凌啟輝 戴巨川 陳盛釗 孫飛鷹 汪國勝 廖力力
1.湖南科技大學(xué)機(jī)電工程學(xué)院,湘潭 4112012.江麓機(jī)電集團(tuán)有限公司,湘潭 411100 3.中國北方車輛研究所,北京 100072
路面不平是履帶車輛行駛過程中振動的主要激勵,直接影響行駛的平順性、乘員的舒適性、操縱的穩(wěn)定性及零部件的壽命,常用路面不平度對其進(jìn)行描述[1-3]。獲得準(zhǔn)確的路面不平度信息是進(jìn)行車輛平順性分析、減振控制、耐久性分析和操縱穩(wěn)定性分析等相關(guān)性能研究的關(guān)鍵。路面不平度可通過直接測量[4]和響應(yīng)識別[5-11]等方式獲取,或通過數(shù)值模擬[12-14]的方式設(shè)定。
路面不平度測量通常需要特定的測量儀器,一般通過接觸式或非接觸式的路面不平度儀對路面高程信號進(jìn)行采集,這種方式獲取路面不平度的效率低且成本較高。路面不平度模擬仿真先給定路面不平度功率譜密度,再對空間域或頻域內(nèi)的路面不平度進(jìn)行建模,進(jìn)而設(shè)定路面不平度。常見的路面不平度的建模方法主要包括:諧波疊加法、傅里葉逆變換法、小波分析法、線性濾波器法、濾波白噪聲建模法。路面不平度識別是近年來開始研究的方法,它不需要特定的路面不平度測量儀器,實(shí)現(xiàn)相對簡單,可以降低成本、提高效率,其基本思想是通過測得的車輛響應(yīng),結(jié)合某些算法來建立車輛響應(yīng)和路面不平度兩者之間的關(guān)系模型,從而反求出路面的不平度信息。李杰等[2]通過動力學(xué)建模及數(shù)值仿真獲得神經(jīng)網(wǎng)絡(luò)模型的輸入和輸出,考慮了車輛響應(yīng)作為輸入的合理性,建立了路面不平度識別模型。
履帶車輛的野外工作環(huán)境差,涉及的路面非常復(fù)雜,行駛路面不平度等級往往在C級以上,其不平度仍需通過特定的測量儀器直接測量[15],效率低、成本高。受行走系統(tǒng)結(jié)構(gòu)的影響,履帶車輛車體垂向振動和俯仰振動等動態(tài)響應(yīng)參數(shù)便于測試,因此,筆者利用車體的垂向振動和俯仰振動等動態(tài)響應(yīng)來識別路面不平度。該方法基于道路模擬試驗(yàn)系統(tǒng)來開展路面激勵振動試驗(yàn),以車體動態(tài)響應(yīng)為輸入、路面不平度為輸出,利用非線性自回歸(nonlinear auto-regressive with exogeneous inputs, NARX)神經(jīng)網(wǎng)絡(luò)建立路面不平度輸入識別模型;提出了識別效果評價的相關(guān)性系數(shù)、均方根誤差和絕對誤差累計(jì)概率密度,及其融合方法;基于正交試驗(yàn)設(shè)計(jì)簡化了測試系統(tǒng)傳感器的布置,分析了不同的路面、采樣頻率和車速的路面不平度識別效果,實(shí)現(xiàn)了基于履帶車輛車體動態(tài)響應(yīng)的行駛路面不平度識別。
基于履帶車輛車體動態(tài)響應(yīng)的路面不平度識別以車體動態(tài)響應(yīng)為輸入,以路面激勵為輸出,辨識履帶車輛的振動特性?;谙到y(tǒng)辨識結(jié)果,利用車體動態(tài)響應(yīng),反求履帶車輛的路面不平度輸入。因此,如何獲得車體動態(tài)響應(yīng)和路面激勵是建立路面不平度識別模型首要解決的問題。一般而言,道路實(shí)車試驗(yàn)更能反映車輛行駛的實(shí)際情況,能輕松獲取車體動態(tài)響應(yīng),但無法獲取路面不平度信息。道路模擬試驗(yàn)系統(tǒng)能精確再現(xiàn)車輛在道路上行駛時的負(fù)荷與振動,為車輛試驗(yàn)提供近似于實(shí)際行駛條件的可控制、可重復(fù)的負(fù)荷與振動環(huán)境。因此,本文利用道路模擬試驗(yàn)系統(tǒng)開展振動試驗(yàn)。如圖1所示,道路模擬試驗(yàn)系統(tǒng)主要包括激振器及其平臺、試驗(yàn)車和振動測試系統(tǒng)等幾大部分。振動試驗(yàn)時,激振器的輸出位移為模擬的路面不平度信息,車體動態(tài)響應(yīng)由振動測試系統(tǒng)獲取。
