Bu tədqiqat hər təkərində müstəqil elektrik mühərriki və sükan aktuatoru olan beşoxlu paylanmış ötürücülü avtomobildə yüksək sürətli manevrlər zamanı avtomobilin yanal sabitliyini qoruyarkən ayrı-ayrı təkər mühərriklərindən tələb olunan pik fırlanma anını azaltmağı hədəfləyir. Tədqiqatçılar bunun üçün aktiv bütün təkər yönləndirməsini (Active All-Wheel Steering, AWS) birbaşa yaw moment nəzarəti (Direct Yaw Moment Control, DYC) ilə birləşdirən iyerarxik nəzarət arxitekturası hazırlamışlar.

Yuxarı səviyyəli nəzarətçi model proqnozlaşdırıcı nəzarətdən (Model Predictive Control, MPC) istifadə edərək ikinci, üçüncü, dördüncü və beşinci oxların aktiv sükan bucaqları ilə əlavə yaw momentini birlikdə hesablayır. Qeyri-səlis nəzarətçi oxların sükan hərəkətlərinin bir-birindən həddindən artıq uzaqlaşmasının qarşısını almaq üçün MPC nəzarət çəkilərini iş zamanı dəyişir. Uzununa sürət üçün ayrıca PID nəzarətçi istifadə olunur. Aşağı səviyyədə isə tələb olunan uzununa qüvvə və yaw momenti, şin yük nisbətlərinin cəmini kiçildən optimallaşdırma vasitəsilə on müstəqil təkərin mühərrik fırlanma anlarına paylanır.

MPC-nin onlayn optimallaşdırma xərcini azaltmaq üçün tədqiqatçılar MPC çıxışları ilə öyrədilən tam bağlı neyron şəbəkəsi də hazırlamışlar. NN-MPC adlandırılan şəbəkə avtomobil sürəti, kütlə mərkəzi sideslip bucağı, real yaw rate və hədəf yaw rate olmaqla dörd girişdən; əlavə yaw momenti və dörd aktiv ox bucağı olmaqla beş nəzarət çıxışı yaradır. Təlim məlumatı 25–95 km/sa arasında 5 km/sa addımlarla aparılan ikiqat zolaq dəyişmə simulyasiyalarından yaradılmış və ümumilikdə 22.500 nümunə istifadə olunmuşdur.

80 km/sa, yol tutunma əmsalı μ = 0,8 olan yüksək sürətli simulyasiyada AWS/DYC strategiyası, ARS/DYC adlandırılan yalnız dördüncü və beşinci oxların aktiv yönləndirildiyi müqayisə strategiyasına görə kütlə mərkəzi sideslip bucağının pikini %90,98, tək təkər pik fırlanma anı tələbini isə %30,78 azaltmışdır. AWS/DYC altında maksimum şin slip bucağı 4,7° ilə təxminən 5° kimi müəyyən edilən xətti iş bölgəsində qalarkən, ARS/DYC-də arxa ox slip bucağı 11,9°-yə çatmışdır. AWS/DYC-nin maksimum aktiv sükan bucağı 4,53° olduğu halda ARS/DYC nəzarətçisi 10° olaraq müəyyən edilmiş nəzarət həddinə çatmışdır.

Real avtomobil sınaqları daha aşağı sürətdə aparılmışdır. 35 km/sa sürətdə ikiqat zolaq dəyişmə sınağında AWS/DYC nəzarətsiz vəziyyətə görə sideslip bucağının pikini %96,47; ARS/DYC-yə görə %66,19 azaltmışdır. ARS/DYC ilə müqayisədə pik mühərrik fırlanma anı %33,59, aktiv sükan bucağının piki isə %44,91 aşağı olmuşdur. Bununla belə yüksək sürətli 80 km/sa nəticələri fiziki avtomobildə doğrulanmamışdır; real avtomobil sınağı 35 km/sa ilə məhduddur.

Türkiyə baxımından mənası: Tədqiqatdakı 1450 kg-lıq beşoxlu sınaq platforması Türkiyədə istifadə olunan ağır yük maşını, hərbi logistika avtomobili və ya xüsusi təyinatlı çoxoxlu nəqliyyat vasitələrinin birbaşa təmsilçisi deyil. Buna baxmayaraq üsul çoxoxlu elektrik avtomobillərində müstəqil sükan ilə müstəqil təkər fırlanma anlarının birlikdə idarə olunması, şinlərin doyma bölgəsinə daxil olmadan istifadə edilməsi və MPC-nin neyron şəbəkəsi ilə real vaxt tətbiqinə yaxınlaşdırılması baxımından mühüm nəzarət arxitekturası nümunəsidir. Türkiyədə fərqli avtomobillərə tətbiqi üçün real avtomobil kütləsi, şin xüsusiyyətləri, ox həndəsəsi, mühərrik fırlanma anı limitləri, yol tutunması, aktuator gecikmələri və yüksək sürətli fiziki sınaqlar müstəqil şəkildə yenidən doğrulanmalıdır.

