资源描述
盘式制动器制动性能的神经网络预测 1 引言 对 制动系统的要求，在宽范围的操作条件下是复杂的、多 样的 。据预计，摩擦系数应相对较高而且稳定的摩擦力，可靠的强度和良好的耐磨性是必要的，不论温度，湿度， 使用年数， 磨损和腐蚀程度等 。 制动系统的性能主要是由基础制动装置确定。基本要求，对汽车制动器的摩擦系数的稳定性有关在不同制动的操作定义的条件 下 改变施加的压力 ， 滑动速度和温度。汽车制动器的摩擦行为对这些表面之间的盘和垫活性表面性质的决定 。 刹车需要高而稳定的摩擦系数的摩擦材料，磨损率低 ，无噪音，成本低，环境友 。 汽车制动系统的摩擦材料是车辆总体性能的关键部 件， 这是因为它对制动性能如停车距离，各方面的踏板感觉，盘磨损 起 至关重要的 作用 ， 并影响 制动引起的振动 。 例如，产生的振动之间的接口两个物体摩擦负责各种噪声，如尖叫，颤抖，锤击，鸣响 等。 另一方面，性能指标有所增加， 使 制动更敏感 。 一种汽车制动器的摩擦行为的结果，从复杂的相互关联的现象 到 制动过程中摩擦副的接触。这些复杂的制动现象大多是影响复合材料的摩擦性能的摩擦单元，制动盘的金属界面，通过制动的操作方式所施加的条件。因此，制动的性能主要是由铸铁制动 盘和摩擦复合材料之间的接触状态影响。接触情况的事实是，摩擦材料是复杂的高分子复合材料可能含有超过 20种不同的成分。因此，接触的情况下可以通过在复合材料的力学性能的广泛多样性 有 显著 影响。这就是为什么在摩擦系数的变化是高度依赖于摩擦材料的成分和制动条件 下 影响制动系统的性能 . 在摩擦材料中包含所有成分的协同作用，对具体的生产条件，确定最终的摩擦材料的特点以及相应的制动系统性能的影响。一种汽车制动性能的改善和控制，不同的工况条件下，是一个复杂的 情况 ，在摩擦界面的摩擦 下 通过实际接触面积的变化影响 制动性能的 随机性 ，转移层的形成，改变压力， 速度条件，以及元件的变形磨损。该垫和盘远离恒定 数值 之间的实际接触面积，相比总接触面积非常小，而且高度依赖于压力的变化，温度，变形，磨损。考虑到非常复杂和高度非线性的现象是 发生 在制动过程中，制动操作的分析模型完全是困难的。相反，在本文中，人工神经网络可以用来模拟复杂的非线性，多维因素影响制动性能。正如所指出的许多研究人员人工神经网络在预测实验的趋势，是 一个有前途的研究领域，能够在成本和时间方面相当经典的分析模型比较。 为了提高制动系统的操作，它 是可取的，制动器应该更精确地控制摩擦系数的变化。因此，制动性能应校准 在 具体制动工况和摩擦副 下不同 的特点 。 在本文中，人工神经网络已经被用于建模和预测的盘式制动器的摩擦特性即制动 C 因子 的 变化 。 考虑以下影响 相关因素 :（ 1）摩擦材料的组合物，（ 2）制造 摩擦材料参数，（ 3）制动的操作条件。 由 许多复杂的摩擦材料的影响组成，其制造条件，制动操作对其耐磨性的 影响。 在本文中，我们 把 盘式制动器的 C 因子的预测作为一种重要的 式制动器的工作性能。 2。实验方法 为了 测试 盘式制动器工作即制动性能的不同类型的摩擦 材料及制动的操作条件 下 的函数，人工神经网络已经被适当的 用于 数据训练。利用人工神经网络模型对盘式制动器 的操作流程是有效 的，许多关键问题需要解决。下面的操作必须考虑 :(1)一个数据发生器的选择， (2) 输入数据的分布范围和定义 ,(3） 数据生成 (4)数据预处理 (5）神经网络 的体系结构的选择 (6)训练 算法的选择 (7)训练的神经网络 (8)验证和 精度评价 人工神经网络的 测试 . 对盘式制动器工作的神经网络模型开发的初步步骤是模型的输入和输出的识别。输入 和 输出 的 识别取决于模型的目标和数据源的选择。 本文的 目的，输入参数由摩擦材料组合物定义， 在 其制造工艺条件下，与制动盘的操作条件 下， 制动 C 因子已被作为输出参数，用于表示盘式制动器的制动性能。 C 因子 对应改变制动因子摩擦 系数 摩擦副接触时制动 参数 。制动 C 因子的测量变化的制动转矩和应用压力在制动周期 内 和已知的活塞的直径值有效制 的 动盘半径 。 根据表达式 (1):C 4T (1)数据发生器的类型取决于可用性的应用 。 在这种情况下，数据发生器是一个单端全面的惯性测功机，在实验室开发摩擦机及制动系统 车部门 ，机械工程学院，贝尔格莱德大学） 。 显然， 这种测试方法需要根据所要收集的数据的范围和分布 做出 选择。表 1给出了用于输出数据生成的测试方法。 制动试验条件 下 ，在抛光过程中，被选为识别应用液压压力和摩擦材料的不同类型对 盘式制动器的 性能最终冷初始等效车辆速度的影响 。 