Utafiti huu unalenga kupunguza torati ya kilele inayohitajika kutoka kwa mota za gurudumu moja moja huku ukidumisha uthabiti wa upande wa gari wakati wa maneva za kasi ya juu katika gari lenye ekseli tano na uendeshaji uliosambazwa, ambapo kila gurudumu lina mota ya umeme inayojitegemea na aktueta ya usukani. Kwa kusudi hili, watafiti wameunda usanifu wa udhibiti wa ngazi mbalimbali unaounganisha uelekezaji hai wa magurudumu yote (Active All-Wheel Steering, AWS) na udhibiti wa moja kwa moja wa momenti ya yaw (Direct Yaw Moment Control, DYC).

Kidhibiti cha ngazi ya juu hutumia Model Predictive Control (MPC) kukokotoa kwa pamoja pembe hai za usukani za ekseli ya pili, ya tatu, ya nne na ya tano pamoja na momenti ya ziada ya yaw. Kidhibiti cha fuzzy hubadilisha uzito wa udhibiti wa MPC wakati wa uendeshaji ili kuzuia mienendo ya usukani ya ekseli kutofautiana kupita kiasi. Kidhibiti tofauti cha PID hutumiwa kwa kasi ya longitudinal. Katika ngazi ya chini, nguvu ya longitudinal inayohitajika na momenti ya yaw husambazwa kwa torati za mota za magurudumu kumi yanayojitegemea kupitia uboreshaji unaopunguza jumla ya uwiano wa matumizi ya uwezo wa matairi.

Ili kupunguza gharama ya uboreshaji wa mtandaoni wa MPC, watafiti pia wameunda mtandao wa neva uliounganishwa kikamilifu unaofunzwa kwa matokeo ya MPC. Mtandao huo, unaoitwa NN-MPC, huzalisha matokeo matano ya udhibiti—momenti ya ziada ya yaw na pembe za ekseli nne hai—kutoka kwa ingizo nne: kasi ya gari, pembe ya sideslip ya kituo cha uzito, yaw rate halisi na yaw rate inayolengwa. Data ya mafunzo iliundwa kutoka kwa uigaji wa kubadilisha njia mara mbili uliofanywa kati ya 25–95 km/h kwa hatua za 5 km/h, na jumla ya sampuli 22.500 zilitumika.

Katika uigaji wa kasi ya juu wa 80 km/h wenye mgawo wa mshiko wa barabara μ = 0,8, mkakati wa AWS/DYC ulipunguza kilele cha pembe ya sideslip ya kituo cha uzito kwa %90,98 na mahitaji ya kilele ya torati ya gurudumu moja kwa %30,78 ikilinganishwa na mkakati wa kulinganisha unaoitwa ARS/DYC, ambapo ekseli ya nne na ya tano pekee ndizo zinaelekezwa kikamilifu. Chini ya AWS/DYC, pembe ya juu kabisa ya slip ya tairi ilikuwa 4,7° na ilibaki ndani ya eneo la uendeshaji la mstari lililofafanuliwa kuwa takribani 5°, ilhali katika ARS/DYC pembe ya slip ya ekseli ya nyuma ilifikia 11,9°. Pembe ya juu kabisa ya usukani hai ya AWS/DYC ilikuwa 4,53°, huku kidhibiti cha ARS/DYC kikifikia kikomo cha udhibiti kilichowekwa kuwa 10°.

Majaribio ya gari halisi yalifanywa kwa kasi ya chini zaidi. Katika jaribio la kubadilisha njia mara mbili kwa 35 km/h, AWS/DYC ilipunguza kilele cha pembe ya sideslip kwa %96,47 ikilinganishwa na hali isiyodhibitiwa na kwa %66,19 ikilinganishwa na ARS/DYC. Ikilinganishwa na ARS/DYC, kilele cha torati ya mota kilikuwa chini kwa %33,59 na kilele cha pembe hai ya usukani kilikuwa chini kwa %44,91. Hata hivyo, matokeo ya kasi ya juu ya 80 km/h hayakuthibitishwa kwenye gari halisi; jaribio la gari halisi lilikuwa na kikomo cha 35 km/h.

