送审稿
在大范围运动过程中空气弹簧呈现非线性力学特性。本文利用深度神经网络(DNN)对非线性特性的表征能力，尝试建立带气包空气弹簧的机理-数据驱动融合模型，工作系统，对比分析结果也显示了所建立模型的有效性。
主要建议：
1. 所列参考文献很多，但引言部分的现状评介不够聚焦，难以清晰阐明本文工作的必要性与方法的创新性。对于一些关键论断，建议标明文献来源，以增强说服力。
2. 机理-数据驱动相结合而建立混合模型已是当前工程应用研究中的热点方法。建议针对研究对象的特征，结合流程图，更清晰展示本文的建模的思路与关键步骤。实际上，论文对物理模型的推导具体、完整，对于DNN模型构建的一般性介绍也颇为全面；但是对于二者的结合，陈述不够充分。
3. 集中阐明本文所采用的基本假设，比如：就空气弹簧而言，大振幅的数值范围或评判依据；“带气包空气弹簧与附加气室体积恒定型空气弹簧在结构上具有相似性”，具体指什么？
4. DNN训练和测试数据集的获得，是数据驱动模型有效性的关键。文中采用实物试验获取数据，并给出了所采用正弦波的幅值范围、频带与步长等参数。建议补充进一步的信息或思考，以回答如下的一些问题：1) 如何保证数据集的代表性？2) 试验用空气弹簧数量与状态等。
5. 图10(b)所示曲线较密，不容易看清楚。结果显示，混合模型误差似乎不小。图9(a)显示刚度误差分布并非典型的正态分布。
6. 一些打印错误，比如：小标题1.2.2与1.2.1完全相同，3.4与3.3也是如此；式(31)下面正文中符号有误。
