一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于GSA
‑
PCA
‑
GPR的智能轮胎侧偏角预测方法


[0001]本专利技术涉及一种智能轮胎侧偏角预测方法，尤其涉及一种基于
GSA
‑
PCA
‑
GPR
的智能轮胎侧偏角预测方法，属于车辆控制

。

技术介绍

[0002]几乎所有的车辆控制行为都是通过控制轮胎力完成的，因此准确获取轮胎力是保证车辆拥有良好控制效果的前提
。
受限于技术和成本等原因，轮胎力以及其它轮胎状态一般是通过估算获得
。
更确切的说，当前车辆稳定性控制系统中所需要的车辆状态参数，譬如轮胎力
、
车身侧偏角以及轮胎侧偏刚度等，都是通过车载传感器采集的测量参数
(
譬如横摆角速度
、
车辆纵
/
横向加速度以及轮速等
)
间接估算而来
。
其中估算过程采用的估算方法繁多，譬如滑模观测器
、
卡尔曼滤波器
、
拓展卡尔曼滤波器以及无迹卡尔曼滤波器等
。
上述观测器或多或少都会使用车辆运动学或动力学模型，而这些车辆模型通常使用的都是简化的线性或者是非线性轮胎模型
。
但是，当车辆以极限工况行驶时，这些简化的模型就不能准确的反映出车辆真实的运动行为
。
此外，估算过程还需要车身传感器采集的各类信号，但是当车辆处于极限驾驶工况时，这些传感器本身的信噪比会进一步降低，从而会导致最终估算结果精度下降
。
[0003]智能轮胎技术是将传感器安装在轮胎内部，直接测量轮胎运动过程中的动态参数，并结合机器学习或理论模型实现轮胎关键状态的估算
。
相较于传统轮胎状态估算方法而言，该技术可以获得更精确可靠的轮胎状态参数
。
轮胎侧偏角是轮胎力估算过程中一个不可或缺的参数
。
如果能通过智能轮胎技术直接测量或间接估算出轮胎侧偏角，则可以省略轮胎力估算进程中的方向盘转角传感器以及横摆角速度传感器等车载传感器测量的数据，从而达到简化轮胎力的估算流程
、
提升轮胎力的估算精度和可靠性的目的，特别是极端行驶工况下的轮胎力估算精度和可靠性，有助于提升极限工况车身控制算法的控制性能
。
此外，现有的基于智能轮胎侧偏角估算方法中使用的传感器一般为加速度传感器，总体成本较高
。
同时传感器几乎都是安装在轮胎内衬层中心处，缺少对传感器安装位置的理论分析
。
然而传感器的安装位置势必会影响传感器的信号采集能力，从而影响基于传感器采集数据所建立的轮胎侧偏角预测算法的精度
。
更重要的一点是当前基于智能轮胎技术和机器学习技术的侧偏角预测方法通常无法提供侧偏角预测结果的不确定性，且需要大量的训练数据训练网络
。

