一种多影响因素作用的汽车制动器摩擦片性能预测方法

：本发明涉及一种多影响因素作用的汽车制动器摩擦片性能预测方法，具体是指考虑多个影响因素之间相互作用基于最小二乘法与证据推理算法的汽车制动器摩擦片性能预测方法。属于工程。

背景技术

0、
背景技术：

1、摩擦片是制动器的关键零部件，在车辆制动过程中有着十分重要的地位。许多交通事故是由于车辆制动距离过长和制动器不能提供有效的制动力导致的。汽车制动器摩擦片性能直接影响制动效果，预测摩擦片的性能是确保行车安全性和可靠性的重要基础。对汽车制动器摩擦片性能进行合理的预测可以有效减少因摩擦片性能不佳导致的交通事故，保证行车过程中的人员和运输货物的安全无损。具有良好性能的摩擦片要保证在复杂多变的工作环境下有良好且可靠的摩擦和磨损性能，同时摩擦片工作环境与驾驶员操作习惯有很大联系，因此，此摩擦片性能预测是通过多个外部影响因素特征预测摩擦片的摩擦磨损性能。

2、目前对摩擦片性能预测主要基于有限元模型和数据的预测方法。基于有限元模型的性能预测方法是通过对制动器摩擦片建立有限元模型，通过仿真数据分析其性能变化趋势进行性能预测。但摩擦片工作环境复杂多变，有限元仿真条件和实际工作条件有一定差距，因此基于有限元模型的摩擦片性能预测有一定局限性。基于数据的智能算法模型通过获得的大量数据，建立非线性复杂模型来预测其性能。但摩擦片的性能受诸多影响因素的影响，建立的非线性复杂模型对数据的依赖程度比较高，建立的模型对新增加的影响因素和新导入的数据接纳程度有待提高。因此，研究如何准确有效的预测多影响因素作用的汽车制动器摩擦片性能是十分重要的。

技术实现思路

0、
技术实现要素：

1、为了解决技术背景中存在的问题，本发明提出了一种多影响因素作用的汽车制动器摩擦片性能预测方法，它能够提高在多影响因素作用下的汽车制动器摩擦片性能预测精度。多影响因素作用的汽车制动器摩擦片性能预测模型分为以下四个模块：模块一为对影响因素进行条件划分；模块二为建立影响因素与性能评价指标关系模型；模块三为数据筛选按条件匹配；模块四为基于证据推理建立性能预测模型。

2、首先，对摩擦片性能相关数据进行分析，由于单一影响因素与性能评价指标之间的变化趋势受其他影响因素的影响，当其他影响因素处于不同条件下，单一影响因素与性能评价指标之间的变化趋势会发生改变，通过对其他影响进行不同条件划分，使处于同一条件下单一影响因素与性能评价指标之间的变化趋势大致相同。其次，运用最小二乘法强大的非线性拟合能力，对不同条件下的单一影响因素与性能评价指标的变化趋势进行一一拟合，确定所划分所有条件下的单一影响因素与性能评价指标的变化模型。再其次，对即将要进行测试或预测的数据进行匹配，确定其中一个影响因素，把其他影响因素数据按照上述多种不同条件进行划分，将确定的单一影响因素数据匹配到对应条件下与性能评价指标变化模型中，实现性能评价指标的初步预测。最后，由于通过单一影响因素预测得到的性能评价指标精度偏低，为了提高预测模型的精度和可靠性，利用证据推理算法，融合所有同一性能评价指标在不同影响因素下的初步预测结果，得到汽车制动器摩擦片性能最终预测结果。

3、本发明的技术方案：

4、模块一为对影响因素进行条件划分，考虑多影响因素之间的相互作用对摩擦性能指标有不同的影响，把每个影响因素对应到多种不同的条件下。

5、模块二为建立影响因素与性能评价指标关系模型，利用最小二乘法建立影响因素在不同条件下与性能评价指标之间的变化关系。首先假设汽车制动器摩擦片性能评价指标与单影响因素之间变化关系模型为：

6、t(x)＝a0+a1x+…+anxn                                  (1)

7、其中，t(x)表示拟合汽车制动器摩擦片性能评价指标，x表示性能影响因素，a0,a1,…,an表示该变化关系中的系数由最小二乘法确定。

8、若各点权为1，则

9、

10、为了得个最优的各阶系数，即对上式进行偏分求导，得到以下方程：

11、

12、令

13、由xy＝a,a＝x-1y通过矩阵方程，即可计算得出系数a；由此即可确定汽车制动器摩擦片性能评价指标与性能影响因素之间的变化关系。

14、根据以上计算流程对不同条件下的单一影响因素与性能评价指标的变化趋势进行计算，确定所划分所有条件下的单一影响因素与性能评价指标的变化模型。

15、模块三为数据筛选按条件匹配，对数据进行具体分析，当对其中某一影响因素进行下一步计算时，其他影响因素作为条件，对其他影响因素数据进行选择，将其合理分配到所对应的条件之下，在此条件之下有确定单影响因素与性能评价指标关系模型，通过此关系模型进行初步的摩擦性能评价指标预测。

16、模块四为基于证据推理建立性能预测模型，利用证据推理算法融合所有性能评价指标初步预测结果。证据推理方法最初是d-s证据理论和决策理论的更深层次的延申，是一种多属性决策分析问题。通常我们在使用证据推理算法进行证据融合工作之前，需要将前期获取的定量数据进行一定的处理，即将定量数据转换成相对参考等级的置信分布。假设xi是汽车制动器摩擦片性能影响因素中l个属性xi(i＝1,2,...,l)的其中之一，那么属性xi的第n个参考值可表示为hn,i(n＝1,2,…,m)，同时满足hn,i≤hn+1,i，则在该证据中最大参考值表示为hm,i，最小参考值表示为h1,i。通过以上方法获取全部证据的初始参考值时，即可将前期所获得的全部定量数据转化成方法所需的置信度分布形式，如下所示：

17、

18、其中，hn,i≤xi≤hn+1,i，δa,i＝0,a＝1,2,…,m,a≠n,n+1。

19、使用下式将所有定量数据转化成置信分布，如下所示：

20、

21、其中，0≤δn,i≤1(n＝1,2,…,m)，且当置信度分布完整时不完整时则属性xi被转化为相对应参考等级hn,i的置信度表示为δn,i。属性xi相对参考等级的置信度分布表示为

22、当属性xi仅有一个时，假定en,i表示该个体被评价为参考等级hn的基本信度分配值，eh,i表示为没有被分配到其他任何等级hn的基本信度值，具体如下所示：

23、en,i＝ωiδn,i,n＝1,2,…,m (7)

24、其中，ωi表示属性xi正则化之后的权重，0≤ω≤1，

25、

26、在严格的情况下，证据推理中eh,i包括和两个部分，并且

27、

28、

29、其中，表示为没有被分配到其他任何等级hn的基本信度值，只受到ωi的影响；而表示属性xi评价的不完整性，当置信度分布完整的情况下，即

30、假设en,i(i+1)(n＝1,2,…,m)，和分别表示合成前个属性的信度分布，那么在利用证据推理方法对前i个属性和第(i+1)进行合成时，分配在评价等级hn的值为

31、{hn}:en,i(i+1)＝ki(i+1)[en,i(i)en,i+1+eh,i(i)en,i+1+en,i(i)eh,i+1]  (11)

32、

33、

34、

35、

36、通过证据推理算法把所有属性的信度全合成以后，各个等级按照下式重新分配信度，如下所示：

37、

38、

39、其中，δn表示属性被评价为hn等级的置信度，δh表示分配到确定评价等级的全局不确定性。评价等级为hn的置信度范围为[δn,(δn+δh)]。

40、整体评价y可以用如下置信度分布形式表示，如下所示：

41、s(y)＝{(hn,δn),n＝1,2,…,m}                           (18)

42、之后使用下式来计算输入数据对汽车制动器摩擦片性能的影响程度，具体如下所示：

43、

44、其中，m表示评价的等级数量，x(y)表示所有属性融合之后的y效用值。