CN113570057B - 一种基于模型训练的车辆轮心垂向位移测量方法和装置 - Google Patents

一种基于模型训练的车辆轮心垂向位移测量方法和装置 Download PDF

Info

Publication number
CN113570057B
CN113570057B CN202111132180.5A CN202111132180A CN113570057B CN 113570057 B CN113570057 B CN 113570057B CN 202111132180 A CN202111132180 A CN 202111132180A CN 113570057 B CN113570057 B CN 113570057B
Authority
CN
China
Prior art keywords
signal
wheel center
simulation
model
center vertical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111132180.5A
Other languages
English (en)
Other versions
CN113570057A (zh
Inventor
丁鼎
韩广宇
张永仁
卢放
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lantu Automobile Technology Co Ltd
Original Assignee
Lantu Automobile Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lantu Automobile Technology Co Ltd filed Critical Lantu Automobile Technology Co Ltd
Priority to CN202111132180.5A priority Critical patent/CN113570057B/zh
Publication of CN113570057A publication Critical patent/CN113570057A/zh
Application granted granted Critical
Publication of CN113570057B publication Critical patent/CN113570057B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Civil Engineering (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Architecture (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明涉及轮心参数测量技术领域，具体涉及一种基于模型训练的车辆轮心垂向位移测量方法和装置。该方法包括：获得目标类型车辆的整车多体仿真模型；其中，其输入包括轮心垂向位移仿真信号，其输出包括与所述轮心垂向位移仿真信号对应的轮心垂向加速度仿真信号和弹簧位移仿真信号；构建初始神经网络模型；迭代训练初始神经网络模型，获取用于测量车辆轮心垂向位移的目标神经网络模型。本发明利用神经网络模型来测量车辆轮心垂向位移，降低了测量成本，在测量中将轮心垂向加速度信号及弹簧信号考虑作为计算输入，减少了轮心垂向加速度在低频区间上的计算误差，提高了测量精度，从而低成本高精度地测量出车辆轮心垂向位移。

Description

一种基于模型训练的车辆轮心垂向位移测量方法和装置
技术领域
本发明涉及轮心参数测量技术领域，具体涉及一种基于模型训练的车辆轮心垂向位移测量方法和装置。
背景技术
车辆在行驶过程中的轮心垂向位移信号是车辆的重要信号，但目前车辆轮心垂向位移信号并不能通过单一传感器直接测量获得，需要通过电位计传感器和激光传感器等组合测量，成本较高，且测量结果精度并不高。
因此，如何低成本高精度地测量出车辆轮心垂向位移，是目前亟需解决的技术问题。
发明内容
本发明的目的是提供一种基于模型训练的车辆轮心垂向位移测量方法和装置，以低成本高精度地测量出车辆轮心垂向位移。
为实现上述目的，本发明实施例提供了以下方案：
第一方面，本发明实施例提供一种用于测量车辆轮心垂向位移的模型训练方法，所述方法包括：
获得目标类型车辆的整车多体仿真模型；其中，所述整车多体仿真模型的输入包括轮心垂向位移仿真信号，所述整车多体仿真模型的输出包括轮心垂向加速度仿真信号和弹簧位移仿真信号；
构建初始神经网络模型；
以所述初始神经网络模型输出的初始轮心垂向位移测量信号与所述轮心垂向位移仿真信号的误差最小为目标，将所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号输入所述初始神经网络模型进行迭代训练，获取用于测量车辆轮心垂向位移的目标神经网络模型。
在一种可能的实施例中，所述获得目标类型车辆的整车多体仿真模型，包括：
获得所述目标类型车辆的初始整车多体仿真模型；
将所述轮心垂向位移仿真信号输入所述初始整车多体仿真模型进行仿真，得到所述初始整车多体仿真模型的仿真输出信号；
基于轮心垂向位移实际信号驱动所述目标类型车辆，并通过所述目标类型车辆上的整车传感器组获得试验传感信号；其中，所述整车传感器组包括：轮心加速度传感器、减震器安装点加速度传感器、弹簧位移传感器和横向稳定杆应变传感器中的一种或多种；
基于所述试验传感信号和仿真输出信号，将所述初始整车多体仿真模型优化为所述整车多体仿真模型。
在一种可能的实施例中，所述获得所述目标类型车辆的初始整车多体仿真模型之后，所述方法还包括：控制所述初始整车多体仿真模型和所述目标类型车辆处于相同整车试验模拟工况中；
所述基于所述试验传感信号和仿真输出信号，将所述初始整车多体仿真模型优化为所述整车多体仿真模型，具体包括：
以所述试验传感信号和所述仿真输出信号满足优化校准判据中的一个或者多个表达式为目标，调整所述初始整车多体仿真模型的建模参数，获得所述整车多体仿真模型；其中，所述优化校准判据的表达式为：
Figure 770931DEST_PATH_IMAGE001
；
其中，RMS为均方根值正则化求解函数；
Figure 829017DEST_PATH_IMAGE002
为轮心垂向加速度仿真信号；
Figure 671071DEST_PATH_IMAGE003
为轮心垂向加速度试验信号；
Figure 800701DEST_PATH_IMAGE004
为第一误差阈值；
Figure 162544DEST_PATH_IMAGE005
为弹簧位移仿真信号；
Figure 47323DEST_PATH_IMAGE006
为弹簧位移试验信号；
Figure 924143DEST_PATH_IMAGE007
为第二误差阈值；
Figure 919781DEST_PATH_IMAGE008
为减震器上点垂向加速度仿真信号；
Figure 401709DEST_PATH_IMAGE009
为减震器上点垂向加速度试验信号；
Figure 129494DEST_PATH_IMAGE010
为第三误差阈值；
Figure 946140DEST_PATH_IMAGE011
为横向稳定杆应变仿真信号；
Figure 230622DEST_PATH_IMAGE012
为横向稳定杆应变试验信号；
Figure 629373DEST_PATH_IMAGE013
为第四误差阈值。
在一种可能的实施例中，所述构建初始神经网络模型，包括：
构建输入层；其中，所述输入层的输出信号矩阵
Figure 121535DEST_PATH_IMAGE014
包括所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号；
构建第一隐藏层；其中，所述第一隐藏层的传播表达式为：
Figure 972947DEST_PATH_IMAGE015
；
其中，
Figure 310388DEST_PATH_IMAGE016
为所述第一隐藏层的输出信号矩阵；
Figure 501329DEST_PATH_IMAGE017
为所述输入层到所述第一隐藏层的第一权重矩阵；
Figure 570916DEST_PATH_IMAGE018
为所述输入层到所述第一隐藏层的第一偏置矩阵；
构建第二隐藏层；所述第二隐藏层的传播表达式为：
Figure 96575DEST_PATH_IMAGE019
；
其中，
Figure 785177DEST_PATH_IMAGE020
为所述第二隐藏层的输出信号矩阵；
Figure 79892DEST_PATH_IMAGE021
为所述第一隐藏层到所述第二隐藏层的第二权重矩阵；
Figure 585959DEST_PATH_IMAGE022
为所述第一隐藏层到所述第二隐藏层的第二偏置矩阵；
构建输出层；所述输出层的传播表达式为：
Figure 84068DEST_PATH_IMAGE023
；
其中，
Figure 825628DEST_PATH_IMAGE024
为所述输出层输出的轮心垂向位移测量信号；
Figure 725582DEST_PATH_IMAGE025
为所述第二隐藏层到所述输出层的第三权重矩阵；
Figure 402551DEST_PATH_IMAGE026
为所述第二隐藏层到所述输出层的第三偏置矩阵。
在一种可能的实施例中，所述获取用于测量车辆轮心垂向位移的目标神经网络模型，包括：
以满足误差函数E最小为目标，迭代训练
Figure 902802DEST_PATH_IMAGE027
、
Figure 870889DEST_PATH_IMAGE028
、
Figure 936934DEST_PATH_IMAGE029
、
Figure 332275DEST_PATH_IMAGE030
、
Figure 116560DEST_PATH_IMAGE031
和
Figure 888338DEST_PATH_IMAGE032
；具体的迭代训练公式为：
Figure 684256DEST_PATH_IMAGE033
；
其中，
Figure 171869DEST_PATH_IMAGE034
为所述轮心垂向位移仿真信号；
Figure 397445DEST_PATH_IMAGE035
为迭代训练的累计次数；
Figure 159865DEST_PATH_IMAGE036
为学习效率参数。
第二方面，本发明实施例提供了一种模型训练装置，所述装置包括：
第一建立模块，用于获得目标类型车辆的整车多体仿真模型；所述整车多体仿真模型的输入包括轮心垂向位移仿真信号，所述整车多体仿真模型的输出包括轮心垂向加速度仿真信号和弹簧位移仿真信号；
第二建立模块，用于构建初始神经网络模型；
建模模块，用于以所述初始神经网络模型输出的初始轮心垂向位移测量信号与所述轮心垂向位移仿真信号的误差最小为目标，将所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号输入所述初始神经网络模型进行迭代训练，获取用于测量车辆轮心垂向位移的目标神经网络模型。
在一种可能的实施例中，所述第一建立模块，包括：
第一获取模块，用于获得所述目标类型车辆的初始整车多体仿真模型；
第二获取模块，用于将所述轮心垂向位移仿真信号输入所述初始整车多体仿真模型进行仿真，得到所述初始整车多体仿真模型的仿真输出信号；
第三获取模块，用于基于轮心垂向位移实际信号驱动所述目标类型车辆，并通过所述目标类型车辆上的整车传感器组获得试验传感信号；其中，所述整车传感器组包括：轮心加速度传感器、减震器安装点加速度传感器、弹簧位移传感器和横向稳定杆应变传感器中的一种或多种；
第四获取模块，用于基于所述试验传感信号和仿真输出信号，将所述初始整车多体仿真模型优化为所述整车多体仿真模型。
在一种可能的实施例中，所述装置还包括：
第一控制模块，用于在获得所述目标类型车辆的初始整车多体仿真模型之后，控制所述初始整车多体仿真模型和所述目标类型车辆处于相同整车试验模拟工况中；
所述第四获取模块，具体包括：
优化调整模块，用于以所述试验传感信号和所述仿真输出信号满足优化校准判据中的一个或者多个表达式为目标，调整所述初始整车多体仿真模型的建模参数，获得所述整车多体仿真模型；其中，所述优化校准判据的表达式为：
Figure 403764DEST_PATH_IMAGE037
；
其中，RMS为均方根值正则化求解函数；
Figure 406486DEST_PATH_IMAGE038
为轮心垂向加速度仿真信号；
Figure 103047DEST_PATH_IMAGE039
为轮心垂向加速度试验信号；
Figure 810103DEST_PATH_IMAGE040
为第一误差阈值；
Figure 659241DEST_PATH_IMAGE041
为弹簧位移仿真信号；
Figure 426340DEST_PATH_IMAGE042
为弹簧位移试验信号；
Figure 875776DEST_PATH_IMAGE043
为第二误差阈值；
Figure 979998DEST_PATH_IMAGE044
为减震器上点垂向加速度仿真信号；
Figure 683643DEST_PATH_IMAGE045
为减震器上点垂向加速度试验信号；
Figure 543015DEST_PATH_IMAGE046
为第三误差阈值；
Figure 105846DEST_PATH_IMAGE047
为横向稳定杆应变仿真信号；
Figure 623546DEST_PATH_IMAGE048
为横向稳定杆应变试验信号；
Figure 493282DEST_PATH_IMAGE049
为第四误差阈值。
在一种可能的实施例中，所述第二建立模块，包括：
第一构建模块，用于构建输入层；其中，所述输入层的输出信号矩阵
Figure 250849DEST_PATH_IMAGE014
包括所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号；
第二构建模块，用于构建第一隐藏层；其中，所述第一隐藏层的传播表达式为：
Figure 612561DEST_PATH_IMAGE050
；
其中，
Figure 137214DEST_PATH_IMAGE051
为所述第一隐藏层的输出信号矩阵；
Figure 64719DEST_PATH_IMAGE052
为所述输入层到所述第一隐藏层的第一权重矩阵；
Figure 282205DEST_PATH_IMAGE053
为所述输入层到所述第一隐藏层的第一偏置矩阵；
第三构建模块，用于构建第二隐藏层；所述第二隐藏层的传播表达式为：
Figure 6578DEST_PATH_IMAGE054
；
其中，
Figure 318611DEST_PATH_IMAGE055
为所述第二隐藏层的输出信号矩阵；
Figure 116934DEST_PATH_IMAGE056
为所述第一隐藏层到所述第二隐藏层的第二权重矩阵；
Figure 489009DEST_PATH_IMAGE057
为所述第一隐藏层到所述第二隐藏层的第二偏置矩阵；
第四构建模块，用于构建输出层；所述输出层的传播表达式为：
Figure 372783DEST_PATH_IMAGE058
；
其中，
Figure 488506DEST_PATH_IMAGE059
为所述输出层输出的轮心垂向位移测量信号；
Figure 62707DEST_PATH_IMAGE060
为所述第二隐藏层到所述输出层的第三权重矩阵；
Figure 90837DEST_PATH_IMAGE061
为所述第二隐藏层到所述输出层的第三偏置矩阵。
在一种可能的实施例中，所述建模模块，包括：
训练模块，用于以满足误差函数E最小为目标，迭代训练
Figure 242333DEST_PATH_IMAGE062
、
Figure 912479DEST_PATH_IMAGE063
、
Figure 403504DEST_PATH_IMAGE064
