梁冠群,趙 通,王 巖,危銀濤
(清華大學(xué)車輛與運載學(xué)院,汽車安全與節(jié)能國家重點實驗室,北京 100084)
路面不平度對于車輛的行駛安全和駕乘舒適性均有很大影響,掌握路面不平度信息對于車輛動力學(xué)控制尤其是懸架控制具有重要意義。在懸架控制中,需要滿足乘坐舒適性和行駛安全性的雙重要求,而不同不平度等級的路面下無法利用同一套控制參數(shù)實現(xiàn)最優(yōu)的控制效果。因此路面不平度等級信息可以為控制算法的參數(shù)調(diào)節(jié)提供直接有效的依據(jù)[1]。
現(xiàn)有的車載道路辨識策略整體可分為直接和間接兩種方式。直接辨識的方式通過對道路表面進行感知測量來實現(xiàn),它通常需要借助專用的傳感器。表面光度儀是最簡單、便捷的測量方法,但是它需要特殊定制且成本高,無法實現(xiàn)大規(guī)模商用??梢姽獬上袷且环N被廣泛采用的方法,手工提取道路圖像的顏色、紋理和邊緣特征,通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器實現(xiàn)道路辨識[2];還有利用包含干路、濕路、雪路和泥路圖像的數(shù)據(jù)集,用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型進行端到端的辨識[3]。但是這種深度學(xué)習(xí)方法需要巨大的計算量,并且它的性能嚴(yán)重依賴于訓(xùn)練數(shù)據(jù)量。路面點云模型法利用車載激光雷達(dá)獲取路面的三維點云數(shù)據(jù),用形態(tài)梯度計算點集的粗糙度,在復(fù)雜環(huán)境下的實車實驗證實該算法能夠自適應(yīng)地實現(xiàn)道路辨識[4]。但激光雷達(dá)價格昂貴,建立點云時需要較大計算量和存儲空間,可移植性也比較差。超聲波法利用超聲波傳感器感知不同路面,提取回波信號的波形特征并輸入到分類器中進行辨識[5]。這種方法需要考慮車速和聲波能量在大氣中的耗散對辨識精度的影響。
以上直接辨識的方法都要借助專用的傳感器,這不僅提高了道路辨識的成本、降低了傳感器的可擴展性,而且算法的高計算量要求導(dǎo)致無法實現(xiàn)實時辨識。目前基于懸架系統(tǒng)響應(yīng)的間接辨識方法受到了更多研究者的關(guān)注。不同粗糙度等級的道路對行駛車輛有著不同帶寬和幅度的激勵,反映在懸架上即為不同的加速度響應(yīng),間接辨識方法旨在從懸架加速度響應(yīng)中反向推斷出道路等級。
間接辨識法亦可分為基于模型[6-8]的和數(shù)據(jù)驅(qū)動[9-16]的方法。用卡爾曼濾波的方法從仿真和實驗數(shù)據(jù)中估計道路的粗糙度,這種方法需要的模型簡單、計算量小,且可擴展到利用其他信息來提升估計性能[6]。用高階滑模和非線性Lipschitz 觀測器同時估計路況和胎-路摩擦力[7]。這種基于觀測模型的方法可能會遇到所需狀態(tài)量無法測量的問題。
數(shù)據(jù)驅(qū)動的方法可以不考慮路面激勵到懸架系統(tǒng)響應(yīng)的物理過程,利用算法模型自主地學(xué)習(xí)數(shù)據(jù)中的潛在模式。對單個懸架簧上質(zhì)量的垂向加速度信號進行2 階小波變換,分別提取時域和變換域信號的統(tǒng)計波形特征,然后輸入到自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)中進行道路等級分類[9-10]?;上沦|(zhì)量的加速度響應(yīng)更適合用于道路辨識,因為它更易測量且能達(dá)到更高的準(zhǔn)確率[11]。將該方法擴展,與卡爾曼濾波相結(jié)合構(gòu)成自適應(yīng)卡爾曼濾波器,以較高精度估計出懸架系統(tǒng)的狀態(tài)[12]。利用滑動窗提取整車4 個懸架的簧下質(zhì)量加速度信號的均方特征,用神經(jīng)網(wǎng)絡(luò)分類器進行預(yù)測,作者同時探討了滑動窗長度和特征計算方法對準(zhǔn)確率的影響[13]。
