汽车防侧翻预警系统设计

曲彩悦

摘 要： 以轮毂液压混合动力重型商用车作为研究对象，建立了3自由度侧翻参考模型。在此基础上设计了一种有效的汽车防侧翻预警系统装置，并完成了侧翻指标观测器以及相应控制策略的构建。据此确定侧翻预警算法的指标，采用遗传算法优化BP神经网络（GANN）后将其引入到传统的TTR预警算法中，从而得到基于GANN-TTR的侧翻预警算法，仿真测试结果表明这个侧翻预警算法显著提高了预警精度，同理想预警曲线基本吻合。

关键词： 车辆侧翻预警系统; BP神经网络; 算法设计; 实现路径

中图分类号： U463.6      文献标志码： 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

目前商用車轮毂液驱系统已经成为包括中重型卡车在内的商用车装备的先进技术之一，具备集成度高、可适应不同工况、污染小、性价比高等优点，但质心较高的重型车辆在快速行驶、紧急转向的工况下发生侧翻事故的几率较大，为道路交通安全带来较大的危害。由车辆侧翻导致的交通事故通常会对车内人员的生命财产安全带来较大的威胁，如何实现车辆的主动防侧翻控制系统仍然是领域内的一项研究重点，侧翻预警与控制则使实现车辆主动防侧翻控制的关键所在，而侧翻预警需基于实时准确且具有预测功能的侧翻指标，但现有的侧翻指标普遍缺少对侧翻动力学的充分表达、准确性和预测性不足等问题[1]。

1 现状分析

提升重型车辆的侧倾稳定性是降低侧翻事故发生率、确保车辆及人身安全的有效手段。针对车辆侧翻的研究已经取得了一定的进展，主要集中在侧翻预警和防侧翻控制方面，有效的侧翻预警技术（可作为防侧翻控制系统的触发条件）能够通过为驾驶员提前警示帮助其及时采取有效操作实现侧翻事故的有效避免，传统侧翻预警技术主要基于信号的简化预测模型实现。关于侧翻预警系统方面的研究包括：一种基于模型应的实时动态侧翻预警算法（针对重型车辆）;针对车辆侧倾状态采用基于侧倾观测器构建的侧翻预警算法通过滑膜观测器完成估计过程（王健等）;基于多参量修正的神经网络有效提升了预警的实时性和精确性（赵健等）;一种基于TTR的侧翻预警方法通过对车辆在发生侧翻过程中的侧倾角变化情况进行计算有效预测发生侧翻的时间（陈毅华等）。这些研究设计主要面向乘用车或传统重型车，虽然实现了一定的预警精度，但大多难以有效满足液压混合动力商用车对侧翻预警精度的使用需求。为此本研究主要针对轮毂液压混合动力重型车辆，建立侧翻指标观测器，并在传统TTR预警算法中引入经优化处理的神经网络算法，在此基础上完成一种有效的车辆侧翻预警控制策略的建立，本文设计的预警算法采用Matlab等动力学仿真软件建立的联合仿真平台进行仿真对比测试（主要针对阶跃和鱼钩两种转向工况），结果表明该算法具有较高的预警精确度。

2 汽车防侧翻预警系统装置参考模型

2.1 侧翻参考模型的构建

为了有效反映出车辆侧翻的规律性，在建立侧翻预警参考模型时，假设车辆行驶在水平路面上，从车辆侧倾稳定性角度出发使模型更趋近于理想情况，不考虑车辆的垂向运动（不考虑车辆的俯仰动力学特性），忽略空气动力学与转向系的影响，忽略轮胎特性的变化（包括轮胎回正力矩）与非线性影响，车辆质心纵向速度为常数，以前轮转角作为该模型的输入，简化悬架为等效侧倾刚度和阻尼（悬架等效侧倾阻尼系数由cs表示，侧倾刚度由ks表示），在此基础上建立车辆侧翻预警算法，以便简化算法，线性三自由度侧翻参考模型，用于对车辆侧倾、横摆及侧向几种运动模式进行描述[2]，如图1所示。

3.1 基于传统TTR的侧翻预警算法

该算法流程如图3所示，通过侧翻预警算法对侧翻时间TTR进行实时预测，TTR定义为LTR=1时所需的时间，其描述概念如图2所示（一条斜率为-1的直线）。

计算当前状态变量值时，将当前车速和方向盘转角输入到三自由度侧翻参考模型中，满足侧翻条件的步数为N，计算出n个步长Ts的LTR值和由N×Ts得到的预警时间（触发防侧翻预警系统）。预设侧翻预警阈值为X以确保预警的实时性，如图3所示。

