混合域車聯網絡下貨運車隊主動懸架控制

楊朝會, 紀建奕, 袁策, 柳江

(1.青特集團有限公司技術中心，青島 266106；2.青島理工大學機械與汽車工程學院，青島 266520)

在車隊的實際工程運輸中，由于運輸路線較長，卡車的數量較多，數據交互量會非常大，進而導致交互效率降低，成本高；其次，振動所帶來的影響頗為明顯，貨物的完好程度也難以保證。為此，如何將先進的車聯網(internet of vehicle，IoV)技術應用到貨運卡車車隊中，合理優化架構，改善懸架性能成為亟須解決的問題，國內外研究團隊進行了大量研究。

IoV技術具有龐大的網絡規模、可靠的互聯網連接和較高的處理能力等眾多特殊特性[1]，其可與車載硬件設備相互兼容，實現互聯互通，從而占據了運輸系統的主導地位，使整個車隊達到狀態同步的效果。目前，對于IoV通信架構的研究較多，張捷等[2]在車聯網環境下設計了一種模擬駕駛實驗，為車輛通信的聯網信息提供一定的參考。Li等[3]提出了一個可組合式的數據中心，構建云端服務器和通信架構，進行實驗驗證，為大數據提供了附加價值。Zhang等[4]將設計一個大型的車聯網通信架構作為處理車隊車輛上傳的大數據并提供數據驅動服務的關鍵任務，然而車聯網數據，特別是高頻車輛狀態(如地理位置、懸架參數等)具有體積大、值密度低、數據質量低等特點，因而這些特性成為巨大的挑戰。Sharma等[5]、周啟揚等[6]分析了基于車聯網的智能交通架構，通過廣域的信息交互手段和便捷的車載硬件設備，為貨運車隊改善了基本的交通問題，完成低成本、高效、舒適出行。閻俊豪等[7]以車聯網技術為基準，設計了車路協同感知系統，結合智能通信架構訊息準確收集有關車輛的一系列信息，對貨運車隊間的協同作業發揮了積極的作用。眾多學者對于主動懸架控制進行了研究，裴倩倩[8]提出一種改進的比例-積分-微分(proportion-integration-differentiation，PID)控制算法，滿足懸架性能指標的同時，使汽車安全、平穩行駛。為提高平順性和舒適性。劉曉昂等[9]引入模糊控制策略，調節懸架PID控制參數，降低垂向振動，提高了穩定性。黃麟等[10]將改進的粒子群算法融入模糊PID控制中，該算法有利于車輛平順性、穩定性的提高。王維強等[11]、劉興亞[12]、董炳辰等[13]分別設計了半車主動、半主動懸架模糊PID控制器，較好地實現了行駛的平順性和舒適性。王春華等[14]、Liu等[15]基于反向傳播(back propagation，BP)神經網絡算法設計了自適應PID控制器，通過與PID主動懸架、被動懸架的仿真對比，所提出的模型和算法有效改善了汽車的平順性。馬克輝等[16]以車身加速度為優化目標，采用粒子群算法獲取不同的優化參數，可有效地改善車輛的振動響應。

值得注意的是，有關車隊通信架構和主動懸架控制的研究中，大都局限于以下三點：一是車隊通信架構相對復雜，數據量大，在工程運輸中，合理優化架構，實現混合域下的信息交互手段，目前研究較少；二是長短途運輸中，懸架的性能影響平順性和安全性，針對單車懸架模型減少振動所帶來的隱患，而從車隊車聯的角度研究較少；三是控制方法的研究大都基于傳感器測量前提之下，然而無法保證車輛在有限時間內、低CPU和低內存消耗方面提供更好的性能，且硬件成本高。

在此基礎上，現利用PID與模糊PID控制融合，將單車懸架主動控制拓展到車隊車聯懸架的主動控制，提出科學合理的混合域車聯通信方案，降低數據交互量的同時，也對車身加速度進行迭代優化，并進行信息交互效率的迭代分析，具有工程實踐參考意義。