綜合以上路面辨識技術(shù)可以發(fā)現(xiàn),目前尚無低成本、可靠、精確、快速的方法用于實際的懸架主動控制。為此,本文中提出利用長短期記憶(LSTM)網(wǎng)絡(luò)作為主體,選擇車輛簧下質(zhì)量加速度作為輸入量進行端到端的路面不平度等級的辨識。LSTM 是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種特殊類型[17-20],它也是典型的數(shù)據(jù)驅(qū)動方法。能夠?qū)W習(xí)序列數(shù)據(jù)的前后長期依賴問題,因此相比于其他深度學(xué)習(xí)方法更適合應(yīng)用于加速度響應(yīng)這種時間序列的分析。
加速度信號是時序的非結(jié)構(gòu)化數(shù)據(jù),而經(jīng)典的分類問題通常使用結(jié)構(gòu)化數(shù)據(jù)作為輸入。結(jié)構(gòu)化數(shù)據(jù)由不同的特征組成,而將時序信號轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)需要手動提取特征。常用的關(guān)鍵特征有最大值、最小值、平均值、方差和峭度等。特征越多網(wǎng)絡(luò)越能夠捕捉不同類別的差異,從而提高準(zhǔn)確性,但同時也帶來了更大計算負(fù)擔(dān)甚至維數(shù)災(zāi)難。采用主成分分析法(PCA)可以消除冗余特征,最終保留的特征及其數(shù)量將基本決定模型的準(zhǔn)確性。該方法的主要問題是,在訓(xùn)練或測試時,每條輸入數(shù)據(jù)都需要進行預(yù)處理,實際在線應(yīng)用時會降低運行速度。
時序加速度信號自身已經(jīng)蘊含許多不同的特征,手動特征提取無法利用信號自身的全部信息且會產(chǎn)生冗余。任意一個時刻的加速度值雖然不能體現(xiàn)特征,但持續(xù)的信號片段可以。因此,在這種情況下,具有結(jié)構(gòu)化輸入的經(jīng)典全連接神經(jīng)網(wǎng)絡(luò)并不適用。而長短期記憶網(wǎng)絡(luò)非常擅長提取有上下文關(guān)系的時序數(shù)據(jù)的特征。
LSTM 網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)有著相似的鏈狀結(jié)構(gòu),不同的是前者的每一個重復(fù)的單元都包含更復(fù)雜的層級[21]。
LSTM 網(wǎng)絡(luò)順序結(jié)構(gòu)如圖1 所示。圖中在時刻t下每一個重復(fù)單元的輸入量包括樣本輸入數(shù)據(jù)x
圖1 LSTM重復(fù)單元的順序結(jié)構(gòu)
圖2 LSTM單元結(jié)構(gòu)
圖2中:Wf為遺忘門的權(quán)重;Wi、Wc為更新門的權(quán)重;Wo為輸出門的權(quán)重;bf為遺忘門的偏置;bi、bc為更新門的偏置;bo為輸出門的偏置。疊加表示將兩個數(shù)組合并為一個,σ(·)表示sigma函數(shù),tanh(·)表示雙曲正切函數(shù),“*”表示按元素相乘,“+”表示按元素相加。
遺忘門Γf通過sigmoid 函數(shù)篩選了上一單元的狀態(tài)中未被舍棄的部分:
更新門Γu決定了需要更新的部分,c?
