CN108563900A - 一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法 - Google Patents

一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法 Download PDF

Info

Publication number
CN108563900A
CN108563900A CN201810389454.0A CN201810389454A CN108563900A CN 108563900 A CN108563900 A CN 108563900A CN 201810389454 A CN201810389454 A CN 201810389454A CN 108563900 A CN108563900 A CN 108563900A
Authority
CN
China
Prior art keywords
wheel
vehicle
structural parameters
structure parameter
roll stability
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.)
Granted
Application number
CN201810389454.0A
Other languages
English (en)
Other versions
CN108563900B (zh
Inventor
赵又群
李海青
张桂玉
徐瀚
肖振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810389454.0A priority Critical patent/CN108563900B/zh
Publication of CN108563900A publication Critical patent/CN108563900A/zh
Application granted granted Critical
Publication of CN108563900B publication Critical patent/CN108563900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本发明公开了一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法，包括以下步骤：S1、通过台架试验与有限元仿真相结合的方法得出影响车轮侧偏力学特性的主要结构参数，建立包含结构参数的车轮侧偏力学特性经验表达式；S2、基于Simulink软件建立匹配车轮力学特性的非线性三自由度侧翻预测模型；S3、进行不同结构参数组合的汽车前轮角阶跃工况下的侧翻稳定性模拟仿真，得到若干组不同结构参数组合工况下的汽车侧翻稳定性指标参数；S4、利用逆动力学理论，建立输入为汽车侧翻稳定性评价指标，输出为不同结构参数组合的神经网络模型；S5、利用仿真结果进行网络训练，构建车轮结构参数匹配和汽车侧翻稳定性之间的关系。本发明简单易实现、具有良好应用前景。

