CN110516353B - 一种山区高速公路弯道设计缺陷快速识别方法 - Google Patents

Abstract

本发明公开了一种山区高速公路弯道设计缺陷快速识别方法，包括如下步骤：1.分析多种车辆的关键参数，并对车辆的关键部件进行建模；2.利用CATIA绘制试验道路的三维几何模型，输出试验道路中线三维坐标，并编写反映试验道路特征的rdf文件；3.建立用于对车辆进行智能控制的FNNC模糊神经网络控制器；4.通过仿真，得到车辆在弯道行驶过程中的动力学响应参数；5.通过仿真得出不同类型车辆的最高安全行驶车速，并通过对比速度一致性和加速度一致性，找出道路的安全缺陷并提出指导性的建议。本发明通过采用虚拟样机技术和模糊神经网络智能控制，能够在设计阶段检测出山区高速公路弯道缺陷，具有效率高和实效性强的特点。

Description

一种山区高速公路弯道设计缺陷快速识别方法

【技术领域】

本发明涉及道路交通的技术领域，特别是涉及一种山区高速公路弯道设计缺陷快速识别方法。

【背景技术】

我国是一个幅员辽阔的国家，山地和丘陵面积占国土面积的70％以上，同样山区公路在中国公路网中也占有相当大的比例。山区高速公路弯道路段，特别是弯道入弯口，是高速公路交通事故多发的路段，虽然高速公路弯道路事故在交通事故中所占的比例并不是最高，但其所造成的事故形态十分严重，给人民的人身以及财产安全造成了极大的隐患，其原因主要是由于高速公路弯道处本身的安全缺陷，此外驾驶员常有超速行驶的行为，因此极易发生危险事故。

目前，我国对公路的线型设计大多依靠专家经验，缺乏系统的方法指导，道路的设计可能存在较大的缺陷和隐患，尤其是在山区公路，由于地形的限制，这些缺陷容易被放大，造成道路交通事故。传统的道路安全测量方法受到时间以及资金的限制较大，并不能广泛的实施以及有效的检测出道路安全缺陷。

综上所述，现在亟待发展能够对道路设计的合理性进行客观分析并提供指导的技术方法。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种山区高速公路弯道设计缺陷快速识别方法，通过采用虚拟样机技术和模糊神经网络智能控制，能够在设计阶段检测出山区高速公路弯道缺陷，具有效率高和实效性强的特点。

为实现上述目的，本发明提出了一种山区高速公路弯道设计缺陷快速识别方法，包括如下步骤：

(1)分析多种车辆的关键参数，并利用ADAMS/car对车辆的关键部件进行建模；

(2)利用CATIA绘制试验道路的三维几何模型，用Hypermesh输出试验道路中线三维坐标，并编写反映试验道路特征的rdf文件；

(3)利用MATLAB和模糊神经网络控制，建立用于对车辆进行智能控制的FNNC模糊神经网络控制器；

(4)利用ADAMS/car和MATLAB联合仿真，建立基于“汽车模型-三维道路模型-模糊神经网络控制”的仿真平台，通过仿真，得到车辆在弯道行驶过程中的动力学响应参数；

(5)分析不同车型在不同车速下的动力学响应参数，通过仿真得出不同类型车辆的最高安全行驶车速，并通过对比速度一致性和加速度一致性，找出道路的安全缺陷并提出指导性的建议。

作为优选，所述步骤(1)中，所述关键部件包括悬架系统、转向系统和轮胎系统。

作为优选，所述步骤(2)中，用hypermesh输出试验道路中线三维坐标的具体方法为：利用hypermesh对实验道路的三维几何模型中线进行网格化处理，并输出中线各个节点的三维空间坐标。

作为优选，所述步骤(2)中，编写反映试验道路特征的rdf文件的具体方法为：根据Sayers经验模型，选取试验道路的空间功率谱密度、速度功率谱密度和加速度空间谱密度，分析试验道路两侧摩擦系数和试验道路横截面坡度角，然后基于3D SPLINE创建反映试验道路特征的rdf文件。

