基于卷积神经网络的汽车操纵稳定性试验类型识别方法

针对汽车操纵稳定性试验评价指标自动化处理需要自动识别试验类型的需求,提出一种基于卷积神经网络的汽车操纵稳定性试验类型自动分类方法。在分析汽车操纵稳定性试验类型数据图像特征的基础上,建立了由1个输入层、3个卷积层、3个批归一化层、2个最大池化(Max-pooling)层、5个线性整流函数(ReLU)层、3个全连接层、2个活化(Dropout)层、1个激活函数(Softmax)层和1个分类输出层组成的汽车操纵稳定性试验类型分类卷积神经网络模型。利用2250组试验采集的数据对模型进行了训练和验证。经验证,类型分类准确率为99.33%,平均识别时间为0.05 s。结果表明,本文提出的基于卷积神经网络的汽车操纵稳定性试验类型自动识别方法可有效区分不同试验类型,可用于汽车操纵稳定性试验结果的自动处理,显著提升汽车操纵稳定性试验自动化处理水平。

虚拟试验场RGR路面模型重构研究

路面模型是虚拟试验场车辆舒适性分析,道路载荷谱分析等必不可少的输入。为了将国内西部某汽车试验场的真实道路转换为路面模型,首先采用PPS激光扫描仪,IMU惯导模块,GNSS基站等设备集成的移动路面扫描系统进行扫描,获得了物理道路的3维扫描点云。然后采用样条曲线拟合道路中心线,并沿中心线构建2维平面栅格点。接着以自然相邻点插值法计算平面栅格点的高程值。最后将3维栅格点云转换为可在多体动力学仿真软件ADAMS中使用的RGR(regular grid road)路面模型。以重构的路面模型为基础,结合FTire轮胎模型,整车多体动力学模型搭建起完整的虚拟试验场仿真系统。为了检验仿真精度,采用带有轮心六分力仪,加速度传感器的路谱采集车进行道路谱载荷采集试验。在大特征破坏路面坑洼路和平稳随机型路面鹅卵石路下,轮心垂向力和轮心垂向加速度等仿真结果与实测数据均吻合良好,表明重构的路面模型及其虚拟试验场具有较好的精度。