汽車專業(yè)畢業(yè)設(shè)計(jì)外文翻譯

1、On the vehicle sideslip angle estimation through neural networks:Numerical and experimental results.S. Melzi,E. SabbioniMechanical Systems and Signal Processing 25 (2011)：1428電腦估計(jì)車輛側(cè)滑角的數(shù)值和實(shí)驗(yàn)結(jié)果S.梅爾茲,E.賽博畢寧機(jī)械系統(tǒng)和信號(hào)處理2011年第25期：1428窗體頂端摘 要 將穩(wěn)定控制系統(tǒng)應(yīng)用于差動(dòng)制動(dòng)/外輪胎是現(xiàn)在對(duì)客車車輛的標(biāo)準(zhǔn)（電子穩(wěn)定系統(tǒng)ESP、直接偏航力矩控制DYC）。這些系統(tǒng)假設(shè)將兩個(gè)偏航率

2、(通常是衡量板)和側(cè)滑角作為控制變量。不幸的是后者的具體數(shù)值只有通過非常昂貴卻不適合用于普通車輛的設(shè)備才可以實(shí)現(xiàn)直接被測(cè)量,因此只能估計(jì)其數(shù)值。幾個(gè)州的觀察家最終將適應(yīng)參數(shù)的參考車輛模型作為開發(fā)的目的。然而側(cè)滑角的估計(jì)還是一個(gè)懸而未決的問題。為了避免有關(guān)參考模型參數(shù)識(shí)別/適應(yīng)的問題,本文提出了分層神經(jīng)網(wǎng)絡(luò)方法估算側(cè)滑角。橫向加速度、偏航角速率、速度和引導(dǎo)角,都可以作為普通傳感器的輸入值。人腦中的神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和定義的策略構(gòu)成訓(xùn)練集通過數(shù)值模擬與七分布式光纖傳感器的車輛模型都已經(jīng)獲得了。在各種路面上神經(jīng)網(wǎng)絡(luò)性能和穩(wěn)定已經(jīng)通過處理實(shí)驗(yàn)數(shù)據(jù)獲得和相應(yīng)的車輛和提到幾個(gè)處理演習(xí)(一步引導(dǎo)、電源、雙車道變

3、化等)得以證實(shí)。結(jié)果通常顯示估計(jì)和測(cè)量的側(cè)滑角之間有良好的一致性。1 介紹 穩(wěn)定控制系統(tǒng)可以防止車輛的旋轉(zhuǎn)和漂移。實(shí)際上，在輪胎和道路之間的物理極限的附著力下駕駛汽車是一個(gè)極其困難的任務(wù)。通常大部分司機(jī)不能處理這種情況和失去控制的車輛。最近,為了提高車輛安全，穩(wěn)定控制系統(tǒng)(ESP1,2; DYC3,4)介紹了通過將差動(dòng)制動(dòng)/驅(qū)動(dòng)扭矩應(yīng)用到/外輪胎來試圖控制偏航力矩的方法。 橫擺力矩控制系統(tǒng)（DYC）是基于偏航角速率反饋進(jìn)行控制的。在這種情況下,控制系統(tǒng)使車輛處于由司機(jī)轉(zhuǎn)向輸入和車輛速度控制的期望的偏航率3,4。然而為了確保穩(wěn)定，防止特別是在低摩擦路面上的車輛側(cè)滑角變得太大是必要的1,2。事實(shí)上

4、由于非線性回旋力和輪胎滑移角之間的關(guān)系，轉(zhuǎn)向角的變化幾乎不改變偏航力矩。因此兩個(gè)偏航率和側(cè)滑角的實(shí)現(xiàn)需要一個(gè)有效的穩(wěn)定控制系統(tǒng)1,2。不幸的是,能直接測(cè)量的側(cè)滑角只能用特殊設(shè)備(光學(xué)傳感器或GPS慣性傳感器的組合)，現(xiàn)在這種設(shè)備非常昂貴,不適合在普通汽車上實(shí)現(xiàn)。因此, 必須在實(shí)時(shí)測(cè)量的基礎(chǔ)上進(jìn)行側(cè)滑角估計(jì)，具體是測(cè)量橫向/縱向加速度、角速度、引導(dǎo)角度和車輪角速度來估計(jì)車輛速度。在主要是基于狀態(tài)觀測(cè)器/卡爾曼濾波器(5、6)的文學(xué)資料里, 提出了幾個(gè)側(cè)滑角估計(jì)策略。因?yàn)閲?guó)家觀察員都基于一個(gè)參考車輛模型,他們只有準(zhǔn)確已知模型參數(shù)的情況下，才可以提供一個(gè)令人滿意的估計(jì)。根據(jù)這種觀點(diǎn),輪胎特性尤其關(guān)鍵