作为优选，所述步骤(3)中，建立用于对车辆进行智能控制的FNNC模糊神经网络控制器的具体方法为：

a.依据车辆的动力学参数，确定FNN控制器的输入变量e和输入变量的变化率ec，并依据驾驶员对车辆的控制参数，确定FNN控制器的输出变量u；

b.利用模糊化和清晰化的方法，表达出输入模糊语言变量E、EC以及输出模糊语言变量U，并分别用T(E)、T(EC)、T(U)表示他们的语言集合；

T(E)＝{NB，NM，NS，ZE，PS，PM，PB}

T(EC)＝{NB，NM，NS，ZE，PS，PM，PB}

T(U)＝{NB，NM，NS，ZE，PS，PM，PB}

c.选取可微的高斯函数作为隶属函数进行模糊化，表达式为：

式中，和/>分别为隶属函数的中心和宽度参数；

d.选取基于标准模型的结构，选用5层的模糊神经网络，其结构为2-14-49-49-1，确定模糊控制器各分层情况如下：

第一层是输入层；

以控制器的输入变量e和输入变量的变化率ec作为输入，则有：

x₁＝e

x₂＝ec

y_i＝x_i

其中x₁，x₂分别是控制器对应第一层神经网络的输入，y_i(i＝1，2)为第一层神经网络的输出；

第二层是模糊化层；

选取模糊语言规则和隶属函数，对输入变量进行模糊化；

第三层是规则层；

对应于模糊推理，可以通过计算得到每条规则的适应度，在计算的时候采用连乘的方法，其表达式为：

其中，i1∈{1.2，…，7}；i2∈{1，2，…，7}；

第四层为结论层；

作用是规范化计算，其表达式为：

第五层为输出层；

其作用是清晰化计算，其表达式为：

式中，ωⁱ为可调权系数；

e.利用反向传播算法BP，对隶属函数的中心和宽度参数以及可调权系数ωⁱ进行修正，得到优化后的控制文件，求得参数修正的学习算法为：

式中，β为学习效率，且β＞0。

作为优选，步骤(4)中所述的动力学响应参数包括速度、侧向加速度和侧倾角。

作为优选，所述步骤(5)包括以下步骤：

I.得出不同车速下的动力学响应曲线，车辆刚好要侧翻或者侧滑出道路的速度作为最高安全行驶车速；

II.对比在设计车速和最高安全行驶车速下的侧向加速度曲线和侧倾角曲线，分别计算出侧向加速度和侧倾角的安全余度：

式中，α_a为侧向加速度安全余度，为侧倾角安全余度，a_m，i为在最高安全行驶车速状态下，取侧向加速度曲线上不同的点得到的侧向加速度值，a_d为在设计车速状态下，平稳转向时候的侧向加速度值，/>为在最高安全行驶车速状态下，取侧倾角曲线上不同的点得到的侧倾角值，/>为在设计车速状态下，平稳转向时候的侧倾角值；

IⅡ.通过对比速度的一致性，侧向加速度的一致性，反映高速公路弯道的设计缺陷，并提出指导性的建议。

本发明的有益效果：本发明提供了一种山区高速公路弯道安全缺陷的快速识别方法，通过虚拟样机技术和模糊神经网络控制，可以有效地搭建对山区高速公路弯道进行测试的仿真模型，逼近真实的人、车以及道路情况。通过仿真结果产生的动力学响应系数，得出不同类型车辆的最高安全行驶车速，并根据速度一致性，加速度一致性，找出道路的安全缺陷，本方法具有建模灵活快速，响应参数真实准确等优点，对预防交通事故的发生以及道路交通安全的改进有重要指导意义。

