一种基于深度神经网络的汽车稳定性因数预测方法技术

本发明专利技术公开一种基于深度神经网络的汽车稳定性因数预测方法，其特征在于包含以下步骤：采集驾驶员在不同工况下驾驶时的汽车状态参数数据，针对每种工况采集多组汽车状态参数数据，对采集的数据进行预处理，建立汽车稳定性因数估计数据库；设计多层前馈神经网络，神经网络学习算法的训练；对神经网络进行测试，验证神经网络的训练效果是否满足要求。本发明专利技术方法能够保证不同工况下汽车操纵稳定性，用于汽车控制器设计，能够保证控制器在汽车处于不同工况下，均有较好的控制效果。均有较好的控制效果。均有较好的控制效果。

【技术实现步骤摘要】
一种基于深度神经网络的汽车稳定性因数预测方法


[0001]本专利技术属于新能源汽车设计与制造领域，涉及基于深度神经网络技术，是一种估计汽车在不同工况下稳定性因数的方法。

技术介绍

[0002]汽车横向稳定性是指汽车抵抗横向翻车和横向侧滑的能力。汽车自身的横向稳定能力有限，在转向时如果驾驶员出现操作失误，极有可能造成离心力大于横向稳定力，导致汽车侧滑甚至侧翻。汽车横向稳定性是汽车安全性评价的重要标准之一，因此关于保证汽车在不同工况下的横向稳定性研究具有重要意义。
[0003]汽车稳定性因数K是汽车横向稳定性控制中的重要参数，传统汽车横向稳定性控制设计中K值一般为定值，而在实际行驶过程中K值会随具体工况的不同而变化，因此传统汽车横向稳定性控制存在工况自适应性差，缺乏合理性等弊端。但实际情况下，K值影响因素存在复杂、不确定等特性，因此建立数学模型方法拟合效果较差。人工神经网络(Artificial Neural Networks，ANN)系统由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的汽车稳定性因数预测方法，其特征在于包含以下步骤：步骤一、采集驾驶员在不同工况下驾驶时的汽车状态参数数据，针对每种工况采集多组汽车状态参数数据，对采集的数据进行预处理，建立汽车稳定性因数估计数据库；步骤二、设计多层前馈神经网络首先设计网络的层数，然后根据汽车稳定性
‑‑
因数估计数据库中的数据，设计相应输入层节点数，将参数一一对应放入输入向量中；以汽车稳定性因数K作为网络输出，设计隐层的层数和参数数量，并在此基础上确定网络的权值矩阵表示；最后分析各层间信号传递数学关系，写出各层参数传递函数，将网络搭建完成；步骤三、神经网络学习算法的训练利用设计的多层前馈神经网络对汽车稳定性因数数据库中的数据进行训练，在神经网络深度学习过程中利用BP学习算法权值调整公式不断修正各单元权值，使输出结果不断接近汽车稳定性因数期望值K*；步骤四、对神经网络进行测试，验证神经网络的训练效果是否满足要求。2.根据权利要求1所述的一种基于深度神经网络的汽车稳定性因数预测方法，其特征在于，步骤一中，所述汽车状态参数数据包括：车辆前后轮纵向距离、车身质量、车辆纵向速度、车辆横摆角速度、前轮转角。3.根据权利要求1所述的一种基于深度神经网络的汽车稳定性因数预测方法，其特征在于，步骤一中，针对每种工况采集10到100组汽车状态参数数据，采样时间为1s，采样频率为100Hz。4.根据权利要求1所述的一种基于深度神经网络的汽车稳定性因数预测方法，其特征在于，步骤一中，对采集的数据进行预处理包括：A、利用同组汽车状态参数数据计算相应工况下的汽车稳定性因数K，计算公式如下：其中，L表示车辆前后轮纵向距离，v
x
表示车辆纵向速度，δ表示前轮转角，γ表示车辆横摆角速度；B、对每种工况下各组汽车状态参数数据计算得到的汽车稳定性因数组成的集合采用格拉布斯准则法判断其中的异常值，然后用滤波器剔除异常值所对应的一组数据，得到优化后的数据集；C、将优化后的数据集分成训练集、交叉应用集和测试集三组，分别占总数据的70％、20％、10％。5.根据权利要求1所述的一种基于深度神经网络的汽车稳定性因数预测方法，其特征在于，步骤三中，所述汽车稳定性因数期望值按如下公式进行计算：其中，m表示车身质量，l
r
、l
f
分别表示质心到前后轮的纵向距离，c
f
、c
r
分别表示前后轮的侧偏刚度。6.根据权利要求5所述的一种基于深度神经网络的汽车稳定性因数预测方法，其特征
在于，所述前后轮的侧偏刚度c
f
、c
r
通过最小二乘直接法在线估算，具体方法如下：最小二乘法的参数计算公式如下：最小二乘法的参数计算公式如下：其中，φ为样本集合，Φ为被系统辨识的参数集合，λ为遗忘因子，y(k)为观测信号值，首先用原始的n
a
+n
b
组数据组成矩阵和y(k)，得到初始的参数估算值及P(0)，并将该值作为系统初始值，求得P(1)的值；然后，用得到的新的观测数据y(k)的值，求出下一个参数估算值最后再求出下一个P的值P(2)，以此类推，循环进行；根据汽车线性二自由度模型列出其运动微分方程：式中：v
y
——汽车侧向速度，m/s；γ——横摆角速度，rad/s；v
x
——汽车纵向速度，m/s；C
f
,C
r
——前、后轮侧偏刚度，N/rad；L
f
,L
r
——质心距前、后轴距离，m；I——横摆转动惯量，kg
·
m2；m——车身质量，kg；δ——前轮转角，rad；根据式(3)可得出：7.根据权利要求1所述的一种基于深度神经网络的汽车稳定性因数预测方法，其特征在于，所述多层前馈神经网络采用四层前馈神经网络，其设计分为以下几个部分：A.网络组成成分设计网络由输入层，第一层隐层，第二层隐层和输出层组成；输入层输入向量为X...

【专利技术属性】
技术研发人员：任彦君，沈童，殷国栋，周嘉淇，张滨峰，向进禹，张莅茳，王凡勋，冯斌，卢彦博，付琪，张紫涵，
申请(专利权)人：东南大学，
类型：发明
国别省市：