道路模拟试验系统

道路模拟试验系统（精选3篇）

道路模拟试验系统 篇1

1 引言

摩托车的室内道路模拟试验主要优势在于精度高、可比性好, 且不会遭受道路条件变化、驾驶人员等方面的影响。实施摩托车道路模拟试验的关键, 在于控制道路载荷谱室内的再现精度, 掌握相关的影响因素, 从而以道路模拟试验为基础, 保证模拟迭代的精度, 最终达到提高摩托车道路模拟试验精度的效果, 成为摩托车道路模拟试验的关键技术。

2 道路模拟试验概述

道路模拟 (RPC) 技术的基本土作原理是由计算机、信号测量装置以及液压伺服系统共同组成, 该模拟系统将汽车的实际行驶状况和运动进行再现, 从而为试验车提供尽可能接近实际行驶条件的可控制、可重复振动环境。该道路模拟试验的步骤通常可分成以下五步:采集载荷谱数据、数据编辑的同时确定期望响应信号、计算系统传递函数、计算初始驱动信号以及模拟迭代、模拟试验。

(1) 采集道路载荷谱的过程中, 往往会影响乘坐的舒适性, 尤其对于手把、坐垫、脚踏处, 以及能够直接反应处实际道路谱状况的前后轴, 应当适当设置加速度传感器, 将其响应信号作为室内的道路模拟目标信号, 进而实施迭代;对于其中受力较大的薄弱点, 应当在应力的集中处, 布置应变片。

(2) 数据编辑, 即针对采集的信号实施滤波、除均值以及除偏置等处理措施, 从而得到室内模拟迭代目标的响应信号。

(3) 计算传递函数, 是将待测试的摩托车, 安置于道路模拟试验机上, 然后采用白噪声为输入, 而将传感器所采集的实际响应作为输出, 进而将输入、输出的功率谱, 与输入自功率谱相比较, 获得传递函H (f) 。

(4) 模拟迭代, 合理选择模拟迭代期望的响应信号, 作为目标信号, 利用首次的初始驱动信号进行激振, 同时回收所期望响应点的驱动信号, 相较之下获得驱动响应的最终误差函数, 将该函数和传递函数进行计算, 从而得到驱动误差函数。用此函数乘以增益值, 与初始的驱动信号叠加起来, 获得首次的迭代驱动信号, 进而用以激振摩托车, 获得2次驱动误差函数。几次往复之后, 直至回收响应信号和期望响应信号能够在规定误差范围内得意终止, 最终将迭代驱动信号当做实验驱动信号, 完成迭代模拟。

(5) 模拟试验以最后一次迭代精度较高的驱动信号作为激励, 回收各测点的响应信号进行分析。

3 摩托车道路模拟试验方法及关键技术

3.1 试验方法

道路模拟试验方法有多种, 其试验基本布置如图1所示。如果按照其确定载荷谱的方式, 可分为四大类:基于功率谱的频域模拟、基于统计基数的幅值域模拟、时间历程再现和混合模拟, 就理论方面, 最为准确的模拟试验为“时间历程再现”。如果一个时间信号能够真实地在时域中再现, 无论是频域功率谱的密度函数, 或幅值域里所统计分析获得的结果, 都应当是相同的, 结合时域方法, 即可再现摩托车在道路试验中的随机振动, 克服频域方法缺陷。

3.2 摩托车道路模拟试验关键技术

两轮摩托车的约束、载荷传递等性能具有特殊性, 因此, 其模拟迭代、道路载荷谱的采集工作也较为复杂繁琐。试验过程中结合了RPC技术, 通过搭建的两通道轮胎耦合式的摩托车道路模拟试验系统, 才能够完善机械系统、电控系统、数据采集系统以及计算机软件系统, 才能开始试验。

