轮胎-路面附着系数在线估算方法及装置制造方法及图纸

本发明专利技术提供了一种轮胎

【技术实现步骤摘要】
轮胎
‑
路面附着系数在线估算方法及装置


[0001]本专利技术涉及车辆控制
，尤其涉及一种轮胎
‑
路面附着系数在线估算方法及装置。

技术介绍

[0002]随着汽车工业的发展，国民汽车保有量持续增加，交通事故也随之增加。道路状况是影响交通安全的重要因素，其中，路面附着系数可用于评估路面的湿滑状况，进而对道路安全进行预警。因此，提高路面附着系数的估算准确性有助于提高车辆运行安全，减少交通事故的发生。
[0003]目前，国内外对于轮胎
‑
路面附着系数的实时估算方法已经进行了大量研究，可以分为experiment
‑
based(基于实验的方法)和model
‑
based(基于模型的方法)两类。其中，
[0004]1)experiment
‑
based方法利用三轴加速度计或应变等传感器来检测轮胎接地印迹区域内的特征信号，进而通过算法建立起特征信号与附着系数的关系。该类方法不仅需要昂贵的传感器，并且当车辆行驶工况超出算法训练数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轮胎
‑
路面附着系数在线估算方法，其特征在于，轮胎内衬层配置有压电薄膜传感器，所述轮胎
‑
路面附着系数在线估算方法包括：获取轮胎气压、轮胎速度、轮胎负载和压电薄膜传感器的电压信号；基于所述压电薄膜传感器的电压信号，使用预先建立的轮胎接地印迹纵向长度数值计算模型得到对应轮胎的接地印迹纵向长度；基于所述压电薄膜传感器的电压信号、轮胎气压和轮胎速度，使用预先建立的第一神经网络模型对轮胎垂向力进行预测，使用预先建立的第二神经网络模型对轮胎侧偏角进行预测，及使用预先建立的第三神经网络模型对轮胎侧向力和回正力矩进行预测；基于所述接地印迹纵向长度、轮胎垂向力、轮胎侧偏角、轮胎侧向力及回正力矩，使用预先建立的刷子轮胎模型，对轮胎
‑
路面附着系数进行预估。2.如权利要求1所述的轮胎
‑
路面附着系数在线估算方法，其特征在于，基于所述压电薄膜传感器的电压信号，根据预先建立的轮胎接地印迹纵向长度数值计算模型得到对应轮胎的接地印迹纵向长度中，建立的轮胎接地印迹纵向长度数值计算模型为：其中，c1为轮胎的接地印迹纵向长度，R
f
为轮胎的自由半径，Δt为轮胎滚过接地印迹需要的时间，t为轮胎滚过一圈所需要的时间。3.如权利要求1所述的轮胎
‑
路面附着系数在线估算方法，其特征在于，基于所述压电薄膜传感器的电压信号、轮胎气压和轮胎速度，使用预先建立的第一神经网络模型对轮胎垂向力进行预测，使用预先建立的第二神经网络模型对轮胎侧偏角进行预测，及使用预先建立的第三神经网络模型对轮胎侧向力和回正力矩进行预测之前，包括创建第一神经网络模型、第二神经网络模型及第三神经网络模型的步骤：确定所述第一神经网络模型、第二神经网络模型及第三神经网络模型的隐藏层数量及激活函数；根据隐藏层节点数、输入层节点数和输出层节点数之间的关系确定隐藏层节点数的范围：其中，n1为隐藏层节点数，n为输入节点的个数，m为输出节点的个数，ψ为1
‑
10的常数；根据所述隐藏层节点数的范围建立第一神经网络模型、第二神经网络模型及第三神经网络模型。4.如权利要求3所述的轮胎
‑
路面附着系数在线估算方法，其特征在于，创建第一神经网络模型、第二神经网络模型及第三神经网络模型之后，还包括训练的步骤：采集轮胎气压、轮胎速度、轮胎负载和压电薄膜传感器的电压信号数据，并将采集到的数据集随机拆分为训练集、验证集和验证集；基于所述训练集、验证集和预先设定的均方误差分别对所述第一神经网络模型、第二神经网络模型及第三神经网络模型进行训练，确定三个神经网络模型的结构及网络参数；针对每个神经网络模型进行训练的过程中包括：依次对包含不同数量隐藏层节点数的神经网络模型进行迭代训练，并记录每次迭代后
的均方误差；比较各次迭代的均方误差，选定均方误差最小值对应的节点数作为隐藏层节点数，并以此确定所述BP神经网络模型的结构及网络参数。5.如权利要求4所述的轮胎
‑
路面附着系数在线估算方法，其特征在于，所述第一神经网络模型、第二神经网络模型及第三神经网络模型中，隐藏层数量均为1，隐藏层节点数分别为10、8和13，隐藏层各节点的激励函数O1
j
、O2
jj
和O3
jjj
分别为：分别为：分别为：其中，O1
j
、O2
jj
和O3
jjj
分别为第j个、第jj个和第jjj个隐藏节点的激励，j＝1，2，...，9，jj＝1，2，...，11，jjj＝1，2，...，13；tansig为隐藏层的传递函数；w1
jl
为第一神经网络模型隐藏层第j个隐藏节点到输出层第l个神经元的权重；w2
jjll
为第二神经网络模型隐藏层第jj个隐藏节点到输出层第ll个神经元的权重；w3
jjjlll
为第三神经网络模型隐藏层第jjj个隐藏节点到输出层第lll个神经元的权重；x1
i
为第一神经网络模型第i个输入参数，i＝1，2，...，6；x2
ii
为第二神经网络模型第ii个输入参数，ii＝1，2，...，4；x3
iii
为第三神经网络模型第iii个输入参数，iii＝1，2，...，16；θ1
j
、θ2
jj
和θ3
jjj
分别为第一神经网络模型、第二神经网络模型及第三神经网络模型的隐藏层第j个、第jj个和第jjj个隐藏节点阈值；I＝1，...，9代表第一神经网络模型相应激励函数的下标编号，II＝1，...，11代表第二神经网络模型相应激励函数的下标编号，III＝1，...，13代表第三神经网络模型相应激励函数的下标编号；第一神经网络模型、第二神经网络模型及第三神经网络模型预测的轮胎垂向力F
z
、轮胎侧偏角α、轮胎侧向力F
y
和回正力矩M
z
分别为：分别为：分别为：其中，purelin函数为输出层的激励函数；w1
ij
为第一神经网络模型第i个隐藏节点到输出层第j个神经元的权值；w2
iijj
为第二神经网络模型第ii个隐藏节点到输出层第jj个神经元的权值；w3
iiijjj
为第三神经网络模型第iii个隐藏节点到输出层第jjj个神经元的权值；θ1
m

【专利技术属性】
技术研发人员：李波，朱芸海，全振强，贝绍轶，过锦飞，汤浩然，顾甜莉，周丹，周鑫烨，高陈诚，朱召鑫，刘国思，王子寒，魏书萌，田劲，胡宏振，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：