ترجمه فارسی عنوان مقاله

اندازه گیری زاویه لغزش جانبی بر اساس اطلاعات سنسور ترکیبی با استفاده از ANFIS یکپارچه و یک الگوریتم فیلتر کالمن (KALMAN)

عنوان انگلیسی

Vehicle sideslip angle measurement based on sensor data fusion using an integrated ANFIS and an Unscented Kalman Filter algorithm

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
53013	2016	14 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Mechanical Systems and Signal Processing, Volumes 72–73, May 2016, Pages 832–845

فهرست مطالب ترجمه فارسی

چکیده

کلید 3واژه ها

1.مقدمه

2.مدل دینامیکی ماشین

3.ناظر پیشنهاد شده بر اساس ANFIS ترکیب شده با فیلتر های کالمن

شکل 1 معماری ناظر

شکل 2 معماری یک معادل ANFIS با یک مدل فازی Sugeno درجه اول با سه ورودی

ANFIS3.1

شکل 3 پروسه یادگیری ANFIS

3.2فیلتر های کالمن

3.2.1پروسه برای تخمین

3.2.2فیلتر کالمن خطی

3.2.3. فیلتر کالمن گسترش یافته

4. نتایج و بحث

جدول 1 .پارامتر های وسیله برای ماشین هاچبک کلاس C

شکل 4. نتایج برای یک مانور تغییر دو خط برای یک وسیله نقلیه مسافری با سرعت 120 کیلومتر بر ساعت با ضریب اصطکاک 0.85 (نقاط آبی: ANFIS، نقاط سبز: ANFIS + UKF، نقاط قرمزCarSim))

شکل 5. نتایج برای مانور تغییر دو خط برای یک وسیله نقلیه مسافری با سرعت 120 کیلومتر بر ساعت در ضریب اصطکاک 0.3 (نقاط آبی: ANFIS، نقاط سبز: ANFIS + UKF، نقاط قرمز CarSim

شکل 6. نتایج برای یک مانور J-turn برای خودرویی که با سرعت 120 کیلومتر بر ساعت در با ضریب اصطکاک 0.85 (نقاط آبی ANFIS، نقاط سبز ANFIS + UKF، نقاط قرمز CarSim) را نشان می دهد.

جدول 2.اندازه های خطا برای تخمین های زاویه لغزش برای مانور های تغییر خط و چرخش J

جدول 3. اندازه و حداکثر خطاها به ترتیب در جداول 2 و 3 ارائه شده است. خطای استاندارد اطلاعات مربوط به پاسخ حالت و حداکثر خطای مربوط به پاسخ گذرا را می باشد.

شکل 7 مانور اسلالوم

شکل 8. مانور سینوسی

شکل 9. نتایج برای مانور اسلالوم برای یک وسیله نقلیه مسافرت با سرعت مشخص شده توسط یک رمپ در یک مسیر با ضریب اصطکاک 1 (نقاط آبی: ANFIS، نقاط سبز: ANFIS+UKF، نقاط قرمز: CarSim

5. نتیجه گیری

شکل 10. جزئیات شکل 9 (نقاط آبی: ANFIS، نقاط سبز: ANFIS+UKF، نقاط قرمز: CarSim)

جدول 4 .خطا استاندارد و ماکزیمم خطا برای یک تست اسلالوم با یک سرعت رمپ

جدول 5 .خطا های استاندارد و بیشینه برای یک تست سینوسی با سرعت 80 کیلومتر در ساعت

جدول 6 .تست DLC در سرعت 120 کیلومتر در ساعت، مقاومت به جرم و تعلیق وسیله نقلیه: خطاهای استاندارد و بیشینه برای زاویه لغزش بر اساس تخمین گر ANFIS+UKF

تقدیرنامه

ترجمه کلمات کلیدی

دینامیک خودرو؛ زاویه سر خوردن - برآورد کردن؛ فیلتر کالمن بدون بو - سیستم تطبیقی استنتاج فازی عصبی

کلمات کلیدی انگلیسی

Vehicle dynamics; Sideslip angle; Estimation; Unscented Kalman Filter; Adaptive Neuro-Fuzzy Inference System

