控制技术 |
| 3.1.2.4汽车发动机点火控制技术 |
| 3.1.2.5汽车发动机空燃比控制技术 |
| 3.1.2.6汽车发动机怠速控制技术 |
| 3.1.2.7汽车发动机爆震检测与控制技术 |
| 3.1.2.8汽车发动机先进燃烧模式控制技术 |
| 3.1.2.9汽车柴油发动机电子控制技术 |
| 3.1.3研究发展趋势 |
| 3.2汽车转向电控技术 |
| 3.2.1电动助力转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
| 3.2.1.1国内外研究现状 |
| 3.2.1.2重点研究方向和存在的问题 |
| 3.2.1.3研究发展趋势 |
| 3.2.2主动转向及四轮转向技术 (吉林大学宗长富教授、陈国迎博士提供初稿) |
| 3.2.2.1国内外研究现状 |
| 3.2.2.2研究热点和存在问题 |
| 3.2.2.3研究发展趋势 |
| 3.2.3线控转向技术 (吉林大学郑宏宇副教授提供初稿) |
| 3.2.3.1转向角传动比 |
| 3.2.3.2转向路感模拟 |
| 3.2.3.3诊断容错技术 |
| 3.2.4商用车电控转向技术 (吉林大学宗长富教授、赵伟强副教授, 韩小健、高恪研究生提供初稿) |
| 3.2.4.1电控液压转向系统 |
| 3.2.4.2电液耦合转向系统 |
| 3.2.4.3电动助力转向系统 |
| 3.2.4.4后轴主动转向系统 |
| 3.2.4.5新能源商用车转向系统 |
| 3.2.4.6商用车转向系统的发展方向 |
| 3.3汽车制动控制技术 (合肥工业大学陈无畏教授、汪洪波副教授提供初稿) |
| 3.3.1国内外研究现状 |
| 3.3.1.1制动系统元部件研发 |
| 3.3.1.2制动系统性能分析 |
| 3.3.1.3制动系统控制研究 |
| 3.3.1.4电动汽车研究 |
| 3.3.1.5混合动力汽车研究 |
| 3.3.1.6参数测量 |
| 3.3.1.7与其他系统耦合分析及控制 |
| 3.3.1.8其他方面 |
| 3.3.2存在的问题 |
| 3.4汽车悬架电控技术 (吉林大学庄晔副教授提供初稿) |
| 3.4.1电控悬架功能与评价指标 |
| 3.4.2电控主动悬架最优控制 |
| 3.4.3电控悬架其他控制算法 |
| 3.4.4电控悬架产品开发 |
| 4汽车智能化与网联化 (清华大学李克强教授、长安大学赵祥模教授共同统稿) |
| 4.1国内外智能网联汽车研究概要 |
| 4.1.1美国智能网联汽车研究进展 (美国得克萨斯州交通厅Jianming Ma博士提供初稿) |
| 4.1.1.1美国智能网联车研究意义 |
| 4.1.1.2网联车安全研究 |
| 4.1.1.3美国自动驾驶车辆研究 |
| 4.1.1.4智能网联自动驾驶车 |
| 4.1.2中国智能网联汽车研究进展 (长安大学赵祥模教授、徐志刚副教授、闵海根、孙朋朋、王振博士生提供初稿) |
| 4.1.2.1中国智能网联汽车规划 |
| 4.1.2.2中国高校及研究机构智能网联汽车开发情况 |
| 4.1.2.3中国企业智能网联汽车开发情况 |
| 4.1.2.4存在的问题 |
| 4.1.2.5展望 |
| 4.2复杂交通环境感知 |
| 4.2.1基于激光雷达的环境感知 (长安大学付锐教授、张名芳博士生提供初稿) |
| 4.2.1.1点云聚类 |
| 4.2.1.2可通行区域分析 |
| 4.2.1.3障碍物识别 |
| 4.2.1.4障碍物跟踪 |
| 4.2.1.5小结 |
| 4.2.2车载摄像机等单传感器处理技术 (武汉理工大学胡钊政教授、陈志军博士, 长安大学刘占文博士提供初稿) |
| 4.2.2.1交通标志识别 |
| 4.2.2.2车道线检测 |
