轮胎-路面附着系数在线估算方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115577444A(43)申请公布日2023.01.06(21)申请号202211081190.5G06F30/27(2020.01)(22)申请日2022.09.05G06N3/08(2006.01)G06F111/10(2020.01)(71)申请人江苏理工学院地址213001江苏省常州市中吴大道1801号(72)发明人李波朱芸海全振强贝绍轶过锦飞汤浩然顾甜莉周丹周鑫烨高陈诚朱召鑫刘国思王子寒魏书萌田劲胡宏振(74)专利代理机构常州佰业腾飞专利代理事务所(普通合伙)32231专利代理师王巍巍(51)Int.Cl.G06F30/15(2020.01)G06F30/23(2020.01)权利要求书4页说明书11页附图17页(54)发明名称轮胎-路面附着系数在线估算方法及装置(57)摘要本发明提供了一种轮胎‑路面附着系数在线估算方法及装置，方法包括：获取轮胎气压、轮胎速度、轮胎负载和电压信号；基于压电薄膜传感器的电压信号，使用预先建立的轮胎接地印迹纵向长度数值计算模型得到对应轮胎的接地印迹纵向长度；基于压电薄膜传感器的电压信号、轮胎气压和轮胎速度，使用预先建立的第一、第二和第三神经网络模型对轮胎垂向力、侧偏角、侧向力和回正力矩进行预测；使用预先建立的刷子轮胎模型，对轮胎‑路面附着系数进行预估。基于BP神经网络技术、数值方法和刷子轮胎模型，提供了一种低成本、高效率的轮胎‑路面附着系数预测方法，解决了现有方法计算复杂度和预测精度难以调和的难题。CN115577444ACN115577444A权利要求书1/4页1.一种轮胎‑路面附着系数在线估算方法，其特征在于，轮胎内衬层配置有压电薄膜传感器，所述轮胎‑路面附着系数在线估算方法包括：获取轮胎气压、轮胎速度、轮胎负载和压电薄膜传感器的电压信号；基于所述压电薄膜传感器的电压信号，使用预先建立的轮胎接地印迹纵向长度数值计算模型得到对应轮胎的接地印迹纵向长度；基于所述压电薄膜传感器的电压信号、轮胎气压和轮胎速度，使用预先建立的第一神经网络模型对轮胎垂向力进行预测，使用预先建立的第二神经网络模型对轮胎侧偏角进行预测，及使用预先建立的第三神经网络模型对轮胎侧向力和回正力矩进行预测；基于所述接地印迹纵向长度、轮胎垂向力、轮胎侧偏角、轮胎侧向力及回正力矩，使用预先建立的刷子轮胎模型，对轮胎‑路面附着系数进行预估。2.如权利要求1所述的轮胎‑路面附着系数在线估算方法，其特征在于，基于所述压电薄膜传感器的电压信号，根据预先建立的轮胎接地印迹纵向长度数值计算模型得到对应轮胎的接地印迹纵向长度中，建立的轮胎接地印迹纵向长度数值计算模型为：其中，c1为轮胎的接地印迹纵向长度，Rf为轮胎的自由半径，Δt为轮胎滚过接地印迹需要的时间，t为轮胎滚过一圈所需要的时间。3.如权利要求1所述的轮胎‑路面附着系数在线估算方法，其特征在于，基于所述压电薄膜传感器的电压信号、轮胎气压和轮胎速度，使用预先建立的第一神经网络模型对轮胎垂向力进行预测，使用预先建立的第二神经网络模型对轮胎侧偏角进行预测，及使用预先建立的第三神经网络模型对轮胎侧向力和回正力矩进行预测之前，包括创建第一神经网络模型、第二神经网络模型及第三神经网络模型的步骤：确定所述第一神经网络模型、第二神经网络模型及第三神经网络模型的隐藏层数量及激活函数；根据隐藏层节点数、输入层节点数和输出层节点数之间的关系确定隐藏层节点数的范围：其中，n1为隐藏层节点数，n为输入节点的个数，m为输出节点的个数，ψ为1‑10的常数；根据所述隐藏层节点数的范围建立第一神经网络模型、第二神经网络模型及第三神经网络模型。4.如权利要求3所述的轮胎‑路面附着系数在线估算方法，其特征在于，创建第一神经网络模型、第二神经网络模型及第三神经网络模型之后，还包括训练的步骤：采集轮胎气压、轮胎速度、轮胎负载和压电薄膜传感器的电压信号数据，并将采集到的数据集随机拆分为训练集、验证集和验证集；基于所述训练集、验证集和预先设定的均方误差分别对所述第一神经网络模型、第二神经网络模型及第三神经网络模型进行训练，确定三个神经网络模型的结构及网络参数；针对每个神经网络模型进行训练的过程中包括：依次对包含不同数量隐藏层节点数的神经网络模型进行迭代训练，并记录每次迭代后2CN115577444A权利要求书2/4页的均方误差；比较各次迭代的均方误差，选定均方误差最小值对应的节点数作为隐藏层节点数，并以此确定所述BP神经网络模型的结构及网络参数。5.如权利要求4所述的轮胎‑路面附着系数在线估算方法，其特征在于，所述第一神经网络模型、第二神经网络模型及第三神经网络模型中，隐藏层数量均为1，隐藏层节点数分别为10、8和13，隐藏层各节点的激励函数O1j、O2jj和O