外文翻译--盘式制动器制动性能的神经网络预测 中文版.doc

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，TEM-perature，和速度条件，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MOS盘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):C¼4Tpd2cpre(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frimeks（汽车部门，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F1F9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（FT1和平方英尺）的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FT1和FT2也同样选择有关的表3规定的范围。唯一的区别是相关的具体的成型压力，在摩擦的情况下材料FT1和平方英尺，是用于制造出来的范围摩擦材料为F1F9（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。3.神经网络建模根据表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。