一种基于阻力因素的停车制动距离模拟计算方法技术

本发明专利技术提供了一种基于阻力因素的停车制动距离模拟计算方法，包括：通过汽车制动测试系统，对待测车辆在不同阻力因素下的制动距离进行测试得到制动距离样本，并在测试过程中采集阻力因素样本；筛选所述制动距离样本和所述阻力因素样本，作为训练样本集；将所述训练样本集进行分类，构建神经网络模型，提取出数据中有效的隐藏特征，调整模型参数，优化预测精度，直至模型内部参数收敛，得到训练完成的神经网络模型，作为制动距离模型；将预测阻力因素样本输入所述制动距离模型，得到预测制动距离。离。离。

【技术实现步骤摘要】
一种基于阻力因素的停车制动距离模拟计算方法


[0001]本专利技术涉及汽车制动模型计算领域，尤其涉及一种基于阻力因素的停车制动距离模拟计算方法。

技术介绍

[0002]制动系统是一切行走车辆的主要工作系统之一，因为它关系到行车的安全性。制动距离是衡量一款车的制动性能的关键性参数之一，它的意思就人们在车辆处于某一时速的情况下，从开始制动到汽车完全静止时，车辆所开过的路程。是汽车在一定的初速度下，从驾驶员急踩制动踏板开始，到汽车完全停住为止所驶过的距离。包括反应距离和制动距离两个部分。制动距离越小，汽车的制动性能就越好。由于它比较直观，因此成为广泛采用的评价制动效能的指标。停车制动距离的模拟计算可以对汽车制动系统的模拟和改进，提高制动行能提供数据参考，良好的制动性能对保证安全性。