、
Figure 789486DEST_PATH_IMAGE065
、
Figure 241327DEST_PATH_IMAGE066
和
Figure 980744DEST_PATH_IMAGE067
；具体的迭代训练公式为：
Figure 77007DEST_PATH_IMAGE068
；
其中，
Figure 368311DEST_PATH_IMAGE069
为所述轮心垂向位移仿真信号；
Figure 776290DEST_PATH_IMAGE070
为迭代训练的累计次数；
Figure 709610DEST_PATH_IMAGE071
为学习效率参数。
第三方面，本发明实施例提供了一种车辆轮心垂向位移测量方法，所述方法包括：
在整车行驶过程中获取整车的轮心垂向加速度实测信号和弹簧位移实测信号；
将所述轮心垂向加速度实测信号和所述弹簧位移实测信号输入如第一方面中任一所述的模型训练方法中的目标神经网络模型中，获取所述整车的轮心垂向位移实测信号。
第四方面，本发明实施例提供了一种车辆轮心垂向位移测量装置，所述方法包括：
获取单元，用于在整车行驶过程中获取整车的轮心垂向加速度实测信号和弹簧位移实测信号；
处理单元，用于将所述轮心垂向加速度实测信号和所述弹簧位移实测信号输入如第一方面中任一所述的模型训练方法中的目标神经网络模型中，获取所述整车的轮心垂向位移实测信号。
第五方面，本发明实施例提供一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现第一方面中任一所述的方法的步骤；或用于执行所述计算机程序以实现第三方面中任一所述的方法的步骤。
第六方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时以实现第一方面中任一所述的方法的步骤；或用于执行所述计算机程序以实现第三方面中任一所述的方法的步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明首先建立整车多体仿真模型；其中，其输入包括轮心垂向位移仿真信号，其输出包括轮心垂向加速度仿真信号和减震器弹簧位移仿真信号；然后建立初始神经网络模型；最后利用整车多体仿真模型对应的多组输入量和输出量，训练获得用于测量车辆轮心垂向位移的目标神经网络模型。本发明利用神经网络模型来测量车辆轮心垂向位移，降低了测量成本，在测量中将轮心垂向加速度信号及弹簧信号考虑作为计算输入，减少了轮心垂向加速度在低频区间上的计算误差，提高了测量精度，从而低成本高精度地测量出车辆轮心垂向位移。
进一步地，本发明采用常见的传感器组建整车传感器组，通过优化校准获得整车多体仿真模型，减少了原有成本较高的激光传感器等的使用，进一步减少了整体测量成本。同时，经校正优化的整车多体仿真模型，能够为初始神经网络模型的训练提供高精度的训练样本，进一步提高了模型训练质量，从而提高了测量精度。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种模型训练方法的流程图；
图2是本发明实施例提供的一种整车传感器组的布设示意图；
图3是本发明实施例提供的一种初始神经网络模型的结构示意图；
图4是本发明实施例提供的一种模型训练装置的结构示意图；
图5是本发明实施例提供的一种车辆轮心垂向位移测量方法的流程图；
图6是本发明实施例提供的一种车辆轮心垂向位移测量装置的结构示意图。
附图标记说明：1为轮心加速度传感器，2为减震器安装点加速度传感器，3为弹簧位移传感器，4为横向稳定杆应变传感器。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
请参阅图1，图1为本发明实施例提供的一种模型训练方法的流程图，具体包括步骤11至步骤13。
步骤11，获得目标类型车辆的整车多体仿真模型。
其中，所述整车多体仿真模型的输入包括轮心垂向位移仿真信号，所述整车多体仿真模型的输出包括轮心垂向加速度仿真信号和弹簧位移仿真信号。
具体的，目标类型车辆可以为基于车辆的排气量、型号、底盘类型等设定类型划分依据所获得的车辆。
具体的，该弹簧位移仿真信号用于表征整车多体仿真模型中悬架弹簧的位移量。
具体的，轮心垂向位移仿真信号可以是随机设定一段轮心垂向位移仿真信号ytest，其信号幅值为
Figure 660380DEST_PATH_IMAGE072
，信号频率带宽为0Hz~F（F为设定频率上限），信号时间长度为t。将该信号作为整车多体仿真模型的输入信号，则可以得到仿真输出信号：Awheel1轮心垂向加速度仿真信号、Dspring1弹簧位移仿真信号、Atop1减震器安装点垂向加速度仿真信号、σ1横向稳定杆应变仿真信号等。
具体的，整车多体仿真模型可以包含整车诸如前悬架、后悬架、动力总成、转向、制动、刚性车轮和车身等多个仿真部件，可以模拟反馈各种工况下整车各部件之间的受力、偏移等物理量。
步骤12，建立初始神经网络模型。
具体的，初始神经网络模型的类型可以为反馈式神经网络模型、深度学习式神经网络模型、卷积神经网络模型等，在此不予以限制，根据初始神经网络模型的类型，可以完成步骤13的操作。
具体的，初始神经网络模型可以理解为未训练好的目标神经网络模型，其可以将输入的所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号，经过神经网络计算，输出初始轮心垂向位移测量信号。
通常情况下，初始神经网络模型可以包括输入层、隐藏层和输出层，其中隐藏层用于负责神经网络的相关计算，通过迭代训练可以逐步调整隐含层中的权重参数等相关传递函数参数，使初始神经网络模型输出的初始轮心垂向位移测量信号符合既定训练目标，此时的初始神经网络模型即可认为是目标神经网络模型，其输出的初始轮心垂向位移测量信号即可认定为轮心垂向位移测量信号。
步骤13，以所述初始神经网络模型输出的初始轮心垂向位移测量信号与所述轮心垂向位移仿真信号的误差最小为目标，将所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号输入所述初始神经网络模型进行迭代训练，获取用于测量车辆轮心垂向位移的目标神经网络模型。
具体的，利用步骤11获得的整车多体仿真模型，可以获得多组符合试验精度的轮心垂向位移仿真信号、轮心垂向加速度仿真信号和弹簧位移仿真信号，以此构建出初始神经网络模型的训练集，完成对初始神经网络模型的迭代训练，获取用于测量车辆轮心垂向位移的目标神经网络模型。
本实施例最终获得的目标神经网络模型能够根据输入进的轮心垂向加速度信号（轮心垂向加速度仿真信号，或轮心垂向加速度试验信号，或轮心垂向加速度实测信号）和弹簧位移信号（弹簧位移仿真信号，或弹簧位移试验信号，或弹簧位移实测信号）准确获取轮心垂向位移信号（轮心垂向位移测量信号，或轮心垂向位移试验信号，或轮心垂向位移实测信号），整体成本较低。
本实施例没有仅将轮心垂向加速度作为输入求解得到轮心垂向位移信号，减少了输入信号比较的单一、得到轮心垂向信号的精度不易评估的情况的发生。
由于轮心垂向加速度信号本身存在一些趋势项和噪声，而一些利用频域积分法获得轮心垂向信号的方案的核心就是运用加速度频域幅值与频率平方的比值关系换算得到轮心垂向位移信号，因此这类方案应用轮心垂向加速度在低频区间通过二次频域积分法求解轮心垂向位移信号容易将误差放大，降低结果的准确度。本实施例将轮心垂向加速度和弹簧信号求解得到轮心的垂向位移信号，能够避免轮心垂向加速度在低频区间上的计算误差，使得求解得到轮心垂向位移信号精度更高。
这里，本实施例提供一种步骤11的具体实现方式，具体包括步骤21至步骤24。
步骤21，获得所述目标类型车辆的初始整车多体仿真模型。
具体的，初始整车多体仿真模型可以理解为未完成优化校准的整车多体仿真模型。
具体的，分别搭建前悬架模型、后悬架模型、动力总成模型、转向模型、制动模型、刚性车轮模型和车身模型，以建立初始整车多体仿真模型。
具体的，初始整车多体仿真模型包含有通过车辆轮心垂向位移仿真出轮心垂向加速度仿真信号和弹簧位移仿真信号的必要整车部件。