Tədqiqatın əsas problemi nədir?

Çoxoxlu avtomobillərdə uzun kuzov, yüksək ətalət və çoxsaylı təkərin eyni vaxtda idarə olunması səbəbindən yüksək sürətli manevrlərdə yaw sabitliyi və sideslip nəzarəti çətinləşə bilər. Paylanmış elektrik ötürücü arxitekturası hər təkərin fırlanma anını müstəqil idarə etməyə imkan verir; müstəqil sükan aktuatorları isə eyni şassi üzərində əlavə nəzarət sərbəstlik dərəcələri yaradır.

Lakin yalnız diferensial fırlanma anından istifadə edərək yüksək yaw momenti yaratmağa çalışdıqda hər bir təkər mühərrikindən tələb olunan fırlanma anı arta bilər. Tədqiqatın əsas yanaşması yaw hərəkətini yalnız təkər fırlanma anı ilə deyil, aktiv sükan bucaqları ilə də paylaşaraq tələb olunan mühərrik fırlanma anını azaltmaqdır.

Real eksperimental platforma necə bir avtomobildir?

Tədqiqatın Şəkil 1-ində real fiziki platforma beşoxlu və ümumilikdə on təkərli uzun eksperimental avtomobil kimi göstərilir. Hər təkərdə müstəqil in-wheel mühərrik və sükan aktuatoru vardır. Enerji mənbəyi litium-ion batareya paketidir; TruckSim modelində mühərrik, transmissiya və diferensial əlaqələri ayrılmış və fırlanma anı birbaşa hər təkərə tətbiq edilmişdir.

Mənbənin sonrakı bölməsində avtomobilin boş kütləsi 1450 kg və nominal yükü 500 kg olaraq ayrıca göstərilir. Buna qarşılıq nəzarət limitlərini müzakirə edən bölmə sınaq avtomobilini “1,7 t” kimi adlandırır. Mənbə bu kütlə tərifləri arasındakı fərqi ayrıca izah etmir.

TruckSim modeli real avtomobillə necə doğrulanmışdır?

Real avtomobildə sükan çarxı bucağı, avtomobil kuzov hərəkəti, pedal qüvvəsi, təkər sükan bucağı və təkər şaquli qüvvəsi kimi böyüklüklər sensorlarla qeydə alınmışdır. Şəkil 3-də sensorların CAN vasitəsilə məlumat qeydiyyatçısına, oradan USB ilə kompüterə qoşulduğu eksperimental arxitektura göstərilir.

Tədqiqatçılar real sınaq yolunun uzununa mailliyini, yanal meylini və üçölçülü yol koordinatlarını TruckSim-ə ötürərək real sınaqdakı sürət və yol girişlərini yenidən yaratmışlar.

Kütlə mərkəzi sideslip bucağı GPS və IMU məlumatlarından:

\[ \beta= \frac{-v_N\sin\psi-v_E\cos\psi} {v_N\cos\psi-v_E\sin\psi} \]

ifadəsi ilə hesablanmışdır.

Real avtomobil–TruckSim müqayisəsində maksimum yanal mövqe xətası %5,8, maksimum uzununa sürət xətası %6,5 olaraq bildirilmişdir. Yaw rate və sideslip bucağı üçün orta nisbi xətaların %9-dan aşağı qaldığı qeyd edilmişdir. Tədqiqatçılar qalan fərqləri sensor səs-küyü, şin modeli parametrləri, yol tutunma əmsalı qeyri-müəyyənliyi və real sürücü davranışı ilə əlaqələndirirlər.

Niyə klassik xətti şin modeli kifayət hesab edilməmişdir?

Xətti şin yanaşmasında yanal qüvvə kiçik slip bucaqlarında təxminən künc sərtliyi ilə slip bucağının hasilindən hesablanır. Mənbə slip bucağı təxminən 5°-ni keçdikdə şin qüvvəsinin doyma bölgəsinə yaxınlaşması səbəbindən xətti model xətasının sürətlə artdığını vurğulayır.

