CN113188808A - 一种abs制动台 - Google Patents
一种abs制动台 Download PDFInfo
- Publication number
- CN113188808A CN113188808A CN202110163451.7A CN202110163451A CN113188808A CN 113188808 A CN113188808 A CN 113188808A CN 202110163451 A CN202110163451 A CN 202110163451A CN 113188808 A CN113188808 A CN 113188808A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- abs
- roller device
- detection
- inertia
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 144
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 230000007246 mechanism Effects 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 239000003638 chemical reducing agent Substances 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 239000006247 magnetic powder Substances 0.000 claims description 4
- 238000000034 method Methods 0.000 description 41
- 238000012549 training Methods 0.000 description 32
- 238000004422 calculation algorithm Methods 0.000 description 29
- 238000012360 testing method Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 17
- 238000013136 deep learning model Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 13
- 239000013598 vector Substances 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 210000001503 joint Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006757 chemical reactions by type Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013101 initial test Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明提供一种abs制动台,包括检测平台和测控单元;所述检测平台上沿着被检测车辆的行进方向依次设置有第一引车板、后轮检测滚筒装置、第二引车板以及前轮检测滚筒装置;所述检测平台与测控单元电性连接,测控单元设置在检测平台一侧部位;所述第一引车板、第二引车板遮盖住所述检测平台上除所述后轮检测滚筒装置以及所述前轮检测滚筒装置之外的结构;所述前轮检测滚筒装置的结构与所述后轮检测滚筒装置的结构相同,能够较全面地检测装配ABS的车辆在各种路面上的制动执行情况,并且易于进行大规模推广应用。
Description
[技术领域]
本发明涉及汽车abs制动检测技术领域,尤其涉及一种应用效果突出的 abs制动台。
[背景技术]
防抱死制动系统(简称ABS)的主要功能是防止车轮抱死、保障车辆操纵稳定性,目前其在汽车上应用越来越广,因此在汽车整车检测线中,需要相应的增加对汽车ABS系统的检测。
在现有技术中,常用的汽车制动性能的检测装置,例如滚筒反力式制动检验台,只能相继检测前轴或后轴的制动性能,而汽车ABS则要求同时检测前、后轴的制动性能;并且传统的滚筒反力式制动检验台转速较低,一般不超过10km/h,而ABS需要制动时车速达到20km/h以上才能工作。所以,现有的汽车制动性能检测装置并不能适应汽车ABS性能的检测。
目前有两种方法来检测和评价汽车ABS制动性能:道路试验法和整车台架检测法。
道路试验法在专用汽车试验跑道上进行汽车ABS制动试验,通过车载仪器进行测量记录,这种方法费用高、周期长,且存在一定的试验安全性风险;而整车台架检测法虽然检测周期短、检测结果重复性较好,但其只能通过机械装置对不同路面的附着系数以及汽车的运动状况进行简单模拟,不能真实地反映装配ABS的车辆在各种路面上的制动执行情况。
因此,如何较全面地检测汽车ABS的执行情况,提高可检测路面条件的多样性和检测结果的有效性,并且能够进行大规模推广应用,成为目前ABS 检测技术研究的重要课题。
[发明内容]
为克服现有技术所存在的问题,本发明提供一种应用效果突出的abs制动台。
本发明解决技术问题的方案是提供一种abs制动台,包括检测平台和测控单元;所述检测平台上沿着被检测车辆的行进方向依次设置有第一引车板、后轮检测滚筒装置、第二引车板以及前轮检测滚筒装置;所述检测平台与测控单元电性连接,测控单元设置在检测平台一侧部位;所述第一引车板、第二引车板遮盖住所述检测平台上除所述后轮检测滚筒装置以及所述前轮检测滚筒装置之外的结构;所述前轮检测滚筒装置的结构与所述后轮检测滚筒装置的结构相同。
