CN111695196B - 一种基于车体运动学信息的罐车侧倾状态预判方法 - Google Patents

一种基于车体运动学信息的罐车侧倾状态预判方法 Download PDF

Info

Publication number
CN111695196B
CN111695196B CN202010444567.3A CN202010444567A CN111695196B CN 111695196 B CN111695196 B CN 111695196B CN 202010444567 A CN202010444567 A CN 202010444567A CN 111695196 B CN111695196 B CN 111695196B
Authority
CN
China
Prior art keywords
test
steering wheel
vehicle speed
tank car
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010444567.3A
Other languages
English (en)
Other versions
CN111695196A (zh
Inventor
李旭
韦坤
徐启敏
胡玮明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010444567.3A priority Critical patent/CN111695196B/zh
Publication of CN111695196A publication Critical patent/CN111695196A/zh
Application granted granted Critical
Publication of CN111695196B publication Critical patent/CN111695196B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C9/00—Measuring inclination, e.g. by clinometers, by levels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提出一种基于车体运动学信息的罐车侧倾状态预判方法，首先明确影响罐车侧倾状态的车体运动学信息，然后分别建立用于罐车车速和方向盘转角预测的AR模型，接着建立罐车典型侧翻场景集并开展车体运动学信息采集试验，进而设计用于罐车侧倾状态估计的神经网络，最后基于AR模型和神经网络实现罐车侧倾状态的提前预判。该方法使用的车体运动学信息通过CAN总线直接读取，无需外加传感器，操作方便成本低；通过神经网络建立车速、方向盘转角与侧倾状态的非线性映射关系，制作训练样本时考虑典型侧翻场景基元的影响，提高网络预估侧倾状态的准确性；利用AR模型对车速和方向盘转角进行短期预测，联合神经网络实现未来短期内罐车侧倾状态的精确预判。