3.2.1 采集道路载荷谱

室内道路模拟试验得以顺利开展的先决条件在于道路载荷谱。道路载荷谱的数据采集点, 通常分为两种: (1) 控制采集点, 即远程控制点, 是指在室内模拟迭代的点; (2) 监测采集点, 当控制点选取不合理时, 会影响迭代不收敛, 在选取监测采集点时, 应尽量与试验驱动力保持线性关系, 同时与其它的试验驱动力维持正交关系, 从而便于迭代尽快收敛;此外还要求试验尽可能靠近监测采集点, 便于监测道路模拟与实际道路情况之间的相似度。

摩托车道路模拟试验, 其控制采集点通常选择前后轴垂直方向的加速度信号, 在布置过程中, 需要注意的是, 在获得室内摩托车道路模拟机在台架上的模拟迭代期望响应信号的同时, 还要评价测量车辆的振动特性和舒适性。对于布置好的应变传感器, 旨在对模拟迭代、疲劳监控和摩托车后续的各种总成、零部件室内模拟试验, 提供重要的数据基础。

摩托车的振动信号通常来自于对摩托车舒适程度影响较大部位, 例如坐垫、手把、脚踏处等的加速度, 通常能够直接反应摩托车的振动舒适度, 这些点都可以作为测点。而对于应变信号, 则主要将测点分布在前后叉与车架上, 应变则主要布置于受力较大, 而承受力相对薄弱的位置, 以及应力集中位置。试验在以对车架的受力分析作为基础, 结合了企业所提供的用户反馈信息、资料以及经验, 布置必要数量的应变信号, 且均分布在前后叉与车架上。

3.2.2 传感器布置

摩托车的车架为管状, 在上面设置传感器困难较大, 而安装加速度传感器需要根据加速度传感器自身类型来决定, 因为摩托车的振动较大, 传感器又通常处于野外工作的状况, 因此, 加速度传感器通常被粘在被测点的表面, 或者使用螺纹, 将其连接在被测点表面。如果采用粘贴的方式, 则可以在前后轴设置刚性的、L型的连接板。

粘贴应变片时, 需要拆下覆盖件, 暴露出所有的测点, 然后使用锉刀、粗砂纸将其打磨, 从而去除表面的喷漆、铁锈、氧化层和油污。在空间允许, 且不会影响结构强度、受力条件的情况下, 可尽量将应变片粘贴面打磨至平面, 然后用丙酮去除油污。粘贴好后, 即可测量绝缘电阻。

3.2.3 系统连接与调试

在粘贴好应变片, 加速度传感器安装结束后, 需要对应变片、加速度传感器的测量连接线实施标号, 然后连接好整体测试系统, 设置好各路的信号参数并标定, 及时观察各路信号的传送是否正常, 并对系统进行必要的调试。因为所布置的应变信号点比较多, 而数据采集器往往一次仅能采集16路的应变信号, 所以, 需要通过调试、预采样的方式, 从所布置的应变中, 选择出16路的应变信号, 作为正式的测量点。

3.2.4 采集路段

该环节主要是对摩托车行驶比例相对较大的两种路面, 实施载荷谱采集。运用的采集方法是速等间隔采样方法, 以及自由行采样方法。如果是路面不平, 存在大量碎石的路面, 其车速一般控制在20~50km/h;而如果是水泥路面, 则车速应当控制在20~80km/h范围内, 其速度的间隔为10km/h。

3.2.5 模拟迭代试验设计

保证摩托车道路模拟试验成败的关键, 在于道路模拟迭代的精度。因为摩托车存在特殊性, 其道路模拟试验机上需要设置的约束也较为复杂, 既要保证摩托车能够符合实际的运行受力要求, 同时又可以确保道路模拟机的运行过程不会出现侧翻问题。在经过大量的试验后, 发现由于约束方面因素的影响, 导致模拟迭代的精度具有较大的随机性, 因此需要找出模拟迭代精度的影响因素和规律, 从而便于获取稳定可靠的模拟迭代精度, 其试验因素与水平如表1所示。

