内嵌加速度计的智能轮胎纵/垂向力估计算法∗

赵 健，路妍晖，朱 冰，刘胜利

前言

轮胎是汽车与地面接触的唯一部件，轮胎与路面接触过程中的相互作用力对车辆有重大影响，是汽车安全性、操纵稳定性、燃油经济性和乘坐舒适性等性能的重要保证。实时获取轮胎力信息对汽车动力学控制有重要意义，轮胎力实时测量与估算的研究一直倍受关注。但轮胎力不易直接获取，在许多研究中大多通过车辆动力学模型推导或估算得到轮胎力[1-2]，例如，文献[3]中提出了一种利用车载传感器直接测量的车辆状态参数结合车辆7自由度模型，采用RKF算法估计轮胎侧向力的方法。近年来，传感器技术与电子技术的发展使在轮胎中加装传感器，直接测量轮胎力成为可能。

智能轮胎是集成了传感技术、信号调理技术和实时通信技术等先进技术的轮胎，它能自动检测当前轮胎的工作状况，自动监测胎压、胎温、轮胎与路面间的附着特性和轮胎与路面间的轮胎力等信息，并将上述各种信息实时传递给车辆的底盘控制系统[4]。智能轮胎通过安装在胎内的各种传感器，获取轮胎的作用力信息[5-7]。在智能轮胎的诸多传感器方案中，采用三轴微机电系统(micro-electro-mechanical system，MEMS)加速度传感器的方案受到较多的关注，它通过在胎冠内表面安装MEMS传感器，实时测量轮胎转动时，特别是传感器通过接地印迹时胎冠内表面的振动加速度，实时测量和估算轮胎路面相互作用力。MEMS传感器体积小，质量轻，易于实现在轮胎内的安装。文献[8]中使用三轴加速度计的信号结合滑移率对地形进行分类与识别，文献[9]中通过加速度信号检测轮胎与路面接触部分的滑动情况。

本文中设计了一种在胎冠内侧粘贴三轴MEMS加速度传感器的智能轮胎测试系统，并搭建了实车试验平台，在典型工况下进行了智能轮胎的实车试验；据此对汽车行驶时轮胎接地印记处胎冠内壁周向与法向加速度信号的响应机理进行分析，提取了智能轮胎周向与法向加速度信号的典型特征；在此基础上，将智能轮胎加速度信号的特征结合轮速、车速等影响因素，采用BP神经网络方法设计了智能轮胎纵向力与垂向力估计算法。

1 智能轮胎系统设计

1.1 智能轮胎系统工作原理简述

本文中采用在轮胎胎冠内壁粘贴三轴加速度计的智能轮胎方案。汽车行驶时，胎冠内表面的加速度信号不断变化，特别是当传感器所处位置通过接地印迹时，轮胎接地印记处的加速度信号会产生与轮胎力状态高度相关的响应。因此，采集轮胎胎冠表面的加速度信号，并分析轮胎接地印迹处加速度响应的典型特征与轮胎力的对应关系，在此基础上设计估算算法，即可实现轮胎力的估计。

1.2 智能轮胎测试系统硬件方案

智能轮胎测试系统总体架构如图1所示。为进行智能轮胎加速度信号机理分析与算法开发，除可以采集胎冠内表面加速度矢量信号的智能轮胎系统外，还加装了车辆状态信息采集系统和轮胎力采集系统。

图1 智能轮胎测试系统设计及研究方案

(1)智能轮胎加速度采集系统

轮胎振动加速度信号由粘贴于胎冠内表面的加速度传感器采集，经穿透密封装置、集流环和恒流源模块输出模拟信号，由dSPACE公司的MicroAuto-Box采集。

加速度传感器采用美国DYTRAN公司生产的3313A2型微型三轴集成压电(integral electronic piezoelectric，IEPE)型加速计。这种传感器尺寸只有6.1mm×6.1mm×6.1mm，非常便于在轮胎内的安装；其量程高达±2 500g，符合智能轮胎的要求。通过强力胶固定安装在轮胎胎冠内侧中央。加速度计及其在轮胎内的安装实物图如图2所示。

图2 三轴加速度计及其内表面的安装

穿透密封装置在保证轮胎的密封的前提下，引出加速度传感器接线，实现传感器供电及信号传输；集流环用于旋转轮胎的接线；恒流源模块用于IEPE型传感器信号的供电与信号调理，如图3所示。经恒流源模块调理后的加速度信号由MicroAutoBox系统实时采集。

图3 加速度采集系统附件

(2)车辆状态信息采集系统

智能轮胎振动加速度与轮胎力的对应关系受到轮速等车辆状态信息的影响。车辆发动机管理系统(engine management system，EMS)的加速踏板行程、发动机转矩信号和电子稳定性程序(electronic stability program，ESP)的轮速、制动主缸压力信号发送到车辆动力CAN，由MicroAutoBox采集，用于分析多种因素对智能轮胎加速度信号的影响。其中加速踏板、发动机转矩和制动主缸压力信号用于确定试验工况。