1 混合域車聯通信架構及懸架控制方案

通常而言，為了減少安全隱患，提高經濟效益，車隊貨車運輸具有典型的重復性特征，即相同車型、固定線路完成相同作業，這是車聯主動懸架控制的前提之一。首先對混合域通信架構進行分析，進而提出一種基于車聯主動懸架的控制方案。

1.1 通信架構的分析

基于混合域下的車隊信息交互示意圖如圖1所示。發車前，貨運調度人員會按需求對車輛進行配對，且運輸作業時不允許更改配對關系，①車按規定時間先發車，配對的②車在下一個時間點發車，如圖1中藍色實線為雙向箭頭，代表①車與②車配對成功，并且進行局域信息交互，代號為L1，隨后成對的車代號分別為L2，L3，…，Ln。紅色實線為雙向箭頭，代表所有①車與ITS指揮中心建立通信，①車將實時的路況信息傳遞給ITS基站，代號為G1，ITS中心受理后，發布給車隊中所有編號為①的車輛，實現廣域上的信息交互，代號為G2，G3，…，Gn。

①、②為車隊發出的車輛；③為ITS指揮中心；L1、L2為①、②兩車的局域信息傳遞；G1、G2為智能交通系統(intelligent transport system,ITS)與①車的廣域信息傳遞

車載終端與云端服務器之間建立TCP連接，對于貨車車隊作業而言，①號車將需要發送的數據放入緩存區，并合并數據包，緩存區滿后，再將其發送給與其結對等待的②車。根據前述混合域通信功能需求，建立通信協議，其協議格式和數據包信息見表1和表2。

表1 通信協議格式表

表2 數據包信息表

這種數據傳輸方式可能會出現數據丟失、黏包和分包等問題[17]。因此，根據架構功能需求以及貨運工程需要，制訂了合理清晰的通信協議架構，保證數據包的完整。

1.2 懸架控制方案

針對上述混合域車聯通信架構，提出了一種基于車聯懸架模糊PID控制系統，如圖2所示。

1為后車的車橋；2為彈簧；3為作動器；4為后車的車身；5為后車簧載位移傳感器；6為云平臺服務器；7為頭車的參數；8為車隊中其余的頭車；9為后車非簧載位移傳感器；10為大數據平臺；11為后車模糊PID控制器

發車時，貨車車輛兩兩結對，頭車將路面信息、車速、懸架性能參數傳給云端平臺運算處理，經優化、篩選后，將參數輸入到模糊PID控制器中，改善后車懸架性能，后車結合速度傳感器和簧載位移傳感器測得的數據，融入控制器中，再上傳大數據平臺，發送給車隊中其余頭車，實現廣域數據共享。

2 懸架底層模糊PID控制算法

2.1 半車主動懸架模型

考慮振動對平順性的影響，建立半車主動懸架簡化模型，如圖3所示。

θ為質心角；M為車身質量；mf為前輪質量；mr為后輪質量；I為車身轉動慣量；Ksf為前懸架剛度；Ksr為后懸架剛度；Kuf為前輪剛度；Kur為后輪剛度；Z1為前輪位移；Z2為前車身位移；Z3為后輪位移；Z4為后車身位移；Z01為前輪路面輸入；Z02為后輪路面輸入；Csf為前懸架阻尼；Csr為后懸架阻尼；df為前軸到質心的距離；dr為后軸到質心的距離；Uf為前懸架作動器控制力；Ur為后懸架作動器控制力

由牛頓第二定律得到其運動微分方程為

(1)

選用濾波白噪聲作為隨機路面輸入，車輛前后輪擾動量時間差為t0=(df+dr)/u，可得隨機路面的表達式為

(2)

(3)