根据以上试验设计, 能够得到以下结论:

(1) 实际试验过程中发现, 衰减的系数对于迭代收敛性存在一定影响, 为了顺利收敛迭代, 建议在迭代初期, 即可控制衰减系数, 一般取值在0.8左右, 而后, 随着迭代次数不断增加, 衰减系数则会逐渐随之减小。

(2) 影响迭代精度的最大因素, 在于轮胎的压力与尼龙带的张紧力之间的交互作用, 其次, 还包括传递函数的驱动幅值、迭代次数以及频带范围等因素。

(3) 轮胎耦合式摩托车的道路模拟试验, 其最优方案是轮胎压力适中、尼龙带张紧力达到150N、传递函数的驱动幅值是满量程的一半、迭代次数为20次以及频带范围在0.8~50Hz。

(4) 迭代收敛的速度与精度, 与车速以及路面状况相关。如果是碎石路, 随着速度不断增加, 期望响应信号中的高频成份也会增加, 进而降低了模拟迭代的精度。而如果是水泥路, 在车速较低的情况下, 期望响应信号的幅值会偏小, 信噪较低, 因此其迭代收敛速度、迭代精度都较差, 而随着速度不断增加, 期望响应信号与信噪比会随之提高, 从而提高了模拟迭代的精度。

4 结语

开展摩托车道路模拟试验, 旨在研究车架道路的疲劳可靠性, 保证车辆行驶过程中的舒适度和安全性。通过摩托车道路模拟实验的方式, 能够直观现实地了解摩托车运行状态以及不同道路对于其行驶稳定性的影响, 从而达到预先发现问题并及时进行调整的目的, 有效保障了实际行驶的安全。

参考文献

[1]周鋐, 俞晓辉.整车多通道道路模拟试验的研究[J].汽车与配件, 2015 (50) :56~57.

[2]杨平, 毛星子.基于道路模拟的摩托车车架疲劳寿命分析[J].机械研究与应用, 2014 (4) :105~107.

[3]邹喜红, 熊锋, 袁冬梅, 等.基于多轴道路模拟激励谱的摩托车车架虚拟试验方法[J].农业工程学报, 2014 (15) :39~45.

道路模拟试验系统 篇2

电站锅炉SCR系统流场的冷态试验与数值模拟的研究

采用冷态试验和数值模拟相结合对某电厂660 MW燃煤锅炉SCR脱硝系统中整流格栅、多孔板、导流板的设计方案进行了速度场和浓度场分布及压降的研究.结果表明数值模拟结果和冷态试验结果较为吻合.其中AIG上游速度分布CV值为15.4%,催化剂入口速度分布CV值为8.1%,浓度场CV值为5.7%,满足系统设计要求.催化剂入口处安装整流格栅可以优化进入催化剂层的.气流方向,使烟气垂直进入催化剂层.

作 者：蒋新伟 施平平钟毅 高翔 骆仲泱 岑可法 作者单位：浙江大学,能源清洁利用国家重点实验室,浙江,杭州,310027刊 名：能源工程英文刊名：ENERGY ENGINEERING年，卷(期)：“”(3)分类号：X701关键词：SCR系统 数值模拟 冷态试验 流场

道路模拟试验系统 篇3

关键词：道路模拟,自适应控制,模糊聚类算法,汽车

0 引言

道路模拟试验技术的关键在于目标信号的复现精度及其稳定性[1]。目前国内外关于道路模拟试验的方法主要有远程参数控制法[2,3,4,5,6,7]、FIR滤波器控制法[2]和最小方差自校正控制法等[8,9,10]。

