一种动态侧翻工况下基于数模双驱动的车辆动力学建模方法

摘要: 本发明涉及智能车辆建模,尤其是涉及一种动态侧翻工况下基于数模双驱动的车辆动力学建模方法。背景技术:1、车辆动力学建模是车辆操纵稳定性控制、侧翻风险评估及底盘执行...
一种动态侧翻工况下基于数模双驱动的车辆动力学建模方法

本发明涉及智能车辆建模,尤其是涉及一种动态侧翻工况下基于数模双驱动的车辆动力学建模方法。

背景技术:

1、车辆动力学建模是车辆操纵稳定性控制、侧翻风险评估及底盘执行器协同控制等关键技术的基础。现有车辆状态建模与估计方法主要分为机理模型方法与数据模型方法两类。

2、机理模型基于物理定律构建,具有物理意义明确、可解释性强、便于控制器设计等优点,因而在工程实践中应用广泛。然而,为满足车载控制器的在线实时计算需求,机理模型在实际应用中常需进行线性化、模型降阶及小角度近似等处理,并不可避免地弱化轮胎非线性、悬架非线性等因素的影响。当车辆处于常规行驶工况时,上述简化处理尚能保证足够的建模精度;但当车辆进入动态侧翻等极限工况时,车辆动力学系统呈现出显著的强非线性、强耦合和快速瞬态特征,常伴随轮胎力饱和、侧倾滞后、轮间载荷快速转移及状态突变等现象,导致线性化机理模型产生严重的模型失配问题,关键状态参数的估计精度下降。数据模型方法依赖试验或仿真数据建立输入与输出之间的映射关系,在训练数据覆盖充分的情况下可获得较高精度。但是,数据模型通常存在可解释性不足、对数据分布依赖性强、对未见工况泛化能力有限等固有缺陷。特别是在动态侧翻等极限工况下,由于实车试验风险高、成本大,极限工况数据难以全面覆盖,数据模型更易出现外推失真或输出不稳定等问题,难以满足安全关键场景对鲁棒性与可控性的严格要求。

3、近年来,基于两类方法的互补性,数据驱动与机理模型融合的混合建模思路得到发展,其核心思想是以机理模型提供物理一致性框架,并利用数据模型补偿未建模动态、参数不确定性及非线性误差,以提升在线建模精度与鲁棒性。然而,现有混合建模方法多面向常规或中等激励工况设计,对极限工况尤其是动态侧翻工况的研究相对不足。动态侧翻工况的工况边界敏感、数据采集与标定验证困难,进一步放大了模型失配与数据外推风险,使得现有混合建模方法在该类工况下的稳定性与可用性难以保证。因此,如何克服线性化机理模型在动态侧翻等极限工况非线性段的系统性失配问题,并提高数据补偿在该类极限工况下的稳定性与可用性,兼顾建模精度、物理一致性、实时性与在线可靠性,是需要解决的技术问题。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种动态侧翻工况下基于数模双驱动的车辆动力学建模方法,通过构建线性化车辆动力学模型并计算侧倾角及侧倾角速度残差作为训练标签,利用cnn-lstm融合神经网络对机理模型在非线性段的系统性偏差进行针对性残差补偿,同时结合输入特征有效域判断与残差输出限值约束构建异常检测及分层降级策略,解决了动态侧翻极限工况下线性化机理模型失配与纯数据模型外推失真的问题。

2、本发明的目的可以通过以下技术方案来实现:

3、根据本发明的一个方面,提供了一种动态侧翻工况下基于数模双驱动的车辆动力学建模方法,具体步骤包括:

4、s1、采集车辆在多种操稳性测试工况下的车辆状态参数,以及线性化车辆动力学模型输出的模型状态参数;

5、s2、根据所述车辆状态参数和所述线性化车辆动力学模型输出的模型状态参数,计算偏差,得到残差样本数据;所述残差样本数据包括侧倾角残差和侧倾角速度残差;

6、s3、对所述车辆状态参数进行相关性筛选,得到用于残差预测的输入特征数据;基于所述输入特征数据和所述残差样本数据,构建并训练残差预测神经网络;得到训练好的残差预测模型;

7、所述残差预测模型用于,在线运行时采集车辆实时状态数据,将所述车辆实时状态数据和所述模型状态参数作为输入,得到残差预测值;根据所述残差预测值对所述线性化车辆动力学模型的输出进行补偿修正,得到最终的状态输出结果;根据所述输入特征数据和残差预测值设定异常检测条件,当在线运行过程中检测到异常时触发降级策略。

8、进一步地,所述s1中,获取车辆在多种操稳性测试工况下的车辆状态参数,具体包括:选择方向盘阶跃输入工况、方向盘斜坡输入工况、j-turn工况和双移线工况作为操稳性测试工况,通过改变车速和路面附着系数构建测试参数矩阵,采用车辆动力学仿真软件采集各工况下的车辆状态参数,获取所述线性化车辆动力学模型在对应工况下输出的模型状态参数;

9、所述车辆状态参数包括方向盘转角、纵向车速、横摆角速度、侧向加速度、侧倾角和侧倾角速度;所述线性化车辆动力学模型输出的模型状态参数包括横摆角速度、侧倾角和侧倾角速度。

10、进一步地,所述线性化车辆动力学模型为忽略车辆纵向和俯仰动力学特性,基于侧向力、侧偏角线性相关和小角度近似原则建立的包括侧向自由度、横摆自由度和侧倾自由度的三自由度线性化模型,且在侧向自由度和横摆自由度中计算侧倾项的影响。

11、进一步地,所述s3中,对所述车辆状态参数进行相关性筛选,具体包括:计算所述车辆状态参数中的状态量的相关性,构建协方差矩阵进行特征筛选;所述状态量包括轮间载荷转移量、方向盘转角、纵向车速、侧向速度、侧向加速度、横摆角、横摆角速度、侧倾角、侧倾角速度和机理模型,以及与实际数据之间的侧向速度偏差、侧倾角偏差和侧倾角速度偏差;根据筛选结果确定用于残差预测的输入特征数据。

12、进一步地,所述s3中,构建并训练残差预测神经网络具体包括:构建依次包括输入层、一维卷积层、池化层、长短期记忆网络层、随机丢弃层和输出层的神经网络模型;对所述输入特征数据进行标准化处理,使各输入特征数据的均值为零且方差为一;将所述残差样本数据作为训练标签,以侧倾角残差和侧倾角速度残差的均方误差作为损失函数,通过反向传播算法更新网络参数进行训练;通过贝叶斯优化方法对所述神经网络模型的超参数进行搜索优化,所述超参数包括卷积层数、卷积核数量、卷积核大小、长短期记忆网络层数、长短期记忆网络神经元数量和初始学习率。

13、进一步地,根据所述残差预测值对所述线性化车辆动力学模型的输出进行补偿修正,得到最终的状态输出结果,具体包括:将所述线性化车辆动力学模型输出的侧倾角和所述残差预测值中的侧倾角残差预测值累加,得到修正后的侧倾角;将所述线性化车辆动力学模型输出的侧倾角速度和所述残差预测值中的侧倾角速度残差预测值累加,得到修正后的侧倾角速度。

14、进一步地,根据所述输入特征数据和残差预测值设定异常检测条件,具体包括:对在线运行时接收到的输入特征数据进行有效域判断,若任一特征数据超出预设的特征阈值范围,则判定为异常;对所述残差预测值进行限值判断和变化率约束判断,若所述残差预测值超出预设的残差阈值范围或残差变化率超出预设的变化率阈值范围,则判定为异常;

15、所述当检测到异常时触发降级策略,具体包括:根据异常检测结果确定置信权重,所述置信权重用于表征对所述残差预测值的信任程度;当检测到输出幅值异常且异常程度低于预设严重程度阈值时,对所述残差预测值进行限幅降级处理后输出;当检测到所述残差预测值在系统噪声下抖动时,对所述残差预测值进行滤波平滑处理后输出;当检测到满足预设的强制异常条件时,退化为纯机理模型输出,即直接输出所述线性化车辆动力学模型的计算结果。

16、进一步地,所述置信权重根据输入特征数据是否越界、残差预测值是否超限和残差变化率是否超限综合确定,所述置信权重取值为第一值时采用所述残差预测值进行补偿修正,所述置信权重取值为第二值时退化为所述线性化车辆动力学模型的输出,所述置信权重介于所述第一值与所述第二值之间时按照所述置信权重的比例进行加权融合输出。

17、根据本发明的第二方面,提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现所述的方法。

18、根据本发明的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现所述的方法。

19、与现有技术相比,本发明具有以下有益效果:

20、(1)本发明采用机理模型与数据模型融合的双驱动架构,通过建立线性化车辆动力学模型并基于仿真数据计算侧倾角和侧倾角速度的残差样本,利用残差预测神经网络对线性化模型在非线性段的系统性偏差进行针对性补偿,使得侧倾角和侧倾角速度的观测值更接近真实值。由于数据模型仅需学习残差项而非完整的车辆状态映射,机理模型提供的物理一致性框架约束了状态输出的基本变化趋势,有效克服了纯数据模型在未见工况下外推失真的问题,同时弥补了线性化机理模型在轮胎力饱和及载荷快速转移等强非线性阶段的模型失配缺陷,在动态侧翻等极限工况下,无需进行高风险实车测试即可获得高精度的车辆状态估计结果,为侧翻风险评估提供了可靠的输入数据支撑。

21、(2)本发明采用cnn与lstm融合的残差预测神经网络,通过一维卷积层对输入特征序列进行局部特征提取,捕捉侧翻过程中因轮间载荷快速转移和轮胎力饱和所引发的状态量短时突变特征,并通过长短期记忆网络层对时序信息进行动态记忆与传递,有效保留侧倾滞后及状态瞬态变化过程中的长期依赖关系。同时,通过贝叶斯优化方法对卷积层数、卷积核数量与大小、lstm层数及神经元数量等超参数进行自适应搜索,使网络结构针对动态侧翻工况的瞬态特征得到优化匹配,网络输出的残差补偿值能够准确跟踪线性化模型在非线性段的时变偏差,为后续补偿修正提供高精度的预测结果。

22、(3)本发明通过输入特征有效域判断和残差输出限值与变化率约束构建异常检测机制,当任一输入特征超出预设阈值范围时判定为异常,当残差预测值超出物理合理区间或其变化率超出约束范围时触发降级动作,依据异常严重程度执行限幅降级、滤波平滑或退化为纯机理模型输出。通过上述分层降级策略,在神经网络输入超出训练域或输出不可信时自动切换至安全输出模式,有效抑制了数据模型外推失真或输出不稳定的风险,在保持极限工况建模精度的同时,保障了车载控制器在线运行的安全性和鲁棒性,满足车辆动态侧翻安全控制等实际工程应用对建模方法可靠性的要求。