车辆的侧向动力学模型主要用于车辆操纵稳定性分析,与车辆安全性相关。无论是性能评价还是控制研究,都需要尽可能准确的车辆模型。但是,基于理论公式的数学建模经常会由于简化过程中参数不准确而导致模型精度不高。多体模型虽然模型的精细度增加了,但相应的建模成本也会增加。而基于试验数据的辨识建模方法则提供了一种低成本的快速建模方法。随着系统辨识理论逐步成熟完善,这种基于数据的逆向建模技术有着广阔的工程应用前景。车辆侧向动力学模型是典型的多输入多输出系统,因此,使用的系统辨识算法应适用于多输入多输出系统。子空间方法是多变量系统辨识算法中一类直接使用时域数据进行辨识的算法总称。由于使用了QR分解和奇异值分解,这种方法具有鲁棒性强、运算速度快、精度高的优点。经过长期的发展,子空间方法在线性辨识领域逐步建立了相对完整的算法理论体系,可以根据应用对象的特点选择适合的算法,适用于车辆侧向动力学辨识建模。车辆操纵稳定性试验中存在一个典型现象:方向盘转角和车速输入不是同时满足持续激励条件。因此,这是一种部分输入为非持续激励条件下的辨识研究。当输入之间存在耦合关系时,辨识结果会出现有偏估计的现象。为了解决这一问题,应用了基于模型分解的子空间辨识算法。这种算法分离系统中的确定性输入部分和随机性输入部分,降低了随机性输入产生的输出与确定性输入之间相互影响带来的干扰,可以提高确定性系统的辨识精度。根据车辆操纵稳定性模型的理论建模分析结果,本文提出两种单输入辨识模型,模型阶次定为10阶。在对辨识结果和辨识算法的验证过程中,使用了交叉验证的方法。在低速工况下,转向回正性能试验用于辨识,相近车速下的蛇行试验用于验证。结果表明,低速工况下的辨识模型可以作为这一车速下的车辆模型,辨识算法可靠实用。在高速工况下,左转向的方向盘角脉冲输入试验用于辨识,右转向的同类型试验用于验证。两种辨识模型结构中,线性辨识模型结构S1适用于恒定车速试验辨识,而非线性辨识模型结构S2可以将恒定车速下的辨识模型用于恒定方向盘转角输入的仿真分析,横摆角速度上获得较高的辨识精度。为了分析高速工况的车辆操纵稳定性能,使用已经验证的辨识算法和辨识模型,对恒速国标试验进行系统研究,得到一组辨识模型。基于这组模型可以绘制出三项输出的稳态增益特性曲线。根据横摆角速度稳态增益曲线,基于Levenberg-Marquardt方法提出不足转向度估计方法,在低速工况下估计值与稳态回转试验测试值基本一致。引入高速试验后,不足转向度的分析范围由低速工况扩展到高速工况,从而突破了稳态回转试验的车速限制。不足转向度估计过程中产生的残差则表明使用的设计转向传动比与实际不符,据此提出基于整车试验的实际转向传动比估计方法并得到了验证。此外,在进行谐振频率分析的过程中,发现测试车辆的侧向加速度谐振频率要低于相同车速下的横摆角速度谐振频率。由于车辆系统本质上是多输入系统,但是,输入之间的非线性耦合关系使得直接应用多输入辨识算法是困难的。在对已辨识的恒速工况线性模型进行应用分析时发现模型仿真输出与试验输出存在近似线性关系。这种关系是基于Wiener结构的多输入辨识模型提出的基础。该模型由线性辨识模型和非线性函数组成,方向盘转角是线性辨识模型的输入,而车速则是非线性函数的参数。据此,实际建模过程中使用了两步建模方法。分析表明使用高速工况试验的线性辨识模型可以获得更高的精度,最终的车辆系统多输入模型是由基于方向盘转角脉冲输入试验的线性辨识模型和非线性函数组成。经过随机输入试验的验证,这种结构的辨识模型具备有较高的精度,满足工程需要。