技术实现思路

[0004]专利技术目的：本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于
GSA
‑
PCA
‑
GPR
的智能轮胎侧偏角预测方法，考虑了
PVDF
传感器在轮胎内部安装位置的选择，利用较少的数据实现轮胎侧偏角的有效预测，并给出预测结果的不确定性
。
[0005]技术方案：一种基于
GSA
‑
PCA
‑
GPR
的智能轮胎侧偏角预测方法，包括以下步骤：
[0006]S1、
建立智能轮胎有限元模型，确定胎内
PVDF
传感器电压表达方程的自变量以及
以及第
q
个计算特征值点
。
[0026]基于5节点拉格朗日
‑
高斯型计算公式可以求得第一阶和第二阶原点矩的数值，可表达为：
[0027][0028]其中，为输入变量为
VI(i)
时，第
j
个传感器安装位置电压信号的第
jj
个计算特征值对应的原点矩数值，
k
＝1或2，表示第一阶或第二阶原点矩，
w
t
为5节点高斯积分公式权重，
g
为输入变量为
VI(i)
时压电薄膜的输出电压值
。
[0029]以第
j
个传感器安装位置采集的电压信号曲线包含的所有计算特征点的
GSI
的平均值作为该位置最终的
GSI
，记作
M_GSI。
此时，第
j
个安装位置处轮胎侧偏角与
PVDF
传感器输出电压的
M_GSI
可表达为：
[0030][0031]选定
M_GSI
阈值，筛选出符合条件的
p
个安装位置，实现
PVDF
传感器的靶向配置
。
[0032]具体的，步骤
S3
具体为：
[0033]以步骤
S2
中独立变量的取值范围为标准制定
c
组数据采集测试工况，并提取步骤
S2
中提到的计算特征值作为输入特征值，此时采集的输入数据集
Data_total
可表示为
:
[0034]Data_total
＝
{(vcc
i
,
α
i
)|i
＝
1,2,L,c}
＝
(VCC,
α
)
[0035]其中，是
q
×
p
维输入向量，即每做一组测试工况采集的所有
PVDF
传感器的计算特征值，
VCC
＝
[vcc1,vcc2,L,vcc
c
]是
c
×
qp(qp
＝
q
×
p)
维输入特征矩阵，是输出向量，即每种测试工况测量的轮胎侧偏角，
α
＝
[
α1,
α2,L,
α
c
]是侧偏角输出矩阵
。
[0036]采用
PCA
方法对输入特征矩阵
VCC
进行降维处理，首先采用
Z
‑
score
方法对
VCC
进行去中心化得到输入矩阵
Z
，去中心化的表达式为：
[0037][0038][0039]其中
VCC
ij
代表输入特征矩阵
VCC
中第
i
行第
j
列的数据，
Z
ij
为去中心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
GSA
‑
PCA
‑
GPR
的智能轮胎侧偏角预测方法，包括以下步骤：
S1、
建立智能轮胎有限元模型，确定胎内
PVDF
传感器电压表达方程的自变量以及灵敏度指标计算仿真方案；
S2、
选定计算特征值，计算单个轮胎节距横向方向上所有传感器安装位置对应的全局灵敏度指标，并选定阈值以确定
PVDF
传感器的安装位置；
S3、
采集测试工况下
PVDF
传感器电压信号
、
选取输入特征值，并进行
PCA
降维和归一化处理形成训练集和测试集；
S4、
根据步骤
S3
中得到的训练集和测试集中的数据特征选择均值函数和协方差函数以得到
GPR
模型，并训练模型得到最优超参数；
S5、
根据联合先验的定义，结合步骤
S3
得到的训练数据和测试数据集建立联合先验分布；
S6、
基于步骤
S5
得到的联合先验分布计算侧偏角预测值的后验分布，并将步骤
S4
得到的超参数代入得到归一化的轮胎侧偏角预测值后进行反归一化
。2.
根据权利要求书1所述的基于
GSA
‑
PCA
‑
GPR
的智能轮胎侧偏角预测方法，其特征在于，步骤
S1
具体包括以下步骤：
S1
‑
1、
基于
INP
文件融合法建立智能轮胎有限元模型；
S1
‑
2、
基于信号响应分析确定
PVDF
传感器电压方程自变量及其取值范围；
V
PVDF
＝
f(VI1,VI2,
…
,VIn)
其中，
V
PVDF
为安装在内衬层上的
PVDF
传感器输出电压值，
f
为电压表达方程，
VI1
为轮胎侧偏角，
(VI2
，
…
，
VIn)
为剩下的电压方程的
n
‑1个独立变量；根据日常行驶工况确定各独立变量的取值范围，并基于降维全局灵敏度计算理论确定灵敏度指标计算的通用仿真方案
T
，写作：其中代表了各独立变量在其取值范围内的均值；
S1
‑
3、
基于降维全局灵敏度计算理论和5节点型高斯数值积分公式确定灵敏度指标计算仿真方案，采用的5节点型高斯数值积分公式如下：其中
a、b
表示独立变量
VI(i)
取值的上限值和下限值，
z
t
(t
＝
1,2,3,4,5)
为5节点高斯积分公式节点值
。3.
根据权利要求书1所述的基于
GSA
‑
PCA
‑
GPR
的智能轮胎侧偏角预测方法，其特征在于，步骤
S2
具体包括以下步骤：
S2
‑
1、
以
PVDF
电压信号两波谷值区域选取
q
个特定位置的电压值作为
GSI
计算特征值；此时，第
j
个传感器安装位置处
PVDF
传感器电压曲线的计算特征值矩阵
VC
j
可表示为：
其中，和表示第
j
个传感器安装位置处
PVDF
传感器电压曲线的第
1、
第2以及第
q
个计算特征值点；
S2
‑
2、
采用5节点拉格朗日
‑
高斯型计算公式计算各特征值点一阶
、
二阶原点矩，5节点拉格朗日
‑
高斯型计算公式如下：其中，为输入变量为
VI(i)
时，第
j
个传感器安装位置电压信号的第
jj
个计算特征值对应的原点矩数值，
k
＝1或2，表示第一阶或第二阶原点矩，
w
t
为5节点高斯积分公式权重，
g
为输入变量为
VI(i)
时压电薄膜的输出电压值；
S2
‑
3、
以第
j
个传感器安装位置采集的电压信号曲线包含的所有计算特征点的
GSI
的平均值作为该位置最终的
GSI
，记作
M_GSI
；此时，第
j
个安装位置处轮胎侧偏角与
PVDF
传感器输出电压的
M_GSI
可表达为：选定
M_GSI
阈值，筛选出符合条件的
p
个安装位置，实现
PVDF
传感器的靶向配置
。4.
根据权利要求书1所述的基于
GSA
‑
PCA
‑
GPR
的智能轮胎侧偏角预测方法，其特征在于，步骤
S3
具体包括以下步骤：
S3
‑
1、
基于步骤
S1
中确定的自变量的类型
、
取值范围以及步骤
S2
中获得的传感器靶向配置的智能轮胎有限元模型制定训练数据采集工况；
S3
‑
2、
以步骤
S2
中确定的计算特征值作为输入特征值，并从采集的电压曲线中提取这些特征以组成输入特征矩阵，此时采集的输入数据集
Data_total
可表示为
:Data_total
＝
{(vcc
i
,
α
i
)|i
＝
1,2,L,c}
＝
(VCC,
α
)
其中，是
q
×
p
维输入向量，即每做一组测试工况采集的所有
PVDF
传感器的计算特征值，
VCC
＝
[vcc1,vcc2,L,vcc
c
]
是
c
×
qp(qp
＝
q
×
p)
维输入特征矩阵，是输出向量，即每种测试工况测量的轮胎侧偏角，
α
＝
[
α1,
α2,L,
α
c
]
是侧偏角输出矩阵；
S3
‑
3、
采用
PCA
方法对输入特征矩阵
VCC
进行降维处理，采用
Z
‑
score
方法对输入特征矩阵进行去中心化处理得到矩阵
Z
，去中心化的表达式为：，去中心化的表达式为：
其中，
VCC
ij
代表输入特征矩阵
VCC
中第
i
行第
j
列的数据，
Z
ij
为去中心化后的输入矩阵
Z
的第
i
行第
j
列数据；在求得
Z
的基础上求解其相关矩阵
R
，其中，
r
j...

【专利技术属性】
技术研发人员：孙晓强，全振强，蔡英凤，顾甜莉，戴伟烈，陈龙，
申请(专利权)人：江苏大学，
类型：发明
国别省市：