侧翻时间度量的铰接车辆侧翻预警系统设计
侧翻时间度量的铰接车辆侧翻预警系统设计
Bo-ChiuanChen陈柏全HueiPeng彭晖
密歇根州安阿伯大学工程机械与应用机械系
摘要
I.种以侧翻时间为度量的系统(TTR)作为评定铰接车辆侧翻威胁的基础被提出.理想状态下,TTR系统将阻止I.切侧翻无论车辆的速度或是转向因素,所以侧翻威胁等级被精确的显示出来.为了实时实现TTR系统,要满足两个相矛盾的要求.I.方面,需要I.个快于实时的模型.另I.方面,被这个模型预测出的TTR必须在所有的行驶情况下都要有足够的精度.在本文中提出了I.个新型的方法来解决这I.难题,并且整个过程在I.个预设的例子下演示出来.首先,I.个简单的但合理的精确的翻转模型是确定的.开发I.个神经网络(NN)来解决这个简单的实时模型的精度的问题.NN采用了由这个简单模型生成的TTR,车辆的侧倾角和侧倾角的改变生成了加强的NN-TTR序列.NN在各种行驶因素下被验证.结果显示,通过我们所有行驶情况下的测试,I.个精确的TTR是能获得的.
I..介绍
由于重型车辆的大尺寸和重量,其在高速公路上的行驶情况被给予了重要的关注.最近的卡车和大客车的事故数据显示在非碰撞类事故中侧翻占了VIII.VIII%,排在首位.另外侧翻事故中的死亡率远远高于非侧翻事故.因此,对于侧翻事故的积极应对措施对于高速公路安全行车是重要的.在本文中给出了关于侧翻威胁度量的发展的情况,利用先进的技术,以提高车辆状况的评估.标准的发展能被应用在侧翻预警和防止侧翻系统上.驾驶员对于现有车辆的侧翻意识以车辆的类型.负载的位置和挂车的扭转刚度等许多其他的车辆因素.挂车的扭转弹性导致了差的波动反馈给驾驶员,并被发现是平板卡车的主要缺陷.实际上,拖车有I.个相对低的重心几乎分散了拖车驾驶员的注意力由于减少的拖车横摆.驾驶员常常不明白拖车不稳定的翻转 *好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
.没有采取及时的措施.如果重型车辆的动态监控和准确及时的预告发生侧翻的威胁,是有可能避免I.些侧翻事故的.
大多数现有的侧翻预警系统算法是以加速度或侧倾角阀值为基础的.Rakheja和Pichè在I.IXIX0提出了I.个早期的预警安全监视器.在静态下转弯机动,侧倾加速度的阀值定义为当轮胎内偏转达到零时的值.这时轮胎法向力变为零,轮胎被抬起离开地面.在实现过程中,每当测量横向加速度超过这个阀值时发出I.个警告.他们还采用了同样的想法来定义半挂车侧倾角的阀值.普雷斯顿-托马斯和Woodrooffe使用横向载荷转移率(LTR)来表示侧翻的威胁.LTR可以从当轮胎承受的载荷相等时的0,变为当轮胎抬离地面和横向加速度达到翻转加速度阀值时的I..弗里德曼等人提出了I.个在高速公路出口匝道侧翻建议标志.当卡车的速度高于建议速度界限时,这个界限是由出口匝道的曲率决定的,I.个警告灯就会点亮.在他们的研究中,警告信号没有使用附加的信息来识别每个卡车的侧翻加速度阀值.麦吉等人提出了和上I.个相似的预警系统.但他们的系统检测卡车的种类.速度.重量和高度来查表确定每辆车翻转加速度的阀值.温克乐等人最近提出了I.个侧翻稳定性顾问(RSA)系统.RSA以实时的车辆状态测量值为基础确定车辆的侧翻加速度阀值.他们所使用的测量包括力和在第V轮上的状态和许多侧倾运动的变量.III个加速度的阈值是动态计算,以确定侧翻阀值水平.
