Súrlódási tényező becslése gumikerék memóriahatása alapján
A járművek precíz mozgásszabályozásához elengedhetetlen a kerék-talaj kapcsolat súrlódási viszonyainak ismerete. A súrlódási viszonyok azonban időben nem állandóak a mozgás során, így azok azonosítása bonyolult feladat [1]. Mivel a kormányzott gumikerék érintkezési tartományában fellépő önbeálló nyomaték szoros kapcsolatban van a kerék-talaj kapcsolatot jellemző súrlódási tényezőkkel, így kézenfekvő lehetőségként adódik, hogy a kormányzási nyomaték mérése által következtessünk a súrlódási együttható értékeire. A dolgozat a kerék-talaj kapcsolatban lejátszódó dinamikai folyamatok elemzését tűzi ki célul.
A vizsgálatainkhoz a gumikerék ún. kefe modelljét alkalmaztuk [2], amely egy elterjedt egyszerűsített, analitikusan kezelhető bonyolultságú modell a gumikerék-talaj kapcsolat leírására. A kefe modell alapján a dolgozatban kidolgozásra kerül egy számítási eljárás a súrlódási együttható becslésére. Az eljárásban felhasználtuk a kerék-talaj kapcsolatot jellemző memória-hatást, melynek segítségével a gumikerék laterális deformációja egyszerűsített módon írható le [3].
A kidolgozott becslő eljárás alkalmazása mellett a jelenleg nagy népszerűségnek örvendő gépi tanulási módszerek használhatóságát is vizsgáltuk. A gépi tanulási módszerek rendkívül sok területen megjelennek az életünkben, például a nagy szociális média felületek ajánló algoritmusaiban vagy az autonóm járművek szabályozásaiban is találkozhatunk velük. Az imént említett példák összetett algoritmusaihoz képest a dolgozatban egy egyszerű neurális hálózatot betanítva teszteltük, hogy mennyire alkalmas a súrlódási együttható becslésére.
A klasszikus gépi tanulási algoritmusok mellett külön figyelmet fordítottunk a tudományos gépi tanulás (scientific machine learning, SciML [4]) viszonylag új kutatási területre. A metódus alapja, hogy a mérési adatokon alapuló gépi tanulás mellett, ismert, tudományosan megalapozott mechanikai összefüggéseket, egyenleteket is figyelembe vegyen az algoritmus, így növelve a becslés pontosságát. A dolgozatban a súrlódási együtthatóra felírt nemlineáris egyenletet kiegészítve gépi tanulással, azt teszteltük, hogy a nem modellezett jelenségekből, a numerikus eljárások pontatlanságából és a mérési zajból adódó hibákat sikerül-e a SciML módszerrel kompenzálni.
A dolgozatban a fentebb ismertetett becslő eljárások eredményeit hasonlítjuk össze különböző szempontok alapján (pontosság, futási idő, robusztusság, extrapolálás, stb.). Az eljárásokat szimulált adatsoron, valamint erre a célra készített kísérleti berendezésen végzett mérésekkel is teszteltük.
Irodalom:
1. Svendenius, J. (2007), Tire Modeling and Friction Estimation, PhD thesis, Department of Automatic Control.
2. Pacejka, H. B. (2006), Chapter 3 - theory of steady-state slip force and moment generation, in Tyre and Vehicle Dynamics, Butterworth-Heinemann, Oxford, pp. 90–155.
3. Beregi, S., Takacs, D., Gyebroszki, G. and Stepan, G. (2019), Theoretical and experimental study on the nonlinear dynamics of wheel-shimmy. Nonlinear Dyn 98, 2581–2593.
4. Beregi, S., Barton, D., Rezgui, D. and Neild, S. (2021), Using scientific machine learning for experimental bifurcation analysis of dynamic systems, Workingpaper.
szerző
-
Györök Bendegúz Máté
Mechatronikai mérnöki alapszak (BSc)
alapképzés (BA/BSc)
konzulens
-
Dr. Takács Dénes
egyetemi docens, Műszaki Mechanikai Tanszék