Maana kwa Türkiye: Jukwaa la majaribio la ekseli tano lenye uzito wa 1450 kg katika utafiti huu si mwakilishi wa moja kwa moja wa lori nzito, magari ya vifaa vya kijeshi au magari maalumu yenye ekseli nyingi yanayotumiwa Türkiye. Hata hivyo, mbinu hiyo ni mfano muhimu wa usanifu wa udhibiti kwa kusimamia kwa pamoja usukani unaojitegemea na torati huru za magurudumu katika magari ya umeme yenye ekseli nyingi, kutumia matairi bila kuyaingiza katika eneo la saturation, na kuleta MPC karibu na matumizi ya muda halisi kupitia mtandao wa neva. Kwa matumizi katika magari tofauti nchini Türkiye, uzito halisi wa gari, sifa za matairi, jiometri ya ekseli, mipaka ya torati ya mota, mshiko wa barabara, ucheleweshaji wa aktueta na majaribio ya kimwili ya kasi ya juu lazima yathibitishwe upya kwa kujitegemea.

Tatizo kuu la utafiti ni nini?

Katika magari yenye ekseli nyingi, mwili mrefu, hali ya juu ya inertia na hitaji la kudhibiti idadi kubwa ya magurudumu kwa wakati mmoja vinaweza kufanya uthabiti wa yaw na udhibiti wa sideslip kuwa mgumu wakati wa maneva za kasi ya juu. Usanifu wa uendeshaji wa umeme uliosambazwa huwezesha torati ya kila gurudumu kudhibitiwa kwa kujitegemea; aktueta huru za usukani pia huunda viwango vya ziada vya uhuru wa udhibiti kwenye chasi moja.

Hata hivyo, inapojaribiwa kuzalisha momenti kubwa ya yaw kwa kutumia torati tofauti pekee, torati inayohitajika kutoka kwa kila mota ya gurudumu inaweza kuongezeka. Msingi wa mbinu ya utafiti ni kushiriki harakati ya yaw si kwa torati ya gurudumu pekee bali pia kwa pembe hai za usukani, na hivyo kupunguza torati ya mota inayohitajika.

Jukwaa la majaribio halisi ni gari la aina gani?

Kielelezo 1 cha utafiti kinaonyesha jukwaa halisi la kimwili kama gari refu lenye ekseli tano na jumla ya magurudumu kumi. Kila gurudumu lina in-wheel motor inayojitegemea na aktueta ya usukani. Chanzo cha nishati ni kifurushi cha betri ya lithiamu-ioni; katika modeli ya TruckSim, miunganisho ya mota, gia na differential ilitenganishwa na torati kutumika moja kwa moja kwa kila gurudumu.

Katika sehemu inayofuata ya chanzo, uzito tupu wa gari pia umetajwa kuwa 1450 kg na mzigo wa kawaida kuwa 500 kg. Kwa upande mwingine, sehemu inayojadili mipaka ya udhibiti inalita gari la majaribio “1,7 t”. Chanzo hakielezi tofauti kati ya maelezo haya ya uzito.

Modeli ya TruckSim ilithibitishwaje kwa gari halisi?

Katika gari halisi, vipimo kama pembe ya usukani, mwendo wa mwili wa gari, nguvu ya pedali, pembe ya usukani wa gurudumu na nguvu wima ya gurudumu vilirekodiwa kwa vihisi. Kielelezo 3 kinaonyesha usanifu wa majaribio ambapo vihisi vinaunganishwa kupitia CAN kwenye kinasa data na kutoka hapo kupitia USB kwenye kompyuta.

Watafiti waliingiza kwenye TruckSim mteremko wa longitudinal, mwinuko wa upande na uratibu wa barabara wa pande tatu wa njia halisi ya majaribio, na hivyo kuunda upya ingizo za kasi na barabara za jaribio halisi.

Pembe ya sideslip ya kituo cha uzito ilikokotolewa kutoka data za GPS na IMU kwa:

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

usemi huu.

Katika ulinganisho wa gari halisi–TruckSim, kosa la juu kabisa la nafasi ya upande liliripotiwa kuwa %5,8 na kosa la juu kabisa la kasi ya longitudinal %6,5. Kwa yaw rate na pembe ya sideslip, makosa ya wastani ya jamaa yalibaki chini ya %9. Watafiti wanahusisha tofauti zilizobaki na kelele za vihisi, vigezo vya modeli ya tairi, kutokuwa na uhakika kwa mgawo wa mshiko wa barabara na tabia halisi ya dereva.

Kwa nini modeli ya kawaida ya tairi ya mstari haikutosha?

Katika mkabala wa tairi wa mstari, nguvu ya upande katika pembe ndogo za slip hukokotolewa takribani kama zao la cornering stiffness na pembe ya slip. Chanzo kinasisitiza kuwa kosa la modeli ya mstari huongezeka kwa kasi mara pembe ya slip inapozidi takribani 5° kwa sababu nguvu ya tairi hukaribia eneo la saturation.