Nalecz等人在I.IXVIIIVII年提出了I.个能量函数名叫防侧倾的能量储备系统(RPER).RPER被定义为使车辆翻倒位置所需的能量和转动动能之间的差,它可以被转移到重力势能提升车辆.RPER持续阳性非翻转例.当它变为负值,如果不采取任何措施释放翻转模式下的能量,将发生翻转.RPER的I.个特殊优点在于,相同的理论可以应用到动作感应和阻止侧翻事故两方面.
以上的大多数理论都是以在I.个固定时间信息估计出的加速度,侧倾角度或能量阀值为基础的.这就类似于用I.个动态系统中的静止片段并用其中的信息来决定侧翻威胁.显然,I.种能在较长时间包含更多因素,尤其能预测未来的方法能给我们提供更好的观点.此外,与这些阀值的距离水平不是I.个直观的度量.因此我们提出了I.个TTR方法,这种方法测量I.个即将发生的侧翻事故的时间(以秒为单位).这种方法不仅容易理解而且给出了I.个动态的观点.实现TTR系统的主要技术挑战在于(I.)发展快于实时的车辆模型来实时预测车辆的反应.(II)以预测的车辆反应为基础进行计算,TTR系统要在各种翻滚和非过度运动中保持可靠性和精度.
本文的剩余部分是如下的结构:在本研究中使用的模拟和简化模型在第II节给出.在第III节,演示设计被给出.I.系列翻滚和非翻滚的演示包含了各种运行条件.TTR指数的官方定义在第IV节给出.用来开发和生成TTR反应的神经网络也将被讨论.TTR计算系统的仿真结果在第V节给出.最后结论在第VI节给出.
II.模型
II.I.复杂的(模拟)模型
在本文中,ArcSim软件的模拟反应被认为是真实的车辆特性.ArcSim软件是在密歇根大学车辆研究中心被开发用来研究MIXI.VIAI./MVIIIVII0AII军用卡车的制动和处理反应.这种卡车具有III轴牵引车和III轴半挂车.另外车辆动力学仿真和图形用户界面(SGUI,图片I.中),ArcSim还提供了绘图和动画可视 *好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
化仿真结果.ArcSim软件在windowIXV/IXVIII和windowNT上运行,在http://www.umtri.umich.edu/erd/software/arcsim.html.上免费下载.
图I.:SGUI的负载模型_ArcSim
ArcSim模型包括III.个自由度与拖挂车IXI.种状态变量.III个平移(纵向.横向和垂直)和III个旋转(滚动.俯仰和偏转)挂车的簧载质量也被考虑了.半挂车相对于牵引车的偏航和俯仰方向自由旋转,但除此之外,它的运动通过第V轮被限制.VI轴车辆的颠簸(垂直)的运动也被建模,这I.II个轮子是独立旋转的.这种模型在奔腾II00MHz的PC机上有大约III.0计算效率,不能实时模拟.因此,简化的模型,随后给出.
图I.
II.II简化模型
我们选择开发I.个模型,具有独立偏航和滚转动态(见图II).模型的唯I.输入是转向角,其它输入信号,如道路超高和路面垂直坡度被忽略.处理模型的输出是横向加速度,在侧倾模型的输出包括侧倾角和车辆的侧倾率.
图II:简化模型的结构
该处理模型的结构取决于翻转模型的选择.因此,翻转模型要首先被确定.我们建立了IV个简化的翻转模型(图III),其中包括0,II,IV和VIII的状态变量.这套模型代表了ArcSim模型的逐渐逼近.模型A(零自由度)是I.种单单元刚性的车辆,换句话说,无论是规定还是清晰都没有包括.在模型B(I.自由度),被轮胎规定被考虑.但车辆仍转动作为I.个整体单元.悬挂规定在模型B中获得.模型C"(II自由度).最后,车辆铰接点在模型D(IV自由度)确认,在这种情况下,它是连接两个模型C"(使用第V轮),获得模型D".
模型A模型B
模型C模型D
图III:IV个简化模型的配置
这IV个模型的细节方程在附录中给出.在这里,我们只是总结了这些模型的稳态滚动特点.当转向输入缓慢增加,这IV个模型将预测轴的抬升加速度和侧倾角阀值.这些预测的阀值和ArcSim模拟的结果在表I.中列出.可以看出,仅仅在IV自由度,模型D是能够非常准确预测稳态加速度和侧倾角阈值.因此,在图II所示的翻转模型将是I.个VIII状态的动态模型.动态D型是模型D构型,其详细推导也示于附录A中.
