一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法

摘要

本发明公开了一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法，包括以下步骤：S1、通过台架试验与有限元仿真相结合的方法得出影响车轮侧偏力学特性的主要结构参数，建立包含结构参数的车轮侧偏力学特性经验表达式；S2、基于Simulink软件建立匹配车轮力学特性的非线性三自由度侧翻预测模型；S3、进行不同结构参数组合的汽车前轮角阶跃工况下的侧翻稳定性模拟仿真，得到若干组不同结构参数组合工况下的汽车侧翻稳定性指标参数；S4、利用逆动力学理论，建立输入为汽车侧翻稳定性评价指标，输出为不同结构参数组合的神经网络模型；S5、利用仿真结果进行网络训练，构建车轮结构参数匹配和汽车侧翻稳定性之间的关系。本发明简单易实现、具有良好应用前景。

说明书

技术领域

本发明属于车辆结构与性能优化设计技术领域，具体涉及一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法。

背景技术

轮胎作为汽车与地面接触的唯一汽车部件，其性能对汽车的侧翻稳定性有重要影响。根据整车性能的需要生产各种合适的轮胎以及怎样为设计车型匹配合适的轮胎一直以来都是轮胎制造商和整车设计厂商非常关心的问题。

目前，汽车初期设计过程中的车轮与汽车匹配问题，大多基于简单的理论计算再加上样车的试验调校，存在研发精度低，周期较长等缺点。研究预测轮胎结构特性与整车性能之间关系的理论和方法，可以在汽车前期的研发设计过程中，通过精确的理论计算得到最佳车轮匹配整车特性方案，提高研发效率、精度，避免了研发的盲目性，指导轮胎供应厂商的车轮匹配设计工作。

发明内容

发明目的：为了克服现有技术中存在的不足，提高车轮设计研发效率、精度，避免了研发的盲目性，指导轮胎供应厂商的车轮匹配整车性能设计工作，本发明提供一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法，

技术方案：为实现上述目的，本发明采用的技术方案为：

一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法，包括以下步骤：

S1、通过台架试验与有限元仿真相结合得出影响车轮侧偏力学特性的结构参数，建立包含结构参数的车轮侧偏力学特性经验表达式；车轮结构主要包括輮轮、轮毂和铰链组；

S2、基于Simulink软件建立匹配车轮力学特性的非线性三自由度侧翻预测模型；

S3、进行不同车轮结构参数组合的前轮角阶跃模拟仿真，得到相应的汽车侧翻稳定性指标参数；

S4、基于逆动力学理论建立输入为汽车侧翻稳定性评价指标、输出为不同结构参数组合的神经网络模型；

S5、利用仿真结果进行网络训练，构建车轮结构参数匹配和汽车侧翻稳定性之间的关系。

进一步的，所述步骤S1具体包括以下子步骤：

S11、总结结构参数对侧偏力学特性影响规律；

S12、建立侧偏刷子理论模型，前后轴各车轮轮胎力为：

F_y＝μF_zθ_y(3tanα-3θ_ytan²α+θ_y²tan³α)

其中，θ_y＝(2c_eyl_p²)/3μF_z；其中，c_ey为刷毛单元侧向刚度，α为车轮的侧偏角，F_z为车轮垂向载荷，μ为地面附着系数，l_p为接地印迹半长，λ_c为待定常数，F_y为车轮侧向力。

进一步的，所述结构参数包括：輮轮的断面宽度、高度，弹性环分布的宽度、高度，铰链组的长度、数目，橡胶层的剪切模量。

进一步的，步骤S2中，所述非线性三自由度侧翻预测模型为：

横向运动

其中，m、m_s分别为车辆的总质量、簧载质量；a_y是车辆的侧向加速度；h_s是质心位置距侧倾中心的距离；φ为车辆的侧倾角；F_yi为第i个轮胎的侧向力(i＝1,2,3,4)；

