买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉格陆博科技有限公司申请的专利基于深度学习的空气悬架和ESC协调控制方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120335311B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510796746.6，技术领域涉及：G05B13/04；该发明授权基于深度学习的空气悬架和ESC协调控制方法及系统是由季铧;周翔;余子祥;张莉莉设计研发完成，并于2025-06-16向国家知识产权局提交的专利申请。

本基于深度学习的空气悬架和ESC协调控制方法及系统在说明书摘要公布了：本发明公开了基于深度学习的空气悬架和ESC协调控制方法及系统，属于汽车制动领域，包括以下步骤：S1、收集车辆行驶的历史数据，并利用车辆动力学仿真软件生成极端工况数据，构成训练数据集；S2、构建双分支融合控制模型，并训练；S3、实时采集车辆状态参数和路面条件数据；S4、对处理后的多源参数进行特征提取并融合后，输入训练完毕的双分支融合控制模型，生成最优控制策略；S5、ESC执行最优控制策略，并采集执行后的车辆状态数据，形成控制闭环。采用上述基于深度学习的空气悬架和ESC协调控制方法及系统，结合深度学习和车辆动力学模型，能够实时监测车辆运动状态，并根据实时数据做出精准的操控，以避免潜在的失控情况。

本发明授权基于深度学习的空气悬架和ESC协调控制方法及系统在权利要求书中公布了：1.基于深度学习的空气悬架和ESC协调控制方法，其特征在于：包括以下步骤： S1、收集车辆行驶的历史数据，并利用车辆动力学仿真软件生成极端工况数据，构成训练数据集； S2、以深度学习模型为基础构建双分支融合控制模型，同时定义空气悬架和ESC执行器的控制目标，再利用训练数据集训练双分支融合控制模型； 步骤S2所述的双分支融合控制模型包括ESC控制子模型和空气悬架控制子模型，且ESC控制子模型与空气悬架控制子模型之间经总线通信，构成联合观测，表示空气悬架控制子模型的状态空间，表示ESC控制子模型的状态空间； 其中，空气悬架控制子模型的状态空间，表示车身垂向加速度；表示空气悬架动挠度；表示车身垂向位移；表示路面不平度频谱；动作空间为悬架主动力或阻尼调节系数，且其动作值，表示阵列； ESC控制子模型的状态空间，表示方向盘转角；表示横摆角速度，且；表示侧向加速度；表示车轮滑移率；动作空间为制动力矩分配系数或稳定性控制扭矩，且其动作值； 设定ESC控制子模型的多目标加权损失函数如下： （2）； 式中，表示ESC控制子模型的总损失；、和均表示权重系数；表示安全性损失，其优化目标为最小化侧滑角和横摆角速度误差；表示第一舒适性损失，其优化目标为在安全的前提下，通过惩罚制动压力变化率平滑制动压力变化，表示在时间段内的压力变化值；表示合规性损失； 且最小化侧滑角和横摆角速度误差的表达式如下： （3）； （4）； 式中，表示车速，表示轴距；表示参考横摆角速度； 设定空气悬架控制子模型的多目标加权损失函数如下： （5）； 式中，表示空气悬架控制子模型总损失；表示第二舒适性损失，其优化目标为最小化车身垂向加速度和俯仰角速度的均方根值；表示踩空损失，其惩罚项为，表示车轮垂直方向的位移，表示路面垂直方向的位移；、和均表示权重系数；表示能耗损失； 且最小化车身垂向加速度和俯仰角速度的均方根值的表达式如下： （6）； 式中，表示第个样本的车身垂向加速度；表示第个样本的俯仰角速度；表示样本数量； S3、多源参数采集：实时采集车辆状态参数和路面条件数据，并进行数据清洗以及利用线性插值的时间对齐处理； S4、对处理后的多源参数进行特征提取并融合后，输入训练完毕的双分支融合控制模型，生成最优控制策略； 步骤S4具体包括以下步骤： S41、特征提取：针对车辆状态参数，利用LSTM或Transformer进行时序建模，提取车辆状态时间序列特征； 针对路面条件数据，通过CNN网络提取局部特征； S42、将车辆状态时间序列特征和局部特征输入Transformer，利用Transformer捕捉全局时序关联； S421、设定由时间序列特征和局部特征构成的特征序列，分别表示特征序列中第时刻的特征，将输入Transformer的特征序列线性变换为查询矩阵、键矩阵和值矩阵： （8）； 式中，、和均表示注意力权重，且，表示模型维度；表示注意头维度； S422、通过缩放点积注意力，动态分配注意力权重： （9）； S423、利用多头注意力机制将多个注意力头的结果拼接后进行线性变换： （10）； 式中，表示多头注意力机制拼接并线性变换后的输出结果；分别表示第个注意力头的输出结果，表示注意力头数；表示输出权重，且，表示值的维度； S43、特征融合：将经Transformer捕捉的全局时序关联与车辆状态时间序列特征、局部特征进行拼接，得到融合特征； S44、将融合特征输入双分支融合控制模型，生成最优控制策略； 步骤S44生成的最优控制策略包括悬架控制策略和ESC控制策略，其中，悬架控制策略包括车身高度控制策略和悬架刚度调整策略，车身高度控制策略表达式如下： （13）； 式中，表示驾驶模式，且，当时表示舒适模式，当时表示运动模式，当时表示越野模式；表示路面不平等等级；、、、、和均表示拟合系数；表示动态补偿项，且，和分别表示质心处的横向加速度和纵向加速度，和分别表示轴距和轮距，表示重力加速度； 悬架刚度调整策略表达式如下： （14）； 式中，表示调整后的悬架刚度；表示基础刚度；和均表示经验系数； ESC控制策略为调整制动力分配和扭矩，其中 制动力分配调整公式如下： （15）； 式中，表示前轴制动力；和均表示分配系数，且；表示总制动力；表示后轴制动力； 扭矩调整公式如下： （16）； 式中，表示传递到驱动轮的扭矩；表示通过调整节气门开度来控制发动机的扭矩；表示传动比；表示效率； S5、ESC执行最优控制策略，并采集执行后的车辆状态数据，形成控制闭环。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人格陆博科技有限公司，其通讯地址为：226000 江苏省南通市崇川区新安路33号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。