CN117124789B - 基于人工智能和大数据的车辆悬架控制方法和控制系统 - Google Patents
基于人工智能和大数据的车辆悬架控制方法和控制系统 Download PDFInfo
- Publication number
- CN117124789B CN117124789B CN202311399009.XA CN202311399009A CN117124789B CN 117124789 B CN117124789 B CN 117124789B CN 202311399009 A CN202311399009 A CN 202311399009A CN 117124789 B CN117124789 B CN 117124789B
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- vehicle
- wheel
- data processing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000000725 suspension Substances 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000005484 gravity Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 87
- 239000006096 absorbing agent Substances 0.000 claims description 61
- 230000035939 shock Effects 0.000 claims description 55
- 230000004048 modification Effects 0.000 claims description 13
- 238000012986 modification Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008713 feedback mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 7
- 238000013016 damping Methods 0.000 description 6
- 238000013499 data model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011553 magnetic fluid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004091 panning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
- B60G17/06—Characteristics of dampers, e.g. mechanical dampers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
- B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
- B60G17/016—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by their responsiveness, when the vehicle is travelling, to specific motion, a specific condition, or driver input
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
- B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
- B60G17/018—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
- B60G2400/05—Attitude
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
- B60G2400/20—Speed
- B60G2400/204—Vehicle speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
- B60G2400/60—Load
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
- B60G2400/60—Load
- B60G2400/63—Location of the center of gravity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G2500/00—Indexing codes relating to the regulated action or device
- B60G2500/10—Damping action or damper
-
- 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)
- Mechanical Engineering (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本申请公开了基于人工智能和大数据的车辆悬架控制方法和控制系统。一种基于人工智能和大数据的车辆悬架控制方法，包括如下步骤：步骤1：在车轮的轮轴上设置第一检测装置，在车辆内设置在第二检测装置，第一检测装置检测车辆在行驶过程中的第一震动数据；第二检测装置检测车辆在行驶过程中的第二震动数据；步骤2：获取车辆的硬件参数，硬件参数包括：整车质量、乘客质量，乘客位置，计算车辆的质量分布数据和重心位置。本申请能够提升乘客的舒适性。
Description
技术领域
本申请涉及人工智能数据处理领域，具体而言，涉及一种基于人工智能和大数据的车辆悬架控制方法和控制系统。
背景技术
减震器是汽车的悬挂系统中最为主要的部件，其起到缓冲作用。减震器的原理是通过缓冲介质接收汽车在碰撞过程中的动能，然后将动能用减震器吸收之后，转化为热能，从而起到缓冲作用。
现有的汽车悬架控制系统，一般都是在生产过程中，或者维修过程中完成了对减震器的调试之后，基本上就不会减震器的减震性能进行新的改变。最多在一些磁流体减震器中，会在不同的功能模式下，（如运动模式），改变减震器中磁流体的阻尼系数，从而起到控制减震器软硬程度的作用。
在不同的路况下、车辆载重下，以及驾驶要求下，对于减震器的软硬程度是不同的。例如：车辆行驶的路况：如果车辆行驶在崎岖不平的道路或颠簸的路段时，需要增加悬挂的硬度，以减少车辆的颠簸和震动，提高行驶的稳定性和舒适性。而在平坦或较为平滑的路面行驶时，可以适当降低悬挂的硬度，以提高车辆的操控性和行驶效率。
驾驶需求：如果驾驶员需要行驶在高速行驶或激烈驾驶的情况下，需要增加悬挂的硬度，以提高车辆的操控性和稳定性，让车辆更易于控制。而在缓慢行驶或城市驾驶等情况下，可以适当降低悬挂的硬度，以增加车辆的舒适性和乘坐舒适度。
车辆负载情况：如果车辆负载较轻时，可以适当降低悬挂的硬度，以提高车辆的操控性和行驶效率。而当车辆负载较重时，需要增加悬挂的硬度，以增加车辆的支撑力和行驶稳定性。
所以由此可见，从提升驾驶体验的角度来看，需要根据用户的驾驶情况，以及车辆的配重情况来对减震器的硬度进行调整。而现有的车辆系统中，对于减震器的硬度调整并不会根据用户的驾驶情况进行调整，所以导致了驾驶的舒适性下降。
发明内容
本申请的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
为了解决车辆驾驶过程中，舒适性太低的技术问题，本申请的一些实施例提供了一种基于人工智能和大数据的车辆悬架控制方法，包括如下步骤：步骤1：在车轮的轮轴上设置第一检测装置，在车辆内设置在第二检测装置，第一检测装置检测车辆在行驶过程中的第一震动数据；第二检测装置检测车辆在行驶过程中的第二震动数据；步骤2：获取车辆的硬件参数，硬件参数包括：整车质量、乘客质量，乘客位置，计算车辆的质量分布数据和重心位置；步骤3：获取车辆在行驶过程中的速率，得到车辆的动态数据；步骤4：获取车辆在行驶过程中的重心的偏移方向变化，以得到车辆偏移数据；步骤5：将第一震动数据、第二震动数据、动态数据、车辆偏移数据，以及车辆的质量分布数据与重心位置，导入到数据处理模型中，得到减震器的调整参数，并根据减震器的调整参数对减震器进行调整；其中，调整参数包括减震器的角度和减震器的硬度，数据处理模块根据反馈机制，调整减震器的调整参数，以使得第二震动数据趋向于预定阈值。
本申请所提供的技术方案中，检测车辆在行驶过程中的震动数据，可以得到车辆在行驶过程中的震动强度；根据乘客的质量和乘客的位置，能够准确的确认重心的位置，进而可以准确的得到在行驶过程中的偏移数据，然后再根据得到的车辆行驶速率，得到了车辆的速率数据；而车辆的速率数据代表着行驶速率，车辆偏移速率代表这车辆目前路况的偏移角度，车辆的震动数据代表着当前的路况的震动情况，以及乘坐的舒适性，所以将震动数据、速率数据、车辆偏移数据，以及车辆的质量分布数据与重心位置输入到数据处理模型中，能够利用数据处理模型，对这些数据进行分析，进而得到最佳调整参数，然后对减震器的参数进行调整。
车辆在震动时，车辆的不同区域的震动特性是不同的，为此在调整减震器参数时，都是随机收集车辆不同区域的震动信息，根据这些震动新来调整减震器参数。如此，会导致收集的到的信息，并不是用于最为关注的震动信息，同时也不是最为原始的数据信息，所以会导致数据处理模型的预测结果与实际情况不符，进而导致乘客的乘坐体验不高。
针对这一问题，本申请提供如下技术方案：步骤1包括如下步骤：步骤11：在车辆各个轮轴上设置第一震动传感器，获取各车轮轮轴上的轮轴震动参数a1、a2、a3、a4，a1、a2、a3、a4分别表示车辆的前左车轮、前右车轮、后左车轮，以及后右车轮的轮轴震动数据，将各车轮的轮轴震动参数的平均值作为第一震动数据；步骤12：在各个车辆座椅的头枕位置设置第二震动传感器，获取车辆座椅的头枕位置的头枕震动参数b1、b2、b3、…、bn，其中n大于1小于或等于车辆核载人数；步骤13：给每个车辆的座椅分配权重α1、α2、…、αn，其中α1+α2+…αn=1；步骤14：根据分配的权重得到头枕震动参数M，M=α1*m1+α2*m2…αn*mn，将头枕震动参数作为第二震动数据。
本申请所提供的技术方案中，第一震动传感器设置在各车轮的轮轴上，所以能够直接检测到因为地面颠簸，而导致车辆产生震动的原始数据，这些震动数据受到车辆悬架系统的减震作用比较小，更加贴合实际的路面情况，所以以此作为依据，输入至数据处理模型中，能够更好的向数据处理模型反映出路面情况，从而便于数据处理模型输出更加准确的调整参数；同时二震动传感器在头枕位置，能够最接近用户对于车辆震动的直观感受，从而再以此为原始数据，对减震器进行调整，能够得到更好的反馈结果。并且，在检测震动数据时，并不是单一的检测一个座椅的震动数据，而是检测多个座椅的震动数据，并且每个座椅都设置了相应的加权系数，所以在实际使用中，可以通过调整加权系数，来突出驾驶者的乘坐体验，或者突出乘客的乘坐体验。
