基于CNN-LSTM的重型載貨車側(cè)翻預(yù)測

摘 "要：針對車輛在運(yùn)行過程中左右側(cè)車輪垂直載荷難以直接測量的問題，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（long short-term memory，LSTM）對橫向載荷轉(zhuǎn)移率（lateral load transfer rate，LTR）進(jìn)行預(yù)測。建立重型載貨車TruckSim動(dòng)力學(xué)模型，在魚鉤工況、J-Turn工況和雙移線工況下采集車輛的側(cè)向加速度、橫擺角速度等行駛狀態(tài)參數(shù)。在MATLAB中建立CNN-LSTM模型，利用CNN-LSTM模型的特征提取和時(shí)間序列預(yù)測功能，對重型載貨車LTR值進(jìn)行預(yù)測，并在多種工況下驗(yàn)證CNN-LSTM模型的性能。結(jié)果表明：在不同行駛工況、車輛參數(shù)及路面條件下，CNN-LSTM模型能夠?qū)χ匦洼d貨車LTR值進(jìn)行有效預(yù)測。

關(guān)鍵詞：重型載貨車；側(cè)翻預(yù)測；橫向載荷轉(zhuǎn)移率；時(shí)間序列預(yù)測

中圖分類號：U463.33 " " " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號：1008-5483（2024）02-0006-06

Rollover Prediction of Heavy-duty Trucks Based on CNN-LSTM

Gao Menghan， Feng Ying

（School of Automotive Engineering， Hubei University of Automotive Technology， Shiyan 442002， China）

Abstract： To address the difficulty in directly measuring the vertical load of the left and right wheels during vehicle operation， a convolutional neural network （CNN） and a long short-term memory neural network （LSTM） were used to predict the lateral load transfer rate （LTR）. By establishing a TruckSim dynamic model for heavy-duty trucks， state parameters of the vehicle under fishhook， J-Turn， and double lane conditions were collected， such as lateral acceleration and yaw velocity. A CNN-LSTM model was established in MATLAB， and the feature extraction and time series prediction functions of the model were used to predict the LTR of heavy-duty trucks. In addition， the performance of the CNN-LSTM model was verified under various working conditions. The experimental results show that the CNN-LSTM model can effectively predict the LTR of heavy-duty trucks under different driving conditions， vehicle parameters， and road conditions.

