聶枝根,宗長(zhǎng)富

(吉林大學(xué)，汽車仿真與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春 130022)

?

2015111

重型半掛車簡(jiǎn)化模型參數(shù)辨識(shí)研究*

聶枝根,宗長(zhǎng)富

(吉林大學(xué)，汽車仿真與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春 130022)

為準(zhǔn)確表征重型半掛車的動(dòng)態(tài)特性，在建立3和5自由度簡(jiǎn)化模型基礎(chǔ)上，利用Trucksim數(shù)據(jù)并運(yùn)用雙模型與遺傳算法相結(jié)合的方法對(duì)簡(jiǎn)化模型關(guān)鍵參數(shù)進(jìn)行了辨識(shí)。利用辨識(shí)后的關(guān)鍵參數(shù)的MAP圖,進(jìn)行了模型動(dòng)態(tài)工況的仿真。仿真結(jié)果與Trucksim數(shù)據(jù)對(duì)比表明：采用此方法辨識(shí)出的關(guān)鍵參數(shù)MAP圖能夠滿足重型半掛車簡(jiǎn)化模型表征車輛實(shí)際狀態(tài)的要求，為車輛穩(wěn)定性控制奠定了基礎(chǔ)。

重型半掛車；動(dòng)力學(xué)模型；參數(shù)辨識(shí)；遺傳算法

前言

重型半掛車具有運(yùn)輸量大、成本低、高效和經(jīng)濟(jì)的優(yōu)勢(shì),在貨物運(yùn)輸中得到廣泛應(yīng)用[1]。但由于載質(zhì)量大，尺寸大，質(zhì)心高，且牽引車和半掛車之間相互耦合，極易發(fā)生側(cè)翻、擺振和折疊等事故，造成巨大損失[2]。因此，進(jìn)行重型半掛車穩(wěn)定性研究具有重要意義。重型半掛車穩(wěn)定性控制依賴重型半掛車簡(jiǎn)化模型的建立和模型中關(guān)鍵參數(shù)值的確定[3-5]。據(jù)此,在建立簡(jiǎn)化線性模型基礎(chǔ)上,根據(jù)重型半掛汽車實(shí)時(shí)工況精確辨識(shí)出具有非線性特性的模型關(guān)鍵參數(shù)以獲得重型半掛車的實(shí)時(shí)狀態(tài)，成為準(zhǔn)確控制車輛穩(wěn)定的關(guān)鍵[5]。

在文獻(xiàn)[6]中，進(jìn)行了幾個(gè)側(cè)向加速度下模型關(guān)鍵參數(shù)的標(biāo)定,但無法實(shí)現(xiàn)模型參數(shù)隨車輛狀態(tài)變化而實(shí)時(shí)變化；在文獻(xiàn)[7]中進(jìn)行了不同轉(zhuǎn)向盤和車速下關(guān)鍵參數(shù)的辨識(shí),但使用試湊方法進(jìn)行辨識(shí)，難以保證模型關(guān)鍵參數(shù)的準(zhǔn)確性，且文獻(xiàn)[6]和文獻(xiàn)[7]中都是針對(duì)單車模型參數(shù)的辨識(shí)?？偟膩碚f，對(duì)重型半掛車在非線性區(qū)和大側(cè)向加速度(對(duì)于重型半掛車，側(cè)向加速度大于0.25g即進(jìn)入非線性區(qū))辨識(shí)的研究較少。參數(shù)辨識(shí)的方法很多,但主要采用以下4類：最小二乘法、梯度校正法、極大似然法和遺傳算法。最小二乘法存在數(shù)據(jù)飽和的問題[8]，以致辨識(shí)參數(shù)易陷入局部最優(yōu)解；梯度校正法要求優(yōu)化對(duì)象的梯度存在；極大似然法須寫出輸出量條件概率密度函數(shù)；遺傳算法存在同時(shí)優(yōu)化過多參數(shù)、準(zhǔn)確性差的缺點(diǎn)[9]。因此，上述辨識(shí)方法不能完全滿足參數(shù)辨識(shí)對(duì)準(zhǔn)確性的要求[10]。