ترجمه چکیده

بیشتر سیستم های ESC(سیستم کنترل ثبات الکترونیکی) در حال اندازه گیری هر دو نرخ چرخش (yaw) و زاویه لغزش جانبی هستند. با این حال، یکی از مسائل اصلی این است که زاویه لغزش را نمی توان مستقیما اندازه گیری کرد زیرا سنسورهای آن بسیار گران هستند. به این دلیل، برآورد (تخمین) زاویه لغزش به طور گسترده در ادبیات مربوطه مورد بحث قرار گرفته است. مدل سازی زاویه لغزش با توجه به دینامیک غیر خطی وسیله نقلیه پیچیده است. در این مقاله، ما یک ناظر جدید بر اساس ANFIS ، همراه با فیلتر Kalman در جهت برآورد زاویه لغزش پیشنهاد می کنیم ، که به نوبه خود برای کنترل دینامیک خودرو و بهبود رفتار آن استفاده می شود. به همین دلیل، باید اندازه گیری توسط حسگر های کم هزینه که در وسایل نقلیه قرار گرفته شده اند و در زمان واقعی کار می کنند، مورد استفاده قرار گیرند. سیستم ANFIS یک زاویه شبیه لغزش را با استفاده از پارامترهایی که به راحتی اندازه گیری می شوند، با استفاده از سنسورهای مجهز در وسایل نقلیه واقعی (سنسورهای اینرسی و سنسورهای هدایت فرمان)، برآورد می کند. این مقدار در UKF به منظور فیلتر کردن نویز و برای به حداقل رساندن واریانس میانگین ریشه خطا تخمین ارائه شده است. برآوردگر با مقایسه مدل پیشنهادی با مقادیر ارائه شده توسط مدل CARSIM که یک قطعه نرم افزار معتبر آزمایشگاهی است، اعتبار یافته است. مزیت این برآورد، مدل سازی دینامیک غیر خطی وسیله نقلیه، با استفاده از سیگنال هایی است که به طور مستقیم از سنسورهای خودرو اندازه گیری می شوند. نتایج موثر بودن تخمین زن زاویه لغزش بر اساس ANSIS+UKF را نشان می دهد.

