[发明专利]基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法

权利要求书

1.一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，包括以下步骤：

步骤1包括，1.1在台架上做空气弹簧动刚度试验，获得空气弹簧动刚度特性；1.2在台架上做连续可调减振器外特性试验，获得CDC减振器动力学特性；

步骤2包括，2.1数据预先处理：2.1.1利用分层抽样，将空气悬架阻尼特性数据分为全训练集和测试集，分配的比例为10:2；2.1.2对全训练集进行重新排序，能更普遍的学习到各种不同数据之间的关系；2.1.3重新利用分层抽样将全训练集分为训练集和验证集，分配的比例为10:2；

所述训练集的数据用来作为神经网络的输入，验证集中的数据用来检验模型的准确性，并在迭代中优化模型；所述测试集中的数据用来检验模型的泛化特性；

2.2设计神经网络结构：搭建学习空气弹簧动模型的多层前馈嵌套神经网络，单个神经元，在这个模型中，神经元收到来自n个其他神经元传递过来的输入信号，这些信号通过带有权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理产生的神经元的输出；

步骤3，随机初始化参数，根据每层的输入个数和输出个数来决定参数随机初始化的分布范围；

步骤4，利用小批量随机下降进行优化、提前停止选择最优模型，包括：4.1优化方式为小批量随机梯度下降法“MBGD”，4.2使用提前停止的方法获得最优模型；

步骤5，利用贝叶斯优化选择超参数：学习率、各隐藏层中的神经元数，贝叶斯优化方法选择超参数分为四个部分：目标函数、域空间、优化过程、及结果展示；

步骤6，学习实验数据：针对空气弹簧动刚度模型，神经网络的输入为弹簧相对位移Dt、振动频率f两个输入量，输出为空气弹簧力Ft；针对CDC减振器阻尼模型，神经网络的输入为相对位移Dc、相对速度Vc和输入电流I，输出为阻尼力Fc；导入测量的数据文件，开始迭代学习，最后将学到的最优模型，保存；

步骤7，模型精度验证：将预测的结果与验证集进行比较，获得接近96.8％的模型精度，比传统建模方式更加准确。

2.根据权利要求1所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：

步骤1.1：将空气悬架气囊中充满气体，达到0.5±0.05Mpa，空气弹簧的底部经拉压力变送器与振动台联结，随振动台不同频率f范围在0.5Hz～20Hz之间和不同的振幅的正弦振动；空气弹簧动载荷有拉压力变送器测得，空气弹簧的相对位移由位移变送器测得；获得空气弹簧的弹簧力Ft与频率f，相对位移Dt的关系；

步骤1.2：将连续可调减振器的输入电流分为n等分，值的范围：0A～1A，每个输入电流下，作动器输入三个不同频率，相同幅值的正弦输入；每个正弦输入循环四次；或以输入不同等级的随机输入，然后获得空气悬架的阻尼外特性；即获得电流I、相对速度Vc、相对位移Dc与减振器阻尼力Fc的数据关系。

3.根据权利要求1所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：

步骤2.2包括：

2.2.1选择激活函数为ReLU为输出层函数；

所述激活函数

ReLU函数是连续的，在z＝0时不可微分，坡度的突然变化可使梯度下降反弹；

选择sigmoid函数为隐藏层函数

2.2.2 sigmoid函数是连续可导函数，而且基本输出只有0,1值，可以大大降低收敛时间，加快学习速度；

2.2.3调用缩放函数，对训练集和测试集的数据进行归一化处理，把数据经过处理后使之限定在一定的范围内，可限制在区间[0,1]或者[-1,1]；

2.2.4设置神经网络的结构，设置一个输入层，然后设置四个隐藏层，再设置一个结合层，将第三层的隐藏层和第四层的隐藏层结合起来输入给输出层；

2.2.5选择损失函数为“MSE”，损失函数loss function即代价函数cost function，是神经网络优化的目标函数，神经网络训练或者优化的过程就是最小化损失函数的过程，损失函数值小了，对应预测的结果和真实结果的值就越接近。