本文中利用雙模型與遺傳算法相結(jié)合的方法離線辨識(shí)簡(jiǎn)化模型的關(guān)鍵參數(shù)，并利用離線辨識(shí)后的參數(shù)值繪制出關(guān)鍵參數(shù)MAP圖。雙模型與遺傳算法結(jié)合的方法繼承了遺傳算法全局尋優(yōu)的優(yōu)點(diǎn)，又克服了遺傳算法同時(shí)優(yōu)化多個(gè)參數(shù)不夠準(zhǔn)確的缺點(diǎn)，能夠成功辨識(shí)出準(zhǔn)確性高的簡(jiǎn)化模型關(guān)鍵參數(shù)值。根據(jù)車輛的實(shí)時(shí)狀態(tài)，通過分段線性插值關(guān)鍵參數(shù)MAP能夠獲得實(shí)時(shí)參數(shù)值。實(shí)時(shí)參數(shù)結(jié)合重型半掛車5自由度線性簡(jiǎn)化動(dòng)力學(xué)模型可實(shí)時(shí)表征車輛實(shí)際狀態(tài)，并解決簡(jiǎn)化模型準(zhǔn)確表征非線性區(qū)和大側(cè)向加速度下與車輛實(shí)際特性不一致的問題，為參數(shù)估計(jì)和動(dòng)態(tài)車輛穩(wěn)定性的控制奠定了基礎(chǔ)。

首先建立了重型半掛車3自由度和5自由度簡(jiǎn)化模型；然后，在簡(jiǎn)化模型的基礎(chǔ)上,使用雙模型與遺傳算法結(jié)合的方法離線辨識(shí)簡(jiǎn)化模型的關(guān)鍵參數(shù),并利用辨識(shí)后的參數(shù)值繪制參數(shù)MAP圖；最后，利用參數(shù)MAP圖和5自由度簡(jiǎn)化模型進(jìn)行了仿真對(duì)比研究。

1 重型半掛車3，5自由度簡(jiǎn)化模型建立

為實(shí)現(xiàn)重型半掛車包括側(cè)翻控制在內(nèi)的穩(wěn)定控制，須建立簡(jiǎn)化模型，并且對(duì)簡(jiǎn)化模型中的關(guān)鍵參數(shù)進(jìn)行辨識(shí)。根據(jù)簡(jiǎn)化模型參數(shù)辨識(shí)的需要，本文中建立了重型半掛車3自由度橫擺模型和重型半掛車5自由度橫擺側(cè)傾模型。鑒于篇幅的限制，只對(duì)5自由度橫擺側(cè)傾模型進(jìn)行推導(dǎo)，3自由度模型直接給出狀態(tài)空間標(biāo)準(zhǔn)形式。

1.1 重型半掛車5自由度橫擺側(cè)傾簡(jiǎn)化模型

5自由度橫擺側(cè)傾簡(jiǎn)化模型由牽引車和半掛車兩個(gè)剛體組成，其5自由度分別為牽引車質(zhì)心側(cè)偏角、牽引車橫擺和側(cè)傾、半掛車橫擺和側(cè)傾[1,11]。在建立動(dòng)力學(xué)模型時(shí)做了如下假設(shè)：

(1) 忽略轉(zhuǎn)向系統(tǒng)的影響，以前輪(轉(zhuǎn)向輪)轉(zhuǎn)角作為模型輸入；

(2) 不考慮空氣動(dòng)力的作用和路面坡度；

(3) 忽略左、右輪胎載荷的變化對(duì)輪胎特性和輪胎回正力矩的影響；

(4) 縱向速度恒定；

(5) 牽引車和半掛車沒有俯仰運(yùn)動(dòng)；

(6) 在輪胎上沒有制動(dòng)力；

(7) 牽引車和半掛車之間的鉸接角較?。?/p>

(8) 牽引車兩個(gè)驅(qū)動(dòng)軸簡(jiǎn)化為單軸，并且等效軸的位置為幾何中心；

(9) 半掛車3個(gè)半掛軸簡(jiǎn)化成單軸，并且等效軸的位置為其幾何中心。

圖1和圖2分別為重型半掛車橫擺運(yùn)動(dòng)和側(cè)傾運(yùn)動(dòng)示意圖，據(jù)此進(jìn)行了重型半掛車簡(jiǎn)化模型運(yùn)動(dòng)學(xué)方程的如下推導(dǎo)。

牽引車運(yùn)動(dòng)學(xué)方程為

F1+F2+F4

(1)

(2)

k12(φ2-φ1)-F4h1c

(3)

