車輛側(cè)向動力學模型辨識方法的研究與應用.pdf

1、車輛的側(cè)向動力學模型主要用于車輛操縱穩(wěn)定性分析,與車輛安全性相關(guān)。無論是性能評價還是控制研究,都需要盡可能準確的車輛模型。但是,基于理論公式的數(shù)學建模經(jīng)常會由于簡化過程中參數(shù)不準確而導致模型精度不高。多體模型雖然模型的精細度增加了,但相應的建模成本也會增加。而基于試驗數(shù)據(jù)的辨識建模方法則提供了一種低成本的快速建模方法。隨著系統(tǒng)辨識理論逐步成熟完善,這種基于數(shù)據(jù)的逆向建模技術(shù)有著廣闊的工程應用前景。
　　 車輛側(cè)向動力學模型是典型

2、的多輸入多輸出系統(tǒng),因此,使用的系統(tǒng)辨識算法應適用于多輸入多輸出系統(tǒng)。子空間方法是多變量系統(tǒng)辨識算法中一類直接使用時域數(shù)據(jù)進行辨識的算法總稱。由于使用了QR分解和奇異值分解,這種方法具有魯棒性強、運算速度快、精度高的優(yōu)點。經(jīng)過長期的發(fā)展,子空間方法在線性辨識領域逐步建立了相對完整的算法理論體系,可以根據(jù)應用對象的特點選擇適合的算法,適用于車輛側(cè)向動力學辨識建模。
　　 車輛操縱穩(wěn)定性試驗中存在一個典型現(xiàn)象:方向盤轉(zhuǎn)角和車速輸入不

3、是同時滿足持續(xù)激勵條件。因此,這是一種部分輸入為非持續(xù)激勵條件下的辨識研究。當輸入之間存在耦合關(guān)系時,辨識結(jié)果會出現(xiàn)有偏估計的現(xiàn)象。為了解決這一問題,應用了基于模型分解的子空間辨識算法。這種算法分離系統(tǒng)中的確定性輸入部分和隨機性輸入部分,降低了隨機性輸入產(chǎn)生的輸出與確定性輸入之間相互影響帶來的干擾,可以提高確定性系統(tǒng)的辨識精度。
　　 根據(jù)車輛操縱穩(wěn)定性模型的理論建模分析結(jié)果,本文提出兩種單輸入辨識模型,模型階次定為l0階。在對

4、辨識結(jié)果和辨識算法的驗證過程中,使用了交叉驗證的方法。在低速工況下,轉(zhuǎn)向回正性能試驗用于辨識,相近車速下的蛇行試驗用于驗證。結(jié)果表明,低速工況下的辨識模型可以作為這一車速下的車輛模型,辨識算法可靠實用。在高速工況下,左轉(zhuǎn)向的方向盤角脈沖輸入試驗用于辨識,右轉(zhuǎn)向的同類型試驗用于驗證。兩種辨識模型結(jié)構(gòu)中,線性辨識模型結(jié)構(gòu)S1適用于恒定車速試驗辨識,而非線性辨識模型結(jié)構(gòu)S2可以將恒定車速下的辨識模型用于恒定方向盤轉(zhuǎn)角輸入的仿真分析,橫擺角速度

5、上獲得較高的辨識精度。
　　 為了分析高速工況的車輛操縱穩(wěn)定性能,使用已經(jīng)驗證的辨識算法和辨識模型,對恒速國標試驗進行系統(tǒng)研究,得到一組辨識模型。基于這組模型可以繪制出三項輸出的穩(wěn)態(tài)增益特性曲線。根據(jù)橫擺角速度穩(wěn)態(tài)增益曲線,基于Levenberg-Marquardt方法提出不足轉(zhuǎn)向度估計方法,在低速工況下估計值與穩(wěn)態(tài)回轉(zhuǎn)試驗測試值基本一致。引入高速試驗后,不足轉(zhuǎn)向度的分析范圍由低速工況擴展到高速工況,從而突破了穩(wěn)態(tài)回轉(zhuǎn)試驗的車速

6、限制。不足轉(zhuǎn)向度估計過程中產(chǎn)生的殘差則表明使用的設計轉(zhuǎn)向傳動比與實際不符,據(jù)此提出基于整車試驗的實際轉(zhuǎn)向傳動比估計方法并得到了驗證。此外,在進行諧振頻率分析的過程中,發(fā)現(xiàn)測試車輛的側(cè)向加速度諧振頻率要低于相同車速下的橫擺角速度諧振頻率。
　　 由于車輛系統(tǒng)本質(zhì)上是多輸入系統(tǒng),但是,輸入之間的非線性耦合關(guān)系使得直接應用多輸入辨識算法是困難的。在對已辨識的恒速工況線性模型進行應用分析時發(fā)現(xiàn)模型仿真輸出與試驗輸出存在近似線性關(guān)系。這種