CN117445780B - 一种变刚度变阻尼汽车座椅智能控制方法 - Google Patents
一种变刚度变阻尼汽车座椅智能控制方法 Download PDFInfo
- Publication number
- CN117445780B CN117445780B CN202311797172.1A CN202311797172A CN117445780B CN 117445780 B CN117445780 B CN 117445780B CN 202311797172 A CN202311797172 A CN 202311797172A CN 117445780 B CN117445780 B CN 117445780B
- Authority
- CN
- China
- Prior art keywords
- data
- vibration acceleration
- data point
- data points
- automobile seat
- 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 67
- 238000013016 damping Methods 0.000 title claims abstract description 43
- 230000001133 acceleration Effects 0.000 claims abstract description 188
- 230000008569 process Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001568 sexual effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000004512 die casting Methods 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
- B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
- B60N2/50—Seat suspension devices
- B60N2/501—Seat suspension devices actively controlled suspension, e.g. electronic control
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Seats For Vehicles (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种变刚度变阻尼汽车座椅智能控制方法,包括:获取汽车座椅的振动加速度数据序列和振动加速度曲线;根据每个数据点的控制滞后性影响程度,获取每个数据点在控制滞后性影响下的波动程度,进而获取每个数据点的波动置信度;根据每个数据点调整后的拟合权重,获取每个数据点的加速度优选程度;根据数据点的加速度优选程度获取最优振动加速度区间,进而实现汽车座椅变刚度变阻尼的智能控制。本发明能够准确实现汽车座椅变刚度变阻尼的智能控制。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种变刚度变阻尼汽车座椅智能控制方法。
背景技术
汽车行驶过程中,利用变刚度变阻尼装置实现针对汽车座椅振动时不同运动加速度的影响,进行运动动态补偿,具体利用电动调节系统实现对于电流输出的控制,实现汽车座椅刚度与阻尼的智能控制;由于利用加速度传感器获取的汽车座椅的振动加速度数据,其波动程度往往随着路面实时复杂状况改变,而利用电动调节系统实施的变刚度变阻尼操作,需要设定电流范围以应对存在的控制时间滞后性特征,以保证汽车座椅舒适度的相对稳定。
由于汽车座椅的振动加速度数据变化特征存在着控制时间滞后性特征,导致传统STL(Seasonal and Trend decomposition using Loess)时间序列分解算法的残差项受到控制滞后性的影响,进而难以确定出最优振动加速度区间,从而不利于实现汽车座椅刚度与阻尼的智能控制的目的。
发明内容
为了解决上述问题,本发明提供一种变刚度变阻尼汽车座椅智能控制方法,所述方法包括:
获取汽车座椅的振动加速度数据序列;根据汽车座椅的振动加速度数据序列构建汽车座椅的振动加速度曲线,振动加速度曲线中每个数据点的数值表示对应采样时刻下汽车座椅的振动加速度数据;
