CN111753463A - 车辆行驶跑偏主动控制方法 - Google Patents

车辆行驶跑偏主动控制方法 Download PDF

Info

Publication number
CN111753463A
CN111753463A CN202010443797.8A CN202010443797A CN111753463A CN 111753463 A CN111753463 A CN 111753463A CN 202010443797 A CN202010443797 A CN 202010443797A CN 111753463 A CN111753463 A CN 111753463A
Authority
CN
China
Prior art keywords
deviation
vehicle
parameters
design
running
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
Application number
CN202010443797.8A
Other languages
English (en)
Inventor
王俊翔
陈华
王金龙
成健
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.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
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 Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202010443797.8A priority Critical patent/CN111753463A/zh
Publication of CN111753463A publication Critical patent/CN111753463A/zh
Pending legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种车辆行驶跑偏主动控制方法，包括：1.利用多体计算软件建立反映车辆跑偏机理的整车虚拟样机，通过整车仿真工况标定模型精度；2.将悬架参数进行参数化，基于DOE采样，识别在悬架参数偏差下，跑偏性能的波动情况，筛选出影响行驶跑偏的关重参数；3.通过径向基神经网络方法构建跑偏关重参数与跑偏性能的近似模型；4.根据蒙特卡洛方法判断关重参数存在波动时，跑偏性能的可靠度；5.结合生产条件及成本，组合各参数的偏差控制方案，分析跑偏控制的失效概率及Sigma水平，确定出参数偏差的控制方案；6.随机组合各参数极限偏差，通过整车虚拟样机验证行驶跑偏量是否满足性能目标。本发明能够在前期有效规避跑偏风险。