Description

一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法
技术领域
本发明属于车辆结构与性能优化设计技术领域，具体涉及一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法。
背景技术
轮胎作为汽车与地面接触的唯一汽车部件，其性能对汽车的侧翻稳定性有重要影响。根据整车性能的需要生产各种合适的轮胎以及怎样为设计车型匹配合适的轮胎一直以来都是轮胎制造商和整车设计厂商非常关心的问题。
目前，汽车初期设计过程中的车轮与汽车匹配问题，大多基于简单的理论计算再加上样车的试验调校，存在研发精度低，周期较长等缺点。研究预测轮胎结构特性与整车性能之间关系的理论和方法，可以在汽车前期的研发设计过程中，通过精确的理论计算得到最佳车轮匹配整车特性方案，提高研发效率、精度，避免了研发的盲目性，指导轮胎供应厂商的车轮匹配设计工作。
发明内容
发明目的：为了克服现有技术中存在的不足，提高车轮设计研发效率、精度，避免了研发的盲目性，指导轮胎供应厂商的车轮匹配整车性能设计工作，本发明提供一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法，
技术方案：为实现上述目的，本发明采用的技术方案为：
一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法，包括以下步骤：
S1、通过台架试验与有限元仿真相结合得出影响车轮侧偏力学特性的结构参数，建立包含结构参数的车轮侧偏力学特性经验表达式；车轮结构主要包括輮轮、轮毂和铰链组；
S2、基于Simulink软件建立匹配车轮力学特性的非线性三自由度侧翻预测模型；
S3、进行不同车轮结构参数组合的前轮角阶跃模拟仿真，得到相应的汽车侧翻稳定性指标参数；
S4、基于逆动力学理论建立输入为汽车侧翻稳定性评价指标、输出为不同结构参数组合的神经网络模型；
S5、利用仿真结果进行网络训练，构建车轮结构参数匹配和汽车侧翻稳定性之间的关系。
进一步的，所述步骤S1具体包括以下子步骤：
S11、总结结构参数对侧偏力学特性影响规律；
S12、建立侧偏刷子理论模型，前后轴各车轮轮胎力为：
Fy＝μFzθy(3tanα-3θytan2α+θy 2tan3α)
其中，θy＝(2ceylp 2)/3μFz；其中，cey为刷毛单元侧向刚度，α为车轮的侧偏角，Fz为车轮垂向载荷，μ为地面附着系数，lp为接地印迹半长，λc为待定常数，Fy为车轮侧向力。
进一步的，所述结构参数包括：輮轮的断面宽度、高度，弹性环分布的宽度、高度，铰链组的长度、数目，橡胶层的剪切模量。
进一步的，步骤S2中，所述非线性三自由度侧翻预测模型为：
横向运动
其中，m、ms分别为车辆的总质量、簧载质量；ay是车辆的侧向加速度；hs是质心位置距侧倾中心的距离；φ为车辆的侧倾角；Fyi为第i个轮胎的侧向力(i＝1,2,3,4)；
横摆运动：
其中，Iz簧载质量的横摆转动惯量；lf、lr分别为质心位置到前、后轴的距离；γ为横摆角速度；
侧倾运动：
其中，Ix簧载质量的侧倾转动惯量；Kφf、Kφr分别为前、后轴悬架的等效侧倾刚度；Cφf、Cφr分别为前、后轴悬架的等效阻尼；
前、后轴车轮的侧偏角为：
其中，tw为汽车轮距忽略纵向载荷转移；δf为前轮转角；νx、νy为纵向、侧向车速；
忽略纵向载荷转移，前后轴各车轮的垂向载荷为：
其中，l为轴距。
进一步的，步骤S3具体包括：
S31、进行不同结构参数组合的汽车前轮角阶跃工况下的侧翻稳定性模拟仿真；
S32、以PLTR作为侧翻稳定性评价指标，定义为：
其中Δt是预测时间，t0是当前时间；tw为汽车轮距忽略纵向载荷转移；ay是车辆的侧向加速度；φ为车辆的侧倾角；h为质心高度；
S33、得到若干组不同结构参数组合工况下的汽车侧翻稳定性指标参数。
进一步的，步骤S4具体包括：
S41、确定径向基函数神经网络模型；
S42、确定以PLTR为神经网络模型输入变量、不同车轮结构参数组合为输出变量；
S43、确定神经网络训练样本和验证样本；
S44、建立径向基函数神经网络逆动力学模型。
进一步的，步骤S41中，所述径向基函数是高斯函数：
其中，ci是第i个节点的中心向量；σi是第i个基函数围绕中心点的宽度；xi是第i个节点的输入向量；Ri是径向基函数；
神经网络模型期望输出为：
其中，wik是网络隐层第i个节点与输出层第k个节点之间的连接权；yk是隐含层节点输出；ek是误差向量；N是隐含层节点个数；M是输出层节点个数。
进一步的，步骤S5具体包括：
S51、进行网络训练；
S52、验证径向基函数神经网络逆动力学模型的正确性。
有益效果：本发明提供的车轮结构参数匹配整车侧翻稳定性的逆动力学方法，与现有技术相比，具有以下优势：
1、设计方法简单，便于实现和推广；
2.构建轮胎结构参数、轮胎力学特性与整车侧翻稳定性能的映射关系，指导轮胎厂商的生产、设计以及匹配工作。
附图说明
图1是本发明的逆动力学设计方法流程图；