Buna görə tədqiqatçılar slip bucağı, uzununa slip nisbəti, yol sürtünmə əmsalı və şaquli yükü birlikdə istifadə edən nəzarət yönümlü xətti parametr dəyişən (Linear Parameter Varying, LPV) şin modelini sistemə daxil etmişlər.

LPV modelinin əsas yanal qüvvə ifadəsi:

\[ F_y= \frac{F_z}{F_{z0}} \left(C_{y1}\omega_{y1}+C_{y2}\omega_{y2}\right)\delta_y \]

şəklindədir. Burada \(F_z\) mövcud şaquli yükü, \(F_{z0}\) nominal yükü; çəki terminləri isə şin vəziyyətindən asılı parametr planlaşdırmasını təmsil edir.

LPV şin modeli hansı məlumatla yaradılmışdır?

Buradakı “şin sınağı” fiziki şin sınaq maşınında aparılmamışdır. TruckSim 2019.0 daxilindəki 175/65 R14 parametrik şin modeli istifadə olunaraq aşağıdakı iş sahəsi taranmışdır:

Parametrlər qeyri-xətti ən kiçik kvadratlar üsulu ilə müəyyən edilmişdir. Təxminən real iş yükünə ən yaxın 1961,33 N şaquli yükdə aparılan müqayisədə xətti modelin xəta dəyəri 10° slip bucağında %62,47-yə çatmışdır. LPV modelində bildirilən maksimum xəta isə 4,5° ətrafında %8,4-dür.

Bu nəticə LPV modelinin TruckSim referens şin modeli ilə daha yaxşı uyğunlaşdığını göstərir; fiziki şin qüvvəsi ölçümü ilə müstəqil doğrulama demək deyil.

İdeal avtomobil davranışı necə müəyyən edilir?

Nəzarətin əsas hədəfləri uzununa sürət, yaw rate və kütlə mərkəzi sideslip bucağıdır. İdeal sideslip bucağı mühəndislik tətbiqi çərçivəsində sıfıra qurulmuşdur.

İdeal yaw rate iki sərbəstlik dərəcəli avtomobil modelinin sabit vəziyyət qazancı ilə yol tutunmasının icazə verdiyi maksimum yanal təcil arasında məhdudlaşdırılır:

\[ \omega_{z,des} = \min \left( \left| \frac{v_x\delta_1} {L_e(1+v_x^2K)} \right|, \left| \frac{\mu g}{v_x} \right| \right) \operatorname{sgn}(\delta_1) \]

Beləliklə nəzarətçinin yalnız sürücünün sükan istəyini deyil, yol–şin tutunma sərhədini də nəzərə alması hədəflənir.

İyerarxik nəzarət arxitekturası necə işləyir?

Tədqiqatın Şəkil 11-i nəzarətçinin ən mühüm sxemlərindən biridir. Sürücünün birinci ox sükan girişi və hədəf avtomobil sürəti əvvəlcə arzu olunan avtomobil vəziyyətinə çevrilir. Birinci oxun aktiv sükan bucağı dəyişdirilmir; bununla sürücünün birbaşa yönləndirmə girişi qorunur.

Yuxarı səviyyə MPC-nin nəzarət vektoru:

\[ u= \begin{bmatrix} \delta_2 & \delta_3 & \delta_4 & \delta_5 & \Delta M_z \end{bmatrix}^{T} \]

kimi müəyyən edilir. Yəni ikinci–beşinci oxların aktiv sükan bucaqları ilə birbaşa yaw momenti eyni optimallaşdırma problemində müəyyən edilir.

Verianla Live: Proses görünüşü bu görünən elmi cədvəldən yaradılır; məqaləyə ayrıca Live SVG və ya JavaScript yerləşdirilmir.

MPC hansı hədəfləri birlikdə optimallaşdırır?

Əsas məqsəd real yaw rate və sideslip bucağını arzu olunan dəyərlərə yaxınlaşdırarkən nəzarət hərəkətlərinin böyüklüyünü də məhdudlaşdırmaqdır. Mənbədə MPC məqsəd funksiyası:

\[ J= \frac{1}{2}e^T(k+N_p|k)Se(k+N_p|k) + \frac{1}{2} \sum_{i=0}^{N_p-1} \left[ e^TQe+u^TRu \right] \]

şəklində müəyyən edilmişdir.

Vəziyyət çəkiləri üçün \(Q=\mathrm{diag}(100000,100)\), terminal çəkisi üçün \(S=\mathrm{diag}(1,1)\), başlanğıc nəzarət çəkiləri üçün:

\[ R= \mathrm{diag} (0{,}05,\ 0{,}05,\ 0{,}05,\ 0{,}05,\ 0{,}000001) \]

istifadə olunmuşdur.

