趙 健，路妍暉，朱 冰，劉勝利

前言

輪胎是汽車與地面接觸的唯一部件，輪胎與路面接觸過程中的相互作用力對車輛有重大影響，是汽車安全性、操縱穩(wěn)定性、燃油經(jīng)濟(jì)性和乘坐舒適性等性能的重要保證。實(shí)時獲取輪胎力信息對汽車動力學(xué)控制有重要意義，輪胎力實(shí)時測量與估算的研究一直倍受關(guān)注。但輪胎力不易直接獲取，在許多研究中大多通過車輛動力學(xué)模型推導(dǎo)或估算得到輪胎力[1-2]，例如，文獻(xiàn)[3]中提出了一種利用車載傳感器直接測量的車輛狀態(tài)參數(shù)結(jié)合車輛7自由度模型，采用RKF算法估計輪胎側(cè)向力的方法。近年來，傳感器技術(shù)與電子技術(shù)的發(fā)展使在輪胎中加裝傳感器，直接測量輪胎力成為可能。

智能輪胎是集成了傳感技術(shù)、信號調(diào)理技術(shù)和實(shí)時通信技術(shù)等先進(jìn)技術(shù)的輪胎，它能自動檢測當(dāng)前輪胎的工作狀況，自動監(jiān)測胎壓、胎溫、輪胎與路面間的附著特性和輪胎與路面間的輪胎力等信息，并將上述各種信息實(shí)時傳遞給車輛的底盤控制系統(tǒng)[4]。智能輪胎通過安裝在胎內(nèi)的各種傳感器，獲取輪胎的作用力信息[5-7]。在智能輪胎的諸多傳感器方案中，采用三軸微機(jī)電系統(tǒng)(micro-electro-mechanical system，MEMS)加速度傳感器的方案受到較多的關(guān)注，它通過在胎冠內(nèi)表面安裝MEMS傳感器，實(shí)時測量輪胎轉(zhuǎn)動時，特別是傳感器通過接地印跡時胎冠內(nèi)表面的振動加速度，實(shí)時測量和估算輪胎路面相互作用力。MEMS傳感器體積小，質(zhì)量輕，易于實(shí)現(xiàn)在輪胎內(nèi)的安裝。文獻(xiàn)[8]中使用三軸加速度計的信號結(jié)合滑移率對地形進(jìn)行分類與識別，文獻(xiàn)[9]中通過加速度信號檢測輪胎與路面接觸部分的滑動情況。

本文中設(shè)計了一種在胎冠內(nèi)側(cè)粘貼三軸MEMS加速度傳感器的智能輪胎測試系統(tǒng)，并搭建了實(shí)車試驗(yàn)平臺，在典型工況下進(jìn)行了智能輪胎的實(shí)車試驗(yàn)；據(jù)此對汽車行駛時輪胎接地印記處胎冠內(nèi)壁周向與法向加速度信號的響應(yīng)機(jī)理進(jìn)行分析，提取了智能輪胎周向與法向加速度信號的典型特征；在此基礎(chǔ)上，將智能輪胎加速度信號的特征結(jié)合輪速、車速等影響因素，采用BP神經(jīng)網(wǎng)絡(luò)方法設(shè)計了智能輪胎縱向力與垂向力估計算法。

1 智能輪胎系統(tǒng)設(shè)計

1.1 智能輪胎系統(tǒng)工作原理簡述

本文中采用在輪胎胎冠內(nèi)壁粘貼三軸加速度計的智能輪胎方案。汽車行駛時，胎冠內(nèi)表面的加速度信號不斷變化，特別是當(dāng)傳感器所處位置通過接地印跡時，輪胎接地印記處的加速度信號會產(chǎn)生與輪胎力狀態(tài)高度相關(guān)的響應(yīng)。因此，采集輪胎胎冠表面的加速度信號，并分析輪胎接地印跡處加速度響應(yīng)的典型特征與輪胎力的對應(yīng)關(guān)系，在此基礎(chǔ)上設(shè)計估算算法，即可實(shí)現(xiàn)輪胎力的估計。

1.2 智能輪胎測試系統(tǒng)硬件方案

智能輪胎測試系統(tǒng)總體架構(gòu)如圖1所示。為進(jìn)行智能輪胎加速度信號機(jī)理分析與算法開發(fā)，除可以采集胎冠內(nèi)表面加速度矢量信號的智能輪胎系統(tǒng)外，還加裝了車輛狀態(tài)信息采集系統(tǒng)和輪胎力采集系統(tǒng)。

圖1 智能輪胎測試系統(tǒng)設(shè)計及研究方案

(1)智能輪胎加速度采集系統(tǒng)

輪胎振動加速度信號由粘貼于胎冠內(nèi)表面的加速度傳感器采集，經(jīng)穿透密封裝置、集流環(huán)和恒流源模塊輸出模擬信號，由dSPACE公司的MicroAuto-Box采集。