本发明的特征及优点将通过实施例结合附图进行详细说明。

【附图说明】

图1是本发明中轿车运行动力学建模示意图；

图2是本发明中轿车侧向加速度仿真曲线；

图3是本发明中轿车侧倾角仿真曲线；

图4是本发明中客车运行动力学建模示意图；

图5是本发明中客车侧向加速度仿真曲线；

图6是本发明中客车侧倾角仿真曲线；

图7是本发明中货车侧向加速度仿真曲线；

图8是本发明中货车侧倾角仿真曲线。

【具体实施方式】

参阅图1～图8，本发明一种山区高速公路弯道设计缺陷快速识别方法，包括如下步骤：

(1)分析多种车辆的关键参数，并利用ADAMS/car对车辆的关键部件进行建模；本发明中确定三种车辆类型，具体包括轿车、客车和货车。

(2)利用CATIA绘制试验道路的三维几何模型，用Hypermesh输出试验道路中线三维坐标，并编写反映试验道路特征的rdf文件；

(3)利用MATLAB和模糊神经网络控制，建立用于对车辆进行智能控制的FNNC模糊神经网络控制器；

(4)利用ADAMS/car和MATLAB联合仿真，建立基于“汽车模型-三维道路模型-模糊神经网络控制”的仿真平台，通过仿真，得到车辆在弯道行驶过程中的动力学响应参数，如图2、图3、图5、图6、图7和图8所示(其中实线对应于最高安全行驶车速，虚线对应于设计车速)；

(5)分析不同车型在不同车速下的动力学响应参数，通过仿真得出不同类型车辆的最高安全行驶车速，并通过对比速度一致性和加速度一致性，找出道路的安全缺陷并提出指导性的建议。

步骤(1)中，所述关键部件包括悬架系统、转向系统和轮胎系统。

步骤(2)中，利用CATIA绘制试验道路的三维几何模型，本发明中，取山区高速公路的一般设计车速值80Km/h，根据JTG/T D20-200X《公路路线设计细则》选取圆曲线最小半径为250m，并取单车道道路宽度为3.75m，圆曲线转过的角度为90°，入弯前和出弯后各取100m长的引道，利用CATIA绘制实验道路的三维几何模型，如图1、图4和图7所示；利用hypermesh输出试验道路中线三维坐标的具体方法为：利用hypermesh对实验道路的三维几何模型中线进行网格化处理，并输出中线各个节点的三维空间坐标。

所述步骤(2)中，编写反映试验道路特征的rdf文件的具体方法为：根据Sayers经验模型，选取试验道路的空间功率谱密度、速度功率谱密度和加速度空间谱密度，分析试验道路两侧摩擦系数和试验道路横截面坡度角，然后基于3D SPLINE创建反映试验道路特征的rdf文件；本发明中，取道路的空间功率谱密度Ge为0，速度功率谱密度Gs为6.32×10^-6，加速度空间谱密度Ga为0，取道路两侧摩擦系数为0.9，试验道路横截面坡度角为0。

所述步骤(3)中，建立用于对车辆进行智能控制的FNNC模糊神经网络控制器的具体方法为：

a.依据车辆的动力学参数(包括速度、加速度、车辆运行路径与道路中线的差值和差值变化率)，确定FNN控制器的输入变量e和输入变量的变化率ec，并依据驾驶员对车辆的控制参数(包括油门和方向盘转角)，确定FNN控制器的输出变量u；