Key words： heavy-duty trucks; rollover prediction; LTR; time series prediction

重型載貨車由于車身及貨物質(zhì)量大，重心相對較高，因此在快速變線或緊急避讓時(shí)更容易發(fā)生側(cè)翻。根據(jù)NHTSA側(cè)翻事故統(tǒng)計(jì)數(shù)據(jù)顯示，1982年至2021年，美國重型載貨車側(cè)翻的平均死亡率為44.1%［1］，提高重型載貨車防側(cè)翻技術(shù)水平顯得尤為重要。國內(nèi)外學(xué)者對側(cè)翻預(yù)警和防側(cè)翻控制進(jìn)行了大量研究。褚端峰等［2］提出一種新的側(cè)翻評價(jià)指標(biāo)，將車輛當(dāng)前側(cè)向加速度與實(shí)時(shí)極限側(cè)向加速度的比值作為側(cè)翻的判定條件，結(jié)合TTR計(jì)算車輛在未來發(fā)生側(cè)翻的時(shí)間。Tianjun Zhu等［3］結(jié)合概率計(jì)算提出了基于支持向量機(jī)經(jīng)驗(yàn)?zāi)Ｐ偷男滦蛙囕v側(cè)翻預(yù)警算法。Quguang Guan等［4］將非承載輪的垂直載荷與車輛總重的比值作為側(cè)翻評估指標(biāo)來實(shí)現(xiàn)側(cè)翻預(yù)警。Zhiguo Zhao等［5］建立了基于AR-HMM的側(cè)翻預(yù)警模型，利用算法預(yù)測未來某時(shí)刻內(nèi)車輛的運(yùn)行狀態(tài)，準(zhǔn)確率達(dá)到96.3%。金智林等［6］基于線性三自由度汽車側(cè)翻動(dòng)力學(xué)模型，計(jì)算了橫向載荷轉(zhuǎn)移率（lateral load transfer rate，LTR）及其一次變化率和二次變化率，得到汽車側(cè)翻預(yù)警時(shí)間。王朝陽［7］在三自由度車輛側(cè)翻運(yùn)動(dòng)學(xué)模型的基礎(chǔ)上建立LTR估計(jì)器，建立了商用車側(cè)翻灰色預(yù)測模型。張昊等［8］以車輛歸一化的零力矩點(diǎn)橫向偏移為預(yù)警指標(biāo)，使用模型預(yù)測控制器對橫擺力矩與側(cè)向加速度進(jìn)行分析，通過差動(dòng)制動(dòng)分配力矩實(shí)現(xiàn)車輛防側(cè)翻。高澤鵬等［9］利用高斯混合馬爾可夫模型對當(dāng)前車輛狀態(tài)下與側(cè)翻相關(guān)的變量進(jìn)行訓(xùn)練，提出基于極限學(xué)習(xí)機(jī)的車輛側(cè)翻預(yù)警方法。朱天軍等［10］利用AdaBoost學(xué)習(xí)算法構(gòu)建了多個(gè)弱分類器的架構(gòu)，實(shí)現(xiàn)了復(fù)雜行駛工況下重型載貨車輛側(cè)翻評價(jià)指標(biāo)的實(shí)時(shí)準(zhǔn)確計(jì)算。上述研究的重點(diǎn)在于側(cè)翻評價(jià)指標(biāo)的選擇和側(cè)翻預(yù)警方法的創(chuàng)新，未充分考慮車輛實(shí)際行駛工況的多樣性，以及車輛行駛歷史狀態(tài)對當(dāng)前側(cè)翻狀態(tài)的影響。文中結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（long short-term memory，LSTM），構(gòu)建了基于CNN-LSTM的重型載貨車側(cè)翻預(yù)測模型，并在MATLAB中對多種工況和行駛條件下的側(cè)翻預(yù)測模型效果進(jìn)行驗(yàn)證。

1 重型載貨車側(cè)翻評價(jià)指標(biāo)及因素

1.1 重型載貨車側(cè)翻評價(jià)指標(biāo)

1） 側(cè)翻仿真模型 利用TruckSim建立重型載貨車動(dòng)力學(xué)模型。車輛模型設(shè)置為6檔自動(dòng)變速器、前后非獨(dú)立懸架、液壓制動(dòng)方式，模型的主要參數(shù)如表1所示。

2） 側(cè)翻評價(jià)指標(biāo) 在對車輛側(cè)翻穩(wěn)定性分析中，以側(cè)傾角、橫擺角速度或側(cè)向加速度作為側(cè)翻判定標(biāo)準(zhǔn)，不能全面反映車輛側(cè)翻狀態(tài)。文中選擇可信度更高的LTR［11］值作為重型載貨車的側(cè)翻評價(jià)指標(biāo)，LTR計(jì)算公式：

[RLT=Fr，i-Fl，iFr，i+Fl，i] （1）

式中：RLT為重型載貨車的LTR值；[Fr，i]為作用于第[i]個(gè)右輪上的垂直載荷；[Fl，i]為作用于第[i]個(gè)左輪上的垂直載荷。由式（1）可知RLT取值范圍[[-1，+1]]，當(dāng)RLT取[±1]時(shí)，車輛已經(jīng)開始發(fā)生側(cè)翻。

以魚鉤工況為例，采集重型載貨車在路面附著系數(shù)為0.85、車速為60 km·h-1時(shí)的側(cè)向加速度、橫擺角速度、質(zhì)心側(cè)偏角、側(cè)傾角，并計(jì)算相應(yīng)的LTR值，輸出曲線如圖1所示。從圖1可以看出，行駛狀態(tài)參數(shù)的數(shù)值大小與LTR的數(shù)值大小變化趨勢一致，并在同時(shí)到達(dá)峰值。因此選擇重型載貨車的側(cè)向加速度、橫擺角速度、質(zhì)心側(cè)偏角、側(cè)傾角對LTR值進(jìn)行預(yù)測。

