基于神经网络算法的自适应轮胎建模研究

作者:姜俊昭;梁荣亮;雷斌;郭瑞玲; 刊名:中国汽车 上传者:徐大宇

【摘要】本文依托于轮胎六分力测试数据,基于多层前馈MLP神经网络,建立了轮胎侧偏纵滑不同工况下的自适应轮胎模型。并进一步通过设计结合下山单纯形法与随机值法的混合优化算分进行神经网络模型的超参数调优,得到强化的学习模型。另外利用PAC2002魔术公式进行半经验轮胎模型的建模求解,以此对上述不同形式模型的侧偏力、纵向力及回正力矩结果进行对比分析。发现神经网络算法在处理轮胎六分力的非线性特征方面能力较好,而应用混合优化算法进行超参数调优后则进一步提升了轮胎模型的拟合精度。

全文阅读

0引言轮胎是决定地面车辆行驶状态的关键总成,制动、驱动及转向所需的作用力均来自于地面与轮胎的相互作用。现代轮胎作为复杂的黏弹性系统,具有很强的非线性特性[1]。轮胎动力学模型的建模过程通常很复杂、周期较长,模型拟合精度与所选的模型形式和基函数形式关联性强。其中影响轮胎力学特性的因素很多,如胎压、侧偏刚度、纵向刚度、外倾角、垂向载荷、路面附着系数及摩擦系数、轮胎松弛长度等。依靠六分力试验对其性能的研究只能覆盖有限工况,单纯依靠这种有限的轮胎特性试验结果来评估整车的操纵稳定性是不够准确的。不完备的轮胎模型与精度较差的辨识参数也将导致汽车舒适性/操纵稳定性的仿真评价与实车测试存在较大差异,不利于汽车性能的改善。因此,借助相对有限的试验数据建立准确的轮胎模型,预测全工况及非稳态下的轮胎力学性能表现,作为进行整车性能分析评价的基础尤为重要。发展至今,轮胎动力学的研究从稳态到非稳态,从线性到非线性,模型已经十分丰富。轮胎动力学模型可分为理论模型、经验模型、半经验模型和自适应模型四大类[2]。其中半经验模型作为一种经典模型,由于其较为简洁的表达形式与较好的外推特性,在商业化软件中获得了广泛应用[3]。但其参数辨识效率以及大侧偏纵滑时的拟合精度还有待提高。轮胎自适应模型是在理论和试验数据的基础上,通过模拟生物体的某些结构和功能,针对各种不同输入参数建立起来的对外界环境具有一定自适应能力的智能模型[4]。随着机器学习算法的快速发展,神经网络自适应轮胎模型具备了很高的建模效率与相当可靠的预测精度。本文充分考虑了轮胎六分力模型的非线性特征,利用多层前馈MLP神经网络,将隐藏层中的各单元完全连接到轮胎输入的特征参数。通过设计开展多种不同工况的侧偏与纵滑六分力试验,得到充足的模型训练数据集以及验证数据集。根据设计流程将轮胎六分力测试数据进行训练,从而得到自适应轮胎模型。进一步通过结合下山单纯形法与随机值法的混合优化算分进行超参数调优,得到强化的学习模型。另外利用PAC2002魔术公式进行半经验轮胎模型的建模求解,以此对上述不同模型的侧偏力、纵向力及回正力矩的结果进行对比,对拟合结果与模型进行评价。1神经网络轮胎建模1.1确立输入输出无论是依托传统的理论轮胎模型,经验模型、半经验模型还是利用人工智能算法,建立轮胎模型的首要工作都是明确输入参数与输出参数以初步确立函数关系。根据轮胎力学特性的表现形式,本文主要考虑的输入变量(即特征)为纵向滑移率、侧偏角、垂向载荷以及外倾角,输出变量为对应的侧偏力、回正力矩及纵向力等,如图1所示。1.2试验数据获取利用神经网络算法建立轮胎六分力模型的本质是非线性函数关系拟合,因此确保神经网络模型预测精度的前提是具备大量的训练数据以及验证数据。首先基于上节确认的输入输出变量,设计开展轮胎六分力试验,获得轮胎力学特性数据。其中所用的轮胎型号为225/55R 98v,在胎压230Kpa、 SAE坐标系下开展六分力测试,各工况如表1和表2所示。由上述表格可以看到,垂向载荷设定范围为3000N~7000N,侧偏角范围-12°~12°,纵向滑移率为-30%~30%,外倾角度为-5°~5°,覆盖了常用工况条件。另外侧偏角与滑移率扫描分辨率分别设定为0.1与0.2,充分保证了试验样本数目。根据上述拟定的试验条件利用MTS Flat-Trac CT高速轮胎特性试验台进行六分力试验,如图2所示,最终得到神经网络算法训练及验证所需的试验数据。1.3网络模型选择神经网络的诞生起源于对大脑工作机理的研究,用神经网络节点模拟神经元,用激活函数累加神经元的兴奋与抑制,其基本

参考文献

引证文献

问答

我要提问