b.利用模糊化和清晰化的方法，表达出输入模糊语言变量E、EC以及输出模糊语言变量U，并分别用T(E)、T(EC)、T(U)表示他们的语言集合；

T(E)＝{NB，NM，NS，ZE，PS，PM，PB}

T(EC)＝{NB，NM，NS，ZE，PS，PM，PB}

T(U)＝{NB，NM，NS，ZE，PS，PM，PB}

c.选取可微的高斯函数作为隶属函数进行模糊化，表达式为：

式中，和/>分别为隶属函数的中心和宽度参数；

d.选取基于标准模型的结构，选用5层的模糊神经网络，其结构为2-14-49-49-1，确定模糊控制器各分层情况如下：

第一层是输入层；

以控制器的输入变量e和输入变量的变化率ec作为输入，则有：

x₁＝e

x₂＝ec

y_i＝x_i

其中x₁，x₂分别是控制器对应第一层神经网络的输入，y_i(i＝1，2)为第一层神经网络的输出；

第二层是模糊化层；

选取模糊语言规则和隶属函数，对输入变量进行模糊化；

第三层是规则层；

对应于模糊推理，可以通过计算得到每条规则的适应度，在计算的时候采用连乘的方法，其表达式为：

其中，i1∈{1，2，…，7}；i2∈{1，2，…，7}；

第四层为结论层；

作用是规范化计算，其表达式为：

第五层为输出层；

其作用是清晰化计算，其表达式为：

式中，ωⁱ为可调权系数；

e.利用反向传播算法BP，对隶属函数的中心和宽度参数以及可调权系数ωⁱ进行修正，得到优化后的控制文件，求得参数修正的学习算法为：

式中，β为学习效率，且β＞0。

作为优选，步骤(4)中所述的动力学响应参数包括速度、侧向加速度和侧倾角。

作为优选，所述步骤(5)包括以下步骤：

I.得出不同车速下的动力学响应曲线，车辆刚好要侧翻或者侧滑出道路的速度作为最高安全行驶车速；

II.对比在设计车速和最高安全行驶车速下的侧向加速度曲线和侧倾角曲线，分别计算出侧向加速度和侧倾角的安全余度：

式中，α_a为侧向加速度安全余度，为侧倾角安全余度，a_mi为在最高安全行驶车速状态下，取侧向加速度曲线上不同的点得到的侧向加速度值，a_d为在设计车速状态下，平稳转向时候的侧向加速度值，/>为在最高安全行驶车速状态下，取侧倾角曲线上不同的点得到的侧倾角值，/>为在设计车速状态下，平稳转向时候的侧倾角值；

IⅡ.通过对比速度和侧向加速度，反映高速公路弯道的设计缺陷，并提出指导性的建议；

由图2、图5和图7可知，在最高安全行驶车速下，车辆刚进入弯道处的侧向加速度为极值点，基于此极值点，算得侧向加速度和侧倾角的安全余度的极限值；超过此安全余度的极限值，车辆就会发生侧翻或侧滑出道路，因此车辆刚入弯时是最危险的行驶情况；在本发明的实施例中，仿真计算得到轿车的侧向加速度和侧倾角的安全余度的极限值分别为369％和277％，客车的侧向加速度和侧倾角的安全余度的极限值分别为130％和137％，货车的侧向加速度和侧倾角的安全余度的极限值分别为150％和151％，可以得出客车的侧向加速度和侧倾角的安全余度的极限值均为三种车型里面最低的，因此在此仿真条件的三种车型中，客车是最容易发生安全事故的车型。

本发明提供了一种山区高速公路弯道安全缺陷的快速识别方法，通过虚拟样机技术和模糊神经网络控制，可以有效地搭建对山区高速公路弯道进行测试的仿真模型，逼近真实的人、车以及道路情况。通过仿真结果产生的动力学响应系数，得出不同类型车辆的最高安全行驶车速，并根据速度一致性，加速度一致性，找出道路的安全缺陷，本方法具有建模灵活快速，响应参数真实准确等优点，对预防交通事故的发生以及道路交通安全的改进有重要指导意义。

上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims (1)

1.一种山区高速公路弯道设计缺陷快速识别方法，其特征在于：

包括如下步骤：

(1)分析多种车辆的关键参数，并利用ADAMS/car对车辆的关键部件进行建模；

(2)利用CATIA绘制试验道路的三维几何模型，用Hypermesh输出试验道路中线三维坐标，并编写反映试验道路特征的rdf文件；

(3)利用MATLAB和模糊神经网络控制，建立用于对车辆进行智能控制的FNNC模糊神经网络控制器；

(4)利用ADAMS/car和MATLAB联合仿真，建立基于“汽车模型-三维道路模型-模糊神经网络控制”的仿真平台，通过仿真，得到车辆在弯道行驶过程中的动力学响应参数；