Description

一种基于车体运动学信息的罐车侧倾状态预判方法
技术领域
本发明涉及一种罐车侧倾状态预判方法，具体的是一种基于车体运动学信息的罐车侧倾状态预判方法，属于车辆安全技术领域。
背景技术
近年来，随着经济、工业和居民生活水平的迅猛发展，危化品的使用需求不断上升，运输需求也急剧增大。由于装载量大，运输效率高，罐车成为危化品公路运输的主要载体。然而因为车身结构的特殊性和复杂性(质心较高、液体扰动易引起质心偏移等)，罐车在转向和变道时易发生侧翻，导致泄漏、燃烧、爆炸等严重后果，造成财产损失、环境污染、生态破坏、人员伤亡等影响恶劣。因此如何可靠、准确检测罐车的侧倾状态一直是研究热点。
目前国内已开展相关研究并取得一定的研究成果，例如郑州宇通客车股份有限公司提出了一种车辆侧倾状态检测方法(专利号ZL201410006515.2)，通过加速度传感器读取的侧向加速度和垂向加速度估算车身侧倾角，与设定的侧倾角范围比较判断得到车辆侧倾状态。这些方法大多是检测罐车当前行驶的侧倾状态，而对如何预判罐车未来短期内侧倾状态的相关研究较少。
发明内容
为了实现罐车侧倾状态未来短时间内的预测，本发明提出了一种基于车体运动学信息的罐车侧倾状态预判方法。该方法利用AR模型预估罐车车速和方向盘信息，联合神经网络预判罐车的侧倾状态，准确性较高。
为了实现上述目的，本发明提供如下技术方案：
步骤一：明确影响罐车侧倾状态的车体运动学信息
影响罐车侧倾稳定性的车体运动学信息选为车速v和方向盘转角θ，通过车身CAN总线直接读取车速和方向盘转角的信息；
步骤二：分别建立用于罐车车速和方向盘转角预测的AR模型
在封闭试验场开展实车试验采集车速v和方向盘转角θ信息，用于训练AR模型，试验要求：行驶轨迹包含直线路段、J转向路段和双移线路段，自由改变车速并换挡；建立车速预测模型和方向盘转角预测模型的方法相同，以车速为例介绍模型建立方法：
1)预测车速的AR模型公式为：
Vt＝a1Vt-1+a2Vt-2+…+apVt-p+et   (1)
式(1)中，Vt为待测车速，Vt-1,Vt-2,…,Vt-p为车速过去值，a1,a2,…,ap为待测参数，et为白噪声，p为模型阶数；
2)将试验获得的车速数据平均分为三段，数据如下，n为第二段数据量；
…,vt-2,vt-1|vt,vt+1,...,vt+n-1|用于检验的数据
3)用最小二乘法分别估计p＝1,2,...,n时模型中的待测参数，阶数p为一定值时，误差的平方和
Figure GDA0004063429360000021
通过式(2)确定待测参数，从而确定n个AR模型；
Figure GDA0004063429360000022
4)p为一定值时，对应的残差序列
Figure GDA0004063429360000023
Figure GDA0004063429360000024
为模型预测值，检验n个残差序列{Δp},p＝1,2,…,n是否服从N(0,σ2)白噪声，保留满足条件的残差序列对应的阶数p；
5)通过BIC准则从保留下来的p中确定最佳模型阶数，BIC准则函数为：
BIC(p)＝n ln Dp+p ln n   (3)
式(3)中Dp为残差序列{Δp}方差，BIC(p)值最小对应阶数的模型为最佳模型；
6)利用第三段数据进行模型的检验；
步骤三：建立罐车典型侧翻场景集并开展车体运动学信息采集试验
罐车侧倾状态H的计算公式为：
Figure GDA0004063429360000031
式(4)中，Tl为罐车最后一轴左侧车轮垂向力，Tr为罐车最后一轴右侧车轮垂向力，车轮垂向力通过轮力传感器测得，车速、方向盘转角和车轮垂向力信息输出频率相同，记为f；
罐车典型侧翻场景基元分为“驾驶行为”、“充液比”和“纵向坡度”，各基元划分如下表所示：
Figure GDA0004063429360000032
场景基元排列组合后有12种测试场景；
采集罐车在不同侧翻场景下从安全行驶到发生侧翻过程中车体运动学信息的数值，具体步骤包括：
1)试验在干燥、坚实的路面上进行，且路面表面峰值附着系数不小于0.9；标定试验前，检查标定装置中各传感器的可靠性和试验场地有无安全隐患，罐车两侧安装防侧翻架；
2)在封闭试验场依次设置载荷、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；
3)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2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，保存每次试验的车速v、方向盘转角θ和侧倾状态H的数据；