图2是车轮结构示意图；
图中，1-輮轮，2-橡胶层，3-弹性环，4-铰链组，5-轮毂；
图3輮轮断面与铰链组结构示意图；
图4是车轮有限元模型；
图5是汽车侧翻示意图；
图6是径向基函数神经网络示意图。
具体实施方式
本发明公开了一种新型车轮结构参数匹配整车侧翻稳定性的逆动力学设计方法，所述方法包括以下步骤：S1、通过台架试验与有限元仿真相结合的方法得出影响车轮侧偏力学特性的主要结构参数，建立包含结构参数的车轮侧偏力学特性经验表达式；S2、基于Simulink软件建立匹配车轮力学特性的非线性三自由度侧翻预测模型；S3、进行不同结构参数组合的汽车前轮角阶跃工况下的侧翻稳定性模拟仿真，得到若干组不同结构参数组合工况下的汽车侧翻稳定性指标参数；S4、利用逆动力学理论，建立输入为汽车侧翻稳定性评价指标，输出为不同结构参数组合的神经网络模型；S5、利用仿真结果进行网络训练，构建车轮结构参数匹配和汽车侧翻稳定性之间的关系。本发明方法简单、容易实现、具有良好的应用前景。
下面结合附图和实施例对本发明作更进一步的说明。
实施例
如图1所示，本发明公开了一种车轮结构参数匹配整车侧翻稳定性的逆动力学设计方法，包括以下步骤：
S1、建立包含结构参数的车轮侧偏力学特性经验表达式。具体包括以下子步骤：
S11、作为一个实施例，如图2所示，所述车轮主要结构包括輮轮1、铰链组4、轮毂5；
S12、作为一个实施例，如图3所示，所述车轮结构参数主要包括輮轮1的断面宽度、高度，弹性环3的分布宽度、高度，铰链组4的长度、数目，橡胶层2的剪切模量等；各参数具体参考取值区间如表1所示。
表1车轮结构参数取值范围
参数 取值范围
輮轮断面宽度 310～320mm
輮轮断面高度 70～90mm
初始剪切模量 1.04～1.82Mpa
弹性环分布宽度 20～30mm
弹性环分布高度 15～20mm
铰链组长度 120～150mm
铰链组数目 12～18
S13、作为一个实施例，如图4所示，建立车轮有限元模型，分析不同结构参数对车轮侧偏特性具体影响；
S14、建立车轮侧偏刷子理论模型。
S15、台架试验验证模型的正确性。
S2、基于整车动力学模型和Simulink软件，建立匹配车轮力学特性的非线性三自由度侧翻预测模型。非线性三自由度模型为：
横向运动
其中，m,ms分别为车辆的总质量，簧载质量；ay是车辆的侧向加速度；hs是质心位置距侧倾中心的距离；φ车辆的侧倾角；Fyi第i个轮胎的侧向力(i＝1,2,3,4)。
横摆运动：
其中，Iz簧载质量的横摆转动惯量；lf,lr分别为质心位置到前后轴的距离。
侧倾运动：
其中，Ix簧载质量的侧倾转动惯量；Kφf,Kφr分别为前后轴悬架的等效侧倾刚度；Cφf,Cφr分别为前后轴悬架的等效阻尼。
前后轴车轮的侧偏角为：
其中，tw位汽车轮距忽略纵向载荷转移。
前后轴各车轮的垂向载荷为：
前后轴各车轮轮胎力为：
Fyi＝μFziθy(3tanαi-3θytan2αi+θy 2tan3αi)，
S3、进行不同车轮结构参数组合的前轮角阶跃模拟仿真。进一步地,所述步骤S3具体包括以下子步骤:
S31、进行不同结构参数组合的汽车前轮角阶跃工况下的侧翻稳定性模拟仿真；
S32、侧翻简化示意图如图5所示，对轮距中心点列稳态的力矩平衡式：
msayh+msgΔy＝(Fzl-Fzr)tw/2，Δy＝h·sinφ，
横向载荷转移率定义为：
当左、右侧的车轮垂直载荷相等时，LTR＝0；当一侧车轮的垂直载荷为零时，LTR为1或-1。LTR的绝对值越大则表明汽车的侧翻风险越大，代入得
将汽车的簧载质量ms与总质量m近视处理，得到简化的LTR的估计值表达式如下
考虑车轮的垂向载荷是随着车辆运动状态而不断变化的，LTR的导数反映了其变化趋势，也从一定程度上反映未来时刻的LTR，进而反映车辆的侧翻倾向。定义预测横向载荷转移率PLTR为：
其中Δt是预测时间，t0是当前时间。
当侧倾角较小时,假设sinφ≈φ,以PLTR作为侧翻稳定性评价指标：
其中Δt是预测时间，t0是当前时间。
S33、得到若干组不同结构参数组合工况下的汽车侧翻稳定性指标参数。
S4、基于神经网络算法，建立输入为汽车侧翻稳定性评价指标、输出为不同结构参数组合的神经网络模型。进一步地，所述步骤S4具体包括以下子步骤:
S41、作为一个实施例，如图6所示，径向基函数是高斯函数：
其中，ci是第i个节点的中心向量；δi第i个基函数围绕中心点的宽度；xi是第i个节点的输入向量。
神经网络模型期望输出为：
其中，wik是网络隐层第i个节点与输出层第k个节点之间的连接权。
S42、确定以PLTR为输入变量，不同车轮结构参数组合为输出变量；
S43、确定神经网络训练样本和验证样本；
S44、建立径向基函数神经网络逆动力学模型。
S5、进行网络训练，构建车轮结构参数匹配和汽车侧翻稳定性之间的关系。进一步地，所述步骤S5具体包括以下子步骤：
S51、进行网络训练；