更新的單元狀態(tài)由選取的上一時刻狀態(tài)與新選取的備選變量組成:
在輸出環(huán)節(jié)中,tanh(Ct)將Ct的值重新布置在(-1,1)的范圍中,輸出門Γo決定了輸出的部分,最終獲得該單元的輸出量a
整個網(wǎng)絡(luò)的架構(gòu)如圖3所示。
LSTM 層之后連接的是全連接層(fully connect?ed layer,F(xiàn)C),其中隱藏層的神經(jīng)元數(shù)目與分類的類別數(shù)Nc相同。全連接層中各元素為
圖3 時序輸入到分類結(jié)果輸出的全網(wǎng)絡(luò)架構(gòu)
式中:i為全連接層中的各神經(jīng)元下標(biāo);wi為神經(jīng)元的權(quán)重;bi為偏置。由于此問題是分類問題,因此在最后連接一個softmax 層將全連接層輸出的離散特征轉(zhuǎn)化成對應(yīng)類別的概率分布。每種類別的概率y?i計算方式為
式中e 為自然指數(shù)。由此完成了從時序加速度信號輸入到分類結(jié)果輸出的流程,每一步正向傳播的計算均已完成。
上述網(wǎng)絡(luò)建立過程即進行正向傳播,最終的損失函數(shù)Lj定義為交叉熵的形式:
對于所有樣本的整體目標(biāo)函數(shù)為
式中:yi為實際的概率;Θ為網(wǎng)絡(luò)中需要迭代的各參數(shù),如權(quán)重W和偏置b;m為樣本數(shù)量。
為求解該優(yōu)化問題,需要對參數(shù)進行反向傳播迭代。重復(fù)反向傳播過程并利用計算得到的當(dāng)前LSTM單元的輸出和狀態(tài)變量向前一時刻傳遞。
最小化目標(biāo)函數(shù)所用的算法是Adam 算法(adaptive optimization algorithm),它是當(dāng)前深度學(xué)習(xí)參數(shù)優(yōu)化算法中較為高效的一種,結(jié)合了批量梯度下降、動量法、RMSProp 等算法的優(yōu)點,可以自適應(yīng)改變學(xué)習(xí)率快速尋優(yōu),變量的更新迭代算法如下:
式中:vdΘ為動量變量;SdΘ為學(xué)習(xí)率調(diào)整變量;β1為梯度衰減因子;β2為平方梯度衰減因子。經(jīng)過數(shù)次迭代后,網(wǎng)絡(luò)中所有需要更新的變量都會迭代至使目標(biāo)函數(shù)盡可能小的值。
利用上述LSTM 網(wǎng)絡(luò)對于時序信號強特征捕捉能力和時序車輛加速度響應(yīng),就可以構(gòu)建在線路面不平度辨識算法。這是本文的主要創(chuàng)新點,其主要流程如圖4 所示,分為網(wǎng)絡(luò)訓(xùn)練階段和實際使用階段。
圖4 路面不平度等級辨識算法流程
在網(wǎng)絡(luò)訓(xùn)練階段,首先進行LSTM 網(wǎng)絡(luò)的搭建,由于直接利用時序加速度作為輸入,網(wǎng)絡(luò)的第1層為時序輸入層,將時序信號中的每個采樣點單獨輸入下一層。第2層為LSTM 層,包含大于等于采樣點數(shù)目的LSTM 單元,每個單元與前后時刻對應(yīng)的單元相連,能夠傳遞之前時刻單元的狀態(tài)和輸出信息。第3層為全連接層,將上一層網(wǎng)絡(luò)輸出的結(jié)果進行線性運算得到不同類別的分?jǐn)?shù)。第4 層為Softmax 層,得到不同類別的概率并選擇最大者作為分類結(jié)果輸出。
