曲彩悅

摘 要： 以輪轂液壓混合動力重型商用車作為研究對象，建立了3自由度側翻參考模型。在此基礎上設計了一種有效的汽車防側翻預警系統(tǒng)裝置，并完成了側翻指標觀測器以及相應控制策略的構建。據(jù)此確定側翻預警算法的指標，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡（GANN）后將其引入到傳統(tǒng)的TTR預警算法中，從而得到基于GANN-TTR的側翻預警算法，仿真測試結果表明這個側翻預警算法顯著提高了預警精度，同理想預警曲線基本吻合。

關鍵詞： 車輛側翻預警系統(tǒng); BP神經(jīng)網(wǎng)絡; 算法設計; 實現(xiàn)路徑

中圖分類號： U463.6 ? ? ?文獻標志碼： A

Abstract： This article considers the wheel hydraulic hybrid heavy-duty commercial vehicle. First， a 3 DOF rollover reference model is completed. A rollover indicator observer is established， and based on the model， a rollover warning algorithm is completed. The BP neural network is optimized using a genetic algorithm （GA）， and then the GANN is introduced into the traditional TTR warning algorithm to complete a new rollover. The establishment of an early warning algorithm is completed based on GANN-TTR. Simulation test results show that the rollover early warning algorithm proposed in this paper significantly improves the early warning accuracy. The curve obtained by the algorithm is basically consistent with the ideal early warning curve.

Key words： vehicle rollover early warning system; BP neural network; algorithm design; implementation path

0 引言

目前商用車輪轂液驅系統(tǒng)已經(jīng)成為包括中重型卡車在內(nèi)的商用車裝備的先進技術之一，具備集成度高、可適應不同工況、污染小、性價比高等優(yōu)點，但質心較高的重型車輛在快速行駛、緊急轉向的工況下發(fā)生側翻事故的幾率較大，為道路交通安全帶來較大的危害。由車輛側翻導致的交通事故通常會對車內(nèi)人員的生命財產(chǎn)安全帶來較大的威脅，如何實現(xiàn)車輛的主動防側翻控制系統(tǒng)仍然是領域內(nèi)的一項研究重點，側翻預警與控制則使實現(xiàn)車輛主動防側翻控制的關鍵所在，而側翻預警需基于實時準確且具有預測功能的側翻指標，但現(xiàn)有的側翻指標普遍缺少對側翻動力學的充分表達、準確性和預測性不足等問題[1]。

1 現(xiàn)狀分析

提升重型車輛的側傾穩(wěn)定性是降低側翻事故發(fā)生率、確保車輛及人身安全的有效手段。針對車輛側翻的研究已經(jīng)取得了一定的進展，主要集中在側翻預警和防側翻控制方面，有效的側翻預警技術（可作為防側翻控制系統(tǒng)的觸發(fā)條件）能夠通過為駕駛員提前警示幫助其及時采取有效操作實現(xiàn)側翻事故的有效避免，傳統(tǒng)側翻預警技術主要基于信號的簡化預測模型實現(xiàn)。關于側翻預警系統(tǒng)方面的研究包括：一種基于模型應的實時動態(tài)側翻預警算法（針對重型車輛）;針對車輛側傾狀態(tài)采用基于側傾觀測器構建的側翻預警算法通過滑膜觀測器完成估計過程（王健等）;基于多參量修正的神經(jīng)網(wǎng)絡有效提升了預警的實時性和精確性（趙健等）;一種基于TTR的側翻預警方法通過對車輛在發(fā)生側翻過程中的側傾角變化情況進行計算有效預測發(fā)生側翻的時間（陳毅華等）。這些研究設計主要面向乘用車或傳統(tǒng)重型車，雖然實現(xiàn)了一定的預警精度，但大多難以有效滿足液壓混合動力商用車對側翻預警精度的使用需求。為此本研究主要針對輪轂液壓混合動力重型車輛，建立側翻指標觀測器，并在傳統(tǒng)TTR預警算法中引入經(jīng)優(yōu)化處理的神經(jīng)網(wǎng)絡算法，在此基礎上完成一種有效的車輛側翻預警控制策略的建立，本文設計的預警算法采用Matlab等動力學仿真軟件建立的聯(lián)合仿真平臺進行仿真對比測試（主要針對階躍和魚鉤兩種轉向工況），結果表明該算法具有較高的預警精確度。

