本發(fā)明涉及汽車試驗領域，尤其涉及汽車操縱穩(wěn)定性快速評價系統(tǒng)建立方法。

背景技術：

汽車試驗在汽車開發(fā)過程中占有十分重要的地位，貫穿汽車開發(fā)的整個過程。無論是新車型的設計還是已經投入生產的產品，汽車試驗都是至關重要的。通過大量嚴格的整車性能試驗，既可以驗證汽車的設計是否合理，對暴露的問題進行分析和改進，經過多次迭代修改，使車輛性能滿足設計要求；又可以為新車型做定型試驗，為其批量生產提供依據；還可以積累大量的汽車技術參數，為新車型的設計和產品改進提供理論依據和實際指導。國內外專家也一致認為汽車試驗是保證產品性能、提高產品質量和市場競爭力的重要手段。

操縱穩(wěn)定性作為影響汽車主動安全的重要因素之一，不僅影響汽車駕駛的操縱方便性，也是決定高速汽車安全行駛的主要性能之一。操作穩(wěn)定性的好壞直接影響用戶的直觀感受。

目前存在的問題是：1.汽車操縱穩(wěn)定性試驗數據通常不在試驗現場處理，由于駕駛員主觀因素的影響，試驗中必然存在無效試驗數據，如果在后期數據處理中發(fā)現并踢除無效試驗數據，使得現存的有效數據不足以支撐對車輛性能的綜合分析和評價，需要進行新的場地試驗。因此整個試驗過程浪費了大量的人力、物力和財力，延長了汽車開發(fā)周期，降低了產品的市場競爭力。2.即使將試驗數據處理人員和試驗數據處理設備移至試驗車上，在試驗現場進行試驗數據處理，但是試驗過程最少需要兩位工作人員，駕駛員和數據處理人員。并且每次進行試驗時，數據處理人員都需要選擇對應的試驗數據處理程序對試驗數據進行處理，自動化程度較低。因此需要建立一種汽車操縱穩(wěn)定性試驗快速評價方法，在試驗結束后自動識別試驗的類別和工況，然后自動調用相關的試驗有效性檢驗和試驗評價程序對數據進一步處理，使這套系統(tǒng)盡最大可能代替試驗數據處理人員的工作內容，從而使汽車試驗向自動化、客觀化方向發(fā)展。3.汽車試驗的有效性通常由數據處理人員評判，由于人為主觀因素的影響，不同數據處理人員評判標準不同；或者在相同評判標準下也會產生誤判現象，導致試驗評價結果可信度比較低，延長了汽車性能調教周期。因此需要形成一套統(tǒng)一的試驗有效性評判標準，且由專用設備或者計算算法實行，最大程度降低人為誤差，減少試驗結果中主觀因素的影響，提高試驗結果的客觀性和可信度。4.目前，市場上缺乏汽車操縱穩(wěn)定性試驗快速評價技術或相關硬件設備。

技術實現要素：

本發(fā)明提供一種汽車操縱穩(wěn)定性試驗快速評價系統(tǒng)建立方法，以解決目前存在的試驗數據通常不在試驗現場處理、自動化程度較低、試驗評價結果可信度比較低的問題。

本發(fā)明采取的技術方案是，包括下列步驟：

(一)、汽車操縱穩(wěn)定性試驗數據庫建立，試驗數據來源：carsim仿真環(huán)境下18款車型的仿真試驗數據和8款車型的實車場地試驗數據，車型覆蓋a級車到e級車；

(二)、特征物理量選擇方法；涉及的操縱穩(wěn)定性試驗方案包括gb/t6323-2014和iso國際標準中的蛇形試驗、轉向盤轉角階躍試驗、轉向盤轉角脈沖試驗、雙移線試驗、穩(wěn)態(tài)回轉試驗、轉向輕便性試驗、單正弦試驗、掃頻試驗、轉彎制動試驗、轉彎中斷動力試驗、中心區(qū)-穿行試驗、中心區(qū)-斜坡試驗、轉向釋放開環(huán)試驗、轉向脈沖回正試驗、原地轉向試驗；