圖1 道路模擬試驗(yàn)系統(tǒng)結(jié)構(gòu)示意圖Fig.1 Schematic diagram of road simulation test system
履帶車輛動態(tài)響應(yīng)主要指負(fù)重輪的振動、懸掛動撓度、懸掛動速度、車體振動和車體俯仰振動。受行走系統(tǒng)結(jié)構(gòu)的影響,負(fù)重輪的振動、懸掛動撓度、懸掛動速度不方便測量,車體垂向振動和俯仰振動的獲取相對容易。履帶車輛車體屬大型結(jié)構(gòu)件,受板筋、橫梁等連接結(jié)構(gòu)的影響,車體不同位置的動態(tài)響應(yīng)往往有較為明顯的差異[16],因此,有必要多點(diǎn)布置測試傳感器。
在試驗(yàn)車上布置10個加速度傳感器(型號:B&K-4534B001)和1個角度傳感器(型號:HIS528),如圖2a所示,實(shí)際安裝如圖2b所示。傳感器1~4布置在車體前上傾斜板上,傳感器5、7、11布置于橫梁上,傳感器6、8、9安裝在車體底板,傳感器10安裝于車體尾部。傳感器6位于車體質(zhì)心附近,傳感器9位于第6號負(fù)重輪上方,傳感器4位于第1負(fù)重輪上方。
(a)動態(tài)響應(yīng)測點(diǎn)布置
實(shí)測路譜的頻率成分有限,以實(shí)測路譜進(jìn)行振動試驗(yàn)時,并不能較為全面地反映履帶車輛振動特性。隨機(jī)路譜頻率成分更為豐富,能滿足履帶車輛振動特性的辨識要求,因此選擇隨機(jī)路譜激勵進(jìn)行振動試驗(yàn),給定的隨機(jī)路譜激勵信號如圖3所示。
圖3 隨機(jī)路譜激勵時域信號Fig.3 Random road spectrum excitation timedomain signal
NARX神經(jīng)網(wǎng)絡(luò)具有反饋和記憶特性,常用于多步預(yù)測,在學(xué)習(xí)和泛化能力[17]方面優(yōu)于其他類型的遞歸神經(jīng)網(wǎng)絡(luò),因此,本文基于NARX神經(jīng)網(wǎng)絡(luò)建立路面不平度識別模型。如圖4所示,該模型主要包括輸入?yún)?shù)、NARX網(wǎng)絡(luò)、模型輸出參數(shù)、模型性能評價指標(biāo)系統(tǒng)。NARX網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)主要包括輸入及其節(jié)點(diǎn)數(shù)、隱藏層及其節(jié)點(diǎn)數(shù)、輸出及其節(jié)點(diǎn)、延遲層等參數(shù)。
圖4 路面不平度識別模型結(jié)構(gòu)原理框圖Fig.4 Structure diagram of road unevenness recognition model
NARX神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)設(shè)計(jì)對得到理想的路面不平度識別模型非常重要。延遲層對識別模型的輸出進(jìn)行延遲處理,其階數(shù)不宜過大。NARX神經(jīng)網(wǎng)絡(luò)隱藏層層數(shù)一般為1,隱藏層節(jié)點(diǎn)數(shù)為
(1)
式中,m為輸出層節(jié)點(diǎn)數(shù);n為輸入層節(jié)點(diǎn)數(shù);a為0~10之間的整數(shù)。
