基于深度卷积-长短期记忆神经网络的整车道路载荷预测
罗欢 胡浩炬 余家皓511434) (广州汽车集团股份有限公司汽车工程研究院,广州【摘要】针对传统道路载荷获取方法耗费周期长、成本高,且无法高效应用于整车参数变化后的新车型的问题,利用现有多款车型的载荷数据库,通过建立可确定整车结构参数、运行工况与道路载荷之间关联关系的深度卷积-长短期记忆神经网络( DCNN-LSTM)模型,提出了基于数据驱动的整车轮心载荷预测方法。对比试验结果表明,该方法预测的整车轮心载荷与试验场采集数据非常接近,有利于逐步取消路谱采集试验并极大地提高整车耐久性分析的效率。主题词:道路载荷 深度学习 数据库 疲劳耐久分析 深度卷积神经网络 长短期记忆U462.3 A 10.19620/j.cnki.1000-3703.20200671中图分类号: 文献标识码: DOI:
1 前言
在现有的汽车底盘结构疲劳耐久分析流程中,为了获得整车的道路载荷谱,通常需要在项目开发早期开展整车道路耐久试验,该试验需要特制的试制样车、测量设备、试验场所以及数周的试验时间。随着控制成本和缩减开发周期的要求日益严格,道路试验成本高、周期长的问题更加突出,亟待解决。
近年来,针对如何在取消道路试验的条件下获得底盘结构疲劳耐久分析所需的道路载荷问题,国内外的学
2
者主要提出了 类分析技术:基于整车动力学分析的虚
拟路谱技术和基于机器学习的路谱识别技术。前者首先通过激光扫描技术获取试验场路面不平度信号,然后对包括轮胎、衬套悬置等弹性元件的整车模型进行动力学仿真分析[1- 4];后者首先利用合适的机器学习模型直接根据方便测量的整车参数预测道路载荷,然后利用整车动力学仿真分析获取底盘结构件的动态响
2
应载荷[5-8]。通过对比这 种方法,发现与虚拟路谱技术相比,基于机器学习的路谱识别技术省去了操作复杂且代价高昂的路面不平度测量工作,且不需要在整车动力学模型中建立轮胎模型。
尽管相关研究越来越多,目前基于机器学习的路谱
2
识别技术仍然存在 个方面的问题:相关研究涉及的工况比较简单,没有充分覆盖当前道路试验通常包含的试验场路面;相关研究中利用的机器学习模型非常传统,
Back Propagation,BP) Radial
如反向传播( 、径向基函数(
Basis Function,RBF) Nonlinear
、非 线 性 自 回 归(
Autoregressive Exogenous,NARX)
等神经网络模型,这些神经网络模型所能达到的预测精度低于更为先进的深度学习模型[9- 12]。因此,整车路谱的识别作为典型的非线性时序数据预测问题,更适合采用深度学习神经网络模型。
本文针对上述问题,基于整车试验场测量数据,探索了利用深度神经网络模型建立整车结构参数和运行参数与道路载荷之间的关系,建立了包括试验数据预处理、整车参数选择、神经网络模型训练和测试的完整流程,以期为进一步实现利用数据库和深度学习预测道路载荷提供理论基础。
2 DCNN-LSTM模型及其设计
在基于机器学习的路谱识别技术研究中,为了根据整车运行参数有效地预测以轮心六分力为代表的路谱
DCNN 2
层通常由 类交替连接的子层组成,即卷积层和池化层。在卷积层输入数据与卷积核进行卷积运算和求和运算,然后通过非线性转换获得卷积层的输出信息。在池化层,输入的数据被分为很多小块,通过对载荷,需要从众多可实际测量的整车结构参数和运行参数中挑选出与轮心六分力最相关的部分,并建立合适的机器学习模型,从大量的样本数据中确定挑选的整车运行参数与轮心六分力之间的对应关系。
深度学习模型作为机器学习领域的最新研究成果,在处理高度非线性、高度动态特性问题时具有强大的学习能力,因此在大规模时间序列数据预测研究中得到广泛应用[9,11]。在众多的深度学习模型中,大量的研究证
Deep Convolutional
明,使用联合了深度卷积神经网络(
Neural Network,DCNN) Long- Short
模型和长短期记忆(
Term Memory,LSTM) DCNN- LSTM
神经网络模型的 模型可取得相对较高的预测精度[12-15]。为了根据大量具有高度动态特性的整车运行参数预
DCNN-LSTM
测对应的轮心六分力载荷,本文提出了基于
1
模型的整车路谱识别技术,其基本框架如图 所示。
2.1 DCNN-LSTM模型
DCNN- LSTM DCNN
模型主要包括输入层、 层、
LSTM DCNN
层以及输出层。其首先利用 层提取输入层
LSTM
数据的重要特征信息,然后通过 层及最后的全连接层预测轮心六分力载荷[13-15]。每小块求取统计值(如均值或最大值)即可得到池化层的输出信息。在整车道路载荷预测中,需要处理的汽车
DCNN 2运行参数属于一维时序数据,因此 层选用如图所示的一维卷积神经网络层。