CN107187443B - 车辆失稳预警系统和方法 - Google Patents

Abstract

一种车辆失稳预警系统和方法，所述车辆失稳预警系统包括：检测模块，用于检测车辆的状态参数并提供表示所述状态参数的检测信号；数据采集模块，用于对来自检测模块的检测信号进行滤波处理以得到检测数据；预警模块，用于基于检测数据根据代理函数来判断是否存在翻车危险，如果是，则发出预警，其中所述代理函数是预先基于检测数据通过克里金算法拟合的。通过利用克里金算法构建代理函数，能够建立车辆的状态参数与车身稳定性的函数关系，提高预警准确度。

Description

车辆失稳预警系统和方法

技术领域

本公开涉及测试技术领域，具体涉及一种车辆失稳预警系统和方法。

背景技术

车辆的安全性问题一直受到广泛关注。特别是工程车辆，其作为一种现代化的施工机械广泛地应用在农林水利、能源开采、矿山挖掘开采、矿山挖掘和货物运输等领域。但是由于工程车辆经常处于较为恶劣的工作场所，再加上操作人员有时的操作错误，因此工程车辆安全性问题成为其主要问题之一，也严重影响到操作人员的生命安全。

车辆稳定性分析以及防倾翻预警属于防倾翻系统的首要基础，车辆倾翻稳定性和机理的研究是否透彻、深入临界状态判断准确，直接影响到主动防倾翻系统能否起实际作用。因此，车辆的动态失稳预警系统的研究，有着重要的意义。由于影响车辆稳定性的因素很多，尤其是工程车辆，影响稳定性的因素更为复杂，传统的稳定性分析方法准确度低且通用性差。

发明内容

有鉴于此，本公开提供了一种车辆失稳预警系统和方法，能够提高失稳预警的准确性和通用性。

根据本公开的第一方面，提供了一种车辆失稳预警系统，包括：检测模块，用于检测车辆的状态参数并提供表示所述状态参数的检测信号；数据采集模块，用于对来自检测模块的检测信号进行滤波处理以得到检测数据；预警模，用于基于检测数据根据代理函数来判断是否存在翻车危险，如果是，则发出预警，其中所述代理函数是预先基于检测数据通过克里金算法拟合的。

优选地，所述车辆失稳预警系统还包括代理函数拟合模块，所述代理函数拟合模块用于：根据克里金算法建立响应函数模型Y(x)＝f(x)β+z(x)，其中f(x)为关于x的多项式并且f(x)＝[f₁(x),…,f_m(x)]^T，β为回归系数向量并且β＝[β₁,...,β_m]^T，m为回归模型基函数的个数，z(x)表示均值为零而方差不为零的随机误差函数，z(x)的协方差矩阵为Cov(x_i,x_j)＝σ²R(θ_k,x_i,x_j)，其中

R()表示相关方程，x表示检测数据的样本，x_i表示第i个样本点，x_j表示第j个样本点，i,j＝1...n，n为样本点的数量，θ_k为相关性系数,x_i ^k为x_i的第k个分量，x_j ^k为x_j的第k个分量，σ²为过程方差；以及使用已获得的检测数据的样本根据所述响应函数模型来计算相关性系数θ。

优选地，所述检测模块包括以下之中的一个或多个：角度传感器，用于测量车辆的转向角度；速度传感器，用于测量车辆行驶速度；压力传感器，用于测量车辆的铲斗内所装物料重量；惯性测量单元，用于测量车辆的后车体的航向角、横向加速度、横摆角速度以及纵向加速度。

优选地，所述数据采集模块包括：数据采集卡，用于对来自检测模块的检测信号进行数据采集；模数转换器，用于对来自数据采集卡的信号进行模数转换以提供检测数据。

优选地，所述的预警模块包括：提示单元，用于发出翻车预警，所述翻车预警包括视频提示、音频提示、振动提示中的至少一种；计算单元，用于存储代理函数，并基于数据采集模块的检测数据根据代理函数来预测横向载荷转移率，如果预测的横向载荷转移率达到预设的阈值，则控制提示单元发出翻车预警。