技术实现思路

[0003]本专利技术提供了一种基于阻力因素的停车制动距离模拟计算方法，根据阻力因素样本训练得到制动距离模型，进而预测阻力因素样本输入所述制动距离模型，得到预测制动距离，预测准确。
[0004]本专利技术提供的技术方案为：
[0005]一种基于阻力因素的停车制动距离模拟计算方法，包括：
[0006]通过汽车制动测试系统，对待测车辆在不同阻力因素下的制动距离进行测试得到制动距离样本，并在测试过程中采集阻力因素样本；
[0007]筛选所述制动距离样本和所述阻力因素样本，作为训练样本集；
[0008]将所述训练样本集进行分类，构建神经网络模型，提取出数据中有效的隐藏特征，调整模型参数，优化预测精度，直至模型内部参数收敛，得到训练完成的神经网络模型，作为制动距离模型；
[0009]将预测阻力因素样本输入所述制动距离模型，得到预测制动距离；
[0010]其中，所述阻力因素样本由风阻值、地面摩擦力和路面坡度值计算获得。
[0011]优选的是，所述制动距离样本和所述阻力因素样本分别在、25℃和45℃三种温度下进行采集。
[0012]优选的是，所述神经网络模型为三层神经网络模型。
[0013]优选的是，所述神经网络模型包括：
[0014]确定三层BP神经网络的输入层神经元向量，所述输入层神经元向量为预测阻力因素样本；
[0015]将所述输入层向量映射到隐层，隐层的神经元为m个；
[0016]得到输出层神经元向量，所述输出层神经元向量为制动距离。
[0017]优选的是，所述阻力因素样本计算包括：
[0018]获取风阻值、地面摩擦力和路面坡度值的对应关系；
[0019]根据路面坡度值，计算坡度阻力值。
[0020]优选的是，所述坡度阻力值计算公式为：
[0021]F
j
＝δ
·
mgsinα；
[0022]其中，F
j
为坡度阻力值，δ为质量转换系数，m为汽车质量，g为重力系数，α为坡度阻力值。
[0023]优选的是，还包括对输入层神经元向量进行归一化，所述归一化计算公式为：
[0024][0025]其中，为归一化的第j项输入层神经元向量，o
j
分别为输入层神经元向量：风阻、地面摩擦力和坡度阻力值，j＝1,2,3；o
jmax
和o
jmin
分别为对应输入层神经元向量中的设定的最大值和最小值。
[0026]优选的是，所述隐层的神经元为3个。
[0027]优选的是，所述隐层及所述输出层的激励函数均采用S型函数f
j
(x)＝1/(1+e
‑
x
)。
[0028]有益效果
[0029]本专利技术提供了一种基于阻力因素的停车制动距离模拟计算方法，根据阻力因素样本训练得到制动距离模型，进而预测阻力因素样本输入所述制动距离模型，得到预测制动距离，预测准确。
附图说明
[0030]图1为本专利技术所述的基于阻力因素的停车制动距离模拟计算方法的流程图。
[0031]图2为本专利技术所述的制动距离模型曲线图
具体实施方式
[0032]以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033]需要说明的是，在本专利技术的描述中，术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所述的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0034]此外，还需要说明的是，在本专利技术的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本专利技术中的具体含义。
[0035]如图1所述，基于
技术介绍
提出的技术问题，本专利技术提供了一种基于阻力因素的停车制动距离模拟计算方法，包括：
[0036]步骤S110、通过汽车制动测试系统，对待测车辆在不同阻力因素下的制动距离进行测试得到制动距离样本，并在测试过程中采集阻力因素样本；
[0037]步骤S120、筛选所述制动距离样本和所述阻力因素样本，作为训练样本集；
[0038]步骤S130、将所述训练样本集进行分类，构建神经网络模型，提取出数据中有效的隐藏特征，调整模型参数，优化预测精度，直至模型内部参数收敛，得到训练完成的神经网络模型，作为制动距离模型；
[0039]步骤S140、将预测阻力因素样本输入所述制动距离模型，得到预测制动距离；
[0040]其中，所述阻力因素样本由风阻值、地面摩擦力和路面坡度值计算获得。
[0041]优选的是，所述制动距离样本和所述阻力因素样本分别在、25℃和45℃三种温度下进行采集。
[0042]优选的是，所述神经网络模型为三层神经网络模型。
[0043]优选的是，所述神经网络模型包括：
[0044]确定三层BP神经网络的输入层神经元向量，所述输入层神经元向量为预测阻力因素样本；
[0045]将所述输入层向量映射到隐层，隐层的神经元为m个；
[0046]得到输出层神经元向量，所述输出层神经元向量为制动距离。
[0047]优选的是，所述阻力因素样本计算包括：
[0048]获取风阻值、地面摩擦力和路面坡度值的对应关系；
[0049]根据路面坡度值，计算坡度阻力值。
[0050本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于阻力因素的停车制动距离模拟计算方法，其特征在于，包括：通过汽车制动测试系统，对待测车辆在不同阻力因素下的制动距离进行测试得到制动距离样本，并在测试过程中采集阻力因素样本；筛选所述制动距离样本和所述阻力因素样本，作为训练样本集；将所述训练样本集进行分类，构建神经网络模型，提取出数据中有效的隐藏特征，调整模型参数，优化预测精度，直至模型内部参数收敛，得到训练完成的神经网络模型，作为制动距离模型；将预测阻力因素样本输入所述制动距离模型，得到预测制动距离；其中，所述阻力因素样本由风阻值、地面摩擦力和路面坡度值计算获得。2.根据权利要求1所述的基于阻力因素的停车制动距离模拟计算方法，其特征在于，所述制动距离样本和所述阻力因素样本分别在、25℃和45℃三种温度下进行采集。3.根据权利要求1或2所述的基于阻力因素的停车制动距离模拟计算方法，其特征在于，所述神经网络模型为三层神经网络模型。4.根据权利要求3所述的基于阻力因素的停车制动距离模拟计算方法，其特征在于，所述神经网络模型包括：确定三层BP神经网络的输入层神经元向量，所述输入层神经元向量为预测阻力因素样本；将所述输入层向量映射到隐层，隐层的神经元为m个；得到输出层神经元向量，所述输出层神经元向量为制动距离。5.根据权利要求4所述的基于阻力因素的停车制动距离模拟计算方法，其特征在于...

【专利技术属性】
技术研发人员：李斌锋，孙元杰，
申请(专利权)人：武汉未来幻影科技有限公司，
类型：发明
国别省市：