用户路面不平度等级划分及路面比例研究

Cebon方法将空间功率谱密度转化为频域信号,由此结合轴头加速度可将空间功率谱密度法转化为加速度功率谱密度法,即通过基于白噪声生成法和加速度功率谱密度法建立了路面不平度数学模型。运用该方法处理各类传感器测量的实际道路载荷谱数据,然后通过特征参数提取法评价所测路段的路面等级,并在分析和处理所有测量路段后,对实际测试的用户路面状况进行了路面等级划分。结果表明大部分用户路面等级集中在B级,整体路面不平度在B级以上。

路面不平度等级评价指标的建立及量化分析

针对我国路面不平度等级评价的粗略性和概括性,选择车身加速度均方根值(RMSVA)、动载系数(Kd)和跳车概率作为评价指标,定量地分析了各路面等级下评价指标的变化规律。研究表明:随着路面不平度等级的降低,RMSVA、K_d和跳车概率均出现非线性增大的趋势。当路面不平度等级低于C级时,此时由路面不平整引起的较剧烈的车路振动,正是影响行车舒适度和造成路面疲劳破坏的重要原因。

基于深度学习的路面不平度等级识别研究

准确的路面激励信息对汽车行驶安全性和乘坐舒适性有重要影响。针对目前路面不平度等级识别算法存在复杂和准确率低等问题,提出了一种注意力门控循环单元(BiGRU-Attention)网络和车辆振动响应的路面不平度等级识别算法。首先,通过滤波白噪声法建立随机输入路面模型,1/4车辆振动模型平顺性仿真实验获取车辆振动响应信号,选择滑动窗口为1 s截取样本构造数据集;然后,通过BiGRU网络学习样本信号的深层次信息,Attention机制优化时刻特征对辨识结果的贡献率比重,快速准确地识别出路面不平度等级;最后通过消融实验实现算法的验证。实验结果表明,基于BiGRU-Attention路面不平度等级识别算法的准确率可达96.9%,相比基础模型有1%~3%的提升。该算法能够准确识别路面不平度等级,为车辆动力学控制提供有力的理论依据。

自适应半主动悬架系统控制策略

建立了一种自适应半主动悬架的控制策略,能更好地权衡舒适性、操纵稳定性和安全性.首先建立集成了考虑悬架限位的阻尼连续变化(CVD)天棚控制算法的整车模型,并在不同路面和车速下进行仿真分析,建立由悬架动行程均方值估计路面不平度等级的方法;其次,提出一种考虑路面不平度等级的自适应型半主动悬架控制策略;然后采用遗传算法对不同工况下的控制参数进行离线优化;最后将优化后的控制参数用于在线控制,并与传统的被动悬架以及天棚控制的半主动悬架进行对比分析.仿真结果表明:汽车在复杂工况行驶时能有效识别路况信息并进行控制模式切换;在Comfort模式时能有效提高汽车平顺性;在Sport模式时能有效提高汽车的行驶稳定性;在Safe模式时能有效提高汽车行驶安全性.