大吨位电动轮自卸车,载重量往往达到数百吨,单个轮胎载重量超过60吨。这样的巨型轮胎在正常工作过程中产生巨大压缩变形,导致轮胎非线性增强。巨型轮胎作为电动轮自卸车的主要减振部件,其模型准确性是整车动力学仿真的关键。研究表明,轮胎垂向滚动动刚度随车速增大而减小,尤其是在20km/h以内,其动刚度减小趋势比较明显。而大吨位电动轮自卸车常年行驶在矿山路面,行驶速度通常小于30km/h,导致其巨型轮胎经常运行于动刚度变化比较明显的状态区间。因此,研究滚动轮胎的垂向力学特性对巨型轮胎具有重大意义。目前,多数轮胎垂向振动模型,如点接触模型、固定印迹模型、滚子接触模型、径向弹簧模型、模态参数轮胎模型等,仅考虑轮胎的平动,忽略滚动因素,导致模型无法描述轮胎滚动对动刚度的影响。FTire模型具有描述轮胎这种滚动特性的能力,但该模型机理尚未公布,且模型中未知参数多达上百个,需要大量轮胎台架试验支撑,然而目前缺乏巨型轮胎台架试验条件,从而限制了FTire模型在巨型轮胎上的应用。因此,在目前没有适用于巨型轮胎且考虑轮胎滚动特性的垂向振动模型的情况下,研究考虑轮胎滚动对动刚度影响的巨型轮胎垂向振动模型具有更大意义。本文考虑轮胎滚动特性,提出一种轮胎垂向振动模型。并针对巨型轮胎的特殊性设计能反映轮胎垂向振动特性的试验。本文主要研究内容为:1、根据轮胎内部结构和变形特点,考虑轮胎滚动动刚度随车速增加而减小的特性,将轮胎物理模型简化为双层柔性环。在建模过程中,提出胎面与路面接触的判据,引入滚动因素,建立路面激励与轮胎垂向作用力的数学关系,从而得到轮胎垂向振动的解析模型——轮胎滚动接触模型。该模型中有12个振动特性参数,这些振动特性参数需要利用试验数据辨识获得。2、在缺乏巨型轮胎台架试验条件下,本文设计了电动轮自卸车行驶试验。根据行驶试验不同工况的特点,选取最能反映轮胎振动特性的脉冲工况行驶试验。试验数据中存在许多噪声信号,本文采用小波阈值去噪方法来获取有用信号。3、由于RBF神经网络具有收敛速度快、泛化能力强优点,采用RBF神经网络作为振动特性参数辨识工具。针对其隐含层节点中心求解困难的问题,采用人工免疫算法求取RBF神经网络隐含层节点中心,获得兼顾精度与效率的AIA-RBF神经网络,将AIA-RBF神经网络用于辨识模型的建立。4、采用优化拉丁超立方抽样方法抽取若干组振动特性参数,并将该振动特性参数输入仿真模型,模拟脉冲工况行驶试验,从而获得训练样本。利用训练样本训练AIA-RBF神经网络,辨识出了12个振动特性参数,获得该巨型轮胎的滚动接触模型。将该模型用于轮胎滚动动刚度虚拟试验,验证了该模型具有描述轮胎滚动动刚度随车速增大而减小的能力。模拟整车脉冲工况行驶试验,验证了巨型轮胎滚动接触模型的准确性。