CN111645698A - 一种重载车辆侧翻阈值自适应估计方法 - Google Patents

Abstract

本发明提出一种重载车辆侧翻阈值自适应估计方法，首先明确侧翻表征参数和影响侧翻阈值的因素并搭建侧翻阈值标定装置，然后建立用于重载车辆实车试验的多维度典型侧翻场景库，其次开展不同场景下重载车辆侧翻阈值标定试验，再次处理数据并标定出不同场景下侧翻临界状态时各车身状态参数的值，进而建立适用于侧翻阈值动态估计的神经网络，最后基于神经网络实现重载车辆侧翻阈值的自适应估计。该方法利用高精度传感器搭建侧翻阈值标定装置，可用于实车试验；总结重载车辆典型侧翻场景库，通过实车试验，制作网络训练样本训练神经网络，得到车速、整车质量和侧倾角阈值、侧向加速度阈值的映射关系，实现侧翻阈值的动态估计。

Description

一种重载车辆侧翻阈值自适应估计方法

技术领域

本发明涉及一种侧翻阈值估计方法，具体的是一种重载车辆侧翻阈值自适应估计方法，属于车辆安全技术领域。

背景技术

近年来，随着我国经济的蓬勃发展，物流行业正在飞速成长，重载车辆逐渐成为我国公路运输车辆的主力。根据美国公路交通安全管理局的相关统计数据表明，车辆侧翻事故的发生率以及危害程度居车辆事故第2位，尤其是重载车辆，由于其质心高、载重量大，侧翻事故发生的频率更高，造成的损失更加巨大。因此，重载车辆侧翻防控方法一直是研究热点。

目前，侧翻防控方法是基于固定的侧翻阈值，如0.4g的侧向加速度等。然而重载车辆在不同驾驶行为、不同载荷和不同道路状况下侧翻阈值是动态变化的，因此单一固定的侧翻阈值难以适应重载车辆实际侧翻防控的需求。据资料调研，重载车辆侧翻阈值的获取途径大多以多维仿真试验为主，其原因为：1、缺乏重载车辆侧翻阈值高可靠标定装置，2、缺乏适用于重载车辆实车试验的典型侧翻场景库，3、缺乏能够根据重载车辆行驶状况动态估计侧翻阈值的方法。

发明内容

针对单一固定的侧翻阈值难以适用重载车辆实际侧翻防控需求的问题，本发明提出了一种重载车辆侧翻阈值自适应估计方法。该方法能够根据重载车辆当前行使状态动态估计侧翻阈值，有助于提高侧翻预警的准确性。

为了实现上述目的，本发明提供如下技术方案：

步骤一：明确侧翻表征参数和影响侧翻阈值的因素并搭建侧翻阈值标定装置

侧翻表征参数选为侧倾角τ和侧向加速度α，影响侧翻阈值的因素选为车速v和整车质量m；

侧翻阈值标定装置包括一台高精度惯性测量单元、两个轮力传感器和两台防侧翻架，高精度惯性测量单元安装在接近重载车辆质心处，轮力传感器安装在重载车辆尾部最后一轴两侧车轮上，防侧翻架安装在重载车辆两侧；高精度惯性测量单元采集侧倾角τ和侧向加速度α，轮力传感器采集最后一轴左车轮垂向力f_l和右车轮垂向力f_r；通过车身CAN总线采集最后一轴两轮轮速传感器信息的均值作为车速v，整车质量m事先静态测量获得，各传感器数据输出频率相同；

步骤二：建立适用于重载车辆实车试验的多维度典型侧翻场景库

重载车辆侧翻场景库各场景基元划分如下表所示：

场景基元排列组合后有30种侧翻场景；

步骤三：开展不同侧翻场景下重载车辆侧翻阈值标定试验

不同侧翻场景下重载车辆侧翻阈值标定试验的具体步骤包括：

子步骤1：标定试验应在干燥、坚实的路面上进行，且路面表面峰值附着系数不小于0.9；检查标定装置中各传感器的可靠性，防侧翻架的安全性，以及检查试验场地有无安全隐患；

