[博士]基于WFT的路面識別及主動懸架控制研究

內容簡介

　　[博士]基于WFT的路面識別及主動懸架控制研究　　學科專業(yè)：精密儀器及機械　　授予學位：碩士　　學位授予單位：東南大學　　學位年度：2008　　以車輪力傳感器為測量核心的汽車道路試驗，是評價汽車整車特性的重要技術手段，采用WFT完成路譜數據采集具有重要的應用價值，如對分析與評價汽車動態(tài)性能一動力性、制動性、操縱穩(wěn)定性、安全性、懸架特性等提供重要的原始數據。本文依托江蘇省交通科學研究計劃項目《車輛安全性能評價及檢測裝置研究》，對WFT為核心的路譜采集系統(tǒng)進行了系統(tǒng)組建及標定;由于干擾的存在，對采集得到了路譜原始數據進行了去噪處理，在此基礎上采用多種方法提取路面識別參數，實現(xiàn)對路面識別。本文的最后一章還對主動懸架進行了控制研究?！　? 論文的主要研究成果如下:　　 (1)采用AR時間序列分析的方法進行了道路譜的模擬，并進行了功率譜分析證明了模擬結果的可行性。對自適應濾波中的多種算法、Kalman濾波及其變形算法、小波濾波算法進行了總結和推導，并且對含噪道路譜數據濾波算法進行了對比分析研究，得出結論在這里自適應Kalman濾波方法取得的降噪效果是最好。對以WFT為核心的路面譜數據采集系統(tǒng)實測數據進行處理和分析時提供理論支持和濾波手段?！　? (2)介紹了試驗設備及其規(guī)格、試驗場地，并確定了試驗安排。并且進行了實車標定，并通過坐標轉換解算方法得到車輪力傳感器原始測量數據，為后續(xù)的實車數據處理提供了實驗基礎?！　? (3)在道路譜模擬及數據濾波算法對比研究的基礎上，開展了實車數據建模算法與濾波研究。給出了實車數據處理的整體流程并對實車數據采集的有效性進行了分析。進行了建模前信號預處理的工作。通過理論分析得出數據中含有趨勢項和周期項，總結了多元逐步回歸分析的方法，并利用該方法消減和剔除了信號中的趨勢項和周期項。確定了模型結構為AR(3)模型，并證明了其有效性。推導并總結了自適應Kalman濾波方法，并在信號建模的基礎上將該方法應用于路面譜數據濾波處理。通過結果分析可以看出與仿真研究比較一致，取得了的較好的降噪效果。提取了模型的AR(3)模型參數，為實現(xiàn)路面識別提供基礎?！　? (4)提出了基于AR模型參數的多種路面識別方法，包括FCM聚類方法，改進BP、廣義回歸和學習矢量量化網絡神經方法等，實驗結果看后三種方法的識別率相當，識別率為83.33%。廣義回歸神經網絡的識別速度最快，改進BP神經網絡方法次之，然后是L叩神經網絡方法，但三種方法均有一定的誤識別率。主要是樣本數量較少導致的。而第一種方法試驗得到的識別率為100%，說明在小樣本的情況下，基于AR模型參數的FCM識別方法較為適用。證明了其可行性和有效性。　　 (5)提出了基于WFT測量結果轉化為IR滲數的路面識別方法，給出了解決方案，并由仿真實驗數據初步論證了方法的可行性?！　? (6)研究了基于慢主動1 /4車輛振動模型的最優(yōu)控制算法，設計了LQG控制器，分析了能控性和能觀性，進行了結果分析，結果分析證明了其有效性。

專題推薦