夏 光 張 洋 唐希雯 謝 海 楊 猛 高 軍

1.合肥工業(yè)大學(xué)汽車工程技術(shù)研究院,合肥,2300092.國防科技大學(xué)電子對抗學(xué)院,合肥,2300373.合肥工業(yè)大學(xué)汽車與交通工程學(xué)院,合肥,230009

0 引言

隨著叉車的廣泛使用，叉車的安全性問題已成為全球車輛行業(yè)研究的熱點(diǎn)和難點(diǎn)。根據(jù)美國職業(yè)安全與健康標(biāo)準(zhǔn)管理局(occupational safety and health administration,OSHA)標(biāo)準(zhǔn)統(tǒng)計，美國每年發(fā)生事故的叉車數(shù)量約占叉車總數(shù)的十分之一，不僅造成了極大的經(jīng)濟(jì)損失，更給駕駛?cè)藛T的生命健康造成了極大的威脅。在叉車發(fā)生的各類事故中，由叉車側(cè)翻引起的事故約占42%[1]，由此可見，叉車的防側(cè)翻安全控制尤為重要。叉車車身穩(wěn)定區(qū)域?yàn)榍皹蜃笥逸喬ヅc地面接觸的兩個中心點(diǎn)，以及后橋與車架鉸接點(diǎn)所構(gòu)成的三角形區(qū)域，當(dāng)叉車進(jìn)行緊急轉(zhuǎn)向時，其重心發(fā)生偏移進(jìn)而導(dǎo)致叉車側(cè)翻。目前國外關(guān)于叉車防側(cè)翻的研究主要集中在控制方面：文獻(xiàn)[2]采用模型預(yù)測的方式對叉車的行駛狀態(tài)進(jìn)行了預(yù)測，通過判斷叉車在運(yùn)行過程中的側(cè)傾角及俯仰角是否會造成側(cè)翻事故的發(fā)生，來保證叉車的穩(wěn)定性；文獻(xiàn)[3]結(jié)合叉車線控轉(zhuǎn)向系統(tǒng)的傳動比特性，根據(jù)手柄轉(zhuǎn)速及車速來設(shè)定不同的轉(zhuǎn)向比，并在叉車高速行駛時增大轉(zhuǎn)向阻尼力，以提高叉車動態(tài)特性。國內(nèi)有關(guān)叉車防側(cè)翻研究方面的報道相對較少，主流叉車廠生產(chǎn)的叉車均未配備對叉車進(jìn)行防側(cè)翻控制的安全系統(tǒng)。

本文在分析叉車結(jié)構(gòu)和橫向失穩(wěn)機(jī)理的基礎(chǔ)上，采用在叉車轉(zhuǎn)向橋與車身之間添加油缸的方式進(jìn)行防側(cè)翻控制，同時可增大叉車的支撐面積。提出了一種基于T-S模糊神經(jīng)網(wǎng)絡(luò)的防側(cè)翻分層控制方法，將叉車防側(cè)翻控制分為上層辨識層、中層控制層和下層執(zhí)行層[4]。上層辨識層對叉車運(yùn)動狀態(tài)進(jìn)行劃分，并為下層控制提供依據(jù)，將叉車側(cè)向加速度、載荷和貨叉高度作為輸入量建立T-S模糊神經(jīng)網(wǎng)絡(luò)，并進(jìn)行叉車行駛狀態(tài)(側(cè)翻風(fēng)險)識別；中層控制層和下層執(zhí)行層根據(jù)叉車的行駛狀態(tài)(側(cè)翻風(fēng)險)對后橋與車身之間的防側(cè)傾油缸采取相應(yīng)的控制，以提高叉車在緊急工況下的安全性。

1 叉車側(cè)翻原理分析

四輪支承式叉車的結(jié)構(gòu)示意圖見圖1。該叉車通常采用前驅(qū)動后轉(zhuǎn)向的底盤布置形式，正常行駛時車身沿橫向的側(cè)傾角θ在2°～3°范圍內(nèi)，叉車發(fā)生橫向失穩(wěn)后，最先可能出現(xiàn)沿前驅(qū)動輪外側(cè)接地中心(A或B)與轉(zhuǎn)向橋鉸接軸中心E的連線AE或BE發(fā)生側(cè)傾；此時叉車轉(zhuǎn)向內(nèi)輪接地壓力減小，重心發(fā)生輕微外移，四輪均未出現(xiàn)離地現(xiàn)象，若不及時采取防側(cè)翻控制，則叉車內(nèi)側(cè)車輪接地壓力將持續(xù)減小直至發(fā)生車輪離地現(xiàn)象，進(jìn)而會沿外側(cè)車輪接地中心連線AC或BD發(fā)生側(cè)翻[4]。

