CN114819105A - 基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法 - Google Patents
基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法 Download PDFInfo
- Publication number
- CN114819105A CN114819105A CN202210561303.5A CN202210561303A CN114819105A CN 114819105 A CN114819105 A CN 114819105A CN 202210561303 A CN202210561303 A CN 202210561303A CN 114819105 A CN114819105 A CN 114819105A
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- air spring
- shock absorber
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 239000006096 absorbing agent Substances 0.000 title claims abstract description 43
- 230000035939 shock Effects 0.000 title claims abstract description 43
- 239000000725 suspension Substances 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000013016 damping Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 40
- 210000002569 neuron Anatomy 0.000 claims description 37
- 238000009826 distribution Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007830 nerve conduction Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G01M17/04—Suspension or damping
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
-
- 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
- G06N3/0409—Adaptive resonance theory [ART] 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，属于汽车底盘悬架领域。具体步骤：在台架上做空气弹簧动刚度试验，获得空气弹簧动刚度特性和做连续可调减振器外特性试验，获得CDC减振器动力学特性；搭建多层前馈嵌套神经网络；随机初始化参数；利用小批量随机下降法、提前停止等方法进行模型优化，选择最优模型；利用贝叶斯优化选择超参数；学习实验数据，获得空气弹簧动刚度模型以及连续可调减振器阻尼模型；模型精度验证。基于优化后的神经网络搭建的空气弹簧动刚度和连续可调减振器模型精度更高，解决了创建其物理模型复杂的困难，使神经网络模型学习收敛更快，效果更优秀。可更精确的实现对空气悬架的控制。
Description
技术领域
本发明涉及汽车底盘悬架领域，属于使用神经网络的方法搭建空气弹簧与连续可调悬架模型的方法，更精确的实现对空气悬架的控制。
背景技术
随着汽车行业的飞速发展，人们对汽车驾驶的舒适性有更高的要求。汽车悬架不仅是连接车辆底盘和车身的结构，而且对车辆来自地面的振动有着重要的减振作用。汽车悬架对车辆的平顺性和操纵稳定性都有重要的影响，这两种特性的改善对悬架的要求往往是矛盾的，这进一步增加了悬架设计的难度。为缓解矛盾可控或可调悬架技术得到发展，其中的可调刚度的空气弹簧和可调阻尼的减振器已被应用于中高端乘用车悬架产品中。
目前空气弹簧与可调阻尼减振器的开发还是个技术难题，其中首要解决的就是装有空气弹簧和可调阻尼的悬架动力学模型建立：空气弹簧的静态刚度来自气体的压缩，具有较强的非线性，其结构内部摩擦和橡胶材料的粘弹特性等导致的阻尼效应使得弹簧动静刚度差异很大，进一步加大了弹簧刚度建模的难度。可调阻尼减振器在机电调节下具有实时可控的阻尼特性，这种阻尼特性如何随着调节量(液压阀开度、液体粘度等)变化、阻尼力在往复过程的滞后效应等都是阻尼特性模型建立要解决的难题。
现有的基于结构力学、流体力学等物理机理的刚度、阻尼动力学模型在表达这些非线性特性时精度都难以满足要求，特别是对于可控阻尼模型的逆模型和空气弹簧动刚度效应时都遇到了技术发展的瓶颈。因此，有必要寻求新的建模手段。
