谐波叠加法在道路谱重构中的改进与应用研究

三维路面的数值模拟是车辆虚拟道路试验中的重要研究课题，而道路谱的重构与分析是其中的核心内容。谐波叠加法作为常用的道路谱重构方法，具有良好的适用性及精度。但在解决非规则分布的复杂道路问题时存在着重构精度不足以及计算效率不够等问题。为此，在原有的谐波叠加法基础上，提出基于改进谐波叠加法的道路谱重构方法。通过三次样条插值技术对谐波叠加法进行改进，以正定平方分解 （Cholesky） 次数来减少计算内存，从而提高道路谱重构精度。研究发现，相较于传统的谐波叠加重构方法，基于改进谐波叠加法的道路谱重构算法运行模拟时间大大减少，但是精度明显提升。与直接测量法、载荷谱迭代法、谐波叠加法以及滤波白噪声法等相比，基于改进谐波叠加法的道路谱重构精度在90%以上，具有显著优势。基于改进谐波叠加法的道路谱重构模拟仿真，重构的路面功率谱与标准路面谱能很好地契合，得到更加满意的仿真效果，在车辆虚拟道路试验中具有一定的实践应用价值。     

路面不平度重构的AR模型阶数确定方法研究

为了进一步提高对虚拟路面的重构精度,根据路面不平度是实平稳随机过程这一特点,按给定的标准路面不平度功率谱密度建立其相应的时间序列模型—AR模型。以此对路面不平度进行重构并对重构结果作相应的谱分析。通过对重构不平度的功率谱密度与标准功率谱密度之间的相对误差控制来确定AR模型的最优阶数,即当相对误差在某一阶数下取得最小值时,则此阶数就为模型的最优阶数。利用该方法对标准路面进行重构,结果表明,重构的功率谱和不平度均方根值的拟合精度相对传统的阶数确定方法都有较大的提高,从而证明此阶数确定方法的可行性和优越性。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

基于实测不平度的路面等级分析与评价

通过经改良的平整度仪的实际测量得到了路面不平度数据,将所测得的频域信号转化为位移信号后,采用经验模态分解去均势项和小波硬阈值去噪等方法对数据进行了预处理。再对预处理后的数据进行傅里叶变换得到功率谱密度曲线,并用倍频程的平滑滤波法得到了平均功率谱密度曲线。然后运用谐波叠加法重构了A级路面谱并将其与实测路谱进行对比,最后用特征参数提取法评价所测路段的路面等级,并在分析和处理所有测量路段后,基于统计结果对整个林场的路面状况进行了评价。结果表明试验方法可行,所测区域路面整体水平较好,大部分集中在A级和B级,整体路面不平度在B级以上。     

三角级数法的路面重构仿真研究

精确的路面数据对汽车平顺性研究至关重要,应用三角级数法能快速实现路面重构.汽车行驶时不平路面的激励使其产生随机振动,早期对汽车平顺性的研究多是基于线性假设,由于汽车的非线性造成了仿真与试验结果相差较大.三角级数法数学基础严密,适宜于任意路面的仿真.用Matlab软件编写了仿真程序,并把结果与标准功率谱密度进行了对比.在...     

路面附着系数的自适应衰减卡尔曼滤波估计

为了获得实时、准确的路面附着系数，进一步提高观测路面附着系数算法的精度和收敛速度，结合非线性车辆动力学模型和轮胎力修正模型，搭建分布式驱动电动汽车联合仿真平台，提出一种基于自适应衰减无迹卡尔曼滤波的路面附着系数观测算法。该算法设计与各轮对应的路面附着系数观测器，应用协方差匹配判据对观测器发散趋势进行判别，设计自适应加权系数修正预测协方差，以增强新近观测数据的利用率；同时采用次优Sage-Husa噪声估计器对未知的系统过程噪声进行估计，抑制观测器的记忆存储长度，调整过程噪声和测量噪声的均值与协方差，提高观测器的跟踪能力。利用分布式驱动电动汽车分别进行高、低附着路面和对开路面直线制动试验，并将自适应衰减无迹卡尔曼滤波路面附着系数观测器的观测结果与无迹卡尔曼滤波观测值、参考路面附着系数进行比较和分析。结果表明：高附着路面条件下，所设计的算法估计误差可控制在0.64%以内；低附着路面条件下，所设计的算法估计误差可控制在1.03%以内；对开路面条件下估计误差可控制在1.26%以内；自适应衰减无迹卡尔曼滤波算法相比无迹卡尔曼滤波算法响应速率更快，具有更高的估计精度和较强的自适应能力，估计结果整体上维持稳定，能够适应各种不同路面的估计。     

车辆纵振路面谱研究

为了解决车辆路面纵剪力对路面损伤的评价、车辆纵振平顺性的描述等难题，提出了车辆纵振路面谱这一概念。路面不平造成了车辆垂向和纵向的振动，使它与垂向路面谱共同产生。定义了车辆纵振路面谱的数学表达方法，设计了用五轮仪测量纵振路面谱的试验，对青－黄调整公路某段进行了实测。经数据回归分析，该路段垂向路面谱对应的路面级别为C级偏优，纵振路面谱为B级偏优。     

基于时域模型的路面随机激励模拟

为进一步提高路面平整度模拟精度,文中研究一种公路路面不平度的数值模拟方法。首先基于AR模型,建立了由路面随机激励的时间功率谱密度求得双轮路面随机激励时域AR模型的方法,并构建了相应的算法;然后在MATLAB平台上对双轮路面时域AR模型进行仿真,得到了各级路面谱曲线,通过与标准路面谱对比,验证了路面随机激励AR模型的正确性。     

