CN115563714A - 复杂装备关键位置振动特性参数验证方法 - Google Patents

复杂装备关键位置振动特性参数验证方法 Download PDF

Info

Publication number
CN115563714A
CN115563714A CN202211237893.2A CN202211237893A CN115563714A CN 115563714 A CN115563714 A CN 115563714A CN 202211237893 A CN202211237893 A CN 202211237893A CN 115563714 A CN115563714 A CN 115563714A
Authority
CN
China
Prior art keywords
complex equipment
vibration characteristic
model
characteristic parameters
simulation
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
CN202211237893.2A
Other languages
English (en)
Inventor
杨海根
白旭
童哲
黄前前
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 Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202211237893.2A priority Critical patent/CN115563714A/zh
Publication of CN115563714A publication Critical patent/CN115563714A/zh
Priority to PCT/CN2023/124021 priority patent/WO2024078532A1/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]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明公开了一种复杂装备关键位置振动特性参数验证方法，包括以下步骤：1）构建复杂装备零部件模型；2）在仿真软件中建立复杂装备动力学模型；3）在实体复杂装备行进过程中，得到各零部件之间的连接方式和约束关系；4）在动力学仿真软件中对复杂装备模型进行预仿真；5）确定需要验证的复杂装备关键位置的振动特性参数，对不同等级路面谱及车速下的振动特性参数进行后处理；6）利用神经网络模型对所选关键位置刚度阻尼系数与振动特性参数进行训练；7）将复杂装备动力学模型在仿真过程得到的振动特性参数与神经网络训练模型得到的振动特性参数进行对比验证。本发明可以简化对振动特性的分析成本，进而降低复杂装备制造成本。

