【技术实现步骤摘要】
本专利技术涉及车辆控制领域，具体涉及一种基于路面识别的悬架自适应控制方法及系统。
技术介绍
1、悬架系统是汽车上的重要部件之一，它将车身与车轮弹性地连接起来，传递作用在车轮和车身之间的各种力和力矩，缓和路面冲击，衰减车身振动，保证汽车的乘坐舒适性、行驶安全性和操控性。为了提供最佳的驾驶体验，悬架系统的设计需要能够适应不同的路面状况，因为不同的路面状况对悬架参数的要求不同，从而影响车辆在不同路况下的稳定性和舒适性。
2、然而，传统的悬架设计与控制方法通常采用人工试验和主观判断的方式来调整参数，这种方法不仅主观性较强、测试周期长，而且难以实现悬架系统与路面的精准匹配，传统的悬架控制存在无法实时识别当前的路面状况，从而无法动态调节悬架参数适应当前路面的问题。
3、因此，为解决以上问题，需要一种基于路面识别的悬架自适应控制方法及系统，能够实时识别路面等级，并根据车辆在路面的行驶状态，自动调节合适的阻尼力来适应当前路面，以提高车辆的舒适性和安全性。
技术实现思路
1、有鉴于此，本专利技术的目的是克服现有技术中的缺陷，提供基于路面识别的悬架自适应控制方法及系统，能够实时识别路面等级，并根据车辆在路面的行驶状态，自动调节合适的阻尼力来适应当前路面，以提高车辆的舒适性和安全性。
2、本专利技术的基于路面识别的悬架自适应控制方法，包括如下步骤：
3、对目标路面的等级进行识别，得到目标路面的路面等级；
4、构建路面等级与最优阻尼系数对应表，并
5、调节电磁阀的工作电流，改变节流通道的大小，使得车辆的阻尼系数为对应的最优阻尼系数，实现对悬架阻尼的调节。
6、进一步，对目标路面的等级进行识别，得到目标路面的路面等级，具体包括：
7、采集车辆在各种路面条件下的时间序列数据；其中，所述时间序列数据包括若干不同时间点的车辆特征数据；所述车辆特征数据包括簧上加速度、簧下加速度以及簧上位移；
8、将所述时间序列数据作为数据集输入到神经网络模型，对神经网络模型进行训练，得到训练好的神经网络模型；
9、将目标路面对应的时间序列数据输入到训练好的神经网络模型，输出目标路面的路面等级。
10、进一步，所述神经网络模型按照数据流方向依次包括输入层、卷积层、展平层、全连接层以及输出层；
11、所述卷积层：第一层是conv1d，用64个过滤器进行卷积，激活函数为relu，并使用same填充，接着是maxpooling1d，池化窗口大小为2；第二层卷积使用128个过滤器，其余参数与第一层相同；
12、所述展平层，用于将卷积层处理后的特征转换为一维向量，以便连接到全连接层；
13、所述全连接层：第一个dense层有256个神经元，激活函数为relu；接着是dropout层，丢弃率为0.5，以减少过拟合；第二个dense层有128个神经元，激活函数为relu。
14、进一步，构建路面等级与最优阻尼系数对应表，具体包括如下步骤：
15、a.使用滤波白噪声法模拟生成若干等级路面；
16、b.构建等效天棚模型：
17、
18、其中，ms和mt分别为簧上质量和簧下质量；ks和kt分别为悬架弹簧刚度和轮胎刚度；和分别为簧上加速度和簧下加速度；c为悬架基础阻尼系数；xr为路面激励，csky为半主动悬架天棚控制阻尼系数；xs表示簧上位移；xt表示簧下位移；fd为等效天棚阻尼力；
19、
20、和分别为簧上速度和簧下速度；cmin为悬架阻尼系数最小值；
21、c.分别对若干等级路面，进行如下操作：调整等效天棚模型中各参数值，使得满足综合性能目标函数，将满足综合性能目标函数时设定的半主动悬架天棚控制阻尼系数作为最优阻尼系数；
22、d.将步骤c中得到的若干最优阻尼系数分别与等级路面进行一一对应，形成路面等级与最优阻尼系数对应表。
23、进一步，根据如下公式确定综合性能目标函数：
24、
25、其中，pc为汽车行驶在当前阻尼下的舒适性概率；ps为安全性概率；pn为悬架不碰到限位块的概率；α为权重系数。
26、一种基于路面识别的悬架自适应控制系统，包括路面识别单元、最优阻尼单元以及控制单元；
27、所述路面识别单元，用于对目标路面的等级进行识别，得到目标路面的路面等级；
28、所述最优阻尼单元，用于构建路面等级与最优阻尼系数对应表，并从所述对应表中，查询得到目标路面的路面等级对应的最优阻尼系数；
29、所述控制单元，用于调节电磁阀的工作电流，改变节流通道的大小，使得车辆的阻尼系数为对应的最优阻尼系数，实现对悬架阻尼的调节。