基于多参数自适应优化的智能车轨迹跟踪

为了在不同工况中，同时兼顾轨迹跟踪算法的跟踪精度，计算速度与车辆稳定性，提出基于不同车速和路面附着系数的参数自适应MPC算法。在线性时变MPC的基础上增加车辆稳定性控制，并基于路面附着系数设计2种控制策略：在高附着系数路面，针对不同车速优化预测时域与控制时域；在低附着系数路面，开启车辆稳定性控制并基于改进粒子群算法优化权重参数。2种策略在保证跟踪精度与车辆稳定性的基础上提高计算速度。设计基于前馈神经网络的路面识别算法从而为多参数自适应轨迹跟踪算法识别所在道路的路面附着系数，利用CarSim-Simulink平台进行联合仿真。研究结果表明：路面识别算法的平均绝对百分比误差为12.77%,足够满足多参数自适应轨迹跟踪算法的需求；相较于传统线性时变MPC跟踪算法，低速工况下参数自适应轨迹跟踪算法在高附着系数和低附着系数的路面上，横向平均绝对误差分别降低了20.7%和24.6%;高速工况下横向平均绝对误差分别降低了66.2%和50.7%;综合所有试验，算法的计算时间减少了40.2%;在保障车辆稳定性的同时降低算法的计算时间。研究成果针对不同车速与附着系数对轨迹跟踪算法参数进行优化，利用自适应预...     

定远试验区汽车试验路面谱的研究

本文应用路面谱分析技术对定远试验区汽车试验路面进行了全面的测量和谱分析研究,定量地描述了定远试验路的平整度状况,了解了定远试验路的谱结构特点。并且,通过与国内公路和南口、海南试验路面谱的对比,就定远试验路面谱及构成问题得出了一些结论。     

基于RBF神经网络识别路面谱的新方法

路面不平度是车辆行驶中振动的重要激励。为了识别路面不平度的功率谱密度函数(路面谱),提出了一种基于径向基函数(RBF)神经网络识别路面谱的新方法。该方法以7自由度汽车振动模型为基础,以MATLAB软件仿真得到的汽车车身质心垂直加速度谱为神经网络理想输入样本,以GB7031-86建议的路面谱为神经网络理想输出样本,应用RBF神经网络建立汽车车身质心垂直加速度谱和路面谱之间的非线性映射模型。另取一组仿真得到的车身质心垂直加速度谱代入已训练好的网络进行路面谱识别。结果表明:该方法具有较强的抗噪声能力和较理想的识别精度,识别的路面谱与拟合的路面谱吻合一致。     

合成道路谱在四通道整车道路模拟试验中的应用

介绍了一种基于路面不平度输入的合成道路谱生成方法,以某款车为例,分析了合成道路谱在四通道整车道路模拟试验台上的模拟质量。试验结果表明,对垂直载荷敏感的通道模拟精度良好,大部分相对载荷为0.5~2.0,与实际载荷测量的波动范围一致。合成道路谱可作为四通道的垂直载荷激励,能够对整车车身和内、外饰件等零部件进行快速质量评价。     

重卡轴头六分力道路载荷谱测试

本文以某6×4牵引车为研究对象,测量样车空载、满载两种情况各轴头在典型路况下的道路载荷谱,整车轴头载荷谱主要包括六个分力(三方向力Fx、Fy、Fz以及三方向扭矩Mx、My、Mz)。典型路况有:石块路、鹅卵石路、鱼鳞坑路、搓板路、比利时路、扭曲路等,测试场地为定远汽车试验场。     

基于汽车车身垂直加速度的典型道路路面谱识别研究

以1/4汽车振动模型为研究对象,推导出以汽车车身垂直振动加速度作为输入信号、路面不平度作为输出信号的数学模型及其模拟图,并利用MATLAB/SIMULINK搭建系统模型求解路面不平度,对路面不平度进行谱估计完成路谱的识别。通过实际测试和数据处理分析,说明该方法理论依据正确可行,可以为虚拟样机仿真路面的生成提供数据支持。     

基于Simulink车辆舒适性和行驶安全性仿真分析

根据国标GB／T7031—2005机械振动道路路面谱测量数据报告,在MatLab中编写了随机路面激励谱仿真程序;利用拉格朗日方程建立了1／2车辆动力学模型,并用Simulink对其进行了仿真;以不同等级路面和不同车速下的随机路面激励谱作为输入,分析了车辆在不同等级路面、不同车速下的车身加速度均方根值和后轮的动载荷均方根值。这对满足汽车行驶舒适性和行驶安全性的情况下优化悬架参数具有重要意义。     

基于谐波叠加法的路面不平度重构

对GB/T 7031-2005中提出的路面功率谱密度表达式及等分方法,应用谐波叠加法对路面不平度随机序列进行仿真,使用AR模型谱估计法验证仿真结果.结果表明通过谐波叠加法能很好地拟合路面不平度,且AR模型谱估计具有拟合结果平滑且精度高的特点.     

轮胎位移包容性研究及有效路面谱计算方法

本文提出一种有效路形测量的新方法,研究轮胎的位移包容性。提出以轮胎包容参数为变量把真实路面功率谱变换为有效路面功率谱的新方法。该研究是道路激励模拟的基础研究。     

摩托车道路行驶载荷谱的测量与耐久性试验

通过调查摩托车实际道路使用条件,利用道路载荷采集仪器进行实际道路载荷谱的采集,分析与试车场道路载荷谱的相关性后,最终形成短周期的、可等效实际使用预期寿命的耐久性试验规范,并进行相应试验,从而达到缩短摩托车新产品开发周期,提高研发能力的目的。