Application of System Identification for Efficient Suspension Tuning in High-Performance Vehicles: Quarter-Car Study
Notice bibliographique
Résumé
<div class="htmlview paragraph">One popular complement to track testing that successful race teams use to better understand their vehicle's behavior is dynamic shaker rig testing. Compared to track testing, rig testing is more repeatable, costs less, and can be conducted around the clock. While rig testing certainly is an attractive option, an extensive number of tests may be required to find the best setup. To make better use of rig test time, more efficient testing methods are needed. One method to expedite rig testing is to use rig test data to generate a model of the experiment and then applying the model to identify potential gains for further rig study.</div> <div class="htmlview paragraph">This study develops the method at the quarter-car scale, using data from a quarter-car rig with a Penske 7300 shock absorber. The method is first validated using data generated from a known quarter-car model to assure the method can reproduce the original model behavior. Next, the method is applied to experimental data collected from an existing quarter-car rig. The results show that this method can be used to accurately predict sensor measurements during quarter-car rig tests for various actuator inputs and shock selections. Future work will apply the lessons learned from this study to develop a full car model using 8-post rig data.</div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».