基于改进RBF网的汽车侧偏角估计方法试验研究

《基于改进RBF网的汽车侧偏角估计方法试验研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学兔兔www.xuetutu.com第46卷第22期机械工程学报VO1．46NO．222010年1l川JOURNALOFMECHANICALENGINEERINGNOV．2O10DoI：10．3901／JME．2010．22．105基于改进RBF网的汽车侧偏角估计方法试验研究术张小龙，2李亮李红志贺林宋健(1．清华大学汽车安全与节能国家重点实验室北京100084；2．安徽农业大学工学院合肥230036)摘要：基于汽车稳定性控制系统配置传感器信号，利用改进径向基神经网络技术对车身和车轮侧偏角进行估计。对径向基网络本最小乘算

2、法提⋯3条改进措施以获得合适的网络结构、提高网络的泛化能力和计算实时性。构建车身和前轮侧偏角、电子稳定程序(Electronicstabilityprogram，ESP)传感器信号测试道路试验系统，进行典型高附路面试验，并提取数据样本用于网络的学习和测试。通过网络结构和性能参数交叉验证，确定网络结构为4．12—2，扩展常数为9，}_j标学>j误差及其梯度分别为0．025和O．O5。由验证样本测试网络对车身和前轮侧偏角的估计精度分别为0．5。和O．8。。基丁PC平台对网络预测实时性进行测试。结果表明所构建的网络在精度和实时

3、性方面能够较好地满足ESP控制器对侧偏角的监控要求。关键词：汽车测试侧偏角估计改进径向基网络中图分类号：U270．7ExperimentalResearchonVehicleSideslipAngleEstimationBasedonImprovedRBFNeuralNetworksZHANGXiaolong-LILiangLIHongzhiHELinSONGJian(1．StateKeyLaboratoryofAutomotiveSafetyandEnergy,TsinghuaUniversity,Beijing100

4、084；2．SchoolofEngineering，AnhuiAgriculturalUniversity,Hefei230036)Abstract：Thetheoryandalgorithmoftheimprovedradialbasisfunctionneuralnetwork(IRBFNN)areappliedinestimationofvehiclebodyandwheelsideslipangles，basedontheconfigurationsensorsignalofelectronicstability

5、program(ESP)system．InordertosimplifytheRBFNNconstructionandimproveitsgeneralizationandreal-timecalculationperformance，threemethodsareputforwardtomodifytheradialbasisfunctionnetworkorthogonalleastsquares(OLS)learningalgorithm．Aroadtestsystemisdesignedtomainlyacqui

6、rethesignalsofthebodyandwheelsideslipangles，andofthekinemicsparametersofESPconfigurationsensors．Severaltypicalvehiclemanipulabilitytestsareconductedonhighadhesionroad，andthetestdataareusedtotrainandconfiguretheNNconstruction．ThefinalNNconstructionandlearningparam

7、etersaredeterminedbycross—verificationmethod，suchasthenetworkconstructionbeing4—12—2，theexpansionconstant9，thegoallearningelToranditsgradient0．025and0．05respectively．Theestimationaccuraciesofbodyandwheelsideslipanglesare0．5。and0．8。provedbytheverificationtestdata．

8、Finally,theNNreal—timepredictionperformanceistestedonthePCmachine．ThestudyshowsthattheconstructedRBFNNwithitsgoodaccuracyandreal—timecalculationperformancecanm