子步骤2：基于步骤二中确定的侧翻场景在封闭试验场依次设置载荷、路面状况、纵向坡度和驾驶行为，在试验场地上画出J转向和双移线的试验轨迹；试验开始前，静态测量整车质量m；

子步骤3：保持恒定车速按照轨迹行驶，以32km/h为初始速度，逐次增加2km/h，直到连续5次试验过程中最后一轴一侧轮胎垂向力为0或者防侧翻支架一侧着地结束当前场景下侧翻阈值标定试验，保存这5次试验的车速v、整车质量m、侧倾角τ和侧向加速度α、最后一轴左车轮垂向力f_l、最后一轴右车轮垂向力f_r的数据；

子步骤4：重复子步骤2和子步骤3，完成30种侧翻场景下的阈值标定试验并保存数据；

步骤四：处理数据并标定不同场景下车辆在侧翻临界状态时各车身状态参数的值

30种侧翻场景标定试验完成后，每个场景下保存了5次试验数据，共有150次试验数据；采用中位值平均滤波对每次试验采集的车速v、侧倾角τ和侧向加速度α、最后一轴左车轮垂向力f_l、最后一轴右车轮垂向力f_r的数据进行处理；以侧向加速度为例，α_t为某次试验中侧向加速度的一组数据，t＝1,2,…,n，n为该次试验中侧向加速度数据量，中位值平均滤波处理方法如下：

当t＜4,t＞n-3时，

当4≤t≤n-3时，

该次试验的车速v、侧倾角τ、最后一轴左车轮垂向力f_l、最后一轴右车轮垂向力f_r数据以同样的方法进行滤波处理；

150次试验的各项数据经过上述方法处理后，以最后一轴单侧车轮的垂向力为0来标志重载车辆发生侧翻的临界状态，并获得垂向力为0时车速v、整车质量m、侧倾角τ和侧向加速度α的数值，具体步骤包括：

子步骤1：将某次试验的车速v、侧倾角τ、侧向加速度α、最后一轴左车轮垂向力f_l和最后一轴右车轮垂向力f_r的数据进行时间轴统一显示，即各数据的曲线具有相同的起始时刻和终止时刻，整车质量m为一定值；

子步骤2：从起始时刻开始搜索两侧车轮任一侧垂向力为0的点，记录此时车速、整车质量、侧倾角和侧向加速度的值，记为

其中侧倾角

和侧向加速度

为该次试验的侧翻阈值；

子步骤3：重复上述步骤，记录下150次试验中两侧车轮任一侧垂向力为0时车速、整车质量、侧倾角和侧向加速度的值，

步骤五：建立适用于侧翻阈值动态估计的神经网络

设计的3层神经网络包括输入层、1个隐藏层和输出层，训练样本为

神经网络的输入向量X＝[x₁ x₂]^T，输出向量Y＝[y₁ y₂]^T，其中x₁为车速，x₂为整车质量，y₁为网络输出的侧倾角阈值，y₂为网络输出的侧向加速度阈值，隐藏层有三个节点，网络中隐藏层和输出层中神经元的激活函数为relu函数；

神经网络通过正向传播和反向传播，实现实际输出值与期望输出值之间的方差最小，对神经网络各层间的权值和阈值进行初始化后开始网络训练，利用纠错学习规则和梯度下降法对网络各层间的权值和阈值进行调整，在训练的过程中观察输出误差是否收敛并达到要求，收敛并达到要求后就能得到训练好的神经网络；步骤六：基于神经网络实现重载车辆侧翻阈值的自适应估计