根据每个数据点与每个数据点左侧数据点之间汽车座椅的振动加速度数据的差异,获取每个数据点的控制滞后性影响程度;根据数据点的控制滞后性影响程度构建样本空间,对样本空间中所有数据点进行聚类,获取振动特征区间;根据每个数据点与所属振动特征区间内数据点之间的控制滞后性影响程度差异,获取每个数据点在控制滞后性影响下的波动程度;根据每个数据点与所属振动特征区间内数据点之间在控制滞后性影响下的波动程度的差异,获取每个数据点的波动置信度;
通过STL时间序列分解算法获取每个数据点的初始拟合权重;根据每个数据点的波动置信度和初始拟合权重,获取每个数据点调整后的拟合权重;根据每个数据点调整后的拟合权重,获取每个数据点的加速度优选程度;
根据数据点的加速度优选程度获取最优振动加速度区间;根据最优振动加速度区间实现汽车座椅变刚度变阻尼的智能控制。
优选的,所述根据每个数据点与每个数据点左侧数据点之间汽车座椅的振动加速度数据的差异,获取每个数据点的控制滞后性影响程度,包括的具体方法为:
获取第个数据点的左邻域序列,则振动加速度曲线中第/>个数据点的控制滞后性影响程度的计算方法为:
式中,表示振动加速度曲线中第/>个数据点的控制滞后性影响程度;/>表示振动加速度曲线中第/>个数据点的汽车座椅的振动加速度数据;/>表示振动加速度曲线中第/>个数据点的左邻域序列内第/>个数据点的汽车座椅的振动加速度数据;/>表示振动加速度曲线中第/>个数据点与第/>个数据点的左邻域序列内第/>个数据点之间的采样时间间隔;/>为预设参数;/>表示以自然常数为底的指数函数。
优选的,所述获取第个数据点的左邻域序列,包括的具体方法为:
将第个数据点的前/>个数据点组成数据点序列作为第/>个数据点的左邻域序列。
优选的,所述根据数据点的控制滞后性影响程度构建样本空间,对样本空间中所有数据点进行聚类,获取振动特征区间,包括的具体方法为:
根据振动加速度曲线中每个数据点的控制滞后性影响程度构建样本空间,将数据点的采样时刻作为样本空间的X轴,将数据点的控制滞后性影响程度作为样本空间的Y轴;通过密度聚类算法对样本空间中所有数据点进行聚类,获得若干个聚类簇,将每个聚类簇作为一个振动特征区间。
优选的,所述根据每个数据点与所属振动特征区间内数据点之间的控制滞后性影响程度差异,获取每个数据点在控制滞后性影响下的波动程度,包括的具体方法为:
获取第个数据点的每个第一数据点的局部可达密度,则振动加速度曲线中第/>个数据点在控制滞后性影响下的波动程度的计算方法为:
式中,表示振动加速度曲线中第/>个数据点在控制滞后性影响下的波动程度;表示振动加速度曲线中第/>个数据点的控制滞后性影响程度;/>表示振动加速度曲线中第/>个数据点所属的振动特征区间内所有数据点的控制滞后性影响程度的平均值;/>表示振动加速度曲线中第/>个数据点的所有第一数据点的局部可达密度的平均值;/>表示振动加速度曲线中第/>个数据点的所有第一数据点的局部可达密度的最大值;/>表示取绝对值。
优选的,所述获取第个数据点的每个第一数据点的局部可达密度,包括的具体方法为:
在样本空间中将距离第个数据点最近的/>个数据点作为第/>个数据点的第一数据点,对于第/>个数据点的第/>个第一数据点,将第/>个数据点的第/>个第一数据点到第/>个数据点的之间的欧式距离的作为第/>个第一数据点的局部可达密度,/>为预设参数。
优选的,所述根据每个数据点与所属振动特征区间内数据点之间在控制滞后性影响下的波动程度的差异,获取每个数据点的波动置信度的具体公式为:
式中,表示振动加速度曲线中第/>个数据点的波动置信度;/>表示振动加速度曲线中第/>个数据点所属的振动特征区间内所有数据点的总数量;/>表示振动加速度曲线中第/>个数据点在控制滞后性影响下的波动程度;/>表示振动加速度曲线中第/>个数据点所属的振动特征区间内第/>个数据点在控制滞后性影响下的波动程度;/>表示取绝对值;表示线性归一化函数。
优选的,所述根据每个数据点的波动置信度和初始拟合权重,获取每个数据点调整后的拟合权重的具体公式为:
式中,表示振动加速度曲线中第/>个数据点调整后的拟合权重;/>表示振动加速度曲线中第/>个数据点的波动置信度;/>表示振动加速度曲线中所有数据点的总数量;/>表示振动加速度曲线中第/>个数据点的初始拟合权重。
优选的,所述根据每个数据点调整后的拟合权重,获取每个数据点的加速度优选程度,包括的具体方法为:
将振动加速度曲线输入STL时间序列分解算法,获得振动加速度曲线中每个数据点的拟合权重,并记为初始拟合权重,通过每个数据点的初始拟合权重构建局部加权回归曲线,并记为初始局部加权回归曲线;通过每个数据点调整后的拟合权重构建调整后的局部加权回归曲线;将初始局部加权回归曲线与调整后的局部加权回归曲线作差,得到每个数据点的差值;对于振动加速度曲线中第个数据点,将第/>个数据点的差值取绝对值并记为第/>个数据点的第一差值/>,将/>作为第/>个数据点的加速度优选程度,/>表示线性归一化函数。
