混合域车联网络下货运车队主动悬架控制

2022-04-06杨朝会纪建奕袁策柳江

科学技术与工程 2022年9期

杨朝会, 纪建奕, 袁策, 柳江

(1.青特集团有限公司技术中心，青岛 266106；2.青岛理工大学机械与汽车工程学院，青岛 266520)

在车队的实际工程运输中，由于运输路线较长，卡车的数量较多，数据交互量会非常大，进而导致交互效率降低，成本高；其次，振动所带来的影响颇为明显，货物的完好程度也难以保证。为此，如何将先进的车联网(internet of vehicle，IoV)技术应用到货运卡车车队中，合理优化架构，改善悬架性能成为亟须解决的问题，国内外研究团队进行了大量研究。

IoV技术具有庞大的网络规模、可靠的互联网连接和较高的处理能力等众多特殊特性[1]，其可与车载硬件设备相互兼容，实现互联互通，从而占据了运输系统的主导地位，使整个车队达到状态同步的效果。目前，对于IoV通信架构的研究较多，张捷等[2]在车联网环境下设计了一种模拟驾驶实验，为车辆通信的联网信息提供一定的参考。Li等[3]提出了一个可组合式的数据中心，构建云端服务器和通信架构，进行实验验证，为大数据提供了附加价值。Zhang等[4]将设计一个大型的车联网通信架构作为处理车队车辆上传的大数据并提供数据驱动服务的关键任务，然而车联网数据，特别是高频车辆状态(如地理位置、悬架参数等)具有体积大、值密度低、数据质量低等特点，因而这些特性成为巨大的挑战。Sharma等[5]、周启扬等[6]分析了基于车联网的智能交通架构，通过广域的信息交互手段和便捷的车载硬件设备，为货运车队改善了基本的交通问题，完成低成本、高效、舒适出行。阎俊豪等[7]以车联网技术为基准，设计了车路协同感知系统，结合智能通信架构讯息准确收集有关车辆的一系列信息，对货运车队间的协同作业发挥了积极的作用。众多学者对于主动悬架控制进行了研究，裴倩倩[8]提出一种改进的比例-积分-微分(proportion-integration-differentiation，PID)控制算法，满足悬架性能指标的同时，使汽车安全、平稳行驶。为提高平顺性和舒适性。刘晓昂等[9]引入模糊控制策略，调节悬架PID控制参数，降低垂向振动，提高了稳定性。黄麟等[10]将改进的粒子群算法融入模糊PID控制中，该算法有利于车辆平顺性、稳定性的提高。王维强等[11]、刘兴亚[12]、董炳辰等[13]分别设计了半车主动、半主动悬架模糊PID控制器，较好地实现了行驶的平顺性和舒适性。王春华等[14]、Liu等[15]基于反向传播(back propagation，BP)神经网络算法设计了自适应PID控制器，通过与PID主动悬架、被动悬架的仿真对比，所提出的模型和算法有效改善了汽车的平顺性。马克辉等[16]以车身加速度为优化目标，采用粒子群算法获取不同的优化参数，可有效地改善车辆的振动响应。

值得注意的是，有关车队通信架构和主动悬架控制的研究中，大都局限于以下三点：一是车队通信架构相对复杂，数据量大，在工程运输中，合理优化架构，实现混合域下的信息交互手段，目前研究较少；二是长短途运输中，悬架的性能影响平顺性和安全性，针对单车悬架模型减少振动所带来的隐患，而从车队车联的角度研究较少；三是控制方法的研究大都基于传感器测量前提之下，然而无法保证车辆在有限时间内、低CPU和低内存消耗方面提供更好的性能，且硬件成本高。

在此基础上，现利用PID与模糊PID控制融合，将单车悬架主动控制拓展到车队车联悬架的主动控制，提出科学合理的混合域车联通信方案，降低数据交互量的同时，也对车身加速度进行迭代优化，并进行信息交互效率的迭代分析，具有工程实践参考意义。

1 混合域车联通信架构及悬架控制方案

通常而言，为了减少安全隐患，提高经济效益，车队货车运输具有典型的重复性特征，即相同车型、固定线路完成相同作业，这是车联主动悬架控制的前提之一。首先对混合域通信架构进行分析，进而提出一种基于车联主动悬架的控制方案。

1.1 通信架构的分析

基于混合域下的车队信息交互示意图如图1所示。发车前，货运调度人员会按需求对车辆进行配对，且运输作业时不允许更改配对关系，①车按规定时间先发车，配对的②车在下一个时间点发车，如图1中蓝色实线为双向箭头，代表①车与②车配对成功，并且进行局域信息交互，代号为L1，随后成对的车代号分别为L2，L3，…，Ln。红色实线为双向箭头，代表所有①车与ITS指挥中心建立通信，①车将实时的路况信息传递给ITS基站，代号为G1，ITS中心受理后，发布给车队中所有编号为①的车辆，实现广域上的信息交互，代号为G2，G3，…，Gn。

