考虑前车运动不确定性的多目标自适应巡航控制

考虑前车运动状态不可控所带来的性能下降,提出一种基于高斯过程的随机模型预测多目标自适应巡航控制方法。基于车间运动关系对跟驰系统进行集成建模,综合考虑车辆安全、经济、舒适等多维诉求,确定跟驰系统目标函数与性能约束;引入径向基核描述样本间的关系,通过极大似然法获取预测模型超参数,根据历史交通数据,对前车运动轨迹进行短期预测;考虑预测结果存在的偏差,引入概率约束,建立不确定环境下的随机预测模型以保障系统在随机扰动下的整体性能最优;通过切入、加速跟驰、减速避撞等典型场景对算法的有效性与优越性进行验证。研究结果表明:所提出的方法具有良好的工况适应性,可快速消除跟踪误差与前车运动保持一致,使车辆对交通环境的反应更加敏捷。

形貌优化在驾驶室支架NVH设计中的应用研究

形貌是零部件的关键特征,它不仅影响零部件的质量,更影响零部件的动态特性,如NVH(噪声、振动、声振粗糙度)特性。为了提高驾驶室的NVH性能,提出将形貌优化技术应用到驾驶室支架的NVH设计中,通过改变支架的形貌,提高其动态特性,降低支架上端振动加速度,从而提高驾驶室的舒适性。在Hyperworks建立支架有限元模型,再根据试验测试的数据分析了当前驾驶室支架的NVH传递特性,并进行有限元模型校正。在二阶频率处,仿真结果为10.23 m/s^2,试验结果为9.79 m/s^2,相对误差为4.49%;在三阶频率处,仿真结果为4.24 m/s^2,试验结果为4.48 m/s^2,相对误差为5.35%,各阶相对误差均小于5.5%,表明模型具有较高的准确性。再以支架本体为设计变量,以支架上端振动加速度最小值为优化目标,进行形貌优化,得到三种优化方案。最后根据优化方案进行CAD(计算机辅助设计)建模,对新建模型进行模态频率响应分析,选取较优方案。结果表明,支架加强筋的分布方式对其模态频率及刚度有较大影响,三种优化方案均达到了不同程度的优化效果,其中方案三优化效果较为明显,第二、三阶的振动加速度降低幅度达到59.7%、61.2%,关键频率避开了激励较大的频率区域。优化结果表明,通过合理的设计零件的形貌能够达到改善汽车NVH的性能,为类似汽车零部件NVH性能的改善提供一种新的思路与方法。

基于ADAMS的空气悬架建模仿真及优化

针对目前汽车乘坐舒适度与运行平稳性易受悬架系统影响的特点,采用虚拟样机技术对车辆空气悬架系统进行了研究.首先,依据某车型悬架系统参数建立仿真模型,然后结合试验设计DOE分析技术对车辆悬架系统中的关键部件进行分析,最后采用"敏感度分析—硬点优化—试验验证"的控制理论,对空气悬架结构的K&C特性进行优化设计.结果表明,四轮定位参数经过优化之后,前束角从1.37°减至0.3°;外倾角优化后为0.012°/mm,符合(-0.003°~0.015°)/mm的设计要求;主销内倾角优化后为7°~11.5°,较优化前更好地满足了设计要求;主销后倾角在优化后表现出轮跳工况下基本保持不变的特性.

基于RBF神经网络的FSC赛车转向梯形断开点优化

为了增强FSC(Formula Student China)赛车过弯时的响应和操纵稳定性,提出一种由RBF(radius basis function)神经网络进行转向梯形断开点优化的方法。首先在Adams/car虚拟样机模型中用insight模块获取64组转向梯形断开点的原始数据,然后应用原始数据对RBF神经网络进行训练,用训练好的网络优化断开点。将优化断开点代入Adams/car模型中与Car Sim赛车模型进行不足转向梯度试验和方向盘角阶跃试验对比仿真。仿真结果显示,优化后的横摆角速度峰值、稳态横摆角速度和调整时间分别降低2.13%,2.07%,16.44%,不足转向梯度值最大减少0.1 deg/g。与此同时对实车前轮反向跳动工况进行K&C台架试验,对前束角变化值进行测定。在相同轮心垂直位移为±15 mm工况下,实车试验、优化后、优化前前束角变化值分别为0.02°,0.017°,0.114°,优化后前束角变化量降低85.1%。仿真和试验结果均表明,该方法有较高的可信度,提升了赛车过弯时的响应和操纵稳定性,为断开点量化设计提供一种方法。

钢板弹簧的扭转特性分析及其对制动性能的影响研究

为了研究钢板弹簧在制动过程中扭转特性及其对汽车制动抖动和制动使用性能的影响,首先针对某型商用车在紧急制动中后桥的抖动现象进行了分析和实验研究,并通过测试数据分析了制动抖动的特征以及对汽车使用性能的影响,然后根据后桥在制动中的受力模型阐述了钢板弹簧在制动中的抖动机理,进而利用仿真平台Adams软件在Chassis模块中建立等刚度钢板弹簧模型,并结合View中建立的商用车整车模型模拟整车紧急制动的工况,研究了钢板弹簧在制动过程中的扭转特性,分析了前后轮的制动时间差对后桥抖动的影响,并提出了增大钢板弹簧纵向角刚度的改进措施。仿真结果表明,采用改进措施后的后桥质心制动时的最大摆动角减小17.8%,第二峰值摆动增量由6.99°降为2.1°,后轮胎跳离地面次数由4次减少为2次。研究结果从钢板弹簧扭转特性的角度为后续的设计及匹配提供了参考。

基于多维信息特征分析的驾驶人认知负荷研究

准确评估驾驶人认知负荷水平,对于深入研究驾驶人行为特性,改善驾驶安全性具有重要意义。现有的驾驶人认知负荷分类方法,大多基于心电、脑电等生理信息和车辆信息,由于特征选择上的单一性,导致驾驶人认知负荷分类模型的分类精度不高。设计基于跟驰场景的不同认知负荷N-back次任务试验,通过采集受试者的生理信号和车辆信号,结合NASATLX主观评分和机器学习算法,提出了基于多维信息特征融合的驾驶人认知负荷分类方法。研究表明:基于生理信息和车辆信息的多维信息特征认知负荷分类方法,其精度显著高于传统的基于生理信息的认知负荷分类方法,以多维信息特征为输入,随机森林法以其稳定性好、抗过拟合能力强的特点,表现出优异的分类效果,相比神经网络和支持向量机,具有最高的平均分类精度。

基于鲁棒自适应UKF的分布式电动汽车状态估计

准确的车辆状态参数是实现汽车主动安全和自动驾驶的关键.标准的无迹卡尔曼(UKF)算法,在观测噪声较大或噪声协方差不匹配时,会对车辆状态的估计精度产生严重影响.针对分布式电动汽车状态估计,提出一种基于故障检测机制的鲁棒自适应UKF算法,该算法利用观测变量的残差向量识别系统是否存在故障,依据统计函数判断是否需要对观测噪声协方差和过程噪声协方差进行自适应调整,并基于权重因子更新协方差.设计了基于鲁棒自适应UKF的估计器,对车辆的纵向车速、侧向车速和质心侧偏角三个重要状态变量进行估计.最后利用CarSim和MATLAB/Simulink联合仿真对算法进行了验证.结果表明,所提出鲁棒自适应UKF算法能够明显降低三个状态变量的估计误差,在精确性和鲁棒性上均优于标准的UKF算法,为先进驾驶辅助系统以及自动驾驶的精确运动控制奠定了重要基础.