外文翻譯--盤式制動器制動性能的神經網絡預測 中文版

盤式制動器制動性能的神經網絡預測 1 引言 對 制動系統(tǒng)的要求，在寬范圍的操作條件下是復雜的、多 樣的 。據(jù)預計，摩擦系數(shù)應相對較高而且穩(wěn)定的摩擦力，可靠的強度和良好的耐磨性是必要的，不論溫度，濕度， 使用年數(shù)， 磨損和腐蝕程度等 。 制動系統(tǒng)的性能主要是由基礎制動裝置確定。基本要求，對汽車制動器的摩擦系數(shù)的穩(wěn)定性有關在不同制動的操作定義的條件 下 改變施加的壓力 ， 滑動速度和溫度。汽車制動器的摩擦行為對這些表面之間的盤和墊活性表面性質的決定 。 剎車需要高而穩(wěn)定的摩擦系數(shù)的摩擦材料，磨損率低 ，無噪音，成本低，環(huán)境友 。 汽車制動系統(tǒng)的摩擦材料是車輛總體性能的關鍵部 件， 這是因為它對制動性能如停車距離，各方面的踏板感覺，盤磨損 起 至關重要的 作用 ， 并影響 制動引起的振動 。 例如，產生的振動之間的接口兩個物體摩擦負責各種噪聲，如尖叫，顫抖，錘擊，鳴響 等。 另一方面，性能指標有所增加， 使 制動更敏感 。 一種汽車制動器的摩擦行為的結果，從復雜的相互關聯(lián)的現(xiàn)象 到 制動過程中摩擦副的接觸。這些復雜的制動現(xiàn)象大多是影響復合材料的摩擦性能的摩擦單元，制動盤的金屬界面，通過制動的操作方式所施加的條件。因此，制動的性能主要是由鑄鐵制動 盤和摩擦復合材料之間的接觸狀態(tài)影響。接觸情況的事實是，摩擦材料是復雜的高分子復合材料可能含有超過 20種不同的成分。因此，接觸的情況下可以通過在復合材料的力學性能的廣泛多樣性 有 顯著 影響。這就是為什么在摩擦系數(shù)的變化是高度依賴于摩擦材料的成分和制動條件 下 影響制動系統(tǒng)的性能 . 在摩擦材料中包含所有成分的協(xié)同作用，對具體的生產條件，確定最終的摩擦材料的特點以及相應的制動系統(tǒng)性能的影響。一種汽車制動性能的改善和控制，不同的工況條件下，是一個復雜的 情況 ，在摩擦界面的摩擦 下 通過實際接觸面積的變化影響 制動性能的 隨機性 ，轉移層的形成，改變壓力， 速度條件，以及元件的變形磨損。該墊和盤遠離恒定 數(shù)值 之間的實際接觸面積，相比總接觸面積非常小，而且高度依賴于壓力的變化，溫度，變形，磨損?？紤]到非常復雜和高度非線性的現(xiàn)象是 發(fā)生 在制動過程中，制動操作的分析模型完全是困難的。相反，在本文中，人工神經網絡可以用來模擬復雜的非線性，多維因素影響制動性能。正如所指出的許多研究人員人工神經網絡在預測實驗的趨勢，是 一個有前途的研究領域，能夠在成本和時間方面相當經典的分析模型比較。 為了提高制動系統(tǒng)的操作，它 是可取的，制動器應該更精確地控制摩擦系數(shù)的變化。因此，制動性能應校準 在 具體制動工況和摩擦副 下不同 的特點 。 在本文中，人工神經網絡已經被用于建模和預測的盤式制動器的摩擦特性即制動 C 因子 的 變化 。 考慮以下影響 相關因素 :（ 1）摩擦材料的組合物，（ 2）制造 摩擦材料參數(shù)，（ 3）制動的操作條件。 由 許多復雜的摩擦材料的影響組成，其制造條件，制動操作對其耐磨性的 影響。 在本文中，我們 把 盤式制動器的 C 因子的預測作為一種重要的 式制動器的工作性能。 2。實驗方法 為了 測試 盤式制動器工作即制動性能的不同類型的摩擦 材料及制動的操作條件 下 的函數(shù)，人工神經網絡已經被適當?shù)?用于 數(shù)據(jù)訓練。利用人工神經網絡模型對盤式制動器 的操作流程是有效 的，許多關鍵問題需要解決。