加速度傳感器采用美國DYTRAN公司生產(chǎn)的3313A2型微型三軸集成壓電(integral electronic piezoelectric，IEPE)型加速計。這種傳感器尺寸只有6.1mm×6.1mm×6.1mm，非常便于在輪胎內(nèi)的安裝；其量程高達(dá)±2 500g，符合智能輪胎的要求。通過強(qiáng)力膠固定安裝在輪胎胎冠內(nèi)側(cè)中央。加速度計及其在輪胎內(nèi)的安裝實(shí)物圖如圖2所示。

圖2 三軸加速度計及其內(nèi)表面的安裝

穿透密封裝置在保證輪胎的密封的前提下，引出加速度傳感器接線，實(shí)現(xiàn)傳感器供電及信號傳輸；集流環(huán)用于旋轉(zhuǎn)輪胎的接線；恒流源模塊用于IEPE型傳感器信號的供電與信號調(diào)理，如圖3所示。經(jīng)恒流源模塊調(diào)理后的加速度信號由MicroAutoBox系統(tǒng)實(shí)時采集。

圖3 加速度采集系統(tǒng)附件

(2)車輛狀態(tài)信息采集系統(tǒng)

智能輪胎振動加速度與輪胎力的對應(yīng)關(guān)系受到輪速等車輛狀態(tài)信息的影響。車輛發(fā)動機(jī)管理系統(tǒng)(engine management system，EMS)的加速踏板行程、發(fā)動機(jī)轉(zhuǎn)矩信號和電子穩(wěn)定性程序(electronic stability program，ESP)的輪速、制動主缸壓力信號發(fā)送到車輛動力CAN，由MicroAutoBox采集，用于分析多種因素對智能輪胎加速度信號的影響。其中加速踏板、發(fā)動機(jī)轉(zhuǎn)矩和制動主缸壓力信號用于確定試驗(yàn)工況。

(3)多維輪胎力傳感器

為分析輪胎接地印跡處加速度信號特征與輪胎力的對應(yīng)關(guān)系，本文中采用合肥旭寧科技有限公司生產(chǎn)的BIOFORCEN多維力傳感器同步測量輪胎力。傳感器實(shí)物如圖4所示，可實(shí)現(xiàn)輪胎的縱向力Fx、垂向力Fz和旋轉(zhuǎn)力矩My的直接測量。

圖4 多維力傳感器

2 實(shí)車試驗(yàn)

2.1 實(shí)車測試系統(tǒng)

圖5 智能輪胎裝車及測試系統(tǒng)

實(shí)車試驗(yàn)在某A級轎車上進(jìn)行，它裝用205/55 R16輪胎，胎壓0.22MPa。智能輪胎測試系統(tǒng)裝車如圖5所示。由于本文中采用的多維力傳感器無法實(shí)現(xiàn)輪胎側(cè)向力的實(shí)時采集，雖然所采用的三軸加速度傳感器可測量輪胎側(cè)向加速度，但本文中并未完成側(cè)向力估計的研究，因此只進(jìn)行了直行工況試驗(yàn)。選取的試驗(yàn)場地為水平的干燥瀝青路面，路面附著系數(shù)在0.8左右，試驗(yàn)工況為:(1)勻速直線行駛，速度15，25，35km/h等；(2)直線加速工況，速度 0-40km/h，加速過程中保持節(jié)氣門開度不變，中低強(qiáng)度加速；(3)直線制動工況，速度40-0km/h，中低強(qiáng)度制動，持續(xù)制動過程中制動踏板位置保持不變。

2.2 試驗(yàn)采集結(jié)果

試驗(yàn)過程中，每組均進(jìn)行多次測試。圖6～圖8分別為勻速直行(15km/h)、加速、減速工況下的測試結(jié)果示例。

圖6 勻速工況數(shù)據(jù)采集結(jié)果曲線

圖7 加速工況數(shù)據(jù)采集結(jié)果曲線

圖8 制動工況數(shù)據(jù)采集曲線

由圖可見，當(dāng)加速度計所在位置通過接地印跡時，加速度信號會有明顯的響應(yīng)。車輛直線行駛時，勻速工況下智能輪胎各向加速度信號特征基本保持不變，而在加速工況下，智能輪胎的加速度信號會隨車速的增加而明顯增大，在制動時，智能輪胎的加速度信號會隨車速的降低而減小。須進(jìn)一步分析和提取加速度信號特征。

