一种基于神经网络的轮胎力在线估计方法技术

本发明专利技术公开了一种基于神经网络的轮胎力在线估计方法，其输入为各个轮胎的垂向载荷、车轮侧偏角、纵向滑移率和前后车轮转角，对应的每组输入数据的标签为车身状态信息纵向加速度、侧向加速度和横摆角加速度，输出信号为算法估计的各个车轮纵向力和侧向力，采用四个神经网络并联结构和梯度下降算法实现各个车轮轮胎力的在线估计。本发明专利技术设计的方法实现了车轮受力的实时监测，不仅避免了使用价格昂贵的车轮传感器，而且避免了获取车轮模型所需的复杂试验，设计的算法结果准确有效，对车辆主动安全有积极推动作用。

【技术实现步骤摘要】
一种基于神经网络的轮胎力在线估计方法
本专利技术涉及一种基于神经网络的轮胎力在线估计方法，属于车辆状态估计

技术介绍
传统车辆状态信息特别是轮胎纵横向受力情况，都是通过传感器测量或是通过大量实验建模在通过车辆其他信息计算得来，传感器不仅容易受到外部环境干扰，且价格昂贵；实验建模方法获取车轮受力情况耗时费力，成本高，且模型一旦建立无法改变，不符合实际车辆运行中车轮模型会发生变化的特点，实时性差。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于神经网络的轮胎力在线估计方法，采用四个神经网络并联结构和梯度下降算法实现各个车轮轮胎力的在线估计，实现了车轮受力的实时监测，不仅避免了使用价格昂贵的车轮传感器，而且避免了获取车轮模型所需的复杂试验。本专利技术为解决上述技术问题采用以下技术方案：一种基于神经网络的轮胎力在线估计方法，采用四个神经网络并联结构实现各个车轮轮胎力的在线估计，所述车轮轮胎力包括纵向力和侧向力，k时刻四个神经网络并联结构的输入为车轮的垂向载荷、侧偏角以及纵向滑移率，k时刻输入数据对应的标签为车身状态信息，包括纵向加速度、侧向加速度以及横摆角加速度，k时刻四个神经网络并联结构的输出为各个车轮的轮胎力；每个神经网络依次包括输入层、模糊层、输出层，且为3-6-2结构的网络，其中：输入层与四个神经网络并联结构的输入相连接，具体为：其中，分别表示神经网络第1层第a个节点的输入、输出；表示神经网络第1层第a个节点的激活函数；为x(0)中的元素，x(0)表示四个神经网络并联结构的输入，x(0)＝[Fzij,αi,sij]T；Fzij、αi、sij分别为车轮的垂向载荷、侧偏角、纵向滑移率；模糊层采用高斯基函数作为激活函数，具体为：其中，分别表示神经网络第2层第b个节点的输入、输出；表示神经网络第2层第b个节点的激活函数；x(1)表示神经网络第1层的输出；cb为神经网络第2层第b个节点高斯基函数的均值，cb∈N3×1；σb为神经网络第2层第b个节点高斯基函数的标准差；输出层通过与模糊层的加权连接输出车轮的轮胎力，具体为：其中，分别表示神经网络第3层第c个节点的输入、输出；表示神经网络第3层第c个节点的激活函数；wbc表示第2层网络第b个节点与第3层网络第c个节点之间的连接权值。作为本专利技术的一种优选方案，所述wbc、cb和σb在k时刻的更新方法为：增加车轮的轮胎力到车身状态信息的转移矩阵G，将轮胎力转换为车身状态信息，实际的车身状态信息通过传感器获取，估计的轮胎力记为其中，xfr_le(3),xfr_ri(3)分别表示神经网络输出的前轴左、右轮的轮胎力，xre_le(3),xre_ri(3)分别表示神经网络输出的后轴左、右轮的轮胎力，ax、ay、分别表示纵向加速度、侧向加速度和横摆角加速度；估计的轮胎力与估计的车身状态信息ye的关系为：其中，表示估计的车身状态信息，G为车轮受力到车身状态信息的转移矩阵；定义k时刻神经网络的误差ebody(k)和损失函数E：ebody(k)＝y(k)-ye(k)其中，下标_i表示对应向量的第i个元素；计算损失函数E对wbc、cb或σb的偏导：其中，b＝1,2...6；c＝1,2；i＝1,2...3；表示向量中与左前轮相关的元素的第c个元素；下标_1_2表示选取向量中的第1至第2个元素组成列向量；下标_b表示向量的第b个元素；下标_c表示向量的第c个元素；x(1)、x(2)表示神经网络第1、2层的输出，表示x(1)的第i个元素；表示神经网络第2层第b个节点的输入；W表示连接权值矩阵；cb为神经网络第2层第b个节点高斯基函数的均值，是一个向量，cbi为向量cb中的第i个元素，cb∈N3×1；σb为神经网络第2层第b个节点高斯基函数的标准差；根据梯度下降法得到：其中，wbc(k)、wbc(k-1)、wbc(k-2)分别为k、k-1、k-2时刻的wbc；cbi(k)、cbi(k-1)、cbi(k-2)分别为k、k-1、k-2时刻的cbi；σb(k)、σb(k-1)、σb(k-2)分别为k、k-1、k-2时刻的σb；ηw,ηc,ησ均为学习率，εw,εc,εσ均为动量因子，且ηw,ηc,ησ∈[0,1]，εw,εc,εσ∈[0,1]。作为本专利技术的一种优选方案，所述车轮受力到车身状态信息的转移矩阵G为：G＝Q-1ΓQ＝diag(M,M,Iz)其中，M为车辆重量，Iz为车辆绕z轴转动惯量；δfr、δre分别为前轴、后轴车轮转角，dfr、dre分别为前轴、后轴的轮距，lfr、lre分别为车辆质心到前轴、后轴的距离。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术实现了车轮受力的实时监测，不仅避免了使用价格昂贵的车轮传感器，而且避免了获取车轮模型所需的复杂试验，设计的算法结果准确有效，对车辆主动安全有积极推动作用。附图说明图1是本专利技术基于神经网络的轮胎力在线估计方法的流程图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。如图1所示，为本专利技术基于神经网络的轮胎力在线估计方法的流程图，其输入为各个轮胎的垂向载荷Fzfr_le、Fzfr_ri、Fzre_le、Fzre_ri，车轮侧偏角αfr、αre，纵向滑移率sfr_le、sfr_ri、sre_le、sre_ri和前后车轮转角δfr、δre，fr表示前轴front、re表示后轴rear、le表示车轮左侧left、ri表示车轮右侧right，对应的每组输入数据的标签为车身状态信息纵向加速度ax、侧向加速度ay和横摆角加速度输出信号为算法估计的各个车轮纵向力和侧向力，采用四个神经网并联络结构和梯度下降算法实现各个车轮轮胎力的在线估计。神经网络中第q层第p个节点的输入与输出为和为第q层中第p个节点的激活函数。单个神经网络为3-6-2结构的网络，第一层为输入信号，该层节点直接与的输入向量x(0)＝[Fz,α,s]T连接：神经网络第二层为模糊层，并采用高斯基函数作为激活函数：其中，cb和σb分别为设计的高斯函数的均值和标准差；第三层直接为输出层，通过与模糊化层的加权连接输出轮胎纵横向力：上述并联神经网络权值更新方法为：单次实现四个车轮轮胎力的预测后，增加轮胎力到车身运动状态的映射模块G，将轮胎力转换为车身状态，实际车身的状态信息通过传感器获取，四个车轮的预测轮胎力按照左前、右前、左后和右后的顺序排列，记为：其中：xfr_le(3),xfr_ri(3),xre_le(3),xre_ri(3)为对应轮胎的纵横向轮胎力向本文档来自技高网...