S52、验证径向基函数神经网络逆动力学模型的正确性。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上所述仅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技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法，其特征在于，包括以下步骤：
S1、通过台架试验与有限元仿真相结合得出影响车轮侧偏力学特性的结构参数，建立包含结构参数的车轮侧偏力学特性经验表达式；车轮结构主要包括輮轮、轮毂和铰链组；
S2、基于Simulink软件建立匹配车轮力学特性的非线性三自由度侧翻预测模型；
S3、进行不同车轮结构参数组合的前轮角阶跃模拟仿真，得到相应的汽车侧翻稳定性指标参数；
S4、基于逆动力学理论建立输入为汽车侧翻稳定性评价指标、输出为不同结构参数组合的神经网络模型；
S5、利用仿真结果进行网络训练，构建车轮结构参数匹配和汽车侧翻稳定性之间的关系。
2.根据权利要求1所述的车轮结构参数匹配整车侧翻稳定性的逆动力学方法，其特征在于，所述步骤S1具体包括以下子步骤：
S11、总结结构参数对侧偏力学特性影响规律；
S12、建立侧偏刷子理论模型，前后轴各车轮轮胎力为：
Fy＝μFzθy(3tanα-3θytan2α+θy 2tan3α)
其中，θy＝(2ceylp 2)/3μFz；其中，cey为刷毛单元侧向刚度，α为车轮的侧偏角，Fz为车轮垂向载荷，μ为地面附着系数，lp为接地印迹半长，λc为待定常数，Fy为车轮侧向力。
3.根据权利要求1所述的车轮结构参数匹配整车侧翻稳定性的逆动力学方法，其特征在于，所述结构参数包括：輮轮的断面宽度、高度，弹性环分布的宽度、高度，铰链组的长度、数目，橡胶层的剪切模量。
4.根据权利要求2所述的车轮结构参数匹配整车侧翻稳定性的逆动力学方法，其特征在于，步骤S2中，所述非线性三自由度侧翻预测模型为：
横向运动
其中，m、ms分别为车辆的总质量、簧载质量；ay是车辆的侧向加速度；hs是质心位置距侧倾中心的距离；φ为车辆的侧倾角；Fyi为第i个轮胎的侧向力(i＝1,2,3,4)；
横摆运动：
其中，Iz簧载质量的横摆转动惯量；lf、lr分别为质心位置到前、后轴的距离；γ为横摆角速度；
侧倾运动：
其中，Ix簧载质量的侧倾转动惯量；Kφf、Kφr分别为前、后轴悬架的等效侧倾刚度；Cφf、Cφr分别为前、后轴悬架的等效阻尼；
前、后轴车轮的侧偏角为：
其中，tw为汽车轮距忽略纵向载荷转移；δf为前轮转角；νx、νy为纵向、侧向车速；
忽略纵向载荷转移，前后轴各车轮的垂向载荷为：
其中，l为轴距。
5.根据权利要求1所述的车轮结构参数匹配整车侧翻稳定性的逆动力学方法，其特征在于，步骤S3具体包括：
S31、进行不同结构参数组合的汽车前轮角阶跃工况下的侧翻稳定性模拟仿真；
S32、以PLTR作为侧翻稳定性评价指标，定义为：
其中Δt是预测时间，t0是当前时间；tw为汽车轮距忽略纵向载荷转移；ay是车辆的侧向加速度；φ为车辆的侧倾角；h为质心高度；
S33、得到若干组不同结构参数组合工况下的汽车侧翻稳定性指标参数。
6.根据权利要求1所述的车轮结构参数匹配整车侧翻稳定性的逆动力学方法，其特征在于，步骤S4具体包括：
S41、确定径向基函数神经网络模型；
S42、确定以PLTR为神经网络模型输入变量、不同车轮结构参数组合为输出变量；
S43、确定神经网络训练样本和验证样本；
S44、建立径向基函数神经网络逆动力学模型。
7.根据权利要求6所述的车轮结构参数匹配整车侧翻稳定性的逆动力学方法，其特征在于，步骤S41中，所述径向基函数是高斯函数：
其中，ci是第i个节点的中心向量；σi是第i个基函数围绕中心点的宽度；xi是第i个节点的输入向量；Ri是径向基函数；
神经网络模型期望输出为：
其中，wik是网络隐层第i个节点与输出层第k个节点之间的连接权；yk是隐含层节点输出；ek是误差向量；N是隐含层节点个数；M是输出层节点个数。
8.根据权利要求1所述的车轮结构参数匹配整车侧翻稳定性的逆动力学方法，其特征在于，步骤S5具体包括：
S51、进行网络训练；
S52、验证径向基函数神经网络逆动力学模型的正确性。
CN201810389454.0A 2018-04-27 2018-04-27 一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法 Active CN108563900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810389454.0A CN108563900B (zh) 2018-04-27 2018-04-27 一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810389454.0A CN108563900B (zh) 2018-04-27 2018-04-27 一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法

