基于深度学习组合模型的非刚性车辆的中枢高度预测研究
Guoqiang Pang1, Zhiquan Xiao1, Zhanwen Cai1
1School of Mechanical Engineering and Automation, Wuhan Textile University, Wuhan 430200, China.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
一个新的CNN-LSTM-Attention模型提高了车辆重心 (ZCG) 测量精度. 这种人工智能方法克服了传统倾斜表测试的局限性,提高了车辆的安全性和性能分析.
科学领域:
- 车辆动力学和安全工程 车辆动力学和安全工程
- 汽车工程中的人工智能
背景情况:
- 重心 (ZCG) 的高度对于车辆的安全性和性能至关重要.
- 传统的ZCG测量倾斜表测试由于解锁悬挂和可变弹质量而存在系统性错误.
研究的目的:
- 开发一种先进的AI模型,用于准确的ZCG测量,解决倾斜表测试的局限性.
- 为了提高车辆动力学参数量化的实际准确性.
主要方法:
- 开发了一个CNN-LSTM-Attention模型,将CNN集成为空间相关性,LSTM用于时间依赖性,以及注意力机制.
- 使用亚当斯软件进行模拟,用于悬挂不受锁定,弹质量可变的车辆.
- 该模型在模拟数据上进行了训练,并与现实世界的倾斜测试数据进行了验证.
主要成果:
- 与基线模型相比,CNN-LSTM-Attention模型显示计算速度至少有6.9%的改善.
- 与CNN,CNN-LSTM和变压器基线相比,实现了至少0.1%的预测误差减少.
- 该模型显示了ZCG在0°倾斜角度的有效预测能力.
结论:
- 拟议的CNN-LSTM-Attention模型提供了一个可靠的解决方案,用于使用倾斜表测试方法准确测量ZCG.
- 这种人工智能驱动的方法提高了量化车辆动力学参数的实际准确性.
- 这些发现有助于改善车辆安全和性能评估.
