摘要
路面是汽车行驶时的输入，直接影响着车辆零部件使用寿命、汽车平顺性等。目前，研究路面对汽车影响的方法主要有实车试验法和仿真模拟法。汽车试验场给实车试验提供各种典型路面激励，但是其存在试验周期较长、效率较低、投入资金和人力较大等不足。仿真模拟法大多选用标准路谱或者随机道路载荷谱的方式进行仿真分析，虽然提供了路面激励，但是也存在不能反映出汽车在实际运行工况下的振动特性、仿真结果误差较大等不足。因此，本文基于实测载荷谱对试验场典型路面进行反求及分级，一方面可为仿真软件提供试验场真实路面谱，使其仿真值进一步接近实车试验值，另一方面对深入分析汽车试验场路面结构也有着重要意义。 首先，结合加速度传感器、拉线位移传感器和GPS传感器等，制订了实车载荷谱采集方案，组建了测试系统，完成了实车载荷谱采集，利用车速和逻辑开关对各典型路面载荷谱进行了提取，并对原始采集数据进行了频谱分析、滤波和去除趋势项的处理。为了得到速度和位移信号，对采集的加速度信号分别进行时频和频域积分，将积分结果与实测位移数据进行了对比，结果表明频域积分结果精度较高。 然后，基于实测载荷谱对试验车悬架参数辨识方法进行了研究，建立了1/4悬架模型和运动微分方程，搭建了MATLAB/Simulink悬架模型，并仿真得到簧上和簧下质量的加速度信号，利用递推式最小二乘法辨识了仿真模型的悬架参数，结果表明辨识误差在0.1%以内，验证了参数辨识方法的合理性，通过输入实测异响路载荷谱辨识出了试验车悬架的刚度和阻尼参数。 其次，采用滤波白噪声的方法建立了四轮路面时域模型，并验证了路面模型的准确性，以此路面模型作为路面激励，考虑路面与车辆的相互作用关系建立了“路-车”模型，参照实测工况对模型进行仿真得到了不同等级路面下的车辆响应信号。依据BP神经网络原理完成了神经网络的设计，结合BP神经网络建立了车辆响应与路面不平度之间的非线性映射关系，完成了BP神经网络的训练，通过仿真数据验证了基于“路-车”模型的神经网络反求路面方法的准确性。 最后，将实测三种路面载荷谱作为神经网络的输入，输出了试验场各典型路面的路面不平度，提取各路面分级特征参数对路面进行了分级，讨论了各路面存在差异性的原因。将反求出的综合路的路面作为路面激励对模型进行了仿真，选取实测簧上和簧下加速度对仿真结果进行了验证，结果表明仿真加速度与实测加速度之间误差较小，验证了参数辨识结果和反求结果的合理性。
NETL