步骤1中：第一震动数据和第二震动数据均包括震动幅度和震动频率。
震动幅度和震动频率是作为重要的两项数据，并且依次绘制的频率图，能够直观的反映出车辆的震动特性。
车辆在满载和空载的情况下，车辆的质量不同，同时乘客在车辆的不同位置，也会导致车辆的重心出现变化，如此会对车辆的震动情况造成影响，进而导致数据处理模型的预测结果，与实际情况不符合，针对这一问题，本申请提供如下技术方案：步骤2包括如下步骤：步骤21：在每个车辆的座椅上设置压力检测模块，根据压力检测模块获得乘客的体重；步骤22：根据每个座椅上的乘客体重和原始的质量分布情况，得到整车质量和车辆的重心位置。
本申请所提供的方案中，在每个座椅上设置了压力检测模块，所以进而能够知道每个座椅上是否有乘客，以及乘客的重量，然后结合整车的质量，分析出车辆的重心位置，如此在收集了这些数据的情况，能够让数据处理模型的处理结果与实际情况更加贴合。
车辆在不同的行驶速率下，对于减震器的性能需求是不同的，同时车辆的转弯半径，也会影响车辆的减震性能，如此这两个因素也会影响数据处理模型对于减震参数的判断，进而导致数据处理模型的预测结果，与实际情况不符合，针对这一问题，本申请提供如下技术方案：步骤3中：车辆的动态数据包括车辆的速率和车轮的转弯角度。
本申请所提供的方案中，通过收集车辆的行驶速率和车轮的转弯角度，能够让数据处理模型的处理结果与实际情况更加贴合。
车辆在行驶过程中，是不可能在平坦的路面上行驶，实际的路况非常复杂，车辆的底盘并不是水平的，所以车辆的每个车轮需要承受的力量是不一样的。针对这一问题，本申请提供如下技术方案：步骤4包括如下步骤：步骤41：根据车辆内置的陀螺仪，得到车辆在行驶过程中的车辆偏转角度；步骤42：根据车辆的重心位置和车辆的偏转角度，得到各个轮轴的受力数据。
本申请所提供的方案中，通过陀螺仪能够检测到车辆的偏转角度，进而在已知整车质量和车内乘客质量分布的情况下，能够计算出每个车轮所受到的重力，进而得到各个轮轴的受力数据，如此在获取这些数据，然后输入给车辆轮之后，能够让数据处理模型的处理结果与实际情况更加贴合。
每位车主的驾驶习惯，以及驾驶方式都不一样，并且每辆车的调节情况，以及长时间的使用之后的磨合情况也并不一致，所以在生产阶段所输入的标注数据，在长时间的使用之后，并不能够达到预期的效果，进而导致数据处理模型的预测能力不佳，使得对于减震器参数的调整不能够达到预期效果。针对这一问题，本申请提供如下技术方案：步骤5包括如下步骤：步骤51：预先设置数据处理模型的各项参数；步骤52：预先准备标准数据集，并用标准数据集对数据处理模型进行训练；步骤53：预先设置标准阈值范围，判断第二震动数据是否在预设阈值内，如果在预设阈值范围内，则将此时的第一震动数据、动态数据、各轮轴的受力数据，以及减震器参数作为补充数据集，并输入至数据处理模型内，以对数据处理模型进行训练；如果不在预设阈值范围内，则将第一震动数据、动态数据、各轮轴的受力数据输入至数据处理模型中，得到减震器参数修改数据，根据减震器参数修改数据调整减震器的角度和硬度，直至第二震动数据小于预设阈值。
本申请所提供的技术方案中，针对数据处理模型的预测能力会随着车辆使用而逐渐降低的问题。会将车辆在行驶过程中，符合预期要求的数据收集起来，然后作为补充数据集输入到数据处理模型中，对数据处理模型进行训练，所以随着车辆里程的增加，车辆内各个零件的磨合情况在发生变化，而数据处理模型也会不断的学习和进步，如此能够进一步的增加数据处理模型对于数据的处理能力。
进一步的，步骤51中数据处理模型为BiLSTM-神经网络模型。
BiLSTM是一种双向长短期记忆（Long Short-Term Memory，LSTM）神经网络模型，它被广泛用于处理序列数据，BiLSTM模型能够捕捉输入序列的前后关系，因而在处理本申请中的复杂的数据关系时，能够准确的找到最佳的减震器参数。
进一步的：步骤52中：在车辆出厂之前，先用大量工厂内预存的数据对数据处理模型进行训练。
本方案中，利用历史数据对数据模型进行训练，所以保证车辆能够比较小的里程调校的情况下，获得足够的数据来源。
在将第一震动数据、第二震动数据、动态数据、各轮轴的受力数据都输入到数据处理模型中时，数据模型能够分析出他们的关系，但是这些数据之间的情况过于复杂，所以需要足够多的样本，才能够将数据模型训练到预期的要求，如此数据模型需要计算的时间长，响应时间慢，针对这一问题，本申请提供如下技术方案：进一步的，步骤53包括如下步骤：步骤531：对第一震动数据和第二震动数据进行预处理，提取第一震动数据和第二震动数据的特性；步骤532：将第一震动数据、第二震动数据，动态数据、各轮轴的受力数据，以及减震器参数进行归一化处理，得到A1、A2、A3、A4、A5；步骤523：将减震器参数A5作为标签数据；将第一震动数据A1、动态数据A3、各轮轴的受力数据A4作为预测数据，用标签数据对预测数据进行标注，得到若干个标注数据集；步骤524：判断标注数据集对应的第二震动数据A2是否在预设阈值内，如果在预设阈值内则标注数据集作为补充数据集输入至数据处理模型，对数据处理模型进行训练；如果不在预设阈值内，则将标注数据集中的第一震动数据A1、动态数据A3、各轮轴的受力数据A4输入至数据处理模型中，得到减震器参数修改数据，根据减震器参数修改数据调整减震器的角度和硬度，直至第二震动数据A2小于预设阈值。
在本申请所提供的方案中，预先对五种数据类型进行了分类。其中，第二震动数据被直接分离出来，仅作为判断是否需要补充数据集的依据，并不输入到数据处理模型中。此外，本申请将减震器参数作为第一震动数据A1、动态数据A3以及各轮轴受力数据A4的标签。因此，数据处理模型在进行预测时只需处理三种类型的数据，从而大幅降低了模型的计算量，减少了系统的响应时间。