1.2 重型載貨車側(cè)翻影響因素分析

車輛側(cè)翻主要包含車輛因素、道路因素和駕駛員因素。車輛因素主要指車輛的固有特性，如車輛操縱穩(wěn)定性、車輛外形尺寸、車輛的裝載情況等。道路因素主要指道路的附著系數(shù)、道路坡道角、彎道半徑等。駕駛員因素主要指車輛的行駛速度、轉(zhuǎn)向輸入角速度和其他操作方式［12］。文中重點(diǎn)研究了重型載貨車車速、路面附著系數(shù)、質(zhì)心高度以及方向盤轉(zhuǎn)角對車輛側(cè)翻的影響。

在J-Turn工況下，設(shè)定基準(zhǔn)參數(shù)：車速為80 km·h-1、路面附著系數(shù)為0.85、質(zhì)心高度為1 400 mm、方向盤轉(zhuǎn)角為200°。方案1～4分別對應(yīng)取不同的車速、路面附著系數(shù)、方向盤轉(zhuǎn)角、質(zhì)心高度，在其他參數(shù)不變的情況下，進(jìn)行大量仿真試驗(yàn)，得到各方案下重型載貨車行駛過程中的LTR變化曲線，如圖2所示。從圖2可以看出，車速、路面附著系數(shù)、方向盤轉(zhuǎn)角和質(zhì)心高度均對LTR值產(chǎn)生不同程度影響。隨著各方案取值的增加，LTR值增大，車輛側(cè)翻的危險(xiǎn)性增大。因此，車速、路面附著系數(shù)、方向盤轉(zhuǎn)角和質(zhì)心高度是影響重型載貨車側(cè)翻的重要因素。

2 車輛側(cè)翻預(yù)測模型

2.1 數(shù)據(jù)采集

依據(jù)GB/T6323—2014，文中選取魚鉤工況、J-Turn工況、雙移線工況，進(jìn)行重型載貨車側(cè)翻試驗(yàn)［13］。試驗(yàn)參數(shù)按照1.2中方案1～4進(jìn)行設(shè)置，試驗(yàn)中采集車輛行駛過程的側(cè)向加速度、橫擺角速度、質(zhì)心側(cè)偏角、車身側(cè)傾角，作為預(yù)測模型的輸入，計(jì)算相應(yīng)的LTR，作為預(yù)測模型的輸出。

為了實(shí)現(xiàn)CNN對時(shí)序數(shù)據(jù)的特征提取，保證輸入特征在時(shí)間上的連續(xù)，采取滑動(dòng)窗口的方式對輸入樣本數(shù)據(jù)進(jìn)行取樣。經(jīng)多番驗(yàn)證，滑動(dòng)窗口大小為25時(shí)，單個(gè)輸入樣本是具有4個(gè)特征維度和25個(gè)時(shí)間步的時(shí)序數(shù)據(jù)，此時(shí)LSTM神經(jīng)網(wǎng)絡(luò)單元能夠最大程度保留歷史有效信息，單個(gè)輸出樣本為相應(yīng)輸入樣本第25個(gè)時(shí)間步的LTR值。

設(shè)置仿真步長為0.01，仿真時(shí)間為15 s，車速為50 km·h-1，魚鉤工況下車輛未發(fā)生側(cè)翻，此時(shí)預(yù)測模型的輸入樣本數(shù)據(jù)大小為4×1 501，將該樣本數(shù)據(jù)進(jìn)行滑動(dòng)窗口取樣，設(shè)置滑動(dòng)步長為1，得到1 477個(gè)大小為4×25的輸入樣本片段。對其他工況下采集的數(shù)據(jù)進(jìn)行同樣處理，并剔除數(shù)據(jù)相同的樣本片段，防止對某一特征過度學(xué)習(xí)。滑動(dòng)窗口取樣示意圖如圖3所示。

