劉宏飛 徐強 許洪國 包翠竹 王郭俊

摘 要：針對既有車輛失穩(wěn)判定方法存在的不足，開展了車輛橫向穩(wěn)定性關(guān)于模式識別的研究，提出了一種基于K均值聚類分析的車輛橫向穩(wěn)定性判別方法.利用CarSim建立整車動力學(xué)模型，采用K均值聚類算法對車輛行駛狀態(tài)數(shù)據(jù)進行離線聚類分析，得到離線聚類質(zhì)心及其危險等級.搭建CarSim與Simulink聯(lián)合仿真平臺，計算車輛實時行駛數(shù)據(jù)點與離線聚類質(zhì)心之間的歐氏距離，設(shè)計了車輛橫向穩(wěn)定性判定指標(biāo)，對車輛行駛穩(wěn)定性進行了在線識別.該判定方法充分利用車輛離線數(shù)據(jù)和實時數(shù)據(jù)，對車輛行駛狀態(tài)數(shù)據(jù)進行數(shù)據(jù)挖掘.仿真結(jié)果表明，該判定方法能夠準(zhǔn)確實時量化車輛的行駛穩(wěn)定性，為控制系統(tǒng)的介入時機與程度提供判據(jù).

關(guān)鍵詞：無監(jiān)督學(xué)習(xí)；車輛工程；車輛穩(wěn)定性辨識；K均值聚類算法；離線聚類；在線識別

中圖分類號：U461.6 文獻標(biāo)志碼：A

Abstract：As for the shortcomings of the existing methods of vehicle instability determination， the study on pattern recognition of vehicle running stability was carried out， and a new method of judging the vehicle lateral stability based on K means clustering algorithm was proposed. The vehicle dynamics model was established by CarSim， and the offline clustering centers and its danger level were obtained by offline clustering analysis of vehicle running state data through K means clustering algorithm. Then， the CarSim and Simulink cosimulation platform was built and Euclidean distance between data points and cluster centroids was also calculated. Vehicle running stability criterion in Simulink was designed， and the vehicle running stability online was identified. This identification method made full use of the comparison of offline data and real time data for data mining of the vehicle running data. The simulation results show that the method can accurately and realtimely quantify the vehicle's lateral stability considering various parameters， which can provide the criterion for intervention timing and degree of control system.

Key words：unsupervised learning；vehicle engineering；vehicle stability identification；Kmeans clustering algorithm；offline clustering；online identification

車輛穩(wěn)定性判據(jù)決定了車輛穩(wěn)定性控制系統(tǒng)的介入與退出時機，是車輛穩(wěn)定性控制的基礎(chǔ)[1].提高車輛行駛安全性、降低交通事故發(fā)生率已成為汽車界亟待解決的關(guān)鍵問題[2].其中，對車輛行駛穩(wěn)定性的判定與辨識是車輛穩(wěn)定性控制系統(tǒng)的基礎(chǔ).

余卓平等人[1]提出了雙線法與橫擺角速度法聯(lián)合的車輛穩(wěn)定性判定方法，協(xié)調(diào)對質(zhì)心側(cè)偏角和橫擺角速度的控制，并獲取穩(wěn)定性判據(jù)的相應(yīng)閾值數(shù)據(jù)庫，用于在控制過程中查表獲得車輛的穩(wěn)定區(qū)域邊界.熊璐等人[2]提出了在極限工況下，選取質(zhì)心側(cè)偏角質(zhì)心側(cè)偏角速度的相平面分析車輛行駛穩(wěn)定性，以此作為基于非線性車輛模型的穩(wěn)定性判據(jù).劉飛等人[3]提出改進的五特征值菱形穩(wěn)定區(qū)域劃分方法，根據(jù)相圖的變化規(guī)律選用了隨平衡點移動的菱形區(qū)域作為穩(wěn)定區(qū)域；通過大量仿真建立了全工況下穩(wěn)定區(qū)域特征值的查表數(shù)據(jù)庫.羅玉濤等人[4]建立了7自由度車輛動力學(xué)模型，根據(jù)相平面法設(shè)計了基于失穩(wěn)能量比的車輛穩(wěn)定性判斷公式.采用能量法推導(dǎo)了車輛失穩(wěn)動能與縱向運動動能方程式，基于相平面法提出了車輛穩(wěn)定性判據(jù)，以判斷車輛的行駛穩(wěn)定狀態(tài).石文等人[5]建立了3自由度非線性車輛動力學(xué)模型，通過對輪胎力非線性范圍內(nèi)車輛瞬態(tài)穩(wěn)定性變化過程的分析，研究了相空間軌線在非穩(wěn)定中心平衡點連續(xù)統(tǒng)鄰域內(nèi)的變化細(xì)節(jié)，分析了車輛臨界穩(wěn)定狀況與軌線變化細(xì)節(jié)之間的關(guān)系.