重载车辆行驶时，通过车身CAN总线实时获取当前时刻车速

事先静态测量整车质量

在神经网络输入层输入采集的数据，令

网络输出y₁为侧倾角阈值，y₂为侧向加速度阈值；令y₁为侧倾角控制阈值，y₂为侧向加速度控制阈值，0.8y₁为侧倾角预警阈值，0.8y₂为侧向加速度预警阈值。

与现有技术相比，本发明具有如下优点和有益效果：

1.本发明搭建的侧翻阈值标定装置能够准确实时采集重载车辆发生侧翻时各表征参数数据，可运用于实车试验；

2.本发明总结的侧翻场景库涵盖了重载车辆实际行驶时发生侧翻的典型场景；

3.本发明利用神经网络建立车速、整车质量和侧倾角阈值、侧向加速度阈值的映射关系，实现侧翻阈值的动态估计

附图说明

图1为重载车辆侧翻阈值自适应估计方法的总体设计方案图

图2为半径为45.7m的重载车辆J左转向试验轨迹图

图3为重载车辆双移线试验轨迹图

图4为设计的神经网络模型图

具体实施方式

以下将结合具体实例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明而不用于限制本发明的范围。

本发明提出了一种重载车辆侧翻阈值自适应估计方法，首先明确侧翻表征参数和影响侧翻阈值的因素并搭建侧翻阈值标定装置，然后建立适用于重载车辆实车试验的多维度典型侧翻场景库，其次开展不同侧翻场景下重载车辆侧翻阈值标定试验，再次处理数据并标定不同场景下车辆在侧翻临界状态时各车身状态参数的值，进而建立适用于侧翻阈值动态估计的神经网络，最后基于神经网络实现重载车辆侧翻阈值的自适应估计。本发明利用高精度惯性测量单元、轮力传感器和防侧翻架搭建适用于重载车辆的侧翻阈值标定装置，可用于实车试验；结合重载车辆实际侧翻场景，参考多项车辆稳定性试验标准，总结重载车辆典型侧翻场景库；通过实车试验，制作网络训练样本，以此训练神经网络，得到车速、整车质量和侧倾角阈值、侧向加速度阈值的映射关系，实现侧翻阈值的动态估计。本发明总体设计方案如图1所示，具体步骤包括：

步骤一：明确侧翻表征参数和影响侧翻阈值的因素并搭建侧翻阈值标定装置

侧倾角和侧向加速度是常用的侧翻表征参数，可以直观的反映重载车辆的侧倾稳定性，故侧翻表征参数选为侧倾角τ和侧向加速度α。

重载车辆做曲线运动时，道路曲率半径一定，车速、整车质量越大，车辆的离心力越大，当车辆自重加在车轮上的力矩不足以克服离心力时，车辆会发生侧翻，因此影响侧翻阈值的因素选为车速v和整车质量m。

侧翻阈值标定装置包括一台高精度惯性测量单元、两个轮力传感器(轮力传感器的介绍与功能见参考文献--晏华文.基于蓝牙的车轮力数据传输系统设计[D].镇江:江苏科技大学,2013)和两台防侧翻架。高精度惯性测量单元安装在接近重载车辆质心处，轮力传感器安装在重载车辆尾部最后一轴两侧车轮上，防侧翻架安装在重载车辆两侧。高精度惯性测量单元采集侧倾角τ和侧向加速度α，轮力传感器采集最后一轴左车轮垂向力f_l和右车轮垂向力f_r。随着越来越多的重载车辆配备制动防抱死系统(ABS)等电子系统，轮速传感器已被安装在车辆中，通过车身CAN总线采集最后一轴两轮(即非转向轮)轮速传感器信息的均值作为车速v。整车质量m事先静态测量获得，各传感器数据输出频率相同，保证采集的数据一一对应。

步骤二：建立适用于重载车辆实车试验的多维度典型侧翻场景库

重载车辆侧翻场景库的建立需考虑“人”、“车”和“路”三个影响因素，各影响因素的基元划分如下表所示。在驾驶行为基元、载荷基元、路面状况基元和纵向坡度基元中选择一项量化参数，进行排列组合得到不同的侧翻场景。为与侧滑区分，暂不考虑低附着系数。

J转向试验轨迹设置参考GB/T6323-2014《汽车操纵稳定性试验方法》和JT/T1094-2016《营运客车安全技术条件》中转向试验规定，如图2所示。双移线试验轨迹设置参考ISO 3888-2《乘用车--急剧变换车道操纵用试验车道--第2部分:障碍物规避》中规定要求，如图3所示。