Description

复杂装备关键位置振动特性参数验证方法
技术领域
本发明属于装备仿真技术领域，具体涉及复杂装备关键位置振动特性参数分析与验证方法。
背景技术
在科学信息技术水平高速发展的情况下，复杂装备的制造方式越来越精密，零部件之间的组合方式也越来越多，亟需一种高效的设计方法分析其关键位置的振动特性，传统的设计方式主要基于实践试验，通过不断调试，摸索提出相应的优化设计方案，这种方式耗费很大的人力物力。随着虚拟样机技术的出现，推动了复杂装备研发模式的转变，建立虚拟样机模型，对复杂装备关键位置进行分析研究，完成在制造中参数的优化设计已经成为装备研制过程中不可或缺的技术手段。因此研究某些重要参数对关键位置振动特性的影响，实现振动特性参数的分析与验证显得非常重要。
发明内容
本发明所要解决的技术问题是：在复杂装备实际行进过程中诸如悬挂装置、平衡肘扭转角度等关键位置的振动特性不易测量，在提高复杂装备系统的减振性过程中，如何对复杂装备的关键位置振动特性进行验证是关键问题。
为解决上述技术问题，本发明采用的技术方案是：
一种复杂装备关键位置振动特性参数验证方法，包括以下步骤：
1)基于多体系统动力学原理，构建复杂装备零部件模型，并进行动力学分析的符号约定；
2)在仿真软件中建立复杂装备动力学模型，在不同等级路面谱的动力学响应下，确定复杂装备各零部件的约束关系和力，在动力学仿真软件中的Professional栏找到相对应的约束关系和力，添加到仿真模型各个零部件上；
3)在实体复杂装备行进过程中，得到各零部件之间的连接方式和约束关系，连接方式用于组装虚拟样机模型，约束关系用于使虚拟样机模型正确仿真；
复杂装备为履带车辆时，零部件约束关系包括：
车体与主动轮、负重轮、托带轮之间的旋转副；
地面与履带板的接触关系；
平衡轴初始角度；
张紧装置上的平移副；
4)在动力学仿真软件中给定仿真时间和步长，对复杂装备模型进行预仿真，在后处理结果模块中，通过查看输出的图表来验证复杂装备模型的有效性，有效性验证通过后设置仿真参数，进行复杂装备模型的仿真；所述仿真参数包括仿真时间、步长及帧数等；
5)确定需要验证的复杂装备关键位置的振动特性参数，对不同等级路面谱及车速下的振动特性参数进行后处理；
6)利用神经网络模型对所选关键位置刚度阻尼系数与振动特性参数进行训练，得到关键位置刚度阻尼系数与振动特性参数之间的拟合关系；
7)将神经网络训练数据中的悬挂装置刚度阻尼系数传回动力学仿真软件中，在后处理模块中重新计算出振动特性参数，将复杂装备动力学模型在仿真过程得到的振动特性参数与神经网络训练模型得到的振动特性参数进行对比验证。
本发明所达到的有益效果：本发明通过三维建模软件，将建好的复杂装备各零部件导入到动力学仿真软件中，对复杂装备关键位置振动模型进行仿真，得到关键位置振动特性参数，结合小样本深度学习对所得参数进行分析预测，将神经网络模型训练所得数据传回仿真模型进行对比验证，在保证各零部件质量和转动惯量符合实际情况的条件下，分析复杂装备关键位置振动特性的最优情况，相比传统的复杂装备设计制造流程，能够大大减小人力、物力的消耗。
附图说明
图1是本发明实施例提供的复杂装备关键位置振动特性参数分析与验证方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种复杂装备关键位置振动特性参数验证方法，包括以下步骤：
1)基于多体系统动力学原理，构建复杂装备零部件模型，并进行动力学分析的符号约定；
2)在仿真软件中建立复杂装备动力学模型，在不同等级路面谱的动力学响应下，确定复杂装备各零部件的约束关系和力，在动力学仿真软件中的Professional栏找到相对应的约束关系和力，添加到仿真模型各个零部件上；
3)在实体复杂装备行进过程中，得到各零部件之间的连接方式和约束关系，连接方式用于组装虚拟样机模型，约束关系用于使虚拟样机模型正确仿真；
复杂装备为履带车辆时，零部件约束关系包括：
车体与主动轮、负重轮、托带轮之间的旋转副；
地面与履带板的接触关系；
平衡轴初始角度；
张紧装置上的平移副；
4)在动力学仿真软件中给定仿真时间和步长，对复杂装备模型进行预仿真，在后处理结果模块中，通过查看输出的图表来验证复杂装备模型的有效性，有效性验证通过后设置仿真参数，进行复杂装备模型的仿真；所述仿真参数包括仿真时间、步长及帧数等；
5)确定需要验证的复杂装备关键位置的振动特性参数，对不同等级路面谱及车速下的振动特性参数进行后处理；
6)利用神经网络模型对所选关键位置刚度阻尼系数与振动特性参数进行训练，得到关键位置刚度阻尼系数与振动特性参数之间的拟合关系；
7)将神经网络训练数据中的悬挂装置刚度阻尼系数传回动力学仿真软件中，在后处理模块中重新计算出振动特性参数，将复杂装备动力学模型在仿真过程得到的振动特性参数与神经网络训练模型得到的振动特性参数进行对比验证。