根据本公开的另一方面，提供了一种车辆失稳预警方法，包括：检测车辆的状态参数并提供表示所述状态参数的检测信号；对检测信号进行滤波处理以得到检测数据；基于检测数据根据代理函数来判断是否存在翻车危险，如果是，则发出预警，其中所述代理函数是预先基于检测数据通过克里金算法拟合的。

优选地，通过以下操作来拟合代理函数：根据克里金算法建立响应函数模型Y(x)＝f(x)β+z(x)，其中f(x)为关于x的多项式并且f(x)＝[f₁(x),…,f_m(x)]^T，β为回归系数向量并且β＝[β₁,...,β_m]^T，m为回归模型基函数的个数，z(x)表示均值为零而方差不为零的随机误差函数，z(x)的协方差矩阵为Cov(x_i,x_j)＝σ²R(θ_k,x_i,x_j)，其中

R()表示相关方程，x表示检测数据的样本，x_i表示第i个样本点，x_j表示第j个样本点，i,j＝1...n，n为样本点的数量，θ_k为相关性系数,x_i ^k为x_i的第k个分量，x_j ^k为x_j的第k个分量，σ²为过程方差；以及使用已获得的检测数据的样本根据所述响应函数模型来计算相关性系数θ。

优选地，所述检测检测车辆的状态参数包括以下之中的一个或多个：利用角度传感器测量车辆的转向角度；利用速度传感器测量车辆行驶速度；利用压力传感器测量车辆的铲斗内所装物料重量；利用惯性测量单元测量车辆的后车体的航向角、横向加速度、横摆角速度以及纵向加速度。

优选地，所述滤波处理包括数据采集和模数转换。

优选地，所述基于检测数据根据代理函数来判断是否存在翻车危险包括：基于检测数据根据代理函数来预测横向载荷转移率，如果预测的横向载荷转移率达到预设的阈值，则判定存在翻车危险。

优选地，所述基于检测数据根据代理函数来判断是否存在翻车危险包括：基于检测数据根据代理函数来预测横向载荷转移率，当横向载荷转移率为-1或1时，判定存在翻车危险，当横向载荷转移率为0时，判定不存在翻车危险。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单介绍，显而易见地，下面的描述中的附图仅涉及本公开的一些实施例，而非对本公开的限制。

图1示出了根据本公开实施例的车辆失稳预警系统的结构图。

图2示出了根据本公开实施例的车辆失稳预警系统的检测模块安装位置的示意图。

图3示出了根据本公开实施例的车辆失稳预警方法的示意流程图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整的描述。显然所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

本公开提供了一种车辆失稳预警系统和方法，通过基于克里金(Kriging)算法的代理函数的运用，有效的建立车辆的状态参数与车身稳定性的函数关系，从而更准确的进行翻车预警。

图1示出了根据本公开实施例的车辆失稳预警系统的结构图。本公开的实施例中，车辆可以是任何需要失稳预警的车辆，特别是工程车辆，例如但不限于装载机、挖掘机、起重机等等。如图1所示，车辆失稳预警系统包括检测模块10、数据采集模块20和预警模块30。在一些实施例中，车辆失稳预警系统还可以包括代理代理函数拟合模块40。