2.2 數(shù)據(jù)預(yù)處理

為避免特征數(shù)據(jù)量綱的不同對預(yù)測數(shù)據(jù)產(chǎn)生影響、同時(shí)加快模型的訓(xùn)練和收斂速度，對數(shù)據(jù)進(jìn)行了歸一化處理，處理后的數(shù)據(jù)區(qū)間為[[-1，+1]]，歸一化公式為

[X′i=Xi-XminXmax-Xmin-1] （2）

式中：[X′i]為歸一化后的數(shù)據(jù)；[Xmin、Xmax]分別為特征數(shù)據(jù)的最小值、最大值。

2.3 CNN-LSTM網(wǎng)絡(luò)模型設(shè)計(jì)

CNN-LSTM組合神經(jīng)網(wǎng)絡(luò)模型廣泛應(yīng)用于時(shí)序數(shù)據(jù)預(yù)測，將CNN提取的特征向量作為LSTM網(wǎng)絡(luò)的輸入，由LSTM網(wǎng)絡(luò)進(jìn)行響應(yīng)預(yù)測［14］。CNN-LSTM模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，CNN層采用了2個(gè)卷積層的結(jié)構(gòu)，用來捕捉時(shí)間序列數(shù)據(jù)中的空間特征。每個(gè)卷積層后緊跟1個(gè)最大池化層，以提高網(wǎng)絡(luò)的穩(wěn)定性和非線性表示能力。在CNN的基礎(chǔ)上，引入LSTM層，以建立時(shí)間序列的長期依賴關(guān)系。x1、x2、…、xt-1、xt為輸入樣本序列，h1、h2、…、ht-1、ht為每一時(shí)刻隱藏層狀態(tài)，c1、c2、…、ct-1、ct為每一時(shí)刻歷史記憶信息。LSTM通過利用記憶單元的遺忘門、記憶門、輸出門等門控機(jī)制，能夠?qū)W習(xí)時(shí)間序列數(shù)據(jù)中的有效歷史信息。模型參數(shù)為：卷積層1的深度為32，大小為3×1，卷積層2的深度為64，大小為3×1，激活函數(shù)為Relu，LSTM的隱藏層數(shù)為6。

3 模型訓(xùn)練與評價(jià)指標(biāo)

3.1 模型訓(xùn)練

CNN-LSTM網(wǎng)絡(luò)模型訓(xùn)練集樣本來源于在魚鉤工況、J-Turn工況、雙移線工況下，參數(shù)設(shè)置為1.2中方案1～4時(shí)采集的試驗(yàn)數(shù)據(jù)。CNN-LSTM網(wǎng)絡(luò)模型的求解器為Adam，網(wǎng)絡(luò)模型訓(xùn)練的其他參數(shù)設(shè)置為最大迭代步長100、初始學(xué)習(xí)率0.01、學(xué)習(xí)率下降因子0.5、訓(xùn)練批次大小128、丟棄率0.25。模型經(jīng)過100輪迭代后，模型損失迭代曲線如圖5所示。從圖5中可以看出，在模型訓(xùn)練初始階段，訓(xùn)練損失下降梯度較大，經(jīng)過一段時(shí)間迭代后，損失值趨于平穩(wěn)，表明模型初始階段學(xué)習(xí)率適中，模型趨于收斂。當(dāng)訓(xùn)練次數(shù)達(dá)到1700次附近，RMSE下降到一定水平，模型精度提高。

3.2 評價(jià)指標(biāo)選取

在深度模型預(yù)測中，普遍采用平均絕對誤差（mean absolute error，MAE）、均方根誤差（root mean square error，RMSE）和決定系數(shù)R2來評價(jià)模型的預(yù)測能力和穩(wěn)定性［15］。相關(guān)公式為

[EMA=1Ti=1Ty′i-yiERMS=1Ti=1T（y′i-yi）2R2=1-i=1T（y′i-yi）2i=1T（yi-yi）2] （3）

式中：EMA為MAE的計(jì)算值；ERMS為RMSE的計(jì)算值；[yi]為LTR的真實(shí)值；[y′i]為LTR預(yù)測值；[yi]為預(yù)測值的平均值。RMSE受異常值的影響更大，通過觀察MAE與RMSE的比值，可以找到預(yù)測結(jié)果中的異常錯(cuò)誤。R2是用來評估模型擬合程度好壞的指標(biāo)，取值范圍在0到1之間，越接近1表示模型的擬合程度越好。綜上所述，所設(shè)計(jì)的重型載貨車側(cè)翻預(yù)測流程如圖6所示。

4 預(yù)測結(jié)果及分析

為了驗(yàn)證預(yù)測模型的有效性，選取與訓(xùn)練集不同的參數(shù)進(jìn)行試驗(yàn)，在基準(zhǔn)參數(shù)的基礎(chǔ)上調(diào)整某項(xiàng)參數(shù)制定試驗(yàn)方案。設(shè)定基準(zhǔn)車速為80 km·h-1、路面附著系數(shù)為0.85、質(zhì)心高度為1400 mm、方向盤轉(zhuǎn)角為200°。

4.1 不同行駛工況

設(shè)定車速為75 km·h-1、100 km·h-1時(shí)，進(jìn)行魚鉤工況、J-Turn工況和雙移線工況驗(yàn)證試驗(yàn)，3種行駛工況的LTR曲線如圖7～9所示。設(shè)定車速為65 km·h-1、80 km·h-1時(shí)進(jìn)行蛇形試驗(yàn)，LTR曲線見圖10。根據(jù)4種行駛工況在高速行駛和低速行駛時(shí)的預(yù)測數(shù)據(jù)計(jì)算MAE、RMSE、R2，結(jié)果如表2所示。由圖7～10和表2可知，在不同行駛工況及不同車速下，所提出的預(yù)測模型均能實(shí)現(xiàn)對LTR值的預(yù)測，R2均大于0.9，MAE和RMSE均在0.05以下，預(yù)測精度高。說明CNN-LSTM網(wǎng)絡(luò)預(yù)測模型能夠適用于不同行駛工況，具備一定的泛化性能。

4.2 J-Turn工況下的不同行駛條件

在J-Turn工況下，路面附著系數(shù)為0.18和1時(shí)LTR曲線如圖11所示，質(zhì)心高度為1100 mm和1700 mm時(shí)LTR曲線如圖12所示，方向盤轉(zhuǎn)角為45°和315°時(shí)LTR曲線如圖13所示。根據(jù)預(yù)測結(jié)果計(jì)算CNN-LSTM預(yù)測模型的相關(guān)評價(jià)指標(biāo)MAE、RMSE、R2，結(jié)果如表3所示。圖11～13和表3體現(xiàn)了重型載貨車在不同的影響因素取值下，模型對LTR值的預(yù)測性能。相關(guān)系數(shù)R2保持在0.9以上，預(yù)測誤差MAE和RMSE均不超過0.06。由此可知，文中提出的CNN-LSTM網(wǎng)絡(luò)預(yù)測模型在不同路面附著系數(shù)、不同質(zhì)心高度及不同方向盤轉(zhuǎn)角下均能準(zhǔn)確地對LTR進(jìn)行預(yù)測，且具有較高的預(yù)測精度，說明該模型穩(wěn)定性好。

5 結(jié)論

基于重型載貨車TruckSim模型仿真試驗(yàn)，利用行駛狀態(tài)參數(shù)與橫向載荷轉(zhuǎn)移率LTR的相關(guān)性，建立CNN-LSTM網(wǎng)絡(luò)模型對橫向載荷轉(zhuǎn)移率LTR進(jìn)行預(yù)測。考慮多種側(cè)翻影響因素的CNN-LSTM網(wǎng)絡(luò)預(yù)測模型，在不同的行駛工況和行駛條件下，可以實(shí)現(xiàn)由行駛狀態(tài)參數(shù)對LTR的預(yù)測。該方法能夠適應(yīng)重型載貨車復(fù)雜多樣的行駛工況，實(shí)時(shí)準(zhǔn)確的得到車輛側(cè)翻狀態(tài)。在未來研究中，將對車輛側(cè)翻機(jī)理進(jìn)行深入分析，從人-車-路全面的探究車輛側(cè)翻因素和參數(shù)，考慮不確定條件下的車輛側(cè)翻預(yù)測模型參數(shù)表征問題。