Publications (2)

Publication Number Publication Date
CN108563900A true CN108563900A (zh) 2018-09-21
CN108563900B CN108563900B (zh) 2020-07-28

Family

ID=63536998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810389454.0A Active CN108563900B (zh) 2018-04-27 2018-04-27 一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法

Country Status (1)

Country Link
CN (1) CN108563900B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509223A (zh) * 2018-11-08 2019-03-22 西安电子科技大学 基于深度学习的前方车辆测距方法
CN111695215A (zh) * 2020-06-08 2020-09-22 江苏科技大学 一种零转弯半径割草机多工况侧翻预测模型的建立方法
CN111753463A (zh) * 2020-05-22 2020-10-09 重庆长安汽车股份有限公司 车辆行驶跑偏主动控制方法
CN112270069A (zh) * 2020-09-29 2021-01-26 北京五一视界数字孪生科技股份有限公司 确定仿真车辆的车轮载荷的方法、装置、介质及设备
CN112319490A (zh) * 2019-07-31 2021-02-05 广州汽车集团股份有限公司 一种汽车质心侧偏角估计方法、计算机设备和存储介质
CN112706756A (zh) * 2020-11-25 2021-04-27 东风越野车有限公司 轮毂电机驱动越野车横摆稳定性控制方法
CN113515814A (zh) * 2021-07-30 2021-10-19 青驭汽车科技(太仓)有限公司 车辆转动惯量预测方法
CN115310337A (zh) * 2022-10-12 2022-11-08 中汽研（天津）汽车工程研究院有限公司 基于人工智能的车辆动力学性能预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040117071A1 (en) * 2002-12-13 2004-06-17 Continental Teves, Inc. Method to mitigate vehicle roll oscillations by limiting the rate of recovery of the lateral component of the tire force vector
CN106250591A (zh) * 2016-07-21 2016-12-21 辽宁工业大学 一种考虑侧倾影响的汽车行驶状态估计方法
CN107776335A (zh) * 2017-10-10 2018-03-09 南京航空航天大学 一种机械弹性车轮横向稳定加强型复合轮毂结构

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040117071A1 (en) * 2002-12-13 2004-06-17 Continental Teves, Inc. Method to mitigate vehicle roll oscillations by limiting the rate of recovery of the lateral component of the tire force vector
CN106250591A (zh) * 2016-07-21 2016-12-21 辽宁工业大学 一种考虑侧倾影响的汽车行驶状态估计方法
CN107776335A (zh) * 2017-10-10 2018-03-09 南京航空航天大学 一种机械弹性车轮横向稳定加强型复合轮毂结构