检测模块10用于检测车辆的状态参数并提供表示所述状态参数的检测信号。在图1所示的实施例中，检测模块10包括角度传感器1、速度传感器2、压力传感器3和惯性测量单元4，它们可以根据需要安装在车辆的相应位置上以提供检测信号。角度传感器1用于测量车辆的转向角度；速度传感器2用于测量车辆行驶速度；压力传感器3用于测量车辆的铲斗内所装物料重量；惯性测量单元4用于测量车辆的后车体的航向角、横向加速度、横摆角速度以及纵向加速度。然而本领域技术人员应清楚，本公开的实施例不限于此，检测模块10可以根据需要而包括角度传感器1、速度传感器2、压力传感器3和惯性测量单元4中的任何一个或多个，当然也可以包括其他类型的感测部件以感测车辆的各种状态参数。图2示出了检测模块10在车辆上的安装位置的示例。如图2所示，车辆为铰接式装载机，角度传感器1安装在车体前侧和后侧，速度传感器2安装在车轮上，压力传感器3安装在铲斗上，惯性测量单元4可以安装在车体上的任何位置，优选地安装在驾驶室下方。当然本公开的实施例不限于此，各个感应部件可以根据需要安装在任何其他合适的位置。

返回参考图1，数据采集模块20用于对来自检测模块的检测信号进行滤波处理以得到检测数据。在图1所示的实施例中，数据采集模块20包括数据采集卡5和模数转换器6。数据采集卡5用于对来自检测模块10的各种检测信号进行数据采集。模数转换器6用于对来自数据采集卡5的信号进行模数转换以提供检测数据。优选地，数据采集模块20还可以包括显示器(图中未示出)和外壳(图中未示出)，显示器可以显示与数据采集相关的信息，外壳起到保护作用。

预警模块30用于基于检测数据根据代理函数来判断是否存在翻车危险，如果是，则发出预警，其中所述代理函数是预先基于检测数据通过克里金算法拟合的。在图1所示的实施例中，预警模块30包括计算单元7和提示单元8。计算单元7可以由计算机来实现，其用存储代理函数，并基于数据采集模块20的检测数据根据代理函数来预测横向载荷转移率，如果预测的横向载荷转移率达到预设的阈值，则控制提示单元8发出翻车预警。例如，可以当横向载荷转移率为-1或1时，判定存在翻车危险，从而控制提示单元8发出翻车预警；当横向载荷转移率为0时，判定不存在翻车危险，从而根据新接收到的检测数据来继续进行预测。提示单元8可以发出翻车预警，预警方式包括但不限于视频提示、音频提示、振动提示等等。作为示例，提示单元8可以包括安装在车辆驾驶室内的报警器，其可以振动和/或发出警报音。作为另一示例，提示单元8可以包括安装在驾驶室内的显示屏，其可以显示预警画面。作为又一示例，提示单元8可以具有通信功能，可以向用户携带的电子设备发出信号以使电子设备发出音频、视频或振动提示等等。

代理函数拟合模块40用于根据克里金算法建立响应函数模型Y(x)＝f(x)β+z(x)并使用已获得的检测数据根据所述响应函数模型来计算z(x)的协方差矩阵Cov(x_i,x_j)＝σ²R(θ_k,x_i,x_j)的相关性系数θ。代理函数拟合模块40可以与计算单元7一起由计算机实现，当然也可以由单独的计算设备来实现，或者甚至于也可以实现在数据采集模块20中。拟合的代理函数可以存储在计算机的存储器中，以便用于横向载荷转移率的预测，从而进行失稳判断。

下面详细描述代理函数的拟合方法。

Kriging算法作为半参数化插值方法，其模型包含多项式和随机部分：

Y(x)＝f^T(x)β+z(x) (1)

其中f(x)＝[f₁(x),...,f_m(x)]^T,β＝[β₁,...,β_m]^T，m是回归模型基函数的个数。x表示检测数据的样本，Y(x)表示待测响应值，f(x)是关于x的多项式，提供模拟的全局近似，通常情况下，f(x)可以取常数而不影响模拟的准确度，即f(x)对模拟准确度不起决定作用。β是回归系数向量，并且z(x)是均值为零而方差不为零的随机误差函数，即：

E[Z(x)]＝0 (2)

Var[z(x)]＝σ_z ² (3)

提供模拟的局部误差近似，然而z(x)不独立而且同分布，即协方差不为零,其协方差矩阵为：

Cov(x_i,x_j)＝σ²R(x_i,x_j),i,j＝1...n (4)

