CN107657113A - 一种悬架硬点灵敏度的获取方法、装置及设备 - Google Patents
一种悬架硬点灵敏度的获取方法、装置及设备 Download PDFInfo
- Publication number
- CN107657113A CN107657113A CN201710881732.XA CN201710881732A CN107657113A CN 107657113 A CN107657113 A CN 107657113A CN 201710881732 A CN201710881732 A CN 201710881732A CN 107657113 A CN107657113 A CN 107657113A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- numbers
- ordered series
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Abstract
本发明公开了一种悬架硬点灵敏度的获取方法、装置及设备,该悬架硬点灵敏度的获取方法包括:建立悬架灵敏度分析的数学模型;选取所述数学模型中的多个硬点作为分析变量;获取所述硬点的模糊灰色关联度;根据所述硬点的模糊灰色关联度,获得硬点的灵敏度。本发明的悬架硬点灵敏度的获取方法,可以计算出任意硬点任意方向的坐标值对悬架K特性的灵敏度,且可适用于能计算出运动表达式的任何形式的悬架,该方法的提出为悬架的设计提供了理论上的依据,并且可以大大缩短研发周期,从而减少研发经费。
Description
技术领域
本发明涉及汽车领域,尤其涉及一种悬架硬点灵敏度的获取方法、装置及设备。
背景技术
随着汽车产业的快速发展,汽车底盘的研究对生产有着至关重要的作用,悬架作为底盘的重要结构,始终是我们的研究重点。在悬架系统中,K特性指悬架的运动学特性,也就是在车轮上下跳动过程中体现出来的特性,不仅关系到行驶中人们的舒适性,而且决定了汽车操纵稳定性的好坏。硬点的灵敏度分析有助于设计人员根据分析结果对产品进行优化设计和改进。
在现有技术中,悬架硬点的灵敏度分析方法虽然能体现出某一点(如下摆臂外点)对某些悬架K特性(如主销后倾角、主销内倾角)的灵敏度,但不能表达出该点三个方向的坐标(x,y,z)的灵敏度,即(x,y,z)对某一K特性的影响度大小不清楚。
发明内容
为了解决上述技术问题,本发明提供了一种悬架硬点灵敏度的获取方法、装置及设备,解决了悬架硬点灵敏度分析中不能体现硬点的三个坐标的灵敏度的问题。
依据本发明的一个方面,提供了一种悬架硬点灵敏度的获取方法,包括:
建立悬架灵敏度分析的数学模型;
选取所述数学模型中的多个硬点作为分析变量;
获取所述硬点的模糊灰色关联度;
根据所述硬点的模糊灰色关联度,获得硬点的灵敏度。
可选地,获取所述硬点的模糊灰色关联度的步骤包括:
获得参考数列YT和比较数列XT;
对所述比较数列XT中的参数进行无量纲化处理,并得到处理后的比较数列XT‘;
利用所述参考数列YT和无量纲化处理后的比较数列XT‘计算模糊灰色关联度。
可选地,所述获得参考数列YT和比较数列XT的步骤包括:
获得反映系统行为特征的数据组成的参考数列YT,用矩阵表示为:
YT=[yt(1) yt(2) … yt(n)];
其中,YT表示第T组参考数列,[yt(1) yt(2) … yt(n)]表示第T组参考数列YT中的n种工况的数据,n=1,2,3…,k;
获得影响系统行为特征的因素组成的比较数列XT,用矩阵表示为:
其中,XT表示影响YT反映的行为特征的因素组成的比较数列,n=1,2,3…,k,m表示影响YT反映的行为特征的因素的个数,其中一组影响因素表示为xts,s=1,2,3…,m,其中xtm(n)表示第m个影响yt(n)反应的行为特征的因素。
可选地,对所述比较数列XT中的参数进行无量纲化处理,并得到处理后的比较数列XT‘的步骤包括:
通过公式
对比较数列XT中的各参数进行无量纲化处理,得到处理后的比较数列XT‘:
其中,x(k)表示无量纲化处理前的比较数列中第k种工况的原始数据,x(k)‘表示经无量纲化处理后的比较数列中的第k种工况的数据,minmx(k)表示无量纲化处理前的比较数列中m个的k种工况的因素中的最大值,minmx(k)表示无量纲化处理前的比较数列中m个的k种工况的因素中的最小值,其中一组影响因素表示为xts’,s=1,2,3…,m,其中xtm(n)’表示第m个影响yt(n)反应的行为特征的因素。
可选地,所述利用所述参考数列YT和无量纲化处理后的比较数列XT‘计算模糊灰色关联度的步骤包括:
计算所述参考数列YT和比较数列XT‘的模糊隶属度余弦值;
计算所述参考数列YT和比较数列XT‘的灰色关联系数;
根据所述灰色关联系数计算所述参考数列YT和比较数列XT‘的灰色关联度;
根据所述模糊隶属度余弦值和所述灰色关联度计算所述参考数列YT和比较数列XT‘的模糊灰色关联度。
