基于交叉试验的轮胎滚动阻力模型研究

基于交叉试验的轮胎滚动阻力模型研究

0传统方法与现代方法的比较有很多方法可以建造车轮锁的阻力模型。国家研究机构通过大量实验建立了许多关于车轮锁的模型。虽然它们在非线性系统建模方面取得了成功，但这些模型的使用有限，主要体现在以下几个方面。(1)由于轮胎材料是多层、不均匀、各向异性的,轮胎材料的应力—应变关系异常复杂,直接对轮胎滚动阻力进行理论研究极其困难。(2)传统方法建立的模型多是基于轮胎单因素变化对其滚动阻力的影响分析基础上,所以模型不能全面地反映轮胎各使用因素和轮胎滚动阻力的复杂关系,无法准确描述轮胎滚动阻力特性。(3)因影响轮胎滚动阻力特性因素的复杂性,建立的各种数学模型不具有广泛的适应性,仅适用于特定情况下的汽车动力学分析。(4)汽车动力性检测与评定中,面对的是各种各样的车型和轮胎型号。为快速准确地预测不同轮胎在滚筒上的滚动阻力及消耗功率,须建立轮胎滚动阻力统一模型。鉴于上述原因,寻找新的研究方法成为研究轮胎滚动阻力的迫切需要,而人工智能——神经网络技术使之成为可能。人工神经网络(ANN)对工程中的模式识别、系统辨识、聚类分类、预测预估等方面的强大功能,使其能够学习和存储大量的输入—输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。这些功能,使得人工神经网络技术在汽车工程中得到了越来越多的应用,也为映射轮胎滚动阻力与各影响因素之间的非线性关系提供了可能。人工神经网络为研究轮胎在双滚筒上的滚动阻力提供了有效的途径和手段,可实现准确预估轮胎滚动阻力的目的。1神经网络训练数据的获取神经网络训练需要大量的有代表性的准确数据,这些数据的精度直接影响到网络的使用价值。1.1神经网络的参数选择轮胎是一个复杂的弹性体,影响轮胎滚动阻力的因素主要有轮胎本身因素、测试系统参数、试验条件等。选择神经网络的参数应对神经网络输出结果有较大的影响;参数之间应没有密切的相关性。1.1.1轮胎型号对滚动轴承特性的影响轮胎型号基本代表了轮胎的特征,如185/70R13。其型号不同,滚动阻力往往也不同,所以轮胎型号应作为输入参数之一,但轮胎型号是一个多参数表示的特征量,所以可将断面宽、扁平比及轮胎半径分别作为输入参数。1.1.2轮胎磨损程度的确定轮胎磨损程度直接影响到轮胎质量、花纹深浅等,进而影响轮胎的滚动阻力大小,所以轮胎磨损程度应作为输入参数之一。因轮胎磨损无法准确地予以描述,可用轮胎花纹的深度间接地表示轮胎的磨损程度,所以可用其花纹深度的实际大小作为输入参数值大小。1.1.3轮胎织物的识别轮胎花纹作为输入参数可通过两种方法实现,第一种方法是建立轮胎花纹图集库,将轮胎花纹分成几个大的类别,如横宽花纹、纵窄花纹等,然后用神经网络模糊识别的办法对待测轮胎花纹进行识别归类(图1),用类别输入法,将轮胎花纹作为一个输入参数进行输入。第二种方法是把轮胎花纹用摄像机摄出的图像用R、G、B值表示,初步处理后作为输入,进行实际训练。笔者对第一种方案进行了初步的探讨,结果虽然可行,但有待于更深一步的研究。1.1.4轮胎滚动关系参数速度、载荷和气压是三个主要的运行参数,这三个参数对轮胎的滚动阻力影响甚大,应作为网络训练的输入参数。因这些参数为连续变量,使用时输入实际数值或进行归一化处理。1.2滚动轴承中滚压试验主要针对不同型号的轮胎改变轮胎运行条件(气压、速度和载荷),然后测试其滚动阻力大小。因条件所限,试验也主要在双滚筒式申克底盘测功机(改造型,增加反拖系统和惯性飞轮系统)上进行,其滚筒间距为700mm,滚筒直径为364mm,其他结构尺寸的测功机仅作了一些对比试验,未作为实际神经网络的训练输入。1.2.1滚动轴承质量测试测试轮胎滚动阻力的方法采用的是反拖试验法,即:汽车从动轮(非四轮驱动车)停在底盘测功机滚筒上,反拖电机驱动滚筒继而带动轮胎旋转,测试出反拖力大小,通过一定的换算关系,计算轮胎在滚筒上的滚动阻力大小。1.2.2试验内容(1)轮胎型号的确定既然训练集设计应具有很强的代表性,所以选择的轮胎型号应尽量多尽量全,笔者采用了将近30种型号的轮胎。断面宽从165到215,扁平比从70到80,半径从R13到R15,其部分轮胎型号如表1所示。(2)压力和转速改变不同运行条件主要是改变载荷、气压和转速。载荷的改变,对于货车采用快速加载机构的方式实现,对于轿车采用承载不同人数的方式实现。气压的改变是从高压到低压逐步降低的方式实现(载荷一定时,每做一个速度循环,即从0km/h到80km/h的过程,降低一次气压)。转速的改变是通过变频调速器控制反拖电机的方式实现。胎温的改变是通过改变轮胎在滚筒上的运行时间实现。对于同一型号轮胎不同磨损程度的影响试验,是通过多组新旧轮胎的对比试验进行。对环境温度的影响笔者没有考虑。1.2.3试验结果通过大量的交叉试验,获取了神经网络所需的训练样本。因篇幅所限,仅给出部分实验结果,如表2所示,其余实验数据请参阅文献。2用神经网络法计算胎盘的旋转阻力2.1传递函数的选取轮胎滚动阻力神经网络模型采用BP网络实现。识别滚动阻力的BP网络设计为双隐层结构,如图2所示。第一层为输入层,有n个神经元,输入量为x1、x2、…、xn,分别代表轮胎气压、轮胎滚动半径、车轮速度等,输入层的传递函数选用比例系数为1的线性函数。第二、三层为隐层,分别有m1和m2个神经元,传递函数选用非线性Sigmoid函数。第四层为输出层,有1个神经元,传递函数选用比例系数为1的线性函数,本层的输出也是整个网络的输出,即滚动阻力大小。2.2网络培训网络的训练过程是确定隐层神经元数、训练次数、学习率以及初始权值的过程。2.2.1几何强化规则对多层前馈网络而言,隐层神经元数的确定是成败的关键。若节点数太少,则网络取得的解决问题的信息太少;若节点数太多,不仅增加训练时间,难以在人们所能接受的时间内完成训练,更重要的是过多的隐点还可能出现“过度吻合”(Overfitting)问题。神经元数的确定采取的原则是几何金字塔规则(GeometricPyramidRule):从输入层到输出层,点数不断减少,其形似金字塔。具体做法是:输入结点数为n=8(轮胎气压、轮胎滚动半径、车速、轴荷、花纹深度、断面宽、扁平比、轮胎表面温度),输出结点数为m=1(轮胎滚动阻力)。可确定变量r为r=nm−−√3=81√3=2r=nm3=813=2第一隐层神经元数确定为:m1=nr2=32第二隐层神经元数确定为:m2=nr=16利用上述方法确定的神经元数作为初始估计值,对网络进行训练,利用测试集检查网络训练结果,然后改变神经元数,再训练,直到确定较理想的神经元数。表3列出了一组神经元数对训练结果的影响。表3说明,第一隐层神经元数为32、第二隐层神经元数为16时,训练5000次后,其训练误差较小。但采用多少神经元需根据训练次数、泛化能力、初始权值等综合判断。2.2.2“训练过度”与差、测试误差训练次数直接影响网络的泛化能力。训练次数在某一最佳点之前,训练误差和测试误差均随着训练次数的增加而减少,但当训练次数超过该点之后,尽管训练误差继续减小,但测试误差却反而增大,正所谓的“训练过头”。通过多次训练比较,训练20000次后,网络均有较好的泛化能力。2.2.3选择初始权重值初始权值确定方法是:置隐节点的初始权值为[-1,1]之间的随机数。2.3试验数据的统计与分析通过300组试验数据的训练,对另外80组试验数据用神经网络进行测试,预测结果与试验结果的相对误差如表4所示,其平均相对误差小于4%。其他试验结果分析请参阅文献。3反拖试验结果(1)由于轮胎滚动阻力与各影响因素存在复杂的非线性关系,用精确的数学模型描述这种关系异常困难,笔者采用神经网络方法研究了双滚筒上轮胎滚动阻力与其主要影响因素的映射特性。(2)针对主要影响因素,利用反拖方法在双滚筒式底盘测功机上做了大量的轮胎滚动阻力方面的试验,基于这些实验数据,通过对BP网络的训练,确定了较理想的网络参数。(3)