Description

车辆行驶跑偏主动控制方法
技术领域
本发明属于汽车主动控制技术领域，具体涉及一种车辆行驶跑偏主动控制方法。
背景技术
车辆跑偏是汽车在完全没有转向输入的情况下，车辆不能保证直线行驶，逐渐偏向一侧。车辆跑偏根据产生机理分为匀速跑偏、制动跑偏和加速跑偏。跑偏会使驾驶员操舵力加大，迫使驾驶员不断通过方向盘修正车辆方向，加剧驾驶员疲劳。如果跑偏严重，极有可能引起交通事故。
作为汽车行业比较典型的老大难问题，车辆跑偏跟主机厂的设计水平，控制能力息息相关。通过对跑偏情况进行统计分析，发现制动跑偏和加速跑偏分别占总体统计样本的10％，而匀速跑偏占到了总体的80％。
对于车辆跑偏，目前尚无前期主动控制手段，由底盘硬点、轮胎参数引起的车辆行驶跑偏，主要通过基于经验的制造偏差防止跑偏的产生，参加图1。这种方法会产生两个问题：一是不能完全地防止跑偏产生；二是采用统一的偏差控制，造成了成本的增加。
当实车车辆行驶跑偏发生后，主要方法是通过后期实车验证，确定跑偏问题，并借助多体动力模型进行问题点排查和整改。通常反复的问题排查和整改耗时1个月以上。
因此，有必要开发一种车辆行驶跑偏主动控制方法。
发明内容
本发明的目的是提供一种车辆行驶跑偏主动控制方法，能在前期有效规避跑偏风险。
本发明所述的一种车辆行驶跑偏主动控制方法，包括以下步骤：
步骤1.利用多体计算软件建立反映车辆跑偏机理的整车虚拟样机，通过整车仿真工况标定模型精度；
步骤2.将悬架参数进行参数化，基于DOE采样，识别在悬架参数偏差下，跑偏性能的波动情况，筛选出影响行驶跑偏的关重参数；
步骤3.通过径向基神经网络方法构建跑偏关重参数与跑偏性能的近似模型；
步骤4.根据蒙特卡洛方法判断关重参数存在波动时，跑偏性能的可靠度；
步骤5.结合生产条件及成本，组合各参数的偏差控制方案，分析跑偏控制的失效概率及Sigma水平，确定出参数偏差的控制方案；
步骤6.随机组合各参数极限偏差，通过整车虚拟样机验证行驶跑偏量是否满足性能目标。
进一步，所述步骤1具体为：建立反映车辆跑偏机理的整车虚拟样机，通过硬点尺寸链计算程序实时计算硬点坐标，并将坐标传递给虚拟样机，对虚拟样机的硬点坐标进行实时修改，并同时修改衬套预载数值。
进一步，所述步骤2具体为：将硬点偏差、弹簧偏心坐标、弹簧刚度、轮胎锥度力和角度效应作为设计变量，设计变量偏差特性服从正态分布N(0,1)，以整车行驶跑偏量作为目标，约束条件为跑偏量≤目标值，采用最优拉丁超立方，进行试验设计，保证抽样点均匀性，获取参数的灵敏度。
进一步，所述步骤3具体为：径向基神经网络方法，以待测点与样本点之间的欧几里德距离为自变量；
假设
Figure BDA0002505048750000021
为输入向量，构建基函数；
Figure BDA0002505048750000022
其中，||m-mj,||为欧几里德距离，||m-mj,||＝(m-mj)T(m-mj)，且0.2≤c≤3；
gi为向量基函数；
Ω为向量空间；
Figure BDA0002505048750000023
为N维实数空间；
m为样本点向量；
mj为待测点向量。
进一步，所述步骤4具体为：基于步骤3构建的近似模型，采用6Sigma稳健性设计；用于管控车辆跑偏的6Sigma稳健性设计的数学模型为：
f(M)＝Minimize F(μ(M),σ(M))
subject to Gj(μ(M),σ(M))≤0.0
MLSL+ΔM≤M≤MUSL-ΔM
其中，M为硬点设计集；
f(M)为跑偏评价指标集；
Minimize F(μ(M),σ(M))为最小化目标函数；
subject to Gj(μ(M),σ(M))为约束条件；
μ(M)为硬点设计集平均值；
σ(M)为硬点设计集方差；
±ΔM为硬点设计变量M的变化区间，表示M在±ΔM范围内波动；
MLSL为硬点设计变量的下限；
MUSL为硬点设计变量的上限。
进一步，所述步骤5具体为：根据生产工艺水平及成本，缩减关重参数的制造公差水平，同时保证对非显著设计变量的制造公差不变，经组合优化，获取成本最优的关重参数偏差控制方案
进一步，所述步骤6具体为：在控制方案中，随机组合各参数的偏差上限，通过整车虚拟样机计算行驶跑偏量，评判是否满足性能目标。
本发明具有以下优点：本发明能够快速有效且成本低廉地在开发前期对乘用车行驶跑偏进行管控，提出关键硬点、弹簧参数、轮胎均匀性指标的控制偏差，指导生产。该方法不仅可以在产品研发前期对车辆跑偏性能进行准确的预测与控制，而且大大减少了后期跑偏问题发生和整改频次，缩短了产品开发周期，降低了研发成本，提高了产品质量。
附图说明
图1是主流检验及消除跑偏流程图；
图2是跑偏主动控制分析方法流程图；
图3是尺寸链计算与传递；
图4是衬套预载设置；
图5是参数灵敏度排序；
图6是神经网络的误差分析；
图7是神经网络的精度检验R^2分析；
图8是跑偏可靠度；
图9是跑偏稳健性优化；
图10是关重参数偏差控制方案；
图11是行驶跑偏量仿真验证。
具体实施方式
下面结合附图对本发明作进一步说明。
本实施例中，一种车辆行驶跑偏主动控制方法，包括以下步骤：
步骤1.利用多体计算软件建立反映车辆跑偏机理的整车虚拟样机，通过整车仿真工况标定模型精度；
步骤2.将悬架参数进行参数化，基于DOE采样，识别在悬架参数偏差下，跑偏性能的波动情况，筛选出影响行驶跑偏的关重参数；
步骤3.通过径向基神经网络方法构建跑偏关重参数与跑偏性能的近似模型；
步骤4.根据蒙特卡洛方法判断关重参数存在波动时(即存在制造公差)，跑偏性能的可靠度；
步骤5.结合生产条件及成本，组合各参数的偏差控制方案，分析跑偏控制的失效概率及Sigma水平，确定出参数偏差的控制方案；
步骤6.随机组合各参数极限偏差，通过整车虚拟样机验证行驶跑偏量是否满足性能目标。
本方法针对乘用车，通过虚拟手段针对设计车中影响行驶跑偏的因子进行灵敏度排序，通过分析影响因子与跑偏的稳健性，对每一个影响因子确定独立的控制偏差。结合生产精度，对极限偏差组合进行虚拟验证，分析跑偏距离，确定偏差控制的有效性和可行性。因子的偏差控制将作为车辆量产的技术要求。
如图2所示，一种车辆行驶跑偏主动控制方法，具体步骤如下：
步骤1.跑偏整车虚拟样机建立：建立反映跑偏机理的包含前后悬架的整车虚拟样机。通过硬点尺寸链计算程序实时计算硬点坐标，并将坐标传递给虚拟样机(图3)，对虚拟样机的硬点坐标进行实时修改，并同时修改衬套预载数值(即图4中黑色方框部分)。
本实施例中，反映车辆跑偏机理的虚拟样机：由悬架硬点位置超差，通过尺寸链，造成悬架四轮定位参数左右侧外倾角、侧偏角偏差，进而引起受力不平衡。本实施例中通过空间几何，建立悬架尺寸链，使硬点位置的改变会引起连锁的悬架硬点变化，并在四轮定位参数上进行反应。同时，由于硬点变化，会通过衬套变形引起悬架的载荷重新平衡，模型中通过公式构建衬套预载与衬套变形关系，使模型符合实际状态。
尺寸链计算模型：以前悬转向拉杆外点为例，如附图3，初始点坐标P1至P8坐标均已知，P4点变化后至P4'点。坐标为(x,y,z)，三个未知数。因转向拉杆长度变化ΔL：
Figure BDA0002505048750000051
P4点轨迹应绕
Figure BDA0002505048750000052
旋转：
Figure BDA0002505048750000053
P1点与P4点间距离不变：