可选地,计算所述参考数列YT和比较数列XT‘的模糊隶属度余弦值的步骤包括:
通过公式
得到模糊隶属度余弦值;
其中,rts为第k种工况的参考数列YT和比较数列XT‘的模糊隶属度余弦值,yt(k)为参考数列YT中第k种工况的数据,xts(k)’为比较数列XT‘中第k种工况的数据。
可选地,计算所述参考数列YT和比较数列XT‘的灰色关联系数的步骤包括:
通过公式
得到灰色关联系数;
其中,ξts(k)为XT‘对YT在第k种工况的灰色关联系数,Δmin为参考数列YT和比较数列XT‘中第k种工况的最小绝对差值,Δmax为参考数列YT和比较数列XT‘中第k种工况的最大绝对差值,Δts(k)为参考数列YT中第k种工况与比较数列XT‘中第k种工况的绝对差值,ρ为分辨系数。
可选地,参考数列YT和比较数列XT‘中第k种工况的最小绝对差值Δmin通过公式
Δmin=min1≤s≤mmin1≤k≤n|yt(k)-xts(k)′|计算得到;
所述参考数列YT和比较数列XT‘中第k种工况的最大绝对差值Δmax通过公式
Δmax=max1≤s≤mmax1≤k≤n|yt(k)-xts(k)′|得到;
所述参考数列YT中第k种工况与比较数列XT‘中第k种工况的绝对差值Δts(k)通过公式
Δts(k)=|yt(k)-xts(k)′|得到;
其中,yt(k)为参考序列YT中第k种工况的数据,xts(k)’为比较数列XT‘中第k种工况的数据。
可选地,根据所述灰色关联系数计算所述参考数列YT和比较数列XT‘的灰色关联度的步骤包括:
通过公式
得到第k种工况的灰色关联度;
其中,rt′s为第k种工况的灰色关联度,wts为权向量,ξts(k)为XT‘对YT在第k种工况的灰色关联系数。
可选地,根据所述模糊隶属度余弦值和所述灰色关联度计算所述参考数列YT和比较数列XT‘的模糊灰色关联度的步骤包括:
通过公式
得到模糊灰色关联度;
其中,Rts为参考数列YT和比较数列XT‘的模糊灰色关联度。
依据本发明的另一个方面,提供了一种悬架硬点灵敏度的获取装置,包括:
建立模块,用于建立悬架灵敏度分析的数学模型;
选取模块,用于选取所述数学模型中的多个硬点作为分析变量;
计算模块,用于获取所述硬点的模糊灰色关联度;
分析模块,用于根据所述硬点的模糊灰色关联度,获得硬点的灵敏度。
依据本发明的再一个方面,提供了一种悬架硬点灵敏度的获取设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述的悬架硬点灵敏度的获取方法的步骤。
本发明的实施例的有益效果是:
本发明提出的悬架各硬点对于悬架K特性的灵敏度的计算方法,可以计算出任意硬点任意方向的坐标值对悬架K特性的灵敏度,且可适用于能计算出运动表达式的任何形式的悬架,该方法的提出为悬架的设计提供了理论上的依据,并且可以大大缩短研发周期,从而减少研发经费。
附图说明
图1表示本发明的悬架硬点灵敏度的获取方法的流程图;
图2表示本发明的图1中步骤13的具体流程示意图;
图3表示本发明的悬架硬点灵敏度的获取装置的结构框图;
图4表示本发明的图3中计算模块33的具体结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提供了一种悬架硬点灵敏度的获取方法,包括:
步骤11、建立悬架灵敏度分析的数学模型;
步骤12、选取所述数学模型中的多个硬点作为分析变量;
步骤13、获取所述硬点的模糊灰色关联度;
步骤14、根据所述硬点的模糊灰色关联度,获得硬点的灵敏度。
该实施例中,选取所述数学模型中的要分析的硬点作为分析变量,以所选硬点的x,y,z三个方向的坐标分量作为影响因素,计算所选硬点的模糊隶属度余弦值和灰色关联度,并取两者的平均值,从而得出各个设计变量的模糊灰色关联度,通过比较各个硬点的三个坐标分量在某一悬架K特性的模糊灰色关联度值,确定各硬点三个坐标分量对该悬架K特性的灵敏度。其中,坐标分量对该悬架K特性的模糊灰色关联度值越大,表示该因素参数的灵敏度值越大。悬架K特性指悬架的运动学特性,反映悬架K特性的参数可以为:主销后倾角、主销内倾角、车轮前束角或车轮外倾角。
该方法相对于现有的硬点灵敏度的分析方法,可以计算出任意硬点的任意方向的坐标分量对悬架K特性的影响程度,且不局限于麦弗逊悬架,任何类型的悬架只要其K特性可以表达与硬点的函数关系,均可使用该方法分析硬点的灵敏度,为悬架的设计提供了理论依据,缩短研发周期。
具体地,如图2所示,步骤13包括:
步骤131、获得参考数列YT和比较数列XT;
步骤132、对所述比较数列XT中的参数进行无量纲化处理,并得到处理后的比较数列XT‘;
步骤133、利用所述参考数列YT和无量纲化处理后的比较数列XT‘计算模糊灰色关联度。
该实施例中,所述参考数列为反映系统行为特征的数据序列,比较数列为影响系统行为的因素组成的数据序列,参考数列中的一个行为特性参数对应多个比较数列中的影响此行为特性的因素。由于系统中各因素的物理意义不同,导致数据的量纲也不一定相同,不便于比较,或在比较时难以得到正确的结论,因此在进行灰色关联度分析时,需要进行无量纲化的数据处理。