Verschuren[6]提出了使用赫爾維茨定理（Hurwitz Criterion）快速尋找車輛穩(wěn)定性臨界值.Sadri等人[7]提出了2個新的Lyapunov[8]函數(shù)，當(dāng)車輛勻速直線運動時，將李亞普諾夫直接法應(yīng)用于非線性車輛的橫向穩(wěn)定性分析.Dandach等人[9]提出了利用間隔分析方法計算并預(yù)測車輛穩(wěn)定域，通過輪胎載荷轉(zhuǎn)移率LTR、縱向滑移率和車輪側(cè)向滑移角給出了保證車輛安全的穩(wěn)定域的臨界值，并使用模擬數(shù)據(jù)進行了驗證.Chen等人[10]建立了4自由度車輛動力學(xué)模型，通過對固定速度下轉(zhuǎn)向特性的研究，分析了不同轉(zhuǎn)向盤轉(zhuǎn)角輸入下橫擺角速度和隨側(cè)傾角變化的根軌跡，進而分析、評價了車輛側(cè)傾穩(wěn)定性.Sun等人[11]建立了7自由度車輛動力學(xué)模型，使用輪胎垂直載荷轉(zhuǎn)移率來評價車輛側(cè)傾穩(wěn)定性，分析了車輛結(jié)構(gòu)參數(shù)和使用參數(shù)對車輛側(cè)傾穩(wěn)定性的影響.

目前常用的車輛穩(wěn)定性判定方法中，存在所建車輛模型不精確、對車輛的狀態(tài)參數(shù)考慮不全面、僅依靠部分車輛行駛狀態(tài)參數(shù)（如質(zhì)心側(cè)偏角或橫擺角速度）衡量車輛行駛穩(wěn)定性等問題.本文充分考慮了車輛行駛過程中的多項橫向穩(wěn)定性狀態(tài)參數(shù)，基于對車輛行駛狀態(tài)數(shù)據(jù)的挖掘分析，提出了一種車輛橫向穩(wěn)定性判據(jù)，即利用K均值聚類分析對車輛所處的危險程度進行等級劃分，旨在為車輛穩(wěn)定性控制策略的設(shè)計提供科學(xué)依據(jù).

1 構(gòu)建車輛模型

利用車輛仿真軟件CarSim建立車輛模型的過程如下.

1.1 選擇車輛類型

從CarSim的主要界面選定車輛模型“CClass，Hatchback，2012”，為掀背式兩廂轎車，車輛參數(shù)詳見表1.

1.2 設(shè)置車輛的輸入?yún)?shù)

本文仿真試驗條件為轉(zhuǎn)向盤180°斜階躍輸入，需設(shè)置車輛速度、轉(zhuǎn)向盤轉(zhuǎn)角及其變化規(guī)律，其他項目保持系統(tǒng)默認(rèn)即可，建立車輛縱向速度為40～120 km/h，步長為5的勻速行駛工況，每種速度下的仿真時間均為10 s.

1.3 設(shè)置車輛的輸出參數(shù)

2.2 離線聚類與分析

聚類是將數(shù)據(jù)劃分到不同類或簇的過程，使得同一個簇中的對象有很大的相似性，不同簇間的對象有很大的相異性.聚類分析是一種探索性的分析，屬于無監(jiān)督學(xué)習(xí)，在分類的過程中，不必事先給出一個分類的標(biāo)準(zhǔn)，K均值聚類能夠從樣本數(shù)據(jù)出發(fā)，自動進行分類[12].

聚類分析常用的指標(biāo)為“距離”和“相似系數(shù)”，假定研究對象均用所謂的“點”來表示，在聚類分析中，一般的規(guī)則是將“距離”較小的點或“相似系數(shù)”較大的點歸為同一類，反之歸為不同的類，聚類結(jié)果需要研究者進行主觀判斷和后續(xù)分析.

離線聚類的目的是通過對離線數(shù)據(jù)的聚類，得到離線聚類質(zhì)心.本文將車輛橫向穩(wěn)定性劃分為4個等級，即得到4個聚類質(zhì)心，每個聚類質(zhì)心代表一種橫向穩(wěn)定狀態(tài).4個危險等級所代表的含義如表2所示.