參考文獻(xiàn)：

［1］ "李一兵，孫岳霆，徐成亮. 基于交通事故數(shù)據(jù)的汽車安全技術(shù)發(fā)展趨勢分析［J］. 汽車安全與節(jié)能學(xué)報(bào)，2016，7（3）：241-253.

［2］ "褚端峰，崔劍，鄧澤健，等. 基于改進(jìn)TTR算法的車輛側(cè)翻預(yù)警研究［J］. 中國機(jī)械工程，2016（11）：1557-1561.

［3］ "Zhu T J，Yin X X，Na X X，et al. Research on a Novel Vehicle Rollover Risk Warning Algorithm Based on Support Vector Machine Model［J］. IEEE Access，2020，8：108324-108334.

［4］ "Guan Q G，Gong A H，Hu M M，et al. Anti-rollover Warning Control of Dump Truck Lifting Operation Based on Active Suspension［J］. Journal of Control，Automation and Electrical Systems，2021，32（1）：109-119.

［5］ "Zhao Z，Chen N，Wang Y，et al. The Model and Algorithm of Rollover Warning for Heavy Duty Vehicle Based on AR-HMM［A］. Journal of Investigative Medicine［C］. Lippincott Williams amp; Wilkins Two Commerce SQ，2001 Market ST，Philadelphia ，2014，62（8）：S98–S98.

［6］ "金智林，嚴(yán)正華. 基于二次預(yù)測型橫向載荷轉(zhuǎn)移率的汽車側(cè)翻預(yù)警研究［J］. 中國機(jī)械工程，2019，30（15）：1790-1795.

［7］ "王朝陽. 基于工況識(shí)別的商用車側(cè)翻預(yù)警方法研究［D］. 武漢：武漢理工大學(xué)，2021.

［8］ "張昊，李擎. 微型貨車高速轉(zhuǎn)彎的改進(jìn)模型預(yù)測防側(cè)翻控制［J］. 科學(xué)技術(shù)與工程，2023，23（19）：8264-8272.

［9］ "高澤鵬，任宏斌，陳思忠，等. 基于極限學(xué)習(xí)機(jī)在線學(xué)習(xí)的車輛側(cè)翻狀態(tài)預(yù)測［C］// 2020中國汽車工程學(xué)會(huì)年會(huì)暨展覽會(huì). 2020中國汽車工程學(xué)會(huì)年會(huì)論文集. 上海：2020：481-488.

［10］ "朱天軍，麻威，王振峰，等. 基于AdaBoost算法的重型車輛側(cè)翻預(yù)警研究［J］. 重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，40（8）：25-33.

［11］ "徐中明，于海興，伍小龍，等. 車輛側(cè)翻指標(biāo)與側(cè)翻風(fēng)險(xiǎn)因素分析［J］. 重慶大學(xué)學(xué)報(bào)，2013，36（3）：25-31.

［12］ "楊晶晶. 基于TruckSim的客車側(cè)翻影響因素研究［D］. 西安：長安大學(xué)，2019.

［13］ "國家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局，中國國家標(biāo)準(zhǔn)化管理委員會(huì). 汽車操縱穩(wěn)定性試驗(yàn)方法：GB/T 6323—2014［S］. 北京：中國標(biāo)準(zhǔn)出版社，2014：56.

［14］ "張學(xué)兵，謝嘯楠，王禮，等. 基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)的高速鐵路地震響應(yīng)預(yù)測［J］. 湘潭大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，46（1）：1-13.

［15］ "高亞軍，唐力輝，王振鵬，等. 基于循環(huán)神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)差分處理的油田產(chǎn)量預(yù)測方法［J］. 中國海上油氣，2023，35（3）：126-136.