物理数据双驱动自适应融合的轮胎纵向力估计方法

本技术涉及车辆动力学建模与轮胎力估计，尤其涉及一种物理数据双驱动自适应融合的轮胎纵向力估计方法。

背景技术：

1、轮胎纵向力是描述轮胎纵向滑移行为的重要变量，直接影响车辆制动稳定性、牵引控制性能和纵向运动控制性能。在紧急制动等高纵向滑移率工况下，轮胎与路面接触界面会出现摩擦滞回、黏滑转变以及峰值后的非线性衰减，使轮胎纵向力表现出明显的非线性和时变特征。

2、现有轮胎纵向力建模方法主要包括经验模型、机理模型和数据驱动模型。以魔术公式为代表的经验模型能够描述轮胎纵向力与滑移率之间的稳态关系；dugoff模型（即杜戈夫轮胎模型）、刷子模型和lugre摩擦模型从轮胎接触及摩擦机理角度描述轮胎力；多层感知机、长短期记忆网络和卷积神经网络通过样本数据学习输入变量与轮胎力之间的非线性映射关系。

3、经验模型和机理模型通常依赖固定解析结构、理想化接触假设或预设模型参数，在高滑移紧急制动工况下难以充分描述轮胎纵向力的非稳态建立过程以及局部强非线性变化。纯数据驱动模型虽然具有较强的非线性拟合能力，但由于缺少显式物理机理约束，在样本覆盖不足或运行工况发生变化时容易出现预测振荡、峰值偏移和物理一致性不足。

4、现有物理模型与数据驱动模型的混合方法通常采用物理模型残差补偿、物理约束损失函数或观测器辅助网络训练，使物理模型和数据驱动模型在训练阶段产生耦合。当物理模型存在参数误差或结构偏差时，直接将其作为训练约束可能使数据驱动模型的预测结果趋向存在偏差的物理输出。此外，现有混合轮胎力模型多数采用稳态经验模型作为物理先验，对高滑移紧急制动工况下的动态摩擦建立过程考虑不足；固定融合权重也无法适应不同滑移率和垂向载荷区域内两类模型预测可靠性的变化。

5、因此，需要一种能够分别发挥数据驱动模型和动态物理模型作用，并依据当前轮胎工况自适应调节两类预测结果贡献比例的轮胎纵向力预测方法。

技术实现思路

1、本技术实施例提供的一种物理数据双驱动自适应融合的轮胎纵向力估计方法，能够在高滑移紧急制动工况下，同时描述动态摩擦建立过程和局部强非线性，解决物理一致性不足的问题，以及解决固定融合权重无法适应不同滑移率和垂向载荷区域内模型预测可靠性变化的问题。

2、为了实现上述目的，根据本技术提供一种物理数据双驱动自适应融合的轮胎纵向力估计方法，包括以下步骤：

3、s100、获取轮胎状态数据，构建直线紧急制动数据集，并将直线紧急制动数据集划分为训练验证数据集、权重标定数据集、测试数据集和工况泛化数据集；

4、s200、将轮胎状态数据中的轮胎滑移率和垂向载荷作为输入，利用训练验证数据集训练改进的人工神经网络，训练完成后固定改进的人工数据网络的网络参数，输出数据驱动纵向力预测；

5、s300、将轮胎状态数据中的相对滑移速度和垂向载荷作为输入，利用具有内部刷毛变形状态的动态摩擦物理驱动模型获得物理驱动纵向力预测；

6、s400、将独立校准集分别输入参数固定的改进的人工神经网络（即小波-柯尔莫哥洛夫-阿诺德网络数据驱动模型，wavelet-kan数据驱动模型）和动态摩擦物理驱动模型（即lugre动态摩擦物理驱动模型），并分别计算相对于参考纵向力的局部预测误差，建立数据驱动连续局部误差函数和物理驱动连续局部误差函数；

7、s500、将测试样本的当前滑移率和当前垂向载荷代入数据驱动连续局部误差函数和物理驱动连续局部误差函数，获得数据驱动估计误差和物理驱动估计误差，按照逆误差原则计算数据驱动融合权重和物理驱动融合权重，并对数据驱动纵向力预测和物理驱动纵向力预测进行加权求和，得到轮胎纵向力估计结果。

8、在一些实施例中，所述改进的人工神经网络的输出函数为：

9、

10、其中，为轮胎滑移率，为垂向载荷，为改进的人工神经网络的网络参数；

11、所述动态摩擦物理驱动模型的输出函数为：

12、

13、其中，为相对滑移速度，为垂向载荷，为动态摩擦物理驱动模型的参数。

14、在一些实施例中，所述改进的人工神经网络包括输入层、两个隐藏层和输出层，所述输入层包括对应滑移率和垂向载荷的两个节点，每个所述隐藏层包括五个节点，所述输出层包括对应轮胎纵向力预测的一个节点；各层之间的边配置一元小波边函数，两个所述隐藏层和所述输出层中的各节点分别执行加法运算，所述一元小波边函数为：

15、

16、其中，为线性残差项系数，为输入变量，为单条边函数中的小波基函数数量，为第个小波基函数的幅值参数，为母小波函数，为第个小波基函数的平移参数，为第个小波基函数的尺度参数；所述母小波函数为二阶高斯导数：