①、②为车队发出的车辆；③为ITS指挥中心；L1、L2为①、②两车的局域信息传递；G1、G2为智能交通系统(intelligent transport system,ITS)与①车的广域信息传递

车载终端与云端服务器之间建立TCP连接，对于货车车队作业而言，①号车将需要发送的数据放入缓存区，并合并数据包，缓存区满后，再将其发送给与其结对等待的②车。根据前述混合域通信功能需求，建立通信协议，其协议格式和数据包信息见表1和表2。

表1 通信协议格式表

表2 数据包信息表

这种数据传输方式可能会出现数据丢失、黏包和分包等问题[17]。因此，根据架构功能需求以及货运工程需要，制订了合理清晰的通信协议架构，保证数据包的完整。

1.2 悬架控制方案

针对上述混合域车联通信架构，提出了一种基于车联悬架模糊PID控制系统，如图2所示。

1为后车的车桥；2为弹簧；3为作动器；4为后车的车身；5为后车簧载位移传感器；6为云平台服务器；7为头车的参数；8为车队中其余的头车；9为后车非簧载位移传感器；10为大数据平台；11为后车模糊PID控制器

发车时，货车车辆两两结对，头车将路面信息、车速、悬架性能参数传给云端平台运算处理，经优化、筛选后，将参数输入到模糊PID控制器中，改善后车悬架性能，后车结合速度传感器和簧载位移传感器测得的数据，融入控制器中，再上传大数据平台，发送给车队中其余头车，实现广域数据共享。

2 悬架底层模糊PID控制算法

2.1 半车主动悬架模型

考虑振动对平顺性的影响，建立半车主动悬架简化模型，如图3所示。

θ为质心角；M为车身质量；mf为前轮质量；mr为后轮质量；I为车身转动惯量；Ksf为前悬架刚度；Ksr为后悬架刚度；Kuf为前轮刚度；Kur为后轮刚度；Z1为前轮位移；Z2为前车身位移；Z3为后轮位移；Z4为后车身位移；Z01为前轮路面输入；Z02为后轮路面输入；Csf为前悬架阻尼；Csr为后悬架阻尼；df为前轴到质心的距离；dr为后轴到质心的距离；Uf为前悬架作动器控制力；Ur为后悬架作动器控制力

由牛顿第二定律得到其运动微分方程为

(1)

选用滤波白噪声作为随机路面输入，车辆前后轮扰动量时间差为t0=(df+dr)/u，可得随机路面的表达式为

(2)

(3)

式中：u为车速；G0为路面不平度系数；f0为下截止频率；w1为前悬架输入的高斯白噪声；w2为后悬架输入的高斯白噪声；zM为质心位移。

(4)

式(4)中：Y(t)和X(t)均为状态方程；U(t)为悬架作动器力的状态方程；w(t)为高斯白噪声输入状态方程；A、B、C、D、F为状态输入矩阵。

其中：

2.2 基于车联网络的模糊PID控制器设计

根据第1节提出的货运车队结对交互方案，结合车联网络，头车采用传统的PID控制算法，后车将PID控制器和模糊控制器并联，构建模糊PID联合控制器。因此，基于车联网络的模糊PID控制器主要由PID控制器、云端服务器、模糊PID控制器三部分组成，其结构原理如图4所示。

图4中，头车控制后的参数经云端数据库处理、运算、筛选，后车获取云端优化后的参数进行控制，可得到最优的悬架性能。后车将优化后的参数通过局域信息交互反馈给与之配对的前车，以提高整个车队的主动悬架控制效率。

P为比例方程；I为积分方程；D为微分方程

头车采用的PID控制算法为

(5)

式(5)中：F1(t)为头车输出控制量；Kp为比例调节系数；Ki为积分调节系数；Kd为微分调节系数；e1(t)为头车系统输出偏差。

将Ki、Kd分别表示为Kp/Ti、KpTd，式(6)变形可得连续的PID控制算法，即

(6)

将主动控制力离散化，对式(6)做变换可得

(7)

(8)

将式(7)和式(8)代入到式(6)中，可得

(9)

式中：T为采样周期；k为采样次数；e1(i)为头车累计偏差信号；e1(k)为头车第k次的偏差信号。

由于云端服务器数据规模庞大，且主动悬架参数来源会随着车队作业分布于不同的地理位置，将从两方面进行优化，即传输数据的延时性和经济性，如图5所示。

图5 云端服务器架构图

定义头车在t时刻传递的数据量为a1(t)，在t时刻送达云端的数据量为λ1(t)，未处理的数据量为η1(t)，头车所能传递的最大数据量为A1，云端服务器在t时刻的总成本为M(t)，因此可得

a1(t)≤A1

(10)

a1(t)≤∑λ1(t)