Figure BDA0002505048750000054
联立三个方程可解变化后的点坐标P4'。
衬套预载：根据尺寸链计算的硬点与设计硬点坐标差值，计算获得衬套预载。
Figure BDA0002505048750000055
其中，Preloadx为衬套x方向预载；Preloady为衬套y方向预载；Preloadz为衬套z方向预载；Kx为衬套x方向刚度；Ky为衬套y方向刚度；Kz为衬套z方向刚度；Δx为衬套x方向变形量；Δy为衬套y方向变形量；Δz为衬套z方向变形量。
通过模型文件，将[Preloadx,Preloady,Preloadz]自动更新图4中Linear Preload值。
步骤2.跑偏关重参数筛选：将硬点偏差、弹簧偏心坐标、弹簧刚度、轮胎锥度力、角度效应等作为设计变量，设计变量偏差特性服从正态分布N(0,1)，以整车行驶跑偏量作为目标，约束条件为跑偏量≤目标值。采用最优拉丁超立方，进行试验设计(DOE)，保证抽样点均匀性。获取参数的灵敏度(图5)。
步骤3.跑偏近似模型构建：近似模型将输入变量与输出变量建立起了联系，本发明采用的径向基神经网络方法，构建近似模型，并进行近似模型的精度分析(图6和图7)。图6为原始样本点与神经网络训练模型预测结果的误差对比。Errors为模型拟合偏差，Targets为原始样本点数据，Outputs为训练模型拟合数据。Instances表示误差在某个范围内的数据点个数。原始样本点的80％(具体百分之多少取决于拟合模型时的具体选择)用于神经网络模型的训练即Training，另20％的数据点用于测试拟合模型的精度即Test。图6用于判断近似模型预测的分布精度，误差分布越趋近于正态分布且123约小，表示拟合模型的拟合精度越高。图7为分别为神经网络模型训练过程、测试过程和整体的误差均方根值分布情况，也用来反映模型拟合的精度情况。误差分布越趋近于单位正比例函数及R值趋近于1表明模型拟合精度越高。
径向基神经网络方法，以待测点与样本点之间的欧几里德距离为自变量。
假设
Figure BDA0002505048750000061
为输入向量，构建基函数；
Figure BDA0002505048750000062
其中，||m-mj,||为欧几里德距离，||m-mj,||＝(m-mj)T(m-mj)，且0.2≤c≤3；
gi为向量基函数；
Ω为向量空间；
Figure BDA0002505048750000063
为N维实数空间；
m为样本点向量；
mj为待测点向量。
步骤4.跑偏可靠度分析(图8)：基于步骤3构建的近似模型，采用6Sigma稳健性设计；用于管控车辆跑偏的6Sigma稳健性设计的数学模型为：
f(M)＝Minimize F(μ(M),σ(M))
subject to Gj(μ(M),σ(M))≤0.0
MLSL+ΔM≤M≤MUSL-ΔM
其中，M为硬点设计集；
f(M)为跑偏评价指标集；
Minimize F(μ(M),σ(M))为最小化目标函数；
subject to Gj(μ(M),σ(M))为约束条件；
μ(M)为硬点设计集平均值；
σ(M)为硬点设计集方差；
±ΔM为硬点设计变量M的变化区间，表示M在±ΔM范围内波动；
MLSL为硬点设计变量的下限；
MUSL为硬点设计变量的上限。
步骤5.关重参数偏差控制方案(图9)：根据生产工艺水平及成本，缩减关重参数的制造公差水平，同时保证对非显著设计变量的制造公差不变。经组合优化，获取成本最优的关重参数偏差控制方案(图10)。
步骤6.跑偏控制方案随机抽查检验：在给定的控制方案中，随机组合各参数的偏差上限，通过整车虚拟样机计算行驶跑偏量(图11)，评判是否满足性能目标。

Claims (7)

1.一种车辆行驶跑偏主动控制方法，其特征在于，包括以下步骤：
步骤1.利用多体计算软件建立反映车辆跑偏机理的整车虚拟样机，通过整车仿真工况标定模型精度；
步骤2.将悬架参数进行参数化，基于DOE采样，识别在悬架参数偏差下，跑偏性能的波动情况，筛选出影响行驶跑偏的关重参数；
步骤3.通过径向基神经网络方法构建跑偏关重参数与跑偏性能的近似模型；
步骤4.根据蒙特卡洛方法判断关重参数存在波动时，跑偏性能的可靠度；
步骤5.结合生产条件及成本，组合各参数的偏差控制方案，分析跑偏控制的失效概率及Sigma水平，确定出参数偏差的控制方案；
步骤6.随机组合各参数极限偏差，通过整车虚拟样机验证行驶跑偏量是否满足性能目标。
2.根据权利要求1所述的车辆行驶跑偏主动控制方法，其特征在于：所述步骤1具体为：建立反映车辆跑偏机理的整车虚拟样机，通过硬点尺寸链计算程序实时计算硬点坐标，并将坐标传递给虚拟样机，对虚拟样机的硬点坐标进行实时修改，并同时修改衬套预载数值。
3.根据权利要求1或2所述的车辆行驶跑偏主动控制方法，其特征在于：所述步骤2具体为：将硬点偏差、弹簧偏心坐标、弹簧刚度、轮胎锥度力和角度效应作为设计变量，设计变量偏差特性服从正态分布N(0,1)，以整车行驶跑偏量作为目标，约束条件为跑偏量≤目标值，采用最优拉丁超立方，进行试验设计，保证抽样点均匀性，获取参数的灵敏度。
4.根据权利要求3所述的车辆行驶跑偏主动控制方法，其特征在于：所述步骤3具体为：径向基神经网络方法，以待测点与样本点之间的欧几里德距离为自变量；
假设
Figure FDA0002505048740000011
为输入向量，构建基函数；
Figure FDA0002505048740000012
其中，||m-mj,||为欧几里德距离，||m-mj,||＝(m-mj)T(m-mj)，且0.2≤c≤3；
gi为向量基函数；
Ω为向量空间；
Figure FDA0002505048740000013
为N维实数空间；
m为样本点向量；
mj为待测点向量。
5.根据权利要求4所述的车辆行驶跑偏主动控制方法，其特征在于：所述步骤4具体为：基于步骤3构建的近似模型，采用6Sigma稳健性设计；用于管控车辆跑偏的6Sigma稳健性设计的数学模型为：
f(M)＝Minimize F(μ(M),σ(M))
subject to Gj(μ(M),σ(M))≤0.0
MLSL+ΔM≤M≤MUSL-ΔM
其中，M为硬点设计集；
f(M)为跑偏评价指标集；
Minimize F(μ(M),σ(M))为最小化目标函数；
subject to Gj(μ(M),σ(M))为约束条件；
μ(M)为硬点设计集平均值；
σ(M)为硬点设计集方差；
±ΔM为硬点设计变量M的变化区间，表示M在±ΔM范围内波动；
MLSL为硬点设计变量的下限；
MUSL为硬点设计变量的上限。
6.根据权利要求5所述的车辆行驶跑偏主动控制方法，其特征在于：所述步骤5具体为：根据生产工艺水平及成本，缩减关重参数的制造公差水平，同时保证对非显著设计变量的制造公差不变，经组合优化，获取成本最优的关重参数偏差控制方案。
7.根据权利要求6所述的车辆行驶跑偏主动控制方法，其特征在于：所述步骤6具体为：在控制方案中，随机组合各参数的偏差上限，通过整车虚拟样机计算行驶跑偏量，评判是否满足性能目标。
CN202010443797.8A 2020-05-22 2020-05-22 车辆行驶跑偏主动控制方法 Pending CN111753463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010443797.8A CN111753463A (zh) 2020-05-22 2020-05-22 车辆行驶跑偏主动控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010443797.8A CN111753463A (zh) 2020-05-22 2020-05-22 车辆行驶跑偏主动控制方法

Publications (1)

Publication Number Publication Date
CN111753463A true CN111753463A (zh) 2020-10-09

Family

ID=72674000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010443797.8A Pending CN111753463A (zh) 2020-05-22 2020-05-22 车辆行驶跑偏主动控制方法

Country Status (1)

Country Link
CN (1) CN111753463A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112428986A (zh) * 2020-11-26 2021-03-02 重庆长安汽车股份有限公司 自动驾驶控制转角纠偏方法、系统、车辆及存储介质
CN113044048A (zh) * 2021-03-31 2021-06-29 东风商用车有限公司 一种车辆跑偏的识别方法、装置、设备及可读存储介质
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
WO2024027284A1 (zh) * 2022-08-02 2024-02-08 上海三一重机股份有限公司 行走跑偏预测方法、装置及作业机械

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942392A (zh) * 2014-04-24 2014-07-23 天津职业技术师范大学 一种基于全生命周期的汽车底盘技术参数稳健设计方法
CN104036100A (zh) * 2014-07-01 2014-09-10 重庆大学 不确定性下基于贝叶斯偏差修正的汽车可靠性设计优化方法
CN106991216A (zh) * 2017-03-16 2017-07-28 重庆长安汽车股份有限公司 汽车冷却模块引起方向盘抖动的稳健性预估及优化方法
CN108446520A (zh) * 2018-04-18 2018-08-24 南京航空航天大学 半主动悬架系统与机械弹性车轮的参数匹配控制系统及优化方法
CN108563900A (zh) * 2018-04-27 2018-09-21 南京航空航天大学 一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法
CN109459246A (zh) * 2018-10-12 2019-03-12 武汉科技大学 一种车辆行驶速度波动引起的角度误差修正方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942392A (zh) * 2014-04-24 2014-07-23 天津职业技术师范大学 一种基于全生命周期的汽车底盘技术参数稳健设计方法
CN104036100A (zh) * 2014-07-01 2014-09-10 重庆大学 不确定性下基于贝叶斯偏差修正的汽车可靠性设计优化方法
CN106991216A (zh) * 2017-03-16 2017-07-28 重庆长安汽车股份有限公司 汽车冷却模块引起方向盘抖动的稳健性预估及优化方法
CN108446520A (zh) * 2018-04-18 2018-08-24 南京航空航天大学 半主动悬架系统与机械弹性车轮的参数匹配控制系统及优化方法
CN108563900A (zh) * 2018-04-27 2018-09-21 南京航空航天大学 一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法
CN109459246A (zh) * 2018-10-12 2019-03-12 武汉科技大学 一种车辆行驶速度波动引起的角度误差修正方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112428986A (zh) * 2020-11-26 2021-03-02 重庆长安汽车股份有限公司 自动驾驶控制转角纠偏方法、系统、车辆及存储介质
CN112428986B (zh) * 2020-11-26 2023-04-28 重庆长安汽车股份有限公司 自动驾驶控制转角纠偏方法、系统、车辆及存储介质
CN113044048A (zh) * 2021-03-31 2021-06-29 东风商用车有限公司 一种车辆跑偏的识别方法、装置、设备及可读存储介质
WO2024027284A1 (zh) * 2022-08-02 2024-02-08 上海三一重机股份有限公司 行走跑偏预测方法、装置及作业机械
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
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

Similar Documents

Publication Publication Date Title
CN111753463A (zh) 车辆行驶跑偏主动控制方法
CN107247830B (zh) 一种汽车悬架k＆c特性公差优化方法及系统
US7912683B2 (en) Tire transient response data calculating method, data processing method, tire designing method, vehicle motion predicting method, and tire cornering characteristic evaluation method and evaluation device therefor
KR20100021580A (ko) 로딩 장치와 차량 모델을 이용하여 타이어를 평가하고 튜닝하는 방법 및 장치
US20140188406A1 (en) Scalable vehicle models for indoor tire testing
US8032344B2 (en) Method of setting parameter in method of detecting decreased pneumatic pressure
US20230347901A1 (en) Maximum friction coefficient estimation system and maximum friction coefficient estimation method
CN113433950A (zh) 车辆控制数据标定方法、装置、计算机设备和存储介质
US8447578B2 (en) Method of designing a tire having a target residual aligning torque
CN113665302A (zh) 生成虚拟轮胎模型和模拟轮胎状况的方法以及虚拟轮胎模型
EP3825191B1 (en) Vehicle sideslip angle estimation system and method
KR20170058412A (ko) 실내 타이어 시험을 위한 스케일링가능 차량 모델
JP2020046298A (ja) タイヤ摩耗予測方法及びタイヤ摩耗予測装置
CN111651836B (zh) 基于虚拟轮胎试验台架检查轮胎模型精度的方法和存储介质
CN111709160B (zh) 一种基于卡车底盘的行驶动态性能分析优化方法及系统
Kanchwala et al. Model Building, Hardpoint Optimization & Experimental Correlation of a Single Seater EV-Toyota COMS
CN114235432B (zh) 一种车辆跑偏问题原因多源融合诊断方法及系统
CN113239553B (zh) 一种车辆后轴推力角匹配方法
Sotirov et al. Measurement system analysis of a static method for taximeter verification
Lee Reliability-Based Design Optimization for Automotive Wheel Bearings Considering Geometric Uncertainty
JP2009227041A (ja) タイヤ空気圧低下検出方法における警報閾値の設定方法
CN112329150B (zh) 一种非独立悬架优化设计方法
CN113859392B (zh) 一种车辆减振器调校方法及系统
CN115563694B (zh) 一种基于预测时域内误差的车辆动力学模型精度评价方法
Ju et al. Dimensional Variation Simulation Analysis of Front Wheel Camber for Macpherson Suspension

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

Application publication date: 20201009

RJ01 Rejection of invention patent application after publication