优选的,所述根据数据点的加速度优选程度获取最优振动加速度区间,包括的具体方法为:
预设一个阈值,对于任意一个汽车座椅的振动加速度数据,在振动加速度曲线中获取所述汽车座椅的振动加速度数据对应的所有数据点,并将所有数据点的加速度优选程度的平均值作为所述汽车座椅的振动加速度数据的优选程度,将振动加速度曲线中所有数据点的汽车座椅的振动加速度数据的平均值记为第一汽车座椅的振动加速度数据,将第一汽车座椅的振动加速度数据作为基准振动加速度数据,按照从右到左依次累加基准振动加速度数据以及基准振动加速度数据的左侧所有汽车座椅的振动加速度数据的优选程度,若累加到第/>个汽车座椅的振动加速度数据时,累加值大于或等于阈值/>,则将第/>个汽车座椅的振动加速度数据作为最优振动加速度区间的左边界,按照从左到右依次累加基准振动加速度数据以及基准振动加速度数据的右侧所有汽车座椅的振动加速度数据的优选程度,若累加到第/>个汽车座椅的振动加速度数据时,累加值大于或等于阈值/>,则将第/>个汽车座椅的振动加速度数据作为最优振动加速度区间的右边界,进而获得最优振动加速度区间。
本发明的技术方案的有益效果是:本发明根据每个数据点与所属振动特征区间内数据点之间在控制滞后性影响下的波动程度的差异,获取每个数据点的波动置信度,以此用于避免传统STL时间序列分解的残差项受到控制滞后性的影响;根据每个数据点的波动置信度和初始拟合权重,获取每个数据点调整后的拟合权重,以此实现STL时间序列分解的残差项优化调整;根据每个数据点调整后的拟合权重,获取每个数据点的加速度优选程度,进而获取最优振动加速度区间,以此确定出最优振动加速度区间,从而准确实现汽车座椅刚度与阻尼的智能控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种变刚度变阻尼汽车座椅智能控制方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种变刚度变阻尼汽车座椅智能控制方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种变刚度变阻尼汽车座椅智能控制方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种变刚度变阻尼汽车座椅智能控制方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取汽车座椅的振动加速度数据序列和振动加速度曲线。
需要说明的是,由于振动加速度变化会受到其采样时刻调节的可变刚度及可变阻尼的大小影响,而不同采样时刻的变刚体变阻尼装置的电流变化控制效果往往与其前一时刻的变刚度变阻尼大小有关,当前时刻的参数控制效果受到前一时刻的参数控制效果的影响,不同参数区间的控制效果不同,因此应当对其时序振动加速度数据控制时间滞后性特征进行分析,实现STL时间序列分解算法的残差项优化调整,得到最佳电流调节方案,完成后续的半固态流变压铸铝合金压铸零件制造环节的调整,完成后续的汽车座椅变刚度变阻尼的智能控制。
具体的,为了实现本实施例提出的一种变刚度变阻尼汽车座椅智能控制方法,首先需要采集汽车座椅的振动加速度数据序列,具体过程为:
每隔1秒钟为一个采样时刻,每次通过在汽车座椅处设置振动加速度传感器获取汽车行驶时汽车座椅的振动加速度数据,共采集1小时;将所有的采样时刻的汽车座椅的振动加速度数据作为汽车座椅的振动加速度数据序列。
进一步的,以采样时刻为横轴,以汽车座椅的振动加速度数据为纵轴,将汽车座椅的振动加速度数据序列输入二维坐标系中,获取若干个数据点,通过最小二乘法将所有数据点拟合构成汽车座椅的振动加速度曲线。
其中,最小二乘法为现有技术,本实施例此处不作过多赘述。
至此,通过上述方法得到汽车座椅的振动加速度数据序列和汽车座椅的振动加速度曲线。
步骤S002:根据每个数据点的控制滞后性影响程度,获取每个数据点在控制滞后性影响下的波动程度,进而获取每个数据点的波动置信度。
1.获取振动加速度曲线中每个数据点的控制滞后性影响程度。
需要说明的是,由于汽车行驶过程中,其路面状况对汽车座椅的振动影响相对稳定,在振动加速曲线上呈现阶段性聚集特征,并且其对应的振动加速度曲线上的数据点与其邻域内数据点的相对关系,影响电动调节系统调节电流参数控制变刚度变阻尼结构的效果,对于单一数据点而言,主要与其时序左邻域,具体与左邻域的大小相关,由此根据振动加速度曲线上的数据点的变化分布特征,获取数据点的控制滞后影响程度。
预设一个参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于振动加速度曲线的第个数据点,将第/>个数据点的前/>个数据点组成数据点序列作为第/>个数据点的左邻域序列。
需要说明的是,在第个数据点的左邻域序列中,其左邻域序列中数据点的振动加速度越大,表明该时刻的汽车座椅受到路面状况影响的程度较大,其电动调节系统的控制程度越大,当其左邻域序列中数据点的振动程度加速度大于第/>个数据点时,其控制程度相对于第/>个数据点时,控制滞后性影响的程度越小,并且左邻域序列中多个数据点的影响程度随着时序上的间隔距离越远而减小,由此获得第/>个数据点的控制滞后性影响程度。
具体的,振动加速度曲线中第个数据点的控制滞后性影响程度的计算方法为:
式中,表示振动加速度曲线中第/>个数据点的控制滞后性影响程度;/>表示振动加速度曲线中第/>个数据点的汽车座椅的振动加速度数据;/>表示振动加速度曲线中第/>个数据点的左邻域序列内第/>个数据点的汽车座椅的振动加速度数据;/>表示振动加速度曲线中第/>个数据点与第/>个数据点的左邻域序列内第/>个数据点之间的采样时间间隔;/>为预设参数;/>表示以自然常数为底的指数函数。
其中,若第个数据点的控制滞后性影响程度/>值越大,表明在此时刻的振动加速度在进行电动调节系统的控制时,受到此时刻前局部时间段的变刚体变阻尼调节效果较大的影响,第/>个数据点的残值项对应的控制参数范围的可信度越小。
至此,获得振动加速度曲线中每个数据点的控制滞后性影响程度。
2.获取振动加速度曲线中每个数据点在控制滞后性影响下的波动程度。
需要说明的是,根据获得数据点的控制滞后影响程度,其表征的是局部时间区间上的数据点时刻的电动调节系统的控制效果,受到前局部时间内控制效果影响的可能性大小,其实际的控制效果往往与实际的路况环境对汽车座椅的影响程度密切相关,即在不同的阶段性振动特征区间具有不同的显著分布特征,进而划分不同的振动特征区间。
具体的,根据振动加速度曲线中每个数据点的控制滞后性影响程度构建样本空间,将数据点的采样时刻作为样本空间的X轴,将数据点的控制滞后性影响程度作为样本空间的Y轴;通过密度聚类算法对样本空间中所有数据点进行聚类,获得若干个聚类簇,将每个聚类簇作为一个振动特征区间。
其中,样本空间中每个数据点表示每个采样时刻下数据点的控制滞后性影响程度;一个聚类簇对应一个振动特征区间;密度聚类算法为现有技术,本实施例此处不作过多赘述。
需要说明的是,在各自振动特征区间内的数据点的振动加速度的波动特征呈现出不同的显著程度,对于控制滞后影响程度越小的数据点的振动加速度,其对应设置的电动调节系统的变刚体变阻尼参数的控制效果更加显著,其在时间序列分解的过程中,对于获取的残值项的参考意义越大。
具体的,对于振动加速度曲线中第个数据点,在样本空间中将距离第/>个数据点最近的/>个数据点作为第/>个数据点的第一数据点,对于第/>个数据点的第/>个第一数据点,将第/>个数据点的第/>个第一数据点到第/>个数据点的之间的欧式距离的作为第/>个第一数据点的局部可达密度,则振动加速度曲线中第/>个数据点在控制滞后性影响下的波动程度的计算方法为:
式中,表示振动加速度曲线中第/>个数据点在控制滞后性影响下的波动程度;表示振动加速度曲线中第/>个数据点的控制滞后性影响程度;/>表示振动加速度曲线中第/>个数据点所属的振动特征区间内所有数据点的控制滞后性影响程度的平均值;/>表示振动加速度曲线中第/>个数据点的所有第一数据点的局部可达密度的平均值;/>表示振动加速度曲线中第/>个数据点的所有第一数据点的局部可达密度的最大值;/>表示取绝对值。
至此,获得振动加速度曲线中每个数据点在控制滞后性影响下的波动程度。
3.获取振动加速度曲线中每个数据点的波动置信度。
需要说明的是,根据振动区间内的数据点在控制滞后性影响下的波动程度,获取每个数据点的波动置信度;若数据点的波动置信度越大,说明该数据点表征的振动数据的波动特征在考虑到控制滞后性影响及振动区间的显著程度下,其波动特征仍比较显著,则其对应的时刻进行设置的电动调节系统的变刚体变阻尼参数的控制效果更加显著。
具体的,振动加速度曲线中第个数据点的波动置信度的计算方法为:
式中,表示振动加速度曲线中第/>个数据点的波动置信度;/>表示振动加速度曲线中第/>个数据点所属的振动特征区间内所有数据点的总数量;/>表示振动加速度曲线中第/>个数据点在控制滞后性影响下的波动程度;/>表示振动加速度曲线中第/>个数据点所属的振动特征区间内第/>个数据点在控制滞后性影响下的波动程度;/>表示取绝对值;表示线性归一化函数。
至此,通过上述方法得到振动加速度曲线中每个数据点的波动置信度。
步骤S003:根据每个数据点调整后的拟合权重,获取每个数据点的加速度优选程度。
需要说明的是,根据获取的不同振动区间内的数据点的波动置信度,其表征的是利用STL时间序列分解振动加速度曲线,获取的数据点对应的拟合权重的参考必要程度,由此实现对其残值项的调整,构建最佳加速度范围,实现后续的汽车座椅变刚度变阻尼的智能控制。
具体的,将振动加速度曲线输入STL时间序列分解算法,获得振动加速度曲线中每个数据点的拟合权重,并记为初始拟合权重,通过每个数据点的初始拟合权重构建局部加权回归曲线,并记为初始局部加权回归曲线。
进一步的,振动加速度曲线中第个数据点调整后的拟合权重的计算方法为:
式中,表示振动加速度曲线中第/>个数据点调整后的拟合权重;/>表示振动加速度曲线中第/>个数据点的波动置信度;/>表示振动加速度曲线中所有数据点的总数量;/>表示振动加速度曲线中第/>个数据点的初始拟合权重。
通过每个数据点调整后的拟合权重构建调整后的局部加权回归曲线;将初始局部加权回归曲线与调整后的局部加权回归曲线作差,得到每个数据点的差值;对于振动加速度曲线中第个数据点,将第/>个数据点的差值取绝对值并记为第/>个数据点的第一差值/>,将/>作为第/>个数据点的加速度优选程度。
其中,获取数据点的拟合权重以及根据数据点的拟合权重构建局部加权回归曲线的过程均为STL时间序列分解算法的公知内容,本实施例此处不作过多赘述。
至此,通过上述方法得到振动加速度曲线中每个数据点的加速度优选程度。
步骤S004:根据数据点的加速度优选程度获取最优振动加速度区间,进而实现汽车座椅变刚度变阻尼的智能控制。
预设一个阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,根据数据点的加速度优选程度获取最优振动加速度区间的具体过程为:
对于任意一个汽车座椅的振动加速度数据,在振动加速度曲线中获取所述汽车座椅的振动加速度数据对应的所有数据点,并将所有数据点的加速度优选程度的平均值作为所述汽车座椅的振动加速度数据的优选程度,将振动加速度曲线中所有数据点的汽车座椅的振动加速度数据的平均值记为第一汽车座椅的振动加速度数据,将第一汽车座椅的振动加速度数据作为基准振动加速度数据,按照从右到左依次累加基准振动加速度数据以及基准振动加速度数据的左侧所有汽车座椅的振动加速度数据的优选程度,若累加到第个汽车座椅的振动加速度数据时,累加值大于或等于阈值/>,则将第/>个汽车座椅的振动加速度数据作为最优振动加速度区间的左边界,按照从左到右依次累加基准振动加速度数据以及基准振动加速度数据的右侧所有汽车座椅的振动加速度数据的优选程度,若累加到第/>个汽车座椅的振动加速度数据时,累加值大于或等于阈值/>,则将第/>个汽车座椅的振动加速度数据作为最优振动加速度区间的右边界,进而获得最优振动加速度区间。
进一步的,若当前汽车座椅的振动加速度数据处于最优振动加速度区间右侧,则对汽车座椅电动调节系统的变刚体变阻尼结构的电流参数大小进行增加,若当前汽车座椅的振动加速度数据处于最优振动加速度区间左侧,则对汽车座椅电动调节系统的变刚体变阻尼结构的电流参数大小进行减少。
需要说明的是,通过上述操作提高路况环境变化对汽车座椅振动加速度变化的影响适应程度,减缓当前的变刚体变阻尼结构的参数调整幅度,增加汽车座椅舒适度的变化平顺性,实现汽车座椅变刚度变阻尼的智能控制。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种变刚度变阻尼汽车座椅智能控制方法,其特征在于,该方法包括以下步骤:
获取汽车座椅的振动加速度数据序列;根据汽车座椅的振动加速度数据序列构建汽车座椅的振动加速度曲线,振动加速度曲线中每个数据点的数值表示对应采样时刻下汽车座椅的振动加速度数据;
根据每个数据点与每个数据点左侧数据点之间汽车座椅的振动加速度数据的差异,获取每个数据点的控制滞后性影响程度;根据数据点的控制滞后性影响程度构建样本空间,对样本空间中所有数据点进行聚类,获取振动特征区间;根据每个数据点与所属振动特征区间内数据点之间的控制滞后性影响程度差异,获取每个数据点在控制滞后性影响下的波动程度;根据每个数据点与所属振动特征区间内数据点之间在控制滞后性影响下的波动程度的差异,获取每个数据点的波动置信度;
通过STL时间序列分解算法获取每个数据点的初始拟合权重;根据每个数据点的波动置信度和初始拟合权重,获取每个数据点调整后的拟合权重;根据每个数据点调整后的拟合权重,获取每个数据点的加速度优选程度;
根据数据点的加速度优选程度获取最优振动加速度区间;根据最优振动加速度区间实现汽车座椅变刚度变阻尼的智能控制。
2.根据权利要求1所述一种变刚度变阻尼汽车座椅智能控制方法,其特征在于,所述根据每个数据点与每个数据点左侧数据点之间汽车座椅的振动加速度数据的差异,获取每个数据点的控制滞后性影响程度,包括的具体方法为:
获取第个数据点的左邻域序列,则振动加速度曲线中第/>个数据点的控制滞后性影响程度的计算方法为:
式中,表示振动加速度曲线中第/>个数据点的控制滞后性影响程度;/>表示振动加速度曲线中第/>个数据点的汽车座椅的振动加速度数据;/>表示振动加速度曲线中第/>个数据点的左邻域序列内第/>个数据点的汽车座椅的振动加速度数据;/>表示振动加速度曲线中第/>个数据点与第/>个数据点的左邻域序列内第/>个数据点之间的采样时间间隔;/>为预设参数;/>表示以自然常数为底的指数函数。
3.根据权利要求2所述一种变刚度变阻尼汽车座椅智能控制方法,其特征在于,所述获取第个数据点的左邻域序列,包括的具体方法为:
将第个数据点的前/>个数据点组成数据点序列作为第/>个数据点的左邻域序列。
4.根据权利要求1所述一种变刚度变阻尼汽车座椅智能控制方法,其特征在于,所述根据数据点的控制滞后性影响程度构建样本空间,对样本空间中所有数据点进行聚类,获取振动特征区间,包括的具体方法为:
根据振动加速度曲线中每个数据点的控制滞后性影响程度构建样本空间,将数据点的采样时刻作为样本空间的X轴,将数据点的控制滞后性影响程度作为样本空间的Y轴;通过密度聚类算法对样本空间中所有数据点进行聚类,获得若干个聚类簇,将每个聚类簇作为一个振动特征区间。
5.根据权利要求1所述一种变刚度变阻尼汽车座椅智能控制方法,其特征在于,所述根据每个数据点与所属振动特征区间内数据点之间的控制滞后性影响程度差异,获取每个数据点在控制滞后性影响下的波动程度,包括的具体方法为:
获取第个数据点的每个第一数据点的局部可达密度,则振动加速度曲线中第/>个数据点在控制滞后性影响下的波动程度的计算方法为:
式中,表示振动加速度曲线中第/>个数据点在控制滞后性影响下的波动程度;/>表示振动加速度曲线中第/>个数据点的控制滞后性影响程度;/>表示振动加速度曲线中第/>个数据点所属的振动特征区间内所有数据点的控制滞后性影响程度的平均值;/>表示振动加速度曲线中第/>个数据点的所有第一数据点的局部可达密度的平均值;/>表示振动加速度曲线中第/>个数据点的所有第一数据点的局部可达密度的最大值;/>表示取绝对值。
6.根据权利要求5所述一种变刚度变阻尼汽车座椅智能控制方法,其特征在于,所述获取第个数据点的每个第一数据点的局部可达密度,包括的具体方法为:
在样本空间中将距离第个数据点最近的/>个数据点作为第/>个数据点的第一数据点,对于第/>个数据点的第/>个第一数据点,将第/>个数据点的第/>个第一数据点到第/>个数据点的之间的欧式距离的作为第/>个第一数据点的局部可达密度,/>为预设参数。
7.根据权利要求1所述一种变刚度变阻尼汽车座椅智能控制方法,其特征在于,所述根据每个数据点与所属振动特征区间内数据点之间在控制滞后性影响下的波动程度的差异,获取每个数据点的波动置信度的具体公式为:
式中,表示振动加速度曲线中第/>个数据点的波动置信度;/>表示振动加速度曲线中第/>个数据点所属的振动特征区间内所有数据点的总数量;/>表示振动加速度曲线中第/>个数据点在控制滞后性影响下的波动程度;/>表示振动加速度曲线中第/>个数据点所属的振动特征区间内第/>个数据点在控制滞后性影响下的波动程度;/>表示取绝对值;表示线性归一化函数。
8.根据权利要求1所述一种变刚度变阻尼汽车座椅智能控制方法,其特征在于,所述根据每个数据点的波动置信度和初始拟合权重,获取每个数据点调整后的拟合权重的具体公式为:
式中,表示振动加速度曲线中第/>个数据点调整后的拟合权重;/>表示振动加速度曲线中第/>个数据点的波动置信度;/>表示振动加速度曲线中所有数据点的总数量;/>表示振动加速度曲线中第/>个数据点的初始拟合权重。
9.根据权利要求1所述一种变刚度变阻尼汽车座椅智能控制方法,其特征在于,所述根据每个数据点调整后的拟合权重,获取每个数据点的加速度优选程度,包括的具体方法为:
将振动加速度曲线输入STL时间序列分解算法,获得振动加速度曲线中每个数据点的拟合权重,并记为初始拟合权重,通过每个数据点的初始拟合权重构建局部加权回归曲线,并记为初始局部加权回归曲线;通过每个数据点调整后的拟合权重构建调整后的局部加权回归曲线;将初始局部加权回归曲线与调整后的局部加权回归曲线作差,得到每个数据点的差值;对于振动加速度曲线中第个数据点,将第/>个数据点的差值取绝对值并记为第/>个数据点的第一差值/>,将/>作为第/>个数据点的加速度优选程度,/>表示线性归一化函数。
10.根据权利要求1所述一种变刚度变阻尼汽车座椅智能控制方法,其特征在于,所述根据数据点的加速度优选程度获取最优振动加速度区间,包括的具体方法为:
预设一个阈值,对于任意一个汽车座椅的振动加速度数据,在振动加速度曲线中获取所述汽车座椅的振动加速度数据对应的所有数据点,并将所有数据点的加速度优选程度的平均值作为所述汽车座椅的振动加速度数据的优选程度,将振动加速度曲线中所有数据点的汽车座椅的振动加速度数据的平均值记为第一汽车座椅的振动加速度数据,将第一汽车座椅的振动加速度数据作为基准振动加速度数据,按照从右到左依次累加基准振动加速度数据以及基准振动加速度数据的左侧所有汽车座椅的振动加速度数据的优选程度,若累加到第/>个汽车座椅的振动加速度数据时,累加值大于或等于阈值/>,则将第/>个汽车座椅的振动加速度数据作为最优振动加速度区间的左边界,按照从左到右依次累加基准振动加速度数据以及基准振动加速度数据的右侧所有汽车座椅的振动加速度数据的优选程度,若累加到第/>个汽车座椅的振动加速度数据时,累加值大于或等于阈值/>,则将第/>个汽车座椅的振动加速度数据作为最优振动加速度区间的右边界,进而获得最优振动加速度区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797172.1A CN117445780B (zh) | 2023-12-26 | 2023-12-26 | 一种变刚度变阻尼汽车座椅智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797172.1A CN117445780B (zh) | 2023-12-26 | 2023-12-26 | 一种变刚度变阻尼汽车座椅智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117445780A CN117445780A (zh) | 2024-01-26 |
CN117445780B true CN117445780B (zh) | 2024-02-23 |
Family
ID=89595192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311797172.1A Active CN117445780B (zh) | 2023-12-26 | 2023-12-26 | 一种变刚度变阻尼汽车座椅智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117445780B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1593961A (zh) * | 2004-06-29 | 2005-03-16 | 重庆大学 | 一种基于小波分解的汽车半主动悬架阻尼控制方法 |
CN104156549A (zh) * | 2014-09-03 | 2014-11-19 | 山东理工大学 | 车辆座椅振动模型的座垫等效刚度和等效阻尼的辨识方法 |
CN104175920A (zh) * | 2014-09-03 | 2014-12-03 | 山东理工大学 | 车辆座椅悬置磁流变减振器最优控制电流的设计方法 |
CN108614926A (zh) * | 2018-04-12 | 2018-10-02 | 西安交通大学 | 一种基于流形学习与希尔伯特-黄变换相结合的结构模态参数辨识方法 |
CN110722950A (zh) * | 2019-09-09 | 2020-01-24 | 江苏大学 | 一种汽车悬架混合阻尼可拓切换控制方法 |
CN111886171A (zh) * | 2018-02-12 | 2020-11-03 | 大众汽车股份公司 | 用于选取汽车的驾驶特征的方法,驾驶辅助系统和汽车 |
CN114967435A (zh) * | 2021-02-22 | 2022-08-30 | 福特全球技术公司 | 用于基于随机模拟识别湿式离合器设计要求的方法 |
-
2023
- 2023-12-26 CN CN202311797172.1A patent/CN117445780B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1593961A (zh) * | 2004-06-29 | 2005-03-16 | 重庆大学 | 一种基于小波分解的汽车半主动悬架阻尼控制方法 |
CN104156549A (zh) * | 2014-09-03 | 2014-11-19 | 山东理工大学 | 车辆座椅振动模型的座垫等效刚度和等效阻尼的辨识方法 |
CN104175920A (zh) * | 2014-09-03 | 2014-12-03 | 山东理工大学 | 车辆座椅悬置磁流变减振器最优控制电流的设计方法 |
CN111886171A (zh) * | 2018-02-12 | 2020-11-03 | 大众汽车股份公司 | 用于选取汽车的驾驶特征的方法,驾驶辅助系统和汽车 |
CN108614926A (zh) * | 2018-04-12 | 2018-10-02 | 西安交通大学 | 一种基于流形学习与希尔伯特-黄变换相结合的结构模态参数辨识方法 |
CN110722950A (zh) * | 2019-09-09 | 2020-01-24 | 江苏大学 | 一种汽车悬架混合阻尼可拓切换控制方法 |
CN114967435A (zh) * | 2021-02-22 | 2022-08-30 | 福特全球技术公司 | 用于基于随机模拟识别湿式离合器设计要求的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117445780A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063234B (zh) | 一种考虑多类型不确定性的高速压力机施力部件可靠性设计方法 | |
CN105159094B (zh) | 汽车主动悬架lqg控制器最优控制力的设计方法 | |
CN110333655A (zh) | 一种高速列车多动力单元分布式控制方法 | |
CN114297779B (zh) | 一种飞行器气动力系数快速预测方法、系统及设备 | |
CN113567131B (zh) | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 | |
CN111487863B (zh) | 一种基于深度q神经网络的主动悬架强化学习控制方法 | |
WO2021213177A1 (zh) | 一种船舶分段建造曲面变形动态补偿方法 | |
CN117445780B (zh) | 一种变刚度变阻尼汽车座椅智能控制方法 | |
KR20220110319A (ko) | 차량 제어 장치, 차량 제어 방법 및 차량 제어 시스템 | |
CN111191742A (zh) | 一种用于多源异构数据流的滑动窗口长度自适应调整方法 | |
CN103488847A (zh) | 一种基于神经网络集成的气动外形优化方法 | |
CN115423145A (zh) | 一种基于Kmeans-VMD-WT-LSTM方法的光伏功率预测方法 | |
CN115824261A (zh) | 一种控制力矩陀螺仪故障检测方法、装置及相关存储介质 | |
CN114741917A (zh) | 基于拓扑优化的宏微多级协同点阵结构的优化方法 | |
CN112487553B (zh) | 一种用于可控悬架系统的时滞补偿控制器的设计方法 | |
CN117992894A (zh) | 基于物联网的农业大棚环境异常数据监测方法 | |
CN117454289A (zh) | 一种低压配电台区相户关系识别方法及存储介质 | |
CN110597054B (zh) | 一种共轴式无人直升机航向的线性变参数鲁棒性控制方法 | |
CN109606051B (zh) | 一种基于车联网的空气悬架车高控制系统 | |
CN113807005B (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
CN111027612B (zh) | 基于加权熵fcm的能源计量数据特征约简方法及装置 | |
CN116432714A (zh) | 一种深度学习模型的分布式训练方法 | |
Guo et al. | Optimal control of blank holder force based on deep reinforcement learning | |
CN112434983A (zh) | 一种基于聚类超矩形模型的产品质量快速判定方法 | |
CN117962537A (zh) | 面向路面识别的半悬架切换控制设计 |
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 |