下面的操作必須考慮 :(1)一個數(shù)據(jù)發(fā)生器的選擇， (2) 輸入數(shù)據(jù)的分布范圍和定義 ,(3） 數(shù)據(jù)生成 (4)數(shù)據(jù)預處理 (5）神經網絡 的體系結構的選擇 (6)訓練 算法的選擇 (7)訓練的神經網絡 (8)驗證和 精度評價 人工神經網絡的 測試 . 對盤式制動器工作的神經網絡模型開發(fā)的初步步驟是模型的輸入和輸出的識別。輸入 和 輸出 的 識別取決于模型的目標和數(shù)據(jù)源的選擇。 本文的 目的，輸入參數(shù)由摩擦材料組合物定義， 在 其制造工藝條件下，與制動盤的操作條件 下， 制動 C 因子已被作為輸出參數(shù)，用于表示盤式制動器的制動性能。 C 因子 對應改變制動因子摩擦 系數(shù) 摩擦副接觸時制動 參數(shù) 。制動 C 因子的測量變化的制動轉矩和應用壓力在制動周期 內 和已知的活塞的直徑值有效制 的 動盤半徑 。 根據(jù)表達式 (1):C ¼ 4T (1)數(shù)據(jù)發(fā)生器的類型取決于可用性的應用 。 在這種情況下，數(shù)據(jù)發(fā)生器是一個單端全面的慣性測功機，在實驗室開發(fā)摩擦機及制動系統(tǒng) 車部門 ，機械工程學院，貝爾格萊德大學） 。 顯然， 這種測試方法需要根據(jù)所要收集的數(shù)據(jù)的范圍和分布 做出 選擇。表 1給出了用于輸出數(shù)據(jù)生成的測試方法。 制動試驗條件 下 ，在拋光過程中，被選為識別應用液壓壓力和摩擦材料的不同類型對 盤式制動器的 性能最終冷初始等效車輛速度的影響 。 這些數(shù)據(jù)已經用來訓練，驗證，和測試的神經網絡 ， 為了建立盤功能的關系制動工況，摩擦材料的類型，和制動C 因子變化為輸出。 很明顯，對輸入數(shù)據(jù)進行訓練，驗證和測試的范圍和分布，必須預先考慮盤式制動器操作的神經模型的制造參數(shù)，見表 3 ，也已被 隨機選擇摩擦材料為 9案例。 此外， 對盤式制動器的性能預測的神經網絡訓練精度進行測試使用的輸入 和輸出數(shù)據(jù)存儲在測試數(shù)據(jù)集。 測試數(shù)據(jù)集通過生產摩擦材料的兩種新 方法 得到（ 輸入參數(shù)是完全不同的 ， 從存儲在訓練和驗證數(shù)據(jù)集的測試成分的體積 相 比，在表 中 ，用于摩擦材料的組成主要是藥物和平方英尺選擇對應的上、下界值指定范圍。摩擦的制造參數(shù)材料 一的區(qū)別是相關的具體的成型壓力，在摩擦的情況下材料 用于制造出來的范圍 摩擦材料為 9（見表 3）。這些值被選定為驗證神經網絡模型 的能力 ， 延長其預測能力的數(shù)據(jù)在兩端范圍或完全在用于訓練的范圍數(shù)據(jù)集的創(chuàng)建。 根據(jù) 表 13，盤式制動器的操作神經建模已經輸入參數(shù)執(zhí)行 （ 18個參數(shù)的摩擦材料 與 組成有關， 5個參數(shù) 與 制造條件有關， 3個參數(shù) 與 制動試驗條件有關的 ），和一個輸出參數(shù) （制動 C 因子 ）。 盤式制動器的操作神經建模是一項復雜的任務，以及算法需要適當?shù)卮_定神經網絡實現(xiàn)適當?shù)慕?模 。 人工神經網絡的 體系結構包括一個網絡有多少層的描述，在每一層中的神經元的數(shù)目，每一層的傳遞函數(shù)和如何相互連接 。 使用最好的結構取決于以網絡為代表的那種 。 最好的神經網絡建立的網絡 模型具有 的代表性的影響。 神經網絡用 來擴大其預測能力的訓練數(shù)據(jù)集以 及 數(shù)據(jù)的人工神經網絡的實現(xiàn)是必不可少的 對 盤式制動器性能 的 預測。 這是一個明確的，足夠的輸入目標被存儲在訓練數(shù)據(jù)集。