(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210561440.9 (22)申请日 2022.05.23 (71)申请人 中国第一汽车股份有限公司 地址 130011 吉林省长 春市汽车 经济技术 开发区新红旗大街1号 (72)发明人 常进云　韩超　赵星明　孙佳兴　 武小一　高闯　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 陈晶 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 一种减振器动力特性识别模型建立方法及 仿真方法 (57)摘要 减振器动力特性识别模型建立方法及仿真 方法， 涉及动力学仿真技术领域， 解决了减振器 动力特性难以通过传统函数方式描述的问题， 可 应用于整车系统开发过程中获取悬架系统部件 载荷。 识别模型建立方法包括： 获取样本数据； 对 试验数据预处理； 定义与减振器的动力特性相关 的输入输出参数； 参数进行标准化处理； 设置神 经网络的输入层、 输出层和隐藏层结构； 按比例 分配训练和预测样本， 设置训练步长和收敛误 差， 并执行网络运算； 根据用户精度需要确定判 定网络是否达到精度要求； 神经网络模型模块化 处理。 仿真方法还包括在动力学模拟软件中根据 整车设计参数建立整车动力学模 型； 根据用户的 仿真需要施加载荷， 定义分析类型和仿真时间， 执行仿真计算。 权利要求书2页 说明书5页 附图3页 CN 115270284 A 2022.11.01 CN 115270284 A 1.一种减 振器动力特性识别模型建立方法， 其特 征在于， 所述方法包括以下步骤： S1、 通过整车道路试验测试获取样本数据； S2、 对试验数据进行 预处理； S3、 定义与减振器的动力特性相关的输入输出参数， 输出参数定义为减振器的阻尼力， 输入参数定义 为影响减 振器阻尼的相关参数； S4、 对筛选得到的参数进行 标准化处理； S5、 设置神经网络的输入层、 输出层和隐藏层结构； S6、 按比例分配训练和预测样本， 训练集取80％， 测试集取20％， 设置训练步长和收敛 误差， 并执 行网络运 算； S7、 根据用户精度需要确定判定网络是否达到精度要求， 如果满足需求时， 结束网络训 练过程； 如果 不满足要求， 修改网络结构参数并重复S5、 S6， 直至网络精度达标； S8、 对最终性能最佳的神经网络模型进行模块 化处理。 2.根据权利要求1所述的减振器动力特性识别 模型建立方法， 其特征在于， 步骤S1中所 述样本数据包括轮心载荷、 车辆行驶速度、 车身 姿态和减 振器状态数据。 3.根据权利要求1所述的减振器动力特性识别 模型建立方法， 其特征在于， 步骤S2中所 述预处理包含对数据的缺失值补齐、 异常值剔除以及过 滤受噪声影响的频 带数据。 4.根据权利要求1所述的减振器动力特性识别 模型建立方法， 其特征在于， 步骤S3 中所 述输入参数的具体定义方法为： 对影响阻尼力Fdamper的所有试验参数进行灵敏度分析， 参数包括轮心 载荷Fwhell、 整车行 驶姿态Dvehicle和减振器状态数据Ddamper， 参数变化时对阻尼力的影响表示 为： 其中， 是阻尼力对影响参数的i阶灵敏度， 通过以上公式计算参数对阻尼力的灵敏 度， 并保留灵敏度大的参数作为神经网络的输入参数。 5.根据权利要求1所述的减振器动力特性识别 模型建立方法， 其特征在于， 步骤S4中所 述标准化处理采用Z‑score方法， 所述标准 化处理的公式如下： 其中， X代 表处理前的数据， Y代 表处理后的数据， μ是 X的均值， σ 是 X的方差。 6.根据权利要求1所述的减振器动力特性识别 模型建立方法， 其特征在于， 所述步骤S5 中所述神经网络的输入层、 输出层和隐藏层结构设置方法为： 输入参数用X(x1,x2,…,xn)表示， 所述输出层的输出参数用Y(y1,y2,…,yn)表示， 输入 参数和输出参数的关系用Y＝f(WX+b),W(wi1,wi2,…,win)表示连接上一层的输入到相邻层 输出的权重， b表 示控制网络精度的阈值， 输入层和输出层单元个数根据灵敏度确定的参数 设定， 隐含层的层数和单元个数根据经验公式 确定,m和n 分别代表输入、 输 出层单元数， a根据经验取1 ‑10的整数。 7.根据权利要求1所述的减振器动力特性识别 模型建立方法， 其特征在于， 步骤S7中所 述判定网络是否 达到精度要求的方法具体为：权　利　要　求　书 1/2 页 2 CN 115270284 A 2通过均方根 误差RMSE和相关系数R2来评价， 其中， m代表样本个数， y代表样本 值， 代表网络预测值， 代表样本均值； RMSE越接近0， R2越接近1， 网络精度越高。 8.根据权利要求1所述的减振器动力特性识别 模型建立方法， 其特征在于， 步骤S8中所 述模块化处理具体为采用MATLAB和Python的神经网络封装模块， 将网络模 型转化为可以根 据输入参数实时更新阻尼力的函数模型。 9.一种减振器动力特性仿真方法， 其特征在于， 所述仿真方法包括权利要求1 ‑8中任一 项所述的模型建立方法， 还 包括： S9、 在动力学模拟软件中根据整车设计参数建立整车动力学模型； S10、 根据用户的仿真需要施加载荷， 定义分析类型和仿真时间， 执 行仿真计算； S11、 计算过程中神经网络模型跟随迭代步变化实时调用输入参数， 并实时更新减振器 阻尼力， 以实现对真实行驶状态的精准模拟。 10.根据权利要求9所述的减 振器动力特性仿真方法， 其特 征在于， 步骤S9进一 步包括： S91、 建立整车 各组成部分的模板， 包括悬架、 稳定杆、 转向、 车轮和车身； S92、 定义各部件的和子系统的连接和通讯关系， 用变量表达仿真涉及的可变参数， 变 量包括轮心载荷、 车身 姿态和减 振器状态； S93、 将模块 化的神经网络模型以函数 形式导入悬架模板中， 实现神经网络模型部署； S94、 将由模板生成的子系统文件组装成整车模型。权　利　要　求　书 2/2 页 3 CN 115270284 A 3