神经网络是一个新的数学建模手段，其诞生受生物中神经传导和信息处理的生物电学物理机制启发，可较好表达复杂的非线性动力学问题，且具备自学习能力，模型的建立和参数的优化需要学习训练过程，多轮的学习迭代可使得模型逼近精度不断提高。本申请将神经网络建模技术引入空气弹簧和可调阻尼减振器的动力学模型中，结合空气悬架的动力学特点设计网络结构和模型参数优化方法，具体描述如下。
发明内容
本发明的目的是利用神经网络的方法搭建空气弹簧动刚度模型，以及连续可调减振器模型。根据在台架试验所得的减振器外特性以及空气弹簧的动刚度数据，可以更加准确的实现根据数据的连续可调减振器模型和空气弹簧动刚度模型搭建。
利用小批量随机梯度下降、提前停止等方法对模型优化，并且增加了模型训练的收敛速度。利用Xavier初始化参数。
利用贝叶斯优化选择超参数。在获得最优模型的同时，大大减少了学习时间。
选择利用神经网络搭建悬架模型，可以改变传统数学模型精度较低的缺点。神经网络搭建CDC减振器模型和空气弹簧动刚度模型具有精度高，并且使用方便的优势。
本发明提供的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，包括以下步骤：
步骤1包括，1.1在台架上做空气弹簧动刚度试验，获得空气弹簧动刚度特性；1.2在台架上做连续可调减振器外特性试验，获得CDC减振器动力学特性；
步骤2包括，2.1数据预先处理：2.1.1利用分层抽样，将空气悬架阻尼特性数据分为全训练集和测试集，分配的比例为10:2；2.1.2对全训练集进行重新排序，能更普遍的学习到各种不同数据之间的关系；2.1.3重新利用分层抽样将全训练集分为训练集和验证集，分配的比例为10:2；
所述训练集的数据用来作为神经网络的输入，验证集中的数据用来检验模型的准确性，并在迭代中优化模型；所述测试集中的数据用来检验模型的泛化特性；
2.2设计神经网络结构：搭建学习空气弹簧动模型的多层前馈嵌套神经网络，单个神经元，在这个模型中，神经元收到来自n个其他神经元传递过来的输入信号，这些信号通过带有权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理产生的神经元的输出；
步骤3，随机初始化参数，根据每层的输入个数和输出个数来决定参数随机初始化的分布范围；
步骤4，利用小批量随机下降进行优化、提前停止选择最优模型，包括：4.1优化方式为小批量随机梯度下降法“MBGD”，4.2使用提前停止的方法获得最优模型；
步骤5，利用贝叶斯优化选择超参数：学习率、各隐藏层中的神经元数，贝叶斯优化方法选择超参数分为四个部分：目标函数、域空间、优化过程、及结果展示；
步骤6，学习实验数据：针对空气弹簧动刚度模型，神经网络的输入为弹簧相对位移Dt、振动频率f两个输入量，输出为空气弹簧力Ft；针对CDC减振器阻尼模型，神经网络的输入为相对位移Dc、相对速度Vc和输入电流I，输出为阻尼力Fc；导入测量的数据文件，开始迭代学习，最后将学到的最优模型，保存；
步骤7，模型精度验证：将预测的结果与验证集进行比较，获得96.8％的模型精度，比传统建模方式更加准确。
本发明的技术效果如下：
基于优化后的神经网络搭建的空气弹簧动刚度以及连续可调减振器模型精度更高，不仅解决了创建其物理模型复杂的困难，而且使神经网络模型学习收敛更快，效果更优秀。
附图说明
图1单个神经元结构图；
图2ReLU激活函数；
图3sigmoid激活函数；
图4神经网络模型结构图；
图5a空气弹簧动刚度模型示意图；
图5b CDC减振器阻尼模型示意图；
图6模型搭建流程图；
图7减振器阻尼模型F-V预测对比图；
图8减振器阻尼模型F-D预测对比图。
具体实施方式
1)空气弹簧动刚度试验。连续可调减振器外特性试验。
1.1空气弹簧动刚度试验：
将空气悬架气囊中充满气体，达到0.5Mpa。空气弹簧的底部经拉压力变送器与振动台联结，随振动台不同频率f(0.5Hz～20Hz)和不同的振幅的正弦振动。空气弹簧动载荷有拉压力变送器测得，空气弹簧的相对位移由位移变送器测得。获得空气弹簧的弹簧力Ft与频率f，相对位移Dt的关系。
1.2连续可调减振器外特性实验：
将连续可调减振器的输入电流分为10等分，值的范围：0A～1A。每个输入电流下，作动器输入三个不同频率，幅值为50mm的正弦输入。每个正弦输入循环四次。也可以输入不同等级的随机输入，然后获得空气悬架的阻尼外特性。即获得电流I、相对速度Vc、相对位移Dc与减振器阻尼力Fc的数据关系。
2)搭建学习空气弹簧动模型的多层前馈嵌套神经网络：
单个神经元参阅图1：在这个模型中，神经元收到来自n个其他神经元传递过来的输入信号，这些信号通过带有权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理产生的神经元的输出。
2.1数据预先处理
2.1.1利用分层抽样，将空气悬架阻尼特性数据分为全训练集和测试集。分配的比例为10:2。
2.1.2对全训练集进行重新排序，可以更普遍的学习到各种不同数据之间的关系。
