[发明专利]一种基于前馈神经网络的汽车整车质量动力学获取方法

权利要求书

1.一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，包括以下步骤：

1)获取车辆行驶过程中的动力学信息，所述的动力学信息分别包括：

当前采样时刻的纵向车速v(k)、纵向加速度a(k)、总驱动/制动力矩T(k)、前车轮转速n_f(k)、后车轮转速n_r(k)和路面坡角θ(k)，以及上一采样时刻的纵向加速度a(k-1)、前车轮转速n_f(k-1)和后车轮转速n_r(k-1)；

2)将动力学信息输入训练完成的前馈神经网络，得到当前采样时刻整车质量的神经网络估计值M_NN(k)，所述的前馈神经网络训练过程中，选取试验车辆整车质量M的范围为：M∈[1.2，1.8]t；设置坡度i的变化范围为：i∈[-0.09，0.09]；设置附着系数μ的变化范围为：μ∈[0.2，0.8]；设置加速/减速踏板开度的变化范围为：[0，100％]，所述的前馈神经网络的训练过程包括以下步骤：

21)选取多辆整车质量M不同的试验车辆；

22)将各试验车辆在不同坡度i和附着系数μ的道路上以不同的加速/减速踏板开度行驶，并获取各试验车辆行驶时对应的动力学数据；

23)对各动力学数据标注对应的整车质量真值，作为训练样本；

24)利用训练样本对多层前馈神经网络进行端到端的训练，得到训练完成的前馈神经网络；

3)利用整车质量动力学估计器，获取当前采样时刻整车质量的动力学估计值M_Dynamic(k)，所述的整车质量动力学估计器的建立步骤具体包括：

31)建立车辆纵向动力学模型；

32)基于遗忘因子递推最小二乘法建立整车质量动力学估计器；

其中，所述的车辆纵向动力学模型为：

式中，M表示整车质量，a表示纵向加速度，T_i表示单个车轮上的驱动/制动力矩，I_i表示单个车轮的转动惯量，表示车轮的角加速度，r表示车轮半径，C_d表示空气阻力系数，A表示车辆迎风面积，ρ表示空气密度，v表示车辆纵向速度，g表示重力加速度，f表示滚动阻力系数，θ表示路面坡角；

建立的整车质量动力学估计器的表达式为：

φ＝a+gsinθ+gfcosθ

M_Dynamic(k)＝M_Dynamic(k-1)+L(k)[y(k)-φ^T(k)M_Dynamic(k-1)]

式中，φ和y分别为运算过程的中间变量，M_Dynamic(k)为当前采样时刻整车质量动力学估计值，M_Dynamic(k-1)为上一采样时刻整车质量动力学估计值，L表示增益系数，P表示协方差矩阵，λ表示遗忘因子，λ∈(0，1]，E表示单位矩阵；

4)将当前采样时刻整车质量的神经网络估计值M_NN(k)和动力学估计值M_Dynamic(k)，以及上一采样时刻整车质量的最终估计值M_Fusion(k-1)，进行加权融合，得到当前采样时刻整车质量的最终估计值M_Fusion(k)，模糊推理规则的输入参数包括当前采样时刻的纵向车速绝对值|v(k)|和纵向加速度绝对值|a(k)|，以及当前采样时刻与上一采样时刻的纵向加速度之差的绝对值|a(k)-a(k-1)|；所述的模糊推理规则的输出参数包括当前采样时刻整车质量的神经网络估计值M_NN(k)及其在当前采样时刻融合过程中对应的神经网络权值w_NN(k)、当前采样时刻整车质量的动力学估计值M_Dynamic(k)及其在当前采样时刻融合过程中对应的动力学权值w_Dynamic(k)、以及上一采样时刻整车质量的最终估计值M_Fusion(k-1)及其在当前采样时刻融合过程中对应的历史权值w_k-1(k)；

所述的模糊推理规则具体为：

所述的输入参数按照S、M、B的模糊隶属度进行划分；所述的输出参数按照SH、SL、M、BL、BH的模糊隶属度进行划分；

所述的纵向车速绝对值|v(k)|的论域设置为[0，120]，其单位为km·h^-1；

所述的纵向加速度绝对值|a(k)|的论域设置为[0，6]，其单位为m·s^-2；

所述的当前采样时刻与上一采样时刻的纵向加速度之差的绝对值|a(k)-a(k-1)|的论域设置为[0，0.03]，其单位为m·s^-2；

所述的当前采样时刻融合过程中神经网络权值w_NN(k)的论域设置为[0，1]；

所述的当前采样时刻融合过程中动力学权值w_Dynamic(k)的论域设置为[0，1]；

所述的当前采样时刻融合过程中历史权值w_k-1(k)的论域设置为[0，1]；

所述的加权融合的表达式为：

式中，w_NN(k)为神经网络估计值M_NN(k)对应的神经网络权值，w_Dynamic(k)为动力学估计值M_Dynamic(k)对应的动力学权值，w_k-1(k)为上一采样时刻整车质量的最终估计值M_Fusion(k-1)对应的历史权值。

2.根据权利要求1所述的一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，所述的步骤4)中，加权融合时，各参数对应的权值通过结合动力学信息，并利用模糊推理规则得到。