其中，x_i表示第i个样本点，x_j表示第j个样本点，n为样本点数，R()为相关方程，σ²为过程方差。

在Kriging代理模型中，随机误差函数不是独立的，而且相关联的。其相关函数R(x_i,x_j)对模拟的精确程度起着决定作用。

n为已知样本点数量，θ_k为相关性系数,x_i ^k为x_i的第k个分量，x_j ^k为x_j的第k个分量。

相关函数的形式有很多，常用的有以下几种：

R(θ_k,x_i,x_j)＝exp[-θ_k(x_i ^k-x_j ^k)] (6)

Expg:R(θ_k,x_i,x_j)＝exp[-θ_k(x_i ^k-x_j ^k)^δ],0<δ<2 (7)

Gauss:R(θ_k,x_i,x_j)＝exp[-θ_k(x_i ^k-x_j ^k)²] (8)

Lin:R(θ_k,x_i,x_j)＝max{0,1-θ_k(x_i ^k-x_j ^k)} (9)

Spherical:R(θ_k,x_i,x_j)＝1-1.5ε_k+0.5ε_k ³,ε_k＝min{1,θ_k(x_i ^k-x_j ^k)} (10)

Cubic:R(θ_k,x_i,x_j)＝1-3ε_k+2ε_k ³,ε_k＝min{1,θ_k(x_i ^k-x_j ^k)} (11)

当两个点欧式距离很短时，Exp、Lin和Spherical常用来在线性对象的问题，Gauss、Cubic和Sphine变现为抛物线，常用在连续可微的对象的问题。Gauss相关函数的计算结果相对精确，因而被广泛应用。

在用Kriging进行模拟估计时，相关函数对估计的精度起着决定性的作用，而相关函数的相关性系数θ是相关函数的核心。因此如何选取相关性系数成为代理函数拟合中的重要步骤。

通过对检测数据进行Bucher设计、中心复合设计或者拉丁超立方取样，可以产生一组随机样本点x＝{x₁,x₂,...x_n},例如通过翻车实验测试获得的相应的响应值Y＝{y₁(x),y₂(x),...,y_n(x)}。在式(9)的基础上，给定任意一个待测点x_d，其响应值由已知样本点的响应值Y估计得来：

预测的误差为：

其中，F是由在样本点处f(x)的估计值所组成的向量，即F＝[f1,f2,…,fn]^T,Z＝[z₁,z₂,…,z_n]^T。想要保证模拟的无偏性，需要误差的均值为零，即

从而可以得到

F^Tω-f＝0 (16)

式(13)的预测的均方差为

由(3)、(4)式可知

σ²(x_d)＝σ_z ²(1+ω^TRω-2ω^Tγ) (18)

r(x)表示待测点集x与已知样本点之间的相关性的矩阵，表示如下

r(x)＝{R(x,x₁),...,R(x,x_n)} (19)

这时候，可以通过下面方法求解预测方差系数ω：

其中find表示寻优函数，min表示最小值，s.t.表示寻优限制条件。

引入拉格朗日(Lagrangian)乘子

L(ω,λ)＝σ_z ²(1+ω^TRω-2ω^Tγ)-λ^T(F^Tω-f) (21)

上式对ω求导得

L_ω'(ω,λ)＝2σ_z ²(Rω-γ)-Fλ (22)