半掛車運(yùn)動(dòng)學(xué)方程為

(4)

(5)

(6)

半掛車和牽引車的運(yùn)動(dòng)學(xué)約束方程為

(7)

本文中采用線性輪胎模型,車輛各軸的側(cè)向力為軸側(cè)偏剛度與該等效側(cè)偏角之積：

(8)

經(jīng)過整理后得到重型半掛車5自由度橫擺側(cè)傾簡(jiǎn)化模型狀態(tài)方程的標(biāo)準(zhǔn)表達(dá)式為

(9)

式中

B=M-1[-(c+a)k1-k1h1c-k100000]T

1.2 重型半掛車3自由度橫擺模型

重型半掛車3自由度橫擺模型的狀態(tài)方程標(biāo)準(zhǔn)表達(dá)式為

(10)

式中

B=M-1[-k1(a+c) -k10 0]T

上述公式中各參數(shù)符號(hào)的含義見表1。

表1 兩模型式中參數(shù)符號(hào)意義

2 重型半掛車簡(jiǎn)化模型參數(shù)辨識(shí)

為實(shí)現(xiàn)簡(jiǎn)化模型表征實(shí)際車輛的特征,本文中利用Trucksim數(shù)據(jù)，應(yīng)用雙模型和遺傳算法相結(jié)合的方法離線辨識(shí)簡(jiǎn)化模型的關(guān)鍵參數(shù)，包括牽引車前后軸側(cè)偏剛度、掛車軸側(cè)偏剛度、牽引車側(cè)傾剛度和半掛車側(cè)傾剛度。辨識(shí)后的關(guān)鍵參數(shù)值為等效值，包括車輛轉(zhuǎn)向系統(tǒng)、懸架系統(tǒng)、輪胎定位和輪胎等系統(tǒng)和部件的非線性特性。

首先，利用3自由度模型和遺傳算法辨識(shí)出牽引車的前后軸側(cè)偏剛度和掛車軸側(cè)偏剛度，并將其代入5自由度模型中；然后利用5自由度模型和遺傳算法，辨識(shí)出牽引車側(cè)傾剛度和半掛車側(cè)傾剛度。這樣既可利用遺傳算法的全局尋優(yōu)能力，又可克服其同時(shí)優(yōu)化過多參數(shù)而不準(zhǔn)確的缺點(diǎn)。

本文中采用階躍工況對(duì)模型關(guān)鍵參數(shù)進(jìn)行辨識(shí)，工況覆蓋了車速?gòu)牡退俚礁咚佟木€性到非線性的全工況。按車速和轉(zhuǎn)向盤轉(zhuǎn)角預(yù)設(shè)出需要的辨識(shí)工況點(diǎn)，進(jìn)而對(duì)工況點(diǎn)進(jìn)行參數(shù)辨識(shí)以繪制參數(shù)MAP圖，再利用MAP圖分段線性插值得到任意車速和轉(zhuǎn)向盤轉(zhuǎn)角下的模型關(guān)鍵參數(shù)值，保證了簡(jiǎn)化模型關(guān)鍵參數(shù)值能夠隨車輛狀態(tài)實(shí)時(shí)變化。

2.1 遺傳算法辨識(shí)

遺傳算法是模仿自然界生物進(jìn)化機(jī)制發(fā)展起來的隨機(jī)全局搜索和優(yōu)化方法[7]，其主要特點(diǎn)是群體搜索策略和群體中個(gè)體之間的信息交換，搜索不依賴于梯度信息，并逐一比對(duì)所有可行解的目標(biāo)值，具有全局優(yōu)化能力，尤其適用于處理傳統(tǒng)搜索方法難于解決的復(fù)雜和不確定性問題[12]。

本文中遺傳算法使用二進(jìn)制編碼、輪盤賭選擇、均勻交叉、基本位變異、搜索空間限定法約束處理。利用3自由度橫擺模型，進(jìn)行牽引車前后軸和掛車軸側(cè)偏剛度辨識(shí)，利用數(shù)據(jù)為質(zhì)心側(cè)偏角和橫擺角速度，其適用度函數(shù)為式(11)(適用度函數(shù)參數(shù)解釋見表2)；利用5自由度橫擺模型，進(jìn)行牽引車側(cè)傾剛度和半掛車側(cè)傾剛度辨識(shí)，利用數(shù)據(jù)為側(cè)傾角和側(cè)傾角速度數(shù)據(jù)，其適用度函數(shù)為式(12)(適用度函數(shù)參數(shù)解釋見表2)。由于篇幅有限，具體遺傳算法程序編寫參考了文獻(xiàn)[9]。

(11)

(12)

表2 適用度函數(shù)參數(shù)的含義

2.2 不同工況下的參數(shù)辨識(shí)

由于重型半掛車實(shí)車實(shí)驗(yàn)困難，且針對(duì)穩(wěn)定性控制實(shí)驗(yàn)尤為危險(xiǎn)，較難進(jìn)行實(shí)車實(shí)驗(yàn)。故利用Trucksim軟件數(shù)據(jù)進(jìn)行參數(shù)辨識(shí)。Trucksim軟件被認(rèn)為是較為接近實(shí)車的整車仿真模型。以Trucksim某重型半掛車(具體參數(shù)見表3)不同轉(zhuǎn)向盤轉(zhuǎn)角在車速80km/h條件下和轉(zhuǎn)向盤轉(zhuǎn)角為60°在不同車速條件下為例對(duì)模型關(guān)鍵參數(shù)進(jìn)行了辨識(shí)。辨識(shí)完成后，把辨識(shí)出的模型關(guān)鍵參數(shù)代入5自由度模型進(jìn)行仿真，并進(jìn)行仿真數(shù)據(jù)與Trucksim數(shù)據(jù)對(duì)比。最后，對(duì)辨識(shí)出的模型關(guān)鍵參數(shù)與轉(zhuǎn)向盤轉(zhuǎn)角和車速的關(guān)系進(jìn)行了分析。

表3 車輛參數(shù)

2.2.1 車速80km/h和變轉(zhuǎn)向盤轉(zhuǎn)角

在80km/h、-40°轉(zhuǎn)向盤轉(zhuǎn)角階躍工況中，通過3自由度橫擺模型辨識(shí)出的牽引車前軸側(cè)偏剛度為-287 500N/rad，牽引車后軸側(cè)偏剛度值為-492 880N/rad，掛車軸側(cè)偏剛度為-343 970N/rad；把軸剛度值代入5自由度模型，并辨識(shí)出的牽引車側(cè)傾剛度為2 020 700N·m/rad，掛車側(cè)傾剛度為758 580N·m/rad。參數(shù)代入模型得出的數(shù)據(jù)與Trucksim數(shù)據(jù)對(duì)比見圖3。

在80km/h、-60°轉(zhuǎn)向盤轉(zhuǎn)角階躍工況中，通過3自由度橫擺模型辨識(shí)出的牽引車前軸側(cè)偏剛度為-286 430N/rad，牽引車后軸側(cè)偏剛度值為-491 540N/rad，掛車軸側(cè)偏剛度為-333 890N/rad；把軸剛度值代入5自由度模型，并辨識(shí)出的牽引車側(cè)傾剛度為1 623 700N·m/rad，掛車側(cè)傾剛度為910 690N·m/rad。參數(shù)代入模型得出的數(shù)據(jù)與Trucksim數(shù)據(jù)對(duì)比見圖3。

由圖3可知，在車速80km/h，轉(zhuǎn)向盤轉(zhuǎn)角-40°和-60°工況下，辨識(shí)出的參數(shù)能很好地表征車輛實(shí)際狀態(tài)。通過線性插值出此車速下-50°轉(zhuǎn)向盤工況的參數(shù)值：牽引車前軸側(cè)偏剛度為-286 965N/rad，牽引車后軸側(cè)偏剛度值為-492 210N/rad，掛車軸側(cè)偏剛度為-338 930N/rad，牽引車側(cè)傾剛度為1 822 200N·m/rad，掛車側(cè)傾剛度為834 635N·m/rad。參數(shù)代入模型得出的數(shù)據(jù)與Trucksim數(shù)據(jù)對(duì)比見圖3。

2.2.2 60°轉(zhuǎn)向盤轉(zhuǎn)角和變車速

在40km/h、60°轉(zhuǎn)向盤轉(zhuǎn)角階躍工況中，通過3自由度橫擺模型辨識(shí)出的牽引車前軸側(cè)偏剛度為-283 980N/rad，后軸側(cè)偏剛度值為-485 320N/rad，掛車軸側(cè)偏剛度為-351 550N/rad；把軸剛度值代入5自由度模型，并辨識(shí)出的牽引車側(cè)傾剛度為2 810 500N·m/rad，掛車側(cè)傾剛度為741 740N·m/rad。參數(shù)代入模型得出的數(shù)據(jù)與Trucksim數(shù)據(jù)對(duì)比見圖4。