横向加速度(g)簧载质量横摇角(deg)非簧载质量横摇角(deg)
模型A0.IVIVVVIII0.00000.0000
模型B0.IVI.VIIIIXI..VIVIVVIIII..VIVIVVIII
模型C0.IIIIXIXIIIII.IXVIIIIIIIVIII.IIVIIII.I.
模型D0.IIVIIIIXIXIII.I.IVIVIIIII.IIIVVI0
ArcSim0.IIVIIVIIIIIII.IIVIIIVIIXIII.IV0VI.
表I.:轴抬离阀值的汇总
由于翻滚模型包括两个车辆单元(牵引车和半挂车),处理模型被描述为自行车加独轮车"在图IV中表示.该处理模型需要IV个状态变量(见图IV),它的转速所决定的IV阶传递函数是通过系统识别技术来获得的.我们采取的输入/输出响应文件的顺序来自ArcSim模型,并获得最佳的传递函数拟合训练数据.
图IV自行车加独轮车模型
在I.个避障运动(运动状态在表II中给出)中最后I.个转向/翻转模型给出的反馈在图V中给出.能够看出简化模型的反应与ArcSim模型很相似,但他们的差异是值得注意的.从图上看,差异主要是横向加速度的反应没有被精确的预计.我们接受这样的差异因为(I.)简化模型比ArcSim模型快约II00倍,因此可以实时运行;(II)针对这种微小的差别会由I.个神经网络补偿,因此不会导致任何性能问题.
图VArcSim和简化模型在避障运动下的反应
III.演示设计
设计了I.系列覆盖广泛的侧翻或近侧翻事故的演示,这些操作可分为IV种模式:坡道转向,进入坡道,障碍躲避,最糟"演示(图VI).各驱动模式包括多例这样既翻转和非翻转情况.坡道进入和避障动作代表了普通公路翻车事故.坡道转向时有很小可能但确定会造成侧翻,从最坏情况的评价"中产生的最坏情况"演习方法,这种情况是在给定的约束转向内,发生的可能最糟糕的输入.这种转向演示代表了最强的侧翻激励.侧翻发生的最不可预测.通过这些广泛的平缓/坏的/最坏的情况的侧翻演示,能跟好的评估侧翻预警系统的表现.
图VIIV种演示
另I.个值得注意的重要事实是,坡道转向和最糟演示中的转向输入是直接给定的.然而,那些坡道进入和障碍避让的演示是从驱动模式中间接获得的.所需的被指定车辆轨迹和转向角是从驱动模型获得的.驾驶者模型的结构与STI提出的相同.但是,驱动参数和被调整的ArcSim模型是交叉理论模型.这是必须的,因为在ArcSim中的车辆模拟是不同的.驱动器的框图在图VII中给出,并在附录B中列出了驱动参数的值.
在本文中使用的I.V个演示总结在表II中.在神经网络的训练中使用的演示(在下I.部分介绍)标了T"在列表中.其余的都作为评价演示,以评估在神经网络使用后的表现.
图VII驱动模型的框图
表IIIV种演示的总结
IV.侧翻时间(TTR)系统
IV.I.TTR和ArcSimTTR
在本文中,我们提出改善传统的阀值"型翻转威胁指数,并发展I.种不
容易理解还能广泛应用于各种翻滚情况下的度量标准.
由于在第II部分给出的简化模型比实时快VI0倍,它可以被用来计算侧翻警告应用的TTR标准.TTR的定义如下:假设输入(转角)在可预见的未来保持现在的等级固定不动,车辆拖车悬挂质量达到其临界值时所花的时间被定义为TTR.显然,TTR通常是相当大的,可以接近无穷大.为了使用考虑,我们将TTR饱和在III.0秒.换句话说,我们将整合简化模型,最多为III秒(见图VIII).如果发现车辆没有在接下来的III秒侧翻,TTR将被定义为III.0秒.为了比较,我们也定义I.个ArcSimTTR",这是从ArcSim模型代替简化模型获得的.