式中：u為車速；G0為路面不平度系數；f0為下截止頻率；w1為前懸架輸入的高斯白噪聲；w2為后懸架輸入的高斯白噪聲；zM為質心位移。

(4)

式(4)中：Y(t)和X(t)均為狀態方程；U(t)為懸架作動器力的狀態方程；w(t)為高斯白噪聲輸入狀態方程；A、B、C、D、F為狀態輸入矩陣。

其中：

2.2 基于車聯網絡的模糊PID控制器設計

根據第1節提出的貨運車隊結對交互方案，結合車聯網絡，頭車采用傳統的PID控制算法，后車將PID控制器和模糊控制器并聯，構建模糊PID聯合控制器。因此，基于車聯網絡的模糊PID控制器主要由PID控制器、云端服務器、模糊PID控制器三部分組成，其結構原理如圖4所示。

圖4中，頭車控制后的參數經云端數據庫處理、運算、篩選，后車獲取云端優化后的參數進行控制，可得到最優的懸架性能。后車將優化后的參數通過局域信息交互反饋給與之配對的前車，以提高整個車隊的主動懸架控制效率。

P為比例方程；I為積分方程；D為微分方程

頭車采用的PID控制算法為

(5)

式(5)中：F1(t)為頭車輸出控制量；Kp為比例調節系數；Ki為積分調節系數；Kd為微分調節系數；e1(t)為頭車系統輸出偏差。

將Ki、Kd分別表示為Kp/Ti、KpTd，式(6)變形可得連續的PID控制算法，即

(6)

將主動控制力離散化，對式(6)做變換可得

(7)

(8)

將式(7)和式(8)代入到式(6)中，可得

(9)

式中：T為采樣周期；k為采樣次數；e1(i)為頭車累計偏差信號；e1(k)為頭車第k次的偏差信號。

由于云端服務器數據規模龐大，且主動懸架參數來源會隨著車隊作業分布于不同的地理位置，將從兩方面進行優化，即傳輸數據的延時性和經濟性，如圖5所示。

圖5 云端服務器架構圖

定義頭車在t時刻傳遞的數據量為a1(t)，在t時刻送達云端的數據量為λ1(t)，未處理的數據量為η1(t)，頭車所能傳遞的最大數據量為A1，云端服務器在t時刻的總成本為M(t)，因此可得

a1(t)≤A1

(10)

a1(t)≤∑λ1(t)

(11)

M(t)=mp(t)+ml(t)+ms(t)

(12)

(13)

式中：mp(t)為t時刻實時運算成本；ml(t)為t時刻延時運算成本；ms(t)為t時刻硬件存儲成本。

在時間序列上云端未處理數據量的更新規則表達式為

(14)

(15)

當η1(t)=0時，可得

(16)

(17)

Δ[θ(t)]={L[θ(t+1)]L[θ(t)]|θ(t)}

(18)

式中：θ(t)為實際與虛擬聯合矩陣；L[θ(t)]為負載積壓度量單元。

在減小數據傳輸延時的同時，為降低總成本，即得

min{Δ[θ(t)]+VM(t)|θ(t)}

(19)

式(19)中：V為非負參數。

因此，頭車經PID控制后的參數傳遞給云端服務器，其以低功耗、低延時、低成本降低了硬件需求，后車將得到前車最優的控制參數，并建立模糊PID控制器，使其可達到更高的控制精度，如圖6所示。

由圖6可知，模糊PID控制器的輸入變量由E和EC組成，其輸出變量為三角形隸屬函數，根據后車主動懸架的控制需求，模糊集數學表達式為

圖6 后車模糊PID控制器結構圖

E={NB,NM,NS,ZO,PS,PM,PB}

(20)

EC={NB,NM,NS,ZO,PS,PM,PB}

(21)

式中：NB為負大；NM為負中；NS為負小；ZO為零；PS為正小；PM為正中；PB為正大。

即模糊論域和模糊集分別為

(22)

(23)