| 4.2.2.3交通信号灯检测 |
| 4.2.2.4行人检测 |
| 4.2.2.5车辆检测 |
| 4.2.2.6总结与展望 |
| 4.3高精度地图及车辆导航定位 (武汉大学李必军教授、长安大学徐志刚副教授提供初稿) |
| 4.3.1国内外研究现状 |
| 4.3.2当前研究热点 |
| 4.3.2.1高精度地图的采集 |
| 4.3.2.2高精度地图的地图模型 |
| 4.3.2.3高精度地图定位技术 |
| 4.3.2.4基于GIS的路径规划 |
| 4.3.3存在的问题 |
| 4.3.4重点研究方向与展望 |
| 4.4汽车自主决策与轨迹规划 (清华大学王建强研究员、李升波副教授、忻隆博士提供初稿) |
| 4.4.1驾驶人决策行为特性 |
| 4.4.2周车运动轨迹预测 |
| 4.4.3智能汽车决策方法 |
| 4.4.4自主决策面临的挑战 |
| 4.4.5自动驾驶车辆的路径规划算法 |
| 4.4.5.1路线图法 |
| 4.4.5.2网格分解法 |
| 4.4.5.3 Dijistra算法 |
| 4.4.5.4 A*算法 |
| 4.4.6路径面临的挑战 |
| 4.5车辆横向控制及纵向动力学控制 |
| 4.5.1车辆横向控制结构 (华南理工大学游峰副教授, 初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
| 4.5.1.1基于经典控制理论的车辆横向控制 (PID) |
| 4.5.1.2基于现代控制理论的车辆横向控制 |
| 4.5.1.3基于智能控制理论的车辆横向控制 |
| 4.5.1.4考虑驾驶人特性的车辆横向控制 |
| 4.5.1.5面临的挑战 |
| 4.5.2动力学控制 (清华大学李升波副研究员、李克强教授、徐少兵博士提供初稿) |
| 4.5.2.1纵向动力学模型 |
| 4.5.2.2纵向稳定性控制 |
| 4.5.2.3纵向速度控制 |
| 4.5.2.4自适应巡航控制 |
| 4.5.2.5节油驾驶控制 |
| 4.6智能网联汽车测试 (中国科学院自动化研究所黄武陵副研究员、王飞跃研究员, 清华大学李力副教授, 西安交通大学刘跃虎教授、郑南宁院士提供初稿) |
| 4.6.1智能网联汽车测试研究现状 |
| 4.6.2智能网联汽车测试热点研究方向 |
| 4.6.2.1智能网联汽车测试内容研究 |
| 4.6.2.2智能网联汽车测试方法 |
| 4.6.2.3智能网联汽车的测试场地建设 |
| 4.6.3智能网联汽车测试存在的问题 |
| 4.6.4智能网联汽车测试研究发展趋势 |
| 4.6.4.1智能网联汽车测试场地建设要求 |
| 4.6.4.2智能网联汽车测评方法的发展 |
| 4.6.4.3加速智能网联汽车测试及进程管理 |
| 4.7典型应用实例解析 |
| 4.7.1典型汽车ADAS系统解析 |
| 4.7.1.1辅助车道保持系统、变道辅助系统与自动泊车系统 (同济大学陈慧教授, 何晓临、刘颂研究生提供初稿) |
| 4.7.1.2 ACC/AEB系统 (清华大学王建强研究员, 华南理工大学游峰副教授、初鑫男、谷广研究生, 中山大学张荣辉研究员提供初稿) |
| 4.7.2 V2X协同及队列自动驾驶 |
| 4.7.2.1一维队列控制 (清华大学李克强教授、李升波副教授提供初稿) |
| 4.7.2.2二维多车协同控制 (清华大学李力副教授提供初稿) |
| 4.7.3智能汽车的人机共驾技术 (武汉理工大学褚端峰副研究员、吴超仲教授、黄珍教授提供初稿) |
| 4.7.3.1国内外研究现状 |
| 4.7.3.2存在的问题 |
| 4.7.3.3热点研究方向 |
| 4.7.3.4研究发展趋势 |
| 5汽车碰撞安全技术 |