圖1 四輪支承式叉車Fig.1 Four wheel support forklift

車輛的穩(wěn)定性取決于車輛的重心位置[5]，如圖2所示，其中三角形區(qū)域ABE為車輛穩(wěn)定區(qū)域。平衡重式叉車在搬運(yùn)貨物過程中，其重心會隨著貨物高度的變化而發(fā)生改變，由圖2可得：當(dāng)叉車重心持續(xù)向外側(cè)轉(zhuǎn)移至軸線AE或BE時，其穩(wěn)定性會變差，從而導(dǎo)致安全性降低。

(a)正常狀態(tài)

(b)沿連線AE發(fā)生傾斜

(c)沿連線BE發(fā)生傾斜圖2 叉車重心位置與穩(wěn)定性的關(guān)系Fig.2 The relationship between the gravity center position of forklift and stability

要保證叉車的橫向穩(wěn)定性，可通過合理的調(diào)控使叉車重心處于ABE穩(wěn)定區(qū)域，在危險的狀況下可將叉車車身與后橋之間鎖定，使得叉車的穩(wěn)定區(qū)域由ABE變?yōu)锳BDC，以顯著提高叉車的安全性[6]。

2 防側(cè)傾液壓油缸設(shè)計

由上述叉車側(cè)翻原理分析可知：通過增大叉車的穩(wěn)定區(qū)域、改變叉車重心位置，可提高叉車在緊急工況下的防側(cè)翻能力，從而保證駕駛?cè)藛T安全，因此，本文根據(jù)文獻(xiàn)[7]設(shè)計了一種雙向防側(cè)傾液壓油缸，以提供支撐力與抗拉伸力，并將其單側(cè)安裝在車身與后橋之間，安裝方式見圖3。該油缸在叉車發(fā)生側(cè)傾時對車身提供側(cè)向支撐力，從而可將叉車的穩(wěn)定區(qū)域由三角形變?yōu)樘菪巍?/p>

圖3 防側(cè)傾液壓油缸安裝示意圖Fig.3 Anti-roll hydraulic cylinder installation diagram

防側(cè)傾液壓油缸原理見圖4，設(shè)計加工的防側(cè)傾液壓油缸的實(shí)物見圖5。常閉閥為控制防側(cè)傾油缸的電磁閥[8]，在叉車啟動完畢后，將電磁閥通電并完全打開，此時工作頻率為750 Hz。 通過調(diào)節(jié)脈沖寬度調(diào)制(pulse width modulation,PWM)信號的占空比來控制電磁閥的開度，從而調(diào)節(jié)防側(cè)傾液壓油缸的工作方式，有如下3種情況。

圖4 液壓油缸原理Fig.4 Principle of hydraulic cylinder

圖5 防側(cè)傾液壓油缸Fig.5 Anti-roll hydraulic cylinder

(1)電磁閥給出的控制信號是占空比為70%的PWM信號。此時，電磁閥開度最大，液壓油缸內(nèi)的活塞可自由移動，從而可接通液壓缸的左腔與右腔，液壓油通過電磁閥的節(jié)流孔使兩腔連通，因存在節(jié)流作用，液壓油缸的活塞運(yùn)動速度變慢，通過緩沖閥吸收了一定的壓力，叉車在不平路面行駛時，液壓油缸可起到一定的柔性支撐作用，從而使得叉車行駛中的橫向穩(wěn)定性得以提高。

(2)電磁閥給出的控制信號是占空比為0的PWM信號。此時，電磁閥自身的彈簧力將其頂針推回原位，即電磁閥處于全閉狀態(tài)，鎖定了液壓油缸，從而使得剛性連接在后橋與車身之間形成，車身被4個車輪同時支撐，進(jìn)而使得車輛橫向的穩(wěn)定性得到顯著提高。

(3)電磁閥給出的控制信號是占空比為0～70%的PWM信號。此時，電磁閥的開閉狀態(tài)介于開啟與關(guān)閉之間，液壓油缸內(nèi)的活塞仍可進(jìn)行運(yùn)動，但阻力較大。

3 整車虛擬模型

3.1 叉車門架建模

叉車門架的整體結(jié)構(gòu)包括：內(nèi)外門架、鏈條鏈輪、貨叉及其安裝架、起升油缸和傾斜油缸等。在建立虛擬樣機(jī)的叉車門架過程中，由于只需考慮各個運(yùn)動件之間的運(yùn)動副關(guān)系，因此本文在建模過程中簡化了門架的模型，同時去除了鏈條及鏈輪。在定義好各機(jī)構(gòu)間的約束關(guān)系后，可得到建立完成的門架虛擬模型，如圖6所示。其中，貨叉上升及下降之間的約束關(guān)系可簡化為貨叉與門架之間的平行運(yùn)動副，門架兩側(cè)的后部設(shè)有可使門架前后運(yùn)動的傾斜油缸。設(shè)定前傾的最大角度為3°～6°，后仰的最大角度為10°～13°。上述前后俯仰角度的設(shè)定可使得叉取和堆放貨物較為方便[9]。

