Documents disponibles écrits par cet auteur

Development of a Friction Component Model for Automotive Powertrain System Analysis and Shift Controller Design Based on Parallel-Modulated Neural Network / Cao, M. in Transactions of the ASME . Journal of dynamic systems, measurement, and control, Vol. 127, N° 3 (Septembre 2005) 

Public ISBD [article]  in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 127, N° 3 (Septembre 2005) . - 382-405 p. Titre : Development of a Friction Component Model for Automotive Powertrain System Analysis and Shift Controller Design Based on Parallel-Modulated Neural Network Titre original : Développement d'un Modèle Composant de Frottement pour la Conception des Véhicules à Moteur d'Analyse de Système de Moteur et de Contrôleur de Décalage Basée sur le Réseau Neurologique Parallèle-Modulé Type de document : texte imprimé Auteurs : Cao, M., Auteur ; Wang, K. W., Auteur ; Fujii, Y. ; Tobler, W. E. Article en page(s) : 382-405 p. Note générale : Génie Mécanique Langues : Anglais (eng) Mots-clés : Friction  comportement  Power  train  simulation  Automatic  transmission  Dynamic  modeling  Hybrid  neural  network  Analytical  calibration  Comportement  de  frottement  Simulation  de  moteur  Transmission  automatique  Modelèle  dynamique  Réseau  neurologique  hybride  Calibrage  analytique Index. décimale : 620.1/389 Résumé : In this study, a new hibrid-neural-network-based friction component model is developed for power train (PT) dynamic analysis and controller design. This new model with significantly improved input output scalability over conventional neural network configuration, has the capability to serve as a forward as well as an inverse system model. The structural information of the available physical and empirical correlation is utilized to construct a parallel modulated neural network (PMNN) architecture consisting of small parallel sub-networksreflecting specific mechanisms of the friction component engagement process.The PMNN friction component model isolates the contribution of engagement pressure on engagement torque while identifying the nonlinear characteristics of the pressure-torque correlation. Furthermore, it provides a simple torque formula that scalable with respect to engagement pressure. The network is succesfully trained, tested and analyzed, first using analytical data at the component level and then using experimentan data measured in a transmission system. The PMNN friction component model, together with a comprehensive power train model, is implemented to simulate the shifting process of an automatic transmission (AT) system under various operating conditions. Simulation results demonstrate thatthe PMNN model can be effectively applied as a part of power train system model to accuratly predict transmission shift dynamic. A pressure-profiling scheme using a quadratic polynominal pressure-torque relationship of the PMNN model is developed for transmission shift controller design. The results illustrate that the proposed pressure profiling technique can be applied to a wide range of operating conditions. This study demonstrates the potential of the PMNN architecture as a new dynamic system-modeling concept: It not only outperforms the conventional network modeling techniques in accuracy and numerical efficiency, but also provides a new tool for transmission controller design to improve shift quality. Dans cette étude, un nouveau modèle composant hibrid-neural-réseau-basé de frottement est développé pour l'analyse du moteur (pinte) et la conception dynamiques de contrôleur. Ce nouveau modèle avec l'entrée sensiblement améliorée a produit la configuration conventionnelle de réseau neurologique d'excédent de scalability, a les possibilités à servir d'vers l'avant aussi bien qu'un modèle de système inverse. L'information structurale de la corrélation physique et empirique disponible est utilisée pour construire une architecture modulée par parallèle du réseau neurologique (PMNN) se composant de petits mécanismes spécifiques secondaires-networksreflecting parallèles des isolats composants de modèle de frottement composant de l'enclenchement process.The PMNN de frottement que la contribution de l'enclenchement pressurisent sur le couple d'enclenchement tout en identifiant les caractéristiques non-linéaires de la corrélation de pression-couple. En outre, elle