步骤22，将所述轮心垂向位移仿真信号输入所述初始整车多体仿真模型进行仿真，得到所述初始整车多体仿真模型的仿真输出信号。
具体的，初始整车多体仿真模型模拟出目标类型车辆受轮心垂向位移仿真信号影响下，各部件的相对移动情况和相对载荷情况。
步骤23，基于轮心垂向位移实际信号驱动所述目标类型车辆，并通过所述目标类型车辆上的整车传感器组获得试验传感信号。
其中，所述整车传感器组包括：轮心加速度传感器、减震器安装点加速度传感器、弹簧位移传感器和横向稳定杆应变传感器中的一种或多种。
具体的，轮心垂向位移实际信号可以通过整车轴耦合试验台来获得。整车轴耦合试验台是运用道路模拟试验技术，采用轴耦合的形式，为乘用车的每个车轮同时提供6个自由度（垂直、水平、侧向、外倾、转向、制动）的输入，在实验室内实现试车场道路载荷的力和位移模拟驱动，对整车底盘和车身结构件进行较为快速、全面的考核。
具体的，当随机设定的一段轮心垂向位移仿真信号ytest输入进整车轴耦合试验台中，则可以控制整车轴耦合试验台模拟出整车试验模拟工况，从而输出轮心垂向位移实际信号，驱动目标类型车辆运动，获得Awheel2轮心垂向加速度试验信号、Dspring2弹簧位移试验信号、Atop2减震器安装点垂向加速度试验信号和σ2横向稳定杆应变试验信号等试验传感信号，并根据该试验传感信号校对及调整初始整车多体仿真模型中诸如整车硬点坐标、底盘件及车身的质量、底盘件及车身的质心及转动惯量、弹簧刚度、减震器阻尼、限位块刚度及间隙和衬套的刚度中的一种或多种参数，提高初始整车多体仿真模型能够的仿真精度，完成对初始整车多体仿真模型的优化校准，从而获得整车多体仿真模型。
具体的，该轮心垂向位移实际信号为与轮心垂向位移仿真信号ytest对应的真实信号，其信号幅值也为
Figure 981640DEST_PATH_IMAGE072
，信号频率带宽也为0Hz~F（F为设定频率上限），信号时间长度也为t。
具体的，如图2所述为本发明实施例提供的一种整车传感器组的布设示意图，图2中整车传感器组包含了轮心加速度传感器1、减震器安装点加速度传感器2、弹簧位移传感器3和横向稳定杆应变传感器4，当然还可以根据实际需要增减整车传感器组中传感器的类型和数量，在此不予以限制。
本实施例利用的整车传感器组均为常用传感器，安装简单，测量要求不高，进一步降低了整体成本。
步骤24，基于所述试验传感信号和仿真输出信号，将所述初始整车多体仿真模型优化为所述整车多体仿真模型。
具体的，优化后的整车多体仿真模型输出的仿真输出信号与试验传感信号之间的误差应当小于设定阈值。
在步骤21之后，还需要控制初始整车多体仿真模型和所述目标类型车辆处于相同整车试验模拟工况中，以便对初始整车多体仿真模型进行优化调整，提高调整精度。
具体的，首先将整车试验模拟工况的相关参数施加到初始整车多体仿真模型中，然后将目标类型车辆安装到整车轴耦合试验台上，并控制所述整车轴耦合试验台模拟出所述整车试验模拟工况，以使初始整车多体仿真模型和所述目标类型车辆处于相同整车试验模拟工况。
具体的，当随机设定的一段轮心垂向位移仿真信号ytest输入进整车轴耦合试验台中，则可以控制整车轴耦合试验台模拟出整车试验模拟工况，控制乘用车的每个车轮以该工况下的限定自由度进行行驶。由于整车传感器组安装在整车组件上，因此可以获得Awheel2轮心垂向加速度试验信号、Dspring2弹簧位移试验信号、Atop2减震器安装点垂向加速度试验信号和σ2横向稳定杆应变试验信号等试验传感信号。
这里，本实施例提供一种步骤24的具体实现方式，具体包括步骤31。
步骤31，以所述试验传感信号和所述仿真输出信号满足优化校准判据中的一个或者多个表达式为目标，调整所述初始整车多体仿真模型的建模参数，获得所述整车多体仿真模型；其中，所述优化校准判据的表达式为：
Figure 345756DEST_PATH_IMAGE073
；
其中，RMS为均方根值正则化求解函数；
Figure 145085DEST_PATH_IMAGE074
为轮心垂向加速度仿真信号；
Figure 215940DEST_PATH_IMAGE075
为轮心垂向加速度试验信号；
Figure 708102DEST_PATH_IMAGE076
为第一误差阈值；
Figure 418569DEST_PATH_IMAGE077
为弹簧位移仿真信号；
Figure 772321DEST_PATH_IMAGE078
为弹簧位移试验信号；
Figure 212529DEST_PATH_IMAGE079
为第二误差阈值；
Figure 360745DEST_PATH_IMAGE080
为减震器上点垂向加速度仿真信号；
Figure 948721DEST_PATH_IMAGE081
为减震器上点垂向加速度试验信号；
Figure 840585DEST_PATH_IMAGE082
为第三误差阈值；
Figure 604142DEST_PATH_IMAGE083
为横向稳定杆应变仿真信号；
Figure 923259DEST_PATH_IMAGE084
为横向稳定杆应变试验信号；
Figure 998531DEST_PATH_IMAGE085
为第四误差阈值。
具体的，仿真输出信号包括
Figure 428506DEST_PATH_IMAGE086
为轮心垂向加速度仿真信号、
Figure 843307DEST_PATH_IMAGE087
为弹簧位移仿真信号、
Figure 598905DEST_PATH_IMAGE088
为减震器上点垂向加速度仿真信号和
Figure 99156DEST_PATH_IMAGE089
为横向稳定杆应变仿真信号中的一种或多种；试验传感信号包括
Figure 254194DEST_PATH_IMAGE090
为轮心垂向加速度试验信号、
Figure 539813DEST_PATH_IMAGE091
为弹簧位移试验信号、
Figure 450000DEST_PATH_IMAGE092
为减震器上点垂向加速度试验信号和
Figure 516176DEST_PATH_IMAGE093
为横向稳定杆应变试验信号中的一种或多种。
具体的，根据试验传感信号校对及调整初始整车多体仿真模型中诸如整车硬点坐标、底盘件及车身的质量、底盘件及车身的质心及转动惯量、弹簧刚度、减震器阻尼、限位块刚度及间隙和衬套的刚度中的一种或多种参数，提高初始整车多体仿真模型的仿真精度，完成对初始整车多体仿真模型的优化校准，从而获得整车多体仿真模型。
可见，本实施例提供了初始整车多体仿真模型当前校准精度的判定方案，通过上述优化校准判据，可以快速且准确地获知初始整车多体仿真模型的当前校准精度，完成对初始整车多体仿真模型的优化校准，从而获得整车多体仿真模型。
这里，本实施例提供一种步骤13的具体实现方式，如图3所示为本发明实施例提供的一种初始神经网络模型的结构示意图，这里本实施例采用反馈式神经网络模型来实现步骤13的操作，具体包括步骤41至步骤44。
步骤41，构建输入层。
其中，所述输入层的输出信号矩阵
Figure 553534DEST_PATH_IMAGE094
包括所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号。
具体的，本实施例采用轮心垂向加速度仿真信号和弹簧位移仿真信号作为输入层的输出信号矩阵，可以利用步骤12获得的整车多体仿真模型为神经网络模型提供大量高精度的训练样本，从而完成对初始神经网络模型的迭代训练。
步骤42，构建第一隐藏层。
其中，所述第一隐藏层的传播表达式为：
Figure 411768DEST_PATH_IMAGE095
；
其中，
Figure 305906DEST_PATH_IMAGE096
为所述第一隐藏层的输出信号矩阵；
Figure 515170DEST_PATH_IMAGE097
为所述输入层到所述第一隐藏层的第一权重矩阵；
Figure 12011DEST_PATH_IMAGE098
为所述输入层到所述第一隐藏层的第一偏置矩阵。
具体的，
Figure 741064DEST_PATH_IMAGE099
