一、参数辨识问题的数学描述
1.1 辨识问题的一般形式
轮胎模型参数辨识属于系统辨识的逆问题：
已知：
- 输入数据：（侧偏角/滑移率，轮胎力）
- 模型结构：
求解：
- 参数向量：
1.2 目标函数
参数辨识的核心是最小化预测误差：
其中 为权重系数。
矩阵形式：
1.3 约束条件
参数辨识问题通常带有约束：
典型约束：
- 参数物理界限（刚度 > 0，摩擦系数 ）
- 参数间关系（）
二、线性模型的参数辨识
2.1 线性侧偏刚度辨识
对于线性模型 ，参数辨识为线性最小二乘问题：
解析解：
2.2 加权最小二乘
考虑测量噪声的非均匀性，采用加权最小二乘：
权重选择：
- 等权重：
- 信噪比权重：
- 重点区域权重：小侧偏角区域权重更高
三、非线性模型的参数辨识
3.1 魔术公式参数辨识
魔术公式模型：
待辨识参数：
3.2 非线性优化方法
3.2.1 高斯 - 牛顿法
迭代公式：
其中 为雅可比矩阵， 为残差向量。
3.2.2 Levenberg-Marquardt 算法
改进的迭代公式：
其中 为阻尼因子。
算法选择
- 高斯 - 牛顿法：收敛快，但可能发散
- LM 算法：鲁棒性强，自动在高斯 - 牛顿和梯度下降间切换
3.3 全局优化方法
对于多局部极值问题，采用全局优化：
| 方法 | 特点 | 适用场景 |
|---|---|---|
| 遗传算法 | 模拟进化，全局搜索 | 参数多、非凸 |
| 粒子群优化 | 群体智能 | 中等规模 |
| 贝叶斯优化 | 概率模型引导 | 高维、昂贵评估 |
四、参数可辨识性分析
4.1 可辨识性的定义
可辨识性指能否从实验数据唯一确定参数值。
4.2 局部可辨识性
参数 局部可辨识的充要条件：
其中 为参数个数。
4.3 魔术公式的可辨识性问题
魔术公式参数间存在强相关性：
| 参数对 | 相关性 |
|---|---|
| 高（都影响刚度） | |
| 中（形状与峰值） | |
| 中（峰值与曲率） |
过参数化风险
- 魔术公式 4 参数形式可能存在过参数化
- 建议固定 （典型值 1.3），辨识其余参数
五、实验设计与数据采集
5.1 实验类型
| 实验 | 目的 | 辨识参数 |
|---|---|---|
| 纯侧偏实验 | - 曲线 | |
| 纯纵滑实验 | - 曲线 | |
| 联合滑移实验 | 耦合特性 | 耦合系数 |
| 变载荷实验 | 载荷依赖性 | 载荷指数 |
5.2 数据预处理
graph LR A[原始数据] --> B[异常值剔除] B --> C[平滑滤波] C --> D[零点校正] D --> E[归一化] E --> F[参数辨识]
5.3 数据质量评估
| 指标 | 计算方法 | 合格标准 |
|---|---|---|
| 信噪比 | ||
| 覆盖度 | 侧偏角范围 | |
| 密度 | 数据点数量 | 点/曲线 |