fournit une formule simple de couple ce scalable en ce qui concerne la pression d'enclenchement. Le réseau est succesfully formé, examiné et analysé, d'abord employé des données analytiques au niveau composant et ensuite employé des données experimentan mesurées dans un système de transmission. Le modèle composant de frottement de PMNN, ainsi qu'un modèle complet de moteur, est mis en application pour simuler le processus de décalage d'un système de transmission automatique (À) dans de diverses conditions de fonctionnement. Les résultats de simulation démontrent le modèle du thatthe PMNN peuvent être efficacement appliqués comme une partie de modèle de système de moteur pour prévoir accuratly le décalage de transmission dynamique. Un arrangement deprofilage employant un rapport quadratique de pression-couple de polynominal du modèle de PMNN est développé pour la conception de contrôleur de décalage de transmission. Les résultats illustrent que la pression proposée profilant la technique peut être appliquée à un éventail de conditions de fonctionnement. Cette étude démontre le potentiel de l'architecture de PMNN comme nouveau concept système-modelant dynamique : Elle surpasse non seulement le réseau conventionnel modelant des techniques dans l'exactitude et l'efficacité numérique, mais fournit également un nouvel outil pour la conception de contrôleur de transmission pour améliorer la qualité de décalage. En ligne : caom@utrc.utc.com, kwwang@psu.edu [article] Development of a Friction Component Model for Automotive Powertrain System Analysis and Shift Controller Design Based on Parallel-Modulated Neural Network = Développement d'un Modèle Composant de Frottement pour la Conception des Véhicules à Moteur d'Analyse de Système de Moteur et de Contrôleur de Décalage Basée sur le Réseau Neurologique Parallèle-Modulé [texte imprimé] / Cao, M., Auteur ; Wang, K. W., Auteur ; Fujii, Y. ; Tobler, W. E. . - 382-405 p. Génie Mécanique Langues : Anglais (eng) in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 127, N° 3 (Septembre 2005) . - 382-405 p. Mots-clés : Friction  comportement  Power  train  simulation  Automatic  transmission  Dynamic  modeling  Hybrid  neural  network  Analytical  calibration  Comportement  de  frottement  Simulation  de  moteur  Transmission  automatique  Modelèle  dynamique  Réseau  neurologique  hybride  Calibrage  analytique Index. décimale : 620.1/389 Résumé : In this study, a new hibrid-neural-network-based friction component model is developed for power train (PT) dynamic analysis and controller design. This new model with significantly improved input output scalability over conventional neural network configuration, has the capability to serve as a forward as well as an inverse system model. The structural information of the available physical and empirical correlation is utilized to construct a parallel modulated neural network (PMNN) architecture consisting of small parallel sub-networksreflecting specific mechanisms of the friction component engagement process.The PMNN friction component model isolates the contribution of engagement pressure on engagement torque while identifying the nonlinear characteristics of the pressure-torque correlation. Furthermore, it provides a simple torque formula that scalable with respect to engagement pressure. The network is succesfully trained, tested and analyzed, first using analytical data at the component level and then using experimentan data measured in a transmission system. The PMNN friction component model, together with a comprehensive power train model, is implemented to simulate the shifting process of an automatic transmission (AT) system under various operating conditions. Simulation results demonstrate thatthe PMNN model can be effectively applied as a part of power train system model to accuratly predict transmission shift dynamic. A pressure-profiling scheme using a quadratic polynominal pressure-torque relationship of the PMNN model is developed for transmission shift controller design. The results illustrate that the proposed pressure profiling technique can be applied to a wide range of operating conditions. This study demonstrates the potential of the PMNN architecture as a new dynamic system-modeling concept: It not only outperforms the conventional network modeling techniques in accuracy and numerical efficiency, but also provides a new tool for transmission controller design to improve shift quality. Dans cette étude, un nouveau modèle composant hibrid-neural-réseau-basé de frottement est développé pour l'analyse du moteur (pinte) et la conception dynamiques de contrôleur. Ce nouveau modèle avec l'entrée sensiblement améliorée a produit la configuration conventionnelle de réseau neurologique d'excédent de scalability, a les possibilités à servir d'vers l'avant aussi bien qu'un modèle de système inverse. L'information structurale de la corrélation physique et empirique disponible est utilisée pour construire une architecture modulée par parallèle du réseau neurologique (PMNN) se composant de petits mécanismes spécifiques secondaires-networksreflecting parallèles des isolats composants de modèle de frottement composant de l'enclenchement process.The PMNN de frottement que la contribution de l'enclenchement pressurisent sur le couple d'enclenchement tout en identifiant les caractéristiques non-linéaires de la corrélation de pression-couple. En outre, elle fournit une formule simple de couple ce scalable en ce qui concerne la pression d'enclenchement. Le réseau est succesfully formé, examiné et analysé, d'abord employé des données analytiques au niveau composant et ensuite employé des données experimentan mesurées dans un système de transmission. Le modèle composant de frottement de PMNN, ainsi qu'un modèle complet de moteur, est mis en application pour simuler le processus de décalage d'un système de transmission automatique (À) dans de diverses conditions de fonctionnement. Les résultats de simulation démontrent le modèle du thatthe PMNN peuvent être efficacement appliqués comme une partie de modèle de système de moteur pour prévoir accuratly le décalage de transmission dynamique. Un arrangement deprofilage employant un rapport quadratique de pression-couple de polynominal du modèle de PMNN est développé pour la conception de contrôleur de décalage de transmission. Les résultats illustrent que la pression proposée profilant la technique peut être appliquée à un éventail de conditions de fonctionnement. Cette étude démontre le potentiel de l'architecture de PMNN comme nouveau concept système-modelant dynamique : Elle surpasse non seulement le réseau conventionnel modelant des techniques dans l'exactitude et l'efficacité numérique, mais fournit également un nouvel outil pour la conception de contrôleur de transmission pour améliorer la qualité de décalage. En ligne : caom@utrc.utc.com, kwwang@psu.edu

Experimental Characterization and Gray-Box Modeling of Spool-Type Automotive Variable-Force-Solenoid Valves with Circular Flow Ports and Notches / Cao, M. in Transactions of the ASME . Journal of dynamic systems, measurement, and control, Vol. 128 N° 3 (Septembre 2006) 

Public ISBD [article]  in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 128 N° 3 (Septembre 2006) . - 636-654 p. Titre : Experimental Characterization and Gray-Box Modeling of Spool-Type Automotive Variable-Force-Solenoid Valves with Circular Flow Ports and Notches Titre original : Modèle Expérimental de Caractérisation et de Boîte Grise du Bobine-Type Valves des Véhicules à Moteur de Variable-Force-Solénoïde avec les Ports et les Entailles Circulaires d'Ecoulement Type de document : texte imprimé Auteurs : Cao, M., Auteur ; Pietron, G. M. ; Tobler, W. E. ; Fujii, Y. ; DeVries, L. ; Wang, K. W., Auteur Article en page(s) : 636-654 p. Note générale : Génie Mécanique Langues : Anglais (eng) Mots-clés : Spool  valve  Fluid  control  systems  Dischargecohéficient  Jet  angle  Variable  force  solenoid  (VFS)  Gray  box  Nondimensional  artificial  neural  network  (NDANN) Résumé : In automatic transmission design, electronic control techniques have been adopted through proportional variable-force-solenoid valves, which typically consist of spool-type valves (Christenson, W. A., 2000, SAE Technical Paper Series, 2000-01-0116). This paper presents an experimental investigation and neural network modeling of the fluid force and flow rate for a spool-type hydraulic valve with symmetrically distributed circular ports. Through extensive data analysis, general trends of fluid force and flow rate are derived as functions of pressure drop and valve opening. To further reveal the insights of the spool valve fluid field, equivalent jet angle and discharge coefficient