本发明的上述实施例中,步骤131具体包括:
获得反映系统行为特征的数据组成的参考数列YT,用矩阵表示为:
YT=[yt(1) yt(2) … yt(n)];
其中,YT表示第T组参考数列,[yt(1) yt(2) … yt(n)]表示第T组参考数列YT中的n种工况的数据,n=1,2,3…,k;
获得影响系统行为特征的因素组成的比较数列XT,用矩阵表示为:
其中,XT表示影响YT反映的行为特征的因素组成的比较数列,n=1,2,3…,k,m表示影响YT反映的行为特征的因素的个数,其中一组影响因素表示为xts,s=1,2,3…,m,其中xtm(n)表示第m个影响yt(n)反应的行为特征的因素。
该实施例中,选取所述数学模型中的多个硬点作为分析变量后,对所选硬点的x,y,z三个方向的坐标分量进行取样,抽取预设数量的样本,作为比较数列内的影响系统行为特性参数,取样方法可以为拉丁超立方取样方法。将抽取的样本参数带入所述数学模型进行轮跳仿真,并选择所要分析的反映悬架K特性的参数在轮跳仿真过程中的最大值作为参考数列的数据。该分析方法以所选硬点三个方向的坐标分量作为比较数列的参数,便于在灰色关联度的计算中,可以清楚地反映各个坐标分量对系统行为特性的影响程度。
本发明的上述实施例中,步骤132包括:
通过公式
对比较数列XT中的各参数进行无量纲化处理,得到处理后的比较数列XT‘:
其中,x(k)表示无量纲化处理前的比较数列中第k种工况的原始数据,x(k)‘表示经无量纲化处理后的比较数列中的第k种工况的数据,minmx(k)表示无量纲化处理前的比较数列中m个的k种工况的因素中的最大值,minmx(k)表示无量纲化处理前的比较数列中m个的k种工况的因素中的最小值,其中一组影响因素表示为xts’,s=1,2,3…,m,其中xtm(n)’表示第m个影响yt(n)反应的行为特征的因素。
该实施例中,无量纲处理方法可以采用上述的数据区间化方法,也可以使用目前常见的极值化、标准化、均值化以及标准差化等方法。
本发明的上述实施例中,步骤133包括:
步骤1331、计算所述参考数列YT和比较数列XT‘的模糊隶属度余弦值;
具体地,模糊隶属度余弦值表示两参数之间的相似程度,
通过公式
得到模糊隶属度余弦值;
其中,rts为第k种工况的参考数列YT和比较数列XT‘的模糊隶属度余弦值,yt(k)为参考数列YT中第k种工况的数据,xts(k)’为比较数列XT‘中第k种工况的数据。
步骤1332、计算所述参考数列YT和比较数列XT‘的灰色关联系数;
具体地,灰色关联系数表示了对应两参数之间的关联程度,反映了影响因素与对应行为特性之间的密切程度关系,实质上是曲线间几何形状的差别程度,因此曲线间的差值大小,可以作为关联程度的衡量尺度,由于对于一个参考数列有多个比较数列,各个比较数列与参考数列在各种工况的灰色关联系数可以通过公式
得到灰色关联系数;
其中,ξts(k)为XT‘对YT在第k种工况的灰色关联系数,Δmin为参考数列YT和比较数列XT‘中第k种工况的最小绝对差值,Δmax为参考数列YT和比较数列XT‘中第k种工况的最大绝对差值,Δts(k)为参考数列YT中第k种工况与比较数列XT‘中第k种工况的绝对差值,ρ为分辨系数。
该实施例中,ρ>0,可以取0.5,ρ的值在灰色关联系数中表征了最大绝度差值对灰色关联系数的影响程度,在对ρ赋值的过程中,需要兼顾关联度整体性及稳定性,过大或过小的取值都将对两参数间的关联程度产生错误引导。
具体地,参考数列YT和比较数列XT‘中第k种工况的最小绝对差值Δmin通过公式
Δmin=min1≤s≤mmin1≤k≤n|yt(k)-xts(k)′|计算得到;
所述参考数列YT和比较数列XT‘中第k种工况的最大绝对差值Δmax通过公式
Δmax=max1≤s≤mmax1≤k≤n|yt(k)-xts(k)′|得到;
所述参考数列YT中第k种工况与比较数列XT‘中第k种工况的绝对差值Δts(k)通过公式
Δts(k)=|yt(k)-xts(k)′|得到;
其中,yt(k)为参考序列YT中第k种工况的数据,xts(k)’为比较数列XT‘中第k种工况的数据。
步骤1333、根据所述灰色关联系数计算所述参考数列YT和比较数列XT‘的灰色关联度;
该实施例中,由于灰色关联系数是比较数列与参考数列在各种工况的关联程度值,所以数据不止有一个,信息过于分散不便于整体比较,因此以模糊数学中的欧氏距离来表示数列间的相似水平。
具体地,通过公式
得到第k种工况的灰色关联度;
其中,r′ts为第k种工况的灰色关联度,wts为权向量,ξts(k)为XT‘对YT在第k种工况的灰色关联系数。其中,权向量wts为各属性或各种工况所占比重构成的权重向量,表示了不同因素在数列中的影响程度。
该实施例中,当关联差异水平越小,两次观测越接近,r′ts越大,表示关联度越大。
步骤1334、根据所述模糊隶属度余弦值和所述灰色关联度计算所述参考数列YT和比较数列XT‘的模糊灰色关联度。
