汽車專業(yè)畢業(yè)設計外文翻譯

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電腦估計車輛側滑角的數值和實驗結果S.梅爾茲,E.賽博畢寧機械系統(tǒng)和信號處理2011年第25期：1428窗體頂端摘 要 將穩(wěn)定控制系統(tǒng)應用于差動制動/外輪胎是現(xiàn)在對客車車輛的標準（電子穩(wěn)定系統(tǒng)ESP、直接偏航力矩控制DYC）。這些系統(tǒng)假設將兩個偏航率

2、(通常是衡量板)和側滑角作為控制變量。不幸的是后者的具體數值只有通過非常昂貴卻不適合用于普通車輛的設備才可以實現(xiàn)直接被測量,因此只能估計其數值。幾個州的觀察家最終將適應參數的參考車輛模型作為開發(fā)的目的。然而側滑角的估計還是一個懸而未決的問題。為了避免有關參考模型參數識別/適應的問題,本文提出了分層神經網絡方法估算側滑角。橫向加速度、偏航角速率、速度和引導角,都可以作為普通傳感器的輸入值。人腦中的神經網絡的設計和定義的策略構成訓練集通過數值模擬與七分布式光纖傳感器的車輛模型都已經獲得了。在各種路面上神經網絡性能和穩(wěn)定已經通過處理實驗數據獲得和相應的車輛和提到幾個處理演習(一步引導、電源、雙車道變

3、化等)得以證實。結果通常顯示估計和測量的側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和漂移。實際上，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極其困難的任務。通常大部分司機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)介紹了通過將差動制動/驅動扭矩應用到/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行控制的。在這種情況下,控制系統(tǒng)使車輛處于由司機轉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滑角變得太大是必要的1,2。事實上

4、由于非線性回旋力和輪胎滑移角之間的關系，轉向角的變化幾乎不改變偏航力矩。因此兩個偏航率和側滑角的實現(xiàn)需要一個有效的穩(wěn)定控制系統(tǒng)1,2。不幸的是,能直接測量的側滑角只能用特殊設備(光學傳感器或GPS慣性傳感器的組合)，現(xiàn)在這種設備非常昂貴,不適合在普通汽車上實現(xiàn)。因此, 必須在實時測量的基礎上進行側滑角估計，具體是測量橫向/縱向加速度、角速度、引導角度和車輪角速度來估計車輛速度。在主要是基于狀態(tài)觀測器/卡爾曼濾波器(5、6)的文學資料里, 提出了幾個側滑角估計策略。因為國家觀察員都基于一個參考車輛模型,他們只有準確已知模型參數的情況下，才可以提供一個令人滿意的估計。根據這種觀點,輪胎特性尤其關鍵

5、取決于附著條件、溫度、磨損等特點。 輪胎轉彎剛度的提出就是為了克服這些困難,適應觀察員能夠提供一個同步估計的側滑角和附著條件7,8。這種方法的弊端是一個更復雜的布局的估計量導致需要很高的計算工作量。 另一種方法可由代表神經網絡由于其承受能力模型非線性系統(tǒng)，這樣不需要一個參考模型。變量之間的關系表明，實際上車輛動力學的測量板測和側滑角通常是純粹的數值而它的結果則是從一個網絡“學習”復制目標輸出關聯(lián)到一個特定的輸入的訓練過程。 在本文可以發(fā)現(xiàn)一些嘗試應用神經網絡技術對側滑角估計。在9,側滑角在即時k + 1，k, k -1,k - n的值是作為一個功能的橫向加速度和角速度的估計。從結果來看解決似乎

6、很有前景,但車輛速度變化的影響(不包括在神經網絡的輸入變量)和對路面附著系數的問題仍未解決。 神經網絡中表明不是基于一個非常規(guī)組傳感器:輸入到神經網絡實際上是這些措施提供了四個雙軸加速度計放置在對應的車身設計的每一個角落。然而,即使在這種情況下,影響附著條件對神經網絡性能仍無法解決。 本研究的目的是進一步調查這種應用神經網絡的方法對側滑角估計作為輸入的可能性，通常只有測量獲得了板測量(橫向/縱向加速度、角速度,引導角和車輛速度)和考慮速度和附著狀況的變化。特別地, 因為這個架構顯示有一個廣泛的適用性動態(tài)表示問題，一個雙層(或單隱層)神經網絡設計才得以出現(xiàn)11。在第一階段的研究, 在一個分布式光

7、纖傳感器的車輛模型基礎上進行了數值分析結果。期間,一直在輸入不同的的數值進入人工神經網絡系統(tǒng),直到得到滿意的結果為止。采用的訓練集的特點是,在高/低粘附路面上演習不同諧波容(步驟引導,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網絡估計側滑角已經決定。 隨后,一旦確定了最佳輸入和訓練集, 在一個檢測車輛的實際駕駛情況后處理獲得的實驗數據，實現(xiàn)人工神經網絡性能和穩(wěn)定。特別是,大部分人的注意力都集中在神經網絡的能力上,以提供在外線性車輛響應圍和在高或低摩擦路面上穩(wěn)態(tài)或瞬態(tài)側滑角的可靠的估計。2 數值數據應用 在第一階段的一個人工神經網絡工作組進行訓練和測試通過數值數據;這一階段的

8、主要目標是設計一個能夠在不同的路面上提供準確和可靠的側滑角估計的一個神經網絡與一個合適的體系結構。 神經網絡在動態(tài)仿真模塊環(huán)境下實現(xiàn)一個簡化的d段客車車輛模型生成信號的訓練和測試;數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）偏航運動身體和四個輪子的旋轉.基于括在車輛模型縱向和側向加速度包的瞬時負載轉移,以考慮每個輪胎在車削、加速和制動演習時候的垂直荷載的變化。相反懸架阻尼和剛度總被忽視, 因為這個參數必須正確估計，所以除了之間的比率前/后輥剛度不同負載轉移而轉彎。引導角,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合。摩擦系數是按比例復制的峰值摩擦系數從而改變的。 一旦確認通過與實驗測量的比較,該模型用于生成一組訓練演習,并提供一些數據來檢查網絡系統(tǒng)的性能。在這個過程中幾個變量會應用到網絡,特別是到向量的輸入數據,直到得到與測量數據前的測試滿意的結果。2.1 網絡的架構 一般來說一個神經網絡12,13是MIMO非物質模型，其主要優(yōu)勢是在減少計算時間,其基本單位的乘坐被稱為神經元,每一個神經元都能夠執(zhí)行簡單的數學運算;神經元集成在一個可以實現(xiàn)一種并行計算結構里。 每個網絡的特點是一定數量的參數所代表的收益和權重的神經元, 神經元是通過一個訓練階段決定的，該階段是一組時間歷史的輸入信號是提供給網絡和相應的目標值與輸出網絡本身,這個過程是反復地重復調整參數,直到輸出匹配目標在所需的公差圍。 除了數量的神經元之外，神經網絡的架構定義的層數和神經元間的連接增加的復雜性往往導致高專業(yè)化的網絡，該網絡顯示有限能力適應條件的不同的訓練集(過度擬合)。因此選擇一個合適的體系結構是一個在準確性和