涉及的操縱穩(wěn)定性試驗方案特征物理量包括：蛇形試驗的特征物理量是車輛側向位置；轉向盤轉角脈沖試驗的特征物理量是轉向盤轉角；轉向盤轉角階躍試驗的特征物理量是轉向盤轉角；雙移線試驗的特征物理量是車輛側向位置；轉向輕便性試驗的特征物理量是車輛軌跡；穩(wěn)態(tài)回轉-定半徑的特征物理量是縱向車速和側向加速度；穩(wěn)態(tài)回轉-定轉角的特征物理量是轉向盤轉角和縱向車速；穩(wěn)態(tài)回轉-定車速的特征物理量是轉向盤轉角和縱向車速；單正弦試驗的特征物理量是轉向盤轉角；掃頻試驗的特征物理量是轉向盤轉角；中心區(qū)-穿行試驗的特征物理量是轉向盤轉角；中心區(qū)-斜坡試驗的特征物理量是轉向盤轉角；轉向釋放開環(huán)試驗的特征物理量是轉向盤力矩；轉向脈沖回正試驗的特征物理量是轉向盤力矩；轉彎制動試驗的特征物理量是轉向盤轉角和縱向車速；轉彎中斷動力試驗的特征物理量是轉向盤轉角和縱向車速；原地轉向試驗的特征物理量是轉向盤轉角；

(三)、試驗數據預處理1方法，包括：

a1.采用中值濾波方法剔除野值；

a2.低通濾波；

a3.坐標變換，實車試驗數據的車輛軌跡信號是通過gps導航定位技術測量得到的，車輛的位置信號是在gps坐標系下表示，實際使用過程需要對車輛位置信息進行坐標變換；為將車輛位置信息轉換到位置表示坐標系下，其中gps采集的車輛位置信息需要經過三次坐標變換，gps采集的經度、維度和高程信息表示在wgs-84坐標系下，首先將gps采集的經度、維度和高程信息轉換到地心地固坐標系下；其次，將車輛位置在地心地固坐標系下的表示轉換到當地水平坐標系下；最后，將車輛位置在當地水平坐標系下的表示轉換到位置表示坐標系下；

a4.數據插值，對有效數據段進行線性插值處理，考慮到數據精度和后續(xù)識別時間，選擇200個插值點；

a5.數據標準化，方法如下：

x′ik＝(xik-aver(xk))/(max(xk)-min(xk))

中，x′ik為標準化后的數據；xik為觀察值；aver(xk)為觀察值的平均值；min(xk)為觀察值的最小值；max(xk)為觀察值的最大值；

(四)、試驗方案識別模型建立，經試驗數據預處理1后，同一試驗方案的不同試驗工況的特征物理量具有相同的量級和趨勢，不同試驗方案的特征物理量具有不同的趨勢，建立試驗方案識別模型；采用動態(tài)時間規(guī)整方法(dtw)和神經網絡方法對試驗方案進行識別，考慮到同一試驗方案向左轉向和向右轉向試驗數據的趨勢相反，將其視為兩種試驗方案；

(五)、試驗數據預處理2方法，與步驟(三)試驗數據預處理1中的方法相同；

(六)、試驗工況識別方法，根據試驗方案識別的結果和經過試驗數據預處理2處理后的車輛響應和駕駛員輸入計算試驗工況參數，然后將其歸類為與之最接近的試驗工況；

(七)、試驗有效性檢驗方法，首先根據試驗工況識別結果和經過試驗數據預處理1處理后的車輛響應和駕駛員輸入計算gb或iso標準中規(guī)定的試驗參數，然后檢驗該參數是否在偏差范圍內，如果在偏差范圍內，則認為該試驗有效；否則無效；

(八)、試驗評價，對于有效的試驗，應根據iso和gb標準中規(guī)定的評價指標計算方法快速計算評價指標對車輛的操縱穩(wěn)定性進行評價，根據試驗工況識別結果和經過試驗數據預處理1處理后的車輛響應和駕駛員輸入計算試驗評價指標。