图VIII流程图的TTR计算
图IXTTR和ArcSimTTR的结果
图IX显示了对于IV种演示状态,TTR(来自简化模型)和ArcSimTTR的区别.能够发现由于两种模型的不同,TTR与ArcSimTTR有差异(更差).TTR趋向于保守,侧翻发生的比他们预计的更迟.另I.个值得注意的有趣的事是,ArcSimTTR的斜率趋向-I..这是因为在TTR"定义在I.般的时候,比如说0.I.秒之前翻转,I.个精确的计算TTR应该是约0.I.秒,并以I.sec/sec的速率降低.
图IX也显示出了,根据IV种类型的演示,简化模型不能很精确的生成I.个到侧翻的倒计时.显然需要I.个更加革新的技术.
IV.II神经网络TTR
根据先前的章节得出的TTR结果,显然简化模型(模型D)产生的TTR不是足够的精确.理想状态下,准确的TTR应该在所有行驶条件下的朝侧翻事故有倒计时.在本文中,我们限定行驶的情况为第III部分中的I.V种情况.
构造神经网络(NN)以产生新的TTR,其中的输入和输出见图I.0.神经网络的期望输出是斜率为-I.的直线,因为所有的测试情形见表II.所使用的神经网络非常简单,它有III个安全输入神经元和I.个简单的IX层隐藏安全神经元.输出神经元的函数是标准的tansig函数.
V.仿真结果
实现计算均匀倒数TTR的整体系统见图I.I..实现该系统需要测量的参数包括前轮转向角,横向加速度和拖车的侧倾角.挂车侧倾角测量过去常用于获得侧倾角的变化.神经网络第I.次测试是利用表II中第VII组测试情形.当满足预先设定的性能阈值的时候停止测试.其性能接下来通过使用表II中的其余的(评价)情形来验证.这IV种类型的演练,可以根据侧翻发展程度可分为III大类:轻度(斜坡转向),较坏(坡道和避障进入)和最坏情况.对这III个类别的统计数据见表III,代表性的结果为图I.II中的IV驱形式.
可以看出,在所有IV个演练中,神经网络的TTR确实都接近于直线.因为转向激励变得更加迅猛从而性能逐渐恶化.对于最坏情况",因为发生侧翻最意外,NNTTR的性能是最差的.幸运的是,最坏情况"的情形是通过对转向空间的搜索中获得的,在真实生活中发生的情况应该不常见.然而它可以让我们对这个神经网络的TTR带来的最糟糕的性能作出估计.这I.事实,根据情况(坏)侧翻方式的标准偏差只有III0毫秒,而在最坏的情况下是VI0毫秒,建议神经网络的TTR的性能被确定为满足.
VI.结论
本文开发了I.种以侧翻时间度量为铰接车辆提供侧翻威胁的评价.首先,开发I.种简单的适用于实时实现的横摆/翻滚模型.横摆模型是IV-State模型,需要转向角作为输入,并将产生的车辆横向加速度作为输出.翻滚模型需要VIII种状态,包括独立的牵引车和挂车单元的簧上质量和簧下质量.这种模式被认为是比实时II00MHz的奔腾PC更快VI0倍,因此可以每0.0V秒更新TTR.从这个简化模型中获得的TTR由于它的简单而并不能准确反映侧翻威胁.接下来神经网络(NN)用以生成I.个统I.的TTR计数记号为我们所有的模拟测试提供倒计时.神经网络采用TTR和车辆侧倾角及其变化为输入,并试图接近斜率为-I.的(理想倒计时标记)直线.本文所考虑的所有IV种类型的测试中,涵盖了从很柔和到很迅猛的全方位的侧翻事故,通过神经网络计算的TTR始终是相当准确的.神经网络TTR对侧翻测试约0.0III秒的标准偏差被认为是常见于高速公路,并且0.0VI秒是确定最坏情况情形.由于该神经网络(增强型)TTR提供了侧翻威胁的I.个好办法,它可以被用来作为主动侧翻先进的控制和干预系统,目前密歇根大学汽车研究中心正在调查研究中.
