[发明专利]一种基于车体运动学信息的罐车侧倾状态预判方法

权利要求书

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：

V_t＝a₁V_t-1+a₂V_t-2+…+a_pV_t-p+e_t     (1)

式(1)中，V_t为待测车速，V_t-1,V_t-2,…,V_t-p为车速过去值，a₁,a₂,…,a_p为待测参数，e_t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；

…,v_t-2,v_t-1|v_t,v_t+1,…,v_t+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，误差的平方和通过式(2)确定待测参数，从而确定n个AR模型；

4)p为一定值时，对应的残差序列为模型预测值，检验n个残差序列{Δ_p},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 D_p+p ln n             (3)

式(3)中D_p为残差序列{Δ_p}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：

式(4)中，T_l为罐车最后一轴左侧车轮垂向力，T_r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：

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，b_m为第m种测试场景中采集车速的数据量；

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v_k+1,v_k+2,…,v_k+Δt·f和θ_k+1,θ_k+2,…,θ_k+Δt·f，将车速信息和方向盘转角信息(v_k+1,θ_k+1)、(v_k+2,θ_k+2)、…、(v_k+t·f,θ_k+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H_k+1,H_k+2,…,H_k+Δt·f。