Járműdinamikai rendszerek integrált fuzzy-sztochasztikus modellezése és identifikációja = Integrated Modeling and Identification of Vehicle Dynamic Systems

摘要

A kutatómunka a lineáris és a nemlineáris járműdinamikai rendszerek a bizonytalansági tényezőket is figyelembe vevő új típusú modellezési eljárásainak és rendszeridentifikációs algoritmusainak kidolgozásával foglalkozik. A járműdinamikai modellezés metodológiai megközelítése a hagyományos statisztikai rendszeridentifikációs módszerek mellett alkalmazza a különböző lágy számítástudományi megközelítési módokat, így többek között felhasználja a fuzzy logika, fuzzy irányítástechnika algoritmusait, a neurális és fuzzy-neurális hálózatokat, továbbá a szinguláris értékdekompozíció (SVD) módszereit, kapcsolatot teremtve az LPV rendszereken értelmezett Takagi-Sugeno típusú fuzzy irányítási algoritmusok és a magasabb rendű szinguláris érték dekompozíció között. A nemlineáris járműdinamikai rendszerek komplex modellezésénél foglalkozunk a hatékony komplexitás csökkentő technikák kidolgozásával is, fuzzy interpolációs eljárások alkalmazásával, ahol a tömeges adatfeldolgozást multiprocesszoros számítások segítségével végezzük el. A lineáris járműdinamikai modellezés során összehasonlítjuk a szabályalapú fuzzy irányítástechnikai eljárásokkal kapott eredményeket a sztochasztikus identifikációs módszerek becslésével, a transzferfüggvények illetve a transzfermátrixok különböző típusú approximációja alapján. | This research project deals with the construction and development of new models of "uncertain principles" for the description of linear and nonlinear vehicle system dynamics using efficient new stochastic, fuzzy modelling approaches and identification algorythms. The methodological approach of the vehicle dynamics modelling is not only based on the traditional statistical system idetificaion methods, but on those soft computing approaches using among others fuzzy logic and fuzzy control algorythms, neural and fuzzy-neural networks, new singular value decomposition methods, establishing interconnection between Takagi-Sugeno type control models interpreted for LPV systems and higher order singular value decomposition (HOSVD). In the large-scale and complex modelling of the nonlinear vehicle system dynamics efficient complexity reduction techniques and fuzzy interpolative methods will be applied for the realization of the mass-data processing on the basis of multiprocessor computational intelligence. In the linear vehicle dynamic modelling a comparison will be examined between the rulebased fuzzy control approaches and modelling of the well-known modern stochastic identification methods on the basis of different transfer function and transfer matrix approximations.