本發(fā)明所述步驟(三)中，a3.坐標變換的三個過程具體如下：

a31.wgs-84坐標系向地心地固坐標系變換

e²＝(a²-b²)/a²＝2f-f²

式中，xe、ye、ze為車輛位置在地心地固坐標系下的坐標表示；λ、h分別為車輛位置在wgs-84坐標系下的緯度、經度和高程；v為緯度處卯酉圈的曲率半徑；e為wgs-84橢球第一偏心率；a為wgs-84橢球模型長半軸，其值為6378137.0m；f為wgs-84橢球模型扁率，其值為0.003352810664；

a32.地心地固坐標系向當地水平坐標系變換

式中，cne為地心地固坐標系向當地水平坐標系變換的變換矩陣；x、y、z為車輛軌跡在當地水平坐標系的表示；△xe、△ye、△ze為車輛位置在地心地固坐標系下的坐標與當地水平坐標系下坐標原點的地心地固坐標之差變換至當地水平坐標系下的坐標差值；

a33.當地水平坐標系向位置表示坐標系變換

位置表示坐標系與汽車試驗起始點對應的車輛坐標系方向相同，而汽車操縱穩(wěn)定性試驗通常在水平路面上進行，車輛坐標系和當地水平坐標系的z軸始終同向，因此只需在x，y方向進行坐標變換：

式中，(xv，yv)為車輛位置在位置表示坐標系下表示；(xr,yr)為試驗車試驗起始點在當地水平坐標系中的位置；θ為當地水平坐標系和位置表示坐標系的方位差。

本發(fā)明所述步驟(四)中，所述分別采用動態(tài)時間規(guī)整方法(dtw)和神經網絡方法對試驗方案進行識別的建立方法如下：

b1.基于動態(tài)時間規(guī)整方法的試驗方案識別建立方法

動態(tài)時間規(guī)整方法是將時間調整和距離測量結合起來的一種非線性規(guī)整技術，能夠對數據長度不一致、存在局部變形等情況的兩個模式進行匹配，將測試序列a和模板序列b在時間軸上進行一定程度的局部拉伸或壓縮，使a和b能夠很好地匹配，從而找到a與b對應點的映射，計算對應點的距離；動態(tài)時間規(guī)整算法的重點是計算距離累加和矩陣r，其中r(i,j)表示a(1:i)和b(1:j)在當前長度下的最優(yōu)匹配路徑下的距離平方的累加和：

為了消除模板的特殊性，取試驗方案對應的所有試驗數據預處理后的均值作為模板，既弱化了不同車型帶來的試驗數據差異，又減少了不同駕駛員帶來的試驗數據差異；

使用過程中，將上述試驗方案對應的所有試驗數據預處理后的均值存儲起來，作為模板，將未知類別的物理量經過預處理、特征物理量選擇與模板中的特征物理量進行模式匹配，相似度最大、即距離累加和矩陣最小的即為待識別樣本的類別；

b2.基于神經網絡方法的試驗方案識別建立方法

神經網絡采用梯度搜索技術使網絡的實際輸出值與期望輸出值之間的誤差均方值達到最小，學習過程由信號正向傳播與誤差方向傳播兩個過程組成，信號正向傳播時，輸入樣本從輸入層傳入，經隱含層處理后，傳遞至輸出層，若輸出層的實際輸出值與期望的輸出值相差較大，則轉入誤差反向傳播階段，信號正向傳播和誤差反向傳播的各層連接權值和節(jié)點閾值修正過程是周而復始地進行，權值不斷修正的過程，就是網絡的學習過程，此過程一直進行，直到網絡輸出的誤差減少到可接受的程度或者達到預先設定的學習次數為止；