(5)分析不同车型在不同车速下的动力学响应参数，通过仿真得出不同类型车辆的最高安全行驶车速，并通过对比速度一致性和加速度一致性，找出道路的安全缺陷并提出指导性的建议；

所述步骤(1)中，所述关键部件包括悬架系统、转向系统和轮胎系统；

所述步骤(2)中，用hypermesh输出试验道路中线三维坐标的具体方法为：利用hypermesh对实验道路的三维几何模型中线进行网格化处理，并输出中线各个节点的三维空间坐标；

所述步骤(2)中，编写反映试验道路特征的rdf文件的具体方法为：根据Sayers经验模型，选取试验道路的空间功率谱密度、速度功率谱密度和加速度空间谱密度，分析试验道路两侧摩擦系数和试验道路横截面坡度角，然后基于3D SPLINE创建反映试验道路特征的rdf文件；

所述步骤(3)中，建立用于对车辆进行智能控制的FNNC模糊神经网络控制器的具体方法为：

a.依据车辆的动力学参数，确定FNN控制器的输入变量e和输入变量的变化率ec,并依据驾驶员对车辆的控制参数，确定FNN控制器的输出变量u；

b.利用模糊化和清晰化的方法，表达出输入模糊语言变量E、EC以及输出模糊语言变量U，并分别用T(E)、T(EC)、T(U)表示他们的语言集合；

T(E)＝{NB,NM,NS,ZE,PS,PM,PB}

T(EC)＝{NB,NM,NS,ZE,PS,PM,PB}

T(U)＝{NB,NM,NS,ZE,PS,PM,PB}

c.选取可微的高斯函数作为隶属函数进行模糊化，表达式为：

式中，和/>分别为隶属函数的中心和宽度参数；

d.选取基于标准模型的结构，选用5层的模糊神经网络，其结构为2-14-49-49-1，确定模糊控制器各分层情况如下：

第一层是输入层；

以控制器的输入变量e和输入变量的变化率ec作为输入，则有:

x₁＝e

x₂＝ec

y_i＝x_i

其中x₁,x₂分别是控制器对应第一层神经网络的输入，y_i(i＝1,2)为第一层神经网络的输出；

第二层是模糊化层；

选取模糊语言规则和隶属函数，对输入变量进行模糊化；

第三层是规则层；

对应于模糊推理，可以通过计算得到每条规则的适应度,在计算的时候采用连乘的方法，其表达式为：

其中，i1∈{1，2，…，7}；i2∈{1，2，…，7}；

第四层为结论层；

作用是规范化计算，其表达式为：

第五层为输出层；

其作用是清晰化计算，其表达式为：

式中，ωⁱ为可调权系数；

e.利用反向传播算法BP，对隶属函数的中心和宽度参数以及可调权系数ωⁱ进行修正，得到优化后的控制文件，求得参数修正的学习算法为：

式中，β为学习效率,且β＞0；

所述步骤(4)中所述的动力学响应参数包括速度、侧向加速度和侧倾角；

所述所述步骤(5)包括以下步骤：

Ⅰ.得出不同车速下的动力学响应曲线，车辆刚好要侧翻或者侧滑出道路的速度作为最高安全行驶车速；

Ⅱ.对比在设计车速和最高安全行驶车速下的侧向加速度曲线和侧倾角曲线，分别计算出侧向加速度和侧倾角的安全余度：

式中，α_a为侧向加速度安全余度，为侧倾角安全余度，a_mi为在最高安全行驶车速状态下，取侧向加速度曲线上不同的点得到的侧向加速度值，a_d为在设计车速状态下，平稳转向时候的侧向加速度值，/>为在最高安全行驶车速状态下，取侧倾角曲线上不同的点得到的侧倾角值，/>为在设计车速状态下，平稳转向时候的侧倾角值；

Ⅲ.通过对比速度的一致性，侧向加速度的一致性，反映高速公路弯道的设计缺陷，并提出指导性的建议。