(3)多维轮胎力传感器

为分析轮胎接地印迹处加速度信号特征与轮胎力的对应关系，本文中采用合肥旭宁科技有限公司生产的BIOFORCEN多维力传感器同步测量轮胎力。传感器实物如图4所示，可实现轮胎的纵向力Fx、垂向力Fz和旋转力矩My的直接测量。

图4 多维力传感器

2 实车试验

2.1 实车测试系统

图5 智能轮胎装车及测试系统

实车试验在某A级轿车上进行，它装用205/55 R16轮胎，胎压0.22MPa。智能轮胎测试系统装车如图5所示。由于本文中采用的多维力传感器无法实现轮胎侧向力的实时采集，虽然所采用的三轴加速度传感器可测量轮胎侧向加速度，但本文中并未完成侧向力估计的研究，因此只进行了直行工况试验。选取的试验场地为水平的干燥沥青路面，路面附着系数在0.8左右，试验工况为:(1)匀速直线行驶，速度15，25，35km/h等；(2)直线加速工况，速度 0-40km/h，加速过程中保持节气门开度不变，中低强度加速；(3)直线制动工况，速度40-0km/h，中低强度制动，持续制动过程中制动踏板位置保持不变。

2.2 试验采集结果

试验过程中，每组均进行多次测试。图6～图8分别为匀速直行(15km/h)、加速、减速工况下的测试结果示例。

图6 匀速工况数据采集结果曲线

图7 加速工况数据采集结果曲线

图8 制动工况数据采集曲线

由图可见，当加速度计所在位置通过接地印迹时，加速度信号会有明显的响应。车辆直线行驶时，匀速工况下智能轮胎各向加速度信号特征基本保持不变，而在加速工况下，智能轮胎的加速度信号会随车速的增加而明显增大，在制动时，智能轮胎的加速度信号会随车速的降低而减小。须进一步分析和提取加速度信号特征。

3 智能轮胎加速度信号特征提取

3.1 轮胎力与轮胎变形的关系

轮胎接地印迹附近的变形如图9所示[10]。

图9 轮胎接地印迹附近的变形图

由图可见，车轮在不受纵向力时，其接地印迹的中心C在车轴的投影线C′上，而在轮胎纵向力作用下，接地印迹的中心将发生移动，接地印迹的中心将与车轴的投影线发生偏离。所以轮胎变形区的AB，BD和DE 3个区域的周向加速度信号响应对应着不同大小的轮胎纵向力。

意大利S.M.Savaresi等人在研究轮胎力与轮胎应变关系时认为轮胎垂向力与轮胎变形关系如图10所示[11]。研究认为轮胎垂向力的变化将导致接地印迹长度的变化，轮胎垂向力Fz与轮胎接地印迹的长度ΔΦ是一个正相关函数关系:

图10 轮胎垂向力与轮胎变形的关系

3.2 轮胎周向加速度信号特征的提取

轮胎周向加速度信号细节如图11所示。其中A，B，D和E对应图9中的A，B，D和E。在区域①中周向加速度信号突然增大，再迅速减小，其主要原因是轮胎进入接地印迹前轮胎逐渐拉紧，而进入接地印迹时，轮胎由弧线变为直线发生瞬时压缩。进入接地印迹后轮胎变形逐渐稳定，周向加速度信号逐渐减小到0。区域②内周向加速度信号保持在0，对应轮胎稳定区域。区域③内周向加速度信号从0迅速减小，变为负值，再迅速增大到0，其原因是加速度计离开接地印迹时，轮胎受到的纵向力减小，轮胎变形由直线变为弧线导致轮胎向后拉伸。

图11 轮胎周向加速度信号响应细节图

由轮胎周向加速度信号所提取的特征如图12所示。周向加速度的两个极值点对应三轴加速度计进出轮胎接地印迹的时刻B和D，结合轮速可以提取到轮胎周向加速度信号的一个特征Δt。在区域①和区域③内，轮胎的变形不稳定，其所受的轮胎纵向力是变化的，而区域②轮胎的变形保持不变，其所受的轮胎纵向力认为是不变的，提取的特征包括区域①内轮胎周向加速度由极大值axmax到0的时间t1、区域②的时间t2和区域③周向加速度由0减小到极小值axmin的时间t3。另外，周向加速度信号极值的大小也受到纵向轮胎力的影响，所以提取的特征值也包括轮胎周向加速度的极大值axmax与极小值axmin。

图12 轮胎周向加速度特征

3.3 轮胎法向加速度信号特征的提取

轮胎法向加速度信号响应细节图如图13所示。当加速度计通过轮胎接地印迹时，不会产生垂向振动，因此法向加速度信号基本保持不变，在三轴加速度计进入与离开轮胎接地印迹点A和E时，轮胎法向加速度信号的变化率最大。

图13 轮胎法向加速度信号响应细节图

由轮胎的法向加速度信号所提取的特征如图14所示。轮胎法向加速度信号的值az在接地印迹区域内几乎不变，其与轮胎垂向力Fz密切相关，可作为轮胎法向加速度的特征之一。另外，轮胎在法向加速度的两个极大值所在时刻A和E之间的长度为轮胎变形长度，由轮胎纵向力和垂向力共同决定，所以法向加速度的两个极大值之间的时间td也可作为轮胎法向加速度信号的一个重要特征。

图14 智能轮胎法向加速度的典型特征

4 轮胎力估计算法

4.1 基于加速度的轮胎力估计算法基本思想

根据提取的智能轮胎加速度的信号特征，结合轮胎力的影响因素，如轮速等，找出智能轮胎加速度信号与轮胎力的关系，即可由加速度信号估计轮胎力。由于轮胎是典型的非线性系统，很难直接建立这些信息与轮胎力之间关系的解析表达式，因此，本文中选用BP神经网络算法来实现对轮胎力的估计。

4.2 基于BP神经网络的轮胎力估计

由于所提取智能轮胎加速度信号的特征对轮胎纵向力Fx、垂向力Fz的响应机理不同，所以对这两个方向的力各采用一个独立的神经网络模型来估计。

4.2.1 纵向轮胎力估计算法

轮胎纵向力估计的神经网络模型如图15所示，其中输入层包含6个结点，包括智能轮胎周向加速度的5个特征和轮速；隐含层有两层，其中第一隐含层包含10个结点，第二隐含层包含5个结点；输出层只有一个结点，为纵向轮胎力。

图15 轮胎纵向力估计算法神经网络模型图

所采集的智能轮胎信号和轮胎力信号一部分用来训练，一部分用来验证，结果如图16所示。

图16 轮胎纵向力的神经网络训练效果

4.2.2 垂向轮胎力估计算法

轮胎垂向力估计的神经网络模型如图17所示，其中输入层包含4个结点，包括智能轮胎周向加速度的一个特征、法向加速度信号的两个特征及轮速；只有一层隐含层为10个结点；输出层只有1个结点为轮胎垂向力。

对轮胎垂向力也采用一部分数据进行训练，一部分进行验证，其训练效果如图18所示。

纵向轮胎力和垂向轮胎力的神经网络训练效果表明，基于智能轮胎加速度信号的轮胎力估计算法有效可行。

图17 轮胎垂向力估计算法神经网络模型图

图18 轮胎垂向力的神经网络训练效果

5 结论

本文中提出了智能轮胎设计的整体方案，建立了智能轮胎系统。搭建了实车试验平台，进行了智能轮胎的实车试验，采集了多组工况下的智能轮胎信号。应用智能轮胎实车试验获取的信号，对智能轮胎加速度信号进行了响应机理分析；基于提取的智能轮胎加速度信号的典型特征，结合轮速等影响因素，对纵向和垂向轮胎力进行了估计。结果表明，所提出的算法有效可行，可对轮胎力进行准确的估计。

[1] RAY L R.Nonlinear state and tire force estimation for advanced vehicle control[J].IEEE Transactions on Control Systems Technology，1995:117-124.

[2] 张为.基于虚拟传感器的轮胎力和车辆状态变量估算[J].北京工业大学学报，2011，37(8):1196-1204.

[3] 叶浩，刘国海，张多，等.采用RKF轮胎力估计的4WID电动汽车纵向速度估计研究[J].机械科学与技术，2017，36(4):637-642.

[4] 揭琳峰，王国林，周孔亢.智能轮胎传感器技术研究现状[J].汽车工程，2010，28(6):569-573.

[5] LIU Y H，LI T，YANG Y，et al.Estimation of tire-road friction coefficient based on combined APF-IEKF and iterationalgorithm[J].Mechanical Systems and Signal Processing， 2017， 88:25-35.

[6] ZHU Xiaolong，DANG Lu.A ‘smart tire’for estimating the tire force and the extents of the influences of specific factors[J].Journal of Automobile Engineering，2017.

[7] SINGH K B，TAHERI S.Estimation of tire-road friction coefficient and its application in chassis control systems[J].Systems Science＆ Control Engineering，2015，3(1):39-61.

[8] KHALEGHIAN S，TAHERI S.Terrain classification using intelligent tire[J].Journal of Terramechanics， 2017， 71:15-24.

[9] NISKANEN A J，TUONONEN A J.Detection of the local sliding in the tyre-road contact by measuring vibrations on the inner liner of the tyre[J].Measurement Science and Technology， 2017， 28(5):055007.

[10] YANG X，OLATUNBOSUN O， RAMOS D G P， et al.Experimental investigation of tire dynamic strain characteristics for developing strain-based smart tire system[J].SAE International Journal of Passenger Cars-Mechanical Systems， 2013， 6(1):97-108.

[11] SAVARESISM，TANELLIM，LANGTHALER P，et al.New regressors for the direct identification of tire deformation in road vehicles via “in-tire” accelerometers[J].IEEE Transactions on Control Systems Technology，2008，16(4):769-780.