基于神經網絡方法的操縱穩(wěn)定性試驗方案識別模型：不同試驗方案的特征物理量的個數和信號存在差異，因此為每個試驗方案建立一個神經網絡模型，神經網絡的輸入層為特征物理量；中間層為隱層，采用12個節(jié)點；輸出層為試驗方案類別，神經網絡主要訓練參數為：最大訓練次數為1000次、訓練目標最小誤差為0.0001、學習速率為0.01，將上述操縱穩(wěn)定性試驗數據庫經過神經網絡訓練后，將神經網絡模型參數存儲起來；使用時，將未知類別的物理量經過預處理，選擇相應特征物理量遍歷所有的神經網絡模型，模型輸出的類別與預設類別誤差最小的即為該樣本的類別。

本發(fā)明對汽車操縱穩(wěn)定性試驗以及試驗評價的發(fā)展有重要意義，首先大幅提升試驗效率，降低試驗費用；使汽車操縱穩(wěn)定性試驗評價向自動化、智能化、快速化、客觀化方向發(fā)展，為縮短試驗周期、加快汽車開發(fā)進程提供技術支撐；其次，客觀監(jiān)管汽車試驗，及時評判汽車操縱穩(wěn)定性試驗的有效性，剔除無效試驗數據，實現基于有效試驗數據的車輛性能評價，提高試驗評價結果的一致性和可信度。

附圖說明

圖1是本發(fā)明實施例模型計算流程圖；

圖2是試驗數據預處理1模塊包含的子模塊；

圖3是剔除野值模塊的效果對比圖；

圖4是低通濾波模塊的效果對比圖；

圖5是gps坐標變換模塊的流程示意圖；

圖6是數據插值模塊的效果實施例圖；

圖7是數據標準化模塊的效果對比圖；

圖8是試驗方案識別模塊采用動態(tài)時間規(guī)整方法的示意圖；

圖9是試驗方案識別模塊采用神經網路方法的學習過程流程圖；

圖10是試驗方案識別模塊采用動態(tài)時間規(guī)整方法的識別結果圖；

圖11是試驗方案識別模塊采用神經網絡方法的識別結果圖。

具體實施方式

下面結合附圖和實施例，對本發(fā)明的具體實施方式作進一步詳細描述。本發(fā)明的實施例為示例性的，僅用于解釋本發(fā)明，不能理解為對本發(fā)明的限制。

下面參考附圖描述汽車操縱穩(wěn)定性試驗快速評價系統(tǒng)建立方法。

汽車操縱穩(wěn)定性試驗快速評價系統(tǒng)建立方法，包括操縱穩(wěn)定性試驗數據庫建立、特征物理量選擇方法、試驗數據預處理1方法、試驗方案識別模型建立、試驗數據預處理2方法、試驗工況識別方法、試驗有效性檢驗方法和試驗評價，見圖1為本發(fā)明實施例模型計算流程圖；

所述建立汽車操縱穩(wěn)定性快速評價系統(tǒng)的步驟具體為：

(一)汽車操縱穩(wěn)定性試驗數據庫建立：獲得大量操縱穩(wěn)定性試驗數據，為后期試驗方案識別模型的建立奠定基礎，本發(fā)明涉及的操縱穩(wěn)定性試驗方案包括gb/t6323-2014和iso國際標準中的蛇形試驗、轉向盤轉角階躍試驗、轉向盤轉角脈沖試驗、雙移線試驗、穩(wěn)態(tài)回轉試驗、轉向輕便性試驗、單正弦試驗、掃頻試驗、轉彎制動試驗、轉彎中斷動力試驗、中心區(qū)-穿行試驗、中心區(qū)-斜坡試驗、轉向釋放開環(huán)試驗、轉向脈沖回正試驗、原地轉向試驗。需要獲得操縱穩(wěn)定性試驗方案的大量試驗數據，但實車試驗周期長、成本高，實施起來比較困難，所以本發(fā)明中操縱穩(wěn)定性試驗數據庫的試驗數據來源：carsim仿真環(huán)境下18款車型的仿真試驗數據和課題組積累的8款車型的實車場地試驗數據。車型覆蓋a級車到e級車，充分考慮了不同車型、不同駕駛員帶來的試驗數據的差異。大量試驗數據的獲取為后續(xù)研究奠定了基礎。

