[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

说明书

本发明涉及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，属于汽车底盘悬架领域。具体步骤：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和做连续可调减振器外特性试验，获得CDC减振器动力学特性；搭建多层前馈嵌套神经网络；随机初始化参数；利用小批量随机下降法、提前停止等方法进行模型优化，选择最优模型；利用贝叶斯优化选择超参数；学习实验数据，获得空气弹簧动刚度模型以及连续可调减振器阻尼模型；模型精度验证。基于优化后的神经网络搭建的空气弹簧动刚度和连续可调减振器模型精度更高，解决了创建其物理模型复杂的困难，使神经网络模型学习收敛更快，效果更优秀。可更精确的实现对空气悬架的控制。

技术领域

本发明涉及汽车底盘悬架领域，属于使用神经网络的方法搭建空气弹簧与连续可调悬架模型的方法，更精确的实现对空气悬架的控制。

背景技术

随着汽车行业的飞速发展，人们对汽车驾驶的舒适性有更高的要求。汽车悬架不仅是连接车辆底盘和车身的结构，而且对车辆来自地面的振动有着重要的减振作用。汽车悬架对车辆的平顺性和操纵稳定性都有重要的影响，这两种特性的改善对悬架的要求往往是矛盾的，这进一步增加了悬架设计的难度。为缓解矛盾可控或可调悬架技术得到发展，其中的可调刚度的空气弹簧和可调阻尼的减振器已被应用于中高端乘用车悬架产品中。

目前空气弹簧与可调阻尼减振器的开发还是个技术难题，其中首要解决的就是装有空气弹簧和可调阻尼的悬架动力学模型建立：空气弹簧的静态刚度来自气体的压缩，具有较强的非线性，其结构内部摩擦和橡胶材料的粘弹特性等导致的阻尼效应使得弹簧动静刚度差异很大，进一步加大了弹簧刚度建模的难度。可调阻尼减振器在机电调节下具有实时可控的阻尼特性，这种阻尼特性如何随着调节量(液压阀开度、液体粘度等)变化、阻尼力在往复过程的滞后效应等都是阻尼特性模型建立要解决的难题。

现有的基于结构力学、流体力学等物理机理的刚度、阻尼动力学模型在表达这些非线性特性时精度都难以满足要求，特别是对于可控阻尼模型的逆模型和空气弹簧动刚度效应时都遇到了技术发展的瓶颈。因此，有必要寻求新的建模手段。

神经网络是一个新的数学建模手段，其诞生受生物中神经传导和信息处理的生物电学物理机制启发，可较好表达复杂的非线性动力学问题，且具备自学习能力，模型的建立和参数的优化需要学习训练过程，多轮的学习迭代可使得模型逼近精度不断提高。本申请将神经网络建模技术引入空气弹簧和可调阻尼减振器的动力学模型中，结合空气悬架的动力学特点设计网络结构和模型参数优化方法，具体描述如下。

发明内容

本发明的目的是利用神经网络的方法搭建空气弹簧动刚度模型，以及连续可调减振器模型。根据在台架试验所得的减振器外特性以及空气弹簧的动刚度数据，可以更加准确的实现根据数据的连续可调减振器模型和空气弹簧动刚度模型搭建。

利用小批量随机梯度下降、提前停止等方法对模型优化，并且增加了模型训练的收敛速度。利用Xavier初始化参数。

利用贝叶斯优化选择超参数。在获得最优模型的同时，大大减少了学习时间。

选择利用神经网络搭建悬架模型，可以改变传统数学模型精度较低的缺点。神经网络搭建CDC减振器模型和空气弹簧动刚度模型具有精度高，并且使用方便的优势。

本发明提供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，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；