圖6 叉車門架虛擬模型Fig.6 Virtual model of forklift gantry

3.2 轉(zhuǎn)向機(jī)構(gòu)建模

在初步建立虛擬樣機(jī)的轉(zhuǎn)向機(jī)構(gòu)模型之后，轉(zhuǎn)向機(jī)構(gòu)是否精確且接近于實(shí)際需求，還需要驗(yàn)證及優(yōu)化。由轉(zhuǎn)向機(jī)構(gòu)的阿克曼定理可知：在叉車轉(zhuǎn)向期間，為使所有車輪一直保持純滾動運(yùn)動狀態(tài)，轉(zhuǎn)向機(jī)構(gòu)需滿足：

cotα-cotβ=M/L

(1)

式中，α為外輪轉(zhuǎn)角；β為內(nèi)輪轉(zhuǎn)角；M為內(nèi)外輪間距；L為前后輪軸距。

優(yōu)化過程中的目標(biāo)為兩種情況下的轉(zhuǎn)向輪外輪轉(zhuǎn)角之間差值的絕對值er盡可能地小。er表達(dá)式為

er=|α1-α2|

(2)

式中，α1為測量所得的轉(zhuǎn)向輪外輪轉(zhuǎn)角;α2為理想狀態(tài)下的轉(zhuǎn)向輪外輪轉(zhuǎn)角。

將所有數(shù)據(jù)參數(shù)化處理后，利用ADAMS優(yōu)化程序進(jìn)行仿真優(yōu)化，得到上述優(yōu)化的誤差數(shù)據(jù)，見圖7。

圖7 誤差優(yōu)化圖Fig.7 Error optimization chart

由圖7可知，經(jīng)多次優(yōu)化后，優(yōu)化目標(biāo)逐漸歸零化。最終得到在ADAMS中所建立的叉車轉(zhuǎn)向機(jī)構(gòu)模型，如圖8所示。

圖8 ADAMS轉(zhuǎn)向機(jī)構(gòu)圖Fig.8 Steering mechanism diagram in ADAMS

3.3 叉車整車模型建立

整車建模是根據(jù)合力3 t叉車的具體參數(shù)進(jìn)行的，且在建模過程中，需對叉車結(jié)構(gòu)進(jìn)行一定量的簡化，如對叉車具體的機(jī)械結(jié)構(gòu)進(jìn)行剔除或簡化，同時在叉車門架建模中不考慮帶動門架的傳動系統(tǒng)和發(fā)動機(jī)等機(jī)構(gòu)。合力3 t叉車實(shí)際使用的前后輪輪胎型號分別為28X9-1512PR和6.50-10-10PR，在建模過程中選取Fiala輪胎模型，最終呈現(xiàn)的叉車虛擬模型如圖9所示。

圖9 整車虛擬模型Fig.9 Vehicle virtual model

3.4 模型仿真與驗(yàn)證

在整車虛擬模型建立完成后，對叉車在圓周工況下進(jìn)行仿真，在ADAMS中設(shè)置仿真工況，通過設(shè)置固定的叉車轉(zhuǎn)向角使叉車做圓周運(yùn)動，并不斷改變叉車車速，從而得到叉車圓周運(yùn)動質(zhì)心軌跡。將仿真過程中得到的叉車車身側(cè)傾角與實(shí)車圓周工況所采集的車身側(cè)傾角進(jìn)行對比，具體結(jié)果見圖10。

