汽車操縱穩(wěn)定性評(píng)價(jià)方法研究

高小清 程軍

（東風(fēng)本田汽車有限公司，武漢 430056）

汽車操縱穩(wěn)定性評(píng)價(jià)方法研究

高小清 程軍

（東風(fēng)本田汽車有限公司，武漢 430056）

提出了一種新的汽車操縱穩(wěn)定性評(píng)價(jià)方法。首先，運(yùn)用模糊聚類方法對(duì)操縱穩(wěn)定性數(shù)據(jù)進(jìn)行更為合理的排序。在此基礎(chǔ)上，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)理論構(gòu)造了訓(xùn)練樣本并對(duì)其進(jìn)行訓(xùn)練，建立了具體的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，得到操縱穩(wěn)定性綜合評(píng)價(jià)計(jì)分值，方便了操縱穩(wěn)定性的評(píng)價(jià)。相比傳統(tǒng)的評(píng)價(jià)方法，該方法可以獲得更直觀、合理的評(píng)價(jià)結(jié)果。同時(shí)，該方法可為其他大型、復(fù)雜的（試驗(yàn)）評(píng)價(jià)提供思路。

1 前言

汽車操縱穩(wěn)定性是指在駕駛者不感到過分緊張、疲勞的條件下，汽車能遵循駕駛者通過轉(zhuǎn)向系及轉(zhuǎn)向車輪給定的方向行駛，且當(dāng)遭遇外界干擾時(shí)，汽車能抵抗干擾而保持穩(wěn)定行駛的能力[1]。汽車操縱穩(wěn)定性不僅影響駕駛的操縱方便程度，也是決定汽車高速行駛安全性的主要性能之一。

汽車操縱穩(wěn)定性試驗(yàn)是整車試驗(yàn)的重要內(nèi)容之一。GB/T 6323—2014《汽車操縱穩(wěn)定性試驗(yàn)方法》中詳述了操縱穩(wěn)定性的試驗(yàn)和評(píng)價(jià)方法。根據(jù)該標(biāo)準(zhǔn)的規(guī)定，汽車操縱穩(wěn)定性試驗(yàn)由許多單項(xiàng)試驗(yàn)構(gòu)成，其中，穩(wěn)態(tài)回轉(zhuǎn)試驗(yàn)、轉(zhuǎn)向回正性能試驗(yàn)、轉(zhuǎn)向輕便性試驗(yàn)、轉(zhuǎn)向盤轉(zhuǎn)角階躍輸入試驗(yàn)、轉(zhuǎn)向盤轉(zhuǎn)角脈沖輸入試驗(yàn)、蛇形試驗(yàn)（本文中分別簡(jiǎn)稱為單項(xiàng)1～單項(xiàng)6）是最重要的6個(gè)單項(xiàng)試驗(yàn)[2]。汽車行業(yè)標(biāo)準(zhǔn)QC/T 480—1999《汽車操縱穩(wěn)定性指標(biāo)限值與評(píng)價(jià)方法》中指出，操縱穩(wěn)定性總的評(píng)價(jià)計(jì)分值由上述6個(gè)單項(xiàng)試驗(yàn)計(jì)分值進(jìn)行平均得到[3]。這種評(píng)價(jià)方式未考慮各單項(xiàng)試驗(yàn)性能是否均衡，從這個(gè)角度看，這種評(píng)價(jià)方式不甚合理。

本文考慮各單項(xiàng)試驗(yàn)性能的均衡問題，運(yùn)用模糊聚類分析方法對(duì)各車型操縱穩(wěn)定性數(shù)據(jù)進(jìn)行排序，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)理論，將各車型操縱穩(wěn)定性數(shù)據(jù)加以改造作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，獲得具體神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。通過該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可得到每個(gè)車型操縱穩(wěn)定性的綜合計(jì)分值，方便了車輛操縱穩(wěn)定性的評(píng)價(jià)。

2 操縱穩(wěn)定性排序

汽車操縱穩(wěn)定性優(yōu)劣的評(píng)價(jià)需要按照某種規(guī)則對(duì)所評(píng)價(jià)車輛的操縱穩(wěn)定性數(shù)據(jù)進(jìn)行排序。聚類分析是將數(shù)據(jù)分類到不同簇的過程，所以同一簇中的數(shù)據(jù)有很大相似性，根據(jù)相似程度的大小，可以對(duì)數(shù)據(jù)進(jìn)行排序。工程實(shí)際中簇的界限往往不明顯，采用模糊聚類分析方法通常比較符合實(shí)際[4～5]，因此，本文采用模糊聚類分析方法對(duì)汽車操縱穩(wěn)定性數(shù)據(jù)進(jìn)行排序。