3 智能輪胎加速度信號特征提取

3.1 輪胎力與輪胎變形的關(guān)系

輪胎接地印跡附近的變形如圖9所示[10]。

圖9 輪胎接地印跡附近的變形圖

由圖可見，車輪在不受縱向力時，其接地印跡的中心C在車軸的投影線C′上，而在輪胎縱向力作用下，接地印跡的中心將發(fā)生移動，接地印跡的中心將與車軸的投影線發(fā)生偏離。所以輪胎變形區(qū)的AB，BD和DE 3個區(qū)域的周向加速度信號響應(yīng)對應(yīng)著不同大小的輪胎縱向力。

意大利S.M.Savaresi等人在研究輪胎力與輪胎應(yīng)變關(guān)系時認(rèn)為輪胎垂向力與輪胎變形關(guān)系如圖10所示[11]。研究認(rèn)為輪胎垂向力的變化將導(dǎo)致接地印跡長度的變化，輪胎垂向力Fz與輪胎接地印跡的長度ΔΦ是一個正相關(guān)函數(shù)關(guān)系:

圖10 輪胎垂向力與輪胎變形的關(guān)系

3.2 輪胎周向加速度信號特征的提取

輪胎周向加速度信號細(xì)節(jié)如圖11所示。其中A，B，D和E對應(yīng)圖9中的A，B，D和E。在區(qū)域①中周向加速度信號突然增大，再迅速減小，其主要原因是輪胎進(jìn)入接地印跡前輪胎逐漸拉緊，而進(jìn)入接地印跡時，輪胎由弧線變?yōu)橹本€發(fā)生瞬時壓縮。進(jìn)入接地印跡后輪胎變形逐漸穩(wěn)定，周向加速度信號逐漸減小到0。區(qū)域②內(nèi)周向加速度信號保持在0，對應(yīng)輪胎穩(wěn)定區(qū)域。區(qū)域③內(nèi)周向加速度信號從0迅速減小，變?yōu)樨?fù)值，再迅速增大到0，其原因是加速度計離開接地印跡時，輪胎受到的縱向力減小，輪胎變形由直線變?yōu)榛【€導(dǎo)致輪胎向后拉伸。

圖11 輪胎周向加速度信號響應(yīng)細(xì)節(jié)圖

由輪胎周向加速度信號所提取的特征如圖12所示。周向加速度的兩個極值點(diǎn)對應(yīng)三軸加速度計進(jìn)出輪胎接地印跡的時刻B和D，結(jié)合輪速可以提取到輪胎周向加速度信號的一個特征Δt。在區(qū)域①和區(qū)域③內(nèi)，輪胎的變形不穩(wěn)定，其所受的輪胎縱向力是變化的，而區(qū)域②輪胎的變形保持不變，其所受的輪胎縱向力認(rèn)為是不變的，提取的特征包括區(qū)域①內(nèi)輪胎周向加速度由極大值axmax到0的時間t1、區(qū)域②的時間t2和區(qū)域③周向加速度由0減小到極小值axmin的時間t3。另外，周向加速度信號極值的大小也受到縱向輪胎力的影響，所以提取的特征值也包括輪胎周向加速度的極大值axmax與極小值axmin。

圖12 輪胎周向加速度特征

3.3 輪胎法向加速度信號特征的提取

輪胎法向加速度信號響應(yīng)細(xì)節(jié)圖如圖13所示。當(dāng)加速度計通過輪胎接地印跡時，不會產(chǎn)生垂向振動，因此法向加速度信號基本保持不變，在三軸加速度計進(jìn)入與離開輪胎接地印跡點(diǎn)A和E時，輪胎法向加速度信號的變化率最大。

圖13 輪胎法向加速度信號響應(yīng)細(xì)節(jié)圖

由輪胎的法向加速度信號所提取的特征如圖14所示。輪胎法向加速度信號的值az在接地印跡區(qū)域內(nèi)幾乎不變，其與輪胎垂向力Fz密切相關(guān)，可作為輪胎法向加速度的特征之一。另外，輪胎在法向加速度的兩個極大值所在時刻A和E之間的長度為輪胎變形長度，由輪胎縱向力和垂向力共同決定，所以法向加速度的兩個極大值之間的時間td也可作為輪胎法向加速度信號的一個重要特征。

圖14 智能輪胎法向加速度的典型特征

4 輪胎力估計算法

4.1 基于加速度的輪胎力估計算法基本思想

根據(jù)提取的智能輪胎加速度的信號特征，結(jié)合輪胎力的影響因素，如輪速等，找出智能輪胎加速度信號與輪胎力的關(guān)系，即可由加速度信號估計輪胎力。由于輪胎是典型的非線性系統(tǒng)，很難直接建立這些信息與輪胎力之間關(guān)系的解析表達(dá)式，因此，本文中選用BP神經(jīng)網(wǎng)絡(luò)算法來實(shí)現(xiàn)對輪胎力的估計。

