申请/专利权人：江苏科技大学

申请日：2021-11-26

公开（公告）日：2024-06-25

公开（公告）号：CN114547963B

主分类号：G06F30/27

分类号：G06F30/27;G06F30/15;G06F16/906;G06N3/0499;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2022.06.14#实质审查的生效;2022.05.27#公开

摘要：本发明公开了一种基于数据驱动的轮胎建模方法，具体包括：确定轮胎建模的输入变量与输出变量；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；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；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。本发明方法以实验数据为基础，利用深度学习同时训练Koopman算子和搜索高维函数空间，更新字典集，自动进行轮胎建模。本发明的轮胎建模方法可用于处理动态问题，提高轮胎建模精度且具有可解释性，具有切实可行的实用价值和广泛的应用前景。

主权项：1.一种基于数据驱动的轮胎建模方法，其特征在于，包括：步骤1：确定轮胎建模的输入变量与输出变量；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；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；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；步骤5：建立基于数据驱动的轮胎模型；具体步骤为：将训练样本的数据集离散化表示xk＝xkΔt，yk＝ykΔt，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Fx、侧向力Fy、法向力Fz、侧倾力矩Mx、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DNN＝Ngxk，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、xk+1、uk分别映射到高维空间gxk、gxk+1，guk，g函数为空间函数，gxk+1与guk、gxk三者之间存在线性关系；字典集表示为表示映射到高维空间内状态变量gxk＝Fxk,Fyk,Fzk,Mxk,Myk,Mzk与控制输入guk＝Fzk,λk,αk,rk,γk,vk,βk所有可能组合的集合，作为映射基底；在高维空间下存在KNgxk＝Ngxk+1，计算误差损失函数： 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： 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。

全文数据：

权利要求：

百度查询： 江苏科技大学 一种基于数据驱动的轮胎建模方法和介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD