基于RBF神经网络的最佳滑移率在线计算方法

摘要

针对汽车制动过程的非线性特征及其最佳滑移率在线估计的复杂性,提出一种基于Burckhardt模型的最佳滑移率在线辨识方法。分别用3个以工况为参数的径向基函数神经网络作为Burckhardt模型的3个参数;采用粒子群算法和结构化非线性参数优化方法相结合的混合参数优化方法估计3个径向基函数神经网络的所有参数,由该改进的Burckhardt模型即可产生任意工况下的纵向附着系数—滑移率(μ-s)曲线;在保证在线辨识精度的前提下,根据最佳滑移率等分原则选取一定数量的工况参数以构成Burckhardt模型的参数集,设计出基于实时μ-s数据的最佳滑移率在线辨识策略,完成最佳滑移率辨识系统构建。在线控制动系统中的仿真验证了所提出的最佳滑移率在线辨识方法的可行性和有效性。