在60km/h、60°轉(zhuǎn)向盤轉(zhuǎn)角階躍工況中，通過3自由度橫擺模型辨識(shí)出的牽引車前軸側(cè)偏剛度為-269 160N/rad，后軸側(cè)偏剛度值為-479 950N/rad，掛車軸側(cè)偏剛度為-345 720N/rad；把軸剛度值代入5自由度模型，并辨識(shí)出的牽引車側(cè)傾剛度為2 057 900N·m/rad，掛車側(cè)傾剛度為743 810N·m/rad。參數(shù)代入模型得出的數(shù)據(jù)與Trucksim數(shù)據(jù)對(duì)比見圖4。

由圖4可知，在轉(zhuǎn)向盤轉(zhuǎn)角60°，車速40和60km/h工況下，辨識(shí)出的參數(shù)能夠很好地表征車輛實(shí)際狀態(tài)。通過前面車速40和60km/h工況辨識(shí)得出的參數(shù)值，線性插值出此轉(zhuǎn)向盤轉(zhuǎn)角下50km/h車速工況的參數(shù)值：牽引車前軸側(cè)偏剛度為-276 570N/rad，牽引車后軸側(cè)偏剛度值為-482 635N/rad，掛車軸側(cè)偏剛度為-348 635N/rad，牽引車側(cè)傾剛度為2 434 200N·m/rad，掛車側(cè)傾剛度為742 775N·m/rad。參數(shù)代入模型得出的數(shù)據(jù)與Trucksim數(shù)據(jù)對(duì)比見圖4。

由圖3和圖4可知，通過雙模型與遺傳算法結(jié)合的方法離線辨識(shí)的簡(jiǎn)化模型關(guān)鍵參數(shù)，可以較準(zhǔn)確地描述車輛的動(dòng)力學(xué)特性。并且通過線性插值得到參數(shù)值，代入模型也能夠準(zhǔn)確地表征車輛實(shí)際狀態(tài)。因此，參數(shù)值變化與車速和轉(zhuǎn)向盤轉(zhuǎn)角的變化存在直接關(guān)系。鑒于此，選取車速和轉(zhuǎn)向盤轉(zhuǎn)角為自變量繪制參數(shù)MAP圖。同時(shí)，發(fā)現(xiàn)由于重型半掛車第5輪等因素影響，掛車側(cè)傾剛度變化較為劇烈。

2.3 辨識(shí)MAP圖

當(dāng)車速在20km/h以下，車輛不易出現(xiàn)危險(xiǎn)工況；在中高速、轉(zhuǎn)向盤轉(zhuǎn)角300°時(shí)車輛已經(jīng)側(cè)翻。因此，繪制MAP圖選擇車速?gòu)?0km/h到100km/h,轉(zhuǎn)向盤轉(zhuǎn)角從-300°到300°轉(zhuǎn)角范圍來設(shè)定工況點(diǎn)。另外，考慮到低速參數(shù)變化復(fù)雜和低速不易出現(xiàn)失穩(wěn)，車速?gòu)?到20km/h范圍內(nèi)，參數(shù)MAP圖采用了參數(shù)值為20km/h工況下的值；當(dāng)車輛出現(xiàn)側(cè)翻后，MAP圖中的參數(shù)值賦值為零，具體MAP圖見圖5。

由圖5(a)～圖5(c)可知，在同一轉(zhuǎn)向盤轉(zhuǎn)角下，軸側(cè)偏剛度隨著車速增大而減?。辉谕卉囁傧?，軸側(cè)偏剛度隨著轉(zhuǎn)向盤轉(zhuǎn)角絕對(duì)值增大而減小。針對(duì)軸側(cè)偏剛度，辨識(shí)出的參數(shù)MAP圖符合文獻(xiàn)[13]中的基本理論，即側(cè)向加速度增大，垂直載荷轉(zhuǎn)移率增大，平均側(cè)偏剛度變??；側(cè)向加速度越大，載荷轉(zhuǎn)移率越大，平均側(cè)偏剛度越小。需要指出,因轉(zhuǎn)向系統(tǒng)原因,在小轉(zhuǎn)向盤轉(zhuǎn)角且低速區(qū)域內(nèi),牽引車前軸側(cè)偏剛度與上面的趨勢(shì)相反。

由圖5(d)可知，在同一車速下，牽引車側(cè)傾剛度隨著轉(zhuǎn)向盤轉(zhuǎn)角絕對(duì)值增大而減小。在較小的轉(zhuǎn)向盤轉(zhuǎn)角區(qū)域內(nèi)，側(cè)傾剛度隨著車速增大而增大。其他轉(zhuǎn)角區(qū)域內(nèi)，牽引車側(cè)傾剛度隨著車速增大而減小。

由圖5(e)可知，在中等車速和中等轉(zhuǎn)向盤轉(zhuǎn)角區(qū)域內(nèi)，存在較小的掛車側(cè)傾剛度值，其他區(qū)域朝著這個(gè)區(qū)域減小。

圖5(d)和圖5(e)中的參數(shù)變化規(guī)律與在牽引車側(cè)傾角和半掛車側(cè)傾角相差較小時(shí)，第5輪側(cè)傾剛度值為零有直接關(guān)系。

3 結(jié)果驗(yàn)證

為大范圍驗(yàn)證辨識(shí)方法和辨識(shí)結(jié)果的準(zhǔn)確性，設(shè)計(jì)一個(gè)測(cè)試工況：在20s時(shí)間內(nèi)，重型半掛車車速?gòu)?5減至25km/h，且轉(zhuǎn)向盤轉(zhuǎn)角做頻率為0.1Hz、振幅為90°的正弦轉(zhuǎn)動(dòng)。此工況涵蓋了從低速到中高速、從小轉(zhuǎn)向盤轉(zhuǎn)角到大轉(zhuǎn)向盤轉(zhuǎn)角和從小側(cè)向加速度到大側(cè)向加速度的整個(gè)過程。重型半掛車5自由度橫擺側(cè)傾簡(jiǎn)化模型利用參數(shù)MAP圖，結(jié)合車速變化(圖6(a))和轉(zhuǎn)向盤轉(zhuǎn)角變化(圖6(b))進(jìn)行仿真，仿真結(jié)果見圖6。其中，重型半掛車5自由度橫擺側(cè)傾簡(jiǎn)化模型的實(shí)時(shí)關(guān)鍵參數(shù)值是根據(jù)實(shí)時(shí)車速和轉(zhuǎn)向盤轉(zhuǎn)角分段線形插值參數(shù)MAP獲得，分段節(jié)點(diǎn)為辨識(shí)工況點(diǎn)。

由圖6可知，牽引車的側(cè)向加速度接近0.37g，此時(shí)前輪即將離地達(dá)到模型的極限。由仿真數(shù)據(jù)與Trucksim數(shù)據(jù)對(duì)比可知，在車速和轉(zhuǎn)向盤轉(zhuǎn)角動(dòng)態(tài)輸入下，模型運(yùn)行得到的車輛特性與實(shí)際車輛特性具有良好一致性。因此，運(yùn)用雙模型與遺傳算法結(jié)合的方法能夠辨識(shí)出準(zhǔn)確的牽引車前后軸側(cè)偏剛度、掛車軸側(cè)偏剛度、牽引車等效側(cè)傾剛度和掛車等效側(cè)傾剛度等簡(jiǎn)化模型關(guān)鍵參數(shù)，且以車速20km/h和轉(zhuǎn)向盤轉(zhuǎn)角20°為間隔形成的簡(jiǎn)化模型關(guān)鍵參數(shù)MAP能夠?qū)崟r(shí)表征具有非線性的車輛動(dòng)態(tài)特性。

4 結(jié)論

(1) 針對(duì)重型半掛車穩(wěn)定控制要求，建立了適合控制器要求的簡(jiǎn)化模型，提出了運(yùn)用雙模型與遺傳算法結(jié)合的方法離線辨識(shí)簡(jiǎn)化模型關(guān)鍵參數(shù)。通過模型數(shù)據(jù)與Trucksim數(shù)據(jù)對(duì)比，表明此方法能夠準(zhǔn)確辨識(shí)出模型的關(guān)鍵參數(shù)。