路面状况设置为平坦道路和不平整道路，不平整道路包括汽车试验场中的砾石路和搓板路。为了造成左右车轮的相位差，将搓板路面左右两侧的搓板错位布置或斜置某一角度。

场景基元排列组合时，认为纵向陡坡<7％和砾石路、搓板路不支持J转向试验，砾石路、搓板路的纵向坡度为<3％，因此有6(J转向)×3(载荷)×1(道路状况：平坦道路+<3％)+1(双移线)×3(载荷)×4(道路状况：平坦道路+<3％、平坦道路+<7％、砾石路+<3％、搓板路+<3％)＝30种侧翻场景。

步骤三：开展不同侧翻场景下重载车辆侧翻阈值标定试验

确定重载车辆典型侧翻场景库后，在封闭试验场依次设置30种侧翻场景并开展标定试验。通过实车试验，获得重载车辆在不同侧翻场景下从安全行驶到发生侧翻过程中车身状态参数的数值变化。具体步骤包括：

子步骤1：标定试验应在干燥、坚实的路面上进行，且路面表面峰值附着系数不小于0.9；需检查标定装置中各传感器的可靠性，防侧翻架的安全性，以及检查试验场地有无安全隐患；

子步骤2：基于步骤二中确定的侧翻场景在封闭试验场依次设置载荷、路面状况、纵向坡度和驾驶行为，用醒目的颜色在试验场地上画出J转向和双移线的试验轨迹；试验开始前，静态测量整车质量m；

子步骤3：参考GB/T 38185-2019《商用车辆电子稳定性控制系统性能要求及试验方法》J转向试验中速度设置，驾驶员尽量保持恒定车速按照轨迹行驶，以32km/h为初始速度，逐次增加2km/h，直到连续5次(5次是为了保证训练网络时有足够的样本数据)试验过程中最后一轴一侧轮胎垂向力为0或者防侧翻支架一侧着地结束当前场景下侧翻阈值标定试验，保存这5次试验的车速v、整车质量m、侧倾角τ和侧向加速度α、最后一轴左车轮垂向力f_l、最后一轴右车轮垂向力f_r的数据；

子步骤4：重复子步骤2和子步骤3，完成30种侧翻场景下的阈值标定试验并保存数据。

步骤四：处理数据并标定不同场景下车辆在侧翻临界状态时各车身状态参数的值

30种侧翻场景标定试验完成后，每个场景下保存了5次试验数据，共有150次试验数据。为进一步提高数据的准确性和可靠性，采用工程实用的中位值平均滤波对每次试验采集的车速v、侧倾角τ和侧向加速度α、最后一轴左车轮垂向力f_l、最后一轴右车轮垂向力f_r的数据进行处理(单次试验中整车质量m为一定值，无需处理)。以侧向加速度为例，α_t为某次试验中侧向加速度的一组数据，t＝1,2,…,n，n为该次试验中侧向加速度数据量，中位值平均滤波处理方法如下：

当t＜4,t＞n-3时，

当4≤t≤n-3时，

该次试验的车速v、侧倾角τ、最后一轴左车轮垂向力f_l、最后一轴右车轮垂向力f_r数据以同样的方法进行滤波处理。

150次试验的各项数据经过上述方法处理后，以最后一轴单侧车轮的垂向力为0来标志重载车辆发生侧翻的临界状态，并获得垂向力为0时车速v、整车质量m、侧倾角τ和侧向加速度α的数值，具体步骤包括：

子步骤1：将某次试验的车速v、侧倾角τ、侧向加速度α、最后一轴左车轮垂向力f_l和最后一轴右车轮垂向力f_r的数据进行时间轴统一显示，即各数据的曲线具有相同的起始时刻和终止时刻，整车质量m为一定值；