are calculated from the measurements, based on the lumped parameter models. By incorporating physical knowledge with nondimensional artificial neural networks (NDANN), gray-box NDANN-based hydraulic valve system models are also developed through the use of equivalent jet angle and discharge coefficient. The gray-box NDANN models calculate fluid force and flow rate as well as the intermediate variables with useful design implications. The network training and testing demonstrate that the gray-box NDANN fluid field estimators can accurately capture the relationship between the key geometry parameters and discharge coefficient/jet angle. The gray-box NDANN maintains the nondimensional network configuration, and thus possesses good scalability with respect to the geometry parameters and key operating conditions. All of these features make the gray-box NDANN fluid field estimator a valuable tool for hydraulic system design. Dans la conception de transmission automatique, des techniques de commande électronique ont été adoptées par les valves proportionnelles de variable-force-solénoïde, qui se composent typiquement des valves à bobine (Christenson, W. A., 2000, Série D'Exposé Technique de SAE, 2000-01-0116). Cet article présente modeler de recherche expérimentale et de réseau neurologique de la force et du débit liquides pour une valve hydraulique à bobine avec les ports circulaires symétriquement distribués. Par l'analyse de données étendue, des tendances générales de la force et du débit liquides sont dérivées comme fonctions de chute de pression et d'ouverture de valve. Pour indiquer plus loin les perspicacités du gisement liquide de valve de bobine, l'équivalent voyagent en jet l'angle et le coefficient de décharge sont calculés à partir des mesures, basées sur lumped des modèles de paramètre. En incorporant la connaissance physique avec les réseaux neurologiques artificiels de nondimensional (NDANN), des modèles de système hydrauliques NDANN-basés parboîte de valve sont également développés par l'utilisation de l'équivalent voyagent en jet l'angle et déchargent le coefficient. Les modèles de la gris-boîte NDANN calculent la force et le débit liquides aussi bien que les variables intermédiaires avec des implications utiles de conception. La formation de réseau et l'essai démontrent que les estimateurs liquides de gisement de la gris-boîte NDANN peuvent exactement capturer le rapport entre les paramètres principaux de la géométrie et décharger l'angle de coefficient/voyager en jet. La gris-boîte NDANN maintient la configuration de réseau de nondimensional, et possède ainsi le bon scalability en ce qui concerne les paramètres de la géométrie et les conditions de fonctionnement principales. Tous ces dispositifs font à la gris-boîte NDANN l'estimateur liquide de champ un outil valable pour le circuit hydraulique concevoir. En ligne : caom@utrc.utc.com, kwwang@psu.edu [article] Experimental Characterization and Gray-Box Modeling of Spool-Type Automotive Variable-Force-Solenoid Valves with Circular Flow Ports and Notches = Modèle Expérimental de Caractérisation et de Boîte Grise du Bobine-Type Valves des Véhicules à Moteur de Variable-Force-Solénoïde avec les Ports et les Entailles Circulaires d'Ecoulement [texte imprimé] / Cao, M., Auteur ; Pietron, G. M. ; Tobler, W. E. ; Fujii, Y. ; DeVries, L. ; Wang, K. W., Auteur . - 636-654 p. Génie Mécanique Langues : Anglais (eng) in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 128 N° 3 (Septembre 2006) . - 636-654 p. Mots-clés : Spool  valve  Fluid  control  systems  Dischargecohéficient  Jet  angle  Variable  force  solenoid  (VFS)  Gray  box  Nondimensional  artificial  neural  network  (NDANN) Résumé : In automatic transmission design, electronic control techniques have been adopted through proportional variable-force-solenoid valves, which typically consist of spool-type valves (Christenson, W. A., 2000, SAE Technical Paper Series, 2000-01-0116). This paper presents an experimental investigation and neural network modeling of the fluid force and flow rate for a spool-type hydraulic valve with symmetrically distributed circular ports. Through extensive data analysis, general trends of fluid force and flow rate are derived as functions of pressure drop and valve opening. To further reveal the insights of the spool valve fluid field, equivalent jet angle