横摆运动：

其中，I_z簧载质量的横摆转动惯量；l_f、l_r分别为质心位置到前、后轴的距离；γ为横摆角速度；

侧倾运动：

其中，I_x簧载质量的侧倾转动惯量；K_φf、K_φr分别为前、后轴悬架的等效侧倾刚度；C_φf、C_φr分别为前、后轴悬架的等效阻尼；

前、后轴车轮的侧偏角为：

其中，t_w为汽车轮距忽略纵向载荷转移；δ_f为前轮转角；ν_x、ν_y为纵向、侧向车速；

忽略纵向载荷转移，前后轴各车轮的垂向载荷为：

其中，l为轴距。

进一步的，步骤S3具体包括：

S31、进行不同结构参数组合的汽车前轮角阶跃工况下的侧翻稳定性模拟仿真；

S32、以PLTR作为侧翻稳定性评价指标，定义为：

其中Δt是预测时间，t₀是当前时间；t_w为汽车轮距忽略纵向载荷转移；a_y是车辆的侧向加速度；φ为车辆的侧倾角；h为质心高度；

S33、得到若干组不同结构参数组合工况下的汽车侧翻稳定性指标参数。

进一步的，步骤S4具体包括：

S41、确定径向基函数神经网络模型；

S42、确定以PLTR为神经网络模型输入变量、不同车轮结构参数组合为输出变量；

S43、确定神经网络训练样本和验证样本；

S44、建立径向基函数神经网络逆动力学模型。

进一步的，步骤S41中，所述径向基函数是高斯函数：

其中，c_i是第i个节点的中心向量；σ_i是第i个基函数围绕中心点的宽度；x_i是第i个节点的输入向量；R_i是径向基函数；

神经网络模型期望输出为：

其中，w_ik是网络隐层第i个节点与输出层第k个节点之间的连接权；y_k是隐含层节点输出；e_k是误差向量；N是隐含层节点个数；M是输出层节点个数。

进一步的，步骤S5具体包括：

S51、进行网络训练；

S52、验证径向基函数神经网络逆动力学模型的正确性。

有益效果：本发明提供的车轮结构参数匹配整车侧翻稳定性的逆动力学方法，与现有技术相比，具有以下优势：

1、设计方法简单，便于实现和推广；

2.构建轮胎结构参数、轮胎力学特性与整车侧翻稳定性能的映射关系，指导轮胎厂商的生产、设计以及匹配工作。

附图说明

图1是本发明的逆动力学设计方法流程图；

图2是车轮结构示意图；

图中，1-輮轮，2-橡胶层，3-弹性环，4-铰链组，5-轮毂；

图3輮轮断面与铰链组结构示意图；

图4是车轮有限元模型；

图5是汽车侧翻示意图；

图6是径向基函数神经网络示意图。

具体实施方式

本发明公开了一种新型车轮结构参数匹配整车侧翻稳定性的逆动力学设计方法，所述方法包括以下步骤：S1、通过台架试验与有限元仿真相结合的方法得出影响车轮侧偏力学特性的主要结构参数，建立包含结构参数的车轮侧偏力学特性经验表达式；S2、基于Simulink软件建立匹配车轮力学特性的非线性三自由度侧翻预测模型；S3、进行不同结构参数组合的汽车前轮角阶跃工况下的侧翻稳定性模拟仿真，得到若干组不同结构参数组合工况下的汽车侧翻稳定性指标参数；S4、利用逆动力学理论，建立输入为汽车侧翻稳定性评价指标，输出为不同结构参数组合的神经网络模型；S5、利用仿真结果进行网络训练，构建车轮结构参数匹配和汽车侧翻稳定性之间的关系。本发明方法简单、容易实现、具有良好的应用前景。

下面结合附图和实施例对本发明作更进一步的说明。

实施例

如图1所示，本发明公开了一种车轮结构参数匹配整车侧翻稳定性的逆动力学设计方法，包括以下步骤：

S1、建立包含结构参数的车轮侧偏力学特性经验表达式。具体包括以下子步骤：

S11、作为一个实施例，如图2所示，所述车轮主要结构包括輮轮1、铰链组4、轮毂5；

S12、作为一个实施例，如图3所示，所述车轮结构参数主要包括輮轮1的断面宽度、高度，弹性环3的分布宽度、高度，铰链组4的长度、数目，橡胶层2的剪切模量等；各参数具体参考取值区间如表1所示。