(二)特征物理量選擇方法：為實現汽車操縱穩(wěn)定性試驗方案識別，需要確定后期識別所需的物理量，從駕駛員輸入和車輛響應信號中選擇最能表征試驗方案主特征且能將該試驗方案與其它試驗方案區(qū)別開來的物理量，即為特征物理量選擇。特征物理量選擇中，通過系統(tǒng)分析、深入研究操縱穩(wěn)定性試驗方法，確定每種試驗方案的特征物理量，為后期的試驗方案識別奠定基礎。由于本發(fā)明涉及的操縱穩(wěn)定性試驗方案眾多，因此本發(fā)明僅以蛇形試驗和轉向盤轉角脈沖試驗為例對其特征物理量選擇進行詳細說明。

蛇形試驗特征物理量選擇：蛇形試驗是軌跡跟蹤閉環(huán)試驗，駕駛員需持續(xù)不斷地觀察前方目標路徑，基于觀察到的路徑信息，做出判斷并進行適當的轉向操縱。相同工況下，不同車型為了穩(wěn)定地穿越蛇形樁所需施加的轉向盤轉角不同，車輛的側向加速度、橫擺角速度等響應也不同；作為一個閉環(huán)試驗，車輛能穩(wěn)定穿越蛇形樁視為試驗成功，因此最能表征蛇形試驗的特征物理量是車輛的軌跡信號：車輛的縱向位置和側向位置；蛇形試驗是定車速試驗，因此，選擇車輛側向位置作為蛇形試驗的特征物理量；

轉向盤轉角階躍試驗特征物理量選擇：轉向盤轉角階躍試驗是開環(huán)試驗，需要車輛在具有一定規(guī)律的轉向盤轉角操作下運動，描述車輛側向瞬態(tài)響應特性；該試驗為定車速試驗，因此特征物理量只需考慮駕駛員轉向輸入和車輛的側向運動特性；轉向盤轉角階躍試驗獨特的物理量有轉向盤轉角、側向加速度、橫擺角速度等，iso推薦的最大轉向盤轉角應該使側向加速度達到4m/s²或者稍??；相同車速下，不同車型為了使側向加速度達到4m/s²，需要施加不同的轉向盤轉角，致使汽車的橫擺角速度響應也不同，但是后期經過數據標準化處理后，會消除物理量幅值的影響；在眾多物理量中，轉向盤轉角信號的噪聲最小。因此，選擇轉向盤轉角作為該試驗的特征物理量；

通過深入分析、系統(tǒng)研究汽車操縱穩(wěn)定性試驗方案，確定每個試驗方案的特征物理量。本發(fā)明涉及的操縱穩(wěn)定性試驗方案特征物理量分別為：蛇形試驗的特征物理量是車輛側向位置；轉向盤轉角脈沖試驗的特征物理量是轉向盤轉角；轉向盤轉角階躍試驗的特征物理量是轉向盤轉角；雙移線試驗的特征物理量是車輛側向位置；轉向輕便性試驗的特征物理量是車輛軌跡；穩(wěn)態(tài)回轉-定半徑的特征物理量是縱向車速和側向加速度；穩(wěn)態(tài)回轉-定轉角的特征物理量是轉向盤轉角和縱向車速；穩(wěn)態(tài)回轉-定車速的特征物理量是轉向盤轉角和縱向車速；單正弦試驗的特征物理量是轉向盤轉角；掃頻試驗的特征物理量是轉向盤轉角；中心區(qū)-穿行試驗的特征物理量是轉向盤轉角；中心區(qū)-斜坡試驗的特征物理量是轉向盤轉角；轉向釋放開環(huán)試驗的特征物理量是轉向盤力矩；轉向脈沖回正試驗的特征物理量是轉向盤力矩；轉彎制動試驗的特征物理量是轉向盤轉角和縱向車速；轉彎中斷動力試驗的特征物理量是轉向盤轉角和縱向車速；原地轉向試驗的特征物理量是轉向盤轉角；

(三)試驗數據預處理1：

實車采集的數據存在大量野值和噪聲，在實際使用時應對其進行試驗數據預處理；而且本發(fā)明的汽車操縱穩(wěn)定性試驗快速評價系統(tǒng)建立的思路為先識別試驗方案再識別試驗工況，因此需要對同一試驗方案下的所有試驗工況數據進行數據插值和數據標準化，使不同工況下的試驗數據具有相同的長度和相同的變化趨勢、量級，即可以先進行試驗方案的識別，增加識別準確率，降低識別時間。因此試驗數據預處理1見圖2所示，預處理過程如下：

a1.剔除野值：在數據采集過程中，由于受環(huán)境雜波、傳感器工作狀態(tài)等因素影響，數據中經常存在一些野值。野值的存在對后期數據處理工作會產生十分不利的影響，易造成數據突變、濾波發(fā)散等問題。野值的判斷和剔除是數據預處理的重要環(huán)節(jié)，它對后續(xù)數據處理的精度和穩(wěn)定性有重要的意義。因此本發(fā)明采用中值濾波方法有效剔除野值。中值濾波的基本原理是對窗內的數據重新排序，將位于窗內中心點的數據作為中值濾波的輸出。本發(fā)明的試驗數據采樣間隔為1ms，兼顧到剔除野值效果和數據失真程度，選擇中值濾波窗長度為50。見圖3所示，為轉向盤轉角階躍試驗側向加速度中值濾波前后結果對比圖。

a2.低通濾波：數據采集過程中，不可避免的滲入一些高頻噪聲信號，為了盡量避免高頻噪聲信號對數據可靠性的影響，通常采用數字濾波技術，濾除數據中混雜的噪聲信號，提高數據的精度和可靠性，使試驗數據更具有代表性。因此本發(fā)明采用3hz低通濾波器減小信號中的高頻噪聲。見圖4所示，為轉向盤轉角階躍試驗側向加速度中值濾波后和低通濾波后的結果對比圖。

a3.坐標變換：汽車操縱穩(wěn)定性試驗方案特征物理量研究中，有些試驗方案的特征物理量是車輛軌跡信號，實車試驗數據的車輛軌跡信號是通過gps導航定位技術測量得到的，車輛的位置信號是在gps坐標系下表示，實際使用過程需要對車輛位置信息進行坐標變換，為將車輛位置信息轉換到位置表示坐標系下，其中gps采集的車輛位置信息需要經過三次坐標變換，gps采集的經度、維度和高程信息表示在wgs-84坐標系下，首先將gps采集的經度、維度和高程信息轉換到地心地固坐標系下；其次，將車輛位置在地心地固坐標系下的表示轉換到當地水平坐標系下；最后，將車輛位置在當地水平坐標系下的表示轉換到位置表示坐標系下，見圖5為坐標變換流程圖，對坐標變換的三個過程如下：

a31.wgs-84坐標系向地心地固坐標系變換：

e²＝(a²-b²)/a²＝2f-f²

式中，xe、ye、ze為車輛位置在地心地固坐標系下的坐標表示；λ、h分別為車輛位置在wgs-84坐標系下的緯度、經度和高程；v為緯度處卯酉圈的曲率半徑；e為wgs-84橢球第一偏心率；a為wgs-84橢球模型長半軸，其值為6378137.0m；f為wgs-84橢球模型扁率，其值為0.003352810664；

a32.地心地固坐標系向當地水平坐標系變換

式中，cne為地心地固坐標系向當地水平坐標系變換的變換矩陣；x、y、z為車輛軌跡在當地水平坐標系的表示；△xe、△ye、△ze為車輛位置在地心地固坐標系下的坐標與當地水平坐標系下坐標原點的地心地固坐標之差變換至當地水平坐標系下的坐標差值；

a33.當地水平坐標系向位置表示坐標系變換

位置表示坐標系與汽車試驗起始點對應的車輛坐標系方向相同，而汽車操縱穩(wěn)定性試驗通常在水平路面上進行，車輛坐標系和當地水平坐標系的z軸始終同向。因此只需在x，y方向進行坐標變換：

式中，(xv，yv)為車輛位置在位置表示坐標系下表示；(xr,yr)為試驗車試驗起始點在當地水平坐標系中的位置；θ為當地水平坐標系和位置表示坐標系的方位差。

a4.數據插值：不同試驗方案采集的數據長度不一致，有些試驗采集的數據點個數少，有些試驗采集的數據點個數多。后期試驗方案識別模型的訓練樣本要求試驗數據具有相同的長度，因此對有效數據段進行線性插值處理?？紤]到數據精度和后續(xù)識別時間，選擇200個插值點。見圖6所示，為轉向盤轉角階躍試驗的不同工況對應的側向加速度插值圖。

a5.數據標準化：汽車操縱穩(wěn)定性試驗方案對應一種或多種試驗工況，不同試驗工況下，駕駛員輸入和車輛響應的幅值不同，但是試驗曲線具有相同的變化趨勢。為了快速識別試驗方案，需要對試驗數據進行標準化處理，消除不同試驗數據的幅值、均值、變異系數等帶來的影響，使特征物理量具有相同的量級和趨勢，而不同試驗方案通過特征物理量趨勢不同而在后續(xù)的試驗方案識別中被區(qū)分出來。采用的數據標準化方法如下；見圖7所示，為轉向盤轉角階躍試驗的不同工況對應的側向加速度插值后的數據標準化圖；

x′ik＝(xik-aver(xk))/(max(xk)-min(xk))

式中，x′ik為標準化后的數據；xik為觀察值；aver(xk)為觀察值的平均值；min(xk)為觀察值的最小值；max(xk)為觀察值的最大值。

(四)試驗方案識別：經試驗數據預處理后，同一試驗方案的不同試驗工況的特征物理量具有相同的量級和趨勢，不同試驗方案的特征物理量具有不同的趨勢，基于此來建立試驗方案識別模型；本發(fā)明分別采用動態(tài)時間規(guī)整方法(dtw)和神經網絡方法對試驗方案進行識別，考慮到同一試驗方案向左轉向和向右轉向試驗數據的趨勢相反，將其視為兩種試驗方案。

b1.基于動態(tài)時間規(guī)整方法的試驗方案識別建立方法

動態(tài)時間規(guī)整方法是將時間調整和距離測量結合起來的一種非線性規(guī)整技術，能夠對數據長度不一致、存在局部變形等情況的兩個模式進行匹配，將測試序列a和模板序列b在時間軸上進行一定程度的局部拉伸或壓縮，使a和b能夠很好地匹配，從而找到a與b對應點的映射，計算對應點的距離，見圖8所示。動態(tài)時間規(guī)整算法的重點是計算距離累加和矩陣r，其中r(i,j)表示a(1:i)和b(1:j)在當前長度下的最優(yōu)匹配路徑下的距離平方的累加和：

本發(fā)明的試驗數據覆蓋不同的工況、車型和駕駛員，為了消除模板的特殊性，取試驗方案對應的所有試驗數據預處理后的均值作為模板，既弱化了不同車型帶來的試驗數據差異，又減少了不同駕駛員帶來的試驗數據差異。

實際使用過程中，需要將上述試驗方案對應的所有試驗數據預處理后的均值存儲起來，作為模板。將未知類別的物理量經過預處理、特征物理量選擇與模板中的特征物理量進行模式匹配，相似度最大(即距離累加和矩陣最小)的即為待識別樣本的類別。

b2.基于神經網絡方法的試驗方案識別建立方法

神經網絡方法的基本思路是最小二乘學習算法，它采用梯度搜索技術使網絡的實際輸出值與期望輸出值之間的誤差均方值達到最小。學習過程由信號正向傳播與誤差方向傳播兩個過程組成。信號正向傳播時，輸入樣本從輸入層傳入，經隱含層處理后，傳遞至輸出層。若輸出層的實際輸出值與期望的輸出值相差較大，則轉入誤差反向傳播階段。信號正向傳播和誤差反向傳播的各層連接權值和節(jié)點閾值修正過程是周而復始地進行。權值不斷修正的過程，也就是網絡的學習過程。此過程一直進行，直到網絡輸出的誤差減少到可接受的程度或者達到預先設定的學習次數為止，見圖9所示。