，
Figure 258633DEST_PATH_IMAGE100
，
Figure 768242DEST_PATH_IMAGE101
，
Figure 131091DEST_PATH_IMAGE102
；
其中，a1~ai为第一隐藏层的输出信号1~i，x1为轮心垂向加速度信号，x2为弹簧位移信号；Ka为2×i的矩阵；B为1×i的矩阵。
步骤43，构建第二隐藏层；所述第二隐藏层的传播表达式为：
Figure 980229DEST_PATH_IMAGE103
；
其中，
Figure 340803DEST_PATH_IMAGE104
为所述第二隐藏层的输出信号矩阵；
Figure 524660DEST_PATH_IMAGE105
为所述第一隐藏层到所述第二隐藏层的第二权重矩阵；
Figure 238669DEST_PATH_IMAGE106
为所述第一隐藏层到所述第二隐藏层的第二偏置矩阵。
具体的，
Figure 191582DEST_PATH_IMAGE107
，
Figure 723057DEST_PATH_IMAGE108
，
Figure 879363DEST_PATH_IMAGE109
；
其中，b1~bj为第一隐藏层的输出信号1~j；
Figure 911910DEST_PATH_IMAGE110
为i×j的矩阵；C为1×j的矩阵。
步骤44，构建输出层；所述输出层的传播表达式为：
Figure 470061DEST_PATH_IMAGE111
；
其中，
Figure 172438DEST_PATH_IMAGE112
为所述输出层输出的轮心垂向位移测量信号；
Figure 65308DEST_PATH_IMAGE113
为所述第二隐藏层到所述输出层的第三权重矩阵；
Figure 160320DEST_PATH_IMAGE114
为所述第二隐藏层到所述输出层的第三偏置矩阵。
具体的，
Figure 150141DEST_PATH_IMAGE115
，
Figure 836469DEST_PATH_IMAGE116
。
其中，Kc为j×1的矩阵；D为1×j的矩阵。
这里，本实施例提供一种步骤13的具体实现方式，具体包括步骤51。
步骤51，以满足误差函数E最小为目标，迭代训练
Figure 154317DEST_PATH_IMAGE117
、
Figure 466350DEST_PATH_IMAGE118
、
Figure 140039DEST_PATH_IMAGE119
、
Figure 512115DEST_PATH_IMAGE120
、
Figure 723784DEST_PATH_IMAGE121
和
Figure 511612DEST_PATH_IMAGE122
；具体的迭代训练公式为：
Figure 164441DEST_PATH_IMAGE123
；
其中，
Figure 707418DEST_PATH_IMAGE124
为所述轮心垂向位移仿真信号；
Figure 812908DEST_PATH_IMAGE125
为迭代训练的累计次数；
Figure 466743DEST_PATH_IMAGE126
为学习效率参数。
具体的，
Figure 239659DEST_PATH_IMAGE127
为第p次迭代训练中的
Figure 297744DEST_PATH_IMAGE128
，
Figure 405378DEST_PATH_IMAGE129
为第p次迭代训练中的
Figure 348057DEST_PATH_IMAGE130
，
Figure 631271DEST_PATH_IMAGE131
为第p次迭代训练中的
Figure 781629DEST_PATH_IMAGE132
，
Figure 596133DEST_PATH_IMAGE133
为第p次迭代训练中的
Figure 591771DEST_PATH_IMAGE134
，
Figure 870436DEST_PATH_IMAGE135
为第p次迭代训练中的
Figure 926117DEST_PATH_IMAGE136
，
Figure 149288DEST_PATH_IMAGE137
为第p次迭代训练中的
Figure 699349DEST_PATH_IMAGE138
；
Figure 81789DEST_PATH_IMAGE139
为第p-1次迭代训练中的
Figure 793524DEST_PATH_IMAGE140
，
Figure 97467DEST_PATH_IMAGE141
为第p-1次迭代训练中的
Figure 451219DEST_PATH_IMAGE142
，
Figure 563531DEST_PATH_IMAGE143
为第p-1次迭代训练中的
Figure 961014DEST_PATH_IMAGE144
，
Figure 34144DEST_PATH_IMAGE145
为第p-1次迭代训练中的
Figure 175275DEST_PATH_IMAGE146
，
Figure 407673DEST_PATH_IMAGE147
为第p-1次迭代训练中的
Figure 461211DEST_PATH_IMAGE148
，
Figure 739746DEST_PATH_IMAGE149
为第p-1次迭代训练中的
Figure 232038DEST_PATH_IMAGE150
。
具体的，由前文所建立的初始神经网络模型可知，求解初始神经网络***模型就是求解系数矩阵：Ka、B、Kb、C、Kc、D。
随机设定一段轮心垂向位移仿真信号ytest，信号幅值为yA，信号频率带宽为0Hz~F，信号时间长度为t。
将轮心垂向位移仿真信号ytest输入到整车多体仿真模型，可以计算得到对应的轮心垂向加速度仿真信号atest、弹簧位移仿真信号dtest。
将随机设定的轮心垂向位移仿真信号ytest、计算得到的轮心垂向加速度仿真信号atest及弹簧位移仿真信号dtest输入到前文训练好的神经网络***模型，结合最小梯度学习法算法，求解使得误差函数E最小，从而得到系数矩阵：Ka、B、Kb、C、Kc、D。
基于与方法同样的发明构思，本发明实施例还提供了一种用于测量车辆轮心垂向位移的模型训练装置，如图4所示为该装置实施例的结构示意图，所述装置包括：
第一建立模块61，用于获得目标类型车辆的整车多体仿真模型；所述整车多体仿真模型的输入包括轮心垂向位移仿真信号，所述整车多体仿真模型的输出包括轮心垂向加速度仿真信号和弹簧位移仿真信号；
第二建立模块62，用于构建初始神经网络模型；
建模模块63，用于以所述初始神经网络模型输出的初始轮心垂向位移测量信号与所述轮心垂向位移仿真信号的误差最小为目标，将所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号输入所述初始神经网络模型进行迭代训练，获取用于测量车辆轮心垂向位移的目标神经网络模型。
在一种可能的实施例中，所述第一建立模块，包括：
第一获取模块，用于获得所述目标类型车辆的初始整车多体仿真模型；
第二获取模块，用于将所述轮心垂向位移仿真信号输入所述初始整车多体仿真模型进行仿真，得到所述初始整车多体仿真模型的仿真输出信号；
第三获取模块，用于基于轮心垂向位移实际信号驱动所述目标类型车辆，并通过所述目标类型车辆上的整车传感器组获得试验传感信号；其中，所述整车传感器组包括：轮心加速度传感器1、减震器安装点加速度传感器2、弹簧位移传感器3和横向稳定杆应变传感器4中的一种或多种；
第四获取模块，用于基于所述试验传感信号和仿真输出信号，将所述初始整车多体仿真模型优化为所述整车多体仿真模型。
在一种可能的实施例中，所述装置还包括：
第一控制模块，用于在获得所述目标类型车辆的初始整车多体仿真模型之后，控制所述初始整车多体仿真模型和所述目标类型车辆处于相同整车试验模拟工况中；
所述第四获取模块，具体包括：
优化调整模块，用于以所述试验传感信号和所述仿真输出信号满足优化校准判据中的一个或者多个表达式为目标，调整所述初始整车多体仿真模型的建模参数，获得所述整车多体仿真模型；其中，所述优化校准判据的表达式为：
