汽車操縱穩定性評價方法研究

高小清 程軍

（東風本田汽車有限公司，武漢 430056）

汽車操縱穩定性評價方法研究

高小清 程軍

（東風本田汽車有限公司，武漢 430056）

提出了一種新的汽車操縱穩定性評價方法。首先，運用模糊聚類方法對操縱穩定性數據進行更為合理的排序。在此基礎上，運用BP神經網絡理論構造了訓練樣本并對其進行訓練，建立了具體的神經網絡結構，得到操縱穩定性綜合評價計分值，方便了操縱穩定性的評價。相比傳統的評價方法，該方法可以獲得更直觀、合理的評價結果。同時，該方法可為其他大型、復雜的（試驗）評價提供思路。

1 前言

汽車操縱穩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向系及轉向車輪給定的方向行駛，且當遭遇外界干擾時，汽車能抵抗干擾而保持穩定行駛的能力[1]。汽車操縱穩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。

汽車操縱穩定性試驗是整車試驗的重要內容之一。GB/T 6323—2014《汽車操縱穩定性試驗方法》中詳述了操縱穩定性的試驗和評價方法。根據該標準的規定，汽車操縱穩定性試驗由許多單項試驗構成，其中，穩態回轉試驗、轉向回正性能試驗、轉向輕便性試驗、轉向盤轉角階躍輸入試驗、轉向盤轉角脈沖輸入試驗、蛇形試驗（本文中分別簡稱為單項1～單項6）是最重要的6個單項試驗[2]。汽車行業標準QC/T 480—1999《汽車操縱穩定性指標限值與評價方法》中指出，操縱穩定性總的評價計分值由上述6個單項試驗計分值進行平均得到[3]。這種評價方式未考慮各單項試驗性能是否均衡，從這個角度看，這種評價方式不甚合理。

本文考慮各單項試驗性能的均衡問題，運用模糊聚類分析方法對各車型操縱穩定性數據進行排序，運用BP神經網絡理論，將各車型操縱穩定性數據加以改造作為BP神經網絡的訓練樣本，獲得具體神經網絡結構。通過該神經網絡結構，可得到每個車型操縱穩定性的綜合計分值，方便了車輛操縱穩定性的評價。

2 操縱穩定性排序

汽車操縱穩定性優劣的評價需要按照某種規則對所評價車輛的操縱穩定性數據進行排序。聚類分析是將數據分類到不同簇的過程，所以同一簇中的數據有很大相似性，根據相似程度的大小，可以對數據進行排序。工程實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際[4～5]，因此，本文采用模糊聚類分析方法對汽車操縱穩定性數據進行排序。

從市場上所有車型操縱穩定性數據（包含前述6個單項試驗計分值）中挑選出若干具有代表性的數據作為樣本。一般來說，樣本容量應足夠大，不失一般性，且為計算方便，本文利用MATLAB軟件生成了29組取值范圍為[60,100]的隨機數作為樣本數據，如表1所示。

表1 用MATLAB生成的操縱穩定性試驗樣本數據

將表1中的數據進行模糊聚類分析，即得到各車型操縱穩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，計分值越相似，排名越靠近。如果存在某車型，其每個單項試驗計分值均不低于上述29個車型，很顯然，其應位列第一。現假設一個編號為30的車型，其6個單項試驗計分值分別為上述29組數據中各單項試驗計分值的最大值，即97.4、99.9、99.2、99.0、97.2、99.4，然后按照與這個假設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.建立數據矩陣

將6個單項試驗計分值作為各車型特征數據，各車型特征數據組合成數據矩陣X=（xij）30×6，其中，xi1～xi6分別表示編號為i的車型的6個單項試驗計分值。

b.建立模糊相似矩陣

依據傳統聚類方法確定相似程度數據，建立模糊相似矩陣。確定相似程度數據的方法主要有相似系數法、距離法、主觀評分法等。其中，相似系數法又分為數量積法、夾角余弦法、相關系數法、幾何平均最小法等[4～5]。具體采用何種方法，需要根據問題的性質及使用方便情況進行選擇。本文采用數量積法計算相似程度數據rij：

建立模糊相似矩陣R=（rij）30×30。

c.模糊聚類

用模糊數學中的傳遞閉包法將上述模糊相似矩陣轉化為模糊等價矩陣，而后進行聚類分析。為方便計算，本文用MATLAB軟件編制了模糊聚類分析相關程序。

調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）進行對比，結果如表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 兩種排序方法對比結果

用模糊聚類分析方法得到的新排序，既考慮了6個單項試驗的總計分值，又考慮了各單項試驗性能是否均衡，即各單項試驗性能是否接近29組數據中相應試驗的最好性能。例如，排名為21、22（編號為14、23）的兩個車型各單項試驗計分值總和分別為472.3和471.8，按照原排序方法，編號為14的車輛操縱穩定性較好，而使用新排序方法，編號為23的車輛操縱穩定性較好，這是因為該車型各單項試驗性能間更均衡，更接近29組車型中各單項試驗的最好性能。

