CN110298073B - 集成神经网络与物理系统模型的换挡负载动态模拟方法 - Google Patents

集成神经网络与物理系统模型的换挡负载动态模拟方法 Download PDF

Info

Publication number
CN110298073B
CN110298073B CN201910421689.8A CN201910421689A CN110298073B CN 110298073 B CN110298073 B CN 110298073B CN 201910421689 A CN201910421689 A CN 201910421689A CN 110298073 B CN110298073 B CN 110298073B
Authority
CN
China
Prior art keywords
gear
load
neural network
gear shifting
model
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.)
Active
Application number
CN201910421689.8A
Other languages
English (en)
Other versions
CN110298073A (zh
Inventor
陈刚
周楠
陈守宝
王和荣
苏树华
王良模
王陶
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 Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201910421689.8A priority Critical patent/CN110298073B/zh
Publication of CN110298073A publication Critical patent/CN110298073A/zh
Application granted granted Critical
Publication of CN110298073B publication Critical patent/CN110298073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种集成神经网络与物理系统模型的换挡负载动态模拟方法，该方法将换挡负载分解为挂挡方向负载和选挡方向负载，并根据负载特点建立神经网络挂挡负载模型和阻尼系统选挡负载模型。神经网络挂挡负载模型输入为归一化挂挡位移和归一化挂挡速度，输出为归一化挂挡负载，经反归一化处理后成为挂挡负载。阻尼系统选挡负载模型根据选挡速度计算出选挡负载。最后通过挂挡负载和选挡负载计算出换挡负载。本发明将换挡负载分解为挂挡方向负载和选挡方向负载，并将具有强非线性和时变特性的挂挡方向负载通过神经网络进行拟合，实用性好。以该方法可以更好的模拟出换挡过程中的换挡负载变化情况。

