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