ترجمه مقدمه

با پیشرفت های اخیر در صنعت خودرو، ایمنی رانندگی در وسایل نقلیه مسافری، یکی از مسائل کلیدی در طراحی هر وسیله نقلیه است. کنترل پایداری الکترونیکی (ESC) بعد از کمربند ایمنی به عنوان بزرگترین نوآوری در زمینه ایمنی در نظر مشاهده شده است. از این رو، بازار نیاز به تحقیق بیشتر برای بهبود عملکرد این سیستم ها دارد. برای بهبود هدایت و پایداری خودرو بر اساس ESC، نرخ چرخش، یعنی سرعت چرخش شاسی، و زاویه لغزش جانبی خودرو، زاویه بین جهت سرعت خودرو و شاسی آن کنترل می شود تا آنها از مقادیر هدف پیروی کنند [1،2]. نرخ چرخش را می توان به طور مستقیم توسط یک سنسور نرخ چرخش (ژیروسکوپ) [3،4] اندازه گیری کرد. علاوه بر این، زاویه لغزش جانبی را می توان به طور مستقیم از طریق سنسور های نوری یا سنسور های[5-7] GPS اندازه گیری کرد. با این حال، اشکالات اندازه گیری نرخ چرخش و زاویه لغزش به دقت، قابلیت اطمینان و هزینه [8] بستگی دارد. زاویه های Sideslip (لغزش جانبی) را نمی توان مستقیما با استفاده از سنسورهای استاندارد اندازه گیری کرد، بنابراین اندازه گیری ها باید با استفاده از یک ناظر تخمین زده شود. [9-11]. به همین دلیل، یک برآورد دقیق از زاویه لغزش جانبی خودرو برای استفاده در دینامیک و کنترل خودرو ضروری است. برآورد زاویه ی لغزش جانبی در ادبیات به طور گسترده مورد بحث قرار گرفته است. مدل سازی زاویه های لغزش جانبی به دلیل دینامیکی غیر خطی وسیله نقلیه پیچیده است. برخی از نویسندگان مدل های فیزیکی را برای برآورد زاویه های لغزش جانبی استفاده می کنند [12-15]. بیشترین روش های ذکر شده بر اساس مدل دینامیکی دوچرخه یا تغییرات آن است. این مدل ها تخمین زاویه لغزش جانبی بدون نویز را ایجاد می کند، اما می توانند به تغییرات پارامترهای خودرو حساس باشند. نویسندگان دیگر از مدل های مبتنی بر سینماتیک استفاده می کنند که حرکت بدنه را در نظر می گیرند که تحت تاثیر عدم قطعیت قرار نمی گیرند [14،16،17]. این روش ها، از مشتقات زاویه لغزش جانبی، که از سیگنال های سنسور شامل نرخ چرخش، شتاب جانبی و سرعت خودرو محاسبه شده است، استفاده می کنند. مقاوم بودن مطلوب خواص تایر، اصطکاک جاده و پارامترهای خودرو، مانند جرم وسیله نقلیه و گشتاور های اینرسی، می تواند به دست آید. در نهایت نویسندگانی نیز وجود دارند که از روش های ترکیبی استفاده می کنند که مزایای دو روش قبلی را در بر می گیرد [9،11]. بعلاوه، برخی از نویسندگان روش هایی را برای طراحی ناظر ها پیشنهاد می کنند تا برآورد زاویه لغزش جانبی از متغیرهایی که می توانند به راحتی اندازه گیری شوند، مانند نرخ چرخش، شتاب جانبی و سرعت به دست آید. مدل های مختلف مانند خطی [18] و غیر خطی [19] و ناظر هایی نظیر فیلتر های Kalman [10،20] نیز برای ارزیابی زاویه لغزش جانبی در نظر گرفته شده اند. یکی از ویژگی های مشترک بسیاری از این ناظر ها برای برآورد زاویه لغزش جانبی این است که آنها به شدت بر روی یک مدل دقیق تایر، که در طول عملیات وسیله نقلیه متفاوت است، تکیه می کنند. Filter Kalman Unscented (UKF) یک ابزار قدرتمند برای بیان برآورد از سیستم های غیر خطی می باشد [21-23]. UKF اگر اطلاعات کامل از اندازه گیری توزیع نویز به عنوان شناخته شده در نظر گرفته شود، قادر به دستیابی به عملکرد خوب است. مشکل اصلی برای برآورد زاویه لغزش به اندازه کافی، غیر خطی های تایر است. امروزه مدل های غیر خطی تایر مختلفی برای یک مدل سازی خوب مورد توجه قرار گرفته است. مدل تایر Pacejka [23] که در سال های اخیر مورد توجه قرار گرفته است، یکی از این مدل ها می باشد. انواع مدل های تایر Pacejka با درجه های مختلف پیچیدگی وجود دارد. در یک مدل، که به طور گسترده ای استفاده می شود، نیروهای تایر نسبت به نیروهای عادی و لغزش، نیروهای غیر خطی در نظر گرفته می شوند. مشکل این است که نیروهای تایر همچنین به شرایط جاده بستگی دارند (سطح جاده ی یخی، مرطوب یا خشک). مطالعات قبلی زاویه لغزش را با فرض بر این