深度學(xué)習(xí)需要大量的數(shù)據(jù)進行網(wǎng)絡(luò)訓(xùn)練,而試驗數(shù)據(jù)不易包含大量完整的工況,因此在網(wǎng)絡(luò)訓(xùn)練階段中可以利用仿真加實測的加速度信號作為訓(xùn)練數(shù)據(jù)集的來源。仿真獲取訓(xùn)練數(shù)據(jù)集的方案中,首先利用白噪聲濾波產(chǎn)生不同不平度等級的路面激勵,通過懸架的傳遞特性來計算對應(yīng)不同等級路面的車輪垂向加速度。試驗獲取數(shù)據(jù)集的方案中,在輪心處安裝加速度傳感器及數(shù)據(jù)采集系統(tǒng),在不同不平度等級的路面行駛中采集車輪垂向加速度。之后截取時長1 s的加速度時序信號片段,并進行歸一化處理。
設(shè)置初始參數(shù)后,將加速度時序信號與相應(yīng)的路面不平度等級標(biāo)簽輸入網(wǎng)絡(luò)開始訓(xùn)練。通過訓(xùn)練結(jié)果調(diào)整超參數(shù),如迭代次數(shù)、學(xué)習(xí)速率,以實現(xiàn)較高的分類準(zhǔn)確率。
在實際使用階段,訓(xùn)練好的網(wǎng)絡(luò)可應(yīng)用于實時路面分類。在輪心處安裝加速度傳感器及數(shù)據(jù)采集系統(tǒng),在車輛行駛過程中采集車輪垂向加速度。截取1 s加速度信號片段后進行歸一化處理,輸入一訓(xùn)練好的網(wǎng)絡(luò),便可以快速得到最終路面不平度等級分類的結(jié)果。
考慮到實際會出現(xiàn)的各種不同的工況,較難利用實車測量的方法獲得大量的訓(xùn)練數(shù)據(jù)。因此利用濾波白噪聲產(chǎn)生大量不同的道路不平度信號,通過懸架模型傳遞特性計算的車輪垂向加速度響應(yīng),在大量訓(xùn)練數(shù)據(jù)的基礎(chǔ)上進行網(wǎng)絡(luò)的訓(xùn)練。訓(xùn)練好的網(wǎng)絡(luò)可以直接用于實時的加速度信號進行路面不平度等級的辨識。
路面截面高程通常被認(rèn)為服從一種均值為零的正態(tài)分布,為了描述這一隨機過程的特征,通常利用功率譜密度(PSD)[22]。根據(jù)ISO 8601,路面不平度的功率譜密度如下:
式中:n為空間頻率,m-1;n0為參考空間頻率,n0=0.1 m-1;Gq(n0)為在參考空間頻率下的路面功率譜密度,m3,也被稱為路面不平度系數(shù);W為頻率指數(shù),決定了路面功率譜密度的頻率分布,通常為2。Gq(n0)與對應(yīng)的方差σq隨不同等級的路面粗糙度而變化。
功率譜密度的時間頻率為
考慮到路面不平度是一種有限帶寬噪聲,具有所需路面功率譜密度的時域路面不平度則可以通過特定白噪聲通過濾波產(chǎn)生。
式中:Sω為白噪聲功率譜密度,這里取1。傳遞函數(shù)為
傳遞特性的狀態(tài)方程為
式中:q(t)為路面不平度,m;n00為空間下限截止頻率,n00=0.011 m-1;w(t)為均值為0、功率譜密度為1的時域白噪聲信號。
由白噪聲生成的以20 m/s 通過的E 級路面不平度結(jié)果如圖5所示。
圖5 E級路面在20 m/s下的不平度時域信號
將生成的道路與E 級路面的標(biāo)準(zhǔn)功率譜密度進行比較,下邊界是E 級標(biāo)準(zhǔn)功率譜密度的1/2,而上邊界則為2倍,結(jié)果如圖6所示。從圖中可以看到頻譜位于E級區(qū)域。
圖6 生成的E級路面功率譜密度與標(biāo)準(zhǔn)E級路面上下界
因此由濾波后的白噪聲產(chǎn)生的路面不平度能夠接近實際采集的結(jié)果,可用于路面不平度等級識別的訓(xùn)練。
為了展示輪胎和懸架的傳遞特性,選用2 自由度1/4 車輛模型,如圖7 所示。圖中,簧上質(zhì)量ms,簧下質(zhì)量mu,彈簧剛度ks,可變阻尼系數(shù)cs,輪胎剛度kt。車身、輪胎和路面的位移分別用xs、xu和xr表示。1/4車輛模型的參數(shù)如表1所示。
圖7 1/4 車輛懸架模型
表1 1/4車輛模型參數(shù)
從路面位移到簧下質(zhì)量加速度的傳遞函數(shù)為