令其得零，则

这样，可以求出

将此结果带入到式(13)和式(18)中得待测点x_d的预测响应值为

由以上的过程，便可估计出未知参数β和σ²：

R是在样本点处R(x_i,x_j)的估计值所组成的相关方程矩阵，形式如下：

然而，在计算

和

之前，首先应计算出相关方程的未知参数。利用最大似然估计，求下面函数的最小值来得到相应结果：

根据求得的参数，真实响应值的最佳无偏预测值为

而向量

为

最后，通过求最大化问题，即可得到θ，即

在估算θ时，可以首先基于

的初始值(例如可以预设为0)来进行估算，然后利用得到的θ值计算新的

再利用新的

来估算θ，以此通过上述求最大化问题来获得最终的θ，将最终获得的θ代入等式(27)和(28)可以计算得到

和

从而完成代理函数的拟合。

图3示出了根据本公开实施例的车辆失稳预警方法的示意流程图。

在步骤S301，基于克里金算法拟合代理函数。例如，可以根据以上描述的方式基于等式(1)至(33)进行代理函数的拟合，在此不再赘述。代理函数拟合所使用的已知样本可以是通过对预先获得的检测数据进行例如布彻(Bucher)设计、中心复合设计或者拉丁超立方取样而获得的，也可以是预设的样本。

在步骤S302，检测车辆的状态参数并提供表示所述状态参数的检测信号。例如，可以利用角度传感器测量车辆的转向角度，利用速度传感器测量车辆行驶速度，利用压力传感器测量车辆的铲斗内所装物料重量，利用惯性测量单元测量车辆的后车体的航向角、横向加速度、横摆角速度以及纵向加速度等等。本公开的实施例不限于此，可以根据需要利用任何感测部件来感测任何所需的状态参数。

在步骤S303，对检测信号进行滤波处理以得到检测数据。例如可以对检测信号进行数据采集和模数转换，从而得到数字形式的检测数据。在步骤S304，基于检测数据根据代理函数来判断是否存在翻车危险，如果是，则执行步骤S305，否则返回步骤S304基于新的检测数据继续进行判断。例如，可以将当前获得的检测数据输入代理函数中以预测横向载荷转移率，当横向载荷转移率为-1或1时，判定存在翻车危险，当横向载荷转移率为0时，判定不存在翻车危险。

在步骤S305，发出预警，预警方式包括但不限于视频提示、音频提示、振动提示中的任何一个或多个。例如可以利用安装在车辆驾驶室内的报警器发出振动和警报音，利用安装在驾驶室内的显示屏来显示预警画面，或者向用户携带的电子设备发出信号以使电子设备发出音频、视频或振动提示等等。

本发明可以对车辆的动态稳定性进行检测，由于影响车身稳定性的因素很多，且对于车身稳定性没有十分准确的函数关系可以表达出来，尤其是工程车辆，影响稳定性的因素更为复杂，故采用克里金算法可以有效地构建代理函数，建立各影响因素与车身稳定性的关系，预警准确度高，并且适用于各种车辆的稳定性预警分析，通用性强，节省了专用设备的成本投入，且操作简单。

以上所述仅为本公开的优选实施例，并不用于限制本公开，对于本领域技术人员而言，本公开可以有各种改动和变化。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (6)

1.一种车辆失稳预警系统，包括：

检测模块(10)，用于检测车辆的状态参数并提供表示所述状态参数的检测信号；

数据采集模块(20)，用于对来自检测模块的检测信号进行滤波处理以得到检测数据，所述检测数据包括车辆的铲斗内所装物料重量；

代理函数拟合模块(40)，用于根据检测数据的样本获得代理函数；以及

预警模块(30)，用于基于检测数据根据所述代理函数来判断是否存在翻车危险，如果是，则发出预警，其中所述代理函数是预先基于检测数据通过克里金算法拟合的，

其中，所述检测模块(10)包括以下之中的一个或多个：

角度传感器(1)，用于测量车辆的转向角度；

速度传感器(2)，用于测量车辆行驶速度；

压力传感器(3)，用于测量车辆的铲斗内所装物料重量；

惯性测量单元(4)，用于测量车辆的后车体的航向角、横向加速度、横摆角速度以及纵向加速度，

所述代理函数拟合模块(40)执行以下操作：

根据克里金算法建立响应函数模型Y(x)＝f(x)β+z(x)，其中f(x)为关于x的多项式并且f(x)＝[f₁(x),…,f_m(x)]^T，β为回归系数向量并且β＝[β₁,...,β_m]^T，m为回归模型基函数的个数，z(x)表示均值为零而方差不为零的随机误差函数，z(x)的协方差矩阵为Cov(x_i,x_j)＝σ²R(θ_k,x_i,x_j)，其中

R()表示相关方程，x表示检测数据的样本，x_i表示第i个样本点，x_j表示第j个样本点，i,j＝1...n，n为样本点的数量，θ_k为相关性系数,x_i ^k为x_i的第k个分量，x_j ^k为x_j的第k个分量，σ²为过程方差；以及

使用已获得的检测数据的样本根据所述响应函数模型来计算相关性系数θ，

所述预警模块基于检测数据根据所述代理函数预测横向载荷转移率，如果预测的横向载荷转移率达到预设的阈值，则判定存在翻车危险并发出预警。

2.如权利要求1所述的车辆失稳预警系统，其特征在于，所述数据采集模块(20)包括：

数据采集卡(5)，用于对来自检测模块(10)的检测信号进行数据采集；

模数转换器(6)，用于对来自数据采集卡(5)的信号进行模数转换以提供检测数据。

3.如权利要求1所述的车辆失稳预警系统，其特征在于，所述的预警模块(30)包括：

提示单元(8)，用于发出翻车预警，所述翻车预警包括视频提示、音频提示、振动提示中的至少一种；

计算单元(7)，用于存储代理函数，并基于数据采集模块(20)的检测数据根据代理函数来预测横向载荷转移率，如果预测的横向载荷转移率达到预设的阈值，则控制提示单元(8)发出翻车预警。

4.一种车辆失稳预警方法，包括：

检测车辆的状态参数并提供表示所述状态参数的检测信号；

对检测信号进行滤波处理以得到检测数据，所述检测数据包括车辆的铲斗内所装物料重量；

根据检测数据的样本获得代理函数；以及

基于检测数据根据所述代理函数来判断是否存在翻车危险，如果是，则发出预警，其中所述代理函数是预先基于检测数据通过克里金算法拟合的，

其中，所述检测车辆的状态参数包括以下之中的一个或多个：

利用角度传感器测量车辆的转向角度；

利用速度传感器测量车辆行驶速度；

利用压力传感器测量车辆的铲斗内所装物料重量；

利用惯性测量单元测量车辆的后车体的航向角、横向加速度、横摆角速度以及纵向加速度，

所述根据检测数据的样本获得代理函数包括以下操作：

根据克里金算法建立响应函数模型Y(x)＝f(x)β+z(x)，其中f(x)为关于x的多项式并且f(x)＝[f₁(x),…,f_m(x)]^T，β为回归系数向量并且β＝[β₁,...,β_m]^T，m为回归模型基函数的个数，z(x)表示均值为零而方差不为零的随机误差函数，z(x)的协方差矩阵为Cov(x_i,x_j)＝σ²R(θ_k,x_i,x_j)，其中

R()表示相关方程，x表示检测数据的样本，x_i表示第i个样本点，x_j表示第j个样本点，i,j＝1...n，n为样本点的数量，θ_k为相关性系数,x_i ^k为x_i的第k个分量，x_j ^k为x_j的第k个分量，σ²为过程方差；以及

使用已获得的检测数据的样本根据所述响应函数模型来计算相关性系数θ，

所述基于检测数据根据代理函数来判断是否存在翻车危险包括：基于检测数据根据代理函数来预测横向载荷转移率，如果预测的横向载荷转移率达到预设的阈值，则判定存在翻车危险。

5.根据权利要求4所述的车辆失稳预警方法，其特征在于，所述滤波处理包括数据采集和模数转换。

6.根据权利要求4所述的车辆失稳预警方法，其特征在于，所述基于检测数据根据代理函数来判断是否存在翻车危险包括：基于检测数据根据代理函数来预测横向载荷转移率，当横向载荷转移率为-1或1时，判定存在翻车危险，当横向载荷转移率为0时，判定不存在翻车危险。

Images