优选地,所述后轮检测滚筒装置包括两组同步转动的滚筒组,每个滚筒组包括制动电机、减速器、离合器、同步装置、速度传感器、驱动滚筒、第三滚筒、举升器、从动滚筒、离合器、同步装置、联轴器、可变惯量飞轮装置、扭矩控制器、速度传感器;所述驱动滚筒与所述从动滚筒并排设置;所述驱动滚筒和从动滚筒之间设置举升器,用来抬升车轮以便车辆驶入和驶出检测平台;各所述滚筒组之间通过联轴器保持同步转动。
优选地,所述扭矩控制器包括激磁线圈、外转子、内转子;所述外转子与飞轮同轴;内转子通过同步装置与驱动滚筒联动;所述外转子与内转子之间充填磁粉。
优选地,所述可变惯量飞轮装置包括变速驱动机构、联轴器以及惯量系统,所述惯量系统包括成组的固定惯量盘、离合器和惯量片;所述变速驱动机构包括变频器以及变频调速电动机,变频器的作用是调整电动机的不同转速;所述变速驱动机构通过联轴器连接固定惯量盘和活动惯量盘组合;所述离合器和惯量片组成活动惯量盘,活动惯量盘可以是多片和多轴组合,通过离合器可使活动惯量盘按照需模拟车辆的动能,改变可变惯量飞轮装置的惯量值。
优选地,所述后轮检测滚筒装置以及所述前轮检测滚筒装置中的扭矩控制器通过强制同步机构连接,所述强制同步机构包括联轴器、减速器以及伸缩型传动轴;所述轴距调整机构安装于其中一个检测滚筒装置上,另一个检测滚筒装置设置为固定位置安装;所述轴距调整机构受控于测控单元。
优选地,所述测控单元包括LED点阵屏、制动台电控柜、ODB适配器以及工位计算机;所述工位计算机通过现场总线与LED点阵屏、制动台电控柜、 ODB适配器连接;并可通过以太网与数据库服务器连接通讯;所述OBD适配器的另一端通过车载诊断协议(K线/CAN总线)连接被测车辆的车载OBD接口,与其上的ABS电子控制单元(ECU)通讯;所述制动台电控柜安装有嵌入式控制板卡及A/D信号转换板卡,并通过信号线控制abs制动检测平台。
优选地,所述前轮检测滚筒装置或者后轮检测滚筒装置与所述轴距调整机构的滑轨、台架行走装置相互配合,在被检测车辆行进方向进行前后移动,通过轴距调整机构调节前检测滚筒装置和后检测滚筒装置的距离,以适应不同轴距车型的ABS检测需求。
优选地,所述离合器为电磁式牙嵌离合器,所述离合器利用主动件与被动件强制啮合传递转矩,并采用电磁力接合,使得测控单元完成自动化远距离操纵。
与现有技术相比,本发明一种abs制动台通过车载仪器实时测量记录,上传至云端数据库,并通过深度学习算法进行分类,能够真实反映实车ABS 的执行情况,并对车辆ABS_ECU的精度及其可靠性进行有效评估,室内整车测试中,运动惯量模拟、路面附着系数模拟基于真实汽车行驶过程中记录的预设数据库,提高了可检测路面条件的多样性,并通过整车台架检测规避了道路试验的安全性风险,检测费用低、周期短、检测结果重复性较好,能够较全面地检测装配ABS的车辆在各种路面上的制动执行情况,并且易于进行大规模推广应用。
[附图说明]
图1是本发明一种abs制动台的系统结构示意图。
图2是后轮检测滚筒装置结构示意图。
图3是扭矩控制器结构示意图。
图4是可变惯量飞轮装置结构示意图。
图5是前、后轮检测滚筒装置联动结构示意图。
图6是测控系统总体结构示意图。
图7是abs检测数据链结构。
图8是基于复杂网络的深度学习算法模型示意图。
图9是自动编码器算法模型示意图。
图10a是ABS故障时的车速/轮速对比曲线图。
图10b是ABS正常工作时的车速/轮速对比曲线图。
图10c是同一附着系数路面下ABS正常工作时的车速/轮速对比曲线图。
图10d是同一附着系数路面下ABS制动力不足时的车速/轮速对比曲线图。
[具体实施方式]
为使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定此发明。
请参阅图1至图9,本发明一种abs制动台1包括检测平台和测控单元;所述检测平台上沿着被检测车辆的行进方向依次设置有第一引车板、后轮检测滚筒装置、第二引车板以及前轮检测滚筒装置;所述检测平台与测控单元电性连接,测控单元设置在检测平台一侧部位;所述第一引车板、第二引车板遮盖住所述检测平台上除所述后轮检测滚筒装置以及所述前轮检测滚筒装置之外的结构;所述前轮检测滚筒装置的结构与所述后轮检测滚筒装置的结构相同。
优选地,所述后轮检测滚筒装置包括两组同步转动的滚筒组,每个滚筒组包括制动电机、减速器、离合器、同步装置、速度传感器、驱动滚筒、第三滚筒、举升器、从动滚筒、离合器、同步装置、联轴器、可变惯量飞轮装置、扭矩控制器、速度传感器;所述驱动滚筒与所述从动滚筒并排设置;所述驱动滚筒和从动滚筒之间设置举升器,用来抬升车轮以便车辆驶入和驶出检测平台;各所述滚筒组之间通过联轴器保持同步转动。
优选地,所述扭矩控制器包括激磁线圈、外转子、内转子;所述外转子与飞轮同轴;内转子通过同步装置与驱动滚筒联动;所述外转子与内转子之间充填磁粉。
优选地,所述可变惯量飞轮装置包括变速驱动机构、联轴器以及惯量系统,所述惯量系统包括成组的固定惯量盘、离合器和惯量片;所述变速驱动机构包括变频器以及变频调速电动机,变频器的作用是调整电动机的不同转速;所述变速驱动机构通过联轴器连接固定惯量盘和活动惯量盘组合;所述离合器和惯量片组成活动惯量盘,活动惯量盘可以是多片和多轴组合,通过离合器可使活动惯量盘按照需模拟车辆的动能,改变可变惯量飞轮装置的惯量值。
优选地,所述后轮检测滚筒装置以及所述前轮检测滚筒装置中的扭矩控制器通过强制同步机构连接,所述强制同步机构包括联轴器、减速器以及伸缩型传动轴;所述轴距调整机构安装于其中一个检测滚筒装置上,另一个检测滚筒装置设置为固定位置安装;所述轴距调整机构受控于测控单元。
优选地,所述测控单元包括LED点阵屏、制动台电控柜、ODB适配器以及工位计算机;所述工位计算机通过现场总线与LED点阵屏、制动台电控柜、 ODB适配器连接;并可通过以太网与数据库服务器连接通讯;所述OBD适配器的另一端通过车载诊断协议(K线/CAN总线)连接被测车辆的车载OBD接口,与其上的ABS电子控制单元(ECU)通讯;所述制动台电控柜安装有嵌入式控制板卡及A/D信号转换板卡,并通过信号线控制abs制动检测平台。