2.2.1 K均值離線聚類

K均值聚類算法是基于劃分法的聚類方法，也是最常用、最知名的聚類算法.K均值聚類方法過程如下：

1）根據(jù)需要確定聚類個數(shù)為4；

2）初始化聚類質(zhì)心，本文以等間距取點確定初始聚類質(zhì)心；

3）設(shè)置最大迭代步數(shù)Jmax =1 000；

4）設(shè)置質(zhì)心偏移量Δd=0.000 1；

5）點的分配，即根據(jù)每個對象與聚類質(zhì)心的歐氏距離，將每個對象分配給最相似的簇；

6）更新聚類質(zhì)心，即重新計算每個簇中對象的平均值點作為新的聚類質(zhì)心；

7）重復(fù)執(zhí)行第5）和第6）步，直到各個簇不再發(fā)生變化，即滿足3）或4）.

由離線轉(zhuǎn)向盤斜階躍輸入工況特點及圖2轉(zhuǎn)向盤轉(zhuǎn)角可知，（0 s，0.5 s）直線行駛狀態(tài)的危險等級對應(yīng)圖3中的狀態(tài)A；0.5 s時開始轉(zhuǎn)動轉(zhuǎn)向盤，

車輛開始產(chǎn)生橫向位移及擺動，車輛穩(wěn)定性降低，對應(yīng)圖3中的狀態(tài)C；由于離線數(shù)據(jù)為速度逐漸增大的斜階躍響應(yīng)，后續(xù)對應(yīng)的穩(wěn)定性逐漸降低，最后可

能會發(fā)生失穩(wěn)，因此，結(jié)合圖3可知，最安全的行駛狀態(tài)為A，最不穩(wěn)定的行駛狀態(tài)為B，次不穩(wěn)定的行駛狀態(tài)為D.綜上所述，車輛各行駛狀態(tài)的危險性由低到高排序為：A

由圖4可知，質(zhì)心偏移量Δd總體是隨著迭代步數(shù)的增加而減小，當(dāng)?shù)降?4步時，質(zhì)心偏移量Δd減小至零（達(dá)到設(shè)定質(zhì)心偏移量0.000 1），聚類結(jié)束.

表征車輛橫向穩(wěn)定性的狀態(tài)參數(shù)包括：側(cè)向速度v、質(zhì)心側(cè)偏角β、前軸輪胎垂直載荷轉(zhuǎn)移率LTR1，這些參數(shù)越大車輛行駛狀態(tài)越危險，據(jù)此對離線聚類結(jié)果進行危險等級的劃分，將危險等級由低到高排序為：A

3 在線識別

3.1 CarSim與 Simulink聯(lián)合仿真平臺的搭建

為了實時判斷車輛橫向穩(wěn)定性，在離線聚類得到聚類質(zhì)心的基礎(chǔ)上，搭建CarSim與Simulink聯(lián)合仿真平臺.本文將CarSim的輸出與Simulink的輸入相連接，對車輛行駛狀態(tài)在線識別，由于沒有對車輛進行控制，因此，本文搭建的聯(lián)合仿真平臺屬于開環(huán)系統(tǒng).

建立CarSim與Simulink聯(lián)合仿真平臺，在CarSim中選定車輛模型、設(shè)置仿真工況及輸出參數(shù)，再將車輛模型發(fā)送到Simulink，并根據(jù)需要建立相應(yīng)的Simulink模型，即可進行在線聯(lián)合仿真.CarSim可以為Simulink提供在線聚類所需的車輛狀態(tài)參數(shù)，包括由傳感器直接測量的參數(shù)和經(jīng)過Simulink運算得到的間接參數(shù)如LTR1和LTR2；在線識別根據(jù)在線聯(lián)合仿真輸出數(shù)據(jù)與聚類質(zhì)心的歐氏距離判定車輛橫向穩(wěn)定性，輸出車輛行駛狀態(tài)的危險等級，其過程原理如圖5所示.

3.2 在線識別結(jié)果分析

在線識別的仿真工況為車速77.5 km/h的轉(zhuǎn)向盤斜階躍輸入，聯(lián)合仿真得到的車輛實時行駛狀態(tài)數(shù)據(jù)點與聚類質(zhì)心的歐氏距離如圖6所示，相應(yīng)的危險等級如圖7所示.

