一种基于数据驱动的车辆悬架K&C系统及构建方法

本发明涉及车辆悬架系统领域，具体地，涉及一种基于数据驱动的车辆悬架k&c系统及构建方法。

背景技术：

1、汽车的悬架系统是连接车身和车轮的重要组成部分，它直接影响到车辆的稳定性、舒适性和操控性能。一个优秀的悬架系统可以使车辆适应不同的路面情况，并提供平稳的行驶体验。悬架系统由许多部件组成，包括弹簧、减震器、控制臂等。这些部件之间的运动关系会受到力的影响，因此需要一个准确的数学模型来描述它们的行为。

2、悬架k&c特性：k(kinematic)特性，即运动学特性，在不考虑力和质量时，分析悬架系统在车身垂向运动、侧倾运动、方向盘角输入等工况下车轮定位参数的变化，考察的是悬架硬点布置的合理性，只与悬架几何有关；c(compliance)特性，即弹性运动学特性，分析整车在加速、制动、转弯等工况下车轮受到来自地面的力和力矩时，车轮定位参数的变化，考察的是悬架弹性元件以及弹性特性设计的合理性。悬架k&c指标影响整车操纵稳定性和乘适性，对后续整车调校具有指导意义，所以准确、快速获取k&c特性至关重要。

3、悬架系统的运动往往是非线性的，而且各个部件之间的相互影响也可能会导致复杂的耦合效应，这使得建立准确的k&c模型更加困难。k&c测试结果通常表现为迟滞曲线而不是简单的曲线。然而，悬架中的迟滞现象在测试和仿真结果中往往被忽视，导致在全车仿真的实时场景中精度大打折扣。同时，由于悬架的复杂性，目前车辆工程师主要靠复杂的多体模型进行仿真得到悬架k&c特性，但是对于车辆控制等需求中的车辆状态实时获取，则需要实时获得悬架系统的动态特性，建立高效的实时k&c模型有较大挑战。

4、因此，需要开发一种高效的k&c特性模型，能够模拟悬架运动中的迟滞现象，能够提高车辆整车模型中的精确性，同时k&c模型需要满足实时性要求。

技术实现思路

1、本发明的目的是提供一种基于数据驱动的车辆悬架k&c系统及构建方法，利用数据驱动的方法进行悬架k&c模型的搭建，该模型能够充分利用悬架的k&c特性数据进行训练，同时该模型能够得到悬架的迟滞特性，满足实时性要求。

2、悬架k&c特性通常通过曲线拟合的方法集成到集总参数模型中去，相对于复杂的多体动力学模型，这种方法能够实现在不降低计算速度的情况下提高模型精度，在车辆动力学应用广泛。但是由于橡胶衬套等柔性和非线性元件的存在，悬架的k&c特性曲线通常为存在迟滞特性的曲线而非是简单的曲线，这在传统的k&c特性融入集总参数模型时候通常被忽略，导致在整车仿真的实时场景中精度降低。同时，悬架k&c特性曲线的迟滞不仅和车辆当前状态相关，还由系统的历史状态决定，这在之前方法中通常被忽略。

3、本发明为解决上述技术问题提供一种基于数据驱动的车辆悬架k&c系统，包括与车辆悬架对标的多体动力学模型、数据预处理模块以及神经网络模型，多体动力学模型根据输入的数据输出悬架k&c特性的时序数列，数据预处理模块将多体动力学模型特定历史时间内的输入及当前时间状态的输出进行处理之后组成数据集，神经网络模型通过使用数据集进行训练得到输出能拟合悬架k&c特性的模型。优选地，神经网络模型中使用长短期记忆网络单元。

4、本发明利用悬架的多体动力学模型，通过纵向力、横向力、垂向力以及回正力矩耦合力的输入得到不同方向形变耦合的悬架k&c数据，该数据考虑悬架k&c特性的迟滞特性，用于模型训练，避免了传统方法线性叠加导致的不准确。

5、本发明利用数据驱动的方法，经过训练，可得到能拟合悬架k&c特性的神经网络，与传统的方法相比，具有精度高，速度快的优势。

6、本发明利用长短期记忆网络(lstm)，通过以悬架k&c特性的时序数列作为输入的数据集进行训练，得到具有迟滞特性的悬架k&c模型。

7、本发明利用lstm，考虑悬架k&c特性对时序的依赖关系，考虑系统历史状态，得到更为准确的模型。

8、同时，本发明提供一种基于数据驱动的车辆悬架k&c系统构建方法，包括以下步骤：

9、s01，获取悬架k&c特性数据，标定车辆悬架的多体动力学模型，并对所述多体动力学模型进行仿真，得到能有效表示悬架k&c特性的时序数列。

10、具体地，悬架处于真实的工作场景下，所有的轮胎力和扭矩都是同时施加到悬架上，因此力之间是相互耦合和影响的。在研究耦合力输入下的悬架k&c特性时，纵向力、横向力、垂向力以及回正力矩是相互关联，需要同时输入。应给定一个工况，以多个单向力为输入，保证耦合输入连续，同时覆盖轮胎的整个工作区域，以对标过的悬架多体动力学模型进行仿真，从而得到能有效表示悬架对耦合力和扭矩输入的响应的特性数据。

11、s02，数据预处理，将所述多体动力学模型特定历史时间内的输入及当前时间状态的输出进行处理之后组成数据集。

12、具体地，步骤s01中得到的为悬架k&c特性的时序数列，悬架系统状态与历史状态相关，故为得到更为精确的悬架k&c特性，需要对数据进行处理，将数据分割成一段历史时间内的输入以及当前状态的输出，对数据进行处理之后组成数据集。根据实际需要，可将数据集按照随机顺序进行划分，将数据集划分为训练集，测试集和验证集，用于不同的目的。

13、优选地，在步骤02中，多体动力学模型特定历史时间内的输入为当前时间状态之前50帧的每一帧的输入。

14、s03，搭建神经网络模型，神经网络模型的输入取决于考虑悬架输入的维度以及时间序列上的维度，输出取决于悬架k&c特性考虑的维度。

15、优选地，在神经网络模型中应用lstm层，每个神经元接受该时间步长的输入以及上一时间步长的输出，用于保存时序信息。

16、优选地，神经网络模型包括一个lstm单元层、第一全连通层及第二全连通层，lstm单元层与第一全连通层完全连通，没有激活功能，第一全连通层的输出在输入到第二全连通层之前，经过tanh函数的激活。

17、s04，模型的训练及保存，用所述数据集作为输入训练所述神经网络模型得到输出能拟合所述悬架k&c特性的模型。

18、优选地，选取合适的训练损失函数以及优化器，以步骤s02中处理好数据集中的训练集对步骤s03中的模型进行训练，直到训练损失函数收敛后保存模型。优选地，优化器为adam算法。

19、s05，模型性能验证，将神经网络模型训练好的模型用于数据集选中的数据，对比输出结果与数据集中原始数据。

20、具体地，将神经网络训练好的模型用于验证集中的数据，对比输出结果与数据集中原始数据。

21、s06，模型有效性验证，在整车模型中验证神经网络模型训练好的模型的有效性。与传统数据叠加方法对比其实时性以及精度，本发明提供的模型在精度与实时性要求等方面都有更为良好的表现。

22、本发明的技术效果如下：

23、本发明提供的基于数据驱动的悬架k&c系统模型，能够体现悬架k&c特性的迟滞特性，考虑了悬架k&c特性之间的耦合关系，考虑到悬架系统对历史状态的依赖，有着更高的精度，更高的实时性，同时在整车模型中表现良好，提高整车模型的运算速度。