优选地,所述前轮检测滚筒装置或者后轮检测滚筒装置与所述轴距调整机构的滑轨、台架行走装置相互配合,在被检测车辆行进方向进行前后移动,通过轴距调整机构调节前检测滚筒装置和后检测滚筒装置的距离,以适应不同轴距车型的ABS检测需求。
优选地,所述离合器为电磁式牙嵌离合器,所述离合器利用主动件与被动件强制啮合传递转矩,并采用电磁力接合,使得测控单元完成自动化远距离操纵。
后轮检测滚筒装置3包括两组同步转动的滚筒组,每个滚筒组包括制动电机7、减速器8、离合器9、同步装置10、速度传感器11、驱动滚筒6、第三滚筒7、举升器8、从动滚筒9、离合器10、同步装置11、联轴器12、飞轮13、扭矩控制器14、速度传感器15;
并排设置的主动滚筒12和从动滚筒15用于模拟移动的路面,主动滚筒 12和从动滚筒15之间设置举升器14,用来抬升车轮以便车辆驶入和驶出检测平台,
制动电机7、减速器8、速度传感器11、第三滚筒13仅用于常规制动检测;其中,制动电机7及减速器8用作驱动滚筒转动的动力源;第三滚筒13 及速度传感器11用于判定车轮是否抱死,从而确定是否需要要停止制动电机。
离合器9用于ABS性能检测和常规制动检测之间的切换;
2组滚筒组之间通过联轴器18保持同步转动;
ABS性能检测时,主动滚筒12的动力源来自于被测车辆的车轮驱动,并通过同步装置17带动从动滚筒15转动;速度传感器21,通过采集从动滚筒 15转速来计算车轮速度。
扭矩控制器20,包括激磁线圈22、外转子23、内转子24;外转子23与飞轮19同轴;内转子24通过同步装置10与主动滚筒12联动;
外转子24与内转子23之间充填磁粉,没有机械连接;
当外转子24旋转时,若激磁线圈22上没有加载控制电流,则内、外转子之间无作用力,内转子23不转动,无输出扭矩;当给激磁线圈22加载控制电流时,内转子23在电磁作用力下跟随外转子24旋转,并输出相应的控制扭矩,该控制扭矩相当于车轮在路面滚动时所承受的地面附着力,其大小由控制电流的大小决定,并随控制电流的变化而变化。
飞轮19用于模拟汽车在道路上制动时的动能,通过改变飞轮19的惯量值,可精确地模拟不同载重、不同车速下的车辆动能,包括车辆平移运动的动能和旋转机件的旋转动能,并以此为基础,精确地检测出对车轮实施制动时装于制动系统内的ABS的工作性能。
可变惯量飞轮装置19,包括变速驱动机构25、联轴器26以及惯量系统,所述惯量系统包括成组的固定惯量盘23、离合器21和惯量片22;
变速驱动机构25包括变频器以及变频调速电动机,变频器的作用是调整电动机的不同转速;
所述变速驱动机构25通过联轴器26连接固定惯量盘和活动惯量盘组合,以便在预设的时间内拖动惯量系统,使其达到模拟车辆的动能,在达到模拟车辆的动能后,变速驱动机构25即停止工作;
固定惯量盘23可以是多片和多轴组合;
离合器21和惯量片22组成活动惯量盘,活动惯量盘可以是多片和多轴组合,通过离合器21可使活动惯量盘按照需模拟车辆的动能,改变飞轮19 的惯量值;
所述离合器21,优选为电磁式牙嵌离合器,其依靠靠主动件与被动件强制啮合传递转矩,并采用电磁力接合,便于测控单元6进行自动化远距离操纵。
前、后轮检测滚筒装置中的扭矩控制器通过强制同步机构连接,所述强制同步机构,包括:联轴器30、减速器31、伸缩型传动轴32;
伸缩型传动轴32,优选为花键式传动,其作用是强制制动过程中前、后轮检测滚筒装置中扭矩控制器20的外转子23同步,保证车身速度一致;
另外,前轮检测滚筒装置5或者后轮检测滚筒装置3可借助于轴距调整机构的滑轨33、台架行走装置34,在被检测车辆行进方向进行前后移动,通过轴距调整机构可调节前检测滚筒装置5和后检测滚筒装置3的距离,以适应不同轴距车型的ABS检测需求;
所述轴距调整机构只需要安装在其中一个检测滚筒装置上,另一个检测滚筒装置可设置为固定位置安装;所述轴距调整机构受控于测控单元6。
测控系统6,包括LED点阵屏37、制动台电控柜38、ODB适配器40、工位计算机41;
所述工位计算机41通过现场总线(RS232/CAN总线等)与LED点阵屏 37、制动台电控柜38、ODB适配器40连接;并可通过以太网36与数据库服务器35连接通讯。
所述OBD适配器40的另一端通过车载诊断协议(K线/CAN总线)连接被测车辆39的车载OBD接口,与其上的ABS电子控制单元(ECU)通讯。
所述制动台电控柜38安装有嵌入式控制板卡及A/D信号转换板卡,并通过信号线控制abs制动检测平台1。
被测车辆39上的车载软硬件,包括通过以太网36向云数据库服务器42 上传数据的网络硬件,以及将车载测量数据上传至云数据库服务器42,并对 ABS进行控制的软件程序;
云数据库服务器42安装了数据库,可实现被测车辆,包括轮速、车速、减速度、踏板力及管路压力等测量数据、ABS控制参数以及计算评价ABS性能的各种技术数据的云数据存储;尤其是包括在专用汽车试验跑道上进行汽车ABS制动试验,对路面附着系数进行标定,并以车载和路边气象测量数据为依据,对于路面湿滑度进行的标定的标定数据,这些数据可作为后续训练深度学习算法模型的标签数据;通过这些标定数据还可对相同路面附着系数,不同路面湿滑度下ABS_ECU装置测试参数及其实车制动结果进行测定和记录。
数据库服务器35具有从所述云端数据库服务器42下载所述测量数据,采用深度学习算法对海量测量数据进行分类,并通过深度学习算法的计算结果对具体车辆的ABS_ECU装置的功能是否正常进行判断;记录、甄选各类实车、各类道路状况下,最佳ABS_ECU装置测试参数及其实车数据结果的功能;
所述工位计算机41装有本发明的测控程序(软件),本发明的测控程序具有根据车辆类型、以及具体车辆编号下载相关深度学习计算结果,基于真实汽车行驶过程中记录的预设数据库,控制测控平台1,对被测车辆的ABS制动性能测试数据进行自动设置,自动化测试,并评估其是否为最佳,并将测试数据和结果,通过以太网36上传至数据库服务器35的功能;