2 汽車防側翻預警系統(tǒng)裝置參考模型

2.1 側翻參考模型的構建

為了有效反映出車輛側翻的規(guī)律性，在建立側翻預警參考模型時，假設車輛行駛在水平路面上，從車輛側傾穩(wěn)定性角度出發(fā)使模型更趨近于理想情況，不考慮車輛的垂向運動（不考慮車輛的俯仰動力學特性），忽略空氣動力學與轉向系的影響，忽略輪胎特性的變化（包括輪胎回正力矩）與非線性影響，車輛質心縱向速度為常數(shù)，以前輪轉角作為該模型的輸入，簡化懸架為等效側傾剛度和阻尼（懸架等效側傾阻尼系數(shù)由cs表示，側傾剛度由ks表示），在此基礎上建立車輛側翻預警算法，以便簡化算法，線性三自由度側翻參考模型，用于對車輛側傾、橫擺及側向幾種運動模式進行描述[2]，如圖1所示。

3.1 基于傳統(tǒng)TTR的側翻預警算法

該算法流程如圖3所示，通過側翻預警算法對側翻時間TTR進行實時預測，TTR定義為LTR=1時所需的時間，其描述概念如圖2所示（一條斜率為-1的直線）。

計算當前狀態(tài)變量值時，將當前車速和方向盤轉角輸入到三自由度側翻參考模型中，滿足側翻條件的步數(shù)為N，計算出n個步長Ts的LTR值和由N×Ts得到的預警時間（觸發(fā)防側翻預警系統(tǒng)）。預設側翻預警閾值為X以確保預警的實時性，如圖3所示。

3.2 基于GANN-TTR的側翻預警算法

本文構建的基于GANN-TTR的側翻預警算法可有效彌補基于傳統(tǒng)TTR及BP神經(jīng)網(wǎng)絡優(yōu)化算法的預警曲線存在的準確性不高的問題，具體通過經(jīng)優(yōu)化的人工神經(jīng)網(wǎng)絡的引入實現(xiàn)了預警算法精確性的有效提高。以車輛狀態(tài)變量為依據(jù)得出側翻預警時間（采用基于TTR的算法），再針對該預警時間和車輛狀態(tài)參數(shù)采用本文算法進行修正實現(xiàn)更加精確的時間值的獲取。

3.2.1 BP神經(jīng)網(wǎng)絡算法的優(yōu)化

為提高BP神經(jīng)網(wǎng)絡的學習收斂速度以便更好的滿足本文系統(tǒng)的使用需求，通過使用遺傳算法完成對網(wǎng)絡初始權值和閾值的優(yōu)化，從而使函數(shù)輸出的預測質量得到有效提高，然后再用其進行仿真預測，具體優(yōu)化步驟為：先采用常規(guī)的方法確定網(wǎng)絡結構以及系統(tǒng)的輸入和輸出數(shù)量，接下來設定網(wǎng)絡中的各連接權值閾值，再將全部預設值輸入到遺傳算法每一個體中完成相關操作，從中篩選出BP網(wǎng)絡最優(yōu)權值閾值，并在保持網(wǎng)絡拓撲結構不變的情況下將其輸入到BP神經(jīng)網(wǎng)絡中。優(yōu)化后的網(wǎng)絡算法[6]，如圖4所示。