(11)

M(t)=mp(t)+ml(t)+ms(t)

(12)

(13)

式中：mp(t)为t时刻实时运算成本；ml(t)为t时刻延时运算成本；ms(t)为t时刻硬件存储成本。

在时间序列上云端未处理数据量的更新规则表达式为

(14)

(15)

当η1(t)=0时，可得

(16)

(17)

Δ[θ(t)]={L[θ(t+1)]L[θ(t)]|θ(t)}

(18)

式中：θ(t)为实际与虚拟联合矩阵；L[θ(t)]为负载积压度量单元。

在减小数据传输延时的同时，为降低总成本，即得

min{Δ[θ(t)]+VM(t)|θ(t)}

(19)

式(19)中：V为非负参数。

因此，头车经PID控制后的参数传递给云端服务器，其以低功耗、低延时、低成本降低了硬件需求，后车将得到前车最优的控制参数，并建立模糊PID控制器，使其可达到更高的控制精度，如图6所示。

由图6可知，模糊PID控制器的输入变量由E和EC组成，其输出变量为三角形隶属函数，根据后车主动悬架的控制需求，模糊集数学表达式为

图6 后车模糊PID控制器结构图

E={NB,NM,NS,ZO,PS,PM,PB}

(20)

EC={NB,NM,NS,ZO,PS,PM,PB}

(21)

式中：NB为负大；NM为负中；NS为负小；ZO为零；PS为正小；PM为正中；PB为正大。

即模糊论域和模糊集分别为

(22)

(23)

利用模糊规则对两个变量进行模糊推理，以实现对PID控制器3个参数的校正。建立模糊PID控制器模糊规则表如表3所示。

表3 模糊控制规则表

3 车队中主动悬架的迭代优化

3.1 实例仿真

以某车型为研究对象，以30 m/s的车速在B级(G0=64×10-6m3/cycle)路面行驶，仿真主要参数如表4所示。

表4 仿真主要参数

头车PID控制后的主动悬架与后车经过车联网络优化处理，并进行模糊PID控制后的主动悬架对比，以车身加速度、悬架动行程、轮胎动位移作为3个评价指标，仿真结果如图7所示。

由图7可知，与传统的PID控制相比，采用车联模糊PID控制的主动悬架性能指标的峰值均有所降低。其中，车身加速度(body acceleration，BA)的峰值降低最为明显，有效改善了车辆的平顺性；其次，悬架动行程(suspension working space，SWS)与轮胎动位移(dynamic tire deflection，DTD)的峰值均有一定程度的降低，且悬架动行程满足设计范围要求。

图7 评价指标对比图

为了定量化描述主动悬架性能指标的改善效果，根据图7的仿真结果，计算B级路面输入下主动悬架3个性能指标的均方根值(root mean square,RMS)，如表5所示。

表5 3个性能指标的均方根值

由表5可知，车队中结对作业的后车采用车联-模糊PID控制的主动悬架能明显改善货车性能，尤其是车辆的平顺性。与头车采用传统的PID控制相比，后车主动悬架控制的BA减小了46.33%，SWS减小了9.15%，DTD减小了33.80%。

3.2 信息交互效率

为了提高车队中对与对之间的信息交互效率，对成对的货车车队进行迭代优化，结果如图8所示，将传统的单车多次行驶，转换成两两结对，辅以混合域架构的车队多车单次行驶。

Pair 1，Pair 2，…，Pair Xi，Pair Xi+1分别为货运车队两两结对编号；BAXi为第Xi对货车的加速度

为了验证车队整体迭代效率，假设车队中有m对货车，每组货车在整个路段运输一次的时间为t，设整个路段完成多次作业的时间为T，由此可得

T=mt

(24)

多组车在整个路段完成一次作业的时间为T′，发车间隔为Δt，可得

T′=t+(m-1)Δt

(25)

(26)

式中：ΔL为两组车之间发车时保持的安全距离；v为行驶车速。

由式(25)可知，t=Δt时，有T=T′；t>Δt时，有T

(27)

故可知，当T≥T′，且随着Δt的减小，效率逐步提升，其时间缩短的极限值为1/m，即多组车完成单次作业的迭代效率更高。需要额外指出的是，基于车联网络主动悬架控制算法的寻优，是整个车队的车辆按照发车顺序进行了寻优迭代，不需要每辆车都进行相同的寻优过程、或等待某车辆完成寻优后复制到其他车辆，因此该优化方法的迭代整体效率更高，更适合工程实际应用。