第一震动数据和第二震动数据直接之间存在很多的冗余信息，直接输入到数据处理模型中，会导致数据处理模型的计算量增加，并且数据处理模型因为很难发现第一震动数据和第二震动数据的内在特性，而导致预测结果并不准确，针对这一问题，本申请提供了如下技术方案：步骤531具体包括如下步骤：将收集到的震动数据进行预处理，去除震动数据中的噪声，得到震动信号x（t）；将震动信号x（t）进行小波变换，变换公式为：y(t)=∫ψ(s/2)(c)(x(t)-st)e(-st)ds；其中， y(t)：小波变换的结果，ψ是小波函数，s是频率变量，c表示平移参数，c=0，st表示频率变量s乘以时间变量t；提取小波系数和小波能量；其中，y(t)为小波系数，小波能量为：E(j)=Σ[w(j,k)2] ，E(j)表示的是在第j层的小波能量，w(j,k)表示的是在第j层、第k个小波系数，w(j,k)中的j表示的是小波变换的尺度或层数，k则表示的是在该尺度或层数下的某个小波系数。
本申请所提供的方案中，将第一震动数据和第二震动数据进行小波变换，然后收集小波系数和小波能量，所以能够更容易的体现第一震动数据和第二震动数据的特性，所以将第一震动数据和第二震动数据输入到数据处理模型中用于预测，能够保证预测结果的准确性。
车辆在行驶过程中的数据变化多端，直接采用线性的归一化方式，会导致数据容易受到离散值的影响。针对这一问题，本申请提供如下技术方案：步骤522中，归一化的方式如下：计算数据集中每个特征的均值和标准差；对每个特征进行标准差归一化处理，即将每个特征值减去其均值，再除以标准差；将归一化后的特征值组成新的数据集，其中每个特征的均值都为0，标准差都为1；标准差归一化的计算公式为：y = (x-μ)/σ，其中x，y分别对应归一化前后数据。μ代表这组数据的均差，σ代表这组数据的方差。
本申请所提供的方案在对数据进行归一化时，采用了标准差归一化方法，这种方法在处理数据变化范围较大的车辆行驶过程中的各项参数时更为适用。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。
另外，贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
在附图中：
图1为本申请所提供的基于人工智能和大数据的车辆悬架控制方法的流程图。
图2为本申请所提供的基于人工智能和大数据的车辆悬架控制方法中数据处理方式的示意图。
图3为基于人工智能和大数据的车辆悬架控制系统的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现， 而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本公开。
本申请所提供的技术方案主要是运用在当前常用的4轮小轿车上，这类4轮小轿车的车辆悬架系统是可以控制的。也就是车辆的减震器的阻尼力和悬架上各个减震器的角度也可以控制。具体的控制方式这里不再赘述。
实施例1：参照图1和图2，基于人工智能和大数据的车辆悬架控制方法包括如下步骤：步骤1：在车轮的轮轴上设置第一检测装置，在车辆内设置在第二检测装置，第一检测装置检测车辆在行驶过程中的第一震动数据；第二检测装置检测车辆在行驶过程中的第二震动数据。
步骤1中：第一震动数据和第二震动数据均包括震动幅度和震动频率。
第一检测装置和第二检测装置都是常见的震动传感器，布置在需要测试的物体上，就能够检测到被测物体在震动过程中随着时间而变化的震动幅度和震动频率。
步骤1包括如下步骤：步骤11：在车辆各个轮轴上设置第一震动传感器，获取各车轮轮轴上的轮轴震动参数a1、a2、a3、a4，a1、a2、a3、a4分别表示车辆的前左车轮、前右车轮、后左车轮，以及后右车轮的轮轴震动数据，将各车轮的轮轴震动参数的平均值作为第一震动数据。
每辆汽车的车轮上都需要安装很多种类型的传感器，本申请中第一震动传感器在布置在轮轴上，就是需要尽量接近车轮上，具体的安装结构，以及安装方式，这里不再论述，实际上汽车的轮轴体积很大，震动传感器的体积很小，安装上去对于本领域的技术人员而言，没有任何难度。
步骤12：在各个车辆座椅的头枕位置设置第二震动传感器，获取车辆座椅的头枕位置的头枕震动参数b1、b2、b3、…、bn，其中n大于1小于或等于车辆核载人数。
步骤13：给每个车辆的座椅分配权重α1、α2、…、αn，其中α1+α2+…αn=1。
步骤14：根据分配的权重得到头枕震动参数M，M=α1*m1+α2*m2…αn*mn，将头枕震动参数作为第二震动数据。
现在的小轿车的座椅基本上都要一个头枕，所以在头枕的内壁布置一个震动传感器即可。
步骤2：获取车辆的硬件参数，硬件参数包括：整车质量、乘客质量，乘客位置，计算车辆的质量分布数据和重心位置。
步骤2包括如下步骤：步骤21：在每个车辆的座椅上设置压力检测模块，根据压力检测模块获得乘客的体重。
每个人的体重不同，相应的在座椅上的压力也就不同，所以可以根据压力检测模块检测得到的压力不断的修正用户的重量，进而得到准确的乘客体重。除此之外，还可以通过语音提示的方式，让乘客短暂的抬起双脚，使得乘客的重力全部压在座椅上，进而能够测量得到乘客的体重。
步骤22：根据每个座椅上的乘客体重和原始的质量分布情况，得到整车质量和车辆的重心位置。
车辆的出厂重量基本上是已经知道的，然后车辆上其余杂物的重量一般不会很大，就算很大的话，也是放在一个比较固定的区域，例如座椅上，或者后备箱内，所以在这些位置布置压力传感器，就能够知道车辆的整车质量，以及车辆各个区域的重量分布情况，进而知道车辆的重心位置。
