原文传递
微型汽车驾驶性主客观评价方法研究
| 论文题名： | 微型汽车驾驶性主客观评价方法研究 |
| 关键词： | 汽车驾驶性;主观评价;客观评价;BP神经网络;极限学习机 |
| 摘要： | 随着国内汽车行业的发展，消费者对于车辆驾驶感受愈发看重，各主机厂不断努力打造具有良好驾驶体验的车型，提升市场竞争力。驾驶性提升需要在产品开发、定型阶段验证，准确的驾驶性评价有助于车企在驾驶性优化中明确改进方向，为驾驶性提升提供参考基准。本文以国内某主机厂车型为研究对象，以驾驶感受调查着手，对驾驶性影响因素及原理进行分析，规定了驾驶性主观评价的打分细则和客观评价指标定义，并根据主客观评价的内容进行实车试验。根据试验数据，采用BP神经网络和极限学习机(ELM)建立起驾驶性主观评分预测模型。具体研究成果如下： （1）从驾驶性调查结果出发，分析了对驾驶性影响较大的因素和影响规律如发动机转速、油门标定方案、变速箱速比设计、变速箱类型及换挡逻辑等，同时分析了驾驶性评价方法应具备的要素：准确性、稳定性、试验可重复性。 （2）根据车辆驾乘使用场景，将测试划分为发动机启动、怠速、起步、加速、减速、换挡以及急踩急松油门等工况。并针对各工况，规定了相应的主观评价项目和打分规则。在客观评价方面，定义了十二个子工况下的客观评价指标，以及相应指标所需要获取的驾驶过程数据内容。 （3）针对主观评价项目和客观评价所需数据，展开实车试验，在主观评车师驾驶打分的过程同时采用AVL-Drive软件及其配套硬件系统进行数据采集。针对测试得到的加速度信号进行降噪处理。分别采用小波阈值降噪和经验模态分解(EMD)处理，EMD降噪后信号的信噪比相较小波去噪高出4%，均方根误差相较小波去噪低8.9%，因此，EMD对本文加速度信号的降噪效果更好。 （4）基于实车试验采集的数据对其处理得到驾驶性评价指标值，同时结合主观评车师对相应过程给出的评分，研究主观评价与客观评价一致性。分别采用BP神经网络和ELM进行非线性回归分析，建立主观评分预测模型。训练后的模型经过测试集验证。预测结果显示，BP神经网络模型预测误差最大为0.1999，ELM模型预测误差最大为0.4129,误差均小于0.5，能满足驾驶性主观评分的预测需求。而ELM由于其建模难度低，学习速率高，在数据量较大时更加实用。 |
| 作者： | 毛万鑫 |
| 专业： | 机械工程 |
| 导师： | 莫易敏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