17、

18、其中，表示以自然常数e为底的指数函数。

19、在一些实施例中，所述动态摩擦物理驱动模型根据内部状态变量和相对滑移速度以及描述斯特里贝克摩擦函数来更新内部刷毛变形状态，所述内部状态方程为：

20、

21、所述斯特里贝克摩擦函数为：

22、

23、其中，为刷毛刚度，为库仑摩擦系数，为静摩擦系数，为临界速度，为速度指数，所述静摩擦系数按照道路附着系数设置。

24、在一些实施例中，所述动态摩擦物理驱动模型采用离散时间形式更新内部状态，离散状态更新式为：

25、

26、内部刷毛变形状态的导数为：

27、

28、物理驱动纵向力预测为：

29、

30、其中，为刷毛阻尼系数，为黏性摩擦系数，为第个采样时刻的内部刷毛变形状态，为前一采样时刻的内部刷毛变形状态，为时间步长，为正数常量。

31、在一些实施例中，建立所述连续局部误差函数包括：根据滑移率绝对值和归一化垂向载荷构成二维工况空间；沿滑移率方向对所述二维工况空间进行分段，并沿垂向载荷方向进行均匀划分，获得多个局部区域；分别计算每个局部区域内的数据驱动纵向力预测和物理驱动纵向力预测相对于参考纵向力的均方误差，所述数据驱动局部均方误差和所述物理驱动局部均方误差分别为：

32、

33、

34、其中，为局部区域中的样本数量，为样本序号，为数据驱动模型在第个样本的纵向力预测值，为动态摩擦物理驱动模型在第个样本的纵向力预测值，为第个样本的参考纵向力真实值；

35、设定样本量阈值，将局部区域中的样本数量与样本量阈值进行对比，当局部区域中的样本数量不足时，将该局部区域与相邻局部区域合并。

36、在一些实施例中，所述数据驱动连续局部误差函数和所述物理驱动连续局部误差函数分别表示为：

37、

38、

39、其中，为轮胎滑移率，，为垂向载荷，通过最大最小归一化方法计算归一化垂向载荷，将垂向载荷映射至统一尺度，；、分别为标定集中的最小和最大垂向载荷，为数据驱动误差函数的拟合系数，为物理驱动误差函数的拟合系数。

40、在一些实施例中，对应样本下数据驱动估计误差和对应样本下物理驱动估计误差分别为：

41、

42、

43、其中，为避免拟合函数在边界区域出现非正值的极小正数，为第个样本下的数据驱动模型估计误差，为第个样本下的物理驱动模型估计误差；

44、所述数据驱动融合权重和所述物理驱动融合权重分别为：

45、

46、

47、最终轮胎纵向力估计结果为：

48、

49、其中，为最终融合轮胎纵向力估计结果，为由数据驱动模型输出的纵向力预测值，为由动态摩擦物理驱动模型输出的纵向力预测值。

50、在一些实施例中，对于未参与改进的人工神经网络训练和局部误差函数校准的道路附着系数，则根据已标定的低附着道路附着系数和高附着道路附着系数对应的连续局部误差函数进行线性插值，获得当前附着条件下的误差函数；

51、线性插值系数的计算公式如下：

52、

53、当前附着条件下数据驱动插值误差函数与物理驱动插值误差函数分别为：

54、

55、

56、其中，为低附着道路对应的数据驱动连续局部误差函数，为物理驱动连续局部误差函数，和分别为高附着道路对应的数据驱动连续局部误差函数和物理驱动连续局部误差函数。

57、本技术具有以下的有益效果：

58、本技术实施例的物理数据双驱动自适应融合的轮胎纵向力估计方法，局部非线性表达能力强：采用wavelet-kan数据驱动模型，将具有局部支撑和多尺度表达能力的小波函数设置为网络边函数，能够针对轮胎纵向力峰值附近的高曲率变化以及高滑移区域的峰后衰减进行局部非线性拟合，改善传统全局激活函数对局部特征表达不足而引起的峰值偏移和预测波动问题；

59、动态物理一致性较好：引入lugre动态摩擦物理驱动模型，通过内部刷毛变形状态描述轮胎与路面接触过程中的动态摩擦建立、黏滑转变和速度相关摩擦变化，为轮胎纵向力估计提供动态物理趋势约束，增强预测结果的物理合理性；

60、融合权重能够随工况变化：利用独立校准集统计wavelet-kan数据驱动模型和lugre动态摩擦物理驱动模型在不同滑移率、垂向载荷区域内的局部预测误差，并拟合连续局部误差函数，根据当前工况下两类模型的估计误差按照逆误差原则计算融合权重，使预测误差较小的模型获得较大的贡献，克服固定权重无法适应不同工况的问题；

61、模型鲁棒性较好：不将lugre动态摩擦物理驱动模型直接作为wavelet-kan数据驱动模型的训练约束，而是在两类模型独立预测后进行误差驱动融合，降低lugre动态摩擦物理驱动模型参数误差或结构偏差对wavelet-kan数据驱动模型训练结果的影响；当lugre动态摩擦物理驱动模型参数发生扰动时，融合模型的预测误差变化更加平缓；

62、跨工况适应能力较强：对于未参与训练和误差函数校准的道路附着条件，通过对不同附着条件下的连续局部误差函数进行线性插值，获得当前工况下的误差估计和融合权重，使模型能够适应未见的载荷与滑移组合及中间道路附着条件；

63、综合估计性能较好：将wavelet-kan的数据拟合能力与lugre动态摩擦物理驱动模型的动态趋势约束进行自适应互补，在提高轮胎纵向力估计精度的同时，改善高滑移区域的预测稳定性，可为车辆制动控制、纵向稳定性控制和主动安全系统中的轮胎力估计提供技术支持。

64、本技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。