Fuzzy nəzarət niyə əlavə edilmişdir?

MPC hər ox üçün fərqli sükan bucağı yarada bilər. Həddindən artıq fərqlər müəyyən oxlarda şin aşınması və şin qüvvəsi doyma riskini artıra bilər. Tədqiqatçılar buna görə ikinci–beşinci oxların mütləq sükan bucaqlarının ortalamadan fərqini fuzzy nəzarət girişinə çevirmişlər.

Fuzzy nəzarətçi müvafiq MPC nəzarət çəkisini kiçik miqdarlarda dəyişdirərək oxların aktiv sükan hərəkətlərini daha balanslı paylamağı hədəfləyir. Giriş sahəsi −0,1 ilə 0,1; çəki düzəlişi çıxışı isə −0,025 ilə 0,025 aralığında müəyyən edilmişdir.

Aşağı səviyyədə mühərrik fırlanma anı necə paylanır?

Yuxarı səviyyəli nəzarətçidən gələn ümumi uzununa qüvvə və əlavə yaw momenti üçün on müstəqil təkər qüvvəsi tək həll ilə müəyyən edilə bilməz; sistem riyazi olaraq az müəyyən edilmişdir. Tədqiqatçılar bu sərbəstlikdən şinlərin qüvvə ehtiyatını qorumaq üçün istifadə edirlər.

Bir şinin yük nisbəti:

\[ \rho= \frac{\sqrt{F_x^2+F_y^2}} {\mu F_z} \]

ilə müəyyən edilir.

Aşağı səviyyəli optimallaşdırma bütün təkərlər üçün yük nisbətlərinin kvadratları cəmini kiçildir. Beləliklə tələb olunan ümumi qüvvə və moment yaradılarkən müəyyən şinin tutunma qabiliyyətinin həddindən artıq istifadə edilməsinin qarşısını almaq hədəflənir.

NN-MPC niyə zəruri hesab edilmişdir?

Beş nəzarət dəyişənli MPC hər 10 ms-də bir kvadratik proqramlaşdırma problemi həll etməlidir. Bu, real avtomobil idarəetmə blokunda hesablama yükünü artıra bilər. Tədqiqatçılar “onlayn optimallaşdırma əvəzinə öyrədilmiş təxmini nəzarət qanunu” yanaşmasını qəbul etmişlər.

Təlim məlumatları 25 km/sa-dan 95 km/sa-ya qədər 5 km/sa addımlarla yaradılmışdır. Hər sürətdə 15 saniyəlik ikiqat zolaq dəyişmə 100 Hz nümunələmə ilə aparılmış və ümumilikdə 22.500 nümunə toplanmışdır.

Məlumat dəsti təlim və doğrulama üçün 9:1 nisbətində bölünmüşdür. Adam optimallaşdırması, 0,005 başlanğıc öyrənmə sürəti, 1024 batch ölçüsü, maksimum 80 epoch və erkən dayandırma istifadə olunmuşdur.

Mənbə həmçinin ilkin təlimin əhatə etmədiyi sərhəd vəziyyətləri müəyyən etmək üçün dövri artımlı öyrənmə tətbiq edir. NN-MPC-nin uğursuz olduğu simulyasiya vəziyyətləri yenidən MPC ilə həll edilir; MPC çıxışları “müəllim siqnalı” kimi təlim məlumatına əlavə olunur və şəbəkə yenidən öyrədilir.

Şəbəkə parametr sayına niyə qeyd lazımdır?

Mənbə 4–64–64–32–5 tam bağlı şəbəkə üçün 6568 parametr bildirir. Standart tam bağlı qat arifmetikasında yalnız çəki matrisləri 6560 element, bias terminləri də daxil edildikdə ümumilikdə 6725 parametr alınır. Mənbə 6568 dəyərinin hansı sayma qaydasından əldə edildiyini açıqlamadığı üçün Verianla bu dəyəri dəyişmir, lakin təkrar istehsal oluna bilmə baxımından fərqi görünən saxlayır.

Yüksək sürətli sınaq hansı şəraitdə aparılmışdır?

Ən kritik müqayisə real avtomobildə deyil, TruckSim/Simulink birgə simulyasiyasında aparılmışdır:

• avtomobil sürəti: 80 km/sa,
• yol tutunma əmsalı: μ = 0,8,
• manevr: ikiqat zolaq dəyişmə,
• nəzarət periodu: 0,01 s,
• nəzarət tezliyi: 100 Hz,
• MPC prediction/control horizon: 15 addım.