2.1.3重新利用分层抽样将全训练集分为训练集和验证集。分配的比例为10:2。训练集的数据用来作为神经网络的输入，验证集中的数据用来检验模型的准确性，并在迭代中优化模型。测试集中的数据用来检验模型的泛化特性。
2.2设计神经网络结构
2.2.1选择激活函数为ReLU为输出层函数。如图2：
ReLU函数是连续的，不过在z＝0时不可微分(坡度的突然变化可以使梯度下降反弹)。不过在实践中它工作良好，而且计算速度很快。最重要的是，由于它没有最大输出值，对于消除梯度下降的一些问题很有帮助。
选择sigmoid函数为隐藏层函数。参阅图3：
2.2.2 sigmoid函数是连续可导函数，而且基本输出只有0,1值，可以大大降低收敛时间，加快学习速度。
2.2.3调用缩放函数。对训练集和测试集的数据进行归一化处理。把数据经过处理后使之限定在一定的范围内。比如通常限制在区间[0,1]或者[-1,1]等等。为了防止出现奇异样本数据，奇异样本数据指的是相对于其他输入样本特别大或特别小的样本矢量。奇异样本数据的存在会引起训练时间增大，并可能引起无法收敛。所以在存在奇异样本数据的情况下，进行训练之前最好进行归一化。
F'为归一化之后的数据。
Ftext为归一化之前的数据。
Fmax为所有输入数据中最大值。
Fmin为所有输入数据中最大值。
选择将空气悬架的物理量：电流I、相对速度V和相对位移D作为神经网络的输入，将空气悬架阻尼力F作为神经网络的输出。
2.2.4设置神经网络的结构。设置一个输入层。然后设置四个隐藏层。再设置一个结合层，将第三层的隐藏层和第四层的隐藏层结合起来输入给输出层。
2.2.5选择损失函数为“MSE”。损失函数(loss function)也叫代价函数(costfunction)。是神经网络优化的目标函数，神经网络训练或者优化的过程就是最小化损失函数的过程(损失函数值小了，对应预测的结果和真实结果的值就越接近。
代价函数：
w为权重系数。
b为偏置系数。
η为学习率。
n为神经元的个数。
3)随机初始化参数。
为了保证前向传播和反向传播时每一层的方差一致；在正向传播时，每层的激活函数的方差保持不变；在反向传播时，每层的梯度值的方差保持不变。根据每层的输入个数和输出个数来决定参数随机初始化的分布范围，是一个通过该层的输入和输出参数个数得到的分布范围内的均匀分布。
学习率的初始值的选择：
nin为输入的神经元个数。
nout为输出的神经元个数。
4)利用小批量随机下降进行优化、提前停止选择最优模型。
4.1优化方式为小批量随机梯度下降法“MBGD”。
在机器学习算法中，有时候需要对原始的模型构建损失函数，然后通过优化算法对损失函数进行优化，以便寻找到最优的参数，使得损失函数的值最小。而在求解机器学习参数的优化算法中，使用较多的就是基于梯度下降的优化算法(Gradient Descent,GD)。
梯度下降法。
梯度下降规则
wk为第k个神经元迭代前的权重系数。
w'k为第k个神经元迭代后的权重系数。
bl为第1层神经元迭代前的偏置系数。
b'l为第1层神经元迭代后的偏置系数。
在实践中，为了计算梯度
我们需要为每个训练输入x单独计算梯度值
然后计算平均值。
小批量随机梯度下降算法可以加速学习，其思想就是通过随机选取小量训练输入样本来计算
进而估算梯度
是对批量梯度下降以及随机梯度下降的一个折中办法。其思想是：每次迭代使用固定个数的样本来对参数进行更新。
m为小量输入的样本个数
小批量随机梯度下降可以随机的选取并训练输入的小批量数据来工作：
其中的两个求和符号是在当前小批量数据中的所有训练样本中Xj进行的。然后再挑选另一随机选定的小批量数据进行训练。直到我们完成所有训练的输入，这就完成了一个训练迭代期。然后开始一个新的迭代周期。
优势：可以避免陷入局部最优，而且更快的收敛到全局最优。并可以实现并行化。
4.2使用提前停止的方法获得最优模型。
在训练的过程中，为了获得性能良好的神经网络，需要进行许多关于所用设置(超参数)的决策。超参数之一是定型周期(epoch)的数量：亦即应当完整遍历数据集的次数(一次为一个epoch)。如果epoch数量太少，网络有可能发生欠拟合(即对于定型数据的学习不够充分)；如果epoch数量太多，则有可能发生过拟合(即网络对定型数据中的“噪声”而非信号拟合)。提前停止旨在解决epoch数量需要手动设置的问题。它也可以被视为一种能够避免网络发生过拟合的正则化方法(与L1/L2权重衰减和丢弃法类似)。根本原因就是因为继续训练会导致测试集上的准确率下降。
若验证集上的代价函数值出现上升的情况，再学习下去，只会减少训练集的代价函数值，出现过拟合的情况。所以我们可以设置：当验证集代价函数值出现升高之后，再使程序运行10个循环，若没有出现验证集代价函数下降的情况，则停止学习，并调用最小验证集代价函数时，学习到的数据作为最优模型。
优点：根据模型在验证集上的代价函数的变化使迭代自动停止，既避免了过长的程序运行时间，又可以防止模型过拟合。
5)利用贝叶斯优化选择超参数：学习率、各隐藏层中的神经元数。