Description

集成神经网络与物理系统模型的换挡负载动态模拟方法
技术领域
本发明属于换挡负载模拟技术领域，具体涉及一种集成神经网络与物理系统模型的换挡负载动态模拟方法。
背景技术
换挡负载具有强非线性、时变等特性，且由于不同设备换挡结构的差异，建立换挡负载的准确模型难度大。准确的模拟换挡负载可以提高作用在换挡杆上机械手动力学在换挡负载下的动力学特性分析的准确性和有效性。因此建立一个准确且通用的换挡负载模拟方法显得尤为重要。目前换挡负载模拟方法主要分为两种：模型法和拟合法。
2012年陈玉祥等人通过ADAMS建立换挡系统虚拟样机模型来模拟换挡负载的变化。属于模型法。该方法需要建立包括同步器、变速器等虚拟样机模型，通过各模型之间进行动力传递来计算换挡负载。由于需要针对不同的换挡设备建立不同的虚拟样机模型。越复杂的换挡设备其虚拟样机的建立越困难。通过虚拟样机模型实现换挡负载模拟，过程复杂且通用性差。
2014年Joohyung Kim等人通过针对变速箱中各个部件建立数值模拟模型来模拟换挡力，属于模型法。与虚拟样机模型不同之处在于模型的表达方法完全的数值化。缺点在于该研究方法需要大量参数辨识工作，同时在精度方面，受数值模拟结构影响较大，而一个精确表达结构的数值模型需要大量验证工作。通过数值模拟模型模拟换挡负载过程复杂、计算量大，同样在通用性方面也存在不足。
在现有专利中，专利申请号CN201711257504.1公开了一种基于硬件在环仿真的变速器模型校准系统及其校准方法。所述的校准系统由变速器控制单元、硬件在环仿真器、实物变速器、变速器仿真模块及实验测量标定模块。所述的校准方法是通过建立变速器仿真模型，属于模型法的一种。通过使用实验测量标定模块获取实物动态特性参数，利用动态特性参数修改仿真模型中参数保证仿真模块与实物动态特性一致。同样具有数值模拟模型的缺点。
2002年Canyang等人通过基于试验数据的曲线拟合试验数据的方法建立了换挡过程中换挡负载模型，该研究方法是通过采集试验时的换挡位移和换挡负载数据，利用多项式拟合法进行拟合得到换挡位移与换挡负载之间的多项式关系。属于拟合法的一种。利用多项式拟合法对换挡负载进行拟合，方法简单。缺点在于：拟合参数较少，只考虑了换挡位移与换挡负载之间的关系，受算法本身特点限制无法考虑换挡速度对换挡负载的影响，拟合精度较低。另外，该方法未考虑选挡方向和挂挡方向负载特性的差异，对具有强非线性和时变特性的挂挡方向负载的模拟效果较差。
综上所述，目前常见的两种换挡负载模拟方法都存在诸多问题。模型法需要进行大量的参数辨识工作，工作量大，同时精度受结构复杂程度影响较大。同时在通用性上也存在不足。拟合法中通过多项式拟合法对换挡负载进行负载模拟，受拟合参数的影响，存在拟合精度不足的情况。同时在具有强非线性和时变特性的挂挡方向负载上模拟效果较差。
发明内容
本发明的目的在于提供一种精度高、通用性强的集成神经网络与物理系统模型的换挡负载动态模拟方法。
实现本发明目的技术解决方案为：
一种集成神经网络与物理系统模型的换挡负载动态模拟方法，包括以下步骤：
步骤一，换挡数据获取：通过试验采集换挡杆在换挡过程中的数据，所述换挡数据包括挂挡方向数据和选挡方向数据，所述挂挡方向数据包括挂挡位移xg、挂挡速度vg和挂挡负载Fg，所述选挡方向数据包括选挡速度vy；
步骤二，归一化挂挡方向数据：将采用归一化方法将挂挡位移xg、挂挡速度vg和挂挡负载Fg归一化；
步骤三，神经网络挂挡负载模型训练：将步骤二处理完的归一化数据，以归一化换挡位移和换挡速度为输入、归一化后换挡负载作为输出进行神经网络训练并形成神经网络挂挡负载模型；
步骤四，建立阻尼系统选挡负载模型：根据选挡方向负载特性建立阻尼系统选挡负载模型：Fy＝kvy，其中Fy为选挡方向负载，k为阻尼系数，vy为选挡速度；
步骤五，将步骤三中建立的神经网络挂挡负载模型和步骤四中建立的阻尼系统选挡负载模型结合为换挡负载模拟模型；
步骤六，在实际使用过程中，换挡负载模拟模型根据采集到的实际的换挡杆上挂挡方向的速度和位移以及选挡方向的速度数据，模拟出换挡负载。
进一步地，所述步骤二中归一化处理后的挂挡位移xg、挂挡速度vg和挂挡负载Fg数据范围都在0-1之间。
进一步地，在所述步骤三中，神经网络类型采用BP神经网络，中间层激活函数为tanh函数，输入层和输出层激活函数为线性函数。
进一步地，所述步骤五中的换挡负载模拟模型还包括归一化处理模块和反归一化处理模块。
进一步地，所述归一化处理模块是将实际的挂挡方向位移和挂挡方向速度进行归一化处理，处理完的挂挡方向位移和挂挡方向速度数据范围在0-1之间，之后将处理完的挂挡方向位移和挂挡方向速度数据送至神经网络挂挡负载模型。
进一步地，神经网络挂挡负载模型所输出的挂挡方向负载为归一化挂挡方向负载，数值范围在0-1之间。
进一步地，挂挡负载输出反归一化模型用于将所述归一化挂挡方向负载反归一化得到实际负载值。
进一步地，所述步骤六中模拟出的换挡负载是将神经网络挂挡负载模型输出的挂挡方向负载和阻尼系统选挡负载模型输出的选挡方向负载通过向量相加得到换挡负载。
本发明与现有技术相比，本发明的显著优点在于：
(1)通用性好，本方法是基于试验数据基础上对换挡负载进行模型，因此可以适用于不同类型的换挡设备；
(2)实用性强，本方法是在试验数据的基础上建立的换挡负载模拟方法，保证了真实性和实用性；
(3)拟合效果好，换挡负载，尤其是挂挡方向负载具有强非线性和时变的特点，利用神经网络对非线性的换挡负载进行拟合效果较好；
(4)鲁棒性强，本发明将换挡负载分解为选挡方向负载和挂挡方向负载，同时根据特性不同建立神经网络挂挡负载模型和阻尼系统选挡负载模型，在神经网络挂挡负载模型中，考虑了影响挂挡负载最大的两个因素挂挡位移和挂挡速度，经仿真验证，该方法能够准确的对换挡负载进行模拟。
附图说明
图1是本发明集成神经网络与物理系统模型的换挡负载动态模拟方法的原理图。
图2是神经网络挂挡负载模型。
图3是本发明方法与多项式拟合法效果对比图。
图4是本发明方法与多项式拟合法换挡负载误差对比图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