Kwa sababu hii, watafiti waliingiza katika mfumo modeli ya tairi ya Linear Parameter Varying (LPV) inayolenga udhibiti, ambayo hutumia kwa pamoja pembe ya slip, uwiano wa slip wa longitudinal, mgawo wa msuguano wa barabara na mzigo wima.

Usemi msingi wa nguvu ya upande wa modeli ya LPV ni:

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

Hapa \(F_z\) ni mzigo wima wa sasa, \(F_{z0}\) ni mzigo wa kawaida; na maneno ya uzito yanawakilisha upangaji wa vigezo kulingana na hali ya tairi.

Modeli ya tairi ya LPV ilijengwa kwa data gani?

“Jaribio la tairi” hapa halikufanywa kwenye mashine halisi ya kupima tairi. Modeli ya tairi ya parametric 175/65 R14 ndani ya TruckSim 2019.0 ilitumika kuchunguza eneo lifuatalo la kazi:

Vigezo vilitambuliwa kwa mbinu ya nonlinear least squares. Katika ulinganisho uliofanywa kwenye mzigo wima wa 1961,33 N, ulio karibu zaidi na mzigo halisi wa uendeshaji, kosa la modeli ya mstari lilifikia %62,47 katika pembe ya slip ya 10°. Kosa la juu kabisa lililoripotiwa kwa modeli ya LPV lilikuwa %8,4 karibu na 4,5°.

Matokeo haya yanaonyesha kuwa modeli ya LPV inalingana vyema zaidi na modeli rejea ya tairi ya TruckSim; hayamaanishi uthibitishaji huru kwa kipimo cha kimwili cha nguvu ya tairi.

Tabia bora ya gari inafafanuliwaje?

Malengo ya msingi ya udhibiti ni kasi ya longitudinal, yaw rate na pembe ya sideslip ya kituo cha uzito. Pembe bora ya sideslip imewekwa kuwa sifuri ndani ya muktadha wa matumizi ya kihandisi.

Yaw rate inayolengwa huzuiwa kati ya gain ya hali tulivu ya modeli ya gari yenye degrees of freedom mbili na kuongeza kasi ya juu zaidi ya upande inayoruhusiwa na mshiko wa barabara:

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

Kwa njia hii, kidhibiti kinakusudiwa kuzingatia si tu ombi la usukani la dereva bali pia kikomo cha mshiko wa barabara–tairi.

Usanifu wa udhibiti wa ngazi mbalimbali unafanyaje kazi?

Kielelezo 11 cha utafiti ni mojawapo ya michoro muhimu zaidi ya kidhibiti. Ingizo la usukani la ekseli ya kwanza kutoka kwa dereva na kasi inayolengwa ya gari hubadilishwa kwanza kuwa hali inayotakiwa ya gari. Pembe hai ya usukani ya ekseli ya kwanza haibadilishwi; hivyo ingizo la moja kwa moja la usukani la dereva huhifadhiwa.

Vekta ya udhibiti ya MPC ya ngazi ya juu imefafanuliwa kama:

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

Yaani, pembe hai za usukani za ekseli ya pili–ya tano na momenti ya moja kwa moja ya yaw huamuliwa ndani ya tatizo moja la uboreshaji.

Verianla Live: Mwonekano wa mchakato huundwa kutoka kwenye jedwali hili la kisayansi linaloonekana; Live SVG au JavaScript tofauti haipachikwi kwenye makala.

MPC huboresha malengo gani kwa pamoja?

Lengo la msingi ni kuleta yaw rate halisi na pembe ya sideslip karibu na maadili yanayotakiwa huku ukubwa wa vitendo vya udhibiti pia ukizuiwa. Kazi lengwa ya MPC katika chanzo imefafanuliwa kama:

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

imefafanuliwa kwa namna hii.

Kwa uzito wa hali hutumiwa \(Q=\mathrm{diag}(100000,100)\), kwa uzito wa mwisho \(S=\mathrm{diag}(1,1)\), na kwa uzito wa awali wa udhibiti:

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

hutumika.

Kwa nini udhibiti wa fuzzy umeongezwa?

