一种基于数据驱动的轮胎建模方法和介质

1.本发明涉及轮胎建模，尤其涉及一种基于数据驱动的轮胎建模方法和介质。


背景技术：

2.作为接触路面的唯一部分，轮胎与路面的作用力对车辆系统的控制和行驶安全有着重要意义。轮胎具有非线性力学特性，存在复杂的映射关系，构建准确的轮胎力学模型一直是车辆系统动力学领域的关注焦点。
3.现有的轮胎建模方法主要可分为物理模型、经验模型和半经验模型等三大类，依靠基于力学机理的实验数据拟合建立，且多数为稳态模型；轮胎影响因素众多，且各种因素之间存在相互影响，这种基于机理的模型驱动方法，形式复杂、参数多拟合困难，导致构建模型的精度和效率较低、外推性不好；且多数为稳态模型，不足以处理动态问题，故使车辆的控制系统设计产生阻碍。
4.数据驱动建模不需要轮胎内部的复杂关系，可通过采集实验数据数据训练，建立输入与输出之间的模型，无限逼近实验测试结果。深度学习作为当下研究的热潮，有逼近各种非线性复杂函数的能力，单一的神经网络在建模中有缺乏可解释性；目前，koopman算子在推断部分或完全未知或过于复杂而无法用标准方法进行分析的动力系统的特性时尤其强大；同样，建立字典库，非线性动力学稀疏表征方法，模型结构简单，易于解释。因此寻找计算过程简单又具有可解释性的数据驱动建模的方法研究将会有重要意义。


技术实现要素：

5.发明目的：针对现有技术的不足，提供一种基于数据驱动的轮胎建模方法和介质，提高模型的精度，降低计算复杂度，实现可解释性的数据驱动建模，为车辆控制系统设计提供便利。
6.技术方案：一种基于数据驱动的轮胎建模方法，包括：
7.步骤1：确定轮胎建模的输入变量与输出变量；
8.步骤2：进行轮胎实验，采集轮胎在不同路面及不同工况下的输入数据、输出数据；
9.步骤3：对采集的输入、输出数据进行处理，构建轮胎建模的数据集，将数据库分为训练样本和验证样本；
10.步骤4：选择合适的数据驱动模型，确定驱动模型结构和方法，初始化，用训练样本对轮胎模型进行训练，并用验证样本对模型进行测试验证。
11.步骤5：建立基于数据驱动的轮胎模型。
12.进一步地，步骤1中，轮胎模型的输入变量包括滑移率、侧偏角、径向变形量、侧倾角、轮速和横摆角，输出变量包括纵向力、侧向力、法向力、侧倾力矩、滚动阻力矩和回正力矩。
13.进一步地，步骤2中，轮胎实验中采用已知半径的同一型号轮胎进行实验，安装传感器，配置完整的信息采集系统；采集数据过程中，保证足够的采样频率、时间，确保输入、
输出数据测量准确。
14.具体地，轮胎实验包括：
15.步骤2.1：选择一个输入变量；
16.步骤2.2：相同磨损量的轮胎，环境因素一致的情况下，使轮胎相对于路面产生运动，保持相对稳定；
17.步骤2.3：改变输入变量，记录变化过程中对应的输出数据；
18.步骤2.4：更换步骤1中的变量，重复步骤2.1至步骤2.3，直至遍历所有变量，数据采集完成。
19.进一步地，步骤2中，不同路面包括干路面、湿路面，不同工况包括高速转向、制动和加速。
20.进一步地，步骤3中，对采集的输入、输出数据进行处理为数据归一化，统一数量级。
21.进一步地，归一化处理是对原始数据进行线性变化，将测量得到的数据映射到[0,1]之间，处理过程如式：式中，x0为处理前数据，x
max
为处理前数据最大值，x
min
为处理前数据最小值，x1为处理后的变量，输出数据也进行相同处理，记作y1。
[0022]
进一步地，步骤4中，采用深度神经网络dnn，自动且有效地生成字典ng(xk)，同时遍历函数空间，将字典映射到高维空间，在高维空间内，存在关系式kng(xk)＝ng(x
k+1
)，计算误差损失函数，获得koopman算子k的准确估计，同时自动更新字典集，逼近实验数据，建立数据驱动轮胎模型。
[0023]
进一步地，数据驱动轮胎模型为非稳态模型，用于处理轮胎动态工况。
[0024]
一种计算机可读存储介质，包括供一个或多个处理器执行的一个或多个程序，一个或多个程序包括用于执行如上述的任一方法的指令。
[0025]
有益效果：与现有技术相比，本发明具有如下显著的优点：本发明以轮胎实验数据为基础，采用数据驱动建模的方法，解决机理模型复杂、统计数据拟合困难、模型的精度低、外推性不好等问题；利用深度神经网络dnn，自动且有效地生成字典集，避免传统手动字典的主观性；轮胎实验过程涉及不同路面下非稳态运动下的输入输出数据，能够训练出多个非稳态模型，便于处理动态问题，为车辆控制系统设计提供便利。
附图说明
[0026]
图1为本发明中数据驱动轮胎建模的流程示意图。
[0027]
图2为本发明中轮胎实验数据采集过程示例图。
[0028]
图3为本发明中数据驱动模型结构及流程图。
[0029]
图4为本发明的数据驱动模型中dnn结构图。
具体实施方式
[0030]
下面结合附图对本发明的技术方案作进一步说明。
[0031]
如图1，本实施例提供一种基于数据驱动的基于数据驱动的轮胎建模方法，包括以下步骤：
[0032]
步骤1：根据实际轮胎建模问题，确定轮胎建模的输入变量与输出变量；
[0033]
步骤2：进行轮胎实验，采集轮胎在不同路面下不同工况的输入、输出数据；
[0034]
步骤3：将采集的输入、输出数据处理，构建轮胎建模的数据集，将数据库分为训练样本和验证样本；
[0035]
步骤4：选择合适的数据驱动模型，确定驱动模型结构和方法，初始化，用训练样本对轮胎模型进行训练，并用验证样本对模型进行测试验证。
[0036]
步骤5：建立基于数据驱动的轮胎模型。
[0037]
如图2所示，根据现有动力学基础各种工况轮胎的主要影响因素，本发明选择轮胎建模的模型的输入参数为垂直载荷fz、滑移率λ、侧偏角α、径向变形量r、侧倾角γ、轮速v和横摆角β，输出参数为纵向力f
x
、侧向力fy、法向力fz、侧倾力矩m
x
、滚动阻力矩my和回正力矩mz。各个变量之间存在相互影响，不仅依靠单一变量表示某种工况。
[0038]
结合图3所示，上述步骤2中的轮胎实验数据采集包括以下步骤：
[0039]
步骤2.1：选择某一个输入变量；
[0040]
步骤2.2：相同磨损量的轮胎，在其它因素一致的情况下，使轮胎相对于路面产生运动；
[0041]
步骤2.3：控制器改变变量数值，记录所对应的输出数据；
[0042]
步骤2.4:改变工况，记录所对应的输出数据；
[0043]
步骤2.5：选择不同与步骤2.1的变量，重复以上步骤，直至遍历所有变量，数据采集完成。本实施案例中，选取高转速轮胎急转弯工况，轮胎初始速度60km/h，控制器改变轮胎侧偏角α，此时会存在其他输入变量同时改变的情况，传感器组测量输入输出变量，每一次改变轮胎侧偏角α，记录采样时间为10s，规定每轮胎转动一周，至少采集32个点，采集输入数据记作x0，n为采集样本个数，输出数据记作y0，通过数据采集器记录，实时输入pc机记录存储，作为下面数据集的来源。
[0044]
步骤2中，实验采用已知半径的同一型号轮胎进行实验，安装获取相关参数的传感器，确保输入、输出数据均可测量。
[0045]
对采集的输入、输出数据进行处理为数据归一化，归一化处理是对原始数据进行线性变化，将测量得到的数据映射到[0,1]之间，处理过程如式：式中x0，为处理前数据，x
max
，x
min
为处理前数据最大、最小值，x1为处理后的变量，输出数据也进行相同处理，记作y1。
[0046]
对于轮胎模型，给定数据集xi为输入，yi为输出，n为样本数量，取m个训练样本{(x1,y1)，(x2,y2)，...，(xm,ym)}，寻找以下函数：yi＝f(xi)，函数f为待建立的模型；使得测试样本{(x
m+1
,y
m+1
)，(x
m+2
,y
m+2
),...,(xn,yn)}，尽可能的y
m+i
＝f(x
m+i
)，i＝1，2...，n-m，本方案选取70％作为模型训练样本，剩下30％作为测试样本。
[0047]
如图3所示，数据驱动模型建立如下步骤：将训练样本的数据集离散化表示xk＝x(kδt)，yk＝y(kδt)，其中，k＝1,2,...,m；训练样本输入垂直载荷fz、滑移率λ、侧偏角α、径
向变形量r、侧倾角γ、轮速v和横摆角β作为控制输入，令uk＝xk，轮胎输出变量纵向力f
x
、侧向力fy、法向力fz、侧倾力矩m
x
、滚动阻力矩my和回正力矩mz中的一个或几个作为状态变量，模型建立过程中将输出数据集作为状态变量，在状态空间中，令xk＝yk；将字典集作为深度神经网络的输出，即d
nn
＝ng(xk)，ng()为神经元的组合函数，为uk和xk高维空间线性组合，利用dnn模型将xk、x
k+1
、uk分别映射到高维空间g(xk)、g(x
k+1
)，g(uk)，g()函数为空间函数，g(x
k+1
)与g(uk)、g(xk)三者之间存在线性关系，深度神经网络结构如图4所示；
[0048]
字典集表示为字典集表示为表示映射到高维空间内状态变量g(xk)＝(f
xk
,f
yk
,f
zk
,m
xk
,m
yk
,m
zk
)与控制输入g(uk)＝(f
zk
,λk,αk,rk,γk,vk,βk)所有可能组合的集合，作为映射基底；
[0049]
在高维空间下存在kng(xk)＝ng(x
k+1
)，计算误差损失函数：
[0050][0051]
式中λ1、λ2为字典集的稀疏参数，|| ||2、|| ||1分别表示2-范数和1-范数，θ为深度神经网络的参数，k为所要求的koopman算子，根据损失函数更新koopman算子，同时自动完善字典完成建模，此时koopman的问题将转换为：
[0052][0053]
式中，k为所要求的koopman算子，此方案中为矩阵；最后，初始化神经网络，获得随机参数化字典，完成上述过程，最后用测试样本验证模型的可靠性，建立数据驱动轮胎模型。
[0054]
本发明的实施例可提供为方法或计算机程序产品，因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0055]
本发明的具体实施方式中，未涉及到的说明属于本领域的公知技术，可参考公知技术加以实施。