Bo-ChiuanChen陈柏全HueiPeng彭晖
密歇根州安阿伯大学工程机械与应用机械系
摘要
I.种以侧翻时间为度量的系统(TTR)作为评定铰接车辆侧翻威胁的基础被提出.理想状态下,TTR系统将阻止I.切侧翻无论车辆的速度或是转向因素,所以侧翻威胁等级被精确的显示出来.为了实时实现TTR系统,要满足两个相矛盾的要求.I.方面,需要I.个快于实时的模型.另I.方面,被这个模型预测出的TTR必须在所有的行驶情况下都要有足够的精度.在本文中提出了I.个新型的方法来解决这I.难题,并且整个过程在I.个预设的例子下演示出来.首先,I.个简单的但合理的精确的翻转模型是确定的.开发I.个神经网络(NN)来解决这个简单的实时模型的精度的问题.NN采用了由这个简单模型生成的TTR,车辆的侧倾角和侧倾角的改变生成了加强的NN-TTR序列.NN在各种行驶因素下被验证.结果显示,通过我们所有行驶情况下的测试,I.个精确的TTR是能获得的.
I..介绍
由于重型车辆的大尺寸和重量,其在高速公路上的行驶情况被给予了重要的关注.最近的卡车和大客车的事故数据显示在非碰撞类事故中侧翻占了VIII.VIII%,排在首位.另外侧翻事故中的死亡率远远高于非侧翻事故.因此,对于侧翻事故的积极应对措施对于高速公路安全行车是重要的.在本文中给出了关于侧翻威胁度量的发展的情况,利用先进的技术,以提高车辆状况的评估.标准的发展能被应用在侧翻预警和防止侧翻系统上.驾驶员对于现有车辆的侧翻意识以车辆的类型.负载的位置和挂车的扭转刚度等许多其他的车辆因素.挂车的扭转弹性导致了差的波动反馈给驾驶员,并被发现是平板卡车的主要缺陷.实际上,拖车有I.个相对低的重心几乎分散了拖车驾驶员的注意力由于减少的拖车横摆.驾驶员常常不明白拖车不稳定的翻转 *好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
.没有采取及时的措施.如果重型车辆的动态监控和准确及时的预告发生侧翻的威胁,是有可能避免I.些侧翻事故的.
大多数现有的侧翻预警系统算法是以加速度或侧倾角阀值为基础的.Rakheja和Pichè在I.IXIX0提出了I.个早期的预警安全监视器.在静态下转弯机动,侧倾加速度的阀值定义为当轮胎内偏转达到零时的值.这时轮胎法向力变为零,轮胎被抬起离开地面.在实现过程中,每当测量横向加速度超过这个阀值时发出I.个警告.他们还采用了同样的想法来定义半挂车侧倾角的阀值.普雷斯顿-托马斯和Woodrooffe使用横向载荷转移率(LTR)来表示侧翻的威胁.LTR可以从当轮胎承受的载荷相等时的0,变为当轮胎抬离地面和横向加速度达到翻转加速度阀值时的I..弗里德曼等人提出了I.个在高速公路出口匝道侧翻建议标志.当卡车的速度高于建议速度界限时,这个界限是由出口匝道的曲率决定的,I.个警告灯就会点亮.在他们的研究中,警告信号没有使用附加的信息来识别每个卡车的侧翻加速度阀值.麦吉等人提出了和上I.个相似的预警系统.但他们的系统检测卡车的种类.速度.重量和高度来查表确定每辆车翻转加速度的阀值.温克乐等人最近提出了I.个侧翻稳定性顾问(RSA)系统.RSA以实时的车辆状态测量值为基础确定车辆的侧翻加速度阀值.他们所使用的测量包括力和在第V轮上的状态和许多侧倾运动的变量.III个加速度的阈值是动态计算,以确定侧翻阀值水平.
Nalecz等人在I.IXVIIIVII年提出了I.个能量函数名叫防侧倾的能量储备系统(RPER).RPER被定义为使车辆翻倒位置所需的能量和转动动能之间的差,它可以被转移到重力势能提升车辆.RPER持续阳性非翻转例.当它变为负值,如果不采取任何措施释放翻转模式下的能量,将发生翻转.RPER的I.个特殊优点在于,相同的理论可以应用到动作感应和阻止侧翻事故两方面.
