车辆路面附着条件自辨识模型研究

崔宏耀，王启文

(黑龙江工程学院 汽车与交通工程学院，黑龙江 哈尔滨 150050)

车辆路面附着条件自辨识模型研究

崔宏耀，王启文

(黑龙江工程学院 汽车与交通工程学院，黑龙江 哈尔滨 150050)

车辆的主动安全性问题和操纵稳定性问题受到广泛的关注，自主辨识道路附着条件可有效提高车辆在行驶过程中的安全稳定性。实时识别道路的状况，有利于车辆稳定性控制系统、防滑控制系统充分利用极限驱动力或制动力，保证车辆行驶安全性。以冰雪及湿滑等路面的附着条件辨识为重点研究内容，通过采集相关参数，利用模糊控制器对车辆动、稳态操控输入条件下车辆的响应辨识路面附着条件。

路面附着条件；自动辨识；模糊控制；仿真；模型

路面附着系数是车辆主动安全控制非常重要的影响因素之一。近年来人们对车辆制动、驱动过程中车辆纵向附着状态进行了较深入的研究，实现了紧急制动车轮滑移率分析和控制。本文研究的转向和方向修正过程车辆附着状态相对更容易获得经常性临界附着状态，有利于附着系数早辨识和早实施控制。

在相关标准和文献中，通常认为横摆角速度与“路感”之间存在密切联系。横摆角速度是汽车重要的响应特性，部分车辆安装有横摆角速度传感器；转向轮的地面反馈力矩反映车辆所处地面的路况特征，它与转向盘输入转矩互为作用力反作用力的关系，本文将主要依据转向轮地面反馈力矩和车辆横摆角速度，对路面进行附着系数的辨识。

首先，利用AMESim仿真软件建立整车仿真模型，然后将典型整车仿真模型的地面反馈力矩以及横摆角速度传感器的输出数据导入到Matlab；其次，利用在Matlab中借助熟练驾驶员的驾驶经验，建立模糊控制辨识算法，利用地面反馈力矩和横摆角速度进行路面辨识。相关的结构如图1所示。

图1 路面附着条件自辨识综合模型理念

路面附着条件自辨识综合模型是将AMESim整车模型以及路面附着条件自辨识模型联合起来，将辨识后的路面附着系数与AMESim整车模型中输入的路面附着系数相对比，进而可以看出路面附着条件自辨识模型的性能。

1 路面附着条件

路面纵向附着条件是指驱动转矩引起的地面切向反作用力不能大于轮胎附着力，否则将发生驱动轮滑转现象。路面附着系数是附着力与车轮法向(与路面垂直的方向)压力的比值。它可以看成是轮胎和路面之间的静摩擦系数。这个系数越大，可利用的附着力就越大，汽车就越不容易打滑。

附着系数的大小主要取决于路面的种类和干燥状况，并且和轮胎的结构、胎面花纹以及行驶速度都有关系。一般来说，干燥、良好的沥青或混凝土路面的附着系数最大，可达0.7～0.8。而冰雪路面的附着系数最小，车轮最容易打滑。附着系数是指轮胎在不同路面的附着能力大小，相当于摩擦系数。附着系数高的路面，车子不容易打滑，行驶安全；附着系数低的路面，车子容易打滑，比如雪地、冰面等。在纯滑动过程中纵向附着系数等同于侧向附着系数。

2 AMESim整车模型建立

2.1 建模与辨识软件

AMESim是LMS公司开发的多领域系统仿真集成平台，成功应用于航空航天、车辆、船舶、工程机械等多学科领域，本研究选择AMESim进行整车建模，配合Matlab软件中的模糊控制模块，研究路面附着条件自辨识模型。由于AMESim软件提供了相当丰富的模型元件、丰富的传感器类型以及完全参数化的机械系统几何模型的建模方式，本文选择AMESim软件作为试验车模型建立的基础。

2.2 AMESim整车建模

本研究需要的车辆状态参数主要有：车辆的车速、行驶过程中输入的转向盘转角信息δ、横摆角速度γ和地面反馈的力矩来确定路面附着系数μ，整车参数如表1所示。

整车模型主要由车身模块、发动机、转向系统、制动系统、悬架系统、弹性形变系统、车轮模型、空气动力学模型、数据传输模块等模块组成。

2.2.1 整车仿真参数

本文关键模块如图2所示，助力转向系统如图3所示，将整车系统的每个模块连接一起，再进行相应的参数设置，搭建完成十五自由度的整车模型。之后进行几种典型工况下的仿真实验，对所搭建的模型进行动态特性分析。