從市場(chǎng)上所有車型操縱穩(wěn)定性數(shù)據(jù)（包含前述6個(gè)單項(xiàng)試驗(yàn)計(jì)分值）中挑選出若干具有代表性的數(shù)據(jù)作為樣本。一般來說，樣本容量應(yīng)足夠大，不失一般性，且為計(jì)算方便，本文利用MATLAB軟件生成了29組取值范圍為[60,100]的隨機(jī)數(shù)作為樣本數(shù)據(jù)，如表1所示。

表1 用MATLAB生成的操縱穩(wěn)定性試驗(yàn)樣本數(shù)據(jù)

將表1中的數(shù)據(jù)進(jìn)行模糊聚類分析，即得到各車型操縱穩(wěn)定性綜合性能的排序。模糊聚類分析方法排序的原則是，越先聚為一類的車型，計(jì)分值越相似，排名越靠近。如果存在某車型，其每個(gè)單項(xiàng)試驗(yàn)計(jì)分值均不低于上述29個(gè)車型，很顯然，其應(yīng)位列第一?，F(xiàn)假設(shè)一個(gè)編號(hào)為30的車型，其6個(gè)單項(xiàng)試驗(yàn)計(jì)分值分別為上述29組數(shù)據(jù)中各單項(xiàng)試驗(yàn)計(jì)分值的最大值，即97.4、99.9、99.2、99.0、97.2、99.4，然后按照與這個(gè)假設(shè)車型聚為一類的先后次序確定車型排序。

模糊聚類分析的步驟為：

a.建立數(shù)據(jù)矩陣

將6個(gè)單項(xiàng)試驗(yàn)計(jì)分值作為各車型特征數(shù)據(jù)，各車型特征數(shù)據(jù)組合成數(shù)據(jù)矩陣X=（xij）30×6，其中，xi1～xi6分別表示編號(hào)為i的車型的6個(gè)單項(xiàng)試驗(yàn)計(jì)分值。

b.建立模糊相似矩陣

依據(jù)傳統(tǒng)聚類方法確定相似程度數(shù)據(jù)，建立模糊相似矩陣。確定相似程度數(shù)據(jù)的方法主要有相似系數(shù)法、距離法、主觀評(píng)分法等。其中，相似系數(shù)法又分為數(shù)量積法、夾角余弦法、相關(guān)系數(shù)法、幾何平均最小法等[4～5]。具體采用何種方法，需要根據(jù)問題的性質(zhì)及使用方便情況進(jìn)行選擇。本文采用數(shù)量積法計(jì)算相似程度數(shù)據(jù)rij：

建立模糊相似矩陣R=（rij）30×30。

c.模糊聚類

用模糊數(shù)學(xué)中的傳遞閉包法將上述模糊相似矩陣轉(zhuǎn)化為模糊等價(jià)矩陣，而后進(jìn)行聚類分析。為方便計(jì)算，本文用MATLAB軟件編制了模糊聚類分析相關(guān)程序。

調(diào)用上述模糊聚類分析程序，得到各車型排序，將其與原排序（按照QC/T 480—1999中的方法得到的排序）進(jìn)行對(duì)比，結(jié)果如表2所示。由表2可知，有6種車型采用兩種排序方法的排名不一致。

表2 兩種排序方法對(duì)比結(jié)果

用模糊聚類分析方法得到的新排序，既考慮了6個(gè)單項(xiàng)試驗(yàn)的總計(jì)分值，又考慮了各單項(xiàng)試驗(yàn)性能是否均衡，即各單項(xiàng)試驗(yàn)性能是否接近29組數(shù)據(jù)中相應(yīng)試驗(yàn)的最好性能。例如，排名為21、22（編號(hào)為14、23）的兩個(gè)車型各單項(xiàng)試驗(yàn)計(jì)分值總和分別為472.3和471.8，按照原排序方法，編號(hào)為14的車輛操縱穩(wěn)定性較好，而使用新排序方法，編號(hào)為23的車輛操縱穩(wěn)定性較好，這是因?yàn)樵撥囆透鲉雾?xiàng)試驗(yàn)性能間更均衡，更接近29組車型中各單項(xiàng)試驗(yàn)的最好性能。