Üç vəziyyət müqayisə edilmişdir: nəzarətsiz avtomobil; 4-cü və 5-ci oxların aktiv yönləndirildiyi ARS/DYC; 2.–5-ci oxların koordinasiyalı yönləndirildiyi AWS/DYC.

Yaw rate və sideslip nə qədər dəyişmişdir?

AWS/DYC altında son sükan geri dönüşündə yaw rate pik dəyəri 0,122 rad/s daxilində saxlanılmışdır. Mənbə bunu nəzarətsiz vəziyyətə görə %41,04 və ARS/DYC-yə görə %21,62 pik bastırma kimi bildirir.

Kütlə mərkəzi sideslip bucağı AWS/DYC altında maksimum 0,0023 rad səviyyəsində qalmışdır. Bu dəyər nəzarətsiz vəziyyətə görə %92,31, ARS/DYC-yə görə %90,98 azalmadır.

β–\(\dot{\beta}\) faza müstəvisi zərf sahəsinin nəzarətsiz vəziyyətə görə %99,69 və ARS/DYC-yə görə %99,45 kiçildiyi bildirilmişdir.

Mühərrik fırlanma anı tələbi həqiqətən azaldımı?

Bəli; yüksək sürətli simulyasiyada AWS/DYC altında maksimum tək təkər mühərrik fırlanma anı tələbi 66,12 N·m olmuşdur. Bu dəyər ARS/DYC strategiyasından %30,78 aşağıdır və mənbədə sınaq platformasındakı in-wheel mühərrikin 70,0 N·m nominal çıxış qabiliyyətinin altında olduğu bildirilir.

Bununla belə nəzarətçi dizaynında əlavə yaw momenti üçün \([-\infty,+\infty]\) aralığı istifadə edilmiş və mühərrik fırlanma anına birbaşa sonlu yuxarı hədd qoyulmamışdır. Tədqiqatçılar bunu gələcəkdə 50 ton sinifli ağır xüsusi avtomobillərə baza yaratmaq hədəfi ilə əsaslandırırlar. Buna görə 66,12 N·m nəticəsi müəyyən simulyasiya şəraitində yaranan həll dəyəridir; optimallaşdırmanın əvvəldən 70 N·m ilə məhdudlaşdırılmış nəticəsi deyil.

Şin slip bucaqları niyə mühümdür?

Verianla Live: Üç strategiyanın maksimum slip bucaqları mənbə tədqiqatın Şəkil 20 analizindən götürülmüşdür.

ARS/DYC yalnız son iki oxdan istifadə edərkən arxa təkərlərdə 11,9°-yə qədər slip bucağı yaranır. Bu dəyər tədqiqatçıların təxminən 5° olaraq müəyyən etdiyi xətti iş sahəsindən çox yuxarıdır.

AWS/DYC aktiv sükan tapşırığını dörd oxa paylayaraq maksimum dəyəri 4,7° səviyyəsində saxlayır. Tədqiqatçılar bunu şin qüvvə qabiliyyətinin daha balanslı istifadəsi kimi şərh edirlər.

Aktiv sükan bucaqları nə qədərdir?

AWS/DYC üçün maksimum sükan bucağı 0,079 rad, yəni təxminən 4,53°-dir. Bu dəyər ənənəvi Ackermann həndəsəsinə görə daha yüksək olsa da, müəyyən edilmiş ±10° aktuator həddinin daxilindədir.

ARS/DYC-də dördüncü və beşinci oxların aktiv sükan hərəkəti birbaşa 10° həddinə çatmışdır. Tədqiqatçılar məhdud sayda oxa cəmlənən nəzarətin şin doyma və aşınma baxımından daha mənfi ola biləcəyini bildirirlər.

NN-MPC hesablama müddətini nə qədər azaldır?

Verianla Live: İş müddətləri mənbə Cədvəl 3-dən götürülmüşdür; PC birgə simulyasiya müddəti ilə real VCU emal müddəti eyni hesab edilməməlidir.

AWS/DYC/NN-MPC birgə simulyasiyası 8,42 s davam etdiyi halda ARS/DYC/MPC 19,38 s davam etmişdir. Mənbə ümumi simulyasiya müddətində %56,55 azalma, TruckSim-in baza 6,97 s müddəti çıxarıldıqda isə yalnız nəzarət hesablaması baxımından %88,32 hesablama səmərəliliyi artımı bildirir.