3.2.2 算法修正

為使TTR預警更加準確，針對階躍和魚鉤兩種轉向工況，選取影響車輛穩(wěn)定性的3組參數(shù)作為修正量對傳統(tǒng)基于時間預警的算法進行優(yōu)化，通過仿真驗證對比選取效果最佳的預警曲線（車速分別為80 km/h、70 km/h），方案1：將縱向車速和前輪轉角輸入到上述側翻模型中，車速較快時會使車輪轉角發(fā)生明顯的變化（引起車輪的載荷轉移）進而使車輛的行駛方向發(fā)生較大的改變，極易引發(fā)側翻危險;方案2：在車輛處于側向運動狀態(tài)時，充分考慮對其產(chǎn)生較大影響的橫擺角速度和側向加速度;方案3：考慮車輛的側傾角和側傾角速度（主要影響車輪的垂直載荷分配情況）。據(jù)此分別訓練優(yōu)化后的BP神經(jīng)網(wǎng)絡[8]。

3.3 系統(tǒng)建模與仿真分析

針對階躍轉向和魚鉤轉向工況，通過仿真實驗測試該側翻預警算法的有效性，具體使用Matlab建立控制算法，通過應用TruckSim和AMESim完成整車動力學模型的聯(lián)合建立，然后將本文算法、傳統(tǒng)的TTR和BP神經(jīng)網(wǎng)絡算法在聯(lián)合仿真平臺上完成算法實時性和精確性的對比分析實驗，在此基礎上計算不同算法的預警曲線斜率，階躍轉向工況下，同同理想情況相比：傳統(tǒng)TTR算法的誤差最大、經(jīng)方案3修正的傳統(tǒng)BP算法的誤差為25%，3種修正方案在引入本文算法后同理想曲線的吻合程度最好（其中方案1的誤差最?。?魚鉤轉向工況下，本文算法在方案1修正方案下的誤差最?。?%），更加接近于理想預警曲線[9]。

4 總結

本文建立了能夠實時計算預警指標的側翻預警指標觀測器，將經(jīng)優(yōu)化的神經(jīng)網(wǎng)絡控制算法引入到傳統(tǒng)TTR算法構建一種GANN-TTR算法，分別使用Matlab、TruckSim和AMESim三個軟件搭建聯(lián)合仿真平臺，針對階躍和魚鉤兩種轉向工況的仿真實驗對比結果表明傳統(tǒng)TTR方法的實時性和精確性較低，傳統(tǒng)BP神經(jīng)網(wǎng)絡方法的預警誤差較大，本文構建的側翻預警算法則具備較高的預警精度，為進一步完善車輛主動防側翻控制系統(tǒng)提供參考。

參考文獻

[1] 王亞雄，蔡宇萌，王健，等.汽車側傾運動安全主動懸架LQG控制器設計方法[J]. 交通運輸工程學報， 2017（5）：138-148.

[2] 陳江生，何鋒，韓雪雯.基于TTR的重型貨車側翻預警研究[J]. 農(nóng)業(yè)裝備與車輛工程， 2017（5）：11-15.

[3] 趙健，郭俐彤，朱冰，等.基于神經(jīng)網(wǎng)絡和側翻時間算法的輕型汽車側翻預警[J]. 吉林大學學報（工學版）， 2012（5）：1083-1088.

[4] 陳可際，過學迅，裴曉飛.基于多工況匹配的商用車側翻預警方法[J]. 中國機械工程， 2016（20）：2822-2827.

[5] Charles M Farmer， Adrian K Lund. Rollover risk of cars and light trucks after accounting for driver and environmental factors[J]. Accident Analysis and Prevention. 2017（2）：163-173.

[6] Zhao Wanzhong， Ji Lin， Wang Chunyan. H∞ control of anti-rollover strategy based on predictive vertical tire force[J]. Transactions of the Institute of Measurement and， 2018（13）：3587-3603.

[7] 趙健，郭俐彤，朱冰，等.基于神經(jīng)網(wǎng)絡和側翻時間算法的輕型汽車側翻預警[J]. 吉林大學學報（工學版）， 2018（5）：1083-1088.

[8] 陳可際，過學迅，裴曉飛.基于多工況匹配的商用車側翻預警方法[J]. 中國機械工程， 2016（20）：2822-2827.

[9] 張寶珍，阿米爾，謝暉.基于主動脈沖后輪轉向的側翻穩(wěn)定性仿真與試驗[J]. 汽車工程， 2016（7）：857-864.

（收稿日期： 2020.02.20）