本发明提供了一种集成神经网络与物理系统模型的换挡负载动态模拟方法，该方法将换挡负载分解为挂挡方向负载和选挡方向负载(通常换挡杆纵向拨动实现换挡，横向拨动实现选档)，并根据负载特点建立神经网络挂挡负载模型和阻尼系统选挡负载模型。神经网络挂挡负载模型输入为归一化挂挡位移和归一化挂挡速度，输出为归一化挂挡负载，经反归一化处理后成为挂挡负载。阻尼系统选挡负载模型根据选挡速度计算出选挡负载。最后通过挂挡负载和选挡负载计算出换挡负载。发明原理如图1所示，包括以下步骤：
(1)换挡数据获取：通过试验采集换挡杆在换挡过程中的位移、速度和换挡负载相关数据；
(2)挂挡负载数据处理：根据前述步骤获取的换挡数据，分解为挂挡方向负载和选挡方向负载；
(3)归一化挂挡方向数据，采用归一化方法将挂挡方向的位移、速度及负载数据归一化；
(4)神经网络挂挡负载模型训练：将步骤3处理完的归一化数据，以归一化换挡位移和换挡速度为输入、归一化后换挡负载作为输出进行神经网络训练并形成神经网络挂挡负载模型；
(5)阻尼系统选挡负载模型建立：根据选挡方向负载特性将换挡方向负载简化为阻尼系统模型；
(6)换挡负载合力计算：根据前述步骤建立好的神经网络挂挡负载模型及阻尼系统选挡负载模型，结合为换挡负载模拟模型。
进一步地，归一化之后的挂挡方向位移、速度和负载数据范围都在0-1之间。
进一步地，所建立的神经网络挂挡负载模型中神经网络类型采用BP神经网络，如下式所示：
Fx＝f(xx,vx,ω)
式中：Fx为挂挡方向负载，xx为挂挡位移，vx为挂挡速度，ω为经过训练后的神经网络参数，神经网络参数ω包括神经网络权重Wnm和偏秩bn。
所建立的神经网络挂挡负载模型中神经网络中中间层激活函数为tanh函数，tanh激活函数如下所示：
Figure BDA0002066196340000051
输出层激活函数为线性函数，神经网络结构如图2所示。所建立的神经网络挂挡负载模型中神经网络训练方法为梯度下降法。经网络挂挡负载模型中神经网络结构和参数与步骤4中神经网络挂挡负载模型训练中的神经网络的结构和参数相同。
进一步地，所建立的阻尼系统选挡负载模型如下所示：
Fy＝kvy
式中：Fy为选挡方向负载，k为阻尼系数，阻尼系数k大小通过试验获得，vy为选挡方向速度。
进一步地，换挡负载模拟模型中还包含挂挡数据归一模块、挂挡负载输出反归一化模块。挂挡负载输出反归一化模型是将以神经网络输出归一化挂挡方向负载反归一化到最小挂挡负载与最大挂挡负载之间。
神经网络挂挡负载模型及阻尼系统选挡负载模型结合为换挡负载模拟模型。结合方法是将神经网络挂挡负载模型和阻尼系统选挡负载模型输出的挂挡方向负载和选挡方向负载通过向量相加为换挡负载。公式如下：
Figure BDA0002066196340000052
式中，
Figure BDA0002066196340000053
为换挡负载，
Figure BDA0002066196340000054
为挂挡方向负载，
Figure BDA0002066196340000055
为选挡方向负载。
本发明方法与多项式拟合法效果对比如图3所示。换挡负载误差如图4所示。在相同样本情况下。本发明方法换挡负载平均误差为1.72N，标准差为8.27N。多项式拟合法平均误差为7.78N，标准差为17.90N。表明本发明方法相比多项式拟合法具有更高的精度，同时验证了本发明方法的有效性。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种集成神经网络与物理系统模型的换挡负载动态模拟方法，其特征在于，包括以下步骤：
步骤一，换挡数据获取：通过试验采集换挡杆在换挡过程中的数据，所述换挡数据包括挂挡方向数据和选挡方向数据，所述挂挡方向数据包括挂挡位移xg、挂挡速度vg和挂挡负载Fg，所述选挡方向数据包括选挡速度vy；
步骤二，归一化挂挡方向数据：将采用归一化方法将挂挡位移xg、挂挡速度vg和挂挡负载Fg归一化；
步骤三，神经网络挂挡负载模型训练：将步骤二处理完的归一化数据，以归一化换挡位移和换挡速度为输入、归一化后换挡负载作为输出进行神经网络训练并形成神经网络挂挡负载模型；
步骤四，建立阻尼系统选挡负载模型：根据选挡方向负载特性建立阻尼系统选挡负载模型：Fy＝kvy，其中Fy为选挡方向负载，k为阻尼系数，vy为选挡速度；
步骤五，将步骤三中建立的神经网络挂挡负载模型和步骤四中建立的阻尼系统选挡负载模型结合为换挡负载模拟模型；
步骤六，在实际使用过程中，换挡负载模拟模型根据采集到的实际的换挡杆上挂挡方向的速度和位移以及选挡方向的速度数据，模拟出换挡负载。
2.根据权利要求1所述的方法，其特征在于：所述步骤二中归一化处理后的挂挡位移xg、挂挡速度vg和挂挡负载Fg数据范围都在0-1之间。
3.根据权利要求1所述的方法，其特征在于：在所述步骤三中，神经网络类型采用BP神经网络，中间层激活函数为tanh函数，输入层和输出层激活函数为线性函数。
4.根据权利要求3所述的方法，其特征在于：所述步骤五中的换挡负载模拟模型还包括归一化处理模块和反归一化处理模块。
5.根据权利要求4所述的方法，其特征在于：所述归一化处理模块是将实际的挂挡方向位移和挂挡方向速度进行归一化处理，处理完的挂挡方向位移和挂挡方向速度数据范围在0-1之间，之后将处理完的挂挡方向位移和挂挡方向速度数据送至神经网络挂挡负载模型。
6.根据权利要求5所述的方法，其特征在于：神经网络挂挡负载模型所输出的挂挡方向负载为归一化挂挡方向负载，数值范围在0-1之间。
7.根据权利要求6所述的方法，其特征在于：挂挡负载输出反归一化模型用于将所述归一化挂挡方向负载反归一化得到实际负载值。
8.根据权利要求7所述的方法，其特征在于：所述步骤六中模拟出的换挡负载是将神经网络挂挡负载模型输出的挂挡方向负载和阻尼系统选挡负载模型输出的选挡方向负载通过向量相加得到换挡负载。
CN201910421689.8A 2019-05-21 2019-05-21 集成神经网络与物理系统模型的换挡负载动态模拟方法 Active CN110298073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910421689.8A CN110298073B (zh) 2019-05-21 2019-05-21 集成神经网络与物理系统模型的换挡负载动态模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910421689.8A CN110298073B (zh) 2019-05-21 2019-05-21 集成神经网络与物理系统模型的换挡负载动态模拟方法