Figure 381260DEST_PATH_IMAGE151
；
其中，RMS为均方根值正则化求解函数；
Figure 792649DEST_PATH_IMAGE152
为轮心垂向加速度仿真信号；
Figure 778054DEST_PATH_IMAGE153
为轮心垂向加速度试验信号；
Figure 526567DEST_PATH_IMAGE154
为第一误差阈值；
Figure 343345DEST_PATH_IMAGE155
为弹簧位移仿真信号；
Figure 253532DEST_PATH_IMAGE156
为弹簧位移试验信号；
Figure 991812DEST_PATH_IMAGE157
为第二误差阈值；
Figure 950541DEST_PATH_IMAGE158
为减震器上点垂向加速度仿真信号；
Figure 339934DEST_PATH_IMAGE159
为减震器上点垂向加速度试验信号；
Figure 171754DEST_PATH_IMAGE160
为第三误差阈值；
Figure 381019DEST_PATH_IMAGE161
为横向稳定杆应变仿真信号；
Figure 222067DEST_PATH_IMAGE162
为横向稳定杆应变试验信号；
Figure 262704DEST_PATH_IMAGE163
为第四误差阈值。
在一种可能的实施例中，所述第二建立模块，包括：
第一构建模块，用于构建输入层；其中，所述输入层的输出信号矩阵
Figure 531006DEST_PATH_IMAGE164
包括所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号；
第二构建模块，用于构建第一隐藏层；其中，所述第一隐藏层的传播表达式为：
Figure 227566DEST_PATH_IMAGE165
；
其中，
Figure 606726DEST_PATH_IMAGE166
为所述第一隐藏层的输出信号矩阵；
Figure 377236DEST_PATH_IMAGE167
为所述输入层到所述第一隐藏层的第一权重矩阵；
Figure 65706DEST_PATH_IMAGE168
为所述输入层到所述第一隐藏层的第一偏置矩阵；
第三构建模块，用于构建第二隐藏层；所述第二隐藏层的传播表达式为：
Figure 593771DEST_PATH_IMAGE169
；
其中，
Figure 511042DEST_PATH_IMAGE170
为所述第二隐藏层的输出信号矩阵；
Figure 401638DEST_PATH_IMAGE171
为所述第一隐藏层到所述第二隐藏层的第二权重矩阵；
Figure 261010DEST_PATH_IMAGE172
为所述第一隐藏层到所述第二隐藏层的第二偏置矩阵；
第四构建模块，用于构建输出层；所述输出层的传播表达式为：
Figure 417316DEST_PATH_IMAGE173
；
其中，
Figure 184283DEST_PATH_IMAGE174
为所述输出层输出的轮心垂向位移测量信号；
Figure 742435DEST_PATH_IMAGE175
为所述第二隐藏层到所述输出层的第三权重矩阵；
Figure 444811DEST_PATH_IMAGE176
为所述第二隐藏层到所述输出层的第三偏置矩阵。
在一种可能的实施例中，所述建模模块，包括：
训练模块，用于以满足误差函数E最小为目标，迭代训练
Figure 337681DEST_PATH_IMAGE177
、
Figure 659072DEST_PATH_IMAGE178
、
Figure 852156DEST_PATH_IMAGE179
、
Figure 538484DEST_PATH_IMAGE180
、
Figure 590753DEST_PATH_IMAGE181
和
Figure 902786DEST_PATH_IMAGE182
；具体的迭代训练公式为：
Figure 497846DEST_PATH_IMAGE183
；
其中，
Figure 604343DEST_PATH_IMAGE184
为所述轮心垂向位移仿真信号；
Figure 143908DEST_PATH_IMAGE185
为迭代训练的累计次数；
Figure 255436DEST_PATH_IMAGE186
为学习效率参数。
基于与方法同样的发明构思，本发明实施例还提供了一种车辆轮心垂向位移测量方法，如图5所示为该方法实施例的流程图，具体包括步骤71至步骤72。
步骤71，在整车行驶过程中获取整车的轮心垂向加速度实测信号和弹簧位移实测信号。
具体的，该整车的类型和目标类型车辆的类型相同。
步骤72，将所述轮心垂向加速度实测信号和所述弹簧位移实测信号输入进上文中任一所述训练方法中的目标神经网络模型中，获取所述整车的轮心垂向位移实测信号。
具体的，将车辆在行驶过程采集的轮心三向加速度信号、弹簧位移信号输入到该神经网络模型***，最终得到车辆在行驶过程中的轮心垂向位移信号。
具体的，上文中任一所述训练方法中的目标神经网络模型是指训练好的目标神经网络模型。
基于与方法同样的发明构思，本发明实施例还提供了一种车辆轮心垂向位移测量装置，如图6所示为该装置实施例的结构示意图，所述装置包括：
获取单元81，用于在整车行驶过程中获取整车的轮心垂向加速度实测信号和弹簧位移实测信号；
处理单元82，用于将所述轮心垂向加速度实测信号和所述弹簧位移实测信号输入如上文所述的模型训练方法中的目标神经网络模型中，获取所述整车的轮心垂向位移实测信号。
基于与前述实施例中同样的发明构思，本发明实施例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前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一所述方法的步骤。
本发明实施例中提供的技术方案，至少具有如下技术效果或优点：
本发明实施例首先建立初始整车多体仿真模型；其中，其输入量包括轮心垂向位移仿真信号，其输出量包括轮心垂向加速度仿真信号和减震器弹簧位移仿真信号；然后利用整车轴耦合试验台模拟出整车试验模拟工况，采集获得整车传感器组输出的传感信号，通过优化校准获得整车多体仿真模型；之后建立初始神经网络模型；最后利用整车多体仿真模型对应的多组输入量和输出量，训练获得用于测量车辆轮心垂向位移的目标神经网络模型。本发明实施例利用常用传感器和神经网络模型来测量车辆轮心垂向位移，降低了测量成本，在测量中将轮心垂向加速度信号及弹簧信号考虑作为计算输入，减少了轮心垂向加速度在低频区间上的计算误差，提高了测量精度，从而低成本高精度地测量出车辆轮心垂向位移。
进一步地，本发明实施例采用常见的传感器组建整车传感器组，通过优化校准获得整车多体仿真模型，减少了原有成本较高的激光传感器等的使用，进一步减少了整体测量成本。同时，经校正优化的整车多体仿真模型，能够为初始神经网络模型的训练提供高精度的训练样本，进一步提高了模型训练质量，从而提高了测量精度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置（模块、***）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种模型训练方法，其特征在于，所述方法包括：
获得目标类型车辆的整车多体仿真模型；其中，所述整车多体仿真模型的输入包括轮心垂向位移仿真信号，所述整车多体仿真模型的输出包括轮心垂向加速度仿真信号和弹簧位移仿真信号；
构建初始神经网络模型；
以所述初始神经网络模型输出的初始轮心垂向位移测量信号与所述轮心垂向位移仿真信号的误差最小为目标，将所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号输入所述初始神经网络模型进行迭代训练，获取用于测量车辆轮心垂向位移的目标神经网络模型。
2.根据权利要求1所述的模型训练方法，其特征在于，所述获得目标类型车辆的整车多体仿真模型，包括：