and discharge coefficient are calculated from the measurements, based on the lumped parameter models. By incorporating physical knowledge with nondimensional artificial neural networks (NDANN), gray-box NDANN-based hydraulic valve system models are also developed through the use of equivalent jet angle and discharge coefficient. The gray-box NDANN models calculate fluid force and flow rate as well as the intermediate variables with useful design implications. The network training and testing demonstrate that the gray-box NDANN fluid field estimators can accurately capture the relationship between the key geometry parameters and discharge coefficient/jet angle. The gray-box NDANN maintains the nondimensional network configuration, and thus possesses good scalability with respect to the geometry parameters and key operating conditions. All of these features make the gray-box NDANN fluid field estimator a valuable tool for hydraulic system design. Dans la conception de transmission automatique, des techniques de commande électronique ont été adoptées par les valves proportionnelles de variable-force-solénoïde, qui se composent typiquement des valves à bobine (Christenson, W. A., 2000, Série D'Exposé Technique de SAE, 2000-01-0116). Cet article présente modeler de recherche expérimentale et de réseau neurologique de la force et du débit liquides pour une valve hydraulique à bobine avec les ports circulaires symétriquement distribués. Par l'analyse de données étendue, des tendances générales de la force et du débit liquides sont dérivées comme fonctions de chute de pression et d'ouverture de valve. Pour indiquer plus loin les perspicacités du gisement liquide de valve de bobine, l'équivalent voyagent en jet l'angle et le coefficient de décharge sont calculés à partir des mesures, basées sur lumped des modèles de paramètre. En incorporant la connaissance physique avec les réseaux neurologiques artificiels de nondimensional (NDANN), des modèles de système hydrauliques NDANN-basés parboîte de valve sont également développés par l'utilisation de l'équivalent voyagent en jet l'angle et déchargent le coefficient. Les modèles de la gris-boîte NDANN calculent la force et le débit liquides aussi bien que les variables intermédiaires avec des implications utiles de conception. La formation de réseau et l'essai démontrent que les estimateurs liquides de gisement de la gris-boîte NDANN peuvent exactement capturer le rapport entre les paramètres principaux de la géométrie et décharger l'angle de coefficient/voyager en jet. La gris-boîte NDANN maintient la configuration de réseau de nondimensional, et possède ainsi le bon scalability en ce qui concerne les paramètres de la géométrie et les conditions de fonctionnement principales. Tous ces dispositifs font à la gris-boîte NDANN l'estimateur liquide de champ un outil valable pour le circuit hydraulique concevoir. En ligne : caom@utrc.utc.com, kwwang@psu.edu

A Hybrid Neural Network Approach for the Development of Friction Component Dynamic Model / Cao, M. in Transactions of the ASME . Journal of dynamic systems, measurement, and control, Vol. 126 N° 1 (Mars 2004)

Public ISBD [article]  in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 126 N° 1 (Mars 2004) . - 144-153 p. Titre : A Hybrid Neural Network Approach for the Development of Friction Component Dynamic Model Titre original : Une Approche Hybride de Réseau Neurologique pour le Développement du Modèle Dynamique Composant de Frottement Type de document : texte imprimé Auteurs : Cao, M., Auteur ; Wang, K. W., Auteur ; Fujii, Y. ; Tobler, W. E. Article en page(s) : 144-153 p. Note générale : Génie Mécanique Langues : Anglais (eng) Mots-clés : Réseau  neurologique  hybride  Comportement  d'enclenchement  Frottement  de  transmission  de  véhicule  Modèle  conventionnel Index. décimale : 629.8 Résumé : In this research, a new hybrid neural network is developed to model engagement behaviors of automotive transmission wet friction component. Utilizing known first principles on the physics of engagement, special modules are created to estimate viscous torque and asperity contact torque as preprocessors to a two-layer neural network. Inside these modules, all the physical parameters are represented by neurons with various activation functions derived from first principles. These new features contribute to the improved