表1 整车参数

图2 车轮模型与路面模块

图3 助力转向系统

并在建模后进行5种低速工况下的仿真，分别为：

工况1：地面摩擦系数为0.1，薄冰路面。初始车速为20 m/s，转向盘转角固定为90°，仿真时间30 s。

工况2：地面摩擦系数为0.2，压实雪地路面。初始车速为20 m/s，转向盘转角固定为90°，仿真时间为30 s。

工况3：地面摩擦系数为0.4，湿滑土路水平路面。初始车速为20 m/s，转向盘转角固定为90°，仿真时间为30 s。

工况4：地面摩擦系数为 0.6，湿滑沥青水平路面。初始车速为 20 m/s，转向盘转角固定为90°，仿真时间为30 s。

工况5：地面摩擦系数为 0.8，干燥沥青水平路面。初始车速为 20 m/s，转向盘转角固定为90°，仿真时间为30 s。

2.2.2 仿真结果

在所有工况中没有对车辆进行加速驱动和制动操作，只进行了单纯的转向操作。在路面附着系数为0.1、0.2、0.4时，由于路面附着系数过小使得地面反馈力矩以及横摆角速度的变化率不是很大；而在之后的两组高附着系数工况下，仿真时受到的地面影响变大，并且左右驱动轮所受到的地面反馈力矩开始不一样。

本次仿真所取数据为地面反馈力矩和横摆角速度，以上两个变量为路面附着条件自辨识模型的输入变量。地面反馈力矩和横摆角速度均以.data的文件形式导出，便于之后Matlab将数据导入工作空间。

3 路面附着条件自辨识模型建立

针对路面附着系数通常不易直接测量的情况，本文基于Matlab/Simulink中的模糊控制模块建立了路面附着条件自辨识模型。该模型能够有效利用汽车上传感器所提供的附加已知信号对路面附着条件进行初步判定，对汽车的主动安全系统有一定的重要性，且能够从理论上保证路面附着条件自辨识模型的稳定性。

3.1 路面附着条件辨识模型结构与组成

路面附着条件辨识模型结构和组成一般与常规模糊控制器的构造相似，是由输入变量、模糊化、模糊推理、解模糊判决及输出变量等结构组成，其结构如图4所示。

图4 路面附着条件自辨识模型结构

这些变量各分为：地面反馈力矩T={ZE、PS、PM、PB、PL}({0、小、中、大、特大}),横摆角速度ω={ZE、PS、PM、PB}({0、小、中、大})。

路面附着系数μ={ZE、PS、PM、PB、PL}({0、小、中、大})。

其中模糊控制输出端路面附着系数为本文重点研究对象，预计将路面附着条件分为5个等级：①薄冰路面μ≤0.1;②压实雪地路面0.1<μ≤0.4;③湿滑土路路面0.4<μ≤0.6;④湿滑沥青路面0.6<μ<0.8;⑤正常柏油路面μ≥0.8。

基于这5种路面附着条件，利用AMESim整车模型仿真出在此5种工况下的情况，并读出相应的传感器数据，导入到路面附着条件自辨识模型中，进行辨识之后将辨识结果与整车模型的输入路面附着条件对比，从而可知辨识模型的可靠性。

其中Matlab软件中的Fis编辑器中，将路面附着条件自辨识模型设置为两输入单输出形式，地面反馈力矩和横摆角速度为模型的输入变量，路面附着系数为模型的输出变量。在Fis编辑器中将输入变量的域值范围进行确定，其结果如图5所示。

图5 隶属函数编辑器

编辑完隶属函数后进行模糊控制规则编辑，控制规则如表2所示。

表2 辨识模型控制规则

规则编辑完之后，在Fis部分的建模已经完成，之后将Fis编辑的模糊控制器导入到Matlab工作空间中，利用Matlab中Simulink模块建立图6所示模型。

图6 路面附着条件自辨识模型结构

在Simulink界面上方，设置仿真参数，仿真时间设置为30 s，类型设为Normal，分别将AMESim整车模型中仿真的5种工况结果导入到路面附着条件自辨识模型，并运行，之后便得到最终的仿真结果。

