基于神经网络的半挂液罐汽车动力学仿真分析

1、基于神经网络的半挂液罐汽车动力学仿真分析【摘要】 本文对考虑罐内液体晃动影响的半挂液罐汽车的动力学仿真进行了研究。建立了半挂液罐汽车的动力学模型，其中半挂液罐汽车通过半挂车子系统和液罐车子系统相互耦合而成。采用神经网络预测作用于罐体壁的流体力，进而得到此流体力作用下液罐车的加速度，如此循环。通过角阶跃输入仿真，得到牵引车和半挂车的横摆角速度和质心侧偏角。【关键词】 半挂液罐车，神经网络，转向角阶跃，操纵稳定性Dynamic Simulation of the Semi-trailer Carrying Liquid Based on Neural NetworkAbstract:The dyn

2、amic simulation of the semi-trailer carrying liquid including the liquid sloshing in the tank is studied in this paper. Establish dynamic model of the liquid tank semi-trailer. Vehicle carrying fluid feature two subsystems which are coupled: a vehicle body subsystem and a fluid subsystem. And calcul

3、ate the fluid force using neural network, which will create a new acceleration circularly. Simulate with the step angle input, put out the yaw rate and sideslip angle after simulation.Key words: liquid tank semi-trailer, neural network, steering step angle, handling stability 引言汽车的安全性能分为主动安全和被动安全，汽车

4、的操纵稳定性属于主动安全性能的重要组成部分，它不仅影响汽车驾驶员的操纵轻便程度，而且也是保证高速行驶车辆安全的一个主要性能。半挂车运输以其快速高效的优点已成为目前公路运输的主要方式，而由于甩尾侧翻等频频发生的交通事故越来越引起人们对其操纵稳定性的重视1。本文通过BP神经网络预测罐内流体力，考虑其对液罐运动的影响，最后用simulink进行仿真，输出半挂车的横摆加速度和质心侧偏角。1. 建立半挂液罐车动力学模型图1为半挂液罐车动力学受力分析图，把液罐汽车简化为两个耦合的刚体，并把整车分成两个子系统：半挂车子系统和液罐车子系统，两者之间通过牵引座（第五轮）连接。本文假设牵引车后轴和半挂车车轴为双胎

5、双轴形式，并忽略牵引车和半挂车的侧倾和俯仰运动，只考虑二者的横摆运动，即罐体和车身只通过流体的横向运动相互作用，建立半挂液罐汽车的线性动力学模型。表1为半挂液罐汽车的结构参数及其符号。 图1 半挂液罐车横向动力学受力分析图牵引车运动方程组为 (1)半挂车运动方程组为 (2)其中的来自神经网络预测的罐体流体力。将上述半挂液罐车运动的动力学模型方程2，整理成矩阵形式为： (3)其中：至此，已经将半挂液罐车动力学模型建立起来。表1 半挂汽车结构参数符号符号物理意义单位牵引车质心至牵引车前轴距离牵引车质心至牵引车双后轴中间垂直线距离半挂车质心至半挂车双后轴中()牵引车(半挂车)质心至第五轮距离()牵引

6、车(半挂车)横向速度()牵引车(半挂车)纵向速度车辆恒定前进速度()牵引车(半挂车)横摆角速度()牵引车(半挂车)轴与地面坐标系轴的夹角转向角()牵引车(半挂车)质心侧偏角()牵引车(半挂车)质量()牵引(半挂)车绕(半挂车)牵引车坐标系轴的转动惯量()牵引车前(后)轮侧偏刚度半挂车后轮侧偏刚度半挂车前轮侧偏刚度()牵引车(半挂车)后轮侧偏角()牵引车前(后)轮侧向力()牵引车(半挂车)后轮侧向力()牵引点P处作用在牵引车(半挂车)上的侧向力牵引点P处的转向阻力矩作用在半挂液罐车上的力2. BP神经网络预测流体力如图2所示为圆型罐车模型及其网格划分示意图3。选取基准罐体直径为2254mm，罐体

7、长度为2150mm。坐标原点位于单室左侧端面的圆心，x轴指向汽车前进的方向且平行于地面，z轴垂直地面向上，y轴平行于地面向右（见图2）。对此计算模型采用结构六面体网格，网格数在四万左右，应用fluit流体软件进行数值计算，将计算结果作为神经网络的训练样本。建立BP神经网络预测模型。选取K, aN-1, Fy(N-1), Fz(N-1), MN-1, aN, FyN, FzN, MN, aN+1十个元素作为输入层节点，Fy(N+1)作为输出层节点。通过已知的前N-1和N时刻的值对罐体受力进行N+1时刻的预测，选取10个输入层神经元以及单输出层神经元，经过计算最终确定隐含层的神经元数目为37个，网

8、络的训练次数为30000次，训练目标误差为1e-4，其他的网络参数均取为默认值。选取训练函数为trainbr，隐含层激励函数为tansig，输出层激励函数为purelin，建立BP神经网络模型对直径为2254mm的圆形罐体进行训练，具体计算过程见文献4罐车液体晃动及其防晃装置研究。本文半挂液罐车采用的是实际中更常见的椭圆型罐体，其长轴4270mm、短轴2400mm、长为16600mm，充液比取为0.65，液体密度为1000kg/m3。由于上述神经网络只能预测圆形罐体，因此椭圆型罐体的流体力由圆形罐体对应数值转化而来，由流体软件数值计算和修正值符合规律的比较，可得转化的依据为： （4）其中Fy1

9、为基准圆型罐体的预测流体力，Fy为椭圆型罐体的流体力，a, b分别为椭圆罐体的长短轴，l为罐体的长度。 图2 圆形罐车模型及其网格划分3. 转向角阶跃输入仿真根据公式(3)建立半挂液罐车的simulink模型，其输入为转向角和流体力，输出为罐体横向加速度；然后采用神经网络预测程序，在matlab空间中运行gensim命令，将程序转化成simulink模块5，其输入为10个参变量，输出为罐体流体力，并与第一节建立的仿真模块合并起来，构成如图3所示的整个闭环系统框图。液体-罐体相互作用按以下分析过程获得：首先采用BP神经网络预测一定加速度状态下的罐体流体力，并将此流体力作为动力学模型的输入之一，计

10、算出液罐车在此流体力作用下新的加速度，然后再经过神经网络来预测此加速度下新的罐体流体力，如此反复进行计算。针对上述考虑罐内液体晃动的半挂液罐汽车模型，进行转向角阶跃输入仿真研究。假设车速为15m/s，转向角输入为在t=3s时转向角阶跃为rad，如图4所示，对系统进行仿真，结果如图5-7。 图3 闭环控制图 图4 转向角输入 图5 横摆角速度曲线 图6 牵引车质心侧偏角 图7 罐车横向加速度 4. 结论本文主要考虑了罐体内部流体力的晃动对罐车的影响，并将神经网络应用于罐体流体力的预测，计算出流体力与加速度的即时变化，对于半挂车的设计有明确的指导意义。而通过转向角阶跃输入仿真，最后输出牵引车与液罐车的横摆角速度以及质心侧偏角，为操纵稳定性的研究提供了更符合实际的有效方法。参考文献1 刘军民. 国外汽车运输技术的发展动向. 交通与运输，2001-32 张