理論上,識別模型的輸入越少越好,但輸入信號太少必然導(dǎo)致辨識不夠準(zhǔn)確,因此,尋求數(shù)量和效果的平衡是首先需要解決的問題。顯然,將所測得的11個動態(tài)響應(yīng)信號全部作為識別模型的輸入并不一定是最佳的輸入方案,因此需要進(jìn)一步分析以獲得最佳的組合方案。每個采集到的動態(tài)響應(yīng)信號有兩種狀態(tài):作為輸入(記為1,稱之為水平1);不作為輸入(記為0,稱之為水平2)。這樣, 11個動態(tài)響應(yīng)信號的組合就會有211(2048)種方案。從如此多的輸入方案中選擇最優(yōu)的一組輸入方案是非常耗時的,為此,借助正交試驗(yàn)的思路,將11個動態(tài)響應(yīng)信號作為試驗(yàn)因素,以動態(tài)響應(yīng)信號是否作為輸入為水平,進(jìn)行11因素、2水平的正交試驗(yàn),選用正交表L16(215)的16組輸入方案詳情如表1所示。
表1 正交試驗(yàn)方案
經(jīng)過上述過程,動態(tài)響應(yīng)信號的組合方案減4少為16個。然后,進(jìn)一步開展三個方面的工作:①給出合理的識別效果評價指標(biāo);②基于評價指標(biāo)逐一評價16個方案,得到每個方案的識別效果系數(shù);③基于識別效果系數(shù)和正交試驗(yàn)表判斷每個因素的顯著水平,再根據(jù)顯著水平選擇最終的組合方案。
為對模型識別效果進(jìn)行評價,引入相關(guān)性系數(shù)、均方根誤差、絕對誤差累計(jì)概率密度,然后對這3個指標(biāo)進(jìn)行融合處理,得到一個綜合評價指標(biāo)即識別效果系數(shù)。
(1)相關(guān)性系數(shù)的公式為
(2)
相關(guān)性系數(shù)反映預(yù)測輸出與目標(biāo)值之間一致的程度,其值越大,說明結(jié)果越好。
(2)均方根誤差為
(3)
均方根誤差反映預(yù)測輸出和目標(biāo)值之間的偏差程度,其值越小,識別精度越高。
(3)絕對誤差累計(jì)概率密度為
F(X)=P(X≤x)
(4)
式中,x為允許的絕對誤差,本文取目標(biāo)路面不平度極大值的5%。
F(X)表示識別誤差在允許的絕對誤差范圍內(nèi)出現(xiàn)的概率,其值越大,說明識別模型效果越好。
上述3個評價指標(biāo)的量綱不同,不便于直接進(jìn)行信息融合處理,因此,需要對每個試驗(yàn)方案得到的評價指標(biāo)分別進(jìn)行量綱一化。相關(guān)性系數(shù)和絕對誤差累計(jì)概率密度是量綱一指標(biāo),因此只需要對均方根誤差進(jìn)行量綱一化。由于均方根誤差越小越好,這和其他兩個指標(biāo)相反,需要按下式進(jìn)行處理:
(5)
式中,El為第l次試驗(yàn)時的均方根誤差,l=1,2,…,16。
然后,為每個評價指標(biāo)分配一個權(quán)重系數(shù),根據(jù)量綱一化后的評價指標(biāo)進(jìn)行信息融合,得到一個綜合評價指標(biāo):
yl=(w1D1l+w2D2l+w3D3l)/3
(6)
式中,D1l、D2l、D3l分別為量綱一化后的識別模型相關(guān)性系數(shù)評價指標(biāo)、均方根誤差評價指標(biāo)和絕對誤差累計(jì)概率密度評價指標(biāo);w1~w3分別為D1l~D3l的權(quán)重系數(shù),D1l=D2l=D3l。
按照文獻(xiàn)[18]的方法,最終確定NARX神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為11,輸出層節(jié)點(diǎn)數(shù)為6,隱藏層節(jié)點(diǎn)數(shù)取13,延遲層節(jié)點(diǎn)數(shù)為6。根據(jù)表1所示的試驗(yàn)方案,進(jìn)行隨機(jī)路譜振動試驗(yàn),得到履帶車輛車體的動態(tài)響應(yīng)信號(信號采樣頻率為256 Hz,共14 403組數(shù)據(jù)),選取前30 s的數(shù)據(jù)為訓(xùn)練樣本,以剩余的數(shù)據(jù)為測試樣本,訓(xùn)練NARX神經(jīng)網(wǎng)絡(luò),對路面不平度進(jìn)行識別。為克服NARX神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的隨機(jī)性,每組輸入方案訓(xùn)練6次并取預(yù)測輸出的平均值為最終的識別結(jié)果。由于履帶車輛各負(fù)重輪的輸入只存在時間上的延遲,故本文均以第一負(fù)重輪的路面不平度進(jìn)行分析。每組NARX神經(jīng)網(wǎng)絡(luò)的16組輸入方案的評價指標(biāo)如表2所示。