3 操縱穩定性綜合計分值計算

模糊聚類分析方法的缺點是只能給出相對排名，不能給出具體計分值，這在實際應用中較為不便，無法得到更為直觀的評價結果。為解決這個問題，給出操縱穩定性綜合計分值。

由于模糊聚類分析的排名結果不是以各車型各單項試驗計分值總和進行排序得到的，各車型6個單項試驗計分值與所要求的綜合計分值之間不再是簡單的線性（平均）關系，而是較為復雜的非線性關系。那么，采用合適的方法擬合出這種非線性關系成為問題的關鍵。對于非線性關系的擬合，一般有一元線性回歸法（將非線性關系簡化為線性關系）、多項式法、高次曲線法等。而對于較復雜的非線性關系，上述方法擬合精度不高，效果不理想。

神經網絡技術自出現以來，廣泛應用于各種非線性關系擬合，其中BP神經網絡應用最為廣泛。對復雜非線性關系的擬合是BP神經網絡的優勢所在，其擬合精度較高，且擬合精度可根據實際需要進行調整[6～8]。因此本文采用BP神經網絡進行擬合。

BP神經網絡所需的訓練樣本須有輸入數據和輸出數據。顯然，輸出數據為各車型操縱穩定性綜合計分值，而輸入數據則為表1中29個車型各單項試驗計分值。本文中訓練樣本輸出數據參考6個單項試驗平均計分值進行構造。具體來說，針對表2中兩種排序結果，對于排序不存在差異的車輛，其訓練樣本輸出數據直接為6個單項試驗的平均計分值，對于排序存在差異的車輛，其訓練樣本輸出數據要參考平均計分值進行改造。表3為訓練樣本部分輸出數據。

如表3所示，對于排序存在差異的車輛，如排名為21、22（編號為14、23）的兩個車型需在排名為20、23（編號為12、28）的兩個車型的綜合計分值之間進行線性插值。當然，也可采取其他方式實現這個結果，如直接調換編號為14、23的兩個車型的平均計分值并將其作為訓練樣本輸出數據。事實上，當表1中車型數量足夠多時，由線性插值得到的結果與“真實”綜合計分值之間的誤差很小。因此，只要車型數量足夠多，一般情況下，均可按照線性插值方式進行綜合計分值的構造。因此，本文采用線性插值方法進行處理。

表3 訓練樣本輸出數據（部分）

訓練樣本輸出數據構造完成后，就可得到完整的BP神經網絡訓練樣本，如表4所示。

表4 BP神經網絡訓練樣本

得到訓練樣本后，需對BP神經網絡進行訓練。為此，運用MATLAB軟件編制了相應程序進行計算，部分程序如下[9～10]：

其中，P、T分別為訓練樣本的輸入數據和輸出數據。

BP神經網絡基本結構為輸入層神經元6個、輸出層神經元1個、中間層（隱含層）神經元36個（訓練過程中不斷調整的結果），如圖1所示。

訓練完成后，保存輸入層與中間層、中間層與輸出層之間的連接權值和偏移值。表5為經BP神經網絡計算得到的綜合計分值（訓練樣本輸入數據輸入到BP神經網絡后輸出的數值）與理論綜合計分值（即訓練樣本輸出數據）的差異。由表5可知，BP神經網絡擬合精度較好，兩組數據無差異。

圖1 神經網絡結構

表5 計算綜合計分值與理論綜合計分值的差異

至此，BP神經網絡結構已確定。只需將某車型操縱穩定性的6個單項試驗計分值輸入到此BP神經網絡中，即可得到該車型操縱穩定性綜合計分值，方便了操縱穩定性評價。

4 結束語

相比QC/T 480—1999中的評價方法，采用模糊聚類分析方法對汽車操縱穩定性數據進行排序，可以得到更為合理的評價結果。采用BP神經網絡算法，得到具體神經網絡結構及操縱穩定性綜合計分值，方便了操縱穩定性評價。同時，本文所述評價方法可為其他大型、復雜的（試驗）評價提供思路。

1 余志生.汽車理論.第三版.北京：機械工業出版社，2000.

2 GB/T 6323—2014汽車操縱穩定性試驗方法.

3 QC/T 480—1999汽車操縱穩定性指標限值與評價方法.

4 謝季堅，劉承平.模糊數學方法及其應用.第三版.武漢：華中科技大學出版社，2006.

5 韓立巖，汪培莊.應用模糊數學.第二版.北京：首都經濟貿易大學出版社，1993.

6 周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計.北京：清華大學出版社，2005.

7 葉世偉，史忠植.神經網絡原理.北京：機械工業出版社，2004.

8 高印寒，唐榮江，梁杰，等.汽車聲品質的GA-BP神經網絡預測與權重分析.光學精密工程，2013，39（2）：462～468.

9 馬佳，范智聲，李飛飛，等.基于人工神經網絡的汽車座椅舒適度評價模型.工業工程，2016，26（5）：106～109.

10 何勇，項利國.基于模糊聚類的BP神經網絡模型研究及應用.系統工程理論與實踐，2004，24（2）：79～82.

（責任編輯 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

操縱穩定性 模糊聚類分析 BP神經網絡

U467.1；U462.3

A

1000-3703（2017）03-0008-04