圖10 車身側(cè)傾角對比圖Fig.10 Body roll angle comparison chart

由圖10可以看出，仿真結(jié)果與叉車在實(shí)際工況下的結(jié)果基本吻合，因此所建立的整車虛擬樣機(jī)模型可以作為仿真的控制對象。

4 叉車狀態(tài)分級

在叉車防側(cè)翻控制策略中，依據(jù)叉車側(cè)向加速度、載荷和貨叉高度將叉車的運(yùn)行狀態(tài)分為三級，其中，一級狀態(tài)為絕對安全狀態(tài)，二級狀態(tài)為安全邊界狀態(tài)，三級狀態(tài)為危險狀態(tài)。絕對安全狀態(tài)表示叉車狀況穩(wěn)定，沒有側(cè)翻危險；安全邊界狀態(tài)表示叉車存在一定的側(cè)翻危險，可能向危險狀態(tài)惡化，只要進(jìn)行合理控制通常不會發(fā)生側(cè)翻；危險工況通常出現(xiàn)叉車前輪一側(cè)離地的現(xiàn)象，叉車側(cè)翻的可能性很大，必須采取控制。劃分叉車三種行駛狀態(tài)之間的界限相對模糊，叉車側(cè)向加速度、載荷和貨叉高度三參數(shù)對叉車側(cè)翻風(fēng)險的影響程度是不確定的，但參數(shù)之間又有很強(qiáng)的關(guān)聯(lián)性。車速越快，叉車越危險；側(cè)向加速度越大，叉車越危險；貨叉高度越高，叉車越危險；載荷在一定范圍內(nèi)越大，叉車越穩(wěn)定，但當(dāng)貨叉高度達(dá)到一定高度時，載荷越大，叉車越危險。本文采用T-S模糊神經(jīng)網(wǎng)絡(luò)對叉車的行駛狀態(tài)進(jìn)行識別，輸入量為叉車的側(cè)向加速度、載荷和貨叉高度，輸出量為叉車行駛狀態(tài)。

5 T-S模糊神經(jīng)網(wǎng)絡(luò)識別模型

5.1 T-S模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)將模糊系統(tǒng)與神經(jīng)系統(tǒng)相結(jié)合，充分考慮其互補(bǔ)性，并將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制與人類思維和模糊控制系統(tǒng)的推理相結(jié)合[10]，其特點(diǎn)為傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)輸入量和權(quán)重的模糊化處理。

所有T-S模糊神經(jīng)網(wǎng)絡(luò)規(guī)則均基于線性方程，因此模型的全局輸出具有優(yōu)秀的數(shù)學(xué)表達(dá)式屬性[11]，在處理多變量系統(tǒng)時，可有效減少模糊規(guī)則的數(shù)量。其最大的優(yōu)點(diǎn)是不僅可以實(shí)現(xiàn)模型自動更新，而且模糊子集的隸屬度函數(shù)也可以連續(xù)變化。

叉車側(cè)向加速度、載荷和貨叉高度三個輸入與叉車橫向穩(wěn)定性沒有定量關(guān)系，因此需先通過普通叉車使用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自學(xué)習(xí)功能來對這三個參數(shù)進(jìn)行模糊化處理，再對經(jīng)典的叉車行駛狀態(tài)進(jìn)行實(shí)時預(yù)測。

圖11 T-S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.11 T-S fuzzy neural network structure

(1)輸入層。第一層有n個直接與輸入節(jié)點(diǎn)相連接的節(jié)點(diǎn)，選取叉車的行駛狀態(tài)參數(shù)值xi作為輸入值x=[x1x2…xn]，傳達(dá)到第二層。

(3)

i=1,2,…nj=1,2，…,mi

(3)規(guī)則制定層。每個節(jié)點(diǎn)表示用來確定叉車條件的模糊規(guī)則，且根據(jù)式(3)計算每條規(guī)則的隸屬度函數(shù)值，對計算出的每個隸屬度進(jìn)行模糊處理，得到每條模糊規(guī)則的適應(yīng)度，即

(4)

在叉車行駛條件參數(shù)中，通常在輸入條件附近的語言變量值的隸屬度值較大[12]，遠(yuǎn)離輸入條件的語言變量值則具有隸屬度值較小的屬性。

(4)去模糊層。該層具有歸一化模糊系統(tǒng)規(guī)則的功能。

(5)輸出層。采用加權(quán)平均去模糊化法來計算模糊系統(tǒng)的輸出值，即

(5)

式中，pi為模糊系統(tǒng)參數(shù)。

5.2 T-S模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化

T-S模糊神經(jīng)網(wǎng)絡(luò)通常用來優(yōu)化系統(tǒng)系數(shù)，具體實(shí)現(xiàn)方法為:將實(shí)際輸出值和期望輸出值進(jìn)行對比，并依據(jù)二者的誤差來實(shí)現(xiàn)優(yōu)化[13]，通過不斷優(yōu)化和縮小實(shí)際輸出值與期望輸出值的差值，使T-S模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實(shí)際輸出值更加接近期望輸出值。系統(tǒng)輸出結(jié)果的精確性與樣本學(xué)習(xí)數(shù)據(jù)量及樣本訓(xùn)練次數(shù)成正比，學(xué)習(xí)數(shù)據(jù)量越大，訓(xùn)練次數(shù)越多，輸出結(jié)果就越精確。優(yōu)化修正算法具體如下。

(1)計算訓(xùn)練誤差：

(6)

式中，yd為叉車行駛狀態(tài)的期望輸出；yc為叉車行駛狀態(tài)的實(shí)際輸出；et為期望輸出和實(shí)際輸出的誤差。

T-S模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練原理為：不斷修正模型中的各參數(shù)來使訓(xùn)練誤差et逐漸減小，從而使模型預(yù)測的叉車行駛狀態(tài)逐漸逼近實(shí)際叉車行駛狀態(tài)。當(dāng)誤差符合精度要求時，訓(xùn)練結(jié)束。

