System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及车辆工程,尤其涉及一种基于仿真训练的智能轮胎纵向力估计方法及装置。
技术介绍
1、车辆底盘控制系统可以在极限行驶工况下,通过调节轮胎纵向力对车辆施加附加横摆力矩,使车辆的横摆角速度以及质心侧偏角等状态参量趋近于期望的稳态值,从而提高车辆的行驶稳定性。因此,对轮胎纵向力的估计,对于底盘控制系统的开发有重要意义。
2、目前,对于轮胎纵向力预测,采用较为广泛的是基于车载传感器以及车辆和轮胎模型进行状态估计的方法。
3、该方法作为一种间接的估计方法,其效果会受到车辆和轮胎模型的精度的影响。相比之下,利用在内衬层上布置有加速度计的智能轮胎信号可以更为直接地反映轮胎与路面之间的相互作用。
4、基于智能轮胎的纵向力估计,通常采用基于数据驱动的方法,即通过大量的台架或实车试验,来建立信号特征与纵向力之间的关系。由于缺少清晰的物理意义,所需的试验量通常很大。
5、因此,如何解决现有智能轮胎纵向力估计方法所需试验量大,且由于无法求解轮胎-路面的纵向滚动接触,导致轮胎纵向力估计精度不高的问题,是车辆工程
亟待解决的重要课题。
技术实现思路
1、本专利技术提供一种基于仿真训练的智能轮胎纵向力估计方法及装置,用以克服现有智能轮胎纵向力估计方法所需试验量大,且由于无法求解轮胎-路面的纵向滚动接触,导致轮胎纵向力估计精度不高的缺陷,以仿真的方式建立纵向力估计模型所需要的训练样本数据集,能够极大地减少所需试验量,降低智能轮胎的开发成本和周期,还能
2、一方面,本专利技术提供一种基于仿真训练的智能轮胎纵向力估计方法,包括:获取智能轮胎径向加速度的时序信号;对所述时序信号进行预处理,得到目标特征量;将所述目标特征量输入至预先训练的纵向力估计模型中,得到智能轮胎纵向力的估计结果;其中,所述纵向力估计模型通过根据训练样本数据集进行训练优化得到,所述训练样本数据集通过改进环模型对不同垂向载荷、滑移率以及行驶速度进行仿真得到,所述改进环模型通过在传统柔性环模型中引入纵向滑移和附着饱和作用构建得到。
3、进一步地,所述训练样本数据集包括多个单一训练样本,所述单一训练样本为智能轮胎信号和轮胎力构成的数据对;所述单一训练样本的获取步骤包括:确定接地节点,以及所述接地节点的设定附着饱和状态;根据所述接地节点的设定附着饱和状态,计算所述接地节点的纵向坐标;根据所述接地节点的纵向坐标,计算位移向量和力向量;根据所述位移向量和力向量,计算所述接地节点的接触应力;根据所述接地节点的接触应力,确定所述接地节点的实际附着饱和状态;在所述接地节点的设定附着饱和状态与实际附着饱和状态相同的情况下,利用所述位移向量和力向量计算所述智能轮胎信号及其对应的轮胎力,并将计算得到的所述智能轮胎信号及其对应的轮胎力作为所述单一训练样本。
4、进一步地,所述接地节点的设定附着饱和状态为未发生附着饱和状态;相应地,所述根据所述接地节点的设定附着饱和状态,计算所述接地节点的纵向坐标,包括:
5、基于刷子轮胎模型,获取智能轮胎进入接地区域后预设时刻的刷毛上端点与刷毛下端点的纵向位移;根据所述刷毛上端点与刷毛下端点的纵向位移,以及滑移率,计算得到所述接地节点的纵向坐标。
6、进一步地,所述接地节点的纵向坐标通过如下公式计算得到:
7、xa=ξ+reφf=rel+re·(φ-φf)·sx
8、其中,xa为所述接地节点a的接触应力未发生附着饱和时接地节点a的纵向坐标,ξ为接地节点a的纵向位移,re为轮胎有效滚动半径,φf为与接触起始点对应的刷毛上端点在带束圆周上的中心角,φ为与接地节点a对应的刷毛上端点在带束圆周上的中心角,sx为滑移率。
9、进一步地,所述接地节点的设定附着饱和状态为发生附着饱和状态;相应地,所述根据所述接地节点的设定附着饱和状态,计算所述接地节点的纵向坐标,包括:获取发生附着饱和作用时胎面节点径向应力与切向应力之间的关系表达式;根据所述胎面节点径向应力与切向应力之间的关系表达式,结合接触应力与胎面变形之间的关系,计算得到所述接地节点的纵向坐标。
10、进一步地,所述接地节点的纵向坐标通过如下公式计算得到:
11、
12、其中,xa为所述接地节点a的接触应力发生附着饱和时接地节点a的纵向坐标,μ*=-μ·sgn(sx),μ为路面附着系数,sx为滑移率,η为环的法线与垂直于路面的竖直线之间的夹角,ket为胎面橡胶的径向刚度,和为中间变量,kgt为胎面橡胶的切向刚度。
13、进一步地,所述对所述时序信号进行预处理,得到目标特征量,包括:基于所述时序信号,识别得到目标峰值点;根据所述目标峰值点的位置和幅值,计算得到所述目标特征量。