远程参数控制法在假设系统为线性系统的前提下,求得频响函数,再通过模拟反复迭代的方法消除非线性因素的影响,形成最终的驱动信号[2,3,4,5]。由于系统非线性强、易受外界干扰,故其前期的反复迭代就需要花费大量时间。而在试验运行过程中,试验系统为开环系统,难以保证被控系统按同样的精度再现目标信号,不可避免地降低了试验精度。FIR滤波器控制法复杂、费时,故控制过程繁琐、计算量大、编程困难[2]。最小方差自校正控制法则由于系统参数函数的零点有时会出现在复平面的单位圆内,造成系统不稳定,使得控制量陷入局部最优解。也就是说该方法只适用于参数函数零点在单位圆外的系统[8,9,11]。

本文提出了一种利用模糊聚类自适应控制技术来实现道路模拟的新方法[11,12,13]。该方法可在线实时地辨识系统的可调参数,得到参数的最优模糊逻辑系统,即参数的全局最优解,实现了系统全局渐近稳定性,模拟精度高。同时,试验前无需反复迭代求取驱动信号,可缩短试验周期。

1 汽车道路模拟试验系统非线性离散模型

由Stone-Weierstrass定理可知,任意一模糊逻辑系统都能够以任意精度,一致逼近任何定义在一个至密集上的非线性函数[11]。这为建立非线性动态系统的模型提供了理论基础。针对汽车道路模拟试验系统的非线性时变特性,同时考虑试验设备的精度与延时特性,t时刻的输入与控制将影响t+1时刻的输出。并且模型中的参数函数与u(t),u(t-1),…;y(t),y(t-1),…等多项输入输出相关。可建立系统非线性离散模型:

式中,g(t)、h(t)均为未知非线性离散函数;n1、n2、m1、m2分别为某一时刻;u(t)、y(t)分别为系统的输入和输出。

模糊聚类算法自适应控制的基本思想是:假定可调系统参数函数已知,并以此按误差收敛设计准则求取控制律,然后利用模糊识别器(模糊聚类算法)在线识别参数函数的最优模糊逻辑系统,用所得到的辨识参数函数来代替假定的参数函数,从而得到自适应控制律。可以证明,当参数函数取最优模糊逻辑系统时,道路模拟试验系统的控制律也收敛到所期望的规律。控制系统结构如图1所示。

模糊聚类自适应控制以实际输出与目标信号的误差收敛为设计准则,以模糊聚类算法辨识参数函数最优逻辑系统,是一种较简便、精度高和系统稳定性好的方法。

2 道路模拟试验系统自适应控制律

控制目标:通过辨识可调系统参数函数,求控制量uc(t),使得:①t时刻系统输出误差e(t)收敛;②在满足一定条件下,系统具有全局渐近稳定性。

2.1控制量

对于式(1)所示非线性离散系统,如果函数g(t)和h(t)已知,则可取控制律为

uc(t)=(-g(t)+ym(t+1)+pe(t))/h(t) (2)

式中,p为反馈增益;ym(t+1)为t+1时刻的目标信号。

由式(1)、式(2)可得系统输出误差:

e(t+1)=ym(t+1)-y(t+1)=ym(t+1)-(g(t)+h(t)uc(t))=-pe(t) (3)

即当|p|<1时,可调系统输出能渐近跟踪目标信号。

然而,由于g(t)和h(t)未知,故可用模糊逻辑系统$\widehat{g}$(t)和$\widehat{h}$(t)代替,则控制律为

$u{}_{\text{c}}(t)=(-\widehat{g}(t)+y{}_{\text{m}}(t+1)+pe(t))/\widehat{h}(t)$ (4)

2.2全局稳定性

为了使自适应控制系统为全局渐近稳定系统,依据李雅普诺夫稳定性定理,选取二次型函数

V(t)=e2(t)/2

则系统输出误差渐近收敛的充分必要条件为

|e(t+1)|<|e(t)| (5)

由式(3)、式(4),可得

$e(t+1)=\text{Δ}g(t)+\text{Δ}h(t)u^{\prime }{}_{\text{c}}(t)-ph(t)e(t)/\widehat{h}(t)$ (6)

$\text{Δ}g(t)=\widehat{g}(t)-g(t)\text{Δ}h(t)=\widehat{h}(t)-h(t)$

$u^{\prime }{}_{\text{c}}(t)=(-\widehat{g}(t)+y{}_{\text{m}}(t+1))/\widehat{h}(t)$

式中,Δg(t)、Δh(t)分别为未知函数g(t)和h(t)的辨识误差。

当e(t)>0时,式(5)等价于

将式(6)代入式(7),可得

当e(t)<0时,式(5)等价于

将式(6)代入式(9),可得

为了使式(8)、式(10)成立,假设g(t)和h(t)的最大辨识误差分别为max|Δg(t)|和max|Δh(t)|。令

a(t)=max|Δg(t)|+|u′c(t)|max|Δh(t)|

并假设辨识后$\widehat{h}$(t)能以任意小ε>0的精度逼近h(t),则有

$(1-\epsilon )|p|\le |p|h(t)/\widehat{h}(t)\le (1+\epsilon )|p|$ (11)

又假设

$1-|p|h(t)/\widehat{h}(t)\ge \sigma 0＜\sigma \le 1$ (12)

结合式(11)、式(12),可得

|p|≤(1-σ)/(1-ε) (13)

由式(13)可知,当e(t)≥a(t)/σ或e(t)<-a(t)/σ时,可分别使式(8)、式(10)成立,也就是当取控制律式(4)时,系统为全局渐近稳定的。

3 参数函数辨识

从前文的分析可知,只有使得系统的最大辨识误差

$\begin{array}{l}\max |\text{Δ}g(t)|\to 0\\ \max |\text{Δ}h(t)|\to 0\end{array}\}$

即a(t)→0时,才能得到e(t)→0,系统才能处于全局渐近稳定状态。从而可知系统的稳定性取决于可调系统中未知函数g(t)和h(t)的辨识精度。

3.1聚类的定义

对于任意的x,xj(x,xj∈X),它们之间的距离为

$d(x,x{}_j)=({\displaystyle \sum _{i=1}^n|}x{}_i-x{}_{ij}|{}^2){}^{1/2}$ (14)

式中,x为未知函数g(t)和h(t)的某一辨识参量;xj为未知函数g(t)和h(t)的最佳辨识参量;X为x的集合。

考虑满足d(x,xj)≤r(r为正数)的所有x,称其是以半径r聚类于xj点。

3.2模糊聚类算法

目标函数:求最优模糊逻辑系统f(t),使得$E={\displaystyle \sum _{w=1}^n(}y{}_w-f(x{}_w)){}^2$为最小。

对于样本数据对(xw,yw)(w=1,2,…,n),从第一个数据对(x1,y1)开始,选择聚类半径为r,在x1上建立一个聚类中心点Cx1,即让Cx1= x1,而且设

式中,A、B为可调参数。

假设在第s(s=2,3,…,n)对数据对时已存在M个聚类,其中心点分别为Cx1,Cx2,…,CxM,则xs到这M个聚类中心的最小距离为

dmin(xs,Cxj)=|xs-Cxj| (16)

式中,Cxj为xs的最近邻聚类。

如果dmin(xs,Cxj)≤r,则在第s数据对时,聚类的中心点为Cxj,并且

其余,j≠j(s)(j=1,2,…,M)(j(s)为第s数据对的聚类中心点的下标)的聚类中心点Cxj不变,则有

按上述聚类方法进行学习后,可得全部聚类中心点。则使目标函数E为最小的最优模糊逻辑系统为

$f(x{}_w)=\frac{{\displaystyle \sum _{j=1}^{{\rm M}}A}{}_j(w)\exp (-|x{}_w-Cx{}_j|{}^2/\delta {}^2)}{{\displaystyle \sum _{j=1}^{{\rm M}}B}{}_j(w)\exp (-|x{}_w-Cx{}_j|{}^2/\delta {}^2)}(19)$

式中,δ为平滑参数。

如果dmin(xs,Cxj)>r,则在第s数据对时需要建立一个新的聚类中心点CxM+1=xs,此时式(19)中聚类中心点的数目由M变成M+1,且

其余M个聚类中心点仍保持不变。

根据上述过程,可选最优$\widehat{g}$(t)和$\widehat{h}$(t)为

$\begin{array}{l}\widehat{g}(t)=\widehat{g}(x{}_t|\theta {}_g)=\\ \frac{{\displaystyle \sum _{j=1}^{{\rm M}}A}{}_{gj}(t)\exp (-|x{}_t-Cx{}_{gj}|{}^2/\delta {}^2)}{{\displaystyle \sum _{j=1}^{{\rm M}}B}{}_{gj}(t)\exp (-|x{}_t-Cx{}_{gj}|{}^2/\delta {}^2)}\\ \widehat{h}(t)=\widehat{h}(x{}_t|\theta {}_h)=\\ \frac{{\displaystyle \sum _{j=1}^{{\rm M}}A}{}_{hj}(t)\exp (-|x{}_t-Cx{}_{hj}|{}^2/\delta {}^2)}{{\displaystyle \sum _{j=1}^{{\rm M}}B}{}_{hj}(t)\exp (-|x{}_t-Cx{}_{hj}|{}^2/\delta {}^2)}\\ \theta {}_g=\theta {}_g(A{}_{gj},B{}_{gj},Cx{}_{gj})\\ \theta {}_h=\theta {}_h(A{}_{hj},B{}_{hj}‚Cx{}_{hj})\end{array}$

式中,θy、θh分别为最优模糊逻辑系统$\widehat{g}$(t)和$\widehat{h}(t)$的最佳可调函数;Agj、Bgj、Ahj、Bhj为模糊逻辑系统的最佳参数;Cxgj、Cxhj分别为最近聚类中心。

通过调整参数θg和θh,使得$\widehat{g}$(t)和$\widehat{h}$(t)在一定条件下以任意精度收敛于未知非线性函数g(t)和h(t),从而保证系统实际输出能以任意精度跟踪目标信号,具有全局渐近稳定性。

4 试验结果

为了保证大量数据运算过程的速度,采用Agilent仪器为前端,在LabWindows/CVI平台上编程实现了基于模糊聚类算法的道路模拟振动试验控制系统,并结合电磁振动台构建试验系统。电磁振动台DC-4000的主要参数如下:额定推力35.3kN,最大加速度980m/s2,额定速度1.80m/s,额定频率范围5～2500Hz,最大位移51mm等。

为研究某汽车电器的振动可靠性,在定远试验场按照试验场规范开展实车试验,采集试验场强化数据。相比一般路面,强化数据可以缩短台架模拟试验时间和试验周期,降低成本。

根据需要在相应电器部件上(靠近电器的安装位置处)安装加速度传感器,获取振动加速度信号。对加速度信号作适当处理后,将其作为道路模拟试验的目标信号,开展道路模拟试验。表1所示为各路段响应信号与目标信号的加速度有效值,各路段信号的一致性较好,总体相对误差为0.51%,且最大相对误差也只有4.84%,完全满足工程精度要求。

由于信号较长,为了能够清楚比较采用模糊聚类自适应控制方法后系统的响应信号与目标信号,截取其中一段,如图2所示。图3为功率谱密度频谱模拟吻合情况。

可以看出采用模糊聚类自适应控制技术开展汽车零部件道路模拟试验,克服了试验系统的非线性特性,能够实现高精度的道路模拟试验,而且相比其他控制方法,整个模拟试验花费时间少,系统趋于全局渐近稳定。

5 结论

(1)采用在线实时辨识的参数函数最优模糊逻辑系统,可以修正非线性因素对模拟精度带来的影响,模拟精度高。

(2)该方法简便、控制速度快、试验周期短、成本低。

(3)利用模糊聚类算法,可获得全局最优解,保证系统全局渐近稳定性。