30、进一步，对目标路面的等级进行识别，得到目标路面的路面等级，具体包括：
31、采集车辆在各种路面条件下的时间序列数据；其中，所述时间序列数据包括若干不同时间点的车辆特征数据；所述车辆特征数据包括簧上加速度、簧下加速度以及簧上位移；
32、将所述时间序列数据作为数据集输入到神经网络模型，对神经网络模型进行训练，得到训练好的神经网络模型；
33、将目标路面对应的时间序列数据输入到训练好的神经网络模型，输出目标路面的路面等级。
34、进一步，所述神经网络模型按照数据流方向依次包括输入层、卷积层、展平层、全连接层以及输出层；
35、所述卷积层：第一层是conv1d，用64个过滤器进行卷积，激活函数为relu，并使用same填充，接着是maxpooling1d，池化窗口大小为2；第二层卷积使用128个过滤器，其余参数与第一层相同；
36、所述展平层，用于将卷积层处理后的特征转换为一维向量，以便连接到全连接层；
37、所述全连接层：第一个dense层有256个神经元，激活函数为relu；接着是dropout层，丢弃率为0.5，以减少过拟合；第二个dense层有128个神经元，激活函数为relu。
38、进一步，构建路面等级与最优阻尼系数对应表，具体包括如下步骤：
39、a.使用滤波白噪声法模拟生成若干等级路面；
40、b.构建等效天棚模型：
41、
42、其中，ms和mt分别为簧上质量和簧下质量；ks和kt分别为悬架弹簧刚度和轮胎刚度；和分别为簧上加速度和簧下加速度；c为悬架基础阻尼系数；xr为路面激励，csky为半主动悬架天棚控制阻尼系数；xs表示簧上位移；xt表示簧下位移；fd为等效天棚阻尼力；
43、
44、和分别为簧上速度和簧下速度；cmin为悬架阻尼系数最小值；
45、c.分别对若干等级路面，进行如下操作：调整等效天棚模型中各参数值，使得满足综合性能目标函数，将满足综合性本文档来自技高网...
【技术保护点】
1.一种基于路面识别的悬架自适应控制方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于路面识别的悬架自适应控制方法，其特征在于：对目标路面的等级进行识别，得到目标路面的路面等级，具体包括：
3.根据权利要求2所述的基于路面识别的悬架自适应控制方法，其特征在于：所述神经网络模型按照数据流方向依次包括输入层、卷积层、展平层、全连接层以及输出层；
4.根据权利要求1所述的基于路面识别的悬架自适应控制方法，其特征在于：构建路面等级与最优阻尼系数对应表，具体包括如下步骤：
5.根据权利要求4所述的基于路面识别的悬架自适应控制方法，其特征在于：根据如下公式确定综合性能目标函数：
6.一种基于路面识别的悬架自适应控制系统，其特征在于：包括路面识别单元、最优阻尼单元以及控制单元；
7.根据权利要求1所述的基于路面识别的悬架自适应控制系统，其特征在于：对目标路面的等级进行识别，得到目标路面的路面等级，具体包括：
8.根据权利要求7所述的基于路面识别的悬架自适应控制系统，其特征在于：所述神经网络模型按照数
9.根据权利要求1所述的基于路面识别的悬架自适应控制系统，其特征在于：构建路面等级与最优阻尼系数对应表，具体包括如下步骤：
10.根据权利要求4所述的基于路面识别的悬架自适应控制系统，其特征在于：根据如下公式确定综合性能目标函数：
...【技术特征摘要】
1.一种基于路面识别的悬架自适应控制方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于路面识别的悬架自适应控制方法，其特征在于：对目标路面的等级进行识别，得到目标路面的路面等级，具体包括：
3.根据权利要求2所述的基于路面识别的悬架自适应控制方法，其特征在于：所述神经网络模型按照数据流方向依次包括输入层、卷积层、展平层、全连接层以及输出层；
4.根据权利要求1所述的基于路面识别的悬架自适应控制方法，其特征在于：构建路面等级与最优阻尼系数对应表，具体包括如下步骤：
5.根据权利要求4所述的基于路面识别的悬架自适应控制方法，其特征在于：根据如下公式确定综合性能目标函数：
6.一种基...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。