MPC inaweza kutoa pembe tofauti ya usukani kwa kila ekseli. Tofauti kubwa kupita kiasi zinaweza kuongeza uchakavu wa tairi na hatari ya saturation ya nguvu ya tairi kwenye ekseli fulani. Kwa sababu hiyo, watafiti wametumia tofauti kati ya pembe kamili za usukani za ekseli ya pili–ya tano na wastani wake kama ingizo la udhibiti wa fuzzy.

Kidhibiti cha fuzzy hubadilisha uzito husika wa udhibiti wa MPC kwa viwango vidogo ili kulenga usambazaji wenye uwiano zaidi wa harakati hai za usukani wa ekseli. Ulimwengu wa ingizo umefafanuliwa kutoka −0,1 hadi 0,1, na matokeo ya marekebisho ya uzito kutoka −0,025 hadi 0,025.

Torati ya mota husambazwaje katika ngazi ya chini?

Kwa nguvu ya jumla ya longitudinal na momenti ya ziada ya yaw kutoka kwa kidhibiti cha ngazi ya juu, nguvu za magurudumu kumi haziwezi kuamuliwa kwa suluhisho moja; mfumo haujaamuliwa kikamilifu kihisabati. Watafiti hutumia uhuru huu kuhifadhi akiba ya uwezo wa nguvu ya matairi.

Uwiano wa mzigo wa tairi moja unafafanuliwa kwa:

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

unafafanuliwa kwa usemi huo.

Uboreshaji wa ngazi ya chini hupunguza jumla ya mraba wa uwiano wa mzigo kwa magurudumu yote. Kwa hivyo, lengo ni kuzuia matumizi kupita kiasi ya uwezo wa mshiko wa tairi fulani huku nguvu na momenti ya jumla inayohitajika ikizalishwa.

Kwa nini NN-MPC ilionekana kuwa muhimu?

MPC yenye vigezo vitano vya udhibiti lazima itatue tatizo la quadratic programming kila 10 ms. Hii inaweza kuongeza mzigo wa hesabu kwenye kitengo cha udhibiti wa gari halisi. Watafiti walichukua mkabala wa “sheria ya udhibiti iliyokadiriwa na kujifunza badala ya uboreshaji wa mtandaoni”.

Data za mafunzo zilitengenezwa kutoka 25 km/h hadi 95 km/h kwa hatua za 5 km/h. Kwa kila kasi, kubadilisha njia mara mbili kwa sekunde 15 kulifanywa kwa sampling ya 100 Hz na jumla ya sampuli 22.500 zilikusanywa.

Seti ya data iligawanywa kwa mafunzo na uthibitishaji kwa uwiano wa 9:1. Uboreshaji wa Adam, learning rate ya awali ya 0,005, batch size 1024, hadi 80 epoch na early stopping vilitumika.

Chanzo pia hutumia mafunzo ya mzunguko wa kuongeza hatua kwa hatua ili kutambua hali za ukingo ambazo mafunzo ya awali hayakuzifunika. Hali za uigaji ambapo NN-MPC inashindwa hutatuliwa tena kwa MPC; matokeo ya MPC huongezwa kwenye data za mafunzo kama “teacher signal” na mtandao hufunzwa upya.

Kwa nini kuna haja ya dokezo kuhusu idadi ya parameta za mtandao?

Chanzo kinaripoti parameta 6568 kwa mtandao uliounganishwa kikamilifu wa 4–64–64–32–5. Katika hesabu ya kawaida ya tabaka zilizofungamana kikamilifu, matrix za uzito pekee zina vipengele 6560, na bias zikijumuishwa jumla huwa parameta 6725. Kwa kuwa chanzo hakielezi ni kanuni gani ya kuhesabu ilitoa thamani 6568, Verianla haibadilishi thamani hiyo, lakini inaacha tofauti hiyo ionekane kwa ajili ya reproducibility.

Jaribio la kasi ya juu lilifanywa chini ya hali gani?

Ulinganisho muhimu zaidi haukufanywa kwenye gari halisi, bali katika co-simulation ya TruckSim/Simulink:

• kasi ya gari: 80 km/h,
• mgawo wa mshiko wa barabara: μ = 0,8,
• maneva: kubadilisha njia mara mbili,
• kipindi cha udhibiti: 0,01 s,
• marudio ya udhibiti: 100 Hz,
• MPC prediction/control horizon: hatua 15.

Hali tatu zililinganishwa: gari lisilodhibitiwa; ARS/DYC ambapo ekseli ya 4. na 5. zinaelekezwa kikamilifu; na AWS/DYC ambapo ekseli ya 2.–5. zinaelekezwa kwa uratibu.