4)重复步骤“2)”和“3)”，完成12种侧翻场景下的信息采集实验；
步骤四：设计用于罐车侧倾状态估计的神经网络
设计的3层神经网络包括输入层、1个隐藏层和输出层，网络的输入向量X＝[x1 x2]T，输出为y，其中x1为车速，x2为方向盘转角，y为网络输出的侧倾状态，隐藏层有3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；
利用步骤三中采集的车体运动学参数制作的训练样本如下，m为测试场景数量，m＝1,2,…,12，bm为第m种测试场景中采集车速的数据量；
Figure GDA0004063429360000041
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，收敛并达到要求后得到训练好的神经网络；
步骤五：基于AR模型和神经网络实现罐车侧倾状态的提前预判
罐车在公路上行驶时，通过CAN总线读取车速和方向盘转角信息，k表示当前离散时刻，Δt表示预测时长，Δt＝[0.5，1]，单位为秒；
利用步骤二中确定的车速预测模型和方向盘转角预测模型分别进行预测，得到vk+1,vk+2,…,vk+Δt·f和θk+1,θk+2,…,θk+Δt·f，将车速信息和方向盘转角信息(vk+1,θk+1)、(vk+2,θk+2)、...、(vk+Δt·f,θk+Δt·f)依次输入训练好的神经网络，得到未来Δt时间内的侧倾状态信息Hk+1,Hk+2,…,Hk+Δt·f。
与现有技术相比，本发明具有如下优点和有益效果：
1.本发明使用的车体运动学信息信息可通过CAN总线直接读取，无需外加传感器，操作方便成本低；
2.本发明基于车速和方向盘信息利用AR模型和神经网络实现罐车未来短期内侧倾状态的准确预判。
附图说明
图1为罐车侧翻预警方法的总体设计方案图
图2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。
本发明提出了一种基于车体运动学信息的罐车侧倾状态预判方法，首先明确影响罐车侧倾状态的车体运动学信息，然后分别建立用于罐车车速和方向盘转角预测的AR模型，接着建立罐车典型侧翻场景集并开展车体运动学信息采集试验，进而设计用于罐车侧倾状态估计的神经网络，最后基于AR模型和神经网络实现罐车侧倾状态的提前预判。该方法使用的车体运动学信息(车速、方向盘转角)可通过CAN总线直接读取，无需外加传感器，操作方便成本低；通过神经网络建立车速、方向盘转角与侧倾状态的非线性映射关系，制作训练样本时考虑典型侧翻场景基元的影响，从而提高网络预估侧倾状态的准确性；利用AR模型对车速和方向盘转角进行短期预测，联合神经网络实现未来短期内罐车侧倾状态的精确预判。本发明总体设计方案如图1所示，具体步骤包括：
步骤一：明确影响罐车侧倾状态的车体运动学信息
罐车在做曲线运动时，车速过大易导致侧翻，同时方向盘转角控制着罐车的横向运动，影响罐车的侧倾稳定性，因此选取的车体运动学信息为车速v和方向盘转角θ。
由于越来越多的罐车配备制动防抱死系统(ABS)等电子系统，轮速传感器和方向盘转角传感器已被安装在车辆中，通过车身CAN总线可以直接读取车速和方向盘转角的信息，从而不必额外加装传感器，节约了成本。为了保证车速信息的准确性，使用通过CAN总线采集的两后轮(即非转向轮)轮速传感器信息的均值。
步骤二：分别建立用于罐车车速和方向盘转角预测的AR模型
罐车行驶时，车速和方向盘转角是连续变化的量，当前时刻的值与历史数据存在联系，因此分别建立AR模型对车速和方向盘转角进行短期预测。
在封闭试验场开展实车试验采集车速v和方向盘转角θ信息，用于训练AR模型。试验要求：行驶轨迹包含直线路段、J转向路段和双移线路段，驾驶员可自由改变车速并换挡。
建立车速预测模型和方向盘转角预测模型的方法相同，以车速为例介绍模型建立方法：
1)预测车速的AR模型公式为：
Vt＝a1Vt-1+a2Vt-2+…+apVt-p+et   (1)
式(1)中，Vt为待测车速，Vt-1,Vt-2,…,Vt-p为车速过去值，a1,a2,…,ap为待测参数，et为白噪声，p为模型阶数；
2)将试验获得的车速数据平均分为三段，数据如下，n为第二段数据量；
…,vt-2,vt-1|vt,vt+1,…,vt+n-1|用于检验的数据
3)用最小二乘法分别估计p＝1,2,…,n时模型中的待测参数，阶数p为一定值时，误差的平方和
Figure GDA0004063429360000061
通过式(2)确定待测参数，从而确定n个AR模型；
Figure GDA0004063429360000062
4)p为一定值时，对应的残差序列
Figure GDA0004063429360000071
