-
公开(公告)号：CN115195759B
公开(公告)日：2024-11-22
申请号：CN202210808373.6
申请日：2022-07-11
Applicant: 同济大学
IPC: B60W40/13
Abstract: 本申请公开了一种基于悬架高度传感器的质心位置估计方法，其基于悬架高度传感器的质心位置估计方法包括：通过传感器获取当前所属目标车辆的第一高度变化量；根据所述第一高度变化量及所述第一高度变化量所对应的几何关系，得到第二高度变化量；基于所述第二高度变化量及所述第二高度变化量所对应的作用力关系，得到所述目标车辆的质心位置。本申请解决了配备三个悬架高度传感器的车型无法进行质心位置计算的问题。
-
公开(公告)号：CN118586126A
公开(公告)日：2024-09-03
申请号：CN202410768137.5
申请日：2024-06-14
Applicant: 同济大学
Abstract: 本发明提出了一种应用于传动系统零部件产品设计各阶段的稳健性设计方法，包括以下步骤：步骤1、基于仿真方法，获取关于零部件的关键特性参数‑功能表现参数曲线T1；步骤2、基于T1和EFRT法，获取每个关键特性参数受基本偏差的影响关系图T2；步骤3、基于曲线T1和EFRT图T2，获取基本偏差对于功能表现的影响。本发明以关键特性参数为中间量或桥梁，可有效建立设计‑功能关系的稳健性表现。
-
公开(公告)号：CN118097330A
公开(公告)日：2024-05-28
申请号：CN202410200004.8
申请日：2024-02-23
Applicant: 同济大学
IPC: G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明提出了一种基于改进CycleGAN的路面阴影数据增广方法，包括以下步骤：步骤S100：获取路面数据集，包括无阴影集A和有阴影集B两类，两类数据集均包括训练集train和验证集val；步骤S200：搭建现有的CycleGAN，之后增加纹理自监督机制Losstss以形成改进的CycleGAN，以保留原本图像的纹理信息；步骤S300：设置损失函数和训练参数，之后基于训练集train对步骤S200输出的模型进行训练，最后基于验证集val验证；步骤S400：建立无阴影路面图片的待处理数据集，通过训练好的生成器G_A2B将无阴影数据生成有阴影数据。本发明生成含有阴影的路面数据集，解决了阴影路面缺乏的问题。
-
公开(公告)号：CN111159941B
公开(公告)日：2024-03-22
申请号：CN201911358574.5
申请日：2019-12-25
Applicant: 同济大学
IPC: G06F30/23 , G06F30/17 , G06F30/15 , G01M13/02 , G06F111/10
Abstract: 本发明公开一种用于汽车液力变矩器内流场瞬态数值模拟的方法，对液力变矩器各工作轮全流道划分结构化网格，湍流模型选取两方程#imgabs0#模型，求解参数中单元中心变量梯度的离散方式选择Green‑Gauss Node Based，压力插值格式选择PRESTO，对流项包括动量、湍动能和比耗散率的插值方法均选择一阶迎风格式，采用滑移网格法对液力变矩器内流场进行瞬态数值模拟，通过创建一系列监测点，获取各监测点的压力脉动数据进行时频域分析，定量地捕捉液力变矩器在工作过程中的瞬态特性，为液力变矩器的优化设计提供新的依据。本发明的优点是提高液力变矩器内流场数值模拟的精度和稳定性，更准确地模拟液力变矩器内部的流动状态。
-
公开(公告)号：CN116702040A
公开(公告)日：2023-09-05
申请号：CN202310715381.0
申请日：2023-06-15
Applicant: 同济大学
IPC: G06F18/241 , G06F18/2131 , G06F18/15
Abstract: 本发明公开了一种基于时频域分析的面向NVH辨识的数据集平衡构建方法、装置、终端设备及存储介质，应用于汽车行业的NVH分析诊断，方法包括：采集初步数据集，所述初步数据集基于不同NVH现象发生的工况下的实车数据得到；对采集的初步数据集进行特征提取和打标签，得到标签数据集；结合短时傅里叶变换和希尔伯特‑黄变换对所述标签数据集进行时频域分析，得到正确的时频谱，并基于此时频谱修正标签数据集。本发明减少了人为操作的误差，解决了数据集中各类样本数量不平衡的问题，使得基于该数据集训练出的机器学习模型不会产生性能倾斜问题，有更好的分类辨识性能。
-
Patent Agency Ranking
公开(公告)号：CN115877841A
公开(公告)日：2023-03-31
申请号：CN202211540669.0
申请日：2022-12-02
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明属于无人驾驶技术领域，公开了一种无人矿车的轨迹跟踪控制方法、装置、设备及存储介质。该方法包括：建立无人矿车的轨迹跟踪误差模型，对该模型进行离散化处理，通过设置航向角预瞄距离来对抗执行器延迟，确定预瞄后的航向角误差，以构建目标状态变量，并采用TS模糊模型确定增益系数，根据横向误差和道路曲率确定增益后的Q权重矩阵和R权重矩阵，实现实时变换矩阵，根据Q权重矩阵、R权重矩阵以及离散化的状态空间模型确定最优反馈控制序列，根据最优反馈控制序列和目标状态变量确定目标控制量，根据目标控制量对无人矿车进行控制。通过上述方式，使得无人矿车在轨迹跟踪时提前给出控制量，提升了无人驾驶矿车轨迹跟踪控制的精确性。
-
公开(公告)号：CN114973101A
公开(公告)日：2022-08-30
申请号：CN202210689436.0
申请日：2022-06-17
Applicant: 同济大学
IPC: G06V20/40 , G06V10/426 , G06V10/44 , G01B11/26
Abstract: 本发明公开一种基于机器视觉的离心摆减震器摆块角度的计算方法，基于机器视觉对贴于中心圆盘与摆块上的带有深色填充的圆形作为标记物，采用高速拍摄设备对离心摆减震器转动过程进行拍摄，进行图像预处理、边缘识别、圆形判断、圆心计算，最后得到摆块角度。本发明的优点是非接触式地进行CPVA转动过程中摆块转角的计算，快速便捷地进行角度计算，省去了繁琐传感器的安装，降低了成本。
-
公开(公告)号：CN107092245B
公开(公告)日：2020-11-17
申请号：CN201710402031.3
申请日：2017-06-01
Applicant: 上汽大众汽车有限公司 , 同济大学
IPC: G05B23/02
Abstract: 本发明公开一种汽车动态底盘控制系统硬件在环仿真试验台，在宿主机上基于Matlab/Simulink平台搭建人‑车‑路闭环数字化仿真模型，通过RTW编译模块转化为可执行的C代码，下载到目标机的CPU中，DCC控制器通过I/O数据转换模块与目标机保持通讯，DCC控制器实时采集人‑车‑路闭环数字化模型数据，DCC控制器的输出控制减振器电磁阀，电流采集模块实时采集减振器电磁阀的控制电流信号，并通过I/O数据转换模块反馈给目标机，形成闭环回路；仿真试验台对不同工况和不同模式下的控制效果进行评价，每次仿真结束，给出相应的评价结果。本发明的优点是通过自适应调节四个减振器的阻尼力实现汽车底盘动态控制。
-
公开(公告)号：CN111159941A
公开(公告)日：2020-05-15
申请号：CN201911358574.5
申请日：2019-12-25
Applicant: 同济大学
IPC: G06F30/23 , G06F30/17 , G06F30/15 , G01M13/02 , G06F111/10
Abstract: 本发明公开一种用于汽车液力变矩器内流场瞬态数值模拟的方法，对液力变矩器各工作轮全流道划分结构化网格，湍流模型选取两方程模型，求解参数中单元中心变量梯度的离散方式选择Green-Gauss Node Based，压力插值格式选择PRESTO，对流项包括动量、湍动能和比耗散率的插值方法均选择一阶迎风格式，采用滑移网格法对液力变矩器内流场进行瞬态数值模拟，通过创建一系列监测点，获取各监测点的压力脉动数据进行时频域分析，定量地捕捉液力变矩器在工作过程中的瞬态特性，为液力变矩器的优化设计提供新的依据。本发明的优点是提高液力变矩器内流场数值模拟的精度和稳定性，更准确地模拟液力变矩器内部的流动状态。
-
公开(公告)号：CN107102551A
公开(公告)日：2017-08-29
申请号：CN201710437023.2
申请日：2017-06-12
Applicant: 同济大学
IPC: G05B13/04
CPC classification number: G05B13/042
Abstract: 本发明公开一种基于阻尼力约束的阻尼可调半主动悬架混杂模型预测控制方法，建立半主动悬架混杂系统模型，基于模型预测控制理论，进行半主动悬架混杂系统的有限时域优化控制，并将其转化为包含实值变量和二值变量的混合整数二次规划问题，实现阻尼连续可调半主动悬架的混杂模型预测控制。本发明的优点是解决了舒适性和操稳性的矛盾；解决了半主动悬架优化方法中存在的非线性约束条件；把半主动悬架控制问题转化为有限时域有约束的优化控制问题；有效解决了带有非线性约束的滚动时域优化问题。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.032 seconds)