这些数据已经用来训练，验证，和测试的神经网络 ， 为了建立盘功能的关系制动工况，摩擦材料的类型，和制动C 因子变化为输出。 很明显，对输入数据进行训练，验证和测试的范围和分布，必须预先考虑盘式制动器操作的神经模型的制造参数，见表 3 ，也已被 随机选择摩擦材料为 9案例。 此外， 对盘式制动器的性能预测的神经网络训练精度进行测试使用的输入 和输出数据存储在测试数据集。 测试数据集通过生产摩擦材料的两种新 方法 得到（ 输入参数是完全不同的 ， 从存储在训练和验证数据集的测试成分的体积 相 比，在表 中 ，用于摩擦材料的组成主要是药物和平方英尺选择对应的上、下界值指定范围。摩擦的制造参数材料 一的区别是相关的具体的成型压力，在摩擦的情况下材料 用于制造出来的范围 摩擦材料为 9（见表 3）。这些值被选定为验证神经网络模型 的能力 ， 延长其预测能力的数据在两端范围或完全在用于训练的范围数据集的创建。 根据 表 13，盘式制动器的操作神经建模已经输入参数执行 （ 18个参数的摩擦材料 与 组成有关， 5个参数 与 制造条件有关， 3个参数 与 制动试验条件有关的 ），和一个输出参数 （制动 C 因子 ）。 盘式制动器的操作神经建模是一项复杂的任务，以及算法需要适当地确定神经网络实现适当的建 模 。 人工神经网络的 体系结构包括一个网络有多少层的描述，在每一层中的神经元的数目，每一层的传递函数和如何相互连接 。 使用最好的结构取决于以网络为代表的那种 。 最好的神经网络建立的网络 模型具有 的代表性的影响。 神经网络用 来扩大其预测能力的训练数据集以 及 数据的人工神经网络的实现是必不可少的 对 盘式制动器性能 的 预测。 这是一个明确的，足够的输入目标被存储在训练数据集。输入输出数据的配方，由 生产得到，和十一种不同的摩擦材料代表一个大的数据集，可以用来训练，验证和测试仪测试神经网络。 输出 结果总数，通过每种类型的摩擦材料的摩擦磨损测试仪获得的，根据所采用的测试方法（表 1）。这意味着 275的输入 /输出对可用于神经网络的训练，验证，和测试。 275输入 /输出对被分为三组总 人数的 200，输入 /输出的神经网络训练对验证， 25对， 50对神经网络测试。因为最好的神经网络结构和学习算法，事先是未知的，一个试错法来找出最佳的网络特征匹配的特定的输入 /输出关系。基于 13，下列网络架构已经在这方面的应用研究： （ i） 一个分层结构 11 1,2621 1,2631 1,2651 1,2681 1, （ 个分层结构 26112 1,26222 1,26322 1,26522 1,26822 1,26842 1,261052 1,（ 个分层结构 263223 1,264323 1,264223 1,265223 1,268223 1,268423 1. 这些网络架构已经由后续的训练算法训练的 ，贝叶斯规则化，弹性反向传播，缩放共轭梯度，梯度体面。 活函数已被用于之间的输入和隐藏层（见式（ 2）： f（ x） =1/1+一个线性激活函数 (f(x) 1 x) 之间隐藏层和输出层 输入 预处理参数前进行神经网络的训练。 因此， 18个参数的摩擦材料配方的相关量呈现给网络的百分比， 在制造参数和测试条件下， 在 01范围内根据表达（ 3）： 另一方面 ，输出参数（制动 C 因子）有线性化的表达（ 4）： 在 他们的训练和 验证后，神经网络用于盘式制动器的性能预测配备盘式片两种（ 共有 90种不同的 神经网络模型进行了测试（ 18种不同的 神经网络的训练） ， 收入算法评估预测盘式制动 C 因子的能力变化 ,在 摩擦材料的不同类型的影响具体的制动条件下 ，正如 以上两种类型的摩擦材料（ 英尺）已首先 用于生产 测试 ，并 使用惯性全面制动测力计 测量 。 参数的组合物和制造摩擦 的 材料 于 未知的神经网络模型 ，测试 盘式制动 器的制动性能 随着摩擦材料 和 2与应用压力和初始速度的变化 ， 测量盘制动性能，表示为制动 C 因子变化，被分为两个范围取决于施加的压力， 在 20和 60杆连接，为了更好的说明盘式制动器的实际变化的复杂性 ， 指定盘形制动工况。从图 1，盘式制动器的性能的一般趋势 是 显而易见的，施加的压力在 20和 60巴 ， 初始 在 20和 100公里 /小时的速度之间 ， 制动 C 因子增加 2040杆的初始速度介于 20和 60公里 /小时的范围 内。 盘式制动器的性能相对固定在整个初始速度范围（ 20100公里 /小时） 内， 进一步增加施加的压力从 40到 60杆，见图 1。