[發明專利]基于神經網絡的空氣彈簧與連續可調減振器的懸架模型搭建方法

在審

• 申請號: 202210561303.5
• 申請日: 2022-05-23
• 公開（公告）號: CN114819105A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 劉善輝;莊曄
• 申請（專利權）人: 吉林大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G01M5/00;G01M17/04
• 代理公司: 長春吉大專利代理有限責任公司 22201
• 代理人: 朱世林

1.一種基于神經網絡的空氣彈簧與連續可調減振器的懸架模型搭建方法，包括以下步驟：

步驟1包括，1.1在臺架上做空氣彈簧動剛度試驗，獲得空氣彈簧動剛度特性；1.2在臺架上做連續可調減振器外特性試驗，獲得CDC減振器動力學特性；

步驟2包括，2.1數據預先處理：2.1.1利用分層抽樣，將空氣懸架阻尼特性數據分為全訓練集和測試集，分配的比例為10:2；2.1.2對全訓練集進行重新排序，能更普遍的學習到各種不同數據之間的關系；2.1.3重新利用分層抽樣將全訓練集分為訓練集和驗證集，分配的比例為10:2；

所述訓練集的數據用來作為神經網絡的輸入，驗證集中的數據用來檢驗模型的準確性，并在迭代中優化模型；所述測試集中的數據用來檢驗模型的泛化特性；

2.2設計神經網絡結構：搭建學習空氣彈簧動模型的多層前饋嵌套神經網絡，單個神經元，在這個模型中，神經元收到來自n個其他神經元傳遞過來的輸入信號，這些信號通過帶有權重的連接進行傳遞，神經元接收到的總輸入值將與神經元的閾值進行比較，然后通過“激活函數”處理產生的神經元的輸出；

步驟3，隨機初始化參數，根據每層的輸入個數和輸出個數來決定參數隨機初始化的分布范圍；

步驟4，利用小批量隨機下降進行優化、提前停止選擇最優模型，包括：4.1優化方式為小批量隨機梯度下降法“MBGD”，4.2使用提前停止的方法獲得最優模型；

步驟5，利用貝葉斯優化選擇超參數：學習率、各隱藏層中的神經元數，貝葉斯優化方法選擇超參數分為四個部分：目標函數、域空間、優化過程、及結果展示；

步驟6，學習實驗數據：針對空氣彈簧動剛度模型，神經網絡的輸入為彈簧相對位移Dt、振動頻率f兩個輸入量，輸出為空氣彈簧力Ft；針對CDC減振器阻尼模型，神經網絡的輸入為相對位移Dc、相對速度Vc和輸入電流I，輸出為阻尼力Fc；導入測量的數據文件，開始迭代學習，最后將學到的最優模型，保存；

步驟7，模型精度驗證：將預測的結果與驗證集進行比較，獲得接近96.8％的模型精度，比傳統建模方式更加準確。

2.根據權利要求1所述的一種基于神經網絡的空氣彈簧與連續可調減振器的懸架模型搭建方法，其特征在于：

步驟1.1：將空氣懸架氣囊中充滿氣體，達到0.5±0.05Mpa，空氣彈簧的底部經拉壓力變送器與振動臺聯結，隨振動臺不同頻率f范圍在0.5Hz～20Hz之間和不同的振幅的正弦振動；空氣彈簧動載荷有拉壓力變送器測得，空氣彈簧的相對位移由位移變送器測得；獲得空氣彈簧的彈簧力Ft與頻率f，相對位移Dt的關系；

步驟1.2：將連續可調減振器的輸入電流分為n等分，值的范圍：0A～1A，每個輸入電流下，作動器輸入三個不同頻率，相同幅值的正弦輸入；每個正弦輸入循環四次；或以輸入不同等級的隨機輸入，然后獲得空氣懸架的阻尼外特性；即獲得電流I、相對速度Vc、相對位移Dc與減振器阻尼力Fc的數據關系。

3.根據權利要求1所述的一種基于神經網絡的空氣彈簧與連續可調減振器的懸架模型搭建方法，其特征在于：

步驟2.2包括：

2.2.1選擇激活函數為ReLU為輸出層函數；

所述激活函數

ReLU函數是連續的，在z＝0時不可微分，坡度的突然變化可使梯度下降反彈；

選擇sigmoid函數為隱藏層函數

2.2.2 sigmoid函數是連續可導函數，而且基本輸出只有0,1值，可以大大降低收斂時間，加快學習速度；

2.2.3調用縮放函數，對訓練集和測試集的數據進行歸一化處理，把數據經過處理后使之限定在一定的范圍內，可限制在區間[0,1]或者[-1,1]；

2.2.4設置神經網絡的結構，設置一個輸入層，然后設置四個隱藏層，再設置一個結合層，將第三層的隱藏層和第四層的隱藏層結合起來輸入給輸出層；

2.2.5選擇損失函數為“MSE”，損失函數loss function即代價函數cost function，是神經網絡優化的目標函數，神經網絡訓練或者優化的過程就是最小化損失函數的過程，損失函數值小了，對應預測的結果和真實結果的值就越接近。