《车辆过坎冲击及残余抖动主客观评估关联性分析.pdf》由会员分享，可在线阅读，更多相关《车辆过坎冲击及残余抖动主客观评估关联性分析.pdf（8页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、车辆过坎冲击及残余抖动主客观评估关联性分析 杨万安;王强;王峰【摘 要】针对车辆行驶过程中常见的过减速坎的典型工况,描述进行主观评估和客观测量的基本方法,分析具有麦弗逊结构前悬车辆过坎冲击时振动响应的信号特征,探索利用神经网络直接建立主观评估和客观测量之间关联性的可行性,同时对小样本数据条件下如何更好建立合适的神经网络进行多种尝试,建立基于神经网络进行主客观评估结果关联性分析的基本方法.【期刊名称】噪声与振动控制【年(卷),期】2013(033)006【总页数】5 页(P82-86)【关键词】振动与波;过坎冲击;主客观评估;特征提取;神经网络;相关性【作 者】杨万安;王强;王峰【作者单位】泛亚
2、汽车技术中心有限公司,上海 201201;泛亚汽车技术中心有限公司,上海 201201;泛亚汽车技术中心有限公司,上海 201201【正文语种】中 文【中图分类】U461.4 随着中国汽车消费总量的连续增长、客户经验的不断积累，希望在细分市场上拥有领先优势是每个厂商的首要关注点，车辆的动力学性能又是其中非常重要的一个竞争指标。只有详细研究同一细分市场上的不同车辆，针对特定消费领域的潜在客户，开发出具有不同动力学性能的新产品，才能在竞争激烈的国内市场上占据性能的制高点。一般而言，车辆的动力学性能分为乘坐舒适性和操纵稳定性两个部分，前者可由多项平顺性指标来分别描述，其中的过坎冲击试验是考核一辆车在
3、路坎纵向冲击下乘员感知到的加速度冲击程度的主要方法，常规上可用冲击强度(Impact Hardness，简称 IH)和随后的残余抖动（Memory Shake，简称 MS)两项指标来衡量。研发过程中有两种方法表征车辆的过坎冲击特性，一种是具有经验丰富的专业人员组成的专家团队对过坎时的冲击进行主观评估，从而得到不同车辆之间的感知差异；另一种是通过测量车辆驶过特定路坎时的加速度响应来判断车辆的振动幅度。这两种方法都可以甄别出不同车辆间对路面冲击输入下的响应特性差异，但由于人员评估时对诸多影响因素主观感知的差异性、客观测量值与人员感知程度关联度无法用明确的数学联系来描述等等，二者的结果常常会有遭遇到
4、不完全一致的尴尬。如何建立起两者之间的关联性，用经验数据来进行相互验证，以更好地支持研发工作，这是一个非常有意义的研究。关于对车辆过坎冲击的研究，典型的分析方法是建立前悬（和半车身）相应的多自由度数学模型，将路面的激励简化为一个半波，以此分析车轮及悬架的时频特性14。基于多方面的研究需要，可能采用更为复杂的模型来考虑轮胎本身的特性和地面振动波的传递，或者是关于不同减速坎对车辆的振动冲击研究5，或用遗传算法神经网络等进行振动舒适性评价方法6等等。关于过坎冲击下驾驶员的主观感觉与相应测量值之间的关联性分析，目前所见文献不多。本文选取部分处于相同细分市场地位的轿车，针对轿车舒适性评估过程中的重要指标
5、I H/MS 这两项指标进行详细的试验和分析，利用专家组的主观评估和统一标准的客观试验结果，基于最常用的 BP 网络训练，寻求评估结果与测量数据之间的关联关系。1 评估与测试方法 试验中可以选用各种不同形式的减速坎，图 1 为常见的三种用于评估过坎冲击水平的减速坎，其中 a)为常见的普通减速带（Speed Bump）；b)则为常用于主观评估的台阶坎（Step Bump）；以及 c）更好保持试验条件一致性、可比性的AES 减速坎（AES Bump），本研究中采用了 c)AES 减速块作为主要测试工况。图 1 三种减速坎形状 Fig.1 3 Bumper types 进行主观评估时，试验人员驾车以