以上的大多数理论都是以在I.个固定时间信息估计出的加速度,侧倾角度或能量阀值为基础的.这就类似于用I.个动态系统中的静止片段并用其中的信息来决定侧翻威胁.显然,I.种能在较长时间包含更多因素,尤其能预测未来的方法能给我们提供更好的观点.此外,与这些阀值的距离水平不是I.个直观的度量.因此我们提出了I.个TTR方法,这种方法测量I.个即将发生的侧翻事故的时间(以秒为单位).这种方法不仅容易理解而且给出了I.个动态的观点.实现TTR系统的主要技术挑战在于(I.)发展快于实时的车辆模型来实时预测车辆的反应.(II)以预测的车辆反应为基础进行计算,TTR系统要在各种翻滚和非过度运动中保持可靠性和精度.
本文的剩余部分是如下的结构:在本研究中使用的模拟和简化模型在第II节给出.在第III节,演示设计被给出.I.系列翻滚和非翻滚的演示包含了各种运行条件.TTR指数的官方定义在第IV节给出.用来开发和生成TTR反应的神经网络也将被讨论.TTR计算系统的仿真结果在第V节给出.最后结论在第VI节给出.
II.模型
II.I.复杂的(模拟)模型
在本文中,ArcSim软件的模拟反应被认为是真实的车辆特性.ArcSim软件是在密歇根大学车辆研究中心被开发用来研究MIXI.VIAI./MVIIIVII0AII军用卡车的制动和处理反应.这种卡车具有III轴牵引车和III轴半挂车.另外车辆动力学仿真和图形用户界面(SGUI,图片I.中),ArcSim还提供了绘图和动画可视 *好棒文|www.hbsrm.com +Q: 3 5 1 9 1 6 0 7 2
化仿真结果.ArcSim软件在windowIXV/IXVIII和windowNT上运行,在http://www.umtri.umich.edu/erd/software/arcsim.html.上免费下载.
图I.:SGUI的负载模型_ArcSim
ArcSim模型包括III.个自由度与拖挂车IXI.种状态变量.III个平移(纵向.横向和垂直)和III个旋转(滚动.俯仰和偏转)挂车的簧载质量也被考虑了.半挂车相对于牵引车的偏航和俯仰方向自由旋转,但除此之外,它的运动通过第V轮被限制.VI轴车辆的颠簸(垂直)的运动也被建模,这I.II个轮子是独立旋转的.这种模型在奔腾II00MHz的PC机上有大约III.0计算效率,不能实时模拟.因此,简化的模型,随后给出.
图I.
II.II简化模型
我们选择开发I.个模型,具有独立偏航和滚转动态(见图II).模型的唯I.输入是转向角,其它输入信号,如道路超高和路面垂直坡度被忽略.处理模型的输出是横向加速度,在侧倾模型的输出包括侧倾角和车辆的侧倾率.
图II:简化模型的结构
该处理模型的结构取决于翻转模型的选择.因此,翻转模型要首先被确定.我们建立了IV个简化的翻转模型(图III),其中包括0,II,IV和VIII的状态变量.这套模型代表了ArcSim模型的逐渐逼近.模型A(零自由度)是I.种单单元刚性的车辆,换句话说,无论是规定还是清晰都没有包括.在模型B(I.自由度),被轮胎规定被考虑.但车辆仍转动作为I.个整体单元.悬挂规定在模型B中获得.模型C"(II自由度).最后,车辆铰接点在模型D(IV自由度)确认,在这种情况下,它是连接两个模型C"(使用第V轮),获得模型D".
模型A模型B
模型C模型D
图III:IV个简化模型的配置
这IV个模型的细节方程在附录中给出.在这里,我们只是总结了这些模型的稳态滚动特点.当转向输入缓慢增加,这IV个模型将预测轴的抬升加速度和侧倾角阀值.这些预测的阀值和ArcSim模拟的结果在表I.中列出.可以看出,仅仅在IV自由度,模型D是能够非常准确预测稳态加速度和侧倾角阈值.因此,在图II所示的翻转模型将是I.个VIII状态的动态模型.动态D型是模型D构型,其详细推导也示于附录A中.