利用模糊規則對兩個變量進行模糊推理，以實現對PID控制器3個參數的校正。建立模糊PID控制器模糊規則表如表3所示。

表3 模糊控制規則表

3 車隊中主動懸架的迭代優化

3.1 實例仿真

以某車型為研究對象，以30 m/s的車速在B級(G0=64×10-6m3/cycle)路面行駛，仿真主要參數如表4所示。

表4 仿真主要參數

頭車PID控制后的主動懸架與后車經過車聯網絡優化處理，并進行模糊PID控制后的主動懸架對比，以車身加速度、懸架動行程、輪胎動位移作為3個評價指標，仿真結果如圖7所示。

由圖7可知，與傳統的PID控制相比，采用車聯模糊PID控制的主動懸架性能指標的峰值均有所降低。其中，車身加速度(body acceleration，BA)的峰值降低最為明顯，有效改善了車輛的平順性；其次，懸架動行程(suspension working space，SWS)與輪胎動位移(dynamic tire deflection，DTD)的峰值均有一定程度的降低，且懸架動行程滿足設計范圍要求。

圖7 評價指標對比圖

為了定量化描述主動懸架性能指標的改善效果，根據圖7的仿真結果，計算B級路面輸入下主動懸架3個性能指標的均方根值(root mean square,RMS)，如表5所示。

表5 3個性能指標的均方根值

由表5可知，車隊中結對作業的后車采用車聯-模糊PID控制的主動懸架能明顯改善貨車性能，尤其是車輛的平順性。與頭車采用傳統的PID控制相比，后車主動懸架控制的BA減小了46.33%，SWS減小了9.15%，DTD減小了33.80%。

3.2 信息交互效率

為了提高車隊中對與對之間的信息交互效率，對成對的貨車車隊進行迭代優化，結果如圖8所示，將傳統的單車多次行駛，轉換成兩兩結對，輔以混合域架構的車隊多車單次行駛。

Pair 1，Pair 2，…，Pair Xi，Pair Xi+1分別為貨運車隊兩兩結對編號；BAXi為第Xi對貨車的加速度

為了驗證車隊整體迭代效率，假設車隊中有m對貨車，每組貨車在整個路段運輸一次的時間為t，設整個路段完成多次作業的時間為T，由此可得

T=mt

(24)

多組車在整個路段完成一次作業的時間為T′，發車間隔為Δt，可得

T′=t+(m-1)Δt

(25)

(26)

式中：ΔL為兩組車之間發車時保持的安全距離；v為行駛車速。

由式(25)可知，t=Δt時，有T=T′；t>Δt時，有T

(27)

故可知，當T≥T′，且隨著Δt的減小，效率逐步提升，其時間縮短的極限值為1/m，即多組車完成單次作業的迭代效率更高。需要額外指出的是，基于車聯網絡主動懸架控制算法的尋優，是整個車隊的車輛按照發車順序進行了尋優迭代，不需要每輛車都進行相同的尋優過程、或等待某車輛完成尋優后復制到其他車輛，因此該優化方法的迭代整體效率更高，更適合工程實際應用。

4 結論

(1)提出了貨運車隊貨車發車前進行兩兩組隊的整體方案，結合通信協議，建立混合域的網絡架構，通信穩定性高，信息交互量減少近1/2，證明新方案是科學合理可行的。

(2)建立半車主動懸架模型，頭車采用傳統的主動懸架PID控制，將控制后的參數通過車聯網絡上傳云端平臺，對云端數據運算的經濟性及延時性進行分析，與之結對的后車采用車聯-模糊PID控制，通過實例仿真可得，在改善車輛平順性，車身加速度均方根降低46.33%，與此同時，保證了通信穩定性，也降低了硬件需求。

(3)在混合域通信架構下，將單車多次行駛轉化為多車單次行駛，進行組間車輛懸架性能的迭代優化。實例計算表明，該方法是有效可行的，且迭代整體效率更高。