6、32 km/h 左右的车速通过减速坎，对过坎的冲击强度及随后的残余抖动量级进行相应的主观评估，给出110 分的量化结果。试验中对前后悬依次过坎时的量级评判是分别进行的。主观评估源于人与车接触的所有位置上感受到冲击振动的体验，包括方向盘、地板、座椅（靠背和坐垫）以及声音，再基于试验人员自身的综合判断给出总的评分。用于车辆乘坐舒适性客观试验的典型测试系统如图 2，选取两个主要测点分别代表车身地板振动水平（ST）和经过座椅由驾驶员直接感受到的振动（SB），在两点测得车辆在过坎冲击下纵向和垂向振动的加速度信号。2 前悬麦弗逊结构时的冲击信号特征分析 图 2 乘坐舒适性测量系统中的传感器布置示意图Fig
7、.2 Sensor location for ride comfort tests 麦弗逊前悬是家用轿车中最常用的结构形式，它以结构简单、成本低廉、舒适性尚可的优点应用于 70%以上的轿车平台上。除悬架硬点布置外，各种悬架衬套、减震器阻尼等对过坎冲击也具有较大的影响，分析此结构下的曲线形态有助于深入理解车辆过坎冲击时的振动特征。图 3 为一组典型意义上的测试曲线。无论是地板上的ST 测点还是座垫上的 SB 测点，可以明显看出，其纵向响应的前段为迅速上升的一个3/4 周期的强迫振动，而随后则是一个周期比冲击段略大的带阻尼的自由衰减振动。其垂向响应则也为类似的形态，只是衰减幅度较小，且夹杂了幅值较
8、低而频率略高的成分。图 3 一组典型的测试曲线 Fig.3 A typical response signal 采用直接测量轮心运动轨迹的设备，我们能够更加清楚地看到在过坎时轮心是如何运动的。图 4 为某车在过一较大深坑时轮心相对车身的运动轨迹。实际上，轮心的垂直跳动幅度要远大于其纵向跳动幅度，但通过悬架和车身的传递，振动加速度幅值在 ST、SB 点处已经处于同一量级。图 4 轮心跳动轨迹 Fig.4 Orbit track of wheel center 3 神经网络建立及训练 人工神经网络是一种模仿生物神经网络的结构和功能的计算模型，可根据外界信息改变内部结构，以描述复杂系统的非线性特性。
9、它建立起非线性动力学进行分布式并行信息处理，依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络具有可并行计算、分布式信息存储、自适应和自学习功能强等优点，被广泛应用在非线性控制领域。采用应用最广的 BP 神经网络模型，以过坎冲击为例，拟在缺乏输入、输出数学映射关系的车辆动力学性能主观评估和相关测量数据之间建立直接的联系。理论上，具有一个 S 型隐层传递函数加上一个线性输出层传递函数的网络模型只要选择足够的神经元节点就能够任意精度的拟合任意函数，而隐含层层数的增加仅仅是为了进一步提高拟合精度，但同时也会增加网络的复杂程度，使得训练收敛速度变慢，甚至无法收
10、敛。考虑到所使用对象的输入输出参数的个数，本文所设计的BP 神经网络采用标准的 3 层 BP 网络，隐层传递函数采用tangsig函数，输出层传递函数采用purelin函数，并且通过调整隐层的节点数来提高网络的稳定性和拟合精度。针对一组同级别车辆在以 32 km/h 左右的速度下通过 AES 标准减速坎时的冲击强度（IH），专家组给出了相应的的主观评估，部分评估结果的部分数据（其中八辆车）如表 1。可以看出，每个专家对特定车辆的评估是有差异的，但其标准差相对较小，总体评价还是比较一致的，故以其平均值来代表整个评估专家团队对此车的一致评价值。与此同时，对每辆车的过坎冲击均进行相应的测量。根据前面
