【技术实现步骤摘要】
阻尼器控制方法和系统
[0001]本专利技术涉及阻尼器
，特别是涉及阻尼器控制方法和系统。
技术介绍
[0002]根据不同的应用需求，车辆行驶路况可能存在较大的差异。例如，商用车可应用于物流货运、城建渣土、公路运输和工程矿用等场景，其中，用于物流货运的商用车行驶路况相对较好，用于城建渣土和公路运输的商用车多行驶在中间公路但两端路况较差的路面上，而用于工程矿用的商用车多行驶在无铺装且坑洼坡度大的路面，其行驶路况较为恶劣。恶劣的路况会导致车辆驾驶室剧烈振动，严重影响驾驶员的驾驶体验。
[0003]在相关技术中，可采用传感器检测方法对车辆进行减振，由于其鲁棒性差、传感器需求量过多的特点，导致其传感测试系统过于复杂且减振效果一般，无法满足车辆在恶劣路况的驾驶需求。
技术实现思路
[0004]基于此，有必要针对车辆减振效果较差的问题，提供一种阻尼器控制方法和系统，以提高驾驶员的驾驶舒适度。
[0005]本申请实施例提供了一种阻尼器控制方法，所述方法包括：
[0006]获取目标车辆行驶在目标...
【技术保护点】
【技术特征摘要】
1.一种阻尼器控制方法，其特征在于，所述方法包括：获取目标车辆行驶在目标路面的路况图像和行驶数据；根据所述路况图像和所述行驶数据，确定所述目标路面对应的目标路况；根据所述目标路况、所述目标车辆的第一加速度和第二加速度，利用预先训练好的深度神经网络模型确定磁流变阻尼器的目标阻尼力；其中，所述第一加速度方向为垂直于所述目标路面的上下移动方向，所述第二加速度方向为垂直于所述目标路面的横向倾覆方向，所述磁流变阻尼器用于连接所述目标车辆的车架和前轴；根据所述目标阻尼力，控制所述磁流变阻尼器的线圈电流。2.根据权利要求1所述的阻尼器控制方法，其特征在于，所述预先训练好的深度神经网络模型包括第一模型和第二模型，其中，所述根据所述目标路况、所述目标车辆的第一加速度和第二加速度，利用预先训练好的深度神经网络模型确定磁流变阻尼器的目标阻尼力包括：根据所述目标路况和所述目标车辆的第一加速度，利用第一模型确定磁流变阻尼器的第一阻尼力；根据所述目标路况和所述目标车辆的第二加速度，利用第二模型确定所述磁流变阻尼器的第二阻尼力；根据所述第一阻尼力和所述第二阻尼力，确定所述磁流变阻尼器的目标阻尼力。3.根据权利要求2所述的阻尼器控制方法，其特征在于，所述第一模型是通过以下方式训练得到的：获取第一样本，所述第一样本包括车辆行驶在待检测路面的路况、第一加速度和对应磁流变阻尼器的第一阻尼力；利用所述第一样本对预先构建且未训练的深度神经网络模型进行训练，得到所述第一模型。4.根据权利要求2所述的阻尼器控制方法，其特征在于，所述第二模型是通过以下方式训练得到的：获取第二样本，所述第二样本包括车辆行驶在待检测路面的路况、第二加速度和对应磁流变阻尼器的第二阻尼力；利用所述第二样本对预先构建且未训练的深度神经网络模型进行训练，得到所述第二模型。5.根据权利要求2所述的阻尼器控制方法，其特征在于，所述目标阻尼力与所述第一阻尼力、所述第二阻尼力均成正比关系。6.根据权利要求1所述的阻尼器控制方法，其特征在于，所述根据所述目标路况、所述目标车辆的第一加速度和第二加速度前，所述方法还包括：通过第一传感器获取所述目标车辆的第一速度；通过第二传感器获取所述目标车辆的第二速度；其中，所述第一传感器和所述第二传感器对称设置于所述车架的同一侧；根据所述第一速度、所述第二速度、所述第一传感器与对称轴的距离和所述第一传感器的采样时间，确定所述第二加速度；其中，所述第一传感器与所述第二传感器的采样时间相同。
7.根据权利要求1所述的阻尼器控制方法，其特征在于，所述方法还包括：获取所述目标路况对应的路况等级；当所述路况等级高于预设等级时，断开控制所述磁流变阻尼器的线圈电流的通路。8.根据权利要求1所述的阻尼器控制方法，其特征在于，所述根据所述路况图像和所述行驶数据，确定所述目标路面对应的目标路况包括：根据所述路况图像，利用预先训练好的第三模型，获取所述目标路面对应的第一路况；根据所述行驶数据，利用预先训练好的第四模型，获取所述目标路面对应的第二路况；根据所述第一路况和所述第二路况，确定所述目标路面对应的目标路况。9.根据权利要求8所述的阻尼器控制方法，其特征在于，所述第一路况包括分别对应多个不同路况等级的第一概率信息，所述第二路况包括分别对应多个不同路况等级的第二概率信息，所述根据所述第一路况和所述第二路况，确定所述目标路面对应的目标路况包括：分别针对所述第一路况和所述第二路况对应的同一路况等级，获取所述第一概率信息和所述第二概率信息对应所述同一路况等级的概率...
【专利技术属性】
技术研发人员：季文博，曾泽泉，
申请(专利权)人：一汽解放汽车有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。