【技术保护点】
1.一种基于神经网络的轮胎力在线估计方法，其特征在于，采用四个神经网络并联结构实现各个车轮轮胎力的在线估计，所述车轮轮胎力包括纵向力和侧向力，k时刻四个神经网络并联结构的输入为车轮的垂向载荷、侧偏角以及纵向滑移率，k时刻输入数据对应的标签为车身状态信息，包括纵向加速度、侧向加速度以及横摆角加速度，k时刻四个神经网络并联结构的输出为各个车轮的轮胎力；/n每个神经网络依次包括输入层、模糊层、输出层，且为3-6-2结构的网络，其中：/n输入层与四个神经网络并联结构的输入相连接，具体为：/n

【技术特征摘要】
1.一种基于神经网络的轮胎力在线估计方法，其特征在于，采用四个神经网络并联结构实现各个车轮轮胎力的在线估计，所述车轮轮胎力包括纵向力和侧向力，k时刻四个神经网络并联结构的输入为车轮的垂向载荷、侧偏角以及纵向滑移率，k时刻输入数据对应的标签为车身状态信息，包括纵向加速度、侧向加速度以及横摆角加速度，k时刻四个神经网络并联结构的输出为各个车轮的轮胎力；
每个神经网络依次包括输入层、模糊层、输出层，且为3-6-2结构的网络，其中：
输入层与四个神经网络并联结构的输入相连接，具体为：



其中，分别表示神经网络第1层第a个节点的输入、输出；表示神经网络第1层第a个节点的激活函数；为x(0)中的元素，x(0)表示四个神经网络并联结构的输入，x(0)＝[Fzij,αi,sij]T；Fzij、αi、sij分别为车轮的垂向载荷、侧偏角、纵向滑移率；
模糊层采用高斯基函数作为激活函数，具体为：



其中，分别表示神经网络第2层第b个节点的输入、输出；表示神经网络第2层第b个节点的激活函数；x(1)表示神经网络第1层的输出；cb为神经网络第2层第b个节点高斯基函数的均值，cb∈N3×1；σb为神经网络第2层第b个节点高斯基函数的标准差；
输出层通过与模糊层的加权连接输出车轮的轮胎力，具体为：



其中，分别表示神经网络第3层第c个节点的输入、输出；表示神经网络第3层第c个节点的激活函数；wbc表示第2层网络第b个节点与第3层网络第c个节点之间的连接权值。


2.根据权利要求1所述基于神经网络的轮胎力在线估计方法，其特征在于，所述wbc、cb和σb在k时刻的更新方法为：
增加车轮的轮胎力到车身状态信息的转移矩阵G，将轮胎力转换为车身状态信息，实际的车身状态信息通过传感器获取，估计的轮胎力记为其中，xfr_le(3),xfr_ri(3)分别表示神经网络输出的前轴左、右轮的轮胎力，xre_le(3),xre_ri(3)分别表示神经网络输出的后轴左、右轮的轮胎力，ax、ay、分别表示纵向加速度、侧向...

【专利技术属性】
技术研发人员：王秋伟，赵又群，张陈曦，张桂玉，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32