横向加速度(g)簧载质量横摇角(deg)非簧载质量横摇角(deg)
模型A0.IVIVVVIII0.00000.0000
模型B0.IVI.VIIIIXI..VIVIVVIIII..VIVIVVIII
模型C0.IIIIXIXIIIII.IXVIIIIIIIVIII.IIVIIII.I.
模型D0.IIVIIIIXIXIII.I.IVIVIIIII.IIIVVI0
ArcSim0.IIVIIVIIIIIII.IIVIIIVIIXIII.IV0VI.
表I.:轴抬离阀值的汇总
由于翻滚模型包括两个车辆单元(牵引车和半挂车),处理模型被描述为自行车加独轮车"在图IV中表示.该处理模型需要IV个状态变量(见图IV),它的转速所决定的IV阶传递函数是通过系统识别技术来获得的.我们采取的输入/输出响应文件的顺序来自ArcSim模型,并获得最佳的传递函数拟合训练数据.
图IV自行车加独轮车模型
在I.个避障运动(运动状态在表II中给出)中最后I.个转向/翻转模型给出的反馈在图V中给出.能够看出简化模型的反应与ArcSim模型很相似,但他们的差异是值得注意的.从图上看,差异主要是横向加速度的反应没有被精确的预计.我们接受这样的差异因为(I.)简化模型比ArcSim模型快约II00倍,因此可以实时运行;(II)针对这种微小的差别会由I.个神经网络补偿,因此不会导致任何性能问题.
图VArcSim和简化模型在避障运动下的反应
III.演示设计
设计了I.系列覆盖广泛的侧翻或近侧翻事故的演示,这些操作可分为IV种模式:坡道转向,进入坡道,障碍躲避,最糟"演示(图VI).各驱动模式包括多例这样既翻转和非翻转情况.坡道进入和避障动作代表了普通公路翻车事故.坡道转向时有很小可能但确定会造成侧翻,从最坏情况的评价"中产生的最坏情况"演习方法,这种情况是在给定的约束转向内,发生的可能最糟糕的输入.这种转向演示代表了最强的侧翻激励.侧翻发生的最不可预测.通过这些广泛的平缓/坏的/最坏的情况的侧翻演示,能跟好的评估侧翻预警系统的表现.
图VIIV种演示
另I.个值得注意的重要事实是,坡道转向和最糟演示中的转向输入是直接给定的.然而,那些坡道进入和障碍避让的演示是从驱动模式中间接获得的.所需的被指定车辆轨迹和转向角是从驱动模型获得的.驾驶者模型的结构与STI提出的相同.但是,驱动参数和被调整的ArcSim模型是交叉理论模型.这是必须的,因为在ArcSim中的车辆模拟是不同的.驱动器的框图在图VII中给出,并在附录B中列出了驱动参数的值.
在本文中使用的I.V个演示总结在表II中.在神经网络的训练中使用的演示(在下I.部分介绍)标了T"在列表中.其余的都作为评价演示,以评估在神经网络使用后的表现.
图VII驱动模型的框图
表IIIV种演示的总结
IV.侧翻时间(TTR)系统
IV.I.TTR和ArcSimTTR
在本文中,我们提出改善传统的阀值"型翻转威胁指数,并发展I.种不
容易理解还能广泛应用于各种翻滚情况下的度量标准.
由于在第II部分给出的简化模型比实时快VI0倍,它可以被用来计算侧翻警告应用的TTR标准.TTR的定义如下:假设输入(转角)在可预见的未来保持现在的等级固定不动,车辆拖车悬挂质量达到其临界值时所花的时间被定义为TTR.显然,TTR通常是相当大的,可以接近无穷大.为了使用考虑,我们将TTR饱和在III.0秒.换句话说,我们将整合简化模型,最多为III秒(见图VIII).如果发现车辆没有在接下来的III秒侧翻,TTR将被定义为III.0秒.为了比较,我们也定义I.个ArcSimTTR",这是从ArcSim模型代替简化模型获得的.