Bu nəticə NN-MPC-nin onlayn hesablama üstünlüyünü dəstəkləyir; lakin iki müqayisə qolunda nəzarət arxitekturası da eyni deyil. ARS/DYC ənənəvi MPC, AWS/DYC isə NN-MPC istifadə edir.

Real avtomobildə nə baş verdi?

Real avtomobil sınağı qapalı sınaq sahəsində, quru beton üzərində, təxminən μ = 0,8 yol tutunma əmsalında və 35 km/sa sürətdə aparılmışdır. Manevr yenə ikiqat zolaq dəyişmədir.

Üç strategiya da hədəf yolu qəbul edilə bilən sapma ilə izləyə bilmişdir. Bu aşağı sürətdə yaw rate pik dəyərləri arasındakı fərqlərin yüksək sürətli simulyasiyadakı qədər aydın olmadığı mənbədə açıq şəkildə qeyd edilir.

AWS/DYC-nin ən güclü real avtomobil təsiri sideslip bucağında görülmüşdür. Pik sideslip bucağı nəzarətsiz avtomobilə görə %96,47, ARS/DYC-yə görə %66,19 azalmışdır.

Mühərrik fırlanma anının pik dəyəri ARS/DYC-yə görə 8,64 N·m, yəni %33,59 aşağı; aktiv sükan pik dəyəri isə 0,048 rad, yəni %44,91 aşağı olmuşdur.

35 km/sa real sınaq 80 km/sa nəticəsini doğrulayırmı?

Yalnız qismən. Real sınaq nəzarət proqramının fiziki avtomobildə tətbiq oluna bildiyini və aşağı sürətdə yanal hərəkəti yaxşılaşdırdığını göstərir. Lakin yüksək sürətli 80 km/sa yayınma manevrinin fiziki doğrulaması deyil.

Tədqiqatçılar da təhlükəsizlik səbəbilə real avtomobil təcrübələrinin aşağı sürətli sabit şəraitlə məhdud qaldığını və gələcəkdə sınaq sürətlərinin artırılmalı olduğunu açıq bildirirlər.

Tədqiqatın dəstəklədiyi və dəstəkləmədiyi nəticələr

Tədqiqatın dəstəklədiyi nəticə: Araşdırılan beşoxlu sınaq avtomobili və istifadə olunan TruckSim modeli çərçivəsində aktiv sükan tapşırığını dörd oxa paylayan AWS/DYC arxitekturası yüksək sürətli simulyasiyada ARS/DYC-yə görə daha aşağı avtomobil sideslip bucağı, daha aşağı mühərrik fırlanma anı tələbi və daha balanslı şin slip bucağı paylanması təmin etmişdir. Aşağı sürətli real avtomobil sınağı da AWS/DYC-nin fiziki platformada tətbiq oluna bildiyini və sideslip davranışını yaxşılaşdırdığını göstərir.

Tədqiqatın dəstəkləmədiyi nəticə: Sistem 50 ton sinifli ağır avtomobildə doğrulanmayıb; 80 km/sa yüksək sürətli manevr real avtomobildə sınaqdan keçirilməyib; fiziki şin sınaq stendindən müəyyən edilmiş LPV parametrləri istifadə olunmayıb; mühərrik və ya sükan aktuatoru nasazlıqlarında xətaya dözümlülük doğrulanmayıb; NN-MPC-nin bütün görülməmiş yol və avtomobil parametrlərində sabit işləyəcəyi sübut edilməyib.

Tədqiqatın Metodu və Tapıntıları

Tədqiqat dizaynı

Tədqiqat bir-biri ilə bağlı dörd doğrulama qatından ibarətdir: real avtomobil məlumatları ilə yüksək dəqiqlikli TruckSim modelinin qurulması; nəzarət üçün sadələşdirilmiş 3-DOF + LPV şin modelinin hazırlanması; iyerarxik AWS/DYC + NN-MPC nəzarət alqoritminin dizaynı; yüksək sürətli birgə simulyasiya və aşağı sürətli real avtomobil sınağı.

Model doğrulama nəticələri

LPV şin modeli nəticəsi

Bu müqayisənin referensi TruckSim şin məlumat bazasıdır; müstəqil laboratoriya şin qüvvəsi ölçməsi deyil.

Yüksək sürətli simulyasiya nəticələri

Aşağı sürətli real avtomobil nəticələri

NN-MPC təlim üsulu

Məlumatlar Z-score standartlaşdırması ilə:

\[ x_{norm}= \frac{x-\mu_x}{\sigma_x} \]

şəklində normallaşdırılmışdır.

