一种汽车电控防抱死制动系统关键参数虚拟标定方法

本发明涉及一种制动系统关键参数虚拟标定方法，特别涉及一种汽车电控防抱死制动系统关键参数虚拟标定方法。

背景技术：

1、目前，汽车电控防抱死制动系统(antilock braking system,abs)是保障行车安全的必备组件。abs通过实时监测车轮速度、精确控制制动压力，有效防止紧急制动时车轮抱死，确保车辆在制动过程中保持方向稳定性及短距离制动效能。然而，abs系统的性能优劣与其内部复杂的控制系统密切相关，其功能实现依赖于大量参数的精准设定。

2、传统abs系统参数标定过程往往依赖于实车试验，通过反复试错调整参数以达到理想性能指标，但是这种方式成本高昂、耗时长且受环境因素影响大。近年来，随着计算机仿真技术、虚拟仪器技术以及汽车电子控制单元(electronic control unit,ecu)虚拟标定技术的发展，虚拟标定逐渐成为提升底盘电控系统开发效率、降低成本的解决方案。但在针对abs系统关键参数的识别与标定过程中，仍存在标定参数众多、关联复杂等问题。因此，需要提出一种虚拟标定方法来适用于汽车电控防抱死制动系统的参数标定。

技术实现思路

1、本发明的主要目的是为了解决在abs系统关键参数的识别与标定过程中，所存在的标定参数众多、关联复杂等诸多问题，而提供的一种汽车电控防抱死制动系统关键参数虚拟标定方法。

2、本发明提供的汽车电控防抱死制动系统关键参数虚拟标定方法，具体方法包括的步骤如下：

3、第一步、采用专家经验法并结合abs系统相关法规、标准以及功能架构提出abs系统性能评价指标体系；

4、第二步、运用层次分析法对评价指标进行赋权，建立abs系统性能评价体系；

5、第三步、控制参数单因素筛选，根据每个参数的范围指定测试用例，并进行虚拟环境下的仿真试验，依据单一参数变化对系统性能带来的影响，剔除对系统性能无显著影响的冗余参数；

6、第四步、采用sobol全局敏感性分析方法，量化系统对于参数的敏感程度，依据敏感度排序结果，进一步筛选出对系统性能具有显著影响的关键参数，降低参数空间的维度；

7、第五步、分析参数对系统性能影响的趋势与模式，对具有相似效应的参数进行k-means聚类整合，通过识别各聚类内的代表性参数，进一步精简参数列表；

8、第六步、以筛选出的关键控制参数和前述构建的abs系统性能评价体系为基础，运用径向基神经网络构建反映abs系统特性的高精度代理模型；

9、第七步、依托构建的abs系统代理模型，采用粒子群优化算法，在满足性能评价体系要求的前提下，对关键控制参数进行全局寻优，以实现abs系统性能的最优化。

10、第一步中的具体方法如下：

11、步骤1、分析abs系统相关法规、行业标准，并结合行业专家的经验明确abs系统的技术要求与性能指标；

12、步骤2、根据abs系统的硬件组成、软件逻辑及工作原理，识别出可能会影响系统控制性能的控制参数。

13、第二步中的具体方法如下：

14、步骤1、明确决策目标，设立准则层与指标层，形成层次结构模型，对同一层次元素进行相对重要性量化比较，构建判断矩阵；

15、步骤2、求解步骤1中所构建的判断矩阵最大特征值对应的归一化特征向量作为权重，进行一致性检验并调整直至满足一致性要求；

16、步骤3、对各层次计算权重，自下而上逐层累乘，得到指标相对于目标的总排序权重。

17、第三步中的具体方法如下：

18、步骤1、确定abs系统中控制参数的变化范围，针对每个参数设定一系列的测试用例；

19、步骤2、执行虚拟环境下的仿真试验，记录单一参数变化对abs系统性能的各项评价指标的影响；

20、步骤3、依据仿真试验结果，将对系统性能无显著影响或影响能够忽略的冗余参数进行剔除，初步缩小待标定参数范围。

21、第四步中的具体方法如下：

22、步骤1、根据剩余参数的范围，利用sobol序列生成一组低分散、均匀分布的样本点，覆盖参数空间，使用生成的样本点作为输入，运行模型并记录对应的输出结果；

23、步骤2、对模型输出数据，运用sobol指数公式计算各个参数的主效应，即单个参数变化对输出的影响；还有全效应，全效应是参数主效应与参数和其他参数之间的交互效应之和；

24、步骤3、依据敏感度分析结果，对参数进行排序，并根据预设的敏感度阈值，进一步筛选出对系统性能具有显著影响的关键参数，降低参数空间的维度。

25、第五步中的具体方法如下：

26、步骤1、对第四步中的步骤3得到的剩余参数及其范围生成更密集的采样点，并运行模型记录对应的数据结果；

27、步骤2、对上述步骤1获得的数据结果进行异常值的检测与处理，并进行数据标准化，确保所有参数在同一尺度上进行比较，避免数值属性差异对聚类结果造成影响；

28、步骤3、执行k-means聚类，对筛选后的关键参数进行关联性分析，识别具有相似效应的参数群组，并根据轮廓系数对聚类效果进行评估，在各聚类内部，通过对比分析各参数对系统性能影响的特征、强度及稳定性，选出最具代表性的参数作为该聚类的代理，实现参数列表的深度精简。

29、第六步中的具体方法如下：

30、步骤1、基于径向基神经网络设计代理模型，根据第二步中获得的abs系统性能评价体系以及第五步中获得的对abs系统性能有显著影响的关键控制参数信息设计rbfnn的结构，并引入自适应权重学习策略，给重要参数赋予更大的初始权重以及更高的学习速率；

31、步骤2、基于拉丁超立方采样方法获得的大批量abs系统虚拟仿真测试数据集，对构建好的rbfnn代理模型进行初步训练，通过最小化模型预测结果与实际仿真结果之间的误差，使得模型能够准确预测在新的控制参数设置下系统的预期性能。确保模型能够准确反映abs系统的特性。

32、第七步中的具体方法如下：

33、步骤1、初始化粒子群，根据控制参数的取值范围，随机生成一组代表不同解的粒子群体，不同解的粒子群体为不同控制参数组合，每个粒子都有自己的速度和位置，位置代表当前的控制参数值，速度代表在搜索空间中的移动趋势；

34、步骤2、定义适应度函数：根据第二步得到的abs系统性能评价体系，定义一个适应度函数，适应度函数为目标函数，目标函数为目标性能指标的逆或者期望性能指标的直接体现，优化的目标为找到使适应度函数值最大化的控制参数组合；

35、步骤3、粒子群运动与更新：在每一次迭代过程中，单粒子根据自身历史最优位置中的个体极值和整个粒子群的历史最优位置中的全局极值更新其速度和位置，粒子会在搜索空间中向着更好的解移动，同时兼顾全局搜索和局部搜索，为了考虑不同参数的敏感度分级差异，为每个参数分配不同的惯性权重、认知权重中的局部搜索和社交权重中的全局搜索，对于更重要的参数，增大其在更新规则中的权重，以便算法更侧重于这些参数空间的搜索，优化过程将持续到满足预设的终止条件为止。

36、本发明的有益效果：

37、本发明提供的汽车电控防抱死制动系统关键参数虚拟标定方法，对降低abs系统研发成本、缩短研发周期具有显著的有益效果，本发明综合考虑法规标准及专家经验，提供了一种基于敏感性分析和同质参数聚类的关键参数提取流程，通过单因素筛选、全局敏感性分析、参数聚类等步骤，本发明能有效剔除冗余参数，提高参数标定的针对性与效率。本发明依托构建的abs系统代理模型，采用粒子群优化算法，在满足性能评价体系要求的前提下，对关键控制参数进行全局寻优，确保了参数标定的高效性与准确性，为abs系统的实际应用提供最优参数配置方案。