14、第二方面,本专利技术还提供一种基于仿真训练的智能轮胎纵向力估计装置,包括:时序信号获取模块,用于获取智能轮胎径向加速度的时序信号;目标特征量获取模块,用于对所述时序信号进行预处理,得到目标特征量;智能轮胎纵向力估计模块,用于将所述目标特征量输入至预先训练的纵向力估计模型中,得到智能轮胎纵向力的估计结果;其中,所述纵向力估计模型通过根据训练样本数据集进行训练优化得到,所述训练样本数据集通过改进环模型对不同垂向载荷、滑移率以及行驶速度进行仿真得到,所述改进环模型通过在传统柔性环模型中引入纵向滑移和附着饱和作用构建得到。
15、第三方面,本专利技术还提供一种底盘控制系统,包括上述所述的基于仿真训练的智能轮胎纵向力估计装置。
16、第四方面,本专利技术还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的基于仿真训练的智能轮胎纵向力估计方法。
17、第五方面,本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的基于仿真训练的智能轮胎纵向力估计方法。
18、本专利技术提供的基于仿真训练的智能轮胎纵向力估计方法,通过获取智能轮胎径向加速度的时序信号,并对时序信号进行预处理,得到目标特征量,进而将目标特征量输入至预先训练的纵向力估计模型中,得到智能轮胎纵向力的估计结果;其中,纵向力估计模型通过根据训练样本数据集进行训练优化得到,训练样本数据集通过改进环模型对不同垂向载荷、滑移率以及行驶速度进行仿真得到,改进环模型通过在传统柔性环模型中引入纵向滑移和附着饱和作用构建得到。该方法基于改进环模型,以仿真的方式建立纵向力估计模型所需的训练样本数据集,不仅极大地减少了所需试验量,降低了智能轮胎的开发成本和周期,还准确描述了轮胎与路面之间的纵向相互作用、轮胎带束和胎面的变形、接触应力的分布以及智能轮胎信号的产生机理,进而有效提升了轮胎纵向力的估计精度。
本文档来自技高网...【技术保护点】
1.一种基于仿真训练的智能轮胎纵向力估计方法,其特征在于,包括:
2.根据权利要求1所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述训练样本数据集包括多个单一训练样本,所述单一训练样本为智能轮胎信号和轮胎力构成的数据对;
3.根据权利要求2所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述接地节点的设定附着饱和状态为未发生附着饱和状态;
4.根据权利要求3所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述接地节点的纵向坐标通过如下公式计算得到:
5.根据权利要求2所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述接地节点的设定附着饱和状态为发生附着饱和状态;
6.根据权利要求5所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述接地节点的纵向坐标通过如下公式计算得到:
7.根据权利要求1所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述对所述时序信号进行预处理,得到目标特征量,包括:
8.一种基于仿真训练的智能轮胎纵向力估计装置,其特征在
9.一种底盘控制系统,其特征在于,包括权利要求8所述的基于仿真训练的智能轮胎纵向力估计装置。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的基于仿真训练的智能轮胎纵向力估计方法。
11.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于仿真训练的智能轮胎纵向力估计方法。
...【技术特征摘要】
1.一种基于仿真训练的智能轮胎纵向力估计方法,其特征在于,包括:
2.根据权利要求1所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述训练样本数据集包括多个单一训练样本,所述单一训练样本为智能轮胎信号和轮胎力构成的数据对;
3.根据权利要求2所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述接地节点的设定附着饱和状态为未发生附着饱和状态;
4.根据权利要求3所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述接地节点的纵向坐标通过如下公式计算得到:
5.根据权利要求2所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述接地节点的设定附着饱和状态为发生附着饱和状态;
6.根据权利要求5所述的基于仿真训练的智能轮胎纵向力估计方法,其特征在于,所述接地节点的...
【专利技术属性】
技术研发人员:闵德垒,危银涛,童汝亭,吕靖成,郭沛林,
申请(专利权)人:清华大学,
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。