5、取決于附著條件、溫度、磨損等特點(diǎn)。 輪胎轉(zhuǎn)彎剛度的提出就是為了克服這些困難,適應(yīng)觀察員能夠提供一個(gè)同步估計(jì)的側(cè)滑角和附著條件7,8。這種方法的弊端是一個(gè)更復(fù)雜的布局的估計(jì)量導(dǎo)致需要很高的計(jì)算工作量。 另一種方法可由代表神經(jīng)網(wǎng)絡(luò)由于其承受能力模型非線性系統(tǒng)，這樣不需要一個(gè)參考模型。變量之間的關(guān)系表明，實(shí)際上車輛動(dòng)力學(xué)的測(cè)量板測(cè)和側(cè)滑角通常是純粹的數(shù)值而它的結(jié)果則是從一個(gè)網(wǎng)絡(luò)“學(xué)習(xí)”復(fù)制目標(biāo)輸出關(guān)聯(lián)到一個(gè)特定的輸入的訓(xùn)練過程。 在本文可以發(fā)現(xiàn)一些嘗試應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)側(cè)滑角估計(jì)。在9,側(cè)滑角在即時(shí)k + 1，k, k -1,k - n的值是作為一個(gè)功能的橫向加速度和角速度的估計(jì)。從結(jié)果來看解決似乎

6、很有前景,但車輛速度變化的影響(不包括在神經(jīng)網(wǎng)絡(luò)的輸入變量)和對(duì)路面附著系數(shù)的問題仍未解決。 神經(jīng)網(wǎng)絡(luò)中表明不是基于一個(gè)非常規(guī)組傳感器:輸入到神經(jīng)網(wǎng)絡(luò)實(shí)際上是這些措施提供了四個(gè)雙軸加速度計(jì)放置在對(duì)應(yīng)的車身設(shè)計(jì)的每一個(gè)角落。然而,即使在這種情況下,影響附著條件對(duì)神經(jīng)網(wǎng)絡(luò)性能仍無(wú)法解決。 本研究的目的是進(jìn)一步調(diào)查這種應(yīng)用神經(jīng)網(wǎng)絡(luò)的方法對(duì)側(cè)滑角估計(jì)作為輸入的可能性，通常只有測(cè)量獲得了板測(cè)量(橫向/縱向加速度、角速度,引導(dǎo)角和車輛速度)和考慮速度和附著狀況的變化。特別地, 因?yàn)檫@個(gè)架構(gòu)顯示有一個(gè)廣泛的適用性動(dòng)態(tài)表示問題，一個(gè)雙層(或單隱層)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)才得以出現(xiàn)11。在第一階段的研究, 在一個(gè)分布式光

7、纖傳感器的車輛模型基礎(chǔ)上進(jìn)行了數(shù)值分析結(jié)果。期間,一直在輸入不同的的數(shù)值進(jìn)入人工神經(jīng)網(wǎng)絡(luò)系統(tǒng),直到得到滿意的結(jié)果為止。采用的訓(xùn)練集的特點(diǎn)是,在高/低粘附路面上演習(xí)不同諧波容(步驟引導(dǎo),橫掃正弦駕駛),水平的橫向加速度。此外，選擇包括輸入之間的神經(jīng)網(wǎng)絡(luò)估計(jì)側(cè)滑角已經(jīng)決定。 隨后,一旦確定了最佳輸入和訓(xùn)練集, 在一個(gè)檢測(cè)車輛的實(shí)際駕駛情況后處理獲得的實(shí)驗(yàn)數(shù)據(jù)，實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)性能和穩(wěn)定。特別是,大部分人的注意力都集中在神經(jīng)網(wǎng)絡(luò)的能力上,以提供在外線性車輛響應(yīng)圍和在高或低摩擦路面上穩(wěn)態(tài)或瞬態(tài)側(cè)滑角的可靠的估計(jì)。2 數(shù)值數(shù)據(jù)應(yīng)用 在第一階段的一個(gè)人工神經(jīng)網(wǎng)絡(luò)工作組進(jìn)行訓(xùn)練和測(cè)試通過數(shù)值數(shù)據(jù);這一階段的