(2)計算校正模糊系統(tǒng)參數(shù)：

(7)

式中,k為訓(xùn)練次數(shù)；φ為網(wǎng)絡(luò)學(xué)習(xí)率。

(3)修正隸屬度函數(shù)的參數(shù)，其表達(dá)式如下：

(8)

(9)

5.3 T-S模糊神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練

為確保模型準(zhǔn)確性，首先要確保樣品數(shù)量足夠，且要對叉車進(jìn)行連續(xù)測試，并根據(jù)工程師的經(jīng)驗(yàn)，獲得包括典型的絕對安全狀態(tài)、安全邊界狀態(tài)、危險狀態(tài)三種數(shù)據(jù)。每個樣品包含40個樣本，每個樣品代表不同操作條件下的側(cè)向加速度、載荷和貨叉高度的特定值。選擇20個數(shù)據(jù)樣本作為測試數(shù)據(jù)，并通過數(shù)據(jù)測試來檢驗(yàn)T-S模糊神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，以識別叉車的運(yùn)行狀態(tài)。為提高計算速度和訓(xùn)練誤差的精確度，需利用標(biāo)準(zhǔn)化極值公式對訓(xùn)練樣本數(shù)據(jù)及測試樣本數(shù)據(jù)(共140個數(shù)據(jù)集)進(jìn)行歸一化處理，即

(10)

5.4 T-S模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測

根據(jù)訓(xùn)練模式的維度來確定T-S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)。輸入數(shù)據(jù)包括3個分量，每個輸入分量的神經(jīng)元語言變量為3，輸出數(shù)據(jù)為一維，且包含有9個隸屬度函數(shù)，則T-S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為3-9-1。采用T-S模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法來優(yōu)化學(xué)習(xí)誤差，并校正模糊系統(tǒng)參數(shù)p0～p3以及模糊隸屬度函數(shù)的函數(shù)中心c和函數(shù)寬度b[14]。T-S神經(jīng)網(wǎng)絡(luò)的有效訓(xùn)練次數(shù)為300，訓(xùn)練誤差結(jié)果見圖12，可以看出，隨著訓(xùn)練次數(shù)的增加，訓(xùn)練誤差逐漸趨于0，T-S模糊神經(jīng)網(wǎng)絡(luò)的模型在不斷地優(yōu)化[15]。

圖12 網(wǎng)絡(luò)訓(xùn)練誤差圖Fig.12 Network training error chart

利用測試樣本對訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)進(jìn)行測試。T-S模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測流程見圖13。

圖13 T-S模糊神經(jīng)網(wǎng)絡(luò)預(yù)測流程圖Fig.13 T-S fuzzy neural network predition flow chart

測試所選擇的20個數(shù)據(jù)樣本的測試結(jié)果見圖14，可以看出，經(jīng)過訓(xùn)練的模糊T-S神經(jīng)網(wǎng)絡(luò)能夠正確識別測試樣本中95%的叉車行駛狀態(tài)，因此可認(rèn)為訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)是有效的。

圖14 T-S模糊神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果Fig.14 T-S fuzzy neural network prediction results

6 防側(cè)翻分層控制策略

對叉車進(jìn)行防側(cè)翻控制最關(guān)鍵的是判斷叉車的安全狀態(tài)，從而使得防側(cè)翻控制系統(tǒng)能根據(jù)相應(yīng)的狀態(tài)進(jìn)行相應(yīng)的控制，以提高叉車的橫向穩(wěn)定性和主動安全。

如圖15所示，根據(jù)叉車的3種行駛狀態(tài)：絕對安全狀態(tài)、安全邊界狀態(tài)、危險狀態(tài)，提出了一種分層控制方法來進(jìn)行叉車防側(cè)翻控制的研究。具體實(shí)現(xiàn)方式為：基于T-S模糊神經(jīng)網(wǎng)絡(luò)，上層辨識層進(jìn)行叉車行駛狀態(tài)識別；根據(jù)上層識別出的叉車行駛狀態(tài)，中層控制層采取對應(yīng)的控制策略；根據(jù)中層的輸出控制指令，下層執(zhí)行層驅(qū)動防側(cè)傾液壓油缸工作。

圖15 橫向穩(wěn)定控制策略圖Fig.15 Lateral stability control strategy map

當(dāng)叉車處于危險狀態(tài)時，控制器將關(guān)閉電磁閥，鎖定防側(cè)翻油缸，此時車身與后橋之間將形成穩(wěn)定區(qū)域，以此來實(shí)現(xiàn)叉車的防側(cè)翻功能，從而保證了叉車行駛過程的安全性；當(dāng)叉車處于安全邊界狀態(tài)時，控制器會將電磁閥開至1/2，油缸內(nèi)的活塞則運(yùn)動1/2的行程，以實(shí)現(xiàn)對叉車車身的調(diào)整，并防止車身側(cè)傾狀態(tài)繼續(xù)惡化至危險狀態(tài)；當(dāng)叉車處于絕對安全狀態(tài)時，控制器將完全打開電磁閥，此時油缸內(nèi)的活塞可以自由運(yùn)動，由于只是添加了防側(cè)翻油缸，并未改變叉車的機(jī)械結(jié)構(gòu)，因此叉車在行駛過程中若遇到不平路面，仍可表現(xiàn)出很好的平穩(wěn)度。

7 ADAMS與Simulink的聯(lián)合仿真

設(shè)置叉車分別在滿載狀態(tài)和空載狀態(tài)下進(jìn)行高速階躍轉(zhuǎn)向這兩種典型的極限工況并進(jìn)行仿真，以檢驗(yàn)該控制策略的有效性。將上文基于ADAMS建立的叉車整車虛擬模型導(dǎo)入MATLAB/Simulink進(jìn)行聯(lián)合仿真，并將前橋左右輪載荷的差值與兩輪載荷之和的比值ILTR[16]作為叉車安全狀態(tài)的評價因子，當(dāng)ILTR=0時，叉車前橋左右輪載荷相等，此時叉車處于絕對安全狀態(tài)；當(dāng)ILTR=1時，叉車一側(cè)輪胎抬離地面，此時叉車可能發(fā)生側(cè)翻危險，仿真結(jié)果分別見圖16和圖17。

圖16 空載階躍橫向載荷轉(zhuǎn)移率對比圖Fig.16 No-load step lateral-load transfer ratio comparison chart

圖17 滿載階躍橫向載荷轉(zhuǎn)移率對比圖Fig.17 Full-load step lateral-load transfer ratio comparison chart

由仿真結(jié)果可以看出，在階躍轉(zhuǎn)向這種危險狀態(tài)下，所提防側(cè)翻控制策略能有效地避免叉車出現(xiàn)側(cè)翻現(xiàn)象，從而提高了叉車的橫向穩(wěn)定性與安全性。

分別采用模糊控制與T-S模糊神經(jīng)網(wǎng)絡(luò)控制方法，對叉車在空載和滿載高速階躍轉(zhuǎn)向兩種極限工況下進(jìn)行仿真，并采集兩種控制方法下的叉車橫擺角速度，仿真結(jié)果分別見圖18和圖19。由圖18和圖19可知，在叉車空載和滿載階躍轉(zhuǎn)向的工況下，與模糊控制方法相比，采用T-S模糊神經(jīng)網(wǎng)絡(luò)控制方法時，叉車的橫擺角速度較小，防側(cè)翻的效果較好。

圖18 空載階躍橫擺角速度對比圖Fig.18 No-load step yaw rate comparison chart

圖19 滿載階躍橫擺角速度對比圖Fig.19 Full-load step yaw rate comparison chart

8 防側(cè)翻控制系統(tǒng)設(shè)計

將防側(cè)翻控制方法應(yīng)用在實(shí)車上，根據(jù)叉車的機(jī)械結(jié)構(gòu)和防側(cè)翻控制方法的要求，需安裝貨叉高度傳感器1、載荷傳感器5、側(cè)向加速度傳感器7(偏航傳感器)、執(zhí)行機(jī)構(gòu)防側(cè)傾液壓油缸11，各部件的安裝位置見圖20。控制器接收來自傳感器采集的叉車的3個行駛狀態(tài)參數(shù)，從而可判斷出叉車的行駛狀態(tài)，并通過輸出相應(yīng)的PWM信號來控制防側(cè)傾油缸的電磁閥。

圖20 防側(cè)翻控制系統(tǒng)部件位置示意圖Fig.20 Schematic diagram of the position of the anti-rollover control system

控制器是防側(cè)翻控制系統(tǒng)最關(guān)鍵的部分，橫向穩(wěn)定控制器的原理見圖21。本研究采用C語言編程的飛思卡爾的16位單片機(jī)MC912XS128，防側(cè)翻控制策略經(jīng)CodeWarrior編寫調(diào)試仿真后，導(dǎo)入單片機(jī)的內(nèi)部Flash中。圖22為橫向穩(wěn)定控制器實(shí)物圖。

圖21 橫向穩(wěn)定性控制器原理圖Fig.21 Lateral stability controller schematic diagram

圖22 橫向穩(wěn)定性控制器Fig.22 Lateral stability controller

在試驗(yàn)過程中，叉車橫向穩(wěn)定性控制器通過采集叉車傳感器信號來進(jìn)行運(yùn)動狀態(tài)的辨識，有如下3種情況。

(1)叉車處于絕對安全狀態(tài)，控制器輸出占空比為70%的PWM信號，油缸自由，叉車在不平路面行駛時，液壓油缸可起到一定的柔性支撐作用，從而提高叉車行駛中的橫向穩(wěn)定性。