İtki funksiyasında şəbəkə çıxış xətasına əlavə olaraq nəzarət məhdudiyyətlərinin pozulmasını cəzalandıran termin istifadə edilmişdir:

\[ L= \frac{1}{N} \sum_{i=1}^{N} \|y_i-\hat y_i\|_2^2 + \lambda \sum_j \max(0,g_j(\hat y_i)) \]

Mənbə ilk NN-MPC versiyasının uğursuz olduğu sərhəd vəziyyətlərini MPC ilə yenidən etiketləyib məlumat dəstinə əlavə edən dövri artımlı təlim yanaşmasından istifadə edir. Bununla belə nəticə bölməsində bu iterasiyaların neçə dövr davam etdiyi, hər dövrdə neçə yeni nümunə əlavə olunduğu və ya müstəqil test dəstində son xəta paylanması ətraflı verilmir.

Mühüm metodoloji sərhədlər

• Yüksək sürətli 80 km/sa performansı yalnız birgə simulyasiyada doğrulanmışdır.
• Real avtomobil nəzarət sınağı 35 km/sa ilə məhduddur.
• LPV şin parametrləri fiziki şin stendindən deyil, TruckSim-in virtual şin modelindən müəyyən edilmişdir.
• LPV model parametrləri onlayn yenilənmir; şin temperaturu və aşınma dəyişiklikləri daxil deyil.
• NN-MPC təlim məlumatlarının əsas mənbəyi simulyasiyadır.
• Aktuator nasazlıqlarında fault-tolerant nəzarət araşdırılmayıb.
• Yüksək sürətli müqayisədə ARS/DYC ənənəvi MPC, AWS/DYC isə NN-MPC istifadə etdiyindən müqayisə yalnız aktiv ox sayını təcrid etmir.
• Nəzarət modeli asqı dinamikasını və hava müqavimətini sadələşdirir.
• Real avtomobildə daxili təkər kamber bucağındakı dəyişikliklər müşahidə edilib, lakin əsas 3-DOF modelinə daxil edilməyib.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: Handling Stability Control for Multi-Axle Distributed Drive Vehicles Based on Model Predictive Control

Müəlliflər və orijinal sıra: Hongjie Cheng; Zhenwei Hou; Zhihao Liu; Jianhua Li; Jiashuo Zhang; Yuan Zhao; Xiuyu Liu.

Məsul müəllif: Zhenwei Hou.

Bərabər töhfə/bərabər birinci müəllif: Mənbədə belə bəyanat yoxdur.

Qurum: The National Key Discipline Laboratory of Armament Launch Theory & Technology, PLA Rocket Force University of Engineering, Xi’an 710025, China.

Jurnal: Vehicles.

Nəşriyyat: MDPI, Basel, Switzerland.

Cild / sayı / məqalə: 8 / 2 / 26.

DOI: 10.3390/vehicles8020026.

Nəşr prosesi: 14 Noyabr 2025-də qəbul üçün daxil olmuş, 20 Yanvar 2026-da yenidən işlənmiş, 26 Yanvar 2026-da qəbul edilmiş və 1 Fevral 2026-da yayımlanmışdır.

Mənbə növü və rəy statusu: Rəyli tədqiqat məqaləsidir. Yüksək dəqiqlikli avtomobil simulyasiyası, model əsaslı və süni neyron şəbəkəsi əsaslı nəzarət dizaynı ilə aşağı sürətli real avtomobil təcrübələrini birlikdə əhatə edir.

Rəsmi keçid:https://doi.org/10.3390/vehicles8020026

Lisenziya: Creative Commons Attribution (CC BY) açıq giriş lisenziyası.

Maliyyələşdirmə: Tədqiqat National Natural Science Foundation of China çərçivəsində “Load-bearing and Stability Enhancement Control Technology for Multi-axle Distributed Drive Special Vehicles” layihəsi, 52472464 nömrəli qrant; Young Star of Science and Technology in Shaanxi Province, 2025ZC-KJXX-84; və Sanqin Talent Special Support Program of Shaanxi Province tərəfindən dəstəklənmişdir.

Məlumat əlçatanlığı: Mənbə məlumatların məqalə daxilində olduğunu bildirir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması bildirməyiblər.

Müəllif töhfələri: Konseptuallaşdırma Z.H.; metod H.C.; proqram təminatı Z.H.; doğrulama J.L. və J.Z.; ilk layihə Y.Z.; nəzərdən keçirmə və redaktə X.L.; layihə idarəetməsi və maliyyələşdirmənin əldə edilməsi Z.L. tərəfindən həyata keçirilmişdir.

Real avtomobil / simulyasiya fərqi: Ən güclü yüksək sürətli nəticələr 80 km/sa TruckSim/Simulink birgə simulyasiyasına aiddir. Real avtomobil doğrulaması 35 km/sa ilə məhduddur. Buna görə yüksək sürətli faiz yaxşılaşmaları fiziki 80 km/sa sınağı kimi təqdim edilməməlidir.

LPV şin modeli doğrulama sərhədi: LPV parametr müəyyənləşdirmə və doğrulamasında referens kimi TruckSim-in daxili 175/65 R14 şin modeli istifadə edilmişdir. Tədqiqat müstəqil fiziki şin sınaq stendindən qüvvə–slip əyrisi bildirmir.

Şəbəkə parametr sayı qeydi: Mənbə 4–64–64–32–5 tam bağlı şəbəkə üçün 6568 parametr bildirir. Standart matris sayımında yalnız çəkilər 6560, bias terminləri daxil olmaqla cəmi 6725 parametr alınır. Mənbə 6568 sayının hesablama üsulunu açıqlamır.

Vəziyyət fəzası notasiyası qeydi: Tənlik (23)-də LPV şin modelindən asılı ζ_i əmsalları istifadə olunarkən Tənlik (24)-ün matris göstərimində açıqlama verilmədən tək C əmsalına keçilir. Bundan əlavə vəziyyət sırası bir yerdə [β, ω_z]^T, Tənlik (39)-dan əvvəl isə [ω_z, β]^T olaraq verilir. Bu fərqlər səssizcə birləşdirilməyib.

Kvadratik proqramlaşdırma məhdudiyyəti qeydi: Mənbə Tənlik (40)-da [I; −I]U bərabərsizliyinin sağ tərəfini [U_max; U_min] şəklində yazır. Aşağı həddin işarə çevrilməsi ayrıca izah edilmir. Verianla mənbə tənliyini yenidən çıxarıb dəyişdirməyib.

Mühərrik fırlanma anı həddi qeydi: MPC dizaynında əlavə yaw momenti üçün sonlu hədd müəyyən edilməyib. Yüksək sürətli simulyasiyada alınan 66,12 N·m pik dəyərinin 70 N·m nominal mühərrik qabiliyyətindən aşağı qalması nəticədən sonra aparılan mühəndislik yoxlamasıdır; mühərrik qabiliyyəti optimallaşdırmanın birbaşa məhdudiyyəti deyil.

Kütlə tərifi qeydi: Cədvəl 1 avtomobil kütləsini 1450 kg verir və sonrakı bölmə 500 kg nominal yükdən danışır; başqa bir bölmə tədqiqat obyektini 1,7 t avtomobil kimi müəyyən edir. Mənbə bu üç kütlə ifadəsinin bir-biri ilə əlaqəsini ətraflı izah etmir.

Nəzarət müqayisəsi sərhədi: Yüksək sürətli müqayisədə ARS/DYC ənənəvi MPC, AWS/DYC isə NN-MPC ilə tətbiq edilir. Buna görə performans fərqi yalnız arxa təkər yönləndirməsi ilə bütün təkər yönləndirməsi arasındakı həndəsi fərqin təmiz ablasiyası deyil.

Real vaxt sərhədi: 6,97 s, 19,38 s və 8,42 s müddətləri Intel Ultra 7 prosessoru və 32 GB RAM istifadə edilən PC əsaslı 10 saniyəlik birgə simulyasiya ölçmələridir. Tədqiqat real avtomobil VCU aparatının ətraflı prosessor modelini və bütün dövrlərin zamanlama paylanmasını bildirmir.

Gələcək tədqiqat sərhədləri: Tədqiqatçılar şin aşınması və temperaturuna görə onlayn LPV parametr yenilənməsini, NN-MPC-nin real iş şəraitində ümumiləşməsini və tək/çoxsaylı mühərrik və ya sükan aktuatoru nasazlığında aktiv xətaya dözümlü nəzarəti gələcəkdə araşdırılmalı əsas mövzular kimi göstərirlər.

Bu Verianla izahındakı texniki tapıntılar, sayısal nəticələr, riyazi modellər və məhdudiyyətlər yalnız araşdırılan tədqiqata əsaslanır. Xarici doğrulama yalnız biblioqrafik kimlik və jurnalın rəyli nəşr vəziyyətini yoxlamaq məqsədilə istifadə olunmuş; tədqiqata xarici mənbələrdən yeni avtomobil performansı və ya nəzarət nəticəsi əlavə edilməmişdir.