買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉格陸博科技有限公司申請的專利基于深度學習的空氣懸架和ESC協調控制方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120335311B 。

龍圖騰網通過國家知識產權局官網在2025-08-22發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510796746.6，技術領域涉及：G05B13/04；該發明授權基于深度學習的空氣懸架和ESC協調控制方法及系統是由季鏵;周翔;余子祥;張莉莉設計研發完成，并于2025-06-16向國家知識產權局提交的專利申請。

本基于深度學習的空氣懸架和ESC協調控制方法及系統在說明書摘要公布了：本發明公開了基于深度學習的空氣懸架和ESC協調控制方法及系統，屬于汽車制動領域，包括以下步驟：S1、收集車輛行駛的歷史數據，并利用車輛動力學仿真軟件生成極端工況數據，構成訓練數據集；S2、構建雙分支融合控制模型，并訓練；S3、實時采集車輛狀態參數和路面條件數據；S4、對處理后的多源參數進行特征提取并融合后，輸入訓練完畢的雙分支融合控制模型，生成最優控制策略；S5、ESC執行最優控制策略，并采集執行后的車輛狀態數據，形成控制閉環。采用上述基于深度學習的空氣懸架和ESC協調控制方法及系統，結合深度學習和車輛動力學模型，能夠實時監測車輛運動狀態，并根據實時數據做出精準的操控，以避免潛在的失控情況。

本發明授權基于深度學習的空氣懸架和ESC協調控制方法及系統在權利要求書中公布了：1.基于深度學習的空氣懸架和ESC協調控制方法，其特征在于：包括以下步驟： S1、收集車輛行駛的歷史數據，并利用車輛動力學仿真軟件生成極端工況數據，構成訓練數據集； S2、以深度學習模型為基礎構建雙分支融合控制模型，同時定義空氣懸架和ESC執行器的控制目標，再利用訓練數據集訓練雙分支融合控制模型； 步驟S2所述的雙分支融合控制模型包括ESC控制子模型和空氣懸架控制子模型，且ESC控制子模型與空氣懸架控制子模型之間經總線通信，構成聯合觀測，表示空氣懸架控制子模型的狀態空間，表示ESC控制子模型的狀態空間； 其中，空氣懸架控制子模型的狀態空間，表示車身垂向加速度；表示空氣懸架動撓度；表示車身垂向位移；表示路面不平度頻譜；動作空間為懸架主動力或阻尼調節系數，且其動作值，表示陣列； ESC控制子模型的狀態空間，表示方向盤轉角；表示橫擺角速度，且；表示側向加速度；表示車輪滑移率；動作空間為制動力矩分配系數或穩定性控制扭矩，且其動作值； 設定ESC控制子模型的多目標加權損失函數如下： （2）； 式中，表示ESC控制子模型的總損失；、和均表示權重系數；表示安全性損失，其優化目標為最小化側滑角和橫擺角速度誤差；表示第一舒適性損失，其優化目標為在安全的前提下，通過懲罰制動壓力變化率平滑制動壓力變化，表示在時間段內的壓力變化值；表示合規性損失； 且最小化側滑角和橫擺角速度誤差的表達式如下： （3）； （4）； 式中，表示車速，表示軸距；表示參考橫擺角速度； 設定空氣懸架控制子模型的多目標加權損失函數如下： （5）； 式中，表示空氣懸架控制子模型總損失；表示第二舒適性損失，其優化目標為最小化車身垂向加速度和俯仰角速度的均方根值；表示踩空損失，其懲罰項為，表示車輪垂直方向的位移，表示路面垂直方向的位移；、和均表示權重系數；表示能耗損失； 且最小化車身垂向加速度和俯仰角速度的均方根值的表達式如下： （6）； 式中，表示第個樣本的車身垂向加速度；表示第個樣本的俯仰角速度；表示樣本數量； S3、多源參數采集：實時采集車輛狀態參數和路面條件數據，并進行數據清洗以及利用線性插值的時間對齊處理； S4、對處理后的多源參數進行特征提取并融合后，輸入訓練完畢的雙分支融合控制模型，生成最優控制策略； 步驟S4具體包括以下步驟： S41、特征提取：針對車輛狀態參數，利用LSTM或Transformer進行時序建模，提取車輛狀態時間序列特征； 針對路面條件數據，通過CNN網絡提取局部特征； S42、將車輛狀態時間序列特征和局部特征輸入Transformer，利用Transformer捕捉全局時序關聯； S421、設定由時間序列特征和局部特征構成的特征序列，分別表示特征序列中第時刻的特征，將輸入Transformer的特征序列線性變換為查詢矩陣、鍵矩陣和值矩陣： （8）； 式中，、和均表示注意力權重，且，表示模型維度；表示注意頭維度； S422、通過縮放點積注意力，動態分配注意力權重： （9）； S423、利用多頭注意力機制將多個注意力頭的結果拼接后進行線性變換： （10）； 式中，表示多頭注意力機制拼接并線性變換后的輸出結果；分別表示第個注意力頭的輸出結果，表示注意力頭數；表示輸出權重，且，表示值的維度； S43、特征融合：將經Transformer捕捉的全局時序關聯與車輛狀態時間序列特征、局部特征進行拼接，得到融合特征； S44、將融合特征輸入雙分支融合控制模型，生成最優控制策略； 步驟S44生成的最優控制策略包括懸架控制策略和ESC控制策略，其中，懸架控制策略包括車身高度控制策略和懸架剛度調整策略，車身高度控制策略表達式如下： （13）； 式中，表示駕駛模式，且，當時表示舒適模式，當時表示運動模式，當時表示越野模式；表示路面不平等等級；、、、、和均表示擬合系數；表示動態補償項，且，和分別表示質心處的橫向加速度和縱向加速度，和分別表示軸距和輪距，表示重力加速度； 懸架剛度調整策略表達式如下： （14）； 式中，表示調整后的懸架剛度；表示基礎剛度；和均表示經驗系數； ESC控制策略為調整制動力分配和扭矩，其中 制動力分配調整公式如下： （15）； 式中，表示前軸制動力；和均表示分配系數，且；表示總制動力；表示后軸制動力； 扭矩調整公式如下： （16）； 式中，表示傳遞到驅動輪的扭矩；表示通過調整節氣門開度來控制發動機的扭矩；表示傳動比；表示效率； S5、ESC執行最優控制策略，并采集執行后的車輛狀態數據，形成控制閉環。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人格陸博科技有限公司，其通訊地址為：226000 江蘇省南通市崇川區新安路33號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。