表1车轮结构参数取值范围

参数取值范围輮轮断面宽度310～320mm輮轮断面高度70～90mm初始剪切模量1.04～1.82Mpa弹性环分布宽度20～30mm弹性环分布高度15～20mm铰链组长度120～150mm铰链组数目12～18

S13、作为一个实施例，如图4所示，建立车轮有限元模型，分析不同结构参数对车轮侧偏特性具体影响；

S14、建立车轮侧偏刷子理论模型。

S15、台架试验验证模型的正确性。

S2、基于整车动力学模型和Simulink软件，建立匹配车轮力学特性的非线性三自由度侧翻预测模型。非线性三自由度模型为：

横向运动

其中，m,m_s分别为车辆的总质量，簧载质量；a_y是车辆的侧向加速度；h_s是质心位置距侧倾中心的距离；φ车辆的侧倾角；F_yi第i个轮胎的侧向力(i＝1,2,3,4)。

横摆运动：

其中，I_z簧载质量的横摆转动惯量；l_f,l_r分别为质心位置到前后轴的距离。

侧倾运动：

其中，I_x簧载质量的侧倾转动惯量；K_φf,K_φr分别为前后轴悬架的等效侧倾刚度；C_φf,C_φr分别为前后轴悬架的等效阻尼。

前后轴车轮的侧偏角为：

其中，t_w位汽车轮距忽略纵向载荷转移。

前后轴各车轮的垂向载荷为：

前后轴各车轮轮胎力为：

F_yi＝μF_ziθ_y(3tanα_i-3θ_ytan²α_i+θ_y²tan³α_i)，

S3、进行不同车轮结构参数组合的前轮角阶跃模拟仿真。进一步地,所述步骤S3具体包括以下子步骤:

S31、进行不同结构参数组合的汽车前轮角阶跃工况下的侧翻稳定性模拟仿真；

S32、侧翻简化示意图如图5所示，对轮距中心点列稳态的力矩平衡式：

m_sa_yh+m_sgΔy＝(F_zl-F_zr)t_w/2，Δy＝h·sinφ，

横向载荷转移率定义为：

当左、右侧的车轮垂直载荷相等时，LTR＝0；当一侧车轮的垂直载荷为零时，LTR为1或-1。LTR的绝对值越大则表明汽车的侧翻风险越大，代入得

将汽车的簧载质量m_s与总质量m近视处理，得到简化的LTR的估计值表达式如下

考虑车轮的垂向载荷是随着车辆运动状态而不断变化的，LTR的导数反映了其变化趋势，也从一定程度上反映未来时刻的LTR，进而反映车辆的侧翻倾向。定义预测横向载荷转移率PLTR为：

其中Δt是预测时间，t₀是当前时间。

当侧倾角较小时,假设sinφ≈φ,以PLTR作为侧翻稳定性评价指标：

其中Δt是预测时间，t₀是当前时间。

S33、得到若干组不同结构参数组合工况下的汽车侧翻稳定性指标参数。

S4、基于神经网络算法，建立输入为汽车侧翻稳定性评价指标、输出为不同结构参数组合的神经网络模型。进一步地，所述步骤S4具体包括以下子步骤:

S41、作为一个实施例，如图6所示，径向基函数是高斯函数：

其中，c_i是第i个节点的中心向量；δ_i第i个基函数围绕中心点的宽度；x_i是第i个节点的输入向量。

神经网络模型期望输出为：

其中，w_ik是网络隐层第i个节点与输出层第k个节点之间的连接权。

S42、确定以PLTR为输入变量，不同车轮结构参数组合为输出变量；

S43、确定神经网络训练样本和验证样本；

S44、建立径向基函数神经网络逆动力学模型。

S5、进行网络训练，构建车轮结构参数匹配和汽车侧翻稳定性之间的关系。进一步地，所述步骤S5具体包括以下子步骤：

S51、进行网络训练；

S52、验证径向基函数神经网络逆动力学模型的正确性。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。