Yaw rate na sideslip zilibadilika kwa kiasi gani?

Chini ya AWS/DYC, thamani ya kilele cha yaw rate wakati wa kurudisha usukani mwishoni ilidumishwa ndani ya 0,122 rad/s. Chanzo kinaripoti hili kama upunguzaji wa kilele wa %41,04 ikilinganishwa na hali isiyodhibitiwa na %21,62 ikilinganishwa na ARS/DYC.

Pembe ya sideslip ya kituo cha uzito chini ya AWS/DYC ilibaki kwenye kiwango cha juu cha 0,0023 rad. Hii ni kupungua kwa %92,31 ikilinganishwa na hali isiyodhibitiwa na %90,98 ikilinganishwa na ARS/DYC.

Eneo la envelope ya phase plane ya β–\(\dot{\beta}\) liliripotiwa kupungua kwa %99,69 ikilinganishwa na hali isiyodhibitiwa na kwa %99,45 ikilinganishwa na ARS/DYC.

Je, mahitaji ya torati ya mota yalipungua kweli?

Ndiyo; katika uigaji wa kasi ya juu chini ya AWS/DYC, mahitaji ya juu kabisa ya torati ya mota ya gurudumu moja yalikuwa 66,12 N·m. Thamani hii ni %30,78 chini ya mkakati wa ARS/DYC na chanzo kinasema iko chini ya uwezo wa kawaida wa pato wa 70,0 N·m wa in-wheel motor kwenye jukwaa la majaribio.

Hata hivyo, katika muundo wa kidhibiti, masafa ya \([-\infty,+\infty]\) yalitumika kwa momenti ya ziada ya yaw na hakuna kikomo cha mwisho cha moja kwa moja kilichowekwa kwa torati ya mota. Watafiti wanaeleza hili kwa lengo la kuweka msingi wa magari mazito maalumu ya daraja la tani 50 katika siku zijazo. Kwa hiyo, matokeo ya 66,12 N·m ni thamani ya suluhisho iliyojitokeza katika hali maalumu ya uigaji; si matokeo ya uboreshaji uliowekewa kikomo cha 70 N·m tangu mwanzo.

Kwa nini pembe za slip za matairi ni muhimu?

Verianla Live: Pembe za juu kabisa za slip za mikakati mitatu zimechukuliwa kutoka uchambuzi wa Kielelezo 20 cha utafiti wa chanzo.

ARS/DYC inapoitumia ekseli mbili za mwisho pekee, pembe ya slip ya hadi 11,9° hutokea katika magurudumu ya nyuma. Thamani hii iko juu sana ya eneo la kazi la mstari ambalo watafiti wamelifafanua kuwa takribani 5°.

AWS/DYC husambaza jukumu la usukani hai kwenye ekseli nne na kuweka thamani ya juu kabisa kwenye kiwango cha 4,7°. Watafiti hutafsiri matokeo haya kama matumizi yenye uwiano zaidi ya uwezo wa nguvu ya matairi.

Pembe hai za usukani ni kubwa kiasi gani?

Kwa AWS/DYC, pembe ya juu kabisa ya usukani ni 0,079 rad, yaani takribani 4,53°. Ingawa thamani hii ni kubwa kuliko jiometri ya kawaida ya Ackermann, bado iko ndani ya kikomo cha aktueta cha ±10°.

Katika ARS/DYC, mwendo hai wa usukani wa ekseli ya nne na ya tano ulifikia moja kwa moja kikomo cha 10°. Watafiti wanaeleza kuwa udhibiti unaojikita kwenye idadi ndogo ya ekseli unaweza kuwa mbaya zaidi kwa upande wa saturation na uchakavu wa matairi.

NN-MPC inapunguza muda wa hesabu kwa kiasi gani?

Verianla Live: Muda wa utekelezaji umechukuliwa kutoka Jedwali 3 la chanzo; muda wa co-simulation ya PC haupaswi kuchukuliwa kuwa sawa na muda wa utekelezaji wa VCU halisi.

Co-simulation ya AWS/DYC/NN-MPC ilichukua 8,42 s, huku ARS/DYC/MPC ikichukua 19,38 s. Chanzo kinaripoti kupungua kwa %56,55 katika muda wote wa uigaji na, baada ya kuondoa muda msingi wa TruckSim wa 6,97 s, kuongezeka kwa ufanisi wa hesabu wa %88,32 kwa upande wa hesabu za udhibiti pekee.

