-
题名基于神经网络的多随机参数非线性悬架系统响应分析
- 1
-
-
作者
陈强强
周继磊
于孟娜
韩道远
-
机构
山东理工大学交通与车辆工程学院
-
出处
《机电工程》
北大核心
2025年第7期1403-1412,共10页
-
基金
国家自然科学基金资助项目(12172200)
山东省自然科学基金资助项目(ZR2020MA060)。
-
文摘
车辆悬架系统的生产制造误差会使得该悬架系统各个结构参数具有不确定性,同时作用于非线性悬架系统的路面激励也具有明显的随机性和时变性。针对这一问题,研究了不确定因素对多随机参数非线性悬架系统响应的影响。首先,采用了七自由度非线性车辆悬架系统动力学模型,构建了白噪声路面激励时域模型;然后,建立了一种基于粒子群优化的反向传播神经网络(BPNN-PSO)预测模型,基于神经网络的直接积分法(DPIM),展开了针对非线性悬架系统的随机动力方程及其相应求解策略的研究;最后,针对非线性悬架系统随机振动直接概率积分法,提出了一种基于MATLAB的分析程序,对不同等级路面激励和参数随机条件下,非线性悬架系统振动响应的均值和标准差进行了研究。研究结果表明:直接概率积分法与蒙特卡洛模拟相比,系统的时变概率密度处理时间成本降低,效率更高;车体质量对车体位移的影响显著,其标准差为0.2×10^(-3)m~0.5×10^(-3)m,轮胎刚度对车体位移的影响最小,其标准差约为0.1×10^(-3)m~0.25×10^(-3)m;悬架的弹簧刚度对车体加速度的影响最小,其标准差约为0.5×10^(-2)m/s^(2)~2×10^(-2)m/s^(2),车辆质量和轮胎刚度的随机性对车辆动态行为影响较大。
-
关键词
直接概率积分法
白噪声路面
反向传播神经网络
非线性车辆悬架系统
粒子群算法
路面不平度
-
Keywords
direct probability integral method(DPIM)
white noise road
back propagation neural network(BPNN)
nonlinear vehicle suspension system
particle swarm optimization(PSO)
road roughness
-
分类号
TH113.1
[机械工程—机械设计及理论]
U461.4
[机械工程—车辆工程]
-