4.2 基于BP神經(jīng)網(wǎng)絡(luò)的輪胎力估計

由于所提取智能輪胎加速度信號的特征對輪胎縱向力Fx、垂向力Fz的響應(yīng)機(jī)理不同，所以對這兩個方向的力各采用一個獨(dú)立的神經(jīng)網(wǎng)絡(luò)模型來估計。

4.2.1 縱向輪胎力估計算法

輪胎縱向力估計的神經(jīng)網(wǎng)絡(luò)模型如圖15所示，其中輸入層包含6個結(jié)點(diǎn)，包括智能輪胎周向加速度的5個特征和輪速；隱含層有兩層，其中第一隱含層包含10個結(jié)點(diǎn)，第二隱含層包含5個結(jié)點(diǎn)；輸出層只有一個結(jié)點(diǎn)，為縱向輪胎力。

圖15 輪胎縱向力估計算法神經(jīng)網(wǎng)絡(luò)模型圖

所采集的智能輪胎信號和輪胎力信號一部分用來訓(xùn)練，一部分用來驗(yàn)證，結(jié)果如圖16所示。

圖16 輪胎縱向力的神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果

4.2.2 垂向輪胎力估計算法

輪胎垂向力估計的神經(jīng)網(wǎng)絡(luò)模型如圖17所示，其中輸入層包含4個結(jié)點(diǎn)，包括智能輪胎周向加速度的一個特征、法向加速度信號的兩個特征及輪速；只有一層隱含層為10個結(jié)點(diǎn)；輸出層只有1個結(jié)點(diǎn)為輪胎垂向力。

對輪胎垂向力也采用一部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練，一部分進(jìn)行驗(yàn)證，其訓(xùn)練效果如圖18所示。

縱向輪胎力和垂向輪胎力的神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果表明，基于智能輪胎加速度信號的輪胎力估計算法有效可行。

圖17 輪胎垂向力估計算法神經(jīng)網(wǎng)絡(luò)模型圖

圖18 輪胎垂向力的神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果

5 結(jié)論

本文中提出了智能輪胎設(shè)計的整體方案，建立了智能輪胎系統(tǒng)。搭建了實(shí)車試驗(yàn)平臺，進(jìn)行了智能輪胎的實(shí)車試驗(yàn)，采集了多組工況下的智能輪胎信號。應(yīng)用智能輪胎實(shí)車試驗(yàn)獲取的信號，對智能輪胎加速度信號進(jìn)行了響應(yīng)機(jī)理分析；基于提取的智能輪胎加速度信號的典型特征，結(jié)合輪速等影響因素，對縱向和垂向輪胎力進(jìn)行了估計。結(jié)果表明，所提出的算法有效可行，可對輪胎力進(jìn)行準(zhǔn)確的估計。

[1] RAY L R.Nonlinear state and tire force estimation for advanced vehicle control[J].IEEE Transactions on Control Systems Technology，1995:117-124.

[2] 張為.基于虛擬傳感器的輪胎力和車輛狀態(tài)變量估算[J].北京工業(yè)大學(xué)學(xué)報，2011，37(8):1196-1204.

[3] 葉浩，劉國海，張多，等.采用RKF輪胎力估計的4WID電動汽車縱向速度估計研究[J].機(jī)械科學(xué)與技術(shù)，2017，36(4):637-642.

[4] 揭琳峰，王國林，周孔亢.智能輪胎傳感器技術(shù)研究現(xiàn)狀[J].汽車工程，2010，28(6):569-573.

[5] LIU Y H，LI T，YANG Y，et al.Estimation of tire-road friction coefficient based on combined APF-IEKF and iterationalgorithm[J].Mechanical Systems and Signal Processing， 2017， 88:25-35.

[6] ZHU Xiaolong，DANG Lu.A ‘smart tire’for estimating the tire force and the extents of the influences of specific factors[J].Journal of Automobile Engineering，2017.

[7] SINGH K B，TAHERI S.Estimation of tire-road friction coefficient and its application in chassis control systems[J].Systems Science＆ Control Engineering，2015，3(1):39-61.

[8] KHALEGHIAN S，TAHERI S.Terrain classification using intelligent tire[J].Journal of Terramechanics， 2017， 71:15-24.

[9] NISKANEN A J，TUONONEN A J.Detection of the local sliding in the tyre-road contact by measuring vibrations on the inner liner of the tyre[J].Measurement Science and Technology， 2017， 28(5):055007.

[10] YANG X，OLATUNBOSUN O， RAMOS D G P， et al.Experimental investigation of tire dynamic strain characteristics for developing strain-based smart tire system[J].SAE International Journal of Passenger Cars-Mechanical Systems， 2013， 6(1):97-108.

[11] SAVARESISM，TANELLIM，LANGTHALER P，et al.New regressors for the direct identification of tire deformation in road vehicles via “in-tire” accelerometers[J].IEEE Transactions on Control Systems Technology，2008，16(4):769-780.