该实施例中,模糊隶属度余弦值与灰色关联度的共同之处在于二者都体现了研究对象之间的相似程度、差异水平,不同之处在于灰色关联度适用于不完全信息研究体系,模糊隶属度余弦值适用的对象具有模糊性、不确定性,将两方法结合形成模糊灰色关联度,对于处理难排序、难分类的问题具有一定优势。
优选地,通过取模糊隶属度余弦值和灰色关联度的平均值来得到模糊灰色关联度,通过公式
得到模糊灰色关联度;
其中,Rts为参考数列YT和比较数列XT‘的模糊灰色关联度。
本发明的上述实施例中,步骤14包括:
比较各硬点的模糊灰色关联度的大小,模糊灰色关联度越大,则硬点的灵敏度越大。
该实施例中,通过计算获得的硬点的模糊灰色关联度中,可以清楚地反映所选硬点的三个坐标分量对悬架K特性的灵敏度,即对悬架K特性的影响程度,有助于在悬架设计过程中提供理论参考,缩短研发周期。
如图3所示,本发明的实施例还提供了一种悬架硬点灵敏度的获取装置,包括:
建立模块31,用于建立悬架灵敏度分析的数学模型;
选取模块32,用于选取所述数学模型中的多个硬点作为分析变量;
计算模块33,用于获取所述硬点的模糊灰色关联度;
分析模块34,用于根据所述硬点的模糊灰色关联度,获得硬点的灵敏度。
需要说明的是,该悬架硬点灵敏度的获取装置是与上述悬架硬点灵敏度的获取方法对应的装置,上述方法实施例中所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
该实施例中,选取所述数学模型中的要分析的硬点作为分析变量,以所选硬点的x,y,z三个方向的坐标分量作为影响因素,计算所选硬点的模糊隶属度余弦值和灰色关联度,并取两者的平均值,从而得出各个设计变量的模糊灰色关联度,通过比较各个硬点的三个坐标分量在某一悬架K特性的模糊灰色关联度值,确定各硬点三个坐标分量对该悬架K特性的灵敏度。其中,坐标分量对该悬架K特性的模糊灰色关联度值越大,表示该因素参数的灵敏度值越大。悬架K特性指悬架的运动学特性,反映悬架K特性的参数可以为:主销后倾角、主销内倾角、车轮前束角或车轮外倾角。
该方法相对于现有的硬点灵敏度的分析方法,可以计算出任意硬点的任意方向的坐标分量对悬架K特性的影响程度,且不局限于麦弗逊悬架,任何类型的悬架只要其K特性可以表达与硬点的函数关系,均可使用该方法分析硬点的灵敏度,为悬架的设计提供了理论依据,缩短研发周期。
具体地,如图4所示,所述计算模块33具体包括:
第一获取单元331、用于获得参考数列YT和比较数列XT;
第二获取单元332、用于对所述比较数列XT中的参数进行无量纲化处理,并得到处理后的比较数列XT‘;
第三获取单元333、用于利用所述参考数列YT和无量纲化处理后的比较数列XT‘计算模糊灰色关联度。
该实施例中,所述参考数列为反映系统行为特征的数据序列,比较数列为影响系统行为的因素组成的数据序列,参考数列中的一个行为特性参数对应多个比较数列中的影响此行为特性的因素。由于系统中各因素的物理意义不同,导致数据的量纲也不一定相同,不便于比较,或在比较时难以得到正确的结论,因此在进行灰色关联度分析时,需要进行无量纲化的数据处理。
本发明的上述实施例中,所述第一获取单元331具体用于:
获得反映系统行为特征的数据组成的参考数列YT,用矩阵表示为:
YT=[yt(1) yt(2) … yt(n)];
其中,YT表示第T组参考数列,[yt(1) yt(2) … yt(n)]表示第T组参考数列YT中的n种工况的数据,n=1,2,3…,k;
获得影响系统行为特征的因素组成的比较数列XT,用矩阵表示为:
其中,XT表示影响YT反映的行为特征的因素组成的比较数列,n=1,2,3…,k,m表示影响YT反映的行为特征的因素的个数,其中一组影响因素表示为xts,s=1,2,3…,m,其中xtm(n)表示第m个影响yt(n)反应的行为特征的因素。
该实施例中,选取所述数学模型中的多个硬点作为分析变量后,对所选硬点的x,y,z三个方向的坐标分量进行取样,抽取预设数量的样本,作为比较数列内的影响系统行为特性参数,取样方法可以为拉丁超立方取样方法。将抽取的样本参数带入所述数学模型进行轮跳仿真,并选择所要分析的反映悬架K特性的参数在轮跳仿真过程中的最大值作为参考数列的数据。该分析方法以所选硬点三个方向的坐标分量作为比较数列的参数,便于在灰色关联度的计算中,可以清楚地反映各个坐标分量对系统行为特性的影响程度。
本发明的上述实施例中,所述第二获取单元332具体用于:
通过公式
对比较数列XT中的各参数进行无量纲化处理,得到处理后的比较数列XT‘:
其中,x(k)表示无量纲化处理前的比较数列中第k种工况的原始数据,x(k)‘表示经无量纲化处理后的比较数列中的第k种工况的数据,minmx(k)表示无量纲化处理前的比较数列中m个的k种工况的因素中的最大值,minmx(k)表示无量纲化处理前的比较数列中m个的k种工况的因素中的最小值,其中一组影响因素表示为xts’,s=1,2,3…,m,其中xtm(n)’表示第m个影响yt(n)反应的行为特征的因素。