(2)當(dāng)叉車處于安全邊界狀態(tài)，控制器輸出占空比為40%的PWM信號，油缸半鎖，油缸內(nèi)的活塞可以運(yùn)動，但阻力較大，通過這種控制可減少向危險狀況惡化的趨勢。

(3)當(dāng)叉車處于危險狀態(tài)，控制器輸出占空比為0的PWM信號，電磁閥不工作，油缸鎖定，車身與后橋之間構(gòu)成穩(wěn)定區(qū)域，顯著降低了叉車在危險狀況側(cè)翻的可能性。

9 實(shí)車試驗(yàn)

9.1 蛇形工況試驗(yàn)

根據(jù)蛇形工況試驗(yàn)的要求，采集側(cè)向加速度、載荷和貨叉高度三個模擬信號量，將控制器輸出的PWM信號脈寬作為一個頻率信號量。采集的信號經(jīng)過信號處理板與數(shù)據(jù)采集(DAQ)板卡處理，并由LabVIEW采集程序捕獲得到。

以空載蛇形工況為例，試驗(yàn)過程中車速設(shè)置為15 km/h，將貨叉降至最低位置，并將試驗(yàn)數(shù)據(jù)通過MATLAB進(jìn)行處理，得到的結(jié)果見圖23。由圖23可以看出，當(dāng)側(cè)向加速度的電信號處于數(shù)據(jù)曲線的拐點(diǎn)處時(此時側(cè)向加速度為極大值)，控制器輸出占空比為0的PWM信號，油缸鎖定。當(dāng)側(cè)向加速度的電信號在2.5 V(此時側(cè)向加速度值為0)附近波動時，控制器輸出占空比為70%的PWM信號，油缸內(nèi)活塞自由運(yùn)動。當(dāng)側(cè)向加速度的電信號在中間值(即電信號值介于2.5 V與波峰之間或介于2.5 V與波谷之間)附近波動時，控制器輸出占空比為40%的PWM信號，油缸半鎖。在空載蛇形工況試驗(yàn)過程中，叉車車身的側(cè)傾不會導(dǎo)致門架載荷的電信號發(fā)生持續(xù)規(guī)律性的變化。由試驗(yàn)數(shù)據(jù)可知：實(shí)車的防側(cè)翻控制策略與理論的防側(cè)翻控制策略是一致的。

圖23 數(shù)據(jù)處理Fig.23 Data processing

采用模糊控制和T-S模糊神經(jīng)網(wǎng)絡(luò)控制兩種控制方法對叉車進(jìn)行蛇形工況試驗(yàn)，并對采集到的叉車橫擺角速度進(jìn)行對比，具體采集數(shù)據(jù)見圖24。由圖24可知，當(dāng)叉車處于空載蛇形工況時，與模糊控制相比，采用T-S模糊神經(jīng)網(wǎng)絡(luò)控制時，叉車的橫擺角速度較小，提高了叉車的橫向穩(wěn)定性。

圖24 橫擺角速度對比圖Fig.24 Yaw angle speed comparison chart

9.2 歐洲標(biāo)準(zhǔn)動態(tài)穩(wěn)定試驗(yàn)

根據(jù)歐洲標(biāo)準(zhǔn)動態(tài)穩(wěn)定試驗(yàn)EN16203—2012標(biāo)準(zhǔn)的要求[17]，動態(tài)穩(wěn)定性試驗(yàn)可用來檢驗(yàn)叉車防側(cè)翻控制系統(tǒng)的有效性，通過統(tǒng)計試驗(yàn)成功次數(shù)來評價叉車動態(tài)防側(cè)翻性能是否達(dá)標(biāo)。本研究進(jìn)行了20次歐洲標(biāo)準(zhǔn)試驗(yàn)，叉車防側(cè)翻性能根據(jù)試驗(yàn)的成功次數(shù)來確定。圖25所示為歐洲標(biāo)準(zhǔn)動態(tài)穩(wěn)定試驗(yàn)的測試跑道?？梢钥闯?，在試驗(yàn)過程中，叉車貨叉高度離地300 mm，門架最大程度后傾。操作叉車從A區(qū)域開始加速，并以試驗(yàn)速度通過線1進(jìn)入?yún)^(qū)域B，當(dāng)進(jìn)入操作區(qū)域C時，駕駛員要快速且平穩(wěn)地轉(zhuǎn)向，讓叉車駛?cè)胪ǖ繢，并從線6(或線7)的位置離開通道。在線1至線6(或線7)的區(qū)域內(nèi),加速踏板始終要踩到底，穿過線6(或線7)進(jìn)入E區(qū)域時，叉車可立即實(shí)施制動。本文將對叉車的左轉(zhuǎn)和右轉(zhuǎn)分別進(jìn)行測試。

圖25 叉車穩(wěn)定性試驗(yàn)跑道示意圖Fig.25 Schematic diagram of forklift stability test runway

確認(rèn)叉車在圖25所示的線1至線6(或線7)之間行駛時，加速踏板位于最大行程位置，且叉車通過線1時的速度需大于最大設(shè)計速度的90%。對于后橋?yàn)檗D(zhuǎn)向橋的四輪叉車，內(nèi)側(cè)的后輪要與地面有接觸，允許出現(xiàn)一個單側(cè)前輪離地的情況，此時判定試驗(yàn)成功；若叉車的單側(cè)兩輪離地，則判定試驗(yàn)不成功。試驗(yàn)過程全程錄像，結(jié)果表明：在進(jìn)行的10次左轉(zhuǎn)和10次右轉(zhuǎn)動態(tài)穩(wěn)定性試驗(yàn)中，僅有3次不符合上述歐洲標(biāo)準(zhǔn)試驗(yàn)成功工況，說明叉車的防側(cè)翻性能良好。

試驗(yàn)叉車進(jìn)行10次左轉(zhuǎn)和10次右轉(zhuǎn)動態(tài)穩(wěn)定性試驗(yàn)，并分別在T-S模糊神經(jīng)網(wǎng)絡(luò)控制下和模糊控制下工作。由表1中的記錄結(jié)果可知，在T-S模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)控制下有13次動態(tài)穩(wěn)定性試驗(yàn)符合歐洲標(biāo)準(zhǔn)試驗(yàn)成功工況，而在模糊控制系統(tǒng)控制下只有4次動態(tài)穩(wěn)定性試驗(yàn)符合歐洲標(biāo)準(zhǔn)試驗(yàn)成功工況。試驗(yàn)結(jié)果驗(yàn)證了T-S模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)控制效果明顯好于模糊控制系統(tǒng)。

表1 歐標(biāo)試驗(yàn)結(jié)果記錄Tab.1 European standard test result record

圖26 歐洲標(biāo)準(zhǔn)試驗(yàn)未成功時叉車車身側(cè)傾角Fig.26 Forklift body roll angle in failed European standard test

圖27 歐洲標(biāo)準(zhǔn)試驗(yàn)成功時叉車車身側(cè)傾角Fig.27 Forklift body roll angle in successful European standard test

本研究采用歐洲標(biāo)準(zhǔn)動態(tài)穩(wěn)定試驗(yàn)，試驗(yàn)過程中叉車的側(cè)傾角由陀螺儀采集測量和記錄，并分別記錄采用T-S模糊神經(jīng)網(wǎng)絡(luò)控制與模糊控制方法時，叉車在急轉(zhuǎn)彎情況下側(cè)傾角的變化。本文僅給出了兩組叉車歐洲標(biāo)準(zhǔn)試驗(yàn)成功與未成功的試驗(yàn)數(shù)據(jù)，試驗(yàn)未成功的叉車車身側(cè)傾角如圖26所示，試驗(yàn)成功的叉車車身側(cè)傾角如圖27所示。由圖26和圖27可知，叉車急轉(zhuǎn)彎的情況下，與模糊控制下叉車的防側(cè)翻性能相比，采用T-S模糊神經(jīng)控制可大大提高叉車防側(cè)翻性能，改善了叉車的橫向穩(wěn)定性。

10 結(jié)論

(1)提出了一種基于T-S模糊神經(jīng)網(wǎng)絡(luò)的叉車防側(cè)翻分層控制方法。上層辨識層對叉車行駛狀態(tài)進(jìn)行識別；根據(jù)上層識別出的叉車行駛狀態(tài)，中層控制層采取對應(yīng)的控制策略；根據(jù)中層的輸出控制指令，下層執(zhí)行層驅(qū)動防側(cè)傾液壓油缸工作。

(2)采用T-S模糊神經(jīng)網(wǎng)絡(luò)對叉車行駛狀態(tài)進(jìn)行識別，輸入量為側(cè)向加速度、載荷和貨叉高度，輸出量為叉車行駛狀態(tài)。叉車行駛狀態(tài)識別方法可準(zhǔn)確識別叉車的三種行駛狀態(tài)：絕對安全狀態(tài)、安全邊界狀態(tài)和危險狀態(tài)。

(3)研究結(jié)果表明，基于T-S模糊神經(jīng)網(wǎng)絡(luò)的叉車防側(cè)翻分層控制策略可有效地識別叉車行駛狀態(tài)，提高叉車在極限工況下的主動安全性，降低叉車側(cè)翻概率，具有一定的工程應(yīng)用價值。