performance and trainability over a conventional two-layer network model. Both the hybrid and conventional neural net models are trained and tested with experimental data collected from an SAE#2 test stand. The results show that the performance of the hybrid model is much superior to that of the conventional model. It successfully captures detailed characteristics of the friction component engagement torque as a function of time over a wide operating range. Dans cette recherche, un nouveau réseau neurologique hybride est développé pour modeler des comportements d'enclenchement de composant humide de frottement de transmission des véhicules à moteur. Utilisant les premiers principes connus sur la physique de l'enclenchement, des modules spéciaux sont créés pour estimer le couple visqueux de contact de couple et d'aspérité comme préprocesseurs à un réseau neurologique de deux-couche. À l'intérieur de ces modules, tous paramètres physiques sont représentés par des neurones avec de diverses fonctions d'activation dérivées des premiers principes. Ces nouveaux dispositifs contribuent à l'exécution et au trainability améliorés au-dessus d'un modèle conventionnel de réseau de deux-couche. Les modèles nets neuraux hybrides et conventionnels sont formés et examinés avec des données expérimentales rassemblées d'un banc d'essai SAE#2. Les résultats prouvent que l'exécution du modèle hybride est beaucoup supérieure à celle du modèle conventionnel. Elle capture avec succès des caractéristiques détaillées du couple composant d'enclenchement de frottement en fonction du temps sur une plage large de fonctionnement. [article] A Hybrid Neural Network Approach for the Development of Friction Component Dynamic Model = Une Approche Hybride de Réseau Neurologique pour le Développement du Modèle Dynamique Composant de Frottement [texte imprimé] / Cao, M., Auteur ; Wang, K. W., Auteur ; Fujii, Y. ; Tobler, W. E. . - 144-153 p. Génie Mécanique Langues : Anglais (eng) in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 126 N° 1 (Mars 2004) . - 144-153 p. Mots-clés : Réseau  neurologique  hybride  Comportement  d'enclenchement  Frottement  de  transmission  de  véhicule  Modèle  conventionnel Index. décimale : 629.8 Résumé : In this research, a new hybrid neural network is developed to model engagement behaviors of automotive transmission wet friction component. Utilizing known first principles on the physics of engagement, special modules are created to estimate viscous torque and asperity contact torque as preprocessors to a two-layer neural network. Inside these modules, all the physical parameters are represented by neurons with various activation functions derived from first principles. These new features contribute to the improved performance and trainability over a conventional two-layer network model. Both the hybrid and conventional neural net models are trained and tested with experimental data collected from an SAE#2 test stand. The results show that the performance of the hybrid model is much superior to that of the conventional model. It successfully captures detailed characteristics of the friction component engagement torque as a function of time over a wide operating range. Dans cette recherche, un nouveau réseau neurologique hybride est développé pour modeler des comportements d'enclenchement de composant humide de frottement de transmission des véhicules à moteur. Utilisant les premiers principes connus sur la physique de l'enclenchement, des modules spéciaux sont créés pour estimer le couple visqueux de contact de couple et d'aspérité comme préprocesseurs à un réseau neurologique de deux-couche. À l'intérieur de ces modules, tous paramètres physiques sont représentés par des neurones avec de diverses fonctions d'activation dérivées des premiers principes. Ces nouveaux dispositifs contribuent à l'exécution et au trainability améliorés au-dessus d'un modèle conventionnel de réseau de deux-couche. Les modèles nets neuraux hybrides et conventionnels sont formés et examinés avec des données expérimentales rassemblées d'un banc d'essai SAE#2. Les résultats prouvent que l'exécution du modèle hybride est beaucoup supérieure à celle du modèle conventionnel. Elle capture avec succès des caractéristiques détaillées du couple composant d'enclenchement de frottement en fonction du temps sur une plage large de fonctionnement.