Matokeo haya yanaunga mkono faida ya hesabu ya mtandaoni ya NN-MPC; hata hivyo, usanifu wa udhibiti pia si sawa katika mikono miwili ya ulinganisho. ARS/DYC hutumia MPC ya kawaida, huku AWS/DYC ikitumia NN-MPC.

Nini kilitokea kwenye gari halisi?

Jaribio la gari halisi lilifanywa katika eneo la majaribio lililofungwa, kwenye saruji kavu, kwa mgawo wa mshiko wa barabara wa takribani μ = 0,8 na kwa kasi ya 35 km/h. Maneva ilikuwa tena kubadilisha njia mara mbili.

Mikakati yote mitatu iliweza kufuata njia inayolengwa kwa upotofu unaokubalika. Chanzo kinasema wazi kuwa katika kasi hii ya chini, tofauti za maadili ya kilele cha yaw rate hazikuwa dhahiri kama zilivyokuwa katika uigaji wa kasi ya juu.

Athari kubwa zaidi ya AWS/DYC kwenye gari halisi ilionekana katika pembe ya sideslip. Kilele cha pembe ya sideslip kilipunguzwa kwa %96,47 ikilinganishwa na gari lisilodhibitiwa na kwa %66,19 ikilinganishwa na ARS/DYC.

Kilele cha torati ya mota kilikuwa chini kwa 8,64 N·m, yaani %33,59 ikilinganishwa na ARS/DYC, na kilele cha usukani hai kilikuwa chini kwa 0,048 rad, yaani %44,91.

Je, jaribio halisi la 35 km/h linathibitisha matokeo ya 80 km/h?

Kwa kiasi tu. Jaribio halisi linaonyesha kuwa programu ya udhibiti inaweza kutekelezwa kwenye gari halisi na kuboresha mwendo wa upande katika kasi ya chini. Hata hivyo, hili si uthibitishaji wa kimwili wa maneva ya kuepuka kikwazo ya kasi ya juu ya 80 km/h.

Watafiti pia wanasema wazi kuwa kwa sababu za usalama, majaribio ya gari halisi yaliwekewa kikomo cha hali thabiti za kasi ya chini na kwamba kasi za majaribio zinapaswa kuongezwa katika kazi za baadaye.

Matokeo ambayo utafiti unaunga mkono na yale usiyounga mkono

Matokeo yanayoungwa mkono na utafiti: Ndani ya gari la majaribio lenye ekseli tano na modeli ya TruckSim iliyotumiwa, usanifu wa AWS/DYC unaosambaza jukumu la usukani hai kwenye ekseli nne ulitoa pembe ya sideslip ya gari iliyo chini, mahitaji ya torati ya mota yaliyo chini na usambazaji wenye uwiano zaidi wa pembe za slip za matairi kuliko ARS/DYC katika uigaji wa kasi ya juu. Jaribio la gari halisi la kasi ya chini pia linaonyesha kuwa AWS/DYC inaweza kutekelezwa kwenye jukwaa la kimwili na kuboresha tabia ya sideslip.

Matokeo ambayo utafiti hauungi mkono: Mfumo haujathibitishwa kwenye gari zito la daraja la tani 50; maneva ya kasi ya juu ya 80 km/h haijajaribiwa kwenye gari halisi; vigezo vya LPV vilivyotambuliwa kutoka benchi halisi la majaribio ya tairi havikutumika; uvumilivu wa hitilafu katika mota au aktueta ya usukani haujathibitishwa; haijathibitishwa kuwa NN-MPC itafanya kazi kwa uthabiti katika barabara zote na vigezo vya gari ambavyo havijaonekana.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti una tabaka nne za uthibitishaji zilizounganishwa: uundaji wa modeli ya TruckSim ya usahihi wa juu kwa kutumia data ya gari halisi; maendeleo ya modeli rahisi ya 3-DOF + LPV ya tairi kwa ajili ya udhibiti; muundo wa algoriti ya udhibiti wa ngazi mbalimbali AWS/DYC + NN-MPC; co-simulation ya kasi ya juu na jaribio la gari halisi la kasi ya chini.

Matokeo ya uthibitishaji wa modeli

Matokeo ya modeli ya tairi ya LPV

Rejea ya ulinganisho huu ni hifadhidata ya tairi ya TruckSim; si kipimo huru cha maabara cha nguvu ya tairi.

Matokeo ya uigaji wa kasi ya juu

Matokeo ya gari halisi katika kasi ya chini

Mbinu ya mafunzo ya NN-MPC

Data zilisawazishwa kwa Z-score:

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

kwa usemi huu.