表2 各試驗(yàn)方案評價指標(biāo)
表2中,試驗(yàn)2的識別效果系數(shù)最大,效果最好,但是正交試驗(yàn)設(shè)計(jì)分析得到的結(jié)果基于不全面試驗(yàn),因此有必要結(jié)合正交試驗(yàn)表(表1)和表2的路面不平度識別效果系數(shù)進(jìn)行分析,確定試驗(yàn)因素的主次、各試驗(yàn)因素的顯著水平及試驗(yàn)范圍的最優(yōu)組合,具體過程過可參考文獻(xiàn)[19]。表3所示為最優(yōu)輸入方案分析結(jié)果,其中,j為評價指標(biāo)序號,j=1,2,3分別對應(yīng)相關(guān)性系數(shù)、均方根誤差和絕對誤差累計(jì)概率密度;yj1為水平1總的水平影響系數(shù);yj2為水平2總的水平影響系數(shù);Rj為水平1和水平2總的水平影響系數(shù)的極差,極差越大,表示該因素對試驗(yàn)結(jié)果的影響越大(即顯著水平越高)。由表3可以看出,因素1、6、9的顯著水平最高,均大于0.9;因素11的顯著水平為0.424,其他因素的顯著水平相對較低。根據(jù)表2和表3的分析結(jié)果,以試驗(yàn)方案2為最優(yōu)輸入方案時,不平度識別模型的輸入?yún)?shù)較多且測試成本高;選擇1、6、9、11號傳感器所測得的響應(yīng)信號作為最優(yōu)的輸入方案,傳感器相對較少。因此,本文選擇1、6、9、11號傳感器所測得的響應(yīng)信號可作為識別模型的最優(yōu)輸入。
表3 輸入方案分析結(jié)果
根據(jù)3.1節(jié)的分析結(jié)果,以1、6、9、11號傳感器信號為識別模型的輸入,對NARX神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練和測試后,再次識別路面不平度,結(jié)果如圖5~圖7所示。不難看出,訓(xùn)練樣本、測試樣本的預(yù)測輸出和目標(biāo)值吻合度均很高,識別模型相關(guān)性系數(shù)達(dá)到0.977,均方根誤差為0.056 mm,絕對誤差小于0.1 mm時的累計(jì)概率密度達(dá)到0.959。由此可見,通過正交試驗(yàn)設(shè)計(jì)實(shí)現(xiàn)了路面不平度識別模型輸入數(shù)量和識別效果的平衡,簡化了測試系統(tǒng)傳感器的布置。
(a)訓(xùn)練樣本
(a)訓(xùn)練樣本
圖7 路面不平度識別絕對誤差的累計(jì)概率密度Fig.7 Accumulated probability density of absoluteerror for road roughness recognition
履帶車輛的動態(tài)響應(yīng)測試結(jié)果受路面類型、測試系統(tǒng)采樣頻率、車速等因素的影響,因此,為更好地分析履帶車輛路面不平度識別模型的有效性,將研究路面類型、采樣頻率和車速對路面不平度識別效果的影響。
以鋪面路、起伏路、戈壁路和砂石路為履帶車輛的典型行駛路面,將參照文獻(xiàn)[15]測得的路面不平度數(shù)據(jù)進(jìn)行適當(dāng)處理后作為道路模擬系統(tǒng)的控制輸入,如圖8所示。
(a)鋪面路
利用道路模擬系統(tǒng)分別再現(xiàn)4種行駛路面,試驗(yàn)的模擬車速為15 km/h?;诘?節(jié)建立的路面不平度識別模型,識別4種典型路面的不平度。鋪面路、起伏路、戈壁路和砂石路的相關(guān)性系數(shù)分別為0.991、0.987、0.993和0.988,均方根誤差評價指標(biāo)分別為0.084 mm、0.122 mm、0.097 mm和0.249 mm,絕對誤差為1 mm時的累計(jì)概率密度均接近于1。由圖9、圖10可以看出,4種路面的路面不平度識別效果均非常好,其中,鋪面路的識別效果最好。由此可見,該識別模型可以識別履帶車輛4種典型路面的不平度信息。
(a)鋪面路
圖10 絕對誤差的累計(jì)概率密度曲線(不同路面)Figu.10 Cumulative probability density curve ofabsolute error under different road types
不同的采樣頻率會導(dǎo)致履帶車輛動態(tài)響應(yīng)信號不同程度的失真。相同時間段內(nèi),采樣頻率越低,樣本數(shù)據(jù)越少,模型訓(xùn)練所需時間越短;采樣頻率越高,樣本數(shù)據(jù)量越大,模型訓(xùn)練所需時間越長。因此,本節(jié)將分析采樣頻率對識別效果的影響。
以25 km/h的車速進(jìn)行戈壁路道路模擬試驗(yàn),采樣頻率f分別為128 Hz、256 Hz、512 Hz和1024 Hz時,采用相同的識別模型進(jìn)行路面不平度識別,得到不同采樣頻率的絕對誤差累計(jì)概率密度曲線,如圖11所示。采樣頻率分別256 Hz、512 Hz和1024 Hz時,路面不平度識別絕對誤差為1 mm的累計(jì)概率密度分別為0.991、0.972和0.980,具有較高的識別精度;采樣頻率為128 Hz時,路面不平度識別絕對誤差為1 mm的累計(jì)概率密度僅為0.516,模型識別精度相對較低。因此,采樣頻率為256 Hz、512 Hz和1024 Hz時,路面不平度識別模型具有很好的識別效果,其中,采樣頻率256 Hz的效果最好。
圖11 絕對誤差的累計(jì)概率密度曲線(不同采樣頻率)Fig.11 Cumulative probability density curve of absoluteerror with different sample frequency
分別以5 km/h、15 km/h和25 km/h的車速v進(jìn)行戈壁路道路模擬試驗(yàn),采集不同車速下的動態(tài)響應(yīng),檢驗(yàn)不同車速下的路面不平度識別模型識別效果。由圖12、圖13不難看出,車速為5 km/h時,識別誤差最小,路面不平度識別絕對誤差為1 mm的累計(jì)概率密度最大,說明路面不平度識別效果最好;車速15 km/h的路面不平度識別效果次之;車速25 km/h的路面不平度識別效果相對較差,但路面不平度識別絕對誤差為1 mm的累計(jì)概率密度也達(dá)到了0.991。由此可見,3種車速下的路面不平度識別均具有很好的識別效果。
(a)v=5 km/h
圖13 絕對誤差累計(jì)概率密度曲線(不同車速)Fig.13 Absolute error cumulative probability densitycurve at different vehicle speeds
(1)建立了一種以基于履帶車輛車體動態(tài)響應(yīng)的行駛路面不平度識別模型。該模型采用NARX神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),以履帶車輛車體動態(tài)響應(yīng)為輸入,以路面不平度為輸出。提出了識別效果評價的3個指標(biāo)(相關(guān)性系數(shù)、均方根誤差、絕對誤差累計(jì)概率密度),通過信息融合的方式獲得的綜合評價指標(biāo)能有效評價識別模型的效果。
(2)基于正交試驗(yàn)設(shè)計(jì)的思路,實(shí)現(xiàn)了路面不平度識別模型輸入數(shù)量和識別效果的平衡。通過正交試驗(yàn)獲得了不同輸入組合方案的識別效果系數(shù),得到不同輸入的顯著水平,主次因素排序后,剔除不顯著的輸入,簡化了測試系統(tǒng)傳感器的布置,精簡后的模型輸入方案滿足識別效果的精度需求。
(3)分析了不同的路面、采樣頻率和車速的路面不平度識別效果。結(jié)果表明,本文提出的行駛路面不平度識別模型在不同情況下均有較高的精度,滿足工程實(shí)際需求;采樣頻率對路面不平度識別效果有較大的影響,并非越高越好。