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 PDFInfo
- 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
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
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:
其中,RMS为均方根值正则化求解函数;为轮心垂向加速度仿真信号;为轮心垂向加速度试验信号;为第一误差阈值;为弹簧位移仿真信号;为弹簧位移试验信号;为第二误差阈值;为减震器上点垂向加速度仿真信号;为减震器上点垂向加速度试验信号;为第三误差阈值;为横向稳定杆应变仿真信号;为横向稳定杆应变试验信号;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:
构建第一隐藏层;其中,所述第一隐藏层的传播表达式为:
构建第二隐藏层;所述第二隐藏层的传播表达式为:
构建输出层;所述输出层的传播表达式为:
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:
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:
其中,RMS为均方根值正则化求解函数;为轮心垂向加速度仿真信号;为轮心垂向加速度试验信号;为第一误差阈值;为弹簧位移仿真信号;为弹簧位移试验信号;为第二误差阈值;为减震器上点垂向加速度仿真信号;为减震器上点垂向加速度试验信号;为第三误差阈值;为横向稳定杆应变仿真信号;为横向稳定杆应变试验信号;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:
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:
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:
在一种可能的实施例中,所述建模模块,包括:
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,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,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:
其中,RMS为均方根值正则化求解函数;为轮心垂向加速度仿真信号;为轮心垂向加速度试验信号;为第一误差阈值;为弹簧位移仿真信号;为弹簧位移试验信号;为第二误差阈值;为减震器上点垂向加速度仿真信号;为减震器上点垂向加速度试验信号;为第三误差阈值;为横向稳定杆应变仿真信号;为横向稳定杆应变试验信号;为第四误差阈值。
具体的,仿真输出信号包括为轮心垂向加速度仿真信号、为弹簧位移仿真信号、为减震器上点垂向加速度仿真信号和为横向稳定杆应变仿真信号中的一种或多种;试验传感信号包括为轮心垂向加速度试验信号、为弹簧位移试验信号、为减震器上点垂向加速度试验信号和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。
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:
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:
步骤44,构建输出层;所述输出层的传播表达式为:
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。
具体的,为第p次迭代训练中的,为第p次迭代训练中的,为第p次迭代训练中的,为第p次迭代训练中的,为第p次迭代训练中的,为第p次迭代训练中的;为第p-1次迭代训练中的,为第p-1次迭代训练中的,为第p-1次迭代训练中的,为第p-1次迭代训练中的,为第p-1次迭代训练中的,为第p-1次迭代训练中的。
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:
其中,RMS为均方根值正则化求解函数;为轮心垂向加速度仿真信号;为轮心垂向加速度试验信号;为第一误差阈值;为弹簧位移仿真信号;为弹簧位移试验信号;为第二误差阈值;为减震器上点垂向加速度仿真信号;为减震器上点垂向加速度试验信号;为第三误差阈值;为横向稳定杆应变仿真信号;为横向稳定杆应变试验信号;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:
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:
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:
在一种可能的实施例中,所述建模模块,包括:
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:
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:
构建第一隐藏层;其中,所述第一隐藏层的传播表达式为:
构建第二隐藏层;所述第二隐藏层的传播表达式为:
构建输出层;所述输出层的传播表达式为:
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。
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)
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)
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 |
-
2021
- 2021-09-27 CN CN202111132180.5A patent/CN113570057B/zh active Active
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 |