步骤3：获取车辆在行驶过程中的速率，得到车辆的动态数据。
步骤3中：车辆的动态数据包括车辆的速率和车轮的转弯角度。
车辆的行驶速率是车辆驾驶系统必须要检测的数据，所以不需要额外的传感器，直接获取车辆码表的数据既可。车轮的转弯角度则只需要检测方向盘的转动角度，利用车辆方向盘的转动角度，就能够知道车辆的转弯角度。
步骤4：获取车辆在行驶过程中的重心的偏移方向变化，以得到车辆偏移数据。
步骤4包括如下步骤：步骤41：根据车辆内置的陀螺仪，得到车辆在行驶过程中的车辆偏转角度。
步骤42：根据车辆的重心位置和车辆的偏转角度，得到各个轮轴的受力数据。
本申请所提供的方案中，通过陀螺仪能够检测到车辆的偏转角度，进而在已知整车质量和车内乘客质量分布的情况下，计算出每个车轮所受到的重力，进而得到各个轮轴的受力数据，如此在获取这些数据，然后输入给车辆轮之后，能够让数据处理模型的处理结果与实际情况更加贴合。
步骤5：将第一震动数据、第二震动数据、动态数据、车辆偏移数据，以及车辆的质量分布数据与重心位置，导入到数据处理模型中，得到减震器的调整参数，并根据减震器的调整参数对减震器进行调整；其中，调整参数包括减震器的角度和减震器的硬度，数据处理模块根据反馈机制，调整减震器的调整参数，以使得第二震动数据趋向于预定阈值。
减震器的硬度就是背景技术中提及的悬挂系统的硬度。减震器的硬度增加，则说明压缩减震器的压力需要增加，如果减震器的硬度减小，则压缩减震器的压力需要减少。减震的角度，则是减震器与水平面的夹角。汽车的悬挂系统中，减震器一般都是倾斜设置的，所以能够在上下方向和左右方向都起到减震效果。
步骤5包括如下步骤：步骤51：预先设置数据处理模型的各项参数。
进一步的，步骤51中数据处理模型为BiLSTM-神经网络模型。
步骤52：预先准备标准数据集，并用标准数据集对数据处理模型进行训练。
步骤52中：在车辆出厂之前，先用大量工厂内预存的数据对数据处理模型进行训练。数据处理模型就是一个人工智能模型，所以在开始工作之前，需要使用数据进行一定的标注，从而能够保证其能够正常运转。所以，数据处理模型事先就会用数据进行训练，训练的数据基本上都是工厂实现收集到的数据，或者工厂内部的测试数据。其训练方式与步骤53中的训练方式相同，为了避免内容出现重复，具体的训练方式与下面中的补充数据集相同，这里就不再赘述。
步骤53：预先设置标准阈值范围，判断第二震动数据是否在预设阈值内，如果在预设阈值范围内，则将此时的第一震动数据、动态数据、各轮轴的受力数据，以及减震器参数作为补充数据集，并输入至数据处理模型内，以对数据处理模型进行训练；如果不在预设阈值范围内，则将第一震动数据、动态数据、各轮轴的受力数据输入至数据处理模型中，得到减震器参数修改数据，根据减震器参数修改数据调整减震器的角度和硬度，直至第二震动数据小于预设阈值。
步骤531：对第一震动数据和第二震动数据进行预处理，提取第一震动数据和第二震动数据的特性。
第一震动数据和第二震动数据虽然来源并不一致，但是都是震动信号，所以提取其特性的方式在本申请中相同。步骤531中，仅仅描述了具体的震动信号的特征提取方式，无论是第一震动数据还是第二震动数据，都采用下面的方式进行提取。
步骤531具体包括如下步骤：将收集到的震动数据进行预处理，去除震动数据中的噪声，得到震动信号x（t）。
将震动信号进行小波变换，变换公式为：y(t)=∫ψ(s/2)(c)(x(t)-st)e(-st)ds；其中， y(t)：小波变换的结果，ψ是小波函数，s是频率变量，c表示平移参数，c=0，st表示频率变量s乘以时间变量t。
提取小波系数和小波能量；其中，y(t)为小波系数，小波能量为：E(j)=Σ[w(j,k)2]，E(j)表示的是在第j层的小波能量，w(j,k)表示的是在第j层、第k个小波系数，w(j,k)中的j表示的是小波变换的尺度或层数，k则表示的是在该尺度或层数下的某个小波系数。
步骤532：将第一震动数据、第二震动数据，动态数据、各轮轴的受力数据，以及减震器参数进行归一化处理，得到A1、A2、A3、A4、A5。
第一震动数据、第二震动数据，动态数据、各轮轴的受力数据，以及减震器参数都能够转化为一串时间序列，并且都需要进行归一化处理，而采用标准差进行归一化是一种常见的数据处理方式，具体的处理过程不在具体展开描述，但是为了便于理解提供了步骤522，步骤522中，讲解了归一化处理的关键性步骤。如此，通过步骤522能够将A1、A2、A3、A4、A5都进行归一化处理。
步骤522中，归一化的方式如下：计算数据集中每个特征的均值和标准差。对每个特征进行标准差归一化处理，即将每个特征值减去其均值，再除以标准差；将归一化后的特征值组成新的数据集，其中每个特征的均值都为0，标准差都为1；标准差归一化的计算公式为：y = (x-μ)/σ，其中x，y分别对应归一化前后数据。μ代表这组数据的均差，σ代表这组数据的方差。
步骤523：将减震器参数A5作为标签数据；将第一震动数据A1、动态数据A3、各轮轴的受力数据A4作为预测数据，用标签数据对预测数据进行标注，得到若干个标注数据集。
本方案中是通过将A5作为了标签数据，所以数据处理模型在得到了输入的第一震动数据A1、动态数据A3、各轮轴的受力数据A4，之后能够得到所需要的减震器参数修改数据。
步骤524：判断标注数据集对应的第二震动数据A2是否在预设阈值内，如果在预设阈值内则标注数据集作为补充数据集输入至数据处理模型，对数据处理模型进行训练；如果不在预设阈值内，则将标注数据集中的第一震动数据A1、动态数据A3、各轮轴的受力数据A4输入至数据处理模型中，得到减震器参数修改数据，根据减震器参数修改数据调整减震器的角度和硬度，直至第二震动数据A2小于预设阈值。
可见，本方案中在使用BiLSTM-神经网络模型调整减震器参数时，将减震器参数作为了标签数据，所以输入相应的第一震动数据A1、动态数据A3、各轮轴的受力数据A4就能够得到合理的减震器参数。
为了便于理解，这里简单的描述一下BiLSTM-神经网络模型在本申请所提供的方案中的原理：步骤1：输入数据：被标注数据：X = {x1, x2, ..., xn}，标签数据：Y = {y1,y2, ..., yn}，其中，n表示输入数据的长度。其中，输入的数据都是已经完成了归一化的数据，在本申请被标注数据为第一震动数据A1、动态数据A3、各轮轴的受力数据A4，标签数据为减震器参数A5。
步骤2：将被标注数据和标签数据分别输入到BiLSTM层中，X经过BiLSTM层的处理，得到隐藏层输出H = {h1, h2, ..., hn}。
同时生成预测标签，H = f(X) （f表示BiLSTM层的计算过程），Yhat = g(H) （g表示全连接层的计算过程）。
步骤3：计算损失函数：损失函数L(Y, Yhat)计算预测标签Yhat与真实标签Y之间的差异，公式如下：
；其中，L为损失函数，它计算预测标签Yhat与真实标签Y之间的差异。
步骤4：反向传播，根据损失函数计算结果，反向传播算法会更新模型的参数（如权重和偏置项），公式如下：
（i=1,2,...,n），/> （i=1,2,...,n）。其中，W表示权重，b表示偏置项，h(t-1)表示上一个时间步长的隐藏层输出，y(t-1)表示上一个时间步长的输出。
步骤5：更新模型参数：根据反向传播算法计算出的梯度，使用优化算法（如随机梯度下降）更新模型的参数（如权重和偏置项），公式如下：W = W - αΔW，b = b - αΔb，其中，α表示学习率。
通过上述计算过程，BiLSTM模型能够利用标签数据和被标注数据的差异来训练模型，提高模型的准确性和泛化能力。
参考图3，实施例2：一种基于人工智能和大数据的车辆悬架控制系统，包括数据处理模块、第一震动传感器、第二震动传感器、压力传感器、陀螺仪、角度传感器，以及减震器控制模块；其中，第一震动传感器、第二震动传感器、压力传感器、陀螺仪、角度传感器，以及减震器控制模块分别与数据处理模块信号连接，数据处理模块采用前述的基于人工智能和大数据的车辆悬架控制方法控制车辆的减震器。
其中，数据处理模型设置在数据处理模块内，第一震动传感器设置在轮轴上，第二震动传感器设置在座椅靠枕上，陀螺仪设置在车辆上，用于检测车辆底盘的倾斜角度，角度传感器设置在方向盘上，用于检测方向盘的转动角度，压力传感器设置在座椅上，用于检测乘客重量，减震器控制模块用于控制减震器的硬度，以及减震器的角度，并得到减震器的硬度和角度数据。因为还需要获取速率数据，所以还包括速率获取模块，速率获取模块用于和车辆的码表信号连接，以获得车辆的行驶速率。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种基于人工智能和大数据的车辆悬架控制方法，其特征在于，包括如下步骤：
步骤1：在车轮的轮轴上设置第一检测装置，在车辆内设置在第二检测装置，第一检测装置检测车辆在行驶过程中的第一震动数据；第二检测装置检测车辆在行驶过程中的第二震动数据；
步骤2：获取车辆的硬件参数，硬件参数包括：整车质量、乘客质量，乘客位置，计算车辆的质量分布数据和重心位置；
步骤3：获取车辆在行驶过程中的速率，得到车辆的动态数据；
步骤4：获取车辆在行驶过程中的重心的偏移方向变化，以得到车辆偏移数据；
步骤5：将第一震动数据、第二震动数据、动态数据、车辆偏移数据，以及车辆的质量分布数据与重心位置，导入到数据处理模型中，得到减震器的调整参数，并根据减震器的调整参数对减震器进行调整；
其中，调整参数包括减震器的角度和减震器的硬度，数据处理模块根据反馈机制，调整减震器的调整参数，以使得第二震动数据趋向于预定阈值；
步骤1包括如下步骤：
步骤11：在车辆各个轮轴上设置第一震动传感器，获取各车轮轮轴上的轮轴震动参数a1、a2、a3、a4，a1、a2、a3、a4分别表示车辆的前左车轮、前右车轮、后左车轮，以及后右车轮的轮轴震动数据，将各车轮的轮轴震动参数的平均值作为第一震动数据；
步骤12：在各个车辆座椅的头枕位置设置第二震动传感器，获取车辆座椅的头枕位置的头枕震动参数b1、b2、b3、…、bn，其中n大于1小于或等于车辆核载人数；
步骤13：给每个车辆的座椅分配权重α1、α2、…、αn，其中α1+α2+…αn=1；
步骤14：根据分配的权重得到头枕震动参数M，M=α1*m1+α2*m2…αn*mn，将头枕震动参数作为第二震动数据。
2.根据权利要求1所述的基于人工智能和大数据的车辆悬架控制方法，其特征在于：步骤2包括如下步骤：
步骤21：在每个车辆的座椅上设置压力检测模块，根据压力检测模块获得乘客的体重；
步骤22：根据每个座椅上的乘客体重和原始的质量分布情况，得到整车质量和车辆的重心位置。
3.根据权利要求2所述的基于人工智能和大数据的车辆悬架控制方法，其特征在于：步骤1中：第一震动数据和第二震动数据均包括震动幅度和震动频率。
4.根据权利要求2所述的基于人工智能和大数据的车辆悬架控制方法，其特征在于：步骤3中：车辆的动态数据包括车辆的速率和车轮的转弯角度。
5.根据权利要求1所述的基于人工智能和大数据的车辆悬架控制方法，其特征在于：步骤4包括如下步骤：
步骤41：根据车辆内置的陀螺仪，得到车辆在行驶过程中的车辆偏转角度；
步骤42：根据车辆的重心位置和车辆的偏转角度，得到各个轮轴的受力数据。
6.根据权利要求1所述的基于人工智能和大数据的车辆悬架控制方法，其特征在于：步骤5包括如下步骤：
步骤51：预先设置数据处理模型的各项参数；
步骤52：预先准备标准数据集，并用标准数据集对数据处理模型进行训练；
步骤53：预先设置标准阈值范围，判断第二震动数据是否在预设阈值内，如果在预设阈值范围内，则将此时的第一震动数据、动态数据、各轮轴的受力数据，以及减震器参数作为补充数据集，并输入至数据处理模型内，以对数据处理模型进行训练；如果不在预设阈值范围内，则将第一震动数据、动态数据、各轮轴的受力数据输入至数据处理模型中，得到减震器参数修改数据，根据减震器参数修改数据调整减震器的角度和硬度，直至第二震动数据小于预设阈值。
7.根据权利要求6所述的基于人工智能和大数据的车辆悬架控制方法，其特征在于：步骤51中数据处理模型为BiLSTM-神经网络模型。
8.根据权利要求6所述的基于人工智能和大数据的车辆悬架控制方法，其特征在于：步骤53包括如下步骤：
步骤531：对第一震动数据和第二震动数据进行预处理，提取第一震动数据和第二震动数据的特性；
步骤532：将第一震动数据、第二震动数据，动态数据、各轮轴的受力数据，以及减震器参数进行归一化处理，得到A1、A2、A3、A4、A5；
步骤523：将减震器参数A5作为标签数据；将第一震动数据A1、动态数据A3、各轮轴的受力数据A4作为预测数据，用标签数据对预测数据进行标注，得到若干个标注数据集；
步骤524：判断标注数据集对应的第二震动数据A2是否在预设阈值内，如果在预设阈值内则标注数据集作为补充数据集输入至数据处理模型，对数据处理模型进行训练；如果不在预设阈值内，则将标注数据集中的第一震动数据A1、动态数据A3、各轮轴的受力数据A4输入至数据处理模型中，得到减震器参数修改数据，根据减震器参数修改数据调整减震器的角度和硬度，直至第二震动数据A2小于预设阈值。
9.一种基于人工智能和大数据的车辆悬架控制系统，其特征在于：包括数据处理模块、第一震动传感器、第二震动传感器、压力传感器、陀螺仪、角度传感器，以及减震器控制模块；其中，第一震动传感器、第二震动传感器、压力传感器、陀螺仪、角度传感器，以及减震器控制模块分别与数据处理模块信号连接，数据处理模块采用权利要求1~8中任一项所述的基于人工智能和大数据的车辆悬架控制方法控制车辆的减震器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311399009.XA CN117124789B (zh) | 2023-10-26 | 2023-10-26 | 基于人工智能和大数据的车辆悬架控制方法和控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311399009.XA CN117124789B (zh) | 2023-10-26 | 2023-10-26 | 基于人工智能和大数据的车辆悬架控制方法和控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117124789A CN117124789A (zh) | 2023-11-28 |
| CN117124789B true CN117124789B (zh) | 2023-12-22 |
Family
ID=88863160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311399009.XA Active CN117124789B (zh) | 2023-10-26 | 2023-10-26 | 基于人工智能和大数据的车辆悬架控制方法和控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117124789B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101301847A (zh) * | 2008-06-26 | 2008-11-12 | 江绍成 | 车辆组合减震系统 |
| WO2013133059A1 (ja) * | 2012-03-09 | 2013-09-12 | 日産自動車株式会社 | 車両の制御装置及び車両の制御方法 |
| CN104015582A (zh) * | 2014-06-18 | 2014-09-03 | 吉林大学 | 一种可变刚度与阻尼的汽车馈能主动悬架系统 |
| JP2020001519A (ja) * | 2018-06-27 | 2020-01-09 | トヨタ自動車株式会社 | 車両制御装置 |
| CN110733391A (zh) * | 2018-07-18 | 2020-01-31 | 格拉默公司 | 用于表示振动的系统 |
| CN112622557A (zh) * | 2020-12-30 | 2021-04-09 | 东风越野车有限公司 | 一种用于提高越野汽车驾驶舒适性的控制方法 |
| CN112659995A (zh) * | 2019-10-15 | 2021-04-16 | 丰田自动车株式会社 | 车辆的减振控制装置 |
| CN115195555A (zh) * | 2021-04-02 | 2022-10-18 | 丰田自动车株式会社 | 车辆的控制装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5526717B2 (ja) * | 2009-02-27 | 2014-06-18 | 日産自動車株式会社 | 車両用運転操作補助装置、車両用運転操作補助方法および自動車 |
| WO2020154583A1 (en) * | 2019-01-25 | 2020-07-30 | DRiV Automotive Inc. | Systems and methods for minimizing motion sickness in vehicles |