Figure GDA0004063429360000072
为模型预测值。检验n个残差序列{Δp}，p＝1，2，…，n是否服从N(0，σ2)白噪声，保留满足条件的残差序列对应的阶数p；
5)通过BIC准则从保留下来的p中确定最佳模型阶数，BIC准则函数为：
BIC(p)＝n ln Dp+p ln n   (3)
式(3)中Dp为残差序列{Δp}方差，BIC(p)值最小对应阶数的模型为最佳模型；
6)利用第三段数据进行模型的检验。
具体的AR模型建立方法见参考文献(丁会凯，梁建敏.用于短期负荷在线预报的AR模型建立与实例分析[J].上海电力学院学报，1996，12(4)：58-63.)。
步骤三：建立罐车典型侧翻场景集并开展车体运动学信息采集试验
为了建立罐车行驶时车速、方向盘转角和侧倾状态的对应关系，需要在不同侧翻场景下获取罐车的车速v和方向盘转角θ以及侧倾状态H的信息，H计算公式为：
Figure GDA0004063429360000073
式(4)中，Tl为罐车最后一轴左侧车轮垂向力，Tr为罐车最后一轴右侧车轮垂向力，车轮垂向力通过轮力传感器测得(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)。车速、方向盘转角和车轮垂向力信息输出频率相同，记为f。
罐车典型侧翻场景基元分为“驾驶行为”、“充液比”和“纵向坡度”，各基元划分如下表所示。
Figure GDA0004063429360000074
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，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。
场景基元排列组合时，认为纵向陡坡<7％不支持J转向试验，因此有2(J转向)×3(充液比)×1(纵向坡度<3％)+1(双移线)×3(充液比)×2(纵向坡度)＝12种测试场景。
确定罐车典型侧翻场景后，在封闭试验场依次设置12种侧翻场景并开展实车试验，采集罐车在不同侧翻场景下从安全行驶到发生侧翻过程中车体运动学信息的数值。具体步骤包括：
1)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；标定试验前，需检查标定装置中各传感器的可靠性和试验场地有无安全隐患，罐车两侧应安装防侧翻架；
2)在封闭试验场依次设置载荷、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；
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2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，保存每次试验的车速v、方向盘转角θ和侧倾状态H的数据；
4)重复步骤“2)”和“3)”，完成12种侧翻场景下的信息采集实验。
步骤四：设计用于罐车侧倾状态估计的神经网络
设计的3层神经网络包括输入层、1个隐藏层和输出层。网络的输入向量X＝[x1 x2]T，输出为y，其中x1为车速，x2为方向盘转角，y为网络输出的侧倾状态。隐藏层的节点数目h根据经验公式
Figure GDA0004063429360000081
可得，u为输入层节点数目，w为输出层节点数目，o为1～10的调节常数。由于u＝2、w＝1，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2所示。
利用步骤三中采集的车体运动学参数制作的训练样本如下，m为测试场景数量，m＝1,2,…,12，bm为第m种测试场景中采集车速的数据量(车速、方向盘转角、侧倾状态数据量相同)。
Figure GDA0004063429360000091
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)。
步骤五：基于AR模型和神经网络实现罐车侧倾状态的提前预判
罐车在公路上行驶时，通过CAN总线读取车速和方向盘转角信息，k表示当前离散时刻，Δt表示预测时长。根据资料查阅，罐车发生侧翻前若能提前0.5～1s进行预警，则可以有效降低侧翻事故发生频率，因此Δt＝[0.5，1]，单位为秒。
利用步骤二中确定的车速预测模型和方向盘转角预测模型分别进行预测，得到vk+1,vk+2,…,vk+Δt·f和θk+1,θk+2,…,θk+Δt·f。将车速信息和方向盘转角信息(vk+1,θk+1)、(vk+2,θk+2)、…、(vk+Δt·f,θk+Δt·f)依次输入训练好的神经网络，得到未来Δt时间内的侧倾状态信息Hk+1,Hk+2,…,Hk+Δt·f。