基于神經網絡方法的操縱穩(wěn)定性試驗方案識別模型：不同試驗方案的特征物理量的個數和信號存在差異，因此為每個試驗方案建立一個神經網絡模型。神經網絡的輸入層為特征物理量；中間層為隱層，采用12個節(jié)點；輸出層為試驗方案類別。神經網絡主要訓練參數為：最大訓練次數為1000次、訓練目標最小誤差為0.0001、學習速率為0.01。將上述操縱穩(wěn)定性試驗數據庫經過神經網絡訓練后，將神經網絡模型參數存儲起來。實際使用時，將未知類別的物理量經過預處理，選擇相應特征物理量遍歷所有的神經網絡模型，模型輸出的類別與預設類別誤差最小的即為該樣本的類別。

試驗方案識別結果及對比分析：每一種試驗方案測試樣本選擇10個，共260個測試樣本，分別對基于dtw方法的試驗方案識別模型和基于神經網絡方法的試驗方案識別模型進行驗證和對比分析。見圖10和圖11所示，分別為基于dtw方法的試驗方案識別模型驗證結果和基于神經網絡方法的試驗方案識別模型驗證結果。見表1為兩種方法建立的試驗方案識別模型的驗證結果及對比。神經網絡模型的識別正確率為96.1538％，平均識別時間為0.47秒；基于dtw的試驗方案識別正確率為95.0％，平均識別時間為5.38秒；由此可知，神經網絡模型在識別精度和識別時間上具有明顯的優(yōu)勢，而神經網絡模型的研究初衷便是模擬人工智能，與駕駛員的識別行為比較接近，所以本發(fā)明將采用該模型用于操縱穩(wěn)定性試驗方案識別。

表1試驗方案識別結果對比

(五)試驗數據預處理2：試驗數據預處理2包括剔除野值、低通濾波和坐標變換，采用的具體方法和試驗數據預處理1中的方法相同，在此不贅述。

(六)試驗工況識別：為了全面評價汽車操縱穩(wěn)定性，各個操縱穩(wěn)定性試驗標準規(guī)定了很多試驗方案；為了使試驗方案大范圍覆蓋操縱穩(wěn)定性的車速-側向加速度特性場，試驗方案又包含不同的試驗工況。所以在試驗方案識別后，需要進行試驗工況的識別。試驗方案對應的不同試驗工況的駕駛員輸入和汽車響應曲線具有相似的趨勢，只是試驗工況參數值存在差異，因此試驗工況識別的思路：根據試驗方案識別的結果和經過試驗數據預處理2處理后的車輛響應和駕駛員輸入計算試驗工況參數，然后將其歸類為與之最接近的試驗工況。

(七)試驗有效性檢驗：在已知試驗方案和試驗工況的基礎上，應對試驗數據進行有效性檢驗。本發(fā)明涉及的試驗有效性檢驗是參考gb或iso標準中規(guī)定的試驗參數的偏差限值進行檢驗，首先根據試驗工況識別結果和經過試驗數據預處理1處理后的車輛響應和駕駛員輸入計算gb或iso標準中規(guī)定的試驗參數，然后檢驗該參數是否在偏差范圍內，如果在偏差范圍內，則認為該試驗有效；否則無效。

(八)試驗評價：對于有效的試驗，應根據iso和gb標準中規(guī)定的評價指標計算方法快速計算評價指標對車輛的操縱穩(wěn)定性進行評價。根據試驗工況識別結果和經過試驗數據預處理1處理后的車輛響應和駕駛員輸入計算試驗評價指標，表2為本發(fā)明實施例的評價指標。

表2蛇形試驗評價指標