(2) 以車速和轉(zhuǎn)向盤轉(zhuǎn)角作為自變量繪制了關(guān)鍵參數(shù)MAP圖，并利用參數(shù)MAP圖，結(jié)合重型半掛車5自由度橫擺側(cè)傾簡(jiǎn)化模型，對(duì)車輛動(dòng)態(tài)工況進(jìn)行仿真。仿真結(jié)果與Trucksim數(shù)據(jù)吻合度較好，表明參數(shù)值MAP能夠?qū)崟r(shí)準(zhǔn)確地表征車輛實(shí)際動(dòng)態(tài)特性，為重型半掛車參數(shù)估計(jì)和穩(wěn)定性控制奠定了良好基礎(chǔ)。

[1] Cheng Caizhen. Enhancing Safety of Actively-steered Articulated Vehicles[D]. Cambridge: University of Cambridge,2009.

[2] 朱天軍.基于改進(jìn)TTR重型車輛側(cè)翻預(yù)警及多目標(biāo)穩(wěn)性控制算法研究[D].長(zhǎng)春:吉林大學(xué),2010.

[3] Daniel Wesemeier, RolfIsermann. Identification of Vehicle Parameters Using Stationary Driving Maneuvers[J]. Control Engineering Practice,2009,17:1426-1431.

[4] Manoj Karkee, Brian L Steward. Parameter Estimation and Validation of a Tractor and Single Axle Towed Implement Dynamic System Model[J]. Computers and Electronics in Agriculture,2011,77:135-146.

[5] Saglam F, Unlusoy Y S. Identification of Order Vehicle Handing Models from Multibody Vehicle Dynamics Models[C].Proceedings of 2011 IEEE International on Mechatronics, Istanbul Turkey April 13-15,2011.

[6] 麥莉,宗長(zhǎng)富,王化吉,等.重型半掛車側(cè)翻預(yù)測(cè)模型試驗(yàn)標(biāo)定方法[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2010,40(9):60-65.

[7] Yu H, Guvenc L, Ozguner U. Heavy Duty Vehicle Rollover Detection and Active Roll Control[J]. Vehicle System Dynamics,2008,46(6):451-470.

[8] 李鵬波,胡德文,張紀(jì)陽(yáng),等.系統(tǒng)辨識(shí)[M].北京:中國(guó)水利水電出版社,2010.

[9] 雷英杰,張善文,李續(xù)武,等.MATLAB遺傳算法工具箱及應(yīng)用[M].西安:西安電子科技大學(xué)出版社,2006.

[10] Gerald Steiner, Bernhard Schweighofer. Parameter Identification for a Complex Lead-acid Battery Model by Combining Fuzzy Control and Stochastic Optimization[J]. Inverse Problems in Science and Engineering,2006,14(6):665-685.

[11] Selim Solmaz, Martin Corless, Robert Shortten. A Methodology for the Design of Robust Rollover Prevention Controllers for Automotive Vehichles with Active Steering[J]. International Journal of Control,2006,23(11):1-21.

[12] Cabrera J A, Ortiz A, Carabias E, et al. Ana-ltertive Method to Determine the Magic Tyre Model Parameters Using Genetic Algorithms[J]. Vehicle System Dynamics,2004,41(2):109-127.

[13] 余志生.汽車?yán)碚?第三版)[M].北京:機(jī)械工業(yè)出版社,2004.

A Study on the Parameters Identification ofSimplified Models for Articulated Heavy Vehicles

Nie Zhigen & Zong Changfu

JilinUniversity,StateKeyLaboratoryofAutomotiveSimulationandControl,Changchun130022

In order to accurately describe the dynamic characteristics of articulated heavy vehicles, their 3-DOF and 5-DOF simplified models are established, and based on Trucksim data the key parameters of simplified models are identified by using genetic algorithm combined with double models. A simulation on the models in dynamic conditions is carried out with the MAPs of key identified parameters. The comparisons of simulation results with Trucksim data indicate that the MAPs of key identified parameters meet the requirements of the simplified models for articulated heavy vehicles in characterizing the actual state of vehicle, laying a foundation for vehicle stability control.

articulated heavy vehicles; dynamics models; parameters identification; genetic algorithm

*國(guó)家自然科學(xué)基金(51075176)資助。

原稿收到日期為2013年5月28日，修改稿收到日期為2013年11月14日。