进一步地，在步骤1)中，在构建复杂装备零部件模型过程中，搭建各零部件拓扑图，用于表示各个零部件之间的连接方式，将各零部件在动力学仿真软件中组装成与实体复杂装备相同的模型。
将各零部件在动力学仿真软件中组装成与实体复杂装备相同的模型过程中，将三维建模软件构建好的复杂装备各零部件导入动力学仿真软件中，按照各零部件几何位置关系建立模型，包括添加在主动轮、负重轮、拖带轮上的旋转副，悬挂装置所需的平动副以及平衡肘与负重轮的接触关系等。
根据实体履带车辆等复杂装备的行驶模式以及各个零部件之间的连接方式、接触碰撞方式，对零部件进行符号约定，带质量的零部件为体元件，用圆圈来表示，不计质量的零部件为铰元件，用三角来表示，元件之间的连接方式使用箭头表示。
进一步地，在步骤4)中，在复杂装备模型预仿真过程中，为施加约束条件的复杂装备模型添加驱动力，复杂装备为履带车辆时，在履带车辆主动轮上的旋转副添加motion属性，添加step函数作为驱动力，代替真实复杂装备的发动机模块，并选定end time、步长以及帧数进行预仿真，在后处理模块中点击Plot查看虚拟样机模型各个零部件质心的输出结果，输出结果包括车体与平衡肘的质心速度、加速度、位移、力矩等的x，y，z三个坐标方向的分量。
进一步地，在步骤5)中，复杂装备为履带车辆时，目标振动特性参数为车体与平衡肘质心振动加速度均方根值以及平衡肘扭转角度，分析的目标为主动轮驱动参数、悬挂装置刚度及阻尼对目标振动特性参数的影响。
进一步地，在步骤5)中，从复杂装备模型仿真结果的后处理模块中获取振动特性参数，将车体与平衡肘的质心铅垂加速度、位移在y坐标方向的分量输出到数学工具中进行后处理，利用如下公式进行计算：
SQRT(SUMSQ(A:B)/N)
其中A为数据的起点，B为数据终点，N为数据个数，利用上式即可求出质心铅垂加速度均方根值，其中SQRT表示返回数值的平方根，SUMSQ表示返回数值的平方和。
进一步地，在步骤6)中，分析过程具体包括以下步骤：
在仿真软件后处理模块中，以文本形式导出输出数据与输入数据，将导出的数据通过生成式对抗神经网络进行数据填充；将对抗式生成网络中填充的数据送入全连接神经网络；
所述对抗式生成网络中的生成器与辨别器均由多层残差神经网络构成，所述残差神经网络中的激活函数采用ReLu函数，全连接神经网络的激活函数采用ReLu函数或Sigmoid函数；
定义全连接神经网络的输入层、隐藏层和输出层，输入层为复杂装备动力学模型的速度、悬挂装置刚度及阻尼系数、路面标签；
隐藏层为输入层在激活函数作用下的映射；
输出层为所选振动特性参数，如将车体质心铅垂加速度、平衡肘质心铅垂加速度均方根值以及平衡肘扭转角度作为输出层；
将输入层的数据输入到隐藏层中的Sigmoid激活函数中，公式如下：
Figure BDA0003883670860000071
将按照线性组合关系输入的g(xi)＝w*xi+b转化为非线性关系，其中xi是所选悬挂装置刚度及阻尼系数，可通过仿真软件零部件的properties属性根据实际情况自行设置，w为权重，b为偏置量，e为指数函数，g(xi)为输入层数据，f[g(xi)]表示将输入层数据传入Sigmoid函数表达式中；输出结果为车体质心铅垂加速度、平衡肘质心铅垂加速度均方根值以及平衡肘扭转角度，通过全连接神经网络拟合出最佳权重与偏置量。
在步骤7)中，将神经网络训练得到的悬挂装置刚度阻尼系数传回动力学仿真软件进行验证，在动力学仿真软件中定义end time、步长、帧数以及所选关键位置振动特性参数，然后进行仿真，通过动力学仿真软件的后处理模块，将车体与平衡肘的质心铅垂加速度、位移在y坐标方向的分量输出到数学工具中进行后处理，求得质心铅垂加速度均方根值，将仿真过程得到的质心铅垂加速度均方根值与神经网络训练模型得到的预测质心铅垂加速度均方根值进行对比验证。
本发明通过设置刚度和阻尼系数的值，一方面将这些参数通过神经网络训练模型得到的最佳拟合曲线，得到车体质心铅垂加速度、平衡肘质心铅垂加速度均方根值以及平衡肘扭转角度，之后将刚度与阻尼系数的值代入到仿真软件中，通过properties属性来设置悬挂装置刚度和阻尼系数进行仿真，在仿真后处理模块中观察输出得到的车体质心铅垂加速度、平衡肘质心铅垂加速度均方根值以及平衡肘扭转角度，与训练模型得到的值进行对比验证。
以上实施例仅用以说明发明的技术方案而非对其限制，所属领域的研发人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些没有脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围以内。