Publications (2)

Publication Number Publication Date
CN110298073A CN110298073A (zh) 2019-10-01
CN110298073B true CN110298073B (zh) 2022-07-22

Family

ID=68026925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910421689.8A Active CN110298073B (zh) 2019-05-21 2019-05-21 集成神经网络与物理系统模型的换挡负载动态模拟方法

Country Status (1)

Country Link
CN (1) CN110298073B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111449A (zh) * 2021-03-09 2021-07-13 西安法士特汽车传动有限公司 一种基于AMESim的机械变速器静态换挡仿真方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105045958A (zh) * 2015-06-24 2015-11-11 中交一公局第一工程有限公司 基于bp神经网络的gps高程拟合的实现系统及方法
CN108960426A (zh) * 2018-07-09 2018-12-07 吉林大学 基于bp神经网络的道路坡度综合估计系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9235801B2 (en) * 2013-03-15 2016-01-12 Citrix Systems, Inc. Managing computer server capacity

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105045958A (zh) * 2015-06-24 2015-11-11 中交一公局第一工程有限公司 基于bp神经网络的gps高程拟合的实现系统及方法
CN108960426A (zh) * 2018-07-09 2018-12-07 吉林大学 基于bp神经网络的道路坡度综合估计系统

Also Published As

Publication number Publication date
CN110298073A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN107729706B (zh) 一种非线性机械系统的动力学模型构建方法
Busch Zur effizienten Kopplung von Simulationsprogrammen
PETRŽELA et al. Modeling Deterministic Chaos Using Electronic Circuits.
CN110631792B (zh) 基于卷积神经网络的抗震混合试验模型更新方法
CN104048676B (zh) 基于改进粒子滤波的mems陀螺随机误差补偿方法
CN110705080B (zh) 一种数字孪生模型精准组装方法及装置
CN112926152B (zh) 一种数字孪生驱动的薄壁件装夹力精准控制与优化方法
CN106971077A (zh) 一种基于时间片段参数辨识的动态仿真模型验证方法
CN115688288B (zh) 飞行器气动参数辨识方法、装置、计算机设备及存储介质
CN110298073B (zh) 集成神经网络与物理系统模型的换挡负载动态模拟方法
CN109146055A (zh) 基于正交化实验和人工神经网络的改进粒子群优化方法
CN110110406B (zh) 一种基于Excel计算平台实现LS-SVM模型的边坡稳定性预测方法
Sümer et al. A direct discrete-time IDA-PBC design method for a class of underactuated Hamiltonian systems
CN103942380B (zh) 图形化控制系统设计与仿真工具
Chen et al. Fuzzy neural control for unmanned robot applied to automotive test
Ptak Application of software packages in research and didactics
Jansen Large-eddy simulation using unstructured grids
Porteš et al. Modern tools for vehicle development
CN106709167A (zh) 一种基于相似度理论的装配有效性评估方法
Hirnyak et al. Control system of robot movement
CN111625995A (zh) 一种集成遗忘机制和双超限学习机的在线时空建模方法
CN118013870B (zh) 一种基于分布函数思想求解ns方程的深度神经网络方法
Wang et al. Identification of ball and plate system using multiple neural network models
Shao et al. Study on the fitting ways of artificial neural networks
Sun A robust simplex cut-cell method for adaptive high-order discretizations of aerodynamics and multi-physics problems

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