文献

J-GLOBAL ID：201802230668506059   整理番号：18A1509456

通常の大型車両のための動的計画法に基づく実時間予測最適歯車シフト戦略【JST・京大機械翻訳】

A Dynamic Programming-Based Real-Time Predictive Optimal Gear Shift Strategy for Conventional Heavy-Duty Vehicles

著者 (4件)： Xu Chu (Penn State University, Mechanical Engineering) ,  Al-Mamun Abdullah (Penn State University, Mechanical Engineering) ,  Geyer Stephen (Volvo Group North America) ,  Fathy Hosam K. (Penn State University, Mechanical Engineering)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ACC  ページ： 5528-5535  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文は,従来の大型車両における歯車シフト軌道最適化のために,来るべき地形と車両速度予測を利用する問題を検討した。本論文は,このような最適化の燃料節約の可能性,特に接続および自動化された大型トラックにおいて動機付けられる。本研究の鍵となる目標は,文献からの既存のオフライングローバル最適化法のそれに近づく燃料節約ポテンシャルを持つ計算的に扱いやすいオンラインシフトアルゴリズムを開発することである。2つの最適化目的,すなわち燃料消費と歯車シフト周波数を考慮した。著者らは,既知の車両デューティサイクルに対して,これらの目的の間のパレートトレードオフをオフラインでナビゲートするために動的計画法を用いた。得られた歯車シフト軌跡は,燃料消費最小化が唯一の目的であるパレート限界における瞬間的シフトマップに崩壊する。著者らは,単純で瞬間的なパレート限界シフトマップによって理想的に考えられる歯車シフトのシーケンスを与えられた,来るべきパレート最適ギヤシフト決定を防ぐニューラルネットワークを構築した。このニューラルネットワークを都市,郊外,および高速道路駆動サイクルの混合を用いて訓練した。ニューラルネットワークは,ベンチマークルールベースの歯車シフト戦略と比較して,シミュレーションにおいて0.43%~4.16%まで燃料消費を減少させる。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ニューラルネットワーク ,  ベンチマーク ,  自動化 ,  都市 ,  最適化 ,  *予測 ,  都市郊外 ,  アルゴリズム ,  軌跡 ,  *動的計画法 ,  周波数
準シソーラス用語： Pareto最適 ,  燃料消費量 ,  オンライン ,  オフライン , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： 大型 ,  動的計画法 ,  実時間 ,  予測 ,  歯車 ,  シフト ,  戦略