路面不平度可以通過簧下質(zhì)量加速度和式(15)的傳遞特性得到
以20 m/s 駛過圖1 所示的E 級路面上的車輛簧下質(zhì)量加速度如圖8所示。
生成5 個不平度等級,包括B、C、D、E、F 級路面下的車輛加速度響應(yīng)信號。為使數(shù)據(jù)更貼近實際加速度傳感器測量的數(shù)據(jù),在加速度信號中疊加一定功率的白噪聲,也可以提升算法辨識的魯棒性。為使生成的信號更具有隨機性和普遍性,避免疊加某些系統(tǒng)性偏差,每次利用不同的隨機數(shù)種子進行白噪聲的生成,并且生成十倍于所需時長的信號,之后進行隨機的片段采樣,能夠避免加速度信號存在某些由該生成方法引出的固定特征。訓(xùn)練集中使用的每個樣本時長1 s,片段選取如圖9所示。
圖8 20 m/s駛過E級路面的車輪垂向加速度
圖9 隨機窗口選取加速度
訓(xùn)練集有1 000 組樣本,由5 種不同等級路面的激勵結(jié)果組成,每種200 個樣本,每個樣本時長1 s,不同等級的采樣結(jié)果如圖10所示。
圖10 5種不同等級路面的車輪垂向加速度響應(yīng)結(jié)果
考慮到不同等級加速度的幅值范圍,為使加速度信號具有相近的分布,對信號進行歸一化處理:
式中μ和σ分別為一種路面激勵加速度下的平均值和方差。
驗證集包含250 個樣本,與訓(xùn)練集具有相同的分布,并進行了歸一化處理。在完成數(shù)據(jù)的準(zhǔn)備和網(wǎng)絡(luò)的搭建后,就可以進行深度學(xué)習(xí)訓(xùn)練。用于訓(xùn)練的超參數(shù)如表2所示。
表2 用于訓(xùn)練的超參數(shù)
訓(xùn)練集1 000 個樣本分為10 個小批量,每個批量有100 個樣本。每次完整利用全部數(shù)據(jù)集正向和反向傳播進行10次迭代,遍歷數(shù)據(jù)集300次,共進行3 000次迭代。在每次完全遍歷整個數(shù)據(jù)集時,將訓(xùn)練集樣本順序重新打亂,學(xué)習(xí)率衰減為
本節(jié)展示了網(wǎng)絡(luò)的訓(xùn)練方式和結(jié)果。在訓(xùn)練中每次迭代均進行小批量測試集的準(zhǔn)確率計算,每遍歷5 次全部數(shù)據(jù)集后計算一次驗證集的準(zhǔn)確率,以檢查網(wǎng)絡(luò)是否過擬合了訓(xùn)練集。如果出現(xiàn)過擬合,應(yīng)終止訓(xùn)練以調(diào)整樣本量或超參數(shù)的值。訓(xùn)練過程的準(zhǔn)確率及損失值如圖11所示。
訓(xùn)練準(zhǔn)確率在波動中呈上升趨勢,由于訓(xùn)練樣本僅包含一段時域信號,沒有結(jié)構(gòu)化數(shù)據(jù),對網(wǎng)絡(luò)進行分類訓(xùn)練提出了更高的要求,需要更深層次的網(wǎng)絡(luò)和更多的樣本,這樣就將在線處理的運算負(fù)擔(dān)轉(zhuǎn)移至離線訓(xùn)練的過程中,為在線算法的實時性和快速性提供便利。算法中利用小批次梯度下降,因此準(zhǔn)確率上升過程中存在波動。訓(xùn)練與驗證準(zhǔn)確率均趨近于100%,損失值均趨近于0,訓(xùn)練未發(fā)生欠擬合的情況。驗證集的準(zhǔn)確率與訓(xùn)練集結(jié)果趨勢相同,這表明網(wǎng)絡(luò)在訓(xùn)練集上也未發(fā)生過擬合。在訓(xùn)練過程進行到1 200次迭代時,準(zhǔn)確率和損失函數(shù)產(chǎn)生了較明顯的波動,可能是由于對于訓(xùn)練集重新打亂后,對小批量的樣本產(chǎn)生了欠擬合的情況從而導(dǎo)致的準(zhǔn)確率下降。
圖11 訓(xùn)練及驗證
測試集與驗證集具有相同的分布和樣本量。在測試集上測試網(wǎng)絡(luò)的準(zhǔn)確率,結(jié)果如表3 所示,表明訓(xùn)練的網(wǎng)絡(luò)對于不同的數(shù)據(jù)集均有較高的準(zhǔn)確率。
表3 不同數(shù)據(jù)集的準(zhǔn)確率
該算法利用時序加速度信號進行識別,能夠用于在線實時運行,之后測試該網(wǎng)絡(luò)對連續(xù)信號的識別能力。路面以B 級、E 級、C 級、F 級和D 級的時序順序?qū)刖W(wǎng)絡(luò)進行測試,結(jié)果如圖12所示。
測試集結(jié)果的混淆矩陣如圖13 所示。大多數(shù)預(yù)測類別與實際類別一致。錯誤預(yù)測的路面不平度等級在實際等級的±1范圍內(nèi)。因為F級路面的特征更加顯著,使網(wǎng)絡(luò)更容易捕捉到特征并進行分類,因此準(zhǔn)確率相對高于其他類別。
圖12 測試集時域預(yù)測結(jié)果
圖13 測試集結(jié)果混淆矩陣
除準(zhǔn)確率(Accuracy)外,用于評估深度學(xué)習(xí)網(wǎng)絡(luò)性能的3 個常用指標(biāo)是精確率p(Precision)、召回率r(Recall)和F1值(F1score)。三者定義方式如下:
式中:TP為真陽性,代表實際為真預(yù)測也為真;FP為假陽性,代表實際為假預(yù)測為真;FN為假陰性,代表實際為真但預(yù)測為假;而i為不同類別的索引。測試集的結(jié)果如圖14 所示。同一路面等級中精確率與召回率都較高且接近,F(xiàn)1值也相應(yīng)較高。不同路面等級的精確率和召回率都較高,表明對不同等級的路面均有一致的較好的效果。平均F1值為97%證明該網(wǎng)絡(luò)可以實現(xiàn)針對不同路面不平度級別的準(zhǔn)確分類。
圖14 測試結(jié)果評價指標(biāo)
本節(jié)進行算法的魯棒性驗證,判斷算法在不同的條件下是否能滿足需求,分別考察不同車速、不同采樣時長、不同減振器阻尼和不同簧上質(zhì)量的魯棒性。
4.2.1 速度魯棒性
速度魯棒性是實際使用路面不平度辨識算法需要考慮的重要因素。在以前的研究中,用于訓(xùn)練集的樣本通常來源于固定的車速,但在驗證時通常避開不同車速下的準(zhǔn)確率問題。而車速在行駛中變化很大,因此這個問題不能忽略。訓(xùn)練集樣本是在20 m/s的車速下獲取的加速度信號,歸一化處理對不同加速度的幅值范圍進行了約束,使網(wǎng)絡(luò)能夠適應(yīng)不同速度范圍的信號。測試集選取了車速為5-50 m/s時不同等級路面激勵的加速度,通過已訓(xùn)練的網(wǎng)絡(luò)進行驗證,該網(wǎng)絡(luò)在較寬速度范圍內(nèi)準(zhǔn)確率均在96%以上,且隨速度變化無變化趨勢,如圖15所示。
圖15 不同車速下的辨識準(zhǔn)確率
4.2.2 采樣時長魯棒性
采樣時長魯棒性驗證中,由于算法利用了LSTM網(wǎng)絡(luò),能夠?qū)崿F(xiàn)對于不同時長的輸入時序信號進行處理。測試集分別為0.6、0.8、1.0、1.5 和2.0 s 時長的加速度信號,通過前文訓(xùn)練下的網(wǎng)絡(luò),在不同等級路面下的F1值如圖16 所示。該網(wǎng)絡(luò)訓(xùn)練集所用信號時長為1.0 s,在測試中,當(dāng)采樣時長減小時,由于包含的信息減少,F(xiàn)1值有所下降,但即便時長僅為原訓(xùn)練集樣本時長的60%,平均F1值仍有90.8%。而輸入信號時長大于原時長時,由于提供了更多信息,F(xiàn)1值也會增大,當(dāng)時長大于1.5 s 時,F(xiàn)1值均超過98.0%。這表明該算法能夠針對不同的需求輸入不同時長的數(shù)據(jù),當(dāng)需要為懸架控制實時提供高頻信息時,在滿足準(zhǔn)確率需求下可以適當(dāng)縮短采樣長度。而對于實時性要求低的需求中可以延長采樣時間已提供更準(zhǔn)確的辨識結(jié)果。