获得所述目标类型车辆的初始整车多体仿真模型；
将所述轮心垂向位移仿真信号输入所述初始整车多体仿真模型进行仿真，得到所述初始整车多体仿真模型的仿真输出信号；
基于轮心垂向位移实际信号驱动所述目标类型车辆，并通过所述目标类型车辆上的整车传感器组获得试验传感信号；其中，所述整车传感器组包括：轮心加速度传感器、减震器安装点加速度传感器、弹簧位移传感器和横向稳定杆应变传感器中的一种或多种；
基于所述试验传感信号和仿真输出信号，将所述初始整车多体仿真模型优化为所述整车多体仿真模型。
3.根据权利要求2所述的模型训练方法，其特征在于，所述获得所述目标类型车辆的初始整车多体仿真模型之后，所述方法还包括：控制所述初始整车多体仿真模型和所述目标类型车辆处于相同整车试验模拟工况中；
所述基于所述试验传感信号和仿真输出信号，将所述初始整车多体仿真模型优化为所述整车多体仿真模型，具体包括：
以所述试验传感信号和所述仿真输出信号满足优化校准判据中的一个或者多个表达式为目标，调整所述初始整车多体仿真模型的建模参数，获得所述整车多体仿真模型；其中，所述优化校准判据的表达式为：
Figure DEST_PATH_IMAGE002
；
其中，RMS为均方根值正则化求解函数；
Figure DEST_PATH_IMAGE004
为轮心垂向加速度仿真信号；
Figure DEST_PATH_IMAGE006
为轮心垂向加速度试验信号；
Figure DEST_PATH_IMAGE008
为第一误差阈值；
Figure DEST_PATH_IMAGE010
为弹簧位移仿真信号；
Figure DEST_PATH_IMAGE012
为弹簧位移试验信号；
Figure DEST_PATH_IMAGE014
为第二误差阈值；
Figure DEST_PATH_IMAGE016
为减震器上点垂向加速度仿真信号；
Figure DEST_PATH_IMAGE018
为减震器上点垂向加速度试验信号；
Figure DEST_PATH_IMAGE020
为第三误差阈值；
Figure DEST_PATH_IMAGE022
为横向稳定杆应变仿真信号；
Figure DEST_PATH_IMAGE024
为横向稳定杆应变试验信号；
Figure DEST_PATH_IMAGE026
为第四误差阈值。
4.根据权利要求1所述的模型训练方法，其特征在于，所述构建初始神经网络模型，包括：
构建输入层；其中，所述输入层的输出信号矩阵
Figure DEST_PATH_IMAGE028
包括所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号；
构建第一隐藏层；其中，所述第一隐藏层的传播表达式为：
Figure DEST_PATH_IMAGE030
；
其中，
Figure DEST_PATH_IMAGE032
为所述第一隐藏层的输出信号矩阵；
Figure DEST_PATH_IMAGE034
为所述输入层到所述第一隐藏层的第一权重矩阵；
Figure DEST_PATH_IMAGE036
为所述输入层到所述第一隐藏层的第一偏置矩阵；
构建第二隐藏层；所述第二隐藏层的传播表达式为：
Figure DEST_PATH_IMAGE038
；
其中，
Figure DEST_PATH_IMAGE040
为所述第二隐藏层的输出信号矩阵；
Figure DEST_PATH_IMAGE042
为所述第一隐藏层到所述第二隐藏层的第二权重矩阵；
Figure DEST_PATH_IMAGE044
为所述第一隐藏层到所述第二隐藏层的第二偏置矩阵；
构建输出层；所述输出层的传播表达式为：
Figure DEST_PATH_IMAGE046
；
其中，
Figure DEST_PATH_IMAGE048
为所述输出层输出的轮心垂向位移测量信号；
Figure DEST_PATH_IMAGE050
为所述第二隐藏层到所述输出层的第三权重矩阵；
Figure DEST_PATH_IMAGE052
为所述第二隐藏层到所述输出层的第三偏置矩阵。
5.根据权利要求4所述的模型训练方法，其特征在于，所述获取用于测量车辆轮心垂向位移的目标神经网络模型，包括：
以满足误差函数E最小为目标，迭代训练
Figure DEST_PATH_IMAGE054
、
Figure DEST_PATH_IMAGE056
、
Figure DEST_PATH_IMAGE058
、
Figure DEST_PATH_IMAGE060
、
Figure DEST_PATH_IMAGE062
和
Figure DEST_PATH_IMAGE064
；具体的迭代训练公式为：
Figure DEST_PATH_IMAGE066
；
其中，RMS为均方根值正则化求解函数；
Figure DEST_PATH_IMAGE068
为所述轮心垂向位移仿真信号；
Figure DEST_PATH_IMAGE070
为迭代训练的累计次数；
Figure DEST_PATH_IMAGE072
为学习效率参数。
6.一种模型训练装置，其特征在于，所述装置包括：
第一建立模块，用于获得目标类型车辆的整车多体仿真模型；所述整车多体仿真模型的输入包括轮心垂向位移仿真信号，所述整车多体仿真模型的输出包括轮心垂向加速度仿真信号和弹簧位移仿真信号；
第二建立模块，用于构建初始神经网络模型；
建模模块，用于以所述初始神经网络模型输出的初始轮心垂向位移测量信号与所述轮心垂向位移仿真信号的误差最小为目标，将所述轮心垂向加速度仿真信号和所述弹簧位移仿真信号输入所述初始神经网络模型进行迭代训练，获取用于测量车辆轮心垂向位移的目标神经网络模型。
7.一种车辆轮心垂向位移测量方法，其特征在于，所述方法包括：
在整车行驶过程中获取整车的轮心垂向加速度实测信号和弹簧位移实测信号；
将所述轮心垂向加速度实测信号和所述弹簧位移实测信号输入如权利要求1至5任一项所述的模型训练方法中的目标神经网络模型中，获取所述整车的轮心垂向位移实测信号。
8.一种车辆轮心垂向位移测量装置，其特征在于，所述方法包括：
获取单元，用于在整车行驶过程中获取整车的轮心垂向加速度实测信号和弹簧位移实测信号；
处理单元，用于将所述轮心垂向加速度实测信号和所述弹簧位移实测信号输入如权利要求1至5任一项所述的模型训练方法中的目标神经网络模型中，获取所述整车的轮心垂向位移实测信号。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现权利要求1至5任一项所述的方法的步骤；或者用于执行所述计算机程序以实现权利要求7所述的方法的步骤。
10.一种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以实现权利要求1至5任一项所述的方法的步骤；或者用于执行所述计算机程序以实现权利要求7所述的方法的步骤。
CN202111132180.5A 2021-09-27 2021-09-27 一种基于模型训练的车辆轮心垂向位移测量方法和装置 Active CN113570057B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111132180.5A CN113570057B (zh) 2021-09-27 2021-09-27 一种基于模型训练的车辆轮心垂向位移测量方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111132180.5A CN113570057B (zh) 2021-09-27 2021-09-27 一种基于模型训练的车辆轮心垂向位移测量方法和装置

Publications (2)

Publication Number Publication Date
CN113570057A CN113570057A (zh) 2021-10-29
CN113570057B true CN113570057B (zh) 2021-12-14

Family