圖6中點線Ed1表示車輛實時行駛狀態(tài)數(shù)據(jù)與第1危險等級聚類質(zhì)心之間的歐氏距離，虛線Ed2表示車輛實時行駛數(shù)據(jù)與第2危險等級聚類質(zhì)心之間的歐氏距離，點畫線Ed3表示車輛實時行駛數(shù)據(jù)與第3危險等級之間的歐氏距離，實線Ed4表示車輛實時行駛數(shù)據(jù)與第4危險等級聚類質(zhì)心之間的歐氏距離.

由圖2可知，在轉(zhuǎn)向盤斜階躍輸入下的（0 s，0.5 s）屬于直線行駛，車輛處于穩(wěn)定狀態(tài)，對應(yīng)圖6中車輛行駛狀態(tài)參數(shù)與各聚類質(zhì)心的歐氏距離處于穩(wěn)定階段，此時車輛行駛狀態(tài)數(shù)據(jù)與第1危險等級聚類質(zhì)心的歐氏距離最小，車輛行駛狀態(tài)屬于第1危險等級（見圖7）；0.5 s時開始勻速轉(zhuǎn)動轉(zhuǎn)向盤，1.5 s轉(zhuǎn)角達(dá)到180°，此后維持該轉(zhuǎn)角不變，車輛實時行駛狀態(tài)數(shù)據(jù)與離線聚類質(zhì)心之間的歐氏距離處于波動狀態(tài)，車輛行駛穩(wěn)定性下降；由圖7可知，在1.065 s時車輛行駛狀態(tài)由第1危險等級（安全狀態(tài)）直接上升到第3危險等級（典型潛在危險），安全性降低，后續(xù)一直處于第3危險等級.

為了探究車輛在轉(zhuǎn)向盤斜階躍輸入下車輛危險等級隨車速和時間的響應(yīng)規(guī)律，通過多組工況下的聯(lián)合仿真試驗，從中選擇了具有代表性的幾組數(shù)據(jù)進行繪圖說明.圖8為某速度區(qū)間內(nèi)危險等級的變化趨勢圖，圖8中每條線代表忽略響應(yīng)時間的同一危險等級變化的多條線束.當(dāng)速度為40～60 km/h時，車輛由第1危險等級變到第2危險等級；當(dāng)速度為67～90 km/h時，車輛由第1危險等級突變到第3危險等級；當(dāng)速度為95～120 km/h時，車輛由第1危險等級突變到第4危險等級.由此可知，車輛在轉(zhuǎn)向盤斜階躍輸入下危險等級的響應(yīng)會出現(xiàn)跳躍式的突變，且速度越高跳躍幅度越大.

圖8中，3個速度區(qū)間的危險等級各變化了1次，都沒有產(chǎn)生波動.其他速度區(qū)間60～67 km/h和90～95 km/h危險等級的變化分別選取速度為63、65、92和92.5 km/h進行分析，其危險等級變化趨勢如圖9所示.速度為63 km/h的危險等級變化趨勢為1→2→3→2，在第2和第3危險等級之間產(chǎn)生了波動；速度為65 km/h的危險等級變化趨勢為1→2→3，未產(chǎn)生波動；速度為92 km/h的危險等級變化趨勢為1→3→4→3，在第3和第4危險等級之間產(chǎn)生了波動；速度為92.5 km/h的危險等級變化趨勢為1→3→4，未產(chǎn)生波動.

由圖9可知，通過危險等級跳躍點的位置，可探究車輛在不同速度下危險等級變化趨勢的時間響應(yīng)規(guī)律.當(dāng)危險等級變化趨勢為2→3時，速度為92.5 km/h和92 km/h的響應(yīng)時間要明顯早于速度為65 km/h和63 km/h的響應(yīng)時間，速度為65 km/h的響應(yīng)時間要早于速度為63 km/h的響應(yīng)時間；當(dāng)危險等級變化趨勢為3→4時，速度為92.5 km/h的響應(yīng)時間早于速度為92 km/h的響應(yīng)時間.由此可得，在相同轉(zhuǎn)向盤斜階躍輸入下，隨著速度的逐步增大，車輛橫向穩(wěn)定狀態(tài)發(fā)生變化所需的響應(yīng)時間逐漸變短.

