论文部分内容阅读
轮胎是汽车系统最具有代表性的非线性部件,其行为十分复杂。作为汽车与路面的支承和传递单元,它的力学特性直接影响汽车的运动性能。汽车操纵稳定性的计算精度很大程度上取决于轮胎力数学模型的精度。多年来人们进行了广泛的研究,建立了许多轮胎模型,每个都有其特殊的作用。这些模型主要用于汽车的动力学分析,但它们不可能包含轮胎的全部非线性因素,这无疑影响到研究精度。 人工神经网络是最近发展起来的十分热门的交叉学科,其本质上是一种接近人的认识过程的计算模型。神经网络系统是一个高度复杂的非线性动力学系统。它由大量的神经元节点组成,尽管每个神经元的结构相对简单和功能有限,但由大量神经元按一定的方式连接成的网络集体工作,按一定的规则来调整神经元间的连接强度,能使系统具有十分强大的功能。这种模型有高度的容错性、联想性和自组织学习等优点,以及可逼近任一非线性函数的能力,对非线性系统具有较强的映射能力。 轮胎力学特性的精确描述是研究汽车的基础,但用传统的数学方法来解决非线性问题较为困难,因而人们开始研究将神经网络理论应用至汽车动力特性的建模及自动控制等方面。本课题主要用BP神经网络对汽车轮胎的力学特性进行建模分析。本课题在第二章中,利用“魔术公式”建立汽车轮胎纯工况力学模型,并将其模型输出值与试验实测值进行比较,模型误差较大。第四章中,利用MATLAB软件中的神经网络工具箱提供的图形用户界面(GUI),首先建立纯工况轮胎力学神经网络模型,选择合适的相关参数对其进行训练,并将训练好后的模型预测值与试验实测值进行比较,模型误差较“魔术公式”模型误差相比减小很多;之后,建立联合工况下轮胎力学神经网络模型,并将训练好后的模型预测值与试验实测值进行比较,误差控制在工程允许范围内,网络模型预测精度高。从而验证这种建模方法的实用性。