该实施例中,无量纲处理方法可以采用上述的数据区间化方法,也可以使用目前常见的极值化、标准化、均值化以及标准差化等方法。
本发明的上述实施例中,所述第三获取单元333具体包括:
第一计算子单元3331、用于计算所述参考数列YT和比较数列XT‘的模糊隶属度余弦值;
具体地,模糊隶属度余弦值表示两参数之间的相似程度,
通过公式
得到模糊隶属度余弦值;
其中,rts为第k种工况的参考数列YT和比较数列XT‘的模糊隶属度余弦值,yt(k)为参考数列YT中第k种工况的数据,xts(k)’为比较数列XT‘中第k种工况的数据。
第二计算子单元3332、用于计算所述参考数列YT和比较数列XT‘的灰色关联系数;
具体地,灰色关联系数表示了对应两参数之间的关联程度,反映了影响因素与对应行为特性之间的密切程度关系,实质上是曲线间几何形状的差别程度,因此曲线间的差值大小,可以作为关联程度的衡量尺度,由于对于一个参考数列有多个比较数列,各个比较数列与参考数列在各种工况的灰色关联系数可以通过公式
得到灰色关联系数;
其中,ξts(k)为XT‘对YT在第k种工况的灰色关联系数,Δmin为参考数列YT和比较数列XT‘中第k种工况的最小绝对差值,Δmax为参考数列YT和比较数列XT‘中第k种工况的最大绝对差值,Δts(k)为参考数列YT中第k种工况与比较数列XT‘中第k种工况的绝对差值,ρ为分辨系数。
该实施例中,ρ>0,可以取0.5,ρ的值在灰色关联系数中表征了最大绝度差值对灰色关联系数的影响程度,在对ρ赋值的过程中,需要兼顾关联度整体性及稳定性,过大或过小的取值都将对两参数间的关联程度产生错误引导。
具体地,参考数列YT和比较数列XT‘中第k种工况的最小绝对差值Δmin通过公式
Δmin=min1≤s≤mmin1≤k≤n|yt(k)-xts(k)′|计算得到;
所述参考数列YT和比较数列XT‘中第k种工况的最大绝对差值Δmax通过公式
Δmax=max1≤s≤mmax1≤k≤n|yt(k)-xts(k)′|得到;
所述参考数列YT中第k种工况与比较数列XT‘中第k种工况的绝对差值Δts(k)通过公式
Δts(k)=|yt(k)-xts(k)′|得到;
其中,yt(k)为参考序列YT中第k种工况的数据,xts(k)’为比较数列XT‘中第k种工况的数据。
第三计算子单元3333、用于根据所述灰色关联系数计算所述参考数列YT和比较数列XT‘的灰色关联度;
该实施例中,由于灰色关联系数是比较数列与参考数列在各种工况的关联程度值,所以数据不止有一个,信息过于分散不便于整体比较,因此以模糊数学中的欧氏距离来表示数列间的相似水平。
具体地,通过公式
得到第k种工况的灰色关联度;
其中,r′ts为第k种工况的灰色关联度,wts为权向量,ξts(k)为XT‘对YT在第k种工况的灰色关联系数。其中,权向量wts为各属性或各种工况所占比重构成的权重向量,表示了不同因素在数列中的影响程度。
该实施例中,当关联差异水平越小,两次观测越接近,r′ts越大,表示关联度越大。
第四计算子单元3334、用于根据所述模糊隶属度余弦值和所述灰色关联度计算所述参考数列YT和比较数列XT‘的模糊灰色关联度。
该实施例中,模糊隶属度余弦值与灰色关联度的共同之处在于二者都体现了研究对象之间的相似程度、差异水平,不同之处在于灰色关联度适用于不完全信息研究体系,模糊隶属度余弦值适用的对象具有模糊性、不确定性,将两方法结合形成模糊灰色关联度,对于处理难排序、难分类的问题具有一定优势。
优选地,通过取模糊隶属度余弦值和灰色关联度的平均值来得到模糊灰色关联度,通过公式
得到模糊灰色关联度;
其中,Rts为参考数列YT和比较数列XT‘的模糊灰色关联度。
本发明的上述实施例中,所述分析模块34具体用于:
比较各硬点的模糊灰色关联度的大小,模糊灰色关联度越大,则硬点的灵敏度越大。
该实施例中,通过计算获得的硬点的模糊灰色关联度中,可以清楚地反映所选硬点的三个坐标分量对悬架K特性的灵敏度,即对悬架K特性的影响程度,有助于在悬架设计过程中提供理论参考,缩短研发周期。
本发明的实施例还提供了一种悬架硬点灵敏度的获取设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述的悬架硬点灵敏度的获取方法的步骤。
需要说明的是,该悬架硬点灵敏度的获取设备是与上述悬架硬点灵敏度的获取方法对应的设备,上述方法实施例中所有实现方式均适用于该设备的实施例中,也能达到相同的技术效果。
本发明的该实施例,提出了悬架各硬点对于悬架K特性的灵敏度的计算方法,可以计算出任意硬点任意方向的坐标值对悬架K特性的灵敏度,且可适用于能计算出运动表达式的任何形式的悬架,该方法的提出为悬架的设计提供了理论上的依据,并且可以大大缩短研发周期,从而减少研发经费。
以上所述的是本发明的优选实施方式,应当指出对于本技术领域的普通人员来说,在不脱离本发明所述的原理前提下还可以作出若干改进和润饰,这些改进和润饰也在本发明的保护范围内。