子步骤2：从起始时刻开始搜索两侧车轮任一侧垂向力为0的点，记录此时车速、整车质量、侧倾角和侧向加速度的值，记为

其中侧倾角

和侧向加速度

为该次试验的侧翻阈值；

子步骤3：重复上述步骤，记录下150次试验中两侧车轮任一侧垂向力为0时车速、整车质量、侧倾角和侧向加速度的值，

步骤五：建立适用于侧翻阈值动态估计的神经网络

使用神经网络是为了建立车速、整车质量与侧倾角阈值、侧向加速度阈值之间的非线性映射关系函数，设计的3层神经网络包括输入层、1个隐藏层和输出层，训练样本为

神经网络的输入向量X＝[x₁ x₂]^T，输出向量Y＝[y₁ y₂]^T，其中x₁为车速，x₂为整车质量，y₁为网络输出的侧倾角阈值，y₂为网络输出的侧向加速度阈值。隐藏层的节点数目h根据经验公式

可得，p为输入层节点数目，q为输出层节点数目，o为1～10的调节常数。由于p＝2、q＝2，令o＝1，故隐藏层的节点数目h＝3。网络中隐藏层和输出层中神经元的激活函数为relu函数。神经网络模型架构如图4所示。

神经网络通过正向传播和反向传播，实现实际输出值与期望输出值之间的方差最小。对神经网络各层间的权值和阈值进行初始化后开始网络训练，利用纠错学习规则和梯度下降法对网络各层间的权值和阈值进行调整。在训练的过程中观察输出误差是否收敛并达到要求，收敛并达到要求后就能得到训练好的神经网络。神经网络具体使用方法可以参考文献(周志华.机器学习[M].北京:清华大学出版社,2016:97-120)。

步骤六：基于神经网络实现重载车辆侧翻阈值的自适应估计

重载车辆行驶时，通过车身CAN总线实时获取当前时刻车速

事先静态测量整车质量

在神经网络输入层输入采集的数据，令

网络输出y₁为侧倾角阈值，y₂为侧向加速度阈值。

侧翻防控分为预警和控制两部分，侧翻预警是指车辆存在较小侧翻危险时提醒驾驶员安全驾驶，侧翻控制是指车辆存在较大侧翻危险时控制装置执行操作防止侧翻发生。由于侧翻预警和侧翻控制运用于不同危险程度的侧翻场景，故侧翻阈值应分为预警阈值和控制阈值。令y₁为侧倾角控制阈值，y₂为侧向加速度控制阈值，0.8y₁为侧倾角预警阈值，0.8y₂为侧向加速度预警阈值。

Claims (1)

1.一种重载车辆侧翻阈值自适应估计方法，其特征在于，具体步骤包括：

步骤一：明确侧翻表征参数和影响侧翻阈值的因素并搭建侧翻阈值标定装置

侧翻表征参数选为侧倾角τ和侧向加速度α，影响侧翻阈值的因素选为车速v和整车质量m；

侧翻阈值标定装置包括一台高精度惯性测量单元、两个轮力传感器和两台防侧翻架，高精度惯性测量单元安装在接近重载车辆质心处，轮力传感器安装在重载车辆尾部最后一轴两侧车轮上，防侧翻架安装在重载车辆两侧；高精度惯性测量单元采集侧倾角τ和侧向加速度α，轮力传感器采集最后一轴左车轮垂向力f_l和右车轮垂向力f_r；通过车身CAN总线采集最后一轴两轮轮速传感器信息的均值作为车速v，整车质量m事先静态测量获得，各传感器数据输出频率相同；

步骤二：建立适用于重载车辆实车试验的多维度典型侧翻场景库

重载车辆侧翻场景库各场景基元划分如下表所示：

场景基元排列组合后有30种侧翻场景；

步骤三：开展不同侧翻场景下重载车辆侧翻阈值标定试验

不同侧翻场景下重载车辆侧翻阈值标定试验的具体步骤包括：

子步骤1：标定试验应在干燥、坚实的路面上进行，且路面表面峰值附着系数不小于0.9；检查标定装置中各传感器的可靠性，防侧翻架的安全性，以及检查试验场地有无安全隐患；