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAIQING LI等: "Nonlinear dynamics modeling and rollover control of an off-road vehicle with mechanical elastic wheel", 《JOURNAL OF THE BRAZILIAN SOCIETY OF MECHANICAL SCIENCES AND ENGINEERING》 *
付宏勋等: "机械弹性车轮侧向刚度的影响因素分析", 《上海交通大学学报》 *
杜现斌等: "基于刷子模型的悬链式非充气车轮外倾侧偏特性分析", 《上海交通大学学报》 *
王国林等: "基于操纵稳定性的轮胎特性匹配汽车操纵逆动力学研究", 《中国机械工程》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509223A (zh) * 2018-11-08 2019-03-22 西安电子科技大学 基于深度学习的前方车辆测距方法
CN112319490A (zh) * 2019-07-31 2021-02-05 广州汽车集团股份有限公司 一种汽车质心侧偏角估计方法、计算机设备和存储介质
CN111753463A (zh) * 2020-05-22 2020-10-09 重庆长安汽车股份有限公司 车辆行驶跑偏主动控制方法
CN111695215A (zh) * 2020-06-08 2020-09-22 江苏科技大学 一种零转弯半径割草机多工况侧翻预测模型的建立方法
CN111695215B (zh) * 2020-06-08 2024-03-19 江苏科技大学 一种零转弯半径割草机多工况侧翻预测模型的建立方法
CN112270069B (zh) * 2020-09-29 2024-02-06 万物镜像(北京)计算机系统有限公司 确定仿真车辆的车轮载荷的方法、装置、介质及设备
CN112270069A (zh) * 2020-09-29 2021-01-26 北京五一视界数字孪生科技股份有限公司 确定仿真车辆的车轮载荷的方法、装置、介质及设备
CN112706756A (zh) * 2020-11-25 2021-04-27 东风越野车有限公司 轮毂电机驱动越野车横摆稳定性控制方法
CN112706756B (zh) * 2020-11-25 2022-03-29 东风越野车有限公司 轮毂电机驱动越野车横摆稳定性控制方法
CN113515814A (zh) * 2021-07-30 2021-10-19 青驭汽车科技(太仓)有限公司 车辆转动惯量预测方法
CN113515814B (zh) * 2021-07-30 2023-11-21 青驭汽车科技(太仓)有限公司 车辆转动惯量预测方法
CN115310337B (zh) * 2022-10-12 2023-03-31 中汽研（天津）汽车工程研究院有限公司 基于人工智能的车辆动力学性能预测方法
CN115310337A (zh) * 2022-10-12 2022-11-08 中汽研（天津）汽车工程研究院有限公司 基于人工智能的车辆动力学性能预测方法

Also Published As

Publication number Publication date
CN108563900B (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN108563900A (zh) 一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法
Ni et al. Dynamics control of autonomous vehicle at driving limits and experiment on an autonomous formula racing car
CN105946858B (zh) 基于遗传算法的四驱电动汽车状态观测器参数优化方法
CN104077459B (zh) 一种基于悬架kc特性的汽车底盘操稳性能分析模型建立方法
CN105136469A (zh) 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法
CN107415939A (zh) 一种分布式驱动电动汽车转向稳定性控制方法
Wu et al. Trajectory tracking control for four-wheel independent drive intelligent vehicle based on model predictive control
Cao et al. Fuzzy adaptive PID control method for multi-mecanum-wheeled mobile robot
Fan et al. Vehicle dynamics modeling and electronic stability program/active front steering sliding mode integrated control
CN108984888A (zh) 基于敏感性分析的麦弗逊悬架多目标优化函数构建方法
Jiang et al. Model free predictive path tracking control of variable-configuration unmanned ground vehicle
CN109515442A (zh) 四轮驱动电动汽车路面附着系数估计方法
CN114103967A (zh) 四轮独立驱动电动汽车质心侧偏角与轮胎侧向力估计方法
Liu et al. Vehicle state estimation based on unscented Kalman filtering and a genetic-particle swarm algorithm
CN108394413B (zh) 一种四轮独立驱动与转向的电动汽车状态与参数校正方法
Lin et al. Integrated tire slip energy dissipation and lateral stability control of distributed drive electric vehicle with mechanical elastic wheel
Macek et al. Dynamics modeling and parameter identification for autonomous vehicle navigation
Zhu et al. Online series-parallel reinforcement-learning-based balancing control for reaction wheel bicycle robots on a curved pavement
Zhao et al. A linear variable parameter observer-based road profile height estimation for suspension nonlinear dynamics improvements
Song et al. Fuzzy control method for a steering system consisting of a four-wheel individual steering and four-wheel individual drive electric chassis
Chen et al. A dynamic tire model based on HPSO-SVM
Zang et al. Fuzzy neural network PID control for electric power steering system
Gang et al. Study on Vehicle Driving State Estimation for Four-Wheel Independent Drive and Steering Electric Vehicle
CN109177745A (zh) 一种考虑多目标分布式驱动电动汽车的转矩分配控制方法
Zhang et al. Multiobjective Optimization of Vehicle Handling and Stability Based on ADAMS

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
GR01 Patent grant
GR01 Patent grant