11、冲击信号特征的分析，在座椅导轨后端处 ST 和座椅坐垫处 SB 两点的纵向和垂向加速度信号中，选取冲击产生的前两个峰值 P1、P2 和两个峰值的时间间隔 T1 等（见图 5）3 个时域信号特征，共计 4312 个值作为 BP 网络的输入数据。相应的评估专家团队的一致评价值作为输出数据。图 5 用于 I H 的时域特征数据的选取 Fig.5 Feature identification for I H 这样建立了一个 12 个输入对 1 个输出的训练样本。在数据库中选取 35 个样本数据，将前 28 个样本作为网络的训练数据，后 7 个作为 NN 网络的验证样本。在多次仿真试验中发现，在训练数据
12、能够得到很好拟合的情况下，某几个车型的验证结果的波动较大，有时预测值与主观评估值偏差较大，但是预测值的分布接近于正态分布，并且正态分布的对称中心在主观评估值附近。分析其原因是由于训练的样本数过少，导致了“过拟合（overfitting）”现象的发生，从而使得网络的泛化能力降低。表 1 部分车辆过坎时冲击强度的主观评估结果 Tab.1 Subjective rating of IH for sample vehicles 车辆均值标准差标准差系数 A B C D E F G H 7.47 0.15 2.0%7.43 0.17 2.3%7.44 0.19 2.6%7.47 0.17 2.3%7.3
13、6 0.27 3.7%6.8 0.13 1.9%7.68 0.3 3.9%7.08 0.2 2.8%为了解决这一问题，采用以多次仿真数据剔除奇异值后的均值来作为最终预测值。其中最关键的就是确定仿真次数 n 的值。理论上，仿真次数 n 越大，得到的预测值越稳定，但是实际仿真试验结果表明，见图 6，仿真次数达到一定次数后，预测值的变化不是很大，为了减少仿真时间，将仿真次数 n 设置为 30。图 6 仿真次数与预测偏差 Fig.6 Simulation cycles vs.prediction precision 研究表明，在隐层节点数量较低时可能存在不收敛的情况，或者收敛速度比较低。在隐层节点数达
14、到 8 以上时收敛速度加快，进一步增加节点数并不能提高收敛精度。故我们将隐层节点数定为 9 层。从图 7 中可以看出，验证结果已能完全达到预期精度。针对冲击后的残余抖动我们进行了类似的研究。将图 5 中的冲击后残余抖动对应的时域信号进行 FFT 变换处理后可得到相应的频域信号。可以看出，无论残余抖动强或弱，它们在频域中基本上体现为一个单一频率为主的振动衰减。由于主峰的频率基本一致，我们选取 A1 代表其幅值特征，用 A2、A3 来与 A1 组合表征其衰减特性，见图 8。以相应的评估专家团队的一致评价值作为输出数据，同样可以建立一个 12 个输入对 1 个输出的训练样本。表 2 为对车辆残余抖动
15、评估结果的部分数据。训练后的验证结果表明，用神经网络对残余抖动的主观评估预测也是完全可行的。4 小样本数据下的适用性分析 车辆动力学性能的评估与测量不是一件容易的事，实际上在有限的研发期间很难积累大量数据，所以用神经网络方法来建立主观评估与客观测量之间的关联性存在一个小样本情况下的适用性问题，为此我们进行了一些有意义的研究。图 7 隐层节点数为 9 时的验证结果（冲击强度）Fig.7 Validation results for I H at 9 nods in hidden layer 图 8 残余抖动的特征提取 Fig.8 Feature identification for MS 图 9
16、 小样本下的预测偏差 Fig.9 Prediction error at small sample number 随机选取数据库中其中 7 辆车的数据作为研究对象，采用交叉验证的方法，将其中 6 辆车的数据作为训练数据，剩下 1 辆的用来进行预测验证。相应的样本数据见表 3。图 9 则表示分别对具有不同主观评估分值的车辆进行预测验证时的偏差。计算表明，当被预测样本分布于训练样本的数据范围内时（如 A、B、C、D、G），预测结果与专家组的一致评价值相当接近，预测结果是有效的；但若验证样本的主观评估值分布于训练样本范围外（如 E、F），无论是向高还是向低超出，其外推预测结果与评估值之间的偏差有所增
17、加，此偏差超过接受范围。表 2 部分车辆过坎后残余抖动的主观评估结果 Tab.2 Subjective rating of MS for sample vehicles 车辆均值标准差标准差系数 A B C D E F G H 7.41 0.21 2.8%6.4 0.19 3.0%7.63 0.11 1.4%7.59 0.22 2.9%6.61 0.28 4.2%6.87 0.48 7.0%6.99 0.29 4.1%6.58 0.26 4.0%表 3 用于小样本分析的数据 Tab.3 Data for small sample study 车辆 A B C D 特征信号输入输出-4.66 5
18、.61 0.02 2.78-7.24 0.03-3.73 6.24 0.02 2.95-3.74 0.04 7.47-4.00 5.03 0.02 2.12-5.69 0.03-3.29 5.31 0.02 2.75-5.02 0.04 7.43-4.92 5.54 0.02 2.83-6.84 0.04-3.04 6.41 0.02 3.48-5.53 0.04 7.44-4.63 6.59 0.02 3.02-6.28 0.03-4.77 8.91 0.01 4.10-3.18 0.03 7.36 E-7.76 9.17 0.02 4.14-4.66 0.05-6.55 8.84 0.01
19、 4.00-3.97 0.04 6.80 F-3.01 6.21 0.02 3.16-4.62 0.03-2.75 7.29 0.02 2.35-3.60 0.03 7.68 G-5.20 5.55 0.02 1.94-6.11 0.04-7.22 7.68 0.02 2.22-2.89 0.05 7.08 解决此问题的关键，还是样本的数量及其分布范围，通过逐渐积累不同车辆在过坎冲击时的评估和测试数据，用数据库中的较多样本训练出的神经网络将会很好地预测专家团队对过坎冲击强度和残余抖动的主观评估值。5 结语 将神经网络用于预测车辆过坎时冲击强度和残余抖动的主观评估值是可行的，同时也可作为检验专家
20、团队评估差异的基准。本文提出的通过多次仿真并采用数理统计方法得到的预测结果具有很好的稳定性和误差精度，解决了每次仿真所得预测值存在较大波动这一问题，同时该方法泛化能力较强，预测效果良好。预测的准确性主要依赖样本数量以及网络参数的选取，随着样本数据库的积累、样本特征值分布增大，此预测方法的适应性将更加宽泛。通过合理提取测量参数的特征值，利用神经网络的适应性特性，可以将此研究推广到其它舒适性指标评估的关联性分析中。【相关文献】1杨英武，韩舟轮，王柏生，等.车辆通过减速带引起的振动分析J.振动工程学报，2007，20（5）：502-506.2张阳阳，王柏生.车辆通过减速带引起地面振动的机理分析J.武
21、汉理工大学学报，2010，32（9）：314-317.3石秀东，钱林方，李守成.随机和冲击载荷下悬架参数的优化J.振动、测试与诊断，2006，26（2）：122-125.4张亮亮，唐驾时，李立斌.虚拟激励算法下的汽车悬架振动分析J.振动与冲击，2006，25（6）：167-169.5邱望标，黄 克，黎 熊，等.减速带形状对汽车振动的影响分析J.橡胶工业，2008，（11）：657-659.6唐传茵，张天侠，李 华，等.汽车振动舒适性评价研究J.振动与冲击，2008，27（9）：158-161.7蒲 春，孙政顺，赵世敏.Matlab 神经网络工具箱 BP 算法比较J.计算机仿真，2006，23（5）：141-144.