3 操縱穩(wěn)定性綜合計(jì)分值計(jì)算

模糊聚類分析方法的缺點(diǎn)是只能給出相對(duì)排名，不能給出具體計(jì)分值，這在實(shí)際應(yīng)用中較為不便，無法得到更為直觀的評(píng)價(jià)結(jié)果。為解決這個(gè)問題，給出操縱穩(wěn)定性綜合計(jì)分值。

由于模糊聚類分析的排名結(jié)果不是以各車型各單項(xiàng)試驗(yàn)計(jì)分值總和進(jìn)行排序得到的，各車型6個(gè)單項(xiàng)試驗(yàn)計(jì)分值與所要求的綜合計(jì)分值之間不再是簡(jiǎn)單的線性（平均）關(guān)系，而是較為復(fù)雜的非線性關(guān)系。那么，采用合適的方法擬合出這種非線性關(guān)系成為問題的關(guān)鍵。對(duì)于非線性關(guān)系的擬合，一般有一元線性回歸法（將非線性關(guān)系簡(jiǎn)化為線性關(guān)系）、多項(xiàng)式法、高次曲線法等。而對(duì)于較復(fù)雜的非線性關(guān)系，上述方法擬合精度不高，效果不理想。

神經(jīng)網(wǎng)絡(luò)技術(shù)自出現(xiàn)以來，廣泛應(yīng)用于各種非線性關(guān)系擬合，其中BP神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛。對(duì)復(fù)雜非線性關(guān)系的擬合是BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)所在，其擬合精度較高，且擬合精度可根據(jù)實(shí)際需要進(jìn)行調(diào)整[6～8]。因此本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合。

BP神經(jīng)網(wǎng)絡(luò)所需的訓(xùn)練樣本須有輸入數(shù)據(jù)和輸出數(shù)據(jù)。顯然，輸出數(shù)據(jù)為各車型操縱穩(wěn)定性綜合計(jì)分值，而輸入數(shù)據(jù)則為表1中29個(gè)車型各單項(xiàng)試驗(yàn)計(jì)分值。本文中訓(xùn)練樣本輸出數(shù)據(jù)參考6個(gè)單項(xiàng)試驗(yàn)平均計(jì)分值進(jìn)行構(gòu)造。具體來說，針對(duì)表2中兩種排序結(jié)果，對(duì)于排序不存在差異的車輛，其訓(xùn)練樣本輸出數(shù)據(jù)直接為6個(gè)單項(xiàng)試驗(yàn)的平均計(jì)分值，對(duì)于排序存在差異的車輛，其訓(xùn)練樣本輸出數(shù)據(jù)要參考平均計(jì)分值進(jìn)行改造。表3為訓(xùn)練樣本部分輸出數(shù)據(jù)。

如表3所示，對(duì)于排序存在差異的車輛，如排名為21、22（編號(hào)為14、23）的兩個(gè)車型需在排名為20、23（編號(hào)為12、28）的兩個(gè)車型的綜合計(jì)分值之間進(jìn)行線性插值。當(dāng)然，也可采取其他方式實(shí)現(xiàn)這個(gè)結(jié)果，如直接調(diào)換編號(hào)為14、23的兩個(gè)車型的平均計(jì)分值并將其作為訓(xùn)練樣本輸出數(shù)據(jù)。事實(shí)上，當(dāng)表1中車型數(shù)量足夠多時(shí)，由線性插值得到的結(jié)果與“真實(shí)”綜合計(jì)分值之間的誤差很小。因此，只要車型數(shù)量足夠多，一般情況下，均可按照線性插值方式進(jìn)行綜合計(jì)分值的構(gòu)造。因此，本文采用線性插值方法進(jìn)行處理。

表3 訓(xùn)練樣本輸出數(shù)據(jù)（部分）

訓(xùn)練樣本輸出數(shù)據(jù)構(gòu)造完成后，就可得到完整的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，如表4所示。

表4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

得到訓(xùn)練樣本后，需對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。為此，運(yùn)用MATLAB軟件編制了相應(yīng)程序進(jìn)行計(jì)算，部分程序如下[9～10]：

其中，P、T分別為訓(xùn)練樣本的輸入數(shù)據(jù)和輸出數(shù)據(jù)。

BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)為輸入層神經(jīng)元6個(gè)、輸出層神經(jīng)元1個(gè)、中間層（隱含層）神經(jīng)元36個(gè)（訓(xùn)練過程中不斷調(diào)整的結(jié)果），如圖1所示。

訓(xùn)練完成后，保存輸入層與中間層、中間層與輸出層之間的連接權(quán)值和偏移值。表5為經(jīng)BP神經(jīng)網(wǎng)絡(luò)計(jì)算得到的綜合計(jì)分值（訓(xùn)練樣本輸入數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)后輸出的數(shù)值）與理論綜合計(jì)分值（即訓(xùn)練樣本輸出數(shù)據(jù)）的差異。由表5可知，BP神經(jīng)網(wǎng)絡(luò)擬合精度較好，兩組數(shù)據(jù)無差異。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

表5 計(jì)算綜合計(jì)分值與理論綜合計(jì)分值的差異

至此，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)已確定。只需將某車型操縱穩(wěn)定性的6個(gè)單項(xiàng)試驗(yàn)計(jì)分值輸入到此BP神經(jīng)網(wǎng)絡(luò)中，即可得到該車型操縱穩(wěn)定性綜合計(jì)分值，方便了操縱穩(wěn)定性評(píng)價(jià)。

4 結(jié)束語

相比QC/T 480—1999中的評(píng)價(jià)方法，采用模糊聚類分析方法對(duì)汽車操縱穩(wěn)定性數(shù)據(jù)進(jìn)行排序，可以得到更為合理的評(píng)價(jià)結(jié)果。采用BP神經(jīng)網(wǎng)絡(luò)算法，得到具體神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及操縱穩(wěn)定性綜合計(jì)分值，方便了操縱穩(wěn)定性評(píng)價(jià)。同時(shí)，本文所述評(píng)價(jià)方法可為其他大型、復(fù)雜的（試驗(yàn)）評(píng)價(jià)提供思路。

1 余志生.汽車?yán)碚?第三版.北京：機(jī)械工業(yè)出版社，2000.

2 GB/T 6323—2014汽車操縱穩(wěn)定性試驗(yàn)方法.

3 QC/T 480—1999汽車操縱穩(wěn)定性指標(biāo)限值與評(píng)價(jià)方法.

4 謝季堅(jiān)，劉承平.模糊數(shù)學(xué)方法及其應(yīng)用.第三版.武漢：華中科技大學(xué)出版社，2006.

5 韓立巖，汪培莊.應(yīng)用模糊數(shù)學(xué).第二版.北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)出版社，1993.

6 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì).北京：清華大學(xué)出版社，2005.

7 葉世偉，史忠植.神經(jīng)網(wǎng)絡(luò)原理.北京：機(jī)械工業(yè)出版社，2004.

8 高印寒，唐榮江，梁杰，等.汽車聲品質(zhì)的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與權(quán)重分析.光學(xué)精密工程，2013，39（2）：462～468.

9 馬佳，范智聲，李飛飛，等.基于人工神經(jīng)網(wǎng)絡(luò)的汽車座椅舒適度評(píng)價(jià)模型.工業(yè)工程，2016，26（5）：106～109.

10 何勇，項(xiàng)利國(guó).基于模糊聚類的BP神經(jīng)網(wǎng)絡(luò)模型研究及應(yīng)用.系統(tǒng)工程理論與實(shí)踐，2004，24（2）：79～82.

（責(zé)任編輯 斛 畔）

修改稿收到日期為2016年9月10日。

Research on Evaluation Method of Vehicle Handling Stability

Gao Xiaoqing,Cheng Jun
（Dongfeng Honda Automobile Company Limited,Wuhan 430056）

This paper presents a new method for vehicle handling stability evaluation.Firstly,we used fuzzy clustering method to sort the handling stability data in a more rational manner.On this basis,we used BP neural network theory to construct the training samples and train them,built a specific structure of the neural network,and obtained the scoring of comprehensive evaluation of handling stability,which made handling stability evaluation easy and convenient.Compared with the traditional evaluation,this method can obtain more intuitive and reasonable evaluation results.At the same time,this method can provide ideas for other large-scale and complex(test)evaluation.

Handling stability,Fuzzy cluster analysis,BP neural network

操縱穩(wěn)定性 模糊聚類分析 BP神經(jīng)網(wǎng)絡(luò)

U467.1；U462.3

A

1000-3703（2017）03-0008-04