ID=78174676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111132180.5A Active CN113570057B (zh) 2021-09-27 2021-09-27 一种基于模型训练的车辆轮心垂向位移测量方法和装置

Country Status (1)

Country Link
CN (1) CN113570057B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114894138B (zh) * 2022-06-14 2023-06-30 广汽本田汽车有限公司 汽车车轮垂向位移差检测方法、***、设备及存储介质
CN115659492A (zh) * 2022-10-10 2023-01-31 南京邮电大学 一种复杂装备非线性振动模型参数优化方法
CN116663434B (zh) * 2023-07-31 2023-12-05 江铃汽车股份有限公司 一种基于lstm深度神经网络的整车载荷分解方法
CN116702628A (zh) * 2023-07-31 2023-09-05 江铃汽车股份有限公司 一种基于卷积深度神经网络的汽车轮心垂向位移求解方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103852268B (zh) * 2012-12-03 2016-05-18 上海汽车集团股份有限公司 用于测试悬架动态运动学特性的***
CN103196681B (zh) * 2013-03-13 2015-11-11 北京交通大学 基于转向架加速度的列车运行舒适度预测方法
CN104239734A (zh) * 2014-09-24 2014-12-24 重庆长安汽车股份有限公司 一种整车四轮六分力道路谱载荷分析方法
CN106644519B (zh) * 2017-01-17 2020-03-06 北京汽车研究总院有限公司 一种车辆垂向动力学模型参数辨识的方法及装置
JP6842112B2 (ja) * 2017-04-27 2021-03-17 国立大学法人 東京大学 路面プロファイル推定装置、路面プロファイル推定システム、路面プロファイル推定方法及び路面プロファイル推定プログラム
US11029693B2 (en) * 2017-08-08 2021-06-08 Tusimple, Inc. Neural network based vehicle dynamics model
CN107480395B (zh) * 2017-08-29 2019-12-13 燕山大学 一种车辆转向节载荷谱预测模型的构建方法及***
CN108859648B (zh) * 2018-08-16 2020-02-18 辽宁工业大学 一种悬架减震器阻尼控制切换加权系数确定方法
CN109927501A (zh) * 2019-03-12 2019-06-25 辽宁科技大学 一种汽车半主动悬架***的智能控制方法
CN111241706B (zh) * 2020-01-23 2022-10-21 上海理工大学 基于动态k&c试验***的汽车悬架动载性能评价方法
CN111634291A (zh) * 2020-05-07 2020-09-08 中国第一汽车股份有限公司 减振器状态检测方法、装置、车辆和存储介质

Also Published As

Publication number Publication date
CN113570057A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN113570057B (zh) 一种基于模型训练的车辆轮心垂向位移测量方法和装置
US5610330A (en) Effective road profile control method for a spindle-coupled road simulator
US6134957A (en) Multiple degree-of-freedom tire modeling method and system for use with a vehicle spindle-coupled simulator
Dodds et al. Laboratory road simulation for full vehicle testing: a review
CN104239734A (zh) 一种整车四轮六分力道路谱载荷分析方法
JP2010529420A (ja) 負荷システムおよび車両モデルを用いた車軸評価および調整のための方法およびシステム
CN103076148B (zh) 基于跌落实验双-4自由度半车模型的车辆参数识别方法
CN106644519B (zh) 一种车辆垂向动力学模型参数辨识的方法及装置
You et al. Advances of virtual testing and hybrid simulation in automotive performance and durability evaluation
CN112595528B (zh) 车辆行驶工况下动力总成悬置主动侧激励力的识别方法
JP2019023667A (ja) 連結ハイブリッド動的システムを試験する方法およびシステム
US5900542A (en) Method and apparatus for modelling a tire for use with a vehicle spindle-coupled simulator
GB2494712A (en) Test rig and method for testing a subsystem of a vehicle
US5750890A (en) Method and apparatus for modelling a tire for use with a vehicle spindle-coupled simulator
Elkafafy et al. Machine learning and system identification for the estimation of data-driven models: An experimental case study illustrated on a tire-suspension system
Yang et al. A study on a vehicle semi-active suspension control system based on road elevation identification
CN111090959B (zh) 车辆载荷谱获取方法和***
Schudt et al. Virtual road load data acquisition in practice at general motors
CN111380649A (zh) 基于pso优化lssvm的车用多维力传感器解耦方法
CN117010077A (zh) 车辆的悬架中驱动轴极限夹角的校核方法和装置
CN115098946A (zh) 一种车内噪声稳健性优化设计方法和存储介质
KR20160053983A (ko) 컴플라이언트 액추에이터 조립체 및 반복적으로 획득된 구동 신호를 갖는 테스트 시스템
Wenkui et al. Dynamic simulation analysis of pothole event based on vRLDA
KR102218146B1 (ko) 연성 하이브리드 동적 시스템의 시뮬레이션을 위한 오프라인 제어 방법 및 시스템
US20160363508A1 (en) Method and system for inspecting a motor vehicle subsystem

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant