1.本发明涉及动力学仿真技术领域，具体涉及减振器动力特性仿真技术。
背景技术：2.减振器作为底盘结构中的主要阻尼元件，同弹性元件、导向机构一起构成了汽车悬架系统的基本要素，其在快速衰减来自不平路面的振动、改善整车操稳平顺、提高整车强度耐久性能方面发挥着重要作用。
3.当前的整车系统开发过程具有周期要求短、可靠性要求高等特点，整车道路试验无法包络所有的道路工况。为此，通过动力学仿真模拟整车行为，获取整车子系统部件载荷。各子系统往往通过弹性元件连接，其中减振器的阻尼特性对仿真精度的影响尤为突出。减振器的动力学模型构建和参数的准确识别是获取悬架系统部件载荷的基础。减振器动力特性的识别是在样车生产出来之后进行，存在出现设计问题后风险大，改善难度大等情况。另外，开发过程中也可以通过台架试验来评估设计方案，但无法考虑与整车的匹配问题。
4.减振器动力阻尼具有强非线性，减振器真实速度-阻尼动态特性如图1所示，传统减振器动力学模型搭建时多采用“速度-阻尼力”曲线来描述减振器的动力特性，难以考虑复杂恶劣路况对减振器动力行为的影响。对于非线性参数识别，学者提出诸多非线性代理模型，针对相应的代理模型提出了众多参数寻优算法，例如最小二乘算法、梯度寻优法、极大似然估计算法以及遗传算法等，以此来辨识非线性系统的特征参数，但当面临参数较多、非线性较强的情况，算法很难收敛，也会出现局部最优解，从而误导设计的情况。
5.综上所述，目前减振器动力特性难以通过传统函数方式描述，这将导致整车动力仿真的载荷计算精度低。
技术实现要素：6.为了解决上述问题，本发明提出了一种减振器动力特性识别及仿真方法。
7.本发明的技术方案如下：
8.一种减振器动力特性识别模型建立方法，所述方法包括以下步骤：
9.s1、通过整车道路试验测试获取样本数据；
10.s2、对试验数据进行预处理；
11.s3、定义与减振器的动力特性相关的输入输出参数，输出参数定义为减振器的阻尼力，输入参数定义为影响减振器阻尼的相关参数；
12.s4、对筛选得到的参数进行标准化处理；
13.s5、设置神经网络的输入层、输出层和隐藏层结构；
14.s6、按比例分配训练和预测样本，训练集取80％，测试集取20％，设置训练步长和收敛误差，并执行网络运算；
15.s7、根据用户精度需要确定判定网络是否达到精度要求，如果满足需求时，结束网络训练过程；如果不满足要求，修改网络结构参数并重复s5、s6，直至网络精度达标；
16.s8、对最终性能最佳的神经网络模型进行模块化处理。
17.优选地，步骤s1中所述样本数据包括轮心载荷、车辆行驶速度、车身姿态和减振器状态数据。
18.优选地，步骤s2中所述预处理包含对数据的缺失值补齐、异常值剔除以及过滤受噪声影响的频带数据。
19.优选地，步骤s3中所述输入参数的具体定义方法为：
20.对影响阻尼力f
damper
的所有试验参数进行灵敏度分析，参数包括轮心载荷f
whell
、整车行驶姿态d
vehicle
和减振器状态数据d
damper
，参数变化时对阻尼力的影响表示为：
[0021][0022]
其中，是阻尼力对影响参数的i阶灵敏度，通过以上公式计算参数对阻尼力的灵敏度，并保留灵敏度大的参数作为神经网络的输入参数。
[0023]
优选地，步骤s4中所述标准化处理采用z-score方法，所述标准化处理的公式如下：
[0024][0025]
其中，x代表处理前的数据，y代表处理后的数据，μ是x的均值，σ是x的方差。
[0026]
优选地，所述步骤s5中所述神经网络的输入层、输出层和隐藏层结构设置方法为：
[0027]
输入参数用x(x1,x2,
…
,xn)表示，所述输出层的输出参数用y(y1,y2,
…
,yn)表示，输入参数和输出参数的关系用y＝f(wx+b),w(w
i1
,w
i2
,
…
,w
in
)表示连接上一层的输入到相邻层输出的权重，b表示控制网络精度的阈值，输入层和输出层单元个数根据灵敏度确定的参数设定，隐含层的层数和单元个数根据经验公式确定,m和n分别代表输入、输出层单元数，a根据经验取1-10的整数。
[0028]
优选地，步骤s7中所述判定网络是否达到精度要求的方法具体为：
[0029]
通过均方根误差rmse和相关系数r2来评价，
[0030][0031][0032]
其中，m代表样本个数，y代表样本值，代表网络预测值，代表样本均值；rmse越接近0，r2越接近1，网络精度越高。
[0033]
优选地，步骤s8中所述模块化处理具体为采用matlab和python的神经网络封装模块，将网络模型转化为可以根据输入参数实时更新阻尼力的函数模型。
[0034]
本发明还提供了一种减振器动力特性仿真方法，所述仿真方法包括以上所述的模型建立方法，还包括：
[0035]
s9、在动力学模拟软件中根据整车设计参数建立整车动力学模型；
[0036]
s10、根据用户的仿真需要施加载荷，定义分析类型和仿真时间，执行仿真计算；
[0037]
s11、计算过程中神经网络模型跟随迭代步变化实时调用输入参数，并实时更新减振器阻尼力，以实现对真实行驶状态的精准模拟。
[0038]
优选地，步骤s9进一步包括：
[0039]
s91、建立整车各组成部分的模板，包括悬架、稳定杆、转向、车轮和车身；
[0040]
s92、定义各部件的和子系统的连接和通讯关系，用变量表达仿真涉及的可变参数，变量包括轮心载荷、车身姿态和减振器状态；
[0041]
s93、将模块化的神经网络模型以函数形式导入悬架模板中，实现神经网络模型部署；
[0042]
s94、将由模板生成的子系统文件组装成整车模型。
[0043]
与现有技术相比，本发明解决了减振器动力特性难以通过传统函数方式描述的问题，具体有益效果为：
[0044]
1.本发明提供的方法能够准确快速识别减振器的动力学阻尼特性，并在仿真过程中考虑最接近真实的减振器动力特性，提高整车动力学仿真计算的可靠度，缩短减振器的开发周期，助力通过整车动力学仿真模拟整车道路试验，检验整车零部件的耐久性能。
[0045]
2.本发明所使用的神经网络算法是一种智能仿生算法，寻优速度快，适应性强，具有强非线性处理能力，广泛应用于图像识别、股票预测和损伤诊断等领域，针对减振器非线性参数识别问题具有很好的适用性，能够弥补传统算法收敛速度慢，容易陷入局部最优解的问题。同时该算法迁移性强，在设计过程中遇到类似的参数识别问题，可以借用前期开发的神经网络模型进行拓展应用。
附图说明
[0046]
图1为背景技术中所述减振器真实速度-阻尼动态特性关系图；
[0047]
图2为本发明提供的减振器动力特性识别模型建立方法流程示意图；
[0048]
图3为实施例6中所述神经网络结构示意图；
[0049]
图4为本发明提供的减振器动力特性仿真方法流程示意图。
具体实施方式
[0050]
为使本发明的技术方案更加清楚，下面将结合本发明的说明书附图，对本发明实施例中的技术方案进行清楚、完整地描述，需要说明的是，以下实施例仅用于更好地理解本发明的技术方案，而不应理解为对本发明的限制。
[0051]
实施例1.
[0052]
本实施例提供了一种减振器动力特性识别模型建立方法，如图2所示，所述方法包括以下步骤：
[0053]
s1、通过整车道路试验测试获取样本数据；
[0054]
s2、对试验数据进行预处理；
[0055]
s3、定义与减振器的动力特性相关的输入输出参数，输出参数定义为减振器的阻尼力，输入参数定义为影响减振器阻尼的相关参数；
[0056]
s4、对筛选得到的参数进行标准化处理；
[0057]
s5、设置神经网络的输入层、输出层和隐藏层结构；
[0058]
s6、按比例分配训练和预测样本，训练集取80％，测试集取20％，设置训练步长和收敛误差，并执行网络运算；
[0059]
s7、根据用户精度需要确定判定网络是否达到精度要求，如果满足需求时，结束网络训练过程；如果不满足要求，修改网络结构参数并重复s5、s6，直至网络精度达标；
[0060]
s8、对最终性能最佳的神经网络模型进行模块化处理。
[0061]
实施例2.
[0062]
本实施例为对实施例1的进一步举例说明，其中步骤s1中所述样本数据包括轮心载荷、车辆行驶速度、车身姿态和减振器状态数据。
[0063]
本实施例为了尽可能考虑整车在行驶过程中减振器动力特性表现，道路试验需要包含平整和复杂路况。整车仿真时通过在轮心加载激励模拟真实动力行为，而减振器动力特性又和路面特征息息相关，轮心载荷数据可以体现路面特征变化，因此所采集的道路试验数据分为轮心载荷、车辆行驶速度、车身姿态和减振器状态数据。
[0064]
实施例3.
[0065]
本实施例为对实施例1的进一步举例说明，其中步骤s2中所述预处理包含对数据的缺失值补齐、异常值剔除以及过滤受噪声影响的频带数据。
[0066]
通过本实施例所述预处理可以提高数据质量，使得神经网络具有更好的特征获取能力。
[0067]
实施例4.
[0068]
本实施例为对实施例1的进一步举例说明，其中步骤s3中所述输入参数的具体定义方法为：
[0069]
对影响阻尼力f
damper
的所有试验参数进行灵敏度分析，参数包括轮心载荷f
whell
、整车行驶姿态d
vehicle
和减振器状态数据d
damper
，参数变化时对阻尼力的影响表示为：
[0070][0071]
其中，是阻尼力对影响参数的i阶灵敏度，通过以上公式计算参数对阻尼力的灵敏度，并保留灵敏度大的参数作为神经网络的输入参数。
[0072]
实施例5.
[0073]
本实施例为对实施例1的进一步举例说明，其中步骤s4中所述标准化处理采用z-score方法，所述标准化处理的公式如下：
[0074][0075]
其中，x代表处理前的数据，y代表处理后的数据，μ是x的均值，σ是x的方差。
[0076]
本实施例通过标准化处理可以将分布区间较为离散的数据转换为服从标准正态分布的数据，增强网络对数据特征的学习能力。
[0077]
实施例6.
[0078]
本实施例为对实施例1的进一步举例说明，其中步骤s5中所述神经网络的输入层、输出层和隐藏层结构设置方法为：
[0079]
如图3所示，输入参数用x(x1,x2,
…
,xn)表示，所述输出层的输出参数用y(y1,
y2,
…
,yn)表示，输入参数和输出参数的关系用y＝f(wx+b),w(w
i1
,w
i2
,
…
,w
in
)表示连接上一层的输入到相邻层输出的权重，b表示控制网络精度的阈值，输入层和输出层单元个数根据灵敏度确定的参数设定，隐含层的层数和单元个数根据经验公式确定,m和n分别代表输入、输出层单元数，a根据经验取1-10的整数。
[0080]
实施例7.
[0081]
本实施例为对实施例1的进一步举例说明，其中步骤s7中所述判定网络是否达到精度要求的方法具体为：
[0082]
通过均方根误差rmse和相关系数r2来评价，
[0083][0084][0085]
其中，m代表样本个数，y代表样本值，代表网络预测值，代表样本均值；rmse越接近0，r2越接近1，网络精度越高。
[0086]
实施例8.
[0087]
本实施例为对实施例1的进一步举例说明，其中步骤s8中所述模块化处理具体为采用matlab和python的神经网络封装模块，将网络模型转化为可以根据输入参数实时更新阻尼力的函数模型。
[0088]
本实施例将网络模型转化为可以根据输入参数实时更新阻尼力的函数模型，以此达到标准化和实时调用的效果。
[0089]
实施例9.
[0090]
本实施例提供了一种减振器动力特性仿真方法，如图4所示，所述仿真方法包括实施例1-8中任一项所述的模型建立方法，还包括：
[0091]
s9、在动力学模拟软件中根据整车设计参数建立整车动力学模型；
[0092]
s10、根据用户的仿真需要施加载荷，定义分析类型和仿真时间，执行仿真计算；
[0093]
s11、计算过程中神经网络模型跟随迭代步变化实时调用输入参数，并实时更新减振器阻尼力，以实现对真实行驶状态的精准模拟。
[0094]
基于以上实施例建立的识别模型，可以实现对减振器阻尼动力特性的识别，本实施例通过整车动力学仿真阶段调用该模型，可以根据输入参数实时更新阻尼力的函数模型，以此达到标准化和实时调用的效果，实现对真实行驶状态的精准模拟。
[0095]
实施例10.