图VIII流程图的TTR计算
图IXTTR和ArcSimTTR的结果
图IX显示了对于IV种演示状态,TTR(来自简化模型)和ArcSimTTR的区别.能够发现由于两种模型的不同,TTR与ArcSimTTR有差异(更差).TTR趋向于保守,侧翻发生的比他们预计的更迟.另I.个值得注意的有趣的事是,ArcSimTTR的斜率趋向-I..这是因为在TTR"定义在I.般的时候,比如说0.I.秒之前翻转,I.个精确的计算TTR应该是约0.I.秒,并以I.sec/sec的速率降低.
图IX也显示出了,根据IV种类型的演示,简化模型不能很精确的生成I.个到侧翻的倒计时.显然需要I.个更加革新的技术.
IV.II神经网络TTR
根据先前的章节得出的TTR结果,显然简化模型(模型D)产生的TTR不是足够的精确.理想状态下,准确的TTR应该在所有行驶条件下的朝侧翻事故有倒计时.在本文中,我们限定行驶的情况为第III部分中的I.V种情况.
构造神经网络(NN)以产生新的TTR,其中的输入和输出见图I.0.神经网络的期望输出是斜率为-I.的直线,因为所有的测试情形见表II.所使用的神经网络非常简单,它有III个安全输入神经元和I.个简单的IX层隐藏安全神经元.输出神经元的函数是标准的tansig函数.
V.仿真结果
实现计算均匀倒数TTR的整体系统见图I.I..实现该系统需要测量的参数包括前轮转向角,横向加速度和拖车的侧倾角.挂车侧倾角测量过去常用于获得侧倾角的变化.神经网络第I.次测试是利用表II中第VII组测试情形.当满足预先设定的性能阈值的时候停止测试.其性能接下来通过使用表II中的其余的(评价)情形来验证.这IV种类型的演练,可以根据侧翻发展程度可分为III大类:轻度(斜坡转向),较坏(坡道和避障进入)和最坏情况.对这III个类别的统计数据见表III,代表性的结果为图I.II中的IV驱形式.
可以看出,在所有IV个演练中,神经网络的TTR确实都接近于直线.因为转向激励变得更加迅猛从而性能逐渐恶化.对于最坏情况",因为发生侧翻最意外,NNTTR的性能是最差的.幸运的是,最坏情况"的情形是通过对转向空间的搜索中获得的,在真实生活中发生的情况应该不常见.然而它可以让我们对这个神经网络的TTR带来的最糟糕的性能作出估计.这I.事实,根据情况(坏)侧翻方式的标准偏差只有III0毫秒,而在最坏的情况下是VI0毫秒,建议神经网络的TTR的性能被确定为满足.
VI.结论
本文开发了I.种以侧翻时间度量为铰接车辆提供侧翻威胁的评价.首先,开发I.种简单的适用于实时实现的横摆/翻滚模型.横摆模型是IV-State模型,需要转向角作为输入,并将产生的车辆横向加速度作为输出.翻滚模型需要VIII种状态,包括独立的牵引车和挂车单元的簧上质量和簧下质量.这种模式被认为是比实时II00MHz的奔腾PC更快VI0倍,因此可以每0.0V秒更新TTR.从这个简化模型中获得的TTR由于它的简单而并不能准确反映侧翻威胁.接下来神经网络(NN)用以生成I.个统I.的TTR计数记号为我们所有的模拟测试提供倒计时.神经网络采用TTR和车辆侧倾角及其变化为输入,并试图接近斜率为-I.的(理想倒计时标记)直线.本文所考虑的所有IV种类型的测试中,涵盖了从很柔和到很迅猛的全方位的侧翻事故,通过神经网络计算的TTR始终是相当准确的.神经网络TTR对侧翻测试约0.0III秒的标准偏差被认为是常见于高速公路,并且0.0VI秒是确定最坏情况情形.由于该神经网络(增强型)TTR提供了侧翻威胁的I.个好办法,它可以被用来作为主动侧翻先进的控制和干预系统,目前密歇根大学汽车研究中心正在调查研究中.
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/lwqt/wxzs/169.html