-
2023
- 2023-10-26 CN CN202311399009.XA patent/CN117124789B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101301847A (zh) * | 2008-06-26 | 2008-11-12 | 江绍成 | 车辆组合减震系统 |
| WO2013133059A1 (ja) * | 2012-03-09 | 2013-09-12 | 日産自動車株式会社 | 車両の制御装置及び車両の制御方法 |
| CN104015582A (zh) * | 2014-06-18 | 2014-09-03 | 吉林大学 | 一种可变刚度与阻尼的汽车馈能主动悬架系统 |
| JP2020001519A (ja) * | 2018-06-27 | 2020-01-09 | トヨタ自動車株式会社 | 車両制御装置 |
| CN110733391A (zh) * | 2018-07-18 | 2020-01-31 | 格拉默公司 | 用于表示振动的系统 |
| CN112659995A (zh) * | 2019-10-15 | 2021-04-16 | 丰田自动车株式会社 | 车辆的减振控制装置 |
| CN112622557A (zh) * | 2020-12-30 | 2021-04-09 | 东风越野车有限公司 | 一种用于提高越野汽车驾驶舒适性的控制方法 |
| CN115195555A (zh) * | 2021-04-02 | 2022-10-18 | 丰田自动车株式会社 | 车辆的控制装置 |
Non-Patent Citations (3)
| Title |
|---|
| 基于新型电控悬架的动力学仿真研究;谢伟东;陈鹏;;浙江工业大学学报(第04期);全文 * |
| 汽车悬架系统的应用与发展趋势;姜婷;;太原科技(第12期);全文 * |
| 汽车电控空气悬架发展与研究现状综述;黄启科;麻友良;王保华;;湖北汽车工业学院学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117124789A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110654195B (zh) | 车辆、车辆悬架系统及其调节方法、装置 | |
| CN106985627B (zh) | 一种车辆路面识别系统以及悬架模式切换方法 | |
| CN101367324B (zh) | 一种空气悬架车辆高度传感器的路面等级预测方法 | |
| US9731668B2 (en) | Multi-vehicle settings | |
| CN102398602B (zh) | 用于车辆的控制系统 | |
| US20230264535A1 (en) | Methods and apparatus to adjust vehicle suspension damping | |
| CN109552289B (zh) | 一种汽车自适应辅助制动系统及其控制方法 | |
| CN109263654B (zh) | 一种汽车过减速带自适应调速系统及调速方法 | |
| CN1807135A (zh) | 汽车磁流变半主动悬架分姿态协调仿人智能控制方法 | |
| CN106183691A (zh) | 一种预瞄式主动悬架及其控制方法 | |
| US20220234408A1 (en) | Limiting vehicle damper jerk | |
| JP7393520B2 (ja) | 車両制御装置 | |
| CN113614505A (zh) | 感官评价系统、悬架装置、悬架控制系统 | |
| CN117124789B (zh) | 基于人工智能和大数据的车辆悬架控制方法和控制系统 | |
| US20230294474A1 (en) | Suspension control apparatus and method for controlling a suspension control apparatus | |
| CN116749700A (zh) | 一种基于路面信息考虑乘员晕动的车辆主动悬架控制方法 | |
| CN109515441B (zh) | 用于智能驾驶车辆的车速控制系统 | |
| CN109910865B (zh) | 一种基于物联网的车辆预警刹车方法 | |
| CN112829755B (zh) | 通过乘员脚部位置压力分布识别乘员状态的系统与方法 | |
| CN116108323A (zh) | 一种确定座椅阻尼系数的方法、装置、车机及存储介质 | |
| CN206086261U (zh) | 一种预瞄式主动悬架 | |
| KR102602917B1 (ko) | 차량 현가장치 제어방법 | |
| US20220118984A1 (en) | Method of creating database for preview vibration damping control for vehicle | |
| CN118269532A (zh) | 车辆的悬架系统的控制方法、控制系统以及车辆 | |
| CN115447680B (zh) | 一种商用车驾驶室半主动悬置控制方法及系统 |
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 |