Claims (13)
1.一种悬架硬点灵敏度的获取方法,其特征在于,包括:
建立悬架灵敏度分析的数学模型;
选取所述数学模型中的多个硬点作为分析变量;
获取所述硬点的模糊灰色关联度;
根据所述硬点的模糊灰色关联度,获得硬点的灵敏度。
2.根据权利要求1所述的悬架硬点灵敏度的获取方法,其特征在于,获取所述硬点的模糊灰色关联度的步骤包括:
获得参考数列YT和比较数列XT;
对所述比较数列XT中的参数进行无量纲化处理,并得到处理后的比较数列XT‘;
利用所述参考数列YT和无量纲化处理后的比较数列XT‘计算模糊灰色关联度。
3.根据权利要求2所述的悬架硬点灵敏度的获取方法,其特征在于,所述获得参考数列YT和比较数列XT的步骤包括:
获得反映系统行为特征的数据组成的参考数列YT,用矩阵表示为:
YT=[yt(1) yt(2) … yt(n)];
其中,YT表示第T组参考数列,[yt(1) yt(2) … yt(n)]表示第T组参考数列YT中的n种工况的数据,n=1,2,3…,k;
获得影响系统行为特征的因素组成的比较数列XT,用矩阵表示为:
<mrow>
<msub>
<mi>X</mi>
<mi>T</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,XT表示影响YT反映的行为特征的因素组成的比较数列,n=1,2,3…,k,m表示影响YT反映的行为特征的因素的个数,其中一组影响因素表示为xts,s=1,2,3…,m,其中xtm(n)表示第m个影响yt(n)反应的行为特征的因素。
4.根据权利要求2所述的悬架硬点灵敏度的获取方法,其特征在于,对所述比较数列XT中的参数进行无量纲化处理,并得到处理后的比较数列XT‘的步骤包括:
通过公式
对比较数列XT中的各参数进行无量纲化处理,得到处理后的比较数列XT‘:
<mrow>
<msup>
<msub>
<mi>X</mi>
<mi>T</mi>
</msub>
<mo>,</mo>
</msup>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>,</mo>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>1</mn>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>1</mn>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>1</mn>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>2</mn>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>2</mn>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mn>2</mn>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>m</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>m</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>m</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,x(k)表示无量纲化处理前的比较数列中第k种工况的原始数据,x(k)‘表示经无量纲化处理后的比较数列中的第k种工况的数据,minmx(k)表示无量纲化处理前的比较数列中m个的k种工况的因素中的最大值,minmx(k)表示无量纲化处理前的比较数列中m个的k种工况的因素中的最小值,其中一组影响因素表示为xts’,s=1,2,3…,m,其中xtm(n)’表示第m个影响yt(n)反应的行为特征的因素。
5.根据权利要求4所述的悬架硬点灵敏度的获取方法,其特征在于,所述利用所述参考数列YT和无量纲化处理后的比较数列XT‘计算模糊灰色关联度的步骤包括:
计算所述参考数列YT和比较数列XT‘的模糊隶属度余弦值;
计算所述参考数列YT和比较数列XT‘的灰色关联系数;
根据所述灰色关联系数计算所述参考数列YT和比较数列XT‘的灰色关联度;
根据所述模糊隶属度余弦值和所述灰色关联度计算所述参考数列YT和比较数列XT‘的模糊灰色关联度。
6.根据权利要求5所述的悬架硬点灵敏度的获取方法,其特征在于,计算所述参考数列YT和比较数列XT‘的模糊隶属度余弦值的步骤包括:
通过公式
得到模糊隶属度余弦值;
其中,rts为第k种工况的参考数列YT和比较数列XT‘的模糊隶属度余弦值,yt(k)为参考数列YT中第k种工况的数据,xts(k)’为比较数列XT‘中第k种工况的数据。
7.根据权利要求6所述的悬架硬点灵敏度的获取方法,其特征在于,计算所述参考数列YT和比较数列XT‘的灰色关联系数的步骤包括:
通过公式
得到灰色关联系数;
其中,ξts(k)为XT‘对YT在第k种工况的灰色关联系数,Δmin为参考数列YT和比较数列XT‘中第k种工况的最小绝对差值,Δmax为参考数列YT和比较数列XT‘中第k种工况的最大绝对差值,Δts(k)为参考数列YT中第k种工况与比较数列XT‘中第k种工况的绝对差值,ρ为分辨系数。
8.根据权利要求7所述的悬架硬点灵敏度的获取方法,其特征在于,参考数列YT和比较数列XT‘中第k种工况的最小绝对差值Δmin通过公式
Δmin=min1≤s≤mmin1≤k≤n|yt(k)-xts(k)′|计算得到;
所述参考数列YT和比较数列XT‘中第k种工况的最大绝对差值Δmax通过公式
Δmax=max1≤s≤mmax1≤k≤n|yt(k)-xts(k)′|得到;
所述参考数列YT中第k种工况与比较数列XT‘中第k种工况的绝对差值Δts(k)通过公式
Δts(k)=|yt(k)-xts(k)′|得到;
其中,yt(k)为参考序列YT中第k种工况的数据,xts(k)’为比较数列XT‘中第k种工况的数据。
9.根据权利要求7所述的悬架硬点灵敏度的获取方法,其特征在于,根据所述灰色关联系数计算所述参考数列YT和比较数列XT‘的灰色关联度的步骤包括:
通过公式
得到第k种工况的灰色关联度;
其中,r′ts为第k种工况的灰色关联度,wts为权向量,ξts(k)为XT‘对YT在第k种工况的灰色关联系数。
10.根据权利要求9所述的悬架硬点灵敏度的获取方法,其特征在于,根据所述模糊隶属度余弦值和所述灰色关联度计算所述参考数列YT和比较数列XT‘的模糊灰色关联度的步骤包括:
通过公式
得到模糊灰色关联度;
其中,Rts为参考数列YT和比较数列XT‘的模糊灰色关联度。
11.根据权利要求10所述的悬架硬点灵敏度的获取方法,其特征在于,根据所述硬点的模糊灰色关联度获取硬点的灵敏度的步骤包括:
比较各硬点的模糊灰色关联度的大小,模糊灰色关联度越大,则硬点的灵敏度越大。
12.一种悬架硬点灵敏度的获取装置,其特征在于,包括:
建立模块,用于建立悬架灵敏度分析的数学模型;
选取模块,用于选取所述数学模型中的多个硬点作为分析变量;
计算模块,用于获取所述硬点的模糊灰色关联度;
分析模块,用于根据所述硬点的模糊灰色关联度,获得硬点的灵敏度。
13.一种悬架硬点灵敏度的获取设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1~11中任一项所述的悬架硬点灵敏度的获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710881732.XA CN107657113A (zh) | 2017-09-26 | 2017-09-26 | 一种悬架硬点灵敏度的获取方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710881732.XA CN107657113A (zh) | 2017-09-26 | 2017-09-26 | 一种悬架硬点灵敏度的获取方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107657113A true CN107657113A (zh) | 2018-02-02 |
Family
ID=61131302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710881732.XA Pending CN107657113A (zh) | 2017-09-26 | 2017-09-26 | 一种悬架硬点灵敏度的获取方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657113A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471937A (zh) * | 2019-08-28 | 2019-11-19 | 武汉理工大学 | 一种工艺实例分级检索方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077459A (zh) * | 2014-07-17 | 2014-10-01 | 中国汽车工程研究院股份有限公司 | 一种基于悬架kc特性的汽车底盘操稳性能分析模型 |
CN104834779A (zh) * | 2015-05-05 | 2015-08-12 | 柳州宏开汽车科技有限公司 | 一种基于灵敏度分析的悬架硬点设计方法 |
CN106909743A (zh) * | 2017-03-02 | 2017-06-30 | 合肥工业大学 | 基于内外层嵌套多目标粒子群算法的麦弗逊悬架硬点坐标优化方法 |
CN107247830A (zh) * | 2017-05-26 | 2017-10-13 | 广州汽车集团股份有限公司 | 一种汽车悬架k&c特性公差优化方法及系统 |
-
2017
- 2017-09-26 CN CN201710881732.XA patent/CN107657113A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077459A (zh) * | 2014-07-17 | 2014-10-01 | 中国汽车工程研究院股份有限公司 | 一种基于悬架kc特性的汽车底盘操稳性能分析模型 |
CN104834779A (zh) * | 2015-05-05 | 2015-08-12 | 柳州宏开汽车科技有限公司 | 一种基于灵敏度分析的悬架硬点设计方法 |
CN106909743A (zh) * | 2017-03-02 | 2017-06-30 | 合肥工业大学 | 基于内外层嵌套多目标粒子群算法的麦弗逊悬架硬点坐标优化方法 |
CN107247830A (zh) * | 2017-05-26 | 2017-10-13 | 广州汽车集团股份有限公司 | 一种汽车悬架k&c特性公差优化方法及系统 |
Non-Patent Citations (1)
Title |
---|
辛运: ""五连杆悬架运动学特性的分析与优化"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471937A (zh) * | 2019-08-28 | 2019-11-19 | 武汉理工大学 | 一种工艺实例分级检索方法及装置 |
CN110471937B (zh) * | 2019-08-28 | 2021-04-09 | 武汉理工大学 | 一种工艺实例分级检索方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kasprzak et al. | Pareto analysis in multiobjective optimization using the collinearity theorem and scaling method | |
CN109285348A (zh) | 一种基于双向长短时记忆网络的车辆行为识别方法及系统 | |
CN104050681B (zh) | 一种基于视频图像的道路消失点检测方法 | |
CN102568009B (zh) | 用于电子地图的线段抽稀装置及其方法 | |
CN101620669B (zh) | 一种人脸身份和表情的同步识别方法 | |
CN110458174B (zh) | 一种无序点云关键特征点精确提取方法 | |
CN109159113B (zh) | 一种基于视觉推理的机器人作业方法 | |
CN104036480A (zh) | 基于surf算法的快速消除误匹配点方法 | |
CN108376408A (zh) | 一种基于曲率特征的三维点云数据快速加权配准方法 | |
CN107564290A (zh) | 一种城市道路交叉口饱和流率计算方法 | |
CN109784155B (zh) | 基于验证和纠错机制的视觉目标跟踪方法、智能机器人 | |
WO2020114120A1 (zh) | 一种车辆信息识别方法、系统、存储器及处理器 | |
CN107832704A (zh) | 一种使用基于图像场的非刚性配准的指纹识别方法 | |
CN110264030A (zh) | 一种新旧动能转换成效评价方法及系统 | |
CN101833763A (zh) | 一种水面倒影图像检测方法 | |
Shao et al. | A deep learning-based semantic filter for RANSAC-based fundamental matrix calculation and the ORB-SLAM system | |
CN100405004C (zh) | 光条图像特征高精度快速提取装置及方法 | |
CN104899604A (zh) | 一种基于数据集合并的特征级融合方法 | |
CN113076891B (zh) | 基于改进高分辨率网络的人体姿态预测方法及系统 | |
CN107657113A (zh) | 一种悬架硬点灵敏度的获取方法、装置及设备 | |
CN103886338B (zh) | 一种多光谱影像匹配方法和系统 | |
CN102289679B (zh) | 一种基于相关特征和非线性映射的固定视角人脸超分辨率识别方法 | |
CN108168459B (zh) | 一种汽车轮毂识别匹配方法 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN110705355A (zh) | 一种基于关键点约束的人脸姿态估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180202 |