贝叶斯优化方法选择超参数分为四个部分：目标函数、域空间、优化过程、及结果展示。
5.1目标函数：模型拟合过程中，使用各种学习率以及神经元数在验证集上的损失函数作为目标函数。
5.2域空间：分布选择是对数均匀，学习率在对数标度上均匀分布。我们将使用对数统一(从0.00005到0.2)来获得学习率，因为它在几个数量级上变化。使用平均分布选择神经元的个数(10～100)。
5.3优化过程：在优化时，TPE算法根据过去的结果构建概率模型，并通过最大化预期的改进来决定下一组超参数以在目标函数中进行评估。
5.4结果展示：将学习率和各隐藏层中神经元个数的选择结果输出，并应用到神经网络模型中。
贝叶斯优化会依据5.2中超参数的分布，随机选择一组超参数初值，然后根据这组超参数的目标函数结果构建概率模型，通常是高斯过程模型。由于高斯过程模型，可以表达出每个值的概率分布，然后所以可以根据这个模型，选择下一组最有可能优的超参数，然后测试，再得到结果。如此迭代，直到选择到一组最优模型的超参数。
优点：贝叶斯优化过程，不像网格搜索、随机搜索等方法，几乎遍历了整个取值空间。贝叶斯优化过程，可以根据前一循环的超参数值，估计下一循环的最优超参数，大大减少了模型运行时间。并且目标函数设置为验证集上的损失函数，使模型在验证集上得到更好的性能，从而获得更好的泛化性能。减少了调整超参数的迭代次数，节约了学习时间成本。
所建神经网络的结构示意图参阅图4：
6)学习实验数据。针对空气弹簧动刚度模型，神经网络的输入为弹簧相对位移Dt、振动频率f两个输入量。输出为空气弹簧力Ft。针对CDC减振器阻尼模型，神经网络的输入为相对位移Dc、相对速度Vc和输入电流I。输出为阻尼力Fc。导入测量的数据文件，开始迭代学习。最后将学到的最优模型，保存。获得的模型如图5：
7)模型精度验证。将预测的结果与验证集进行比较，获得96.8％的模型精度。比传统建模方式更加准确。
Claims (10)
1.一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，包括以下步骤：
步骤1包括，1.1在台架上做空气弹簧动刚度试验，获得空气弹簧动刚度特性；1.2在台架上做连续可调减振器外特性试验，获得CDC减振器动力学特性；
步骤2包括，2.1数据预先处理：2.1.1利用分层抽样，将空气悬架阻尼特性数据分为全训练集和测试集，分配的比例为10:2；2.1.2对全训练集进行重新排序，能更普遍的学习到各种不同数据之间的关系；2.1.3重新利用分层抽样将全训练集分为训练集和验证集，分配的比例为10:2；
所述训练集的数据用来作为神经网络的输入，验证集中的数据用来检验模型的准确性，并在迭代中优化模型；所述测试集中的数据用来检验模型的泛化特性；
2.2设计神经网络结构：搭建学习空气弹簧动模型的多层前馈嵌套神经网络，单个神经元，在这个模型中，神经元收到来自n个其他神经元传递过来的输入信号，这些信号通过带有权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理产生的神经元的输出；
步骤3，随机初始化参数，根据每层的输入个数和输出个数来决定参数随机初始化的分布范围；
步骤4，利用小批量随机下降进行优化、提前停止选择最优模型，包括：4.1优化方式为小批量随机梯度下降法“MBGD”，4.2使用提前停止的方法获得最优模型；
步骤5，利用贝叶斯优化选择超参数：学习率、各隐藏层中的神经元数，贝叶斯优化方法选择超参数分为四个部分：目标函数、域空间、优化过程、及结果展示；
步骤6，学习实验数据：针对空气弹簧动刚度模型，神经网络的输入为弹簧相对位移Dt、振动频率f两个输入量，输出为空气弹簧力Ft；针对CDC减振器阻尼模型，神经网络的输入为相对位移Dc、相对速度Vc和输入电流I，输出为阻尼力Fc；导入测量的数据文件，开始迭代学习，最后将学到的最优模型，保存；
步骤7，模型精度验证：将预测的结果与验证集进行比较，获得接近96.8％的模型精度，比传统建模方式更加准确。
2.根据权利要求1所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：
步骤1.1：将空气悬架气囊中充满气体，达到0.5±0.05Mpa，空气弹簧的底部经拉压力变送器与振动台联结，随振动台不同频率f范围在0.5Hz～20Hz之间和不同的振幅的正弦振动；空气弹簧动载荷有拉压力变送器测得，空气弹簧的相对位移由位移变送器测得；获得空气弹簧的弹簧力Ft与频率f，相对位移Dt的关系；
步骤1.2：将连续可调减振器的输入电流分为n等分，值的范围：0A～1A，每个输入电流下，作动器输入三个不同频率，相同幅值的正弦输入；每个正弦输入循环四次；或以输入不同等级的随机输入，然后获得空气悬架的阻尼外特性；即获得电流I、相对速度Vc、相对位移Dc与减振器阻尼力Fc的数据关系。
3.根据权利要求1所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：
步骤2.2包括：
2.2.1选择激活函数为ReLU为输出层函数；
所述激活函数
ReLU函数是连续的，在z＝0时不可微分，坡度的突然变化可使梯度下降反弹；
选择sigmoid函数为隐藏层函数
2.2.2 sigmoid函数是连续可导函数，而且基本输出只有0,1值，可以大大降低收敛时间，加快学习速度；
2.2.3调用缩放函数，对训练集和测试集的数据进行归一化处理，把数据经过处理后使之限定在一定的范围内，可限制在区间[0,1]或者[-1,1]；
2.2.4设置神经网络的结构，设置一个输入层，然后设置四个隐藏层，再设置一个结合层，将第三层的隐藏层和第四层的隐藏层结合起来输入给输出层；
2.2.5选择损失函数为“MSE”，损失函数loss function即代价函数cost function，是神经网络优化的目标函数，神经网络训练或者优化的过程就是最小化损失函数的过程，损失函数值小了，对应预测的结果和真实结果的值就越接近。
4.根据权利要求3所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：
步骤2.2.3还包括，为了防止出现奇异样本数据，奇异样本数据指的是相对于其他输入样本特别大或特别小的样本矢量，奇异样本数据的存在会引起训练时间增大，并可能引起无法收敛，所以在存在奇异样本数据的情况下，进行训练之前最好进行归一化；
缩放函数：
F’为归一化之后的数据，
Ftext为归一化之前的数据，
Fmax为所有输入数据中最大值，
Fmin为所有输入数据中最大值，
选择将空气悬架的物理量：电流I、相对速度V和相对位移D作为神经网络的输入，将空气悬架阻尼力F作为神经网络的输出。
5.根据权利要求3所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：
步骤2.2.5，所述代价函数：
w为权重系数，b为偏置系数，η为学习率，n为神经元的个数。
6.根据权利要求1所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：
步骤3，为了保证前向传播和反向传播时每一层的方差一致；在正向传播时，每层的激活函数的方差保持不变；在反向传播时，每层的梯度值的方差保持不变，根据每层的输入个数和输出个数来决定参数随机初始化的分布范围，是一个通过该层的输入和输出参数个数得到的分布范围内的均匀分布，
学习率的初始值的选择：
nin为输入的神经元个数，nout为输出的神经元个数。
7.根据权利要求1所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：
步骤4.1，首先确定梯度下降规则，为了计算梯度
需为每个训练输入x单独计算梯度值
然后计算平均值，
通过随机选取小量训练输入样本来计算
进而估算梯度
每次迭代使用固定个数的样本来对参数进行更新，在当前小批量数据中的所有训练样本中Xj进行求和，然后再挑选另一随机选定的小批量数据进行训练，直到完成所有训练的输入，以完成一个训练迭代期，然后开始一个新的迭代周期。
8.根据权利要求1所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：
步骤4.2，可设置为：当验证集代价函数值出现升高之后，再使程序运行大约10个循环，若没有出现验证集代价函数下降的情况，则停止学习，并调用最小验证集代价函数时，学习到的数据作为最优模型。
9.根据权利要求1所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：
步骤5.1目标函数确定：模型拟合过程中，使用各种学习率以及神经元数在验证集上的损失函数作为目标函数；
步骤5.2域空间选择：分布选择是对数均匀，学习率在对数标度上均匀分布，使用对数统一从0.00005到0.2来获得学习率，因它在几个数量级上变化，使用平均分布选择神经元的个数为10～100；
步骤5.3优化过程：在优化时，TPE算法根据过去的结果构建概率模型，并通过最大化预期的改进来决定下一组超参数以在目标函数中进行评估；
步骤5.4结果展示：将学习率和各隐藏层中神经元个数的选择结果输出，并应用到神经网络模型中。
10.根据权利要求9所述的一种基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法，其特征在于：
贝叶斯优化会依据5.2中超参数的分布，随机选择一组超参数初值，然后根据这组超参数的目标函数结果构建概率模型，该模型是高斯过程模型，由此，可表达出每个值的概率分布，然后根据这个模型，选择下一组最有可能优的超参数，然后测试，再得到结果，如此迭代，直到选择到一组最优模型的超参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210561303.5A CN114819105B (zh) | 2022-05-23 | 2022-05-23 | 基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210561303.5A CN114819105B (zh) | 2022-05-23 | 2022-05-23 | 基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114819105A true CN114819105A (zh) | 2022-07-29 |
| CN114819105B CN114819105B (zh) | 2024-10-15 |
Family
ID=82516847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210561303.5A Active CN114819105B (zh) | 2022-05-23 | 2022-05-23 | 基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819105B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117537951A (zh) * | 2024-01-10 | 2024-02-09 | 西南交通大学 | 一种基于深度学习的超导悬浮器内部温升检测方法及装置 |
| CN118153438A (zh) * | 2024-03-20 | 2024-06-07 | 四川农业大学 | 一种非独立低矮建筑风压场预测方法及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008249610A (ja) * | 2007-03-30 | 2008-10-16 | Railway Technical Res Inst | 鉄道車両用懸架装置の動特性推定方法 |
| CN108152059A (zh) * | 2017-12-20 | 2018-06-12 | 西南交通大学 | 基于多传感器数据融合的高速列车转向架故障检测方法 |
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| CN113868940A (zh) * | 2021-09-01 | 2021-12-31 | 江苏大学扬州(江都)新能源汽车产业研究所 | 一种基于神经网络的空气弹簧非线性刚度特性拟合方法 |
-
2022
- 2022-05-23 CN CN202210561303.5A patent/CN114819105B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008249610A (ja) * | 2007-03-30 | 2008-10-16 | Railway Technical Res Inst | 鉄道車両用懸架装置の動特性推定方法 |
| CN108152059A (zh) * | 2017-12-20 | 2018-06-12 | 西南交通大学 | 基于多传感器数据融合的高速列车转向架故障检测方法 |
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| CN113868940A (zh) * | 2021-09-01 | 2021-12-31 | 江苏大学扬州(江都)新能源汽车产业研究所 | 一种基于神经网络的空气弹簧非线性刚度特性拟合方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117537951A (zh) * | 2024-01-10 | 2024-02-09 | 西南交通大学 | 一种基于深度学习的超导悬浮器内部温升检测方法及装置 |
| CN117537951B (zh) * | 2024-01-10 | 2024-03-26 | 西南交通大学 | 一种基于深度学习的超导悬浮器内部温升检测方法及装置 |
| CN118153438A (zh) * | 2024-03-20 | 2024-06-07 | 四川农业大学 | 一种非独立低矮建筑风压场预测方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114819105B (zh) | 2024-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114819105B (zh) | 基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法 | |
| CN109343505A (zh) | 基于长短期记忆网络的齿轮剩余寿命预测方法 | |
| CN109002686B (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
| Ngwangwa et al. | Reconstruction of road defects and road roughness classification using vehicle responses with artificial neural networks simulation | |
| Gobbi et al. | Optimal & robust design of a road vehicle suspension system | |
| CN106373390A (zh) | 基于自适应神经模糊推理系统的道路交通状态评价方法 | |
| CN110962828B (zh) | 预测电动汽车制动压力的方法和设备 | |
| Zareh et al. | Semi-active vibration control of an eleven degrees of freedom suspension system using neuro inverse model of magnetorheological dampers | |
| CN114330644A (zh) | 一种基于结构搜索和通道剪枝的神经网络模型压缩方法 | |
| US20210383211A1 (en) | Method and apparatus for predicting performance of vehicle nvh system based on deep learning | |
| CN116341099A (zh) | 一种基于注意力机制的lstm神经网络车辆悬架系统状态观测器的搭建方法 | |
| CN115826402A (zh) | 一种基于深度强化学习算法的主动悬架控制策略生成方法 | |
| Göktepe et al. | Comparison of multilayer perceptron and adaptive neuro-fuzzy system on backcalculating the mechanical properties of flexible pavements | |
| CN113886974A (zh) | 一种车内结构声路噪预测方法 | |
| Dessort et al. | Explicit model predictive control of semi-active suspension systems using Artificial Neural Networks (ANN) | |
| Allam et al. | Vibration control of active vehicle suspension system using fuzzy logic algorithm | |
| CN117034699A (zh) | 一种基于拉伸试验的金属疲劳s-n曲线预测方法 | |
| Hardier | Recurrent RBF networks for suspension system modeling and wear diagnosis of a damper | |
| Yu et al. | Variable Universe Fuzzy PID Control for Active Suspension System with Combination of Chaotic Particle Swarm Optimization and Road Recognition | |
| CN115577615A (zh) | 一种汽车多体动力学建模方法和系统 | |
| Heindel et al. | A data-driven approach for approximating non-linear dynamic systems using lstm networks | |
| Khandavalli et al. | Potentials of modern active suspension control strategies–from model predictive control to deep learning approaches | |
| Zhang et al. | Improvement of vibration isolation performance of multi-mode control seat suspension system through road recognition using wavelet-LSTM approach | |
| Abouel-seoud | Vibration Behaviour Control of a Fabricated One-Passenger Electric Vehicle with Either Mechanical or Air Suspension. | |
| CN118690490A (zh) | 一种车辆振动舒适性评价模型搭建方法、设备及存储介质 |
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 |