4 結(jié) 論

針對車輛操縱穩(wěn)定性控制系統(tǒng)中車輛的橫向失穩(wěn)判據(jù)進行了詳細(xì)研究，使用K均值聚類分析方法對車輛行駛狀態(tài)離線數(shù)據(jù)進行離線聚類，得到離線聚類質(zhì)心及其危險等級；結(jié)合車輛行駛狀態(tài)數(shù)據(jù)與聚類質(zhì)心的歐氏距離設(shè)計了車輛實時穩(wěn)定性判斷準(zhǔn)則，搭建了CarSim與Simulink聯(lián)合仿真平臺，對車輛轉(zhuǎn)向盤斜階躍輸入工況的車輛橫向穩(wěn)定性進行在線識別.結(jié)果表明，該判定準(zhǔn)則能夠根據(jù)車輛行駛狀態(tài)參數(shù)將車輛橫向穩(wěn)定性分為4個等級，且劃分的結(jié)果與實際車輛危險情況一致，該判定準(zhǔn)則為后續(xù)控制系統(tǒng)的介入時機與程度提供理論依據(jù).

后續(xù)需要進一步研究K均值聚類分析對不同車輛和不同工況的普適性，并進行相應(yīng)的實車試驗.

參考文獻

[1] 余卓平，冷搏，熊璐，等.雙線法與橫擺角速度法聯(lián)合的車輛穩(wěn)定性判據(jù)[J].同濟大學(xué)學(xué)報（自然科學(xué)版），2015，43（12）：1841-1849.

YU Z P，LENG B，XIONG L，et al.Vehicle sideslip angle and yaw rate joint criterion for vehicle stability control [J].Journal of Tongji University（Natural Science），2015，43（12）：1841-1849.（In Chinese）

[2] 熊璐，曲彤，馮源，等.極限工況下車輛行駛的穩(wěn)定性判據(jù)[J].機械工程學(xué)報，2015，51（10）：103-111.

XIONG L，QU T，F(xiàn)ENG Y，et al.Stability criterion for the vehicle under critical driving situation[J].Journal of Mechanical Engineering，2015，51（10）：103-111.（In Chinese）

[3] 劉飛，熊璐，鄧律華，等.基于相平面法的車輛行駛穩(wěn)定性判定方法[J].華南理工大學(xué)學(xué)報（自然科學(xué)版），2014，42（11）：63-70.

LIU F，XIONG L，DENG L H，et al.Judgment method of vehicle driving stability based on phase plane method [J].Journal of South China University of Technology（Natural Science Edition），2014，42（11）： 63-70.（In Chinese）

[4] 羅玉濤，來恩銘.基于能量法的車輛穩(wěn)定性判斷研究[J].汽車工程，2014（12）：1534-1538.

LUO Y T，LAI E M.A research on vehicle stability judgment based on energy method [J].Automotive Engineering，2014（12）：1534-1538.（In Chinese）

[5] 石文，余卓平，熊璐.車輛臨界穩(wěn)定情況下相關(guān)狀態(tài)變量變化對穩(wěn)定性判定準(zhǔn)則的影響[J].汽車工程，2014（12）：1520-1527.

SHI W，YU Z P，XIONG L.The influence of state variables variation on vehicle stability criteria under critical stable condition[J].Automotive Engineering，2014（12）：1520-1527.（In Chinese）

[6] VERSCHUREN R M A F.Analysis of the lateral dynamic behaviour of articulated commercial vehicles[J].Vehicle System Dynamics，2012，50（Sup1）：169-189.

[7] SADRI S，WU C Q.Lateral stability analysis of onroad vehicles using Lyapunov's direct method[C]//Intelligent Vehicles Symposium.Alcala de Henares.Spain：IEEE，2012：821-826.

[8] SADRI S，WU C Q.Lateral stability analysis of onroad vehicles using the concept of Lyapunov exponents[C]//Intelligent Vehicles Symposium.Alcala de Henares，Spain：IEEE，2012：450-455.

[9] DANDACH H，MIRAS J D，CHARARA A.Approximation of the vehicle stability domain using interval analysis[C]//International IEEE Conference on Intelligent Transportation Systems. Hague，Netherlands：IEEE，2013：91-98.

[10]CHEN X X，ZENG S H.Vehicle roll stability analysis based on root locus[C]//International Conference on Intelligent Transportation，Big Data and Smart City.Halong Bay，Vietnam：IEEE，2015：977-980.

[11]SUN C，SONG S，LIU Z.Vehicle roll stability analysis considering lateralload transfer rate[C]//International Conference on Transportation Information and Safety.Wuhan：IEEE，2015：398-402.

[12]楊燕，張昭濤.基于閾值和蟻群算法結(jié)合的聚類方法[J].西南交通大學(xué)學(xué)報，2006，41（6）：719-722.

YANG Y，ZHANG Z T.Clustering method combining threshold algorithm with antcolony algorithm[J].Journal of Southwest Jiaotong University，2006，41（6）：719-722.（In Chinese）