Katika loss function, pamoja na kosa la matokeo ya mtandao, kulitumika neno la adhabu kwa ukiukaji wa vikwazo vya udhibiti:

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

Chanzo hutumia mbinu ya mafunzo ya kuongeza hatua kwa hatua ambapo hali za ukingo ambazo toleo la kwanza la NN-MPC linashindwa huwekewa lebo upya na MPC na kuongezwa kwenye seti ya data. Hata hivyo, sehemu ya matokeo haielezi kwa kina idadi ya mizunguko ya iteresheni, idadi ya sampuli mpya zilizoongezwa katika kila mzunguko au usambazaji wa mwisho wa kosa kwenye seti huru ya majaribio.

Vikwazo muhimu vya kimethodolojia

• Utendaji wa kasi ya juu wa 80 km/h ulithibitishwa tu katika co-simulation.
• Jaribio halisi la udhibiti wa gari lilikuwa na kikomo cha 35 km/h.
• Vigezo vya tairi ya LPV vilitambuliwa kutoka modeli pepe ya tairi ya TruckSim, si kutoka benchi halisi la majaribio ya tairi.
• Vigezo vya modeli ya LPV havisasishwi mtandaoni; mabadiliko ya joto na uchakavu wa tairi hayajajumuishwa.
• Chanzo kikuu cha data ya mafunzo ya NN-MPC ni uigaji.
• Udhibiti wa fault-tolerant katika hitilafu za aktueta haujachunguzwa.
• Katika ulinganisho wa kasi ya juu, ARS/DYC hutumia MPC ya kawaida na AWS/DYC hutumia NN-MPC, kwa hiyo ulinganisho hautengi tu idadi ya ekseli hai.
• Modeli ya udhibiti hurahisisha dynamics ya suspension na aerodynamic drag.
• Katika gari halisi, mabadiliko ya pembe ya camber ya gurudumu la ndani yalionekana lakini hayakujumuishwa katika modeli kuu ya 3-DOF.

Dokezo la Chanzo na Mbinu

Jina kamili la awali la utafiti: Handling Stability Control for Multi-Axle Distributed Drive Vehicles Based on Model Predictive Control

Waandishi na mpangilio wa awali: Hongjie Cheng; Zhenwei Hou; Zhihao Liu; Jianhua Li; Jiashuo Zhang; Yuan Zhao; Xiuyu Liu.

Mwandishi wa mawasiliano: Zhenwei Hou.

Mchango sawa/mwandishi wa kwanza sawa: Hakuna taarifa kama hiyo katika chanzo.

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

Jarida: Vehicles.

Mchapishaji: MDPI, Basel, Switzerland.

Juzuu / toleo / makala: 8 / 2 / 26.

DOI: 10.3390/vehicles8020026.

Mchakato wa uchapishaji: Ilipokelewa 14 Novemba 2025, ikarekebishwa 20 Januari 2026, ikakubaliwa 26 Januari 2026 na kuchapishwa 1 Februari 2026.

Aina ya chanzo na hali ya mapitio ya kitaalamu: Ni makala ya utafiti iliyopitiwa na wataalamu. Inajumuisha uigaji wa gari wa usahihi wa juu, muundo wa udhibiti unaotegemea modeli na mtandao wa neva bandia, pamoja na majaribio ya gari halisi ya kasi ya chini.

Kiungo rasmi:https://doi.org/10.3390/vehicles8020026

Leseni: Leseni ya ufikiaji wazi ya Creative Commons Attribution (CC BY).

Ufadhili: Utafiti uliungwa mkono chini ya National Natural Science Foundation of China kupitia mradi “Load-bearing and Stability Enhancement Control Technology for Multi-axle Distributed Drive Special Vehicles”, ruzuku namba 52472464; Young Star of Science and Technology in Shaanxi Province, 2025ZC-KJXX-84; na Sanqin Talent Special Support Program of Shaanxi Province.

Upatikanaji wa data: Chanzo kinasema kuwa data ziko ndani ya makala.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Michango ya waandishi: Uundaji dhana Z.H.; mbinu H.C.; programu Z.H.; uthibitishaji J.L. na J.Z.; rasimu ya kwanza Y.Z.; mapitio na uhariri X.L.; usimamizi wa mradi na upatikanaji wa ufadhili Z.L.