8、主要目標(biāo)是設(shè)計(jì)一個(gè)能夠在不同的路面上提供準(zhǔn)確和可靠的側(cè)滑角估計(jì)的一個(gè)神經(jīng)網(wǎng)絡(luò)與一個(gè)合適的體系結(jié)構(gòu)。 神經(jīng)網(wǎng)絡(luò)在動(dòng)態(tài)仿真模塊環(huán)境下實(shí)現(xiàn)一個(gè)簡(jiǎn)化的d段客車車輛模型生成信號(hào)的訓(xùn)練和測(cè)試;數(shù)值模型利用分布式光纖傳感器的車輛模型來描述在水平面的位移的重心（c.o.g）偏航運(yùn)動(dòng)身體和四個(gè)輪子的旋轉(zhuǎn).基于括在車輛模型縱向和側(cè)向加速度包的瞬時(shí)負(fù)載轉(zhuǎn)移,以考慮每個(gè)輪胎在車削、加速和制動(dòng)演習(xí)時(shí)候的垂直荷載的變化。相反懸架阻尼和剛度總被忽視, 因?yàn)檫@個(gè)參數(shù)必須正確估計(jì)，所以除了之間的比率前/后輥剛度不同負(fù)載轉(zhuǎn)移而轉(zhuǎn)彎。引導(dǎo)角,油門/剎車位置和齒輪被視為輸入模型。輪胎的交互作用模擬1996版的Pacejka 中頻14

9、中允許考慮滑移條件相結(jié)合。摩擦系數(shù)是按比例復(fù)制的峰值摩擦系數(shù)從而改變的。 一旦確認(rèn)通過與實(shí)驗(yàn)測(cè)量的比較,該模型用于生成一組訓(xùn)練演習(xí),并提供一些數(shù)據(jù)來檢查網(wǎng)絡(luò)系統(tǒng)的性能。在這個(gè)過程中幾個(gè)變量會(huì)應(yīng)用到網(wǎng)絡(luò),特別是到向量的輸入數(shù)據(jù),直到得到與測(cè)量數(shù)據(jù)前的測(cè)試滿意的結(jié)果。2.1 網(wǎng)絡(luò)的架構(gòu) 一般來說一個(gè)神經(jīng)網(wǎng)絡(luò)12,13是MIMO非物質(zhì)模型，其主要優(yōu)勢(shì)是在減少計(jì)算時(shí)間,其基本單位的乘坐被稱為神經(jīng)元,每一個(gè)神經(jīng)元都能夠執(zhí)行簡(jiǎn)單的數(shù)學(xué)運(yùn)算;神經(jīng)元集成在一個(gè)可以實(shí)現(xiàn)一種并行計(jì)算結(jié)構(gòu)里。 每個(gè)網(wǎng)絡(luò)的特點(diǎn)是一定數(shù)量的參數(shù)所代表的收益和權(quán)重的神經(jīng)元, 神經(jīng)元是通過一個(gè)訓(xùn)練階段決定的，該階段是一組時(shí)間歷史的輸入信號(hào)是提供給網(wǎng)絡(luò)和相應(yīng)的目標(biāo)值與輸出網(wǎng)絡(luò)本身,這個(gè)過程是反復(fù)地重復(fù)調(diào)整參數(shù),直到輸出匹配目標(biāo)在所需的公差圍。 除了數(shù)量的神經(jīng)元之外，神經(jīng)網(wǎng)絡(luò)的架構(gòu)定義的層數(shù)和神經(jīng)元間的連接增加的復(fù)雜性往往導(dǎo)致高專業(yè)化的網(wǎng)絡(luò)，該網(wǎng)絡(luò)顯示有限能力適應(yīng)條件的不同的訓(xùn)練集(過度擬合)。因此選擇一個(gè)合適的體系結(jié)構(gòu)是一個(gè)在準(zhǔn)確性和