[0096]
本实施例为对实施例9的进一步举例说明，其中步骤s9进一步包括：
[0097]
s91、建立整车各组成部分的模板，包括悬架、稳定杆、转向、车轮和车身；
[0098]
s92、定义各部件的和子系统的连接和通讯关系，用变量表达仿真涉及的可变参数，变量包括轮心载荷、车身姿态和减振器状态；
[0099]
s93、将模块化的神经网络模型以函数形式导入悬架模板中，实现神经网络模型部署；
[0100]
s94、将由模板生成的子系统文件组装成整车模型。
技术特征：1.一种减振器动力特性识别模型建立方法，其特征在于，所述方法包括以下步骤：s1、通过整车道路试验测试获取样本数据；s2、对试验数据进行预处理；s3、定义与减振器的动力特性相关的输入输出参数，输出参数定义为减振器的阻尼力，输入参数定义为影响减振器阻尼的相关参数；s4、对筛选得到的参数进行标准化处理；s5、设置神经网络的输入层、输出层和隐藏层结构；s6、按比例分配训练和预测样本，训练集取80％，测试集取20％，设置训练步长和收敛误差，并执行网络运算；s7、根据用户精度需要确定判定网络是否达到精度要求，如果满足需求时，结束网络训练过程；如果不满足要求，修改网络结构参数并重复s5、s6，直至网络精度达标；s8、对最终性能最佳的神经网络模型进行模块化处理。2.根据权利要求1所述的减振器动力特性识别模型建立方法，其特征在于，步骤s1中所述样本数据包括轮心载荷、车辆行驶速度、车身姿态和减振器状态数据。3.根据权利要求1所述的减振器动力特性识别模型建立方法，其特征在于，步骤s2中所述预处理包含对数据的缺失值补齐、异常值剔除以及过滤受噪声影响的频带数据。4.根据权利要求1所述的减振器动力特性识别模型建立方法，其特征在于，步骤s3中所述输入参数的具体定义方法为：对影响阻尼力f
damper
的所有试验参数进行灵敏度分析，参数包括轮心载荷f
whell
、整车行驶姿态d
vehicle
和减振器状态数据d
damper
，参数变化时对阻尼力的影响表示为：其中，是阻尼力对影响参数的i阶灵敏度，通过以上公式计算参数对阻尼力的灵敏度，并保留灵敏度大的参数作为神经网络的输入参数。5.根据权利要求1所述的减振器动力特性识别模型建立方法，其特征在于，步骤s4中所述标准化处理采用z-score方法，所述标准化处理的公式如下：其中，x代表处理前的数据，y代表处理后的数据，μ是x的均值，σ是x的方差。6.根据权利要求1所述的减振器动力特性识别模型建立方法，其特征在于，所述步骤s5中所述神经网络的输入层、输出层和隐藏层结构设置方法为：输入参数用x(x1,x2,
…
,x
n
)表示，所述输出层的输出参数用y(y1,y2,
…
,y
n
)表示，输入参数和输出参数的关系用y＝f(wx+b),w(w
i1
,w
i2
,
…
,w
in
)表示连接上一层的输入到相邻层输出的权重，b表示控制网络精度的阈值，输入层和输出层单元个数根据灵敏度确定的参数设定，隐含层的层数和单元个数根据经验公式确定,m和n分别代表输入、输出层单元数，a根据经验取1-10的整数。7.根据权利要求1所述的减振器动力特性识别模型建立方法，其特征在于，步骤s7中所述判定网络是否达到精度要求的方法具体为：
通过均方根误差rmse和相关系数r2来评价，通过均方根误差rmse和相关系数r2来评价，其中，m代表样本个数，y代表样本值，代表网络预测值，代表样本均值；rmse越接近0，r2越接近1，网络精度越高。8.根据权利要求1所述的减振器动力特性识别模型建立方法，其特征在于，步骤s8中所述模块化处理具体为采用matlab和python的神经网络封装模块，将网络模型转化为可以根据输入参数实时更新阻尼力的函数模型。9.一种减振器动力特性仿真方法，其特征在于，所述仿真方法包括权利要求1-8中任一项所述的模型建立方法，还包括：s9、在动力学模拟软件中根据整车设计参数建立整车动力学模型；s10、根据用户的仿真需要施加载荷，定义分析类型和仿真时间，执行仿真计算；s11、计算过程中神经网络模型跟随迭代步变化实时调用输入参数，并实时更新减振器阻尼力，以实现对真实行驶状态的精准模拟。10.根据权利要求9所述的减振器动力特性仿真方法，其特征在于，步骤s9进一步包括：s91、建立整车各组成部分的模板，包括悬架、稳定杆、转向、车轮和车身；s92、定义各部件的和子系统的连接和通讯关系，用变量表达仿真涉及的可变参数，变量包括轮心载荷、车身姿态和减振器状态；s93、将模块化的神经网络模型以函数形式导入悬架模板中，实现神经网络模型部署；s94、将由模板生成的子系统文件组装成整车模型。
技术总结减振器动力特性识别模型建立方法及仿真方法，涉及动力学仿真技术领域，解决了减振器动力特性难以通过传统函数方式描述的问题，可应用于整车系统开发过程中获取悬架系统部件载荷。识别模型建立方法包括：获取样本数据；对试验数据预处理；定义与减振器的动力特性相关的输入输出参数；参数进行标准化处理；设置神经网络的输入层、输出层和隐藏层结构；按比例分配训练和预测样本，设置训练步长和收敛误差，并执行网络运算；根据用户精度需要确定判定网络是否达到精度要求；神经网络模型模块化处理。仿真方法还包括在动力学模拟软件中根据整车设计参数建立整车动力学模型；根据用户的仿真需要施加载荷，定义分析类型和仿真时间，执行仿真计算。执行仿真计算。执行仿真计算。
技术研发人员：常进云 韩超 赵星明 孙佳兴 武小一 高闯
受保护的技术使用者：中国第一汽车股份有限公司
技术研发日：2022.05.23
技术公布日：2022/11/1