3.2 仿真结果

针对路面附着系数通常不易直接测量的情况，基于Matlab/Simulink中的模糊控制模块建立了路面附着条件自辨识模型。该模型能够有效利用汽车传感器所提供的附加已知信号对路面附着条件进行初步判定，对汽车的主动安全系统有一定的重要性，且能够从理论上保证路面附着条件自辨识模型的稳定性。

图7～11为车速20 km/h，路面附着系数分别为0.1、0.2、0.4、0.6、0.8五种工艺下模糊辨识仿真结果。仿真的输入为AMESim整车模型中的地面反馈力矩和横摆角速度，输出为路面附着系数。

图7 工况1

图8 工况2

图9 工况3

图10 工况4

图11 工况5

进一步将所得辨识后的路面附着系数与AMESim整车模型中输入的路面附着系数进行对比。辨识结果基本反映出设定的状态，有一定可信度。

在建立的AMESim整车模型和路面附着条件自辨识模型的基础上，分别进行低速转向盘中等转角输入和高速转向盘小转角输入的工况实验，验证了观察路面附着条件自辨识模型的实用性。

4 结 论

本文基于AMESim建立了整车模型，探讨了保证稳定性的车辆状态和路面附着系数的初步辨识方法，并检验了辨识模型在实际车辆系统中的有效性。

1)分析了在冰雪路面即低附着路面上车辆的状态，利用AMESim软件建立十五自由度的整车模型，并同时建立地面模型，对路面进行仿真，进一步接近真实情况。在几种典型工况下进行整车动态仿真分析，为辨识模型所需要的真实车辆状态信息

提供精确可靠的来源，并为辨识模型的验证提供了一个模型基础。

2)基于Matlab/Simulink中的模糊控制模块建立了路面附着条件自辨识模型。该模型能够有效利用已知信号对路面附着条件进行初步判定，对提升车辆的主动安全性有一定意义。

[1]余志生.汽车理论[M].5版.北京：机械工业出版社,2011：129-130.

[2]付永领.LMS Imagine.Lab AMESim系统建模和仿真[M].北京：北京航空航天大学出版社，2011：231-232.

[3]张德丰.MATLAB仿真技术与应用[M].北京.清华大学出版社，2012:137-139.

[4]赵玲. 基于自调整模糊控制的汽车ABS路面识别 [J].机械设计与制造,2011(8):186-187.

[5]陈燕.横摆角速度反馈对车辆操纵稳定性的影响[J].长安大学学报,2006(6):100-101.

[6]周斯加.4WD电动车的滑转率识别及防滑控制[J].华南理工大学学报,2008(6):97-97.

[7]孙仁云, 李治.基于变路面SBC最佳滑移率的研究[J].中国机械工程,2008(4):483-483.

[8]陆晓洁.基于模糊控制的防滑刹车系统建模与仿真研究[D].西安：西北工业大学,2003:35-36.

[9]鲍祥英.汽车ABS的模糊预测控制策略研究[D].武汉：武汉理工大学,2006:25-26.

Astudyofroadadhesionautomaticidentification

CUI Hong-yao,WANG Qi-wen

(College of Automobile and Traffic Engineering,Heilongjiang Institute of Technology,Harbin 150050,China)

Currently, the car's active safety and handling stability problems have been widely concerned. Autonomous vehicle identification can effectively improve road conditions attached to cars in the process of security and stability. Real-time identification of road conditions is vital for the vehicle stability control system. Anti-skid control system makes full use of extreme driving force or braking force to ensure vehicle stability and driving safety. Taking snow and slippery road adhesion conditions identification as key case a variety of vehicle acquisition-related parameters are collected for the fuzzy controller in the vehicle moving and steady state control to input the conditions in response to identify road adhesion.

road adhesion；automatic identification；fuzzy contral；simulate；model

2013-07-02

哈尔滨市科技局青年科技创新人才资助项目(RC2011QN007006)

崔宏耀(1971-)，男，副教授，研究方向：车辆智能控制.

U491.2

A

1671-4679(2014)01-0001-04

郝丽英]