| 5.1整车碰撞 (长沙理工大学雷正保教授提供初稿) |
| 5.1.1汽车碰撞相容性 |
| 5.1.1.1国内外研究现状 |
| 5.1.1.2存在的问题 |
| 5.1.1.3重点研究方向 |
| 5.1.1.4展望 |
| 5.1.2汽车偏置碰撞安全性 |
| 5.1.2.1国内外研究现状 |
| 5.1.2.2存在的问题 |
| 5.1.2.3重点研究方向 |
| 5.1.2.4展望 |
| 5.1.3汽车碰撞试验测试技术 |
| 5.1.3.1国内外研究现状 |
| 5.1.3.2存在的问题 |
| 5.1.3.3重点研究方向 |
| 5.1.3.4展望 |
| 5.2乘员保护 (重庆理工大学胡远志教授提供初稿) |
| 5.2.1国内外研究现状 |
| 5.2.2重点研究方向 |
| 5.2.3展望 |
| 5.3行人保护 (同济大学王宏雁教授、余泳利研究生提供初稿) |
| 5.3.1概述 |
| 5.3.2国内外研究现状 |
| 5.3.2.1被动安全技术 |
| 5.3.2.2主动安全技术研究 |
| 5.3.3研究热点 |
| 5.3.3.1事故研究趋势 |
| 5.3.3.2技术发展趋势 |
| 5.3.4存在的问题 |
| 5.3.5小结 |
| 5.4儿童碰撞安全与保护 (湖南大学曹立波教授, 同济大学王宏雁教授、李舒畅研究生提供初稿;曹立波教授统稿) |
| 5.4.1国内外研究现状 |
| 5.4.1.1儿童碰撞安全现状 |
| 5.4.1.2儿童损伤生物力学研究现状 |
| 5.4.1.3车内儿童安全法规和试验方法 |
| 5.4.1.4车外儿童安全法规和试验方法 |
| 5.4.1.5儿童安全防护措施 |
| 5.4.1.6儿童约束系统使用管理与评价 |
| 5.4.2存在的问题 |
| 5.4.3重点研究方向 |
| 5.4.4发展对策和展望 |
| 5.5新能源汽车碰撞安全 (大连理工大学侯文彬教授、侯少强硕士生提供初稿) |
| 5.5.1国内外研究现状 |
| 5.5.1.1新能源汽车碰撞试验 |
| 5.5.1.2高压电安全控制研究 |
| 5.5.1.3新能源汽车车身结构布局研究 |
| 5.5.1.4电池包碰撞安全防护 |
| 5.5.1.5动力电池碰撞安全 |
| 5.5.2热点研究方向 |
| 5.5.3存在的问题 |
| 5.5.4发展对策与展望 |
| 6结语 |
四、自适应网络安全部件模型研究（论文参考文献）
- [1]基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究[D]. 闫斌斌. 北京化工大学, 2021(02)
- [2]遥感卫星自主轨道机动与姿轨耦合系统控制研究[D]. 王国刚. 长春工业大学, 2021(01)
- [3]基于图嵌入自编码的滚动轴承故障诊断方法研究[D]. 赵孝礼. 东南大学, 2021
- [4]基于深度学习的行人再识别算法研究[D]. 王苹宇. 北京邮电大学, 2021(01)
- [5]基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究[D]. 范家铭. 北京交通大学, 2020
- [6]基于自适应巡航的PHEV智能控制系统研究[D]. 朱华. 安徽工业大学, 2020(07)
- [7]嵌入式系统智能控制能力度量与评价模型研究[D]. 罗殊彦. 西北工业大学, 2018(04)
- [8]变循环发动机非线性自适应模型研究[D]. 陆桑炜. 南京航空航天大学, 2019(02)
- [9]智能航空发动机综合优化控制研究[D]. 郑前钢. 南京航空航天大学, 2018(01)
- [10]中国汽车工程学术研究综述·2017[J]. 《中国公路学报》编辑部. 中国公路学报, 2017(06)