初始速度 80 和100小时之间，制动 C 因子一直在施加的压力相同的范围（ 2060公里 /小时）内 。 相反，相对恒定的盘式制动器的制动性能，在施加的压力， 40和 60杆 ， 初始速度 在 20和 100公里 /小时的范围内，盘式制动器制动性能降低了 。 应用压力100 巴 进一步增加（图 2）。 根据 图 1和 2，测得的盘式制动器的性能已经通过该摩擦材料的操作条件的 影响（ 组成和制造参数在表 2和表 3所示。这就是为什么它 对 开发的神经网络模型能够预测这些复杂的影响非常重要 。 预测的盘式制动器的制动效果最好性能的神经网络模型表示为 6实现 8 41训练的贝叶斯规则（ 习算法 。该神经网络模型是基于一二层神经网络 的 26个输入参数，在第一个隐层神经元，第二隐层中的神经元，和一个神经元的输出。该神经网络模型来预测制动 C 因子的能力 ，在 不同制动工况下摩擦材料 和 4。 神经网络模型的 预测能力，在施加的压力的变化 在 20和 60杆和初始速度介于 20和 100公里 /小时 的范围内，可以通过比较评估 1和 3。从图 3， 最后， 可以看出神经网络模型广义的摩擦材料以及药物影响盘式制动器的制动性能。 预测的盘式制动器的性能（图 3）显示了与实测值有良好的相关性，在施加的压力在 20和 40巴和初始速度介于 20和 60公里 /小时的范围从无 效 果。 见图 1和 3，这是显而易见的，测量和预测的盘式制动器制动性能是由指定的操作制度不同 而产生 影响。 即用于施加的压力为20巴的的 0100公里 /小时的范围内的初始速度（图 1）。 另一方面 ，制动器的预测值 C 因子，对于相同的制动工况，已经改变了 3）。制动器进一步提高施加的压力为 40， 引起制动进一步增加 C 因子（图1）。 在 初始速度为 20100公里 /小时 之间（ 100公里 /小时） 的 范围内与预测值的变化比较 （ 1和 2）。 一般情况下 神经网络模型 有 广义的协同性能（图 3和 4） 。在所施加的压力的增加 60条，所测得的盘式制动器的性能下降（图 2）。神经网络模型（图 4）预测，增加施加的压力通常降低制动因素 ， 虽然测量制动盘因子性能的变化在更广泛的的范围内， 但 神经网络模型的 测量 能力可以被认为是可接受的 ， 准确 的。 （图 4）。 根据 图 2和 4，用于施加 的压力在 60和 80杆 ,初始速度 在 40和 80公里 /小时 时 ，盘式制动器性能的一直没有得到很好的预测 ， 神经模型的预测只有轻微的增加制动 C 因子值（图 4）， 才能 在施加的压 力在 60到 80杆的范围内与 实测值 趋近 （图 2）。 盘式制动器的操作相同的最优的神经网络模型用于预测摩擦的新类型的影响材料（平方英尺）的盘式制动器性能测量盘。这种新材料的制动性能如图 5所示。比较图 1和 5，很明显，这种新型的摩擦 材 料，其组成和制造参数 如 表 2和表3给出了显着变化，制动盘性能。这盘的最佳的神经网络模型，它是重要的制动性能（ 6841）对“自然”对盘式制动器摩擦材料的新类型的影响性能。图 5显示了盘式制动器的非常复杂的变化性能的摩擦材料性能的影响考虑与制动的操作制度的协同。从图 5，它可以看到制动 C 因子是非常敏感的应用压力为 100公里 /小时的初始速度，根据图 5盘式制动器的性能测量的初始速度类似从 20到 60公里 /小时的施加的压力的指定范围改变（ 2060栏）。随着应用的进一步增加从60到 100条压力，盘式制动器性能发生了显著的变化。例如，真正的大变化制动C 因子为 6）的应用 20和 100公里 / 小时 之间的 80条和初始速度压力另一方面，真正的制动 C 因子最小的范围，在初始速度的指定范围，在 100公里 /小时）和 里 /小时）为 40杆的相对较低的施加的压力（图 5）。 盘式制动器操作的优化神经网络模型又用于预测的盘式制动器的性能如图。 7和 8。从图 7，可以看出，盘式制动器性能得到了很好的预测的初始速度从 20到60公里 /小时 ， 施加的压力在 20和 60条的初始速度。 100公里 /小时，盘式制动器的性能得到了很好的预测的范围内施加的压力在 20和 40巴。相反测得的性能为100公里 /小时的初始速度，预测的盘式制动器的 性能没有得到很好的推广应用压力 40和 60巴之间的距离（见图 5和 7)然而，盘式制动器的性能（ V100公里 /小时）有得到很好的推广在 60到 100条的范围（图 8）的制动 C 因子变化最大，100公里 /小时）和 20公里 /小时），已被预测为所施加的压力 80条作为测量值 。
展开阅读全文