ABS制动性能检测通过检测车辆制动时的轮速、车身速度、踏板及管路压力等,来判断ABS的工作性能;对于研究汽车性能的专家来说,根据检测报表中的速度一时间曲线和滑移率一时间曲线等就可以判断abs制动性能;但普通检测人员并不具备根据检测结果判读ABS制动性能所需的专业知识,因此,本发明的测控程序应能对被测车辆ABS的工作状态进行自动判定,并将测试数据与实车道路采集的数据进行对比,分析测试结果的精度和可靠性。
所述深度学习算法模型的建立包括以下步骤:
1、获取被测车辆abs制动过程中与制动性能检测相关的波形数据及附加信息(45);
1.1、所述制动过程包括在单一路面、对接路面、对开路面等各种工况路面上分别进行的abs防抱死制动性能检测;
1.2、所述数据的获取方式包括,可以通过路试、台试,车载跟踪测量获得,也可以通过已有的数据库获得,或者通过其它途径获得;
1.3、获取车速、轮速、踏板力、abs制动时间、间隔、制动管路压力等测量数据,以及滑移率、附着系数利用率、制动减速度、车轮车身减速度比、制动时间、制动距离等计算数据。截取所述波形时间曲线数据中与abs制动动作相关长度的数据作为原始波形数据;另外,由于从所述测量数据推算所述计算数据的方法依据相关检验规范或已知的专业知识,能以任意的方法进行,因此此处不作说明。
1.3、附加信息中包括但不限于:
1.3.1、车型、车号、道路位置;
1.3.2、车型技术参数,例如:轴距、轮距、整备质量、轮胎规格、ABS 形式、ABS信号,以及功率、扭矩等动力数据,这些数据来源于预设的车型技术参数数据库;
2、可对步骤1得到的原始波形数据进行去噪处理,去噪处理包括以下步骤:
2.1、采用高通滤波器去除基线漂移噪音;
2.2、.基于与abs制动动作相关波段信号的标准方差和阈值法确认噪音是否过高;
2.3、.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。
3、提取能反映汽车ABS工作性能的特征参数,包括但不限于:
3.1、滑移率阈值、滑移率均值、滑移率方差、ABS调整次数等评价abs 性能的特征数据,其中,滑移率阈值就是滑移率的变化范围,滑移率均值为 abs起作用期间滑移率的总体分布,滑移率方差表示abs的调整速度,ABS调整次数代表在滑移率与车速曲线中的一个ABS调整波形;
3.2、ABS工作状态判定结果,例如,对ABS整体状态的评价结果(正常、故障、不足);对ABS制动次数、制动压力、制动定时等预设控制参数的评价结果(正常、故障、不足)等等;
3.3、车载和路边气象数据,以及路面附着系数以及路面湿滑度标定数据;
4、为了对深度学习算法进行训练,还需要获取训练用数据,该训练用数据可从路试、台试,车载跟踪测量中获取,也可以选择从现有的数据库中获取,其中训练用数据包括波形数据以及附加信息;得到特定车型、特定车号的被测车辆,在单一路面、对接路面、对开路面等所有工况下的测量数据和特征参数后,对于每一个参数的时间序列进行可视化分析,通过可视图的方法构建复杂网络(46);
4.1、神经网络作为一种分类器,主要基于对数据的特征进行学习以实现分类;深层次的神经网络即深度置信网络,在特征提取和辨识上能得到有效提升;其中,复杂网络理论对于挖掘包含在非线性时间序列中的重要信息具有明显优势,可视图建网是一种重要的复杂网络时间序列分析方法;
对于每一个参数信号得到的时间序列进行可视化分析,可将时间序列中的任意两个时刻t1和t2得到的两个点(t1,x1)和(t2,x2),看作可视图复杂网络中的任意两个节点,若两个节点之间有连边,则对于这两个点之间的任意一个点(t3,x3),需要满足:
由此,建立可视图复杂网络;
4.2、对于每一个网络,分别提取以下指标:节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性,将所述的指标作为一个样本;具体如下;
(a)节点聚集系数Ci:
其中,ki表示无权相关系数复杂网络中与节点i有连边的节点数目,Ei表示ki个节点之间有连边的数目;
(b)节点度:任意节点i的度,表示与该节点有连边的节点的数目;
(c)节点介数L(i):
其中,σmn为连接节点m和节点n的最短路径数目,σmn(i)为经过节点i的连接节点m和节点n的最短路径数目;
(d)节点接近中心度CCi:
其中,Dij表示节点i到无权相关系数复杂网络中任意其它节点j的最短距离,该网络中共有节点数目为S;
(e)节点特征向量中心性:任意节点i的特征向量中心性表示网络邻接矩阵A的主特征值对应的特征向量的第i个元素的值。
5、建立深度学习模型。将上述步骤4.2中得到的大量网络指标,即节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性,作为深度置信网络的输入,对深度置信网络(47)进行训练;
所述深度学习模型即含有多个隐藏层的神经网络,包含输入层、多个隐含层和输出层:每一层的神经元之间无连接,层与层之间为全连接。通过引入多个隐含层的深度置信网络,可以计算更多复杂的输入特征。
所述深度置信网络(47)的前部由一定数目的自动编码器(Auto-Encoder,简称AE),堆叠而成,其隐含层的最后一层为代表期望输出变量的分类层,优选为适用于非线性多分类问题的Softmax分类器,其输出为相应样本分别属于不同标签状态的概率值,概率值最大的状态即为诊断的最终结果。
网络的训练过程采用“预训练+微调”。
5.1、对深度置信网络(47)进行预训练采用自下而上的无监督训练,得到生成模型的网络参数;
所述无监督学习是指,在训练过程不需要知道训练样本所属的类别,这样非常容易获得大量的训练样本;
所述预训练过程为按照贪婪的逐层训练的方法,首先训练第一层,然后逐层训练下一个隐含层,并将上一个隐含层训练好的结点的输出作为第二层的输入向量,充分训练第二层后,将第二层堆叠到第一层上;重复这个过程多次,通过多个隐含层的堆叠,每一层的处理对进行可以看做是对上一层输入的逐层加工,把初始值与输出类别之间联系不密切的输入转化成与类别更密切的表示,直至深度置信网络被训练好。
使用所述贪婪逐层预训练的目的是,解决传统上深层网络训练方式容易收敛到局部最优点的问题;
5.2、微调过程以所述贪婪逐层预训练得到的网络参数为初始值,用来重置深度神经网络(48)的初始权重,采用有监督的方法对整个网络参数进行全局训练,最终得到用于准确分类的神经网络参数;
所述有监督学习是指,用带有能反映汽车ABS工作性能的特征数据标签的训练样本进行自上而下的监督训练,所有前部多个隐含层训练完成之后使用反向传播算法对网络进行微调,最后将深信度网络输出的特征向量输入 Softmax分类器中。
通过对大量网络指标的无监督学习和有监督学习,利用逐层优化的机制,不断调整深度学习模型的参数,得到一个基于复杂网络的包含有深度置信网络和深度神经网络的深度学习模型。该模型可用对于ABS制动性能检测结果进行自动判定
5.3、所述自动编码器AE包括输出层、隐含层与输入层,从输入层到隐含层的特征变换过程称为编码,从隐含层到输出层的特征变换过程称为解码,其算法模型示意图见图9;
5.3.1、其编码函数定义为f(x)=Sf(Wx+p),解码函数定义为g(h)= Sg(WTh+q),式中:Sf、Sg优选为sigmoid函数,W表示输入层与隐含层之间的权值矩阵,WT表示隐含层与输出层之间的权值矩阵;p表示隐含层的偏置向量;q表示输出层的偏置向量;上述AE参数记为θ;
5.3.2、假设训练样本集S={X1,…,Xn},训练AE的过程实质上就是利用S对参数θ进行训练的过程;具体方法为:
5.3.3、对不同工况下的样本数据集Xs添加标签Ys并记为源领域(Source Domain,简称SD);对实时采集的无标签样本数据Xt,记为目标领域 (TargetDomain,简称TD);AE的预训练采用源领域SD或目标领域TD的样本数据作为网络的输入,通过BP算法完成前部若干层AE参数的初始化;
5.3.4、abs制动性能自动判定算法模型运行于不同的工况,其源数据和目标数据边缘分布不一致,需要更进一步拉近源域和目标域边缘分布的距离,具体方法为:
JM表示边缘分布适配,XS,XT表示来自源领域和目标领域的特征表示;通过使用边缘分布适配学习特征变换矩阵A,得到新的特征表示Z=ATX;
5.3.5、abs制动性能自动判定算法模型的训练,需要使用源数据训练的分类器预测目标源的标签,考虑源数据和目标数据之间条件分布的差异性,需要最小化类条件概率来达到最小化条件概率的目标,依然使用最大平均差异(maximize mean discrepancy,简称MMD)来拉近源域和目标域条件分布的距离,具体方法为:
JC表示条件分布适配,XS,XT表示来自源领域和目标领域的特征表示,C 是类条件概率,Q(XS|YS=C)、Q(XT|YT=C),C∈{1,2…,n};通过使用条件分布适配学习特征变换矩阵A,得到新的特征表示Z=ATX;
5.3.6、在源数据和目标数据的边缘分布和条件分布差异都很大的情况下,使用源数据训练的分类器预测目标数据的输出Yt,需要把边缘分布和所有类条件分布的MMD距离加起来进行优化,具体为:
是需优化的正交变换矩阵,其中,XHXT是中心矩阵X={Xij}∈Rm×n的协方差矩阵,λ||A||2是正则化项;这个优化问题可以通过求解,新的特征表示Z= ATX提取了源域和目标域的公共特征,这样源域的分类器就可以作为目标域的分类器;显然这样针对目标域的分类方法,使用的是伪标签策略,因此需要采取BP算法反复迭代,逐渐提高伪标签的正确率,直至收敛。
5.3.7、所述BP算法反复迭代的过程的具体步骤为:通过预训练,将模型的每一层都看成一个自编码网络,对输入数据不断进行编码、解码的操作,直到深度模型的输出层。同时,不断利用反向传播算法来计算训练样本误差,根据误差的梯度来优化每一层中的损失函数,得到最优化的权值与偏置参数,
具体为;
其中,W是调整前的权重,W′是调整后的权重,E是误差,η是学习率;
计算连续两次迭代的误差变化σ,当0≤σ≤H时,停止反向传播算法的迭代过程;
最后,再次利用反向传播来将系统的预期输出和实际输出之间的误差传递到每一层,从而对整体模型参数进行调优;
5.3.8、所述Softmax分类器通过前部多层自动编码器输出的特征向量进行训练;假设总共有k个分类类别,则Softmax分类器的输出为一阶概率矩阵,对类标签从1到k估算出概率值p,其系统方程为:
该矩阵的每一行是一个分类标签对应分类器的参数,总计k行,其损失函数可以表示为:
式中,I{·}为一指示性函数,即当括号中的值为真时,函数值为1,否则为0。
损失函数对参数θ的偏导函数如下:
根据训练样本,损失函数和其偏导函数,利用梯度下降法即可求得系统的参数值。
6、具体针对abs制动性能自动判定算法模型的构建步骤如下;
6.1、利用源领域的标签样本对算法模型进行预训练,得到模型的权值与偏置参数;
6.2、分别在源领域和目标领域选取相同数目的样本数据作为输入,再一次调整模型的权值与偏置参数,同时得到这些数据相应的特征表示;
6.3、将源领域的特征表示用来训练Softmax分类器,得到训练好的分类模型,
6.4、把目标领域的特征表示作为Softmax分类器的输入,得到每个样本的分类标签,从而得到汽车abs制动性能自动判定算法模型;
本实施例的室内ABS制动性能检测过程如下:
1、根据车辆类型、具体车辆编号,采用已经训练完成的实车测量数据深度学习算法模型,对实车abs制动测量数据进行自动分类;所述分类包括,各类道路状况和气象状况,所述道路状况包括在单一路面、对接路面、对开路面;所述气象状况包括晴、雨、雪等不同路面湿滑度;
2、对特定车型、以及特定车号的车辆,基于预设数据库中自动分类的实车ABS道路测量数据,提取室内检测平台模拟测试所需的数据文件,并将其换算成相应的控制信号至检测平台模拟机构执行检测,例如:
2.1、单一路面:试验制动初速度为40~50km/h,通过设置路面附着系数模拟装置,分别模拟μ=0.8的高附着系数路面和μ=0.15的低附着系数路面进行检测;