Claims (1)

1.一种基于车体运动学信息的罐车侧倾状态预判方法，其特征在于，具体步骤包括：
步骤一：明确影响罐车侧倾状态的车体运动学信息
影响罐车侧倾稳定性的车体运动学信息选为车速v和方向盘转角θ，通过车身CAN总线直接读取车速和方向盘转角的信息；
步骤二：分别建立用于罐车车速和方向盘转角预测的AR模型
在封闭试验场开展实车试验采集车速v和方向盘转角θ信息，用于训练AR模型，试验要求：行驶轨迹包含直线路段、J转向路段和双移线路段，自由改变车速并换挡；建立车速预测模型和方向盘转角预测模型的方法相同，以车速为例介绍模型建立方法：
1)预测车速的AR模型公式为：
Vt＝a1Vt-1+a2Vt-2+…+apVt-p+et     (1)
式(1)中，Vt为待测车速，Vt-1,Vt-2,…,Vt-p为车速过去值，a1,a2,…,ap为待测参数，et为白噪声，p为模型阶数；
2)将试验获得的车速数据平均分为三段，数据如下，n为第二段数据量；
…,vt-2,vt-1|vt,vt+1,…,vt+n-1|用于检验的数据
3)用最小二乘法分别估计p＝1,2,…,n时模型中的待测参数，阶数p为一定值时，误差的平方和
Figure FDA0004063429350000011
通过式(2)确定待测参数，从而确定n个AR模型；
Figure FDA0004063429350000021
4)p为一定值时，对应的残差序列
Figure FDA0004063429350000022
Figure FDA0004063429350000023
为模型预测值，检验n个残差序列{Δp},p＝1,2,…,n是否服从N(0,σ2)白噪声，保留满足条件的残差序列对应的阶数p；
5)通过BIC准则从保留下来的p中确定最佳模型阶数，BIC准则函数为：
BIC(p)＝n ln Dp+p ln n             (3)
式(3)中Dp为残差序列{Δp}方差，BIC(p)值最小对应阶数的模型为最佳模型；
6)利用第三段数据进行模型的检验；
步骤三：建立罐车典型侧翻场景集并开展车体运动学信息采集试验
罐车侧倾状态H的计算公式为：
Figure FDA0004063429350000024
式(4)中，Tl为罐车最后一轴左侧车轮垂向力，Tr为罐车最后一轴右侧车轮垂向力，车轮垂向力通过轮力传感器测得，车速、方向盘转角和车轮垂向力信息输出频率相同，记为f；
罐车典型侧翻场景基元分为“驾驶行为”、“充液比”和“纵向坡度”，各基元划分如下表所示：
Figure FDA0004063429350000025
Figure FDA0004063429350000031
场景基元排列组合后有12种测试场景；
采集罐车在不同侧翻场景下从安全行驶到发生侧翻过程中车体运动学信息的数值，具体步骤包括：
1)试验在干燥、坚实的路面上进行，且路面表面峰值附着系数不小于0.9；标定试验前，检查标定装置中各传感器的可靠性和试验场地有无安全隐患，罐车两侧安装防侧翻架；
2)在封闭试验场依次设置载荷、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；
3)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2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，保存每次试验的车速v、方向盘转角θ和侧倾状态H的数据；
4)重复步骤“2)”和“3)”，完成12种侧翻场景下的信息采集实验；
步骤四：设计用于罐车侧倾状态估计的神经网络
设计的3层神经网络包括输入层、1个隐藏层和输出层，网络的输入向量X＝[x1 x2]T，输出为y，其中x1为车速，x2为方向盘转角，y为网络输出的侧倾状态，隐藏层有3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；
利用步骤三中采集的车体运动学参数制作的训练样本如下，m为测试场景数量，m＝1,2,…,12，bm为第m种测试场景中采集车速的数据量；
Figure FDA0004063429350000032
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，收敛并达到要求后得到训练好的神经网络；
步骤五：基于AR模型和神经网络实现罐车侧倾状态的提前预判
罐车在公路上行驶时，通过CAN总线读取车速和方向盘转角信息，k表示当前离散时刻，Δt表示预测时长，Δt＝[0.5，1]，单位为秒；
利用步骤二中确定的车速预测模型和方向盘转角预测模型分别进行预测，得到vk+1,vk+2,…,vk+Δt·f和θk+1,θk+2,…,θk+Δt·f，将车速信息和方向盘转角信息(vk+1,θk+1)、(vk+2,θk+2)、…、(vk+t·f,θk+Δt·f)依次输入训练好的神经网络，得到未来Δt时间内的侧倾状态信息Hk+1,Hk+2,…,Hk+Δt·f。
CN202010444567.3A 2020-05-23 2020-05-23 一种基于车体运动学信息的罐车侧倾状态预判方法 Active CN111695196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010444567.3A CN111695196B (zh) 2020-05-23 2020-05-23 一种基于车体运动学信息的罐车侧倾状态预判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010444567.3A CN111695196B (zh) 2020-05-23 2020-05-23 一种基于车体运动学信息的罐车侧倾状态预判方法