輸入輸出數(shù)據(jù)的配方，由 生產得到，和十一種不同的摩擦材料代表一個大的數(shù)據(jù)集，可以用來訓練，驗證和測試儀測試神經網絡。 輸出 結果總數(shù)，通過每種類型的摩擦材料的摩擦磨損測試儀獲得的，根據(jù)所采用的測試方法（表 1）。這意味著 275的輸入 /輸出對可用于神經網絡的訓練，驗證，和測試。 275輸入 /輸出對被分為三組總 人數(shù)的 200，輸入 /輸出的神經網絡訓練對驗證， 25對， 50對神經網絡測試。因為最好的神經網絡結構和學習算法，事先是未知的，一個試錯法來找出最佳的網絡特征匹配的特定的輸入 /輸出關系。基于 13，下列網絡架構已經在這方面的應用研究： （ i） 一個分層結構 11 1,2621 1,2631 1,2651 1,2681 1, （ 個分層結構 26112 1,26222 1,26322 1,26522 1,26822 1,26842 1,261052 1,（ 個分層結構 263223 1,264323 1,264223 1,265223 1,268223 1,268423 1. 這些網絡架構已經由后續(xù)的訓練算法訓練的 ，貝葉斯規(guī)則化，彈性反向傳播，縮放共軛梯度，梯度體面。 活函數(shù)已被用于之間的輸入和隱藏層（見式（ 2）： f（ x） =1/1+一個線性激活函數(shù) (f(x) ¼ 1 x) 之間隱藏層和輸出層 輸入 預處理參數(shù)前進行神經網絡的訓練。 因此， 18個參數(shù)的摩擦材料配方的相關量呈現(xiàn)給網絡的百分比， 在制造參數(shù)和測試條件下， 在 01范圍內根據(jù)表達（ 3）： 另一方面 ，輸出參數(shù)（制動 C 因子）有線性化的表達（ 4）： 在 他們的訓練和 驗證后，神經網絡用于盤式制動器的性能預測配備盤式片兩種（ 共有 90種不同的 神經網絡模型進行了測試（ 18種不同的 神經網絡的訓練） ， 收入算法評估預測盤式制動 C 因子的能力變化 ,在 摩擦材料的不同類型的影響具體的制動條件下 ，正如 以上兩種類型的摩擦材料（ 英尺）已首先 用于生產 測試 ，并 使用慣性全面制動測力計 測量 。 參數(shù)的組合物和制造摩擦 的 材料 于 未知的神經網絡模型 ，測試 盤式制動 器的制動性能 隨著摩擦材料 和 2與應用壓力和初始速度的變化 ， 測量盤制動性能，表示為制動 C 因子變化，被分為兩個范圍取決于施加的壓力， 在 20和 60桿連接，為了更好的說明盤式制動器的實際變化的復雜性 ， 指定盤形制動工況。從圖 1，盤式制動器的性能的一般趨勢 是 顯而易見的，施加的壓力在 20和 60巴 ， 初始 在 20和 100公里 /小時的速度之間 ， 制動 C 因子增加 2040桿的初始速度介于 20和 60公里 /小時的范圍 內。 盤式制動器的性能相對固定在整個初始速度范圍（ 20100公里 /小時） 內， 進一步增加施加的壓力從 40到 60桿，見圖 1。初始速度 80 和100小時之間，制動 C 因子一直在施加的壓力相同的范圍（ 2060公里 /小時）內 。 相反，相對恒定的盤式制動器的制動性能，在施加的壓力， 40和 60桿 ， 初始速度 在 20和 100公里 /小時的范圍內，盤式制動器制動性能降低了 。 應用壓力100 巴 進一步增加（圖 2）。 根據(jù) 圖 1和 2，測得的盤式制動器的性能已經通過該摩擦材料的操作條件的 影響（ 組成和制造參數(shù)在表 2和表 3所示。這就是為什么它 對 開發(fā)的神經網絡模型能夠預測這些復雜的影響非常重要 。 預測的盤式制動器的制動效果最好性能的神經網絡模型表示為 6實現(xiàn) 8 41訓練的貝葉斯規(guī)則（ 習算法 。該神經網絡模型是基于一二層神經網絡 的 26個輸入參數(shù)，在第一個隱層神經元，第二隱層中的神經元，和一個神經元的輸出。