Claims (10)

1.一种复杂装备关键位置振动特性参数验证方法，其特征在于，包括以下步骤：
1)基于多体系统动力学原理，构建复杂装备零部件模型，并进行动力学分析的符号约定；
2)在仿真软件中建立复杂装备动力学模型，在不同等级路面谱的动力学响应下，确定复杂装备各零部件的约束关系和力，在动力学仿真软件中的Professional栏找到相对应的约束关系和力，添加到仿真模型各个零部件上；
3)在实体复杂装备行进过程中，得到各零部件之间的连接方式和约束关系，连接方式用于组装虚拟样机模型，约束关系用于使虚拟样机模型正确仿真；
4)在动力学仿真软件中给定仿真时间和步长，对复杂装备模型进行预仿真，在后处理结果模块中，通过查看输出的图表来验证复杂装备模型的有效性，有效性验证通过后设置仿真参数，进行复杂装备模型的仿真；所述仿真参数包括仿真时间、步长及帧数；
5)确定需要验证的复杂装备关键位置的振动特性参数，对不同等级路面谱及车速下的振动特性参数进行后处理；
6)利用神经网络模型对所选关键位置刚度阻尼系数与振动特性参数进行训练，得到关键位置刚度阻尼系数与振动特性参数之间的拟合关系；
7)将神经网络训练数据中的悬挂装置刚度阻尼系数传回动力学仿真软件中，在后处理模块中重新计算出振动特性参数，将复杂装备动力学模型在仿真过程得到的振动特性参数与神经网络训练模型得到的振动特性参数进行对比验证。
2.根据权利要求1所述的复杂装备关键位置振动特性参数验证方法，其特征在于：在步骤1)中，在构建复杂装备零部件模型过程中，搭建各零部件拓扑图，用于表示各个零部件之间的连接方式，将各零部件在动力学仿真软件中组装成与实体复杂装备相同的模型。
3.根据权利要求2所述的复杂装备关键位置振动特性参数验证方法，其特征在于：将各零部件在动力学仿真软件中组装成与实体复杂装备相同的模型过程中，将三维建模软件构建好的复杂装备各零部件导入动力学仿真软件中，按照各零部件几何位置关系建立模型，包括添加在主动轮、负重轮、拖带轮上的旋转副，悬挂装置所需的平动副以及平衡肘与负重轮的接触关系。
4.根据权利要求1所述的复杂装备关键位置振动特性参数验证方法，其特征在于：在步骤3)中，复杂装备为履带车辆时，零部件约束关系包括：
车体与主动轮、负重轮、托带轮之间的旋转副；
地面与履带板的接触关系；
平衡轴初始角度；
张紧装置上的平移副。
5.根据权利要求1所述的复杂装备关键位置振动特性参数验证方法，其特征在于：在步骤4)中，在复杂装备模型预仿真过程中，为施加约束条件的复杂装备模型添加驱动力，复杂装备为履带车辆时，在履带车辆主动轮上的旋转副添加motion属性，添加step函数作为驱动力，代替真实复杂装备的发动机模块，并选定end time、步长以及帧数进行预仿真，在后处理模块中点击Plot查看虚拟样机模型各个零部件质心的输出结果，输出结果包括车体与平衡肘的质心速度、加速度、位移、力矩的x，y，z三个坐标方向的分量。
6.根据权利要求1所述的复杂装备关键位置振动特性参数验证方法，其特征在于：在步骤5)中，复杂装备为履带车辆时，目标振动特性参数为车体与平衡肘质心振动加速度均方根值以及平衡肘扭转角度，分析的目标为主动轮驱动参数、悬挂装置刚度及阻尼对目标振动特性参数的影响。
7.根据权利要求6所述的复杂装备关键位置振动特性参数验证方法，其特征在于：，在步骤5)中，从复杂装备模型仿真结果的后处理模块中获取振动特性参数，将车体与平衡肘的质心铅垂加速度、位移在y坐标方向的分量输出到数学工具中进行后处理，利用如下公式进行计算：
SQRT(SUMSQ(A:B)/N)
其中A为数据的起点，B为数据终点，N为数据个数，利用上式即可求出质心铅垂加速度均方根值，其中SQRT表示返回数值的平方根，SUMSQ表示返回数值的平方和。
8.根据权利要求1所述的复杂装备关键位置振动特性参数验证方法，其特征在于：在步骤6)中，分析过程具体包括以下步骤：
在仿真软件后处理模块中，以文本形式导出输出数据与输入数据，将导出的数据通过生成式对抗神经网络进行数据填充；将对抗式生成网络中填充的数据送入全连接神经网络；
所述对抗式生成网络中的生成器与辨别器均由多层残差神经网络构成，所述残差神经网络中的激活函数采用ReLu函数，全连接神经网络的激活函数采用ReLu函数或Sigmoid函数；
定义全连接神经网络的输入层、隐藏层和输出层，输入层为复杂装备动力学模型的速度、悬挂装置刚度及阻尼系数、路面标签；隐藏层为输入层在激活函数作用下的映射；输出层为所选振动特性参数，如将车体质心铅垂加速度、平衡肘质心铅垂加速度均方根值以及平衡肘扭转角度作为输出层。
9.根据权利要求8所述的复杂装备关键位置振动特性参数验证方法，将输入层的数据输入到隐藏层中的Sigmoid激活函数中，公式如下：
Figure FDA0003883670850000041
将按照线性组合关系输入的g(xi)＝w*xi+b转化为非线性关系，其中xi是所选悬挂装置刚度及阻尼系数，通过仿真软件零部件的properties属性根据实际情况自行设置，w为权重，b为偏置量，e为指数函数，g(xi)为输入层数据，f[g(xi)]表示将输入层数据传入Sigmoid函数表达式中；输出结果为车体质心铅垂加速度、平衡肘质心铅垂加速度均方根值以及平衡肘扭转角度，通过全连接神经网络拟合出最佳权重与偏置量。
10.根据权利要求1所述的复杂装备关键位置振动特性参数验证方法，其特征在于：在步骤7)中，将神经网络训练得到的悬挂装置刚度阻尼系数传回动力学仿真软件进行验证，在动力学仿真软件中定义end time、步长、帧数以及所选关键位置振动特性参数，然后进行仿真，通过动力学仿真软件的后处理模块，将车体与平衡肘的质心铅垂加速度、位移在y坐标方向的分量输出到数学工具中进行后处理，求得质心铅垂加速度均方根值，将仿真过程得到的质心铅垂加速度均方根值与神经网络训练模型得到的预测质心铅垂加速度均方根值进行对比验证。
CN202211237893.2A 2022-10-11 2022-10-11 复杂装备关键位置振动特性参数验证方法 Pending CN115563714A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211237893.2A CN115563714A (zh) 2022-10-11 2022-10-11 复杂装备关键位置振动特性参数验证方法
PCT/CN2023/124021 WO2024078532A1 (zh) 2022-10-11 2023-10-11 复杂装备关键位置振动特性参数验证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211237893.2A CN115563714A (zh) 2022-10-11 2022-10-11 复杂装备关键位置振动特性参数验证方法

Publications (1)

Publication Number Publication Date
CN115563714A true CN115563714A (zh) 2023-01-03

Family

ID=84745791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211237893.2A Pending CN115563714A (zh) 2022-10-11 2022-10-11 复杂装备关键位置振动特性参数验证方法

Country Status (2)

Country Link
CN (1) CN115563714A (zh)
WO (1) WO2024078532A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024078532A1 (zh) * 2022-10-11 2024-04-18 南京邮电大学 复杂装备关键位置振动特性参数验证方法
WO2024078531A1 (zh) * 2022-10-10 2024-04-18 南京邮电大学 一种复杂装备非线性振动模型参数优化方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118133590A (zh) * 2024-05-10 2024-06-04 山东农业大学 大蒜收获机变刚度柔性夹持输送装置的刚柔耦合仿真方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5618995A (en) * 1995-07-05 1997-04-08 Ford Motor Company Vehicle vibration simulator
CN110457835A (zh) * 2019-08-15 2019-11-15 中国北方车辆研究所 履带式装甲车辆悬挂装置设计方法
CN115563714A (zh) * 2022-10-11 2023-01-03 南京邮电大学 复杂装备关键位置振动特性参数验证方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024078531A1 (zh) * 2022-10-10 2024-04-18 南京邮电大学 一种复杂装备非线性振动模型参数优化方法
WO2024078532A1 (zh) * 2022-10-11 2024-04-18 南京邮电大学 复杂装备关键位置振动特性参数验证方法

Also Published As

Publication number Publication date
WO2024078532A1 (zh) 2024-04-18

Similar Documents

Publication Publication Date Title
CN115563714A (zh) 复杂装备关键位置振动特性参数验证方法
CN110309598A (zh) 一种虚拟试验场的创建方法
CN110298125B (zh) 一种基于虚拟试验场技术的疲劳分析方法
CN107145663B (zh) 车轮多目标优化设计方法
Blundell et al. The multibody systems approach to vehicle dynamics
CN104217047B (zh) 一种制作汽车前转向轮包络面的方法
CN110414052A (zh) 一种基于数字样车和虚拟路谱的汽车结构疲劳寿命计算方法
CN107480395A (zh) 一种车辆转向节载荷谱预测模型的构建方法及系统
CN104216755A (zh) 对汽车前转向轮运动轨迹进行仿真以及制作包络面的方法
CN110737964A (zh) 一种基于随机路面激励的车辆刚柔耦合行驶平顺性分析方法
CN112131672A (zh) 耐久载荷谱仿真方法、设备、存储介质及装置
Barbagallo et al. Redesign and multibody simulation of a motorcycle rear suspension with eccentric mechanism
WO2024078531A1 (zh) 一种复杂装备非线性振动模型参数优化方法
Nabaglo et al. Construction of a parametrized tracked vehicle model and its simulation in MSC. ADAMS program
Widner et al. Framework for vehicle dynamics model validation
Ferry et al. Combining virtual simulation and physical vehicle test data to optimize durability testing
CN114065373A (zh) 一种汽车控制臂台架耐久试验方法、装置以及设备
CN105956214B (zh) 一种高速列车虚拟限界计算方法
CN116415494A (zh) 一种路噪优化方法、系统及存储介质
Gao et al. Programmed load spectrum for fatigue bench test of a vehicle body
CN107967387A (zh) 一种汽车球铰工作力矩的有限元设计方法
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
Alexandru Virtual prototyping platform for designing mechanical and mechatronic systems
Liu et al. Research on road roughness based on NARX neural network
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

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