Publications (2)

Publication Number Publication Date
CN111695196A CN111695196A (zh) 2020-09-22
CN111695196B true CN111695196B (zh) 2023-04-18

Family

ID=72477447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010444567.3A Active CN111695196B (zh) 2020-05-23 2020-05-23 一种基于车体运动学信息的罐车侧倾状态预判方法

Country Status (1)

Country Link
CN (1) CN111695196B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699924A (zh) * 2020-12-22 2021-04-23 安徽卡思普智能科技有限公司 一种车辆横向稳定性的识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109435825A (zh) * 2018-10-25 2019-03-08 吉林大学 基于滑移率和横摆力的罐车侧翻预警系统及方法
CN109977500A (zh) * 2019-03-11 2019-07-05 东南大学 基于ds证据理论的半挂罐车多源信息融合侧翻预警方法
CN109993344A (zh) * 2019-01-09 2019-07-09 淮阴工学院 基于多源数据融合的危化品罐车运行状态预测方法及系统
CN110626353A (zh) * 2019-09-09 2019-12-31 武汉理工大学 一种基于侧倾风险指标的车辆危险状态预警方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109435825A (zh) * 2018-10-25 2019-03-08 吉林大学 基于滑移率和横摆力的罐车侧翻预警系统及方法
CN109993344A (zh) * 2019-01-09 2019-07-09 淮阴工学院 基于多源数据融合的危化品罐车运行状态预测方法及系统
CN109977500A (zh) * 2019-03-11 2019-07-05 东南大学 基于ds证据理论的半挂罐车多源信息融合侧翻预警方法
CN110626353A (zh) * 2019-09-09 2019-12-31 武汉理工大学 一种基于侧倾风险指标的车辆危险状态预警方法

Also Published As

Publication number Publication date
CN111695196A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN102282052B (zh) 车辆状态估计装置
US20090177346A1 (en) Dynamic estimation of vehicle inertial parameters and tire forces from tire sensors
CN103402847B (zh) 用于确定车辆的行驶阻力的方法
CN103909933B (zh) 一种分布式电驱动车辆的前轮侧向力估算方法
CN109910905A (zh) 基于坡度估计修正的分布式驱动汽车多工况车速估计方法
CN111775929B (zh) 一种危险液移动车载装置的动态安全预警方法
FI120061B (fi) Menetelmä tiedon keräämiseksi tien pinnan liukkaudesta
CN109311482A (zh) 用于确定未来路径点处的安全速度的方法
CN105416294B (zh) 一种重型汽车列车参数估计方法
CN106232446B (zh) 用于确定惯性传感器的误差的方法
CN111645698B (zh) 一种重载车辆侧翻阈值自适应估计方法
CN108819950B (zh) 汽车稳定性控制系统的车速估计方法及系统
CN104354700A (zh) 一种基于无迹卡尔曼滤波的车辆参数在线估计方法
KR100640175B1 (ko) 차량의 전복방지 제어 시스템 및 그 방법
CN103661398B (zh) 一种基于滑模观测器的车辆非转向左后轮线速度估计方法
CN103946039B (zh) 用于估算车辆车轮滚动阻力的方法
CN104973069A (zh) 重型车空气阻力合成系数和质量的在线同步辨识方法
CN103279675B (zh) 轮胎-路面附着系数与轮胎侧偏角的估计方法
CN101349606A (zh) 货车质心高度动态检测方法
CN110304070A (zh) 一种分布式独立驱动汽车纵向车速估计方法
Doumiati et al. An estimation process for vehicle wheel-ground contact normal forces
CN111695196B (zh) 一种基于车体运动学信息的罐车侧倾状态预判方法
CN103786730A (zh) 测量车辆转弯过程中的倾斜角的方法和系统
JP2008265545A (ja) 車両の重心位置推定装置及び重心位置／ヨー慣性モーメント推定装置。
Saraiev et al. A Mathematical Model of the Braking Dynamics of a Car

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant