تخمين لحظه‌اي نيروي عمودي تايرها با استفاده از مدل تلفيقي سخت‌افزاري- نرم‌افزاري

Online Estimation of Tire Normal Force with Applying Hardware-Software Couple Model

بار عمودي روي تاير از عوامل تأثيرگذار بر عملكرد خودرو است. پارامترهاي زيادي بر بار عمودي تاير تأثير مي‌گذارند، ازجمله مهم‌ترين آن‌ها مي‌توان به جرم خودرو، موقعيت مركز جرم خودرو همچنين ديناميك و حالت‌هاي خودرو حين مانور اشاره كرد. در اين مقاله الگوريتم جديدي جهت تخمين در لحظه مقدار نيروي عمودي لحظه‌اي تاير توسعه داده‌شده است. در گام اول، داده‌هاي ماژول اندازه‌ده ديناميكي و شبكه عصبي مصنوعي به كار گرفته‌شده است. به منظور ايجاد داده مصنوعي و همچنين استفاده در گام‌هاي بعدي تخمين مدل تلفيقي نرم‌افزاري-سخت افزاري توسعه داده شد. در اين مدل يك سخت‌افزار اندازه‌ده جايگزين مدل‌سازي تاير و جاده شده‌است. الگوريتم شامل بلوك مربوط به ديناميك رول و پيچ خودرو است كه با ساختار چندلايه شبكه‌هاي عصبي مصنوعي آموزش داده‌ شده‌اند. خروجي بلوك‌هاي شبكه عصبي، توزيع بار استاتيك روي هر تاير خودرو است كه توسط مدل توسعه داده شده، در هر لحظه پايش مي‌شود. در گام دوم الگوريتم، به‌منظور تخمين مقدار انتقال بار حين مانور در خودرو، مدل تلفيقي سخت‌افزاري-نرم‌افزاري به‌كار‌گرفته شده‌است تا مقدار لحظه‌اي بار عمودي روي هر تايرها محاسبه گردد. مقايسه نتايج بدست آمده از الگوريتم پيشنهادي و مقدار خروجي مدل مرجع اعتباردهي‌ شده در نرم‌افزار كارسيم، نشان‌دهنده دقت قابل‌قبول و عملكرد مناسب اين روش است.

Tire online normal force has effects on vehicle safety and performance and dynamic control systems. It is influenced by too many parameters such as vehicle mass and center of gravity position and vehicle instantaneous dynamics states. In this paper, a new estimation algorithm is developed to estimate tires’ online normal forces during a maneuver. The proposed algorithm uses a dynamic measure module to make a hardware-software coupled model which is validated by real test data. The algorithm uses artificial neural networks advantages to estimate the vehicle mass distributions. A combination of real and model-generated data is used to train, test, and validate the artificial neural network structure. By applying two roll and pitch artificial neural network blocks, it estimates tires’ static normal forces. In this respect, the validated vehicle model instantaneously monitors the estimated values. The results show that the proposed algorithm estimates the vehicle total mass with less than 5 percent. In addition, the coupled model uses the estimated static values to estimate the tire's online normal forces with considering the measured vehicle dynamics states by dynamic module. Comparing the obtained results from the proposed method with the outputs from Carsim indicates the acceptable accuracy of this method.