Tofauti kati ya gari halisi / uigaji: Matokeo yenye nguvu zaidi ya kasi ya juu yanahusu co-simulation ya TruckSim/Simulink kwa 80 km/h. Uthibitishaji wa gari halisi una kikomo cha 35 km/h. Kwa hiyo maboresho ya asilimia ya kasi ya juu hayapaswi kuwasilishwa kama jaribio la kimwili la 80 km/h.

Kikomo cha uthibitishaji wa modeli ya tairi ya LPV: Katika utambuzi na uthibitishaji wa vigezo vya LPV, modeli iliyojengewa ndani ya TruckSim ya 175/65 R14 ilitumika kama rejea. Utafiti hauripoti curve ya nguvu–slip kutoka benchi huru la majaribio ya tairi.

Dokezo la idadi ya parameta za mtandao: Chanzo kinaripoti parameta 6568 kwa mtandao uliounganishwa kikamilifu wa 4–64–64–32–5. Katika hesabu ya kawaida ya matrix, uzito pekee ni 6560, na bias zikijumuishwa jumla ni parameta 6725. Chanzo hakielezi mbinu ya kuhesabu 6568.

Dokezo la notation ya state space: Katika Equation 23, coefficients ζ_i zinazohusishwa na modeli ya tairi ya LPV hutumiwa, huku katika uwakilishi wa matrix wa Equation 24 kukiwa na mpito usioelezwa kwenda kwenye coefficient moja C. Zaidi ya hayo, mpangilio wa hali unatolewa mahali pamoja kama [β, ω_z]^T, na kabla ya Equation 39 kama [ω_z, β]^T. Tofauti hizi hazijaunganishwa kimya kimya.

Dokezo la kizuizi cha quadratic programming: Chanzo katika Equation 40 kinaandika upande wa kulia wa inequality [I; −I]U kama [U_max; U_min]. Mabadiliko ya ishara ya lower bound hayaelezwi kando. Verianla haijatoa upya na kubadilisha equation ya chanzo.

Dokezo la kikomo cha torati ya mota: Katika muundo wa MPC hakuna kikomo cha mwisho kilichofafanuliwa kwa momenti ya ziada ya yaw. Thamani ya kilele ya 66,12 N·m iliyojitokeza katika uigaji wa kasi ya juu na kubaki chini ya uwezo wa kawaida wa mota wa 70 N·m ni ukaguzi wa kihandisi uliofanywa baada ya matokeo; uwezo wa mota si kizuizi cha moja kwa moja cha uboreshaji.

Dokezo la ufafanuzi wa uzito: Jedwali 1 linatoa uzito wa gari kuwa 1450 kg na sehemu inayofuata inataja mzigo wa kawaida wa 500 kg; sehemu nyingine inafafanua kitu cha utafiti kama gari la 1,7 t. Chanzo hakielezi kwa kina uhusiano kati ya maelezo haya matatu ya uzito.

Kikomo cha ulinganisho wa udhibiti: Katika ulinganisho wa kasi ya juu, ARS/DYC hutekelezwa kwa MPC ya kawaida na AWS/DYC kwa NN-MPC. Kwa hiyo tofauti ya utendaji si ablation safi ya tofauti ya kijiometri kati ya usukani wa magurudumu ya nyuma na usukani wa magurudumu yote.

Kikomo cha muda halisi: Muda wa 6,97 s, 19,38 s na 8,42 s ni vipimo vya co-simulation ya sekunde 10 kwenye PC yenye prosesa ya Intel Ultra 7 na 32 GB RAM. Utafiti hauripoti modeli ya kina ya prosesa ya VCU ya gari halisi au usambazaji wa muda wa mizunguko yote.

Vikwazo vya kazi za baadaye: Watafiti wanataja kusasisha mtandaoni vigezo vya LPV kulingana na uchakavu na joto la tairi, ujanibishaji wa NN-MPC katika hali halisi za uendeshaji, na udhibiti hai wa fault-tolerant katika hitilafu za mota moja/nyingi au aktueta za usukani kama mada kuu za kazi za baadaye.

Matokeo ya kiufundi, matokeo ya namba, modeli za kihisabati na vikwazo katika maelezo haya ya Verianla yanategemea tu utafiti uliokaguliwa. Uthibitishaji wa nje ulitumika tu kukagua utambulisho wa bibliografia na hali ya uchapishaji uliopitiwa na wataalamu wa jarida; hakuna utendaji mpya wa gari au matokeo mapya ya udhibiti yaliyoongezwa kutoka vyanzo vya nje.