該神經網絡模型來預測制動 C 因子的能力 ，在 不同制動工況下摩擦材料 和 4。 神經網絡模型的 預測能力，在施加的壓力的變化 在 20和 60桿和初始速度介于 20和 100公里 /小時 的范圍內，可以通過比較評估 1和 3。從圖 3， 最后， 可以看出神經網絡模型廣義的摩擦材料以及藥物影響盤式制動器的制動性能。 預測的盤式制動器的性能（圖 3）顯示了與實測值有良好的相關性，在施加的壓力在 20和 40巴和初始速度介于 20和 60公里 /小時的范圍從無 效 果。 見圖 1和 3，這是顯而易見的，測量和預測的盤式制動器制動性能是由指定的操作制度不同 而產生 影響。 即用于施加的壓力為20巴的的 0100公里 /小時的范圍內的初始速度（圖 1）。 另一方面 ，制動器的預測值 C 因子，對于相同的制動工況，已經改變了 3）。制動器進一步提高施加的壓力為 40， 引起制動進一步增加 C 因子（圖1）。 在 初始速度為 20100公里 /小時 之間（ 100公里 /小時） 的 范圍內與預測值的變化比較 （ 1和 2）。 一般情況下 神經網絡模型 有 廣義的協(xié)同性能（圖 3和 4） 。在所施加的壓力的增加 60條，所測得的盤式制動器的性能下降（圖 2）。神經網絡模型（圖 4）預測，增加施加的壓力通常降低制動因素 ， 雖然測量制動盤因子性能的變化在更廣泛的的范圍內， 但 神經網絡模型的 測量 能力可以被認為是可接受的 ， 準確 的。 （圖 4）。 根據(jù) 圖 2和 4，用于施加 的壓力在 60和 80桿 ,初始速度 在 40和 80公里 /小時 時 ，盤式制動器性能的一直沒有得到很好的預測 ， 神經模型的預測只有輕微的增加制動 C 因子值（圖 4）， 才能 在施加的壓 力在 60到 80桿的范圍內與 實測值 趨近 （圖 2）。 盤式制動器的操作相同的最優(yōu)的神經網絡模型用于預測摩擦的新類型的影響材料（平方英尺）的盤式制動器性能測量盤。這種新材料的制動性能如圖 5所示。比較圖 1和 5，很明顯，這種新型的摩擦 材 料，其組成和制造參數(shù) 如 表 2和表3給出了顯著變化，制動盤性能。這盤的最佳的神經網絡模型，它是重要的制動性能（ 6841）對“自然”對盤式制動器摩擦材料的新類型的影響性能。圖 5顯示了盤式制動器的非常復雜的變化性能的摩擦材料性能的影響考慮與制動的操作制度的協(xié)同。從圖 5，它可以看到制動 C 因子是非常敏感的應用壓力為 100公里 /小時的初始速度，根據(jù)圖 5盤式制動器的性能測量的初始速度類似從 20到 60公里 /小時的施加的壓力的指定范圍改變（ 2060欄）。隨著應用的進一步增加從60到 100條壓力，盤式制動器性能發(fā)生了顯著的變化。例如，真正的大變化制動C 因子為 6）的應用 20和 100公里 / 小時 之間的 80條和初始速度壓力另一方面，真正的制動 C 因子最小的范圍，在初始速度的指定范圍，在 100公里 /小時）和 里 /小時）為 40桿的相對較低的施加的壓力（圖 5）。 盤式制動器操作的優(yōu)化神經網絡模型又用于預測的盤式制動器的性能如圖。 7和 8。從圖 7，可以看出，盤式制動器性能得到了很好的預測的初始速度從 20到60公里 /小時 ， 施加的壓力在 20和 60條的初始速度。 100公里 /小時，盤式制動器的性能得到了很好的預測的范圍內施加的壓力在 20和 40巴。相反測得的性能為100公里 /小時的初始速度，預測的盤式制動器的 性能沒有得到很好的推廣應用壓力 40和 60巴之間的距離（見圖 5和 7)然而，盤式制動器的性能（ V¼100公里 /小時）有得到很好的推廣在 60到 100條的范圍（圖 8）的制動 C 因子變化最大，100公里 /小時）和 20公里 /小時），已被預測為所施加的壓力 80條作為測量值 。