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。