3.2 基于GANN-TTR的侧翻预警算法

本文构建的基于GANN-TTR的侧翻预警算法可有效弥补基于传统TTR及BP神经网络优化算法的预警曲线存在的准确性不高的问题，具体通过经优化的人工神经网络的引入实现了预警算法精确性的有效提高。以车辆状态变量为依据得出侧翻预警时间（采用基于TTR的算法），再针对该预警时间和车辆状态参数采用本文算法进行修正实现更加精确的时间值的获取。

3.2.1 BP神经网络算法的优化

为提高BP神经网络的学习收敛速度以便更好的满足本文系统的使用需求，通过使用遗传算法完成对网络初始权值和阈值的优化，从而使函数输出的预测质量得到有效提高，然后再用其进行仿真预测，具体优化步骤为：先采用常规的方法确定网络结构以及系统的输入和输出数量，接下来设定网络中的各连接权值阈值，再将全部预设值输入到遗传算法每一个体中完成相关操作，从中筛选出BP网络最优权值阈值，并在保持网络拓扑结构不变的情况下将其输入到BP神经网络中。优化后的网络算法[6]，如图4所示。

3.2.2 算法修正

为使TTR预警更加准确，针对阶跃和鱼钩两种转向工况，选取影响车辆稳定性的3组参数作为修正量对传统基于时间预警的算法进行优化，通过仿真验证对比选取效果最佳的预警曲线（车速分别为80 km/h、70 km/h），方案1：将纵向车速和前轮转角输入到上述侧翻模型中，车速较快时会使车轮转角发生明显的变化（引起车轮的载荷转移）进而使车辆的行驶方向发生较大的改变，极易引发侧翻危险;方案2：在车辆处于侧向运动状态时，充分考虑对其产生较大影响的横摆角速度和侧向加速度;方案3：考虑车辆的侧倾角和侧倾角速度（主要影响车轮的垂直载荷分配情况）。据此分别训练优化后的BP神经网络[8]。

3.3 系统建模与仿真分析

针对阶跃转向和鱼钩转向工况，通过仿真实验测试该侧翻预警算法的有效性，具體使用Matlab建立控制算法，通过应用TruckSim和AMESim完成整车动力学模型的联合建立，然后将本文算法、传统的TTR和BP神经网络算法在联合仿真平台上完成算法实时性和精确性的对比分析实验，在此基础上计算不同算法的预警曲线斜率，阶跃转向工况下，同同理想情况相比：传统TTR算法的误差最大、经方案3修正的传统BP算法的误差为25%，3种修正方案在引入本文算法后同理想曲线的吻合程度最好（其中方案1的误差最小）;鱼钩转向工况下，本文算法在方案1修正方案下的误差最小（5%），更加接近于理想预警曲线[9]。

4 总结

本文建立了能够实时计算预警指标的侧翻预警指标观测器，将经优化的神经网络控制算法引入到传统TTR算法构建一种GANN-TTR算法，分别使用Matlab、TruckSim和AMESim三个软件搭建联合仿真平台，针对阶跃和鱼钩两种转向工况的仿真实验对比结果表明传统TTR方法的实时性和精确性较低，传统BP神经网络方法的预警误差较大，本文构建的侧翻预警算法则具备较高的预警精度，为进一步完善车辆主动防侧翻控制系统提供参考。

参考文献

[1] 王亚雄，蔡宇萌，王健，等.汽车侧倾运动安全主动悬架LQG控制器设计方法[J]. 交通运输工程学报， 2017（5）：138-148.

[2] 陈江生，何锋，韩雪雯.基于TTR的重型货车侧翻预警研究[J]. 农业装备与车辆工程， 2017（5）：11-15.

[3] 赵健，郭俐彤，朱冰，等.基于神经网络和侧翻时间算法的轻型汽车侧翻预警[J]. 吉林大学学报（工学版）， 2012（5）：1083-1088.

[4] 陈可际，过学迅，裴晓飞.基于多工况匹配的商用车侧翻预警方法[J]. 中国机械工程， 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] 赵健，郭俐彤，朱冰，等.基于神经网络和侧翻时间算法的轻型汽车侧翻预警[J]. 吉林大学学报（工学版）， 2018（5）：1083-1088.

[8] 陈可际，过学迅，裴晓飞.基于多工况匹配的商用车侧翻预警方法[J]. 中国机械工程， 2016（20）：2822-2827.

[9] 张宝珍，阿米尔，谢晖.基于主动脉冲后轮转向的侧翻稳定性仿真与试验[J]. 汽车工程， 2016（7）：857-864.

（收稿日期： 2020.02.20）