2.2、对开路面:试验制动初速度为40~50km/h,通过设置路面附着系数模拟装置,分别在一侧车轮上模拟μ=0.15的低附着系数路面,另外一侧车轮上模拟μ=0.5的中附着系数路面进行检测;
2.3、对接路面:试验制动初速度为40~50km/h,通过设置路面附着系数模拟装置,首先模拟μ=0.8的高附着系数路面,然后在制动1s后瞬间改变为模拟μ=0.15的低附着系数路面进行检测。
3、采用已经训练完成的检测结果自动判定算法模型,以可视图作为桥梁,可实现对检测平台的测试结果进行自动判定,可在算法中使用的判定指标举例如下:
3.1、滑移率:滑移率表示制动过程中车速与轮速差异程度,若滑移率无法控制在最佳滑移率附近,则ABS系统可能出现故障;
3.2、制动减速度:制动减速度反映了制动时车辆速度下降的速率,如果在相同附着系数路面上,减速度值较小,则ABS系统可能出现制动力不足的情况;
3.3、减速度比:减速度比是指制动时车轮减速度与车身减速度的比值,在ABS正常工作情况下,车轮与车身减速度大小基本一致,ABS故障时,车轮迅速抱死,轮速在较短时间内减小为零,而车身速度减小相对缓慢,两者减速度间形成较大差距。因此,减速度比越大,则ABS系统的调节能力越差;
4、采用已经训练完成的检测与实车数据对比算法模型,将检测平台的测试数据以及判定结果与实车道路采集数据和判定结果进行对比、分析,判定检测平台、测控系统以及相关模拟机构的精度和可靠性。
5、通过对大量样本对深度学习模型进行有监督学习和无监督学习的方式训练和测试,采用逐层优化的机制,不断调整深度学习模型的参数,还可以记录、甄选各类道路状况下,最佳ABS_ECU装置的调整参数,包括,ABS制动次数、制动压力、制动定时等预设控制参数。
本实施例中的基于复杂网络的深度学习模型在abs制动性能自动判定算法中的应用,还可以采用abs制动过程中的时间序列测量信号。对于每一个测量信号得到的时间序列按照可视性准则,将时间序列中的数据点与复杂网络中的节点一一对应,从而将非线性的测量信号转化为可视图复杂网络。
本实例中,所述测量信号至少包括车身速度、车轮速度;在每次abs制动中,每个测量信号的采样序列长度不少于512个数据点。这样,对于每一个 ABS工况至少可以生成1024个复杂网络节点。得到所有abs制动工况的可视图复杂网络后,分别提取每一个复杂网络的节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性等指标,将这些网络指标作为一个样本。将abs正常工作、ABS故障、ABS制动力不足作为样本标签。图10 简要地示出ABS制动时车速/轮速对比曲线图,其中,
图10(a)显示ABS故障时,车轮迅速抱死,轮速在较短时间内减小为零,而车身速度减小相对缓慢,两者的减速度间形成较大差距;
图10(b)显示ABS正常工作情况时,车轮与车身减速度大小基本一致;
图10(c)、图10(d)显示,在相同附着系数路面上,制动力不足时,出现了图10(d)在制动初速度小于图10(c)的情况下,制动距离远远大于图10(c) 的情况;
将大量样本作为深度学习模型的输入,随机抽取10%的数据作为深度学习模型的训练集,剩余90%的数据作为深度学习模型的测试集。通过对大量样本对深度学习模型进行有监督学习和无监督学习的方式训练和测试,采用逐层优化的机制,不断调整深度学习模型的参数,以得到一个abs制动性能自动判定算法。
该算法以大量的复杂网络指标表征网络拓扑结构特征,通过深度置信网络对网络拓扑结构特征进行学习和训练,最后,将所得特征向量输入分类器,对分类器进行训练,得到适用于非线性时间序列测量信号的分类器,可对室内和室外未知工况下的abs制动性能进行自动判定。
如上所述,说明了若干本发明中可采用的ABS检测参数及其检测方法的例子,但本发明可利用的ABS检测参数及其检测方法不限于以上的例子,设计者可以根据车辆类型、ABS工作模型、室内检测平台、测控系统以及相关模拟机构的结构类型等来自由设计。
不难发现,相比于传统的ABS检测方法,本发明利用云数据库积累实车测量以及对应的室内整车测试数据,基于上述被测车辆abs制动过程中与制动性能检测相关的波形数据及附加信息,对于每一个非平稳的波形数据按照可视图的方法构建复杂网络拓扑结构,分别提取每一个复杂网络的节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性等指标,将这些网络指标作为一个样本;将其中一部分的样本作为深度学习模型的训练集,一部分的样本作为深度学习模型的测试集,将大量样本作为深度学习模型的输入,将反映汽车ABS工作性能的特征参数,以及ABS性能判定指标作为标签,以得到各种可以准确分类、辨识的深度学习模型,实现ABS制动性能检测结果的准确判定。
与现有技术相比,本发明一种abs制动台1通过车载仪器实时测量记录,上传至云端数据库,并通过深度学习算法进行分类,能够真实反映实车ABS 的执行情况,并对车辆ABS_ECU的精度及其可靠性进行有效评估,室内整车测试中,运动惯量模拟、路面附着系数模拟基于真实汽车行驶过程中记录的预设数据库,提高了可检测路面条件的多样性,并通过整车台架检测规避了道路试验的安全性风险,检测费用低、周期短、检测结果重复性较好,能够较全面地检测装配ABS的车辆在各种路面上的制动执行情况,并且易于进行大规模推广应用。
以上所述的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (8)
1.一种abs制动台,其特征在于:包括检测平台和测控单元;所述检测平台上沿着被检测车辆的行进方向依次设置有第一引车板、后轮检测滚筒装置、第二引车板以及前轮检测滚筒装置;所述检测平台与测控单元电性连接,测控单元设置在检测平台一侧部位;所述第一引车板、第二引车板遮盖住所述检测平台上除所述后轮检测滚筒装置以及所述前轮检测滚筒装置之外的结构;所述前轮检测滚筒装置的结构与所述后轮检测滚筒装置的结构相同。