子步骤2：基于步骤二中确定的侧翻场景在封闭试验场依次设置载荷、路面状况、纵向坡度和驾驶行为，在试验场地上画出J转向和双移线的试验轨迹；试验开始前，静态测量整车质量m；

子步骤3：保持恒定车速按照轨迹行驶，以32km/h为初始速度，逐次增加2km/h，直到连续5次试验过程中最后一轴一侧轮胎垂向力为0或者防侧翻支架一侧着地结束当前场景下侧翻阈值标定试验，保存这5次试验的车速v、整车质量m、侧倾角τ和侧向加速度α、最后一轴左车轮垂向力f_l、最后一轴右车轮垂向力f_r的数据；

子步骤4：重复子步骤2和子步骤3，完成30种侧翻场景下的阈值标定试验并保存数据；

步骤四：处理数据并标定不同场景下车辆在侧翻临界状态时各车身状态参数的值

30种侧翻场景标定试验完成后，每个场景下保存了5次试验数据，共有150次试验数据；采用中位值平均滤波对每次试验采集的车速v、侧倾角τ和侧向加速度α、最后一轴左车轮垂向力f_l、最后一轴右车轮垂向力f_r的数据进行处理；以侧向加速度为例，α_t为某次试验中侧向加速度的一组数据，t＝1,2,…,n，n为该次试验中侧向加速度数据量，中位值平均滤波处理方法如下：

当t＜4,t＞n-3时，

当4≤t≤n-3时，

该次试验的车速v、侧倾角τ、最后一轴左车轮垂向力f_l、最后一轴右车轮垂向力f_r数据以同样的方法进行滤波处理；

150次试验的各项数据经过上述方法处理后，以最后一轴单侧车轮的垂向力为0来标志重载车辆发生侧翻的临界状态，并获得垂向力为0时车速v、整车质量m、侧倾角τ和侧向加速度α的数值，具体步骤包括：

子步骤1：将某次试验的车速v、侧倾角τ、侧向加速度α、最后一轴左车轮垂向力f_l和最后一轴右车轮垂向力f_r的数据进行时间轴统一显示，即各数据的曲线具有相同的起始时刻和终止时刻，整车质量m为一定值；

子步骤2：从起始时刻开始搜索两侧车轮任一侧垂向力为0的点，记录此时车速、整车质量、侧倾角和侧向加速度的值，记为

其中侧倾角

和侧向加速度

为该次试验的侧翻阈值；

子步骤3：重复上述步骤，记录下150次试验中两侧车轮任一侧垂向力为0时车速、整车质量、侧倾角和侧向加速度的值，

步骤五：建立适用于侧翻阈值动态估计的神经网络

设计的3层神经网络包括输入层、1个隐藏层和输出层，训练样本为

神经网络的输入向量X＝[x₁ x₂]^T，输出向量Y＝[y₁ y₂]^T，其中x₁为车速，x₂为整车质量，y₁为网络输出的侧倾角阈值，y₂为网络输出的侧向加速度阈值，隐藏层有三个节点，网络中隐藏层和输出层中神经元的激活函数为relu函数；

神经网络通过正向传播和反向传播，实现实际输出值与期望输出值之间的方差最小，对神经网络各层间的权值和阈值进行初始化后开始网络训练，利用纠错学习规则和梯度下降法对网络各层间的权值和阈值进行调整，在训练的过程中观察输出误差是否收敛并达到要求，收敛并达到要求后就能得到训练好的神经网络；

步骤六：基于神经网络实现重载车辆侧翻阈值的自适应估计

重载车辆行驶时，通过车身CAN总线实时获取当前时刻车速

事先静态测量整车质量

在神经网络输入层输入采集的数据，令

网络输出y₁为侧倾角阈值，y₂为侧向加速度阈值；令y₁为侧倾角控制阈值，y₂为侧向加速度控制阈值，0.8y₁为侧倾角预警阈值，0.8y₂为侧向加速度预警阈值。

Images