圖16 采樣時長魯棒性測試
4.2.3 減振器阻尼魯棒性
減振器阻尼魯棒性測試中,路面辨識的結(jié)果為半主動懸架控制提供判據(jù),而半主動懸架控制會改變減振器的阻尼,使得系統(tǒng)模型參數(shù)發(fā)生了變化。而辨識結(jié)果應(yīng)對不同減振器阻尼有較高的魯棒性,才能保證在實際應(yīng)用中不會在控制介入時失效。訓(xùn)練集加速度樣本通過2 000 N·s/m 阻尼系數(shù)產(chǎn)生,測試集選取了500、1 000、2 000 和3 000 N·s/m 阻尼系數(shù)的傳遞特性獲得的加速度,輸入前文訓(xùn)練好的網(wǎng)絡(luò)中,得到的不同減振器阻尼魯棒性結(jié)果如圖17所示。在不同減振器阻尼下F1值趨勢與2 000 N·s/m下的結(jié)果一致,當(dāng)阻尼系數(shù)變化后F1值均有所下降,但仍高于90%,均值仍高于94%。表明在阻尼系數(shù)產(chǎn)生大范圍變化時,算法仍能提供較高的辨識精度。
4.2.4 簧上質(zhì)量魯棒性
在實際使用中載荷的變化會導(dǎo)致簧上質(zhì)量變化,同樣會產(chǎn)生系統(tǒng)模型參數(shù)失配的問題,簧上質(zhì)量魯棒性保證了算法的辨識效果不隨簧上質(zhì)量變化而產(chǎn)生明顯變化。訓(xùn)練集原簧上質(zhì)量為300 kg,測試集選取了300、400 和500 kg 的全等級路面進行測試,如圖18 所示。在不同簧上質(zhì)量下F1值無明顯變化,均高于95%。
圖17 減振器阻尼系數(shù)魯棒性測試
圖18 簧上質(zhì)量魯棒性測試
在上述魯棒性測試中可以發(fā)現(xiàn),在同一套超參數(shù)下訓(xùn)練出的網(wǎng)絡(luò),當(dāng)懸架系統(tǒng)參數(shù)或測試條件發(fā)生變化時,同一網(wǎng)絡(luò)均能較好地適應(yīng)上述變化的條件,證明算法在實際使用中的不同環(huán)境下均能夠?qū)崿F(xiàn)較高的魯棒性和準(zhǔn)確率。
對訓(xùn)練完成的網(wǎng)絡(luò)進行測試,結(jié)果表明,通過加速度信號對路面不平度等級進行辨識的方法有效可行,辨識準(zhǔn)確率超過95%,性能評價指標(biāo)均較高。與以往路面不平度等級辨識算法相比,該算法優(yōu)點在于:
(1)僅需要一路信號,如簧下質(zhì)量加速度,傳感器布置簡單,硬件成本低;
(2)輸入量為時序的加速度信號,無需進行傅里葉變換等頻域變換,無需提取特征,能夠直接輸入原始信號;
(3)無需復(fù)雜的濾波,對噪聲容忍度高;
(4)魯棒性高,在車速、采樣時長、減振器阻尼系數(shù)及簧上質(zhì)量變化時均能進行有效識別;
(5)在沒有充足試驗數(shù)據(jù)時也能夠通過白噪聲濾波方式生成訓(xùn)練集,覆蓋工況更廣,且能在訓(xùn)練集中融入實測數(shù)據(jù)以進一步提升實際使用時的辨識準(zhǔn)確率;
(6)訓(xùn)練網(wǎng)絡(luò)時無需離線進行大量的手動特征選取,降低了開發(fā)難度;
(7)在線算法對算力需求低,無數(shù)據(jù)預(yù)處理過程,訓(xùn)練好的網(wǎng)絡(luò)直接運行速度很高,為算法的實時性提供了保障。
利用車輛加速度響應(yīng)基于LSTM 網(wǎng)絡(luò)進行路面不平度等級辨識的算法行之有效,具有高準(zhǔn)確率和高魯棒性。因此在實際工程應(yīng)用中能通過實測加速度,進行實時的路面辨識。路面不平度等級信息能夠為半主動懸架控制等車輛控制提供重要的自適應(yīng)算法的參數(shù)調(diào)整依據(jù),具有很高的工程實用價值。