2.如权利要求1所述的一种abs制动台,其特征在于:所述后轮检测滚筒装置包括两组同步转动的滚筒组,每个滚筒组包括制动电机、减速器、离合器、同步装置、速度传感器、驱动滚筒、第三滚筒、举升器、从动滚筒、离合器、同步装置、联轴器、可变惯量飞轮装置、扭矩控制器、速度传感器;所述驱动滚筒与所述从动滚筒并排设置;所述驱动滚筒和从动滚筒之间设置举升器,用来抬升车轮以便车辆驶入和驶出检测平台;各所述滚筒组之间通过联轴器保持同步转动。
3.如权利要求2所述的一种abs制动台,其特征在于:所述扭矩控制器包括激磁线圈、外转子、内转子;所述外转子与飞轮同轴;内转子通过同步装置与驱动滚筒联动;所述外转子与内转子之间充填磁粉。
4.如权利要求1所述的一种abs制动台,其特征在于:所述可变惯量飞轮装置包括变速驱动机构、联轴器以及惯量系统,所述惯量系统包括成组的固定惯量盘、离合器和惯量片;所述变速驱动机构包括变频器以及变频调速电动机,变频器的作用是调整电动机的不同转速;所述变速驱动机构通过联轴器连接固定惯量盘和活动惯量盘组合;所述离合器和惯量片组成活动惯量盘,活动惯量盘可以是多片和多轴组合,通过离合器可使活动惯量盘按照需模拟车辆的动能,改变可变惯量飞轮装置的惯量值。
5.如权利要求1所述的一种abs制动台,其特征在于:所述后轮检测滚筒装置以及所述前轮检测滚筒装置中的扭矩控制器通过强制同步机构连接,所述强制同步机构包括联轴器、减速器以及伸缩型传动轴;所述轴距调整机构安装于其中一个检测滚筒装置上,另一个检测滚筒装置设置为固定位置安装;所述轴距调整机构受控于测控单元。
6.如权利要求1所述的一种abs制动台,其特征在于:所述测控单元包括LED点阵屏、制动台电控柜、ODB适配器以及工位计算机;所述工位计算机通过现场总线与LED点阵屏、制动台电控柜、ODB适配器连接;并可通过以太网与数据库服务器连接通讯;所述OBD适配器的另一端通过车载诊断协议(K线/CAN总线)连接被测车辆的车载OBD接口,与其上的ABS电子控制单元(ECU)通讯;所述制动台电控柜安装有嵌入式控制板卡及A/D信号转换板卡,并通过信号线控制abs制动检测平台。
7.如权利要求5所述的一种abs制动台,其特征在于:所述前轮检测滚筒装置或者后轮检测滚筒装置与所述轴距调整机构的滑轨、台架行走装置相互配合,在被检测车辆行进方向进行前后移动,通过轴距调整机构调节前检测滚筒装置和后检测滚筒装置的距离,以适应不同轴距车型的ABS检测需求。
8.如权利要求1所述的一种abs制动台,其特征在于:所述离合器为电磁式牙嵌离合器,所述离合器利用主动件与被动件强制啮合传递转矩,并采用电磁力接合,使得测控单元完成自动化远距离操纵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163451.7A CN113188808A (zh) | 2021-02-05 | 2021-02-05 | 一种abs制动台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163451.7A CN113188808A (zh) | 2021-02-05 | 2021-02-05 | 一种abs制动台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113188808A true CN113188808A (zh) | 2021-07-30 |
Family
ID=76972927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110163451.7A Pending CN113188808A (zh) | 2021-02-05 | 2021-02-05 | 一种abs制动台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113188808A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518233A (zh) * | 2022-01-18 | 2022-05-20 | 徐州徐工挖掘机械有限公司 | 一种基于台架的工程机械行车制动性能检测系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05312688A (ja) * | 1992-05-01 | 1993-11-22 | Anzen Motor Car Co Ltd | 車両の性能検査装置,およびその性能検査方法 |
CN1648631A (zh) * | 2004-06-01 | 2005-08-03 | 北京理工大学 | 基于制动器惯性试验的汽车制动防抱死装置实验台 |
CN202974540U (zh) * | 2012-11-13 | 2013-06-05 | 郭鹏 | Abs制动检测台 |
CN105181347A (zh) * | 2015-08-28 | 2015-12-23 | 石家庄华燕交通科技有限公司 | 一种新型乘用车abs制动检测平台 |
CN105716879A (zh) * | 2016-04-21 | 2016-06-29 | 山东交通学院 | 一种带离合器的车辆abs检验台 |
CN106198046A (zh) * | 2016-06-28 | 2016-12-07 | 河北工业大学 | 一种可进行多种测试的车辆abs制动试验台 |
CN110567710A (zh) * | 2019-09-26 | 2019-12-13 | 络优集成科技(无锡)有限公司 | 一种组合式可调惯量装置 |
-
2021
- 2021-02-05 CN CN202110163451.7A patent/CN113188808A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05312688A (ja) * | 1992-05-01 | 1993-11-22 | Anzen Motor Car Co Ltd | 車両の性能検査装置,およびその性能検査方法 |
CN1648631A (zh) * | 2004-06-01 | 2005-08-03 | 北京理工大学 | 基于制动器惯性试验的汽车制动防抱死装置实验台 |
CN202974540U (zh) * | 2012-11-13 | 2013-06-05 | 郭鹏 | Abs制动检测台 |
CN105181347A (zh) * | 2015-08-28 | 2015-12-23 | 石家庄华燕交通科技有限公司 | 一种新型乘用车abs制动检测平台 |
CN105716879A (zh) * | 2016-04-21 | 2016-06-29 | 山东交通学院 | 一种带离合器的车辆abs检验台 |
CN106198046A (zh) * | 2016-06-28 | 2016-12-07 | 河北工业大学 | 一种可进行多种测试的车辆abs制动试验台 |
CN110567710A (zh) * | 2019-09-26 | 2019-12-13 | 络优集成科技(无锡)有限公司 | 一种组合式可调惯量装置 |
Non-Patent Citations (2)
Title |
---|
李伟然: "基于反力式滚筒制动台的汽车ABS检测技术研究和开发", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
郝茹茹: "汽车ABS整车台架检测方法与试验研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518233A (zh) * | 2022-01-18 | 2022-05-20 | 徐州徐工挖掘机械有限公司 | 一种基于台架的工程机械行车制动性能检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238825B (zh) | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 | |
CN108960426B (zh) | 基于bp神经网络的道路坡度综合估计系统 | |
CN113188807B (zh) | 一种abs结果自动判定算法 | |
CN108871788B (zh) | 一种自动变速器换挡品质测试台架的校验方法 | |
CN102910284A (zh) | 跑道状态确定装置和方法、相关驾驶辅助系统和航空器 | |
CN110910531B (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
CN112985830A (zh) | 一种abs结果自动判定算法 | |
CN103134683B (zh) | 室内进行车辆发动机排气制动测试的系统和方法 | |
CN111198032A (zh) | 汽车质量实时估算方法 | |
CN113188808A (zh) | 一种abs制动台 | |
Vosahlik et al. | Self-supervised learning of camera-based drivable surface friction | |
CN113096411A (zh) | 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法 | |
CN107229801B (zh) | 轮胎滚动阻力系数在线辨识方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
CN113203464A (zh) | 一种动态车载称重系统的传感器故障检测方法 | |
CN113156913A (zh) | 一种abs故障诊断系统及方法 | |
CN113255225A (zh) | 少样本元提升学习的列车运动状态估计方法 | |
Ziaukas et al. | Estimation of Vehicle Side-Slip Angle at Varying Road Friction Coefficients Using a Recurrent Artificial Neural Network | |
CN113267344A (zh) | 一种汽车abs检测装置及方法 | |
CN113190996B (zh) | 一种用于适时四驱车型的油耗评估方法 | |
Lu et al. | Road adhesion coefficient identification method based on vehicle dynamics model and multi-algorithm fusion | |
CN111561929B (zh) | 一种用于车载mems惯性传感器的时延降噪方法 | |
Feng et al. | The auxiliary system of cleaning vehicle based on road recognition technology | |
Zhang et al. | The study of surface state identification based on BP_AdaBoost algorithm | |
CN113074950A (zh) | 试车场汽车制动试验的模拟方法 |
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 |
Application publication date: 20210730 |
|
RJ01 | Rejection of invention patent application after publication |