که خودرو در جاده اي با ضريب اصطکاک ثابت حرکت مي کند برآورد کرده است. هنگامی که ضریب اصطکاک جاده تغییر می کند، دینامیک خودرو نیز تغییر می کند. اگر پارامترهای مدل در ناظر ها اصلاح نشده باشند، برآورد زاویه لغزش می تواند اشتباه باشد. ضعف برآوردگرهای مبتنی بر فیلتر کالمن این است که بهینه بودن الگوریتم برآورد بستگی به کیفیت یک دانش پیشین از روند و اندازه گیری آمار نویز دارد. اخیرا، الگوریتم های هوش مصنوعی ( (AI) برای حذف برخی از ناکافی بودن ها پیشنهاد شده است [24-27]. ثابت شده است که الگوریتم های مبتنی بر هوش مصنوعی به منظور اجتناب از مسائل مربوط به شناسایی و سازگاری پارامترهای مدل مرجع مناسب می باشد. در [28-30]، الگوریتم های مبتنی بر هوش مصنوعی برای ارزیابی زاویه لغزش بر اساس فازی، شبکه عصبی و سیستم استنتاج عصبی- فازی ANFIS استفاده می شود. در کار قبلی ما [30]، ما یک ناظر مبتنی بر ANFIS را برای تخمین زاویه لغزش پیشنهاد کردیم. ثابت کردیم که برآوردگر مبتنی بر ANFIS یک خطای کوچکتر از برآوردگرهای مبتنی بر شبکه عصبی و فیلتر کالمن ارائه می دهد. با این حال، معایب این است که روش های مبتنی بر هوش مصنوعی از هیچ اطلاعات آماری به عنوان ورودی استفاده نمی کنند، و همچنین آمار خروجی مربوط به راه حل را نیز تولید نمی کنند، مگر اینکه روش های اعتبارسنجی متقابل (cross-validation) مورد استفاده قرار گیرند. در این مقاله، ما یک ناظر جدید مبتنی بر ANFIS را پیشنهاد می کنیم و با یک فیلتر Kalman ترکیب می کنیم تا برآورد زاویه لغزش که برای کنترل دینامیک خودرو استفاده شود و رفتار آن را بهبود بخشد. سایر تحقیقات همچنین تکنیک های مبتنی بر هوش مصنوعی را با فیلتر کلمن برای تخمین ترکیب می کنند. در این مورد، الگوریتم مبتنی بر هوش مصنوعی بر بهبود عملکرد فیلتر از طریق تخمین تطبیقی اطلاعات آماری فیلتر (ماتریس های کواریانس (مشابه واریانس)) [31-33] نهادینه شده است. مشکل این است که یادگیری عدم قطعیت فرآیند دشوار و پیچیده است. در این مورد، ما اطلاعات آماری فیلتر را برآورد نمی کنیم، بلکه ما یک "شبه پارامتر"، یک شبه زاویه لغزش" را که در Filter Kalman معرفی شده، تخمین می زنیم. سیستم ANFIS یک زاویه شبیه لغزش را از طریق پارامترهایی که به راحتی با استفاده از وسایل نقلیه واقعی مجهز به سنسور ها (سنسور نوری و سنسور فرمان) محاسبه می شود، برآورد می کند و این مقدار در UKF به منظور فیلتر کردن نویز و به حداقل رساندن واریانس میانگین مربع خطا تخمین استفاده می شود. ناظر مبتنی بر ANFIS ترکیبی از مزایای هر دو شبکه عصبی و منطق فازی است. ناظر سابق تطبیقی است و می تواند از تعمیم و تشخیص الگو یادگیری بگیرد. این کار باعث عملکرد نرم و پایدار می شود [34]. در [35] یک الگوریتم ANFIS پیشنهاد شده است تا نرخ چرخش را تخمین بزند و نتایج خوبی را ارائه دهد. مزیت این است که ناظر ها بر اساس ANFIS می تواند از شرایط مختلف جاده و مانور ها یاد بگیرد. نرم افزار CarSim برای آزمایش موثر بودن الگوریتم پیشنهاد شده [36] مورد استفاده قرار گرفته است و استفاده از آن به عنوان نرم افزار شبیه سازی در صنعت خودرو گسترش یافته است. این نرم افزار ترکیبی از دینامیک های ماشین معمول و مدرن چند بدنه، مبتنی بر مدل سازی پارامتری است. نرم افزار شامل یک پایگاه داده گرافیکی سه بعدی از یک مدل کامل خودرو، جهت و کنترل سرعت و شرایط خارجی مانند اطلاعات جاده، درگ و غیره است. نتایج CarSim پس از آموزش نشان می دهد که ناظر پیشنهادی، آموزش می بیند تا رفتار زاویه لغزش درست و مطمئن ، بدون سختی را برآورد کند. کارایی ناظر با استفاده از آزمونهای شبیه سازی زیاد اثبات شده است.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

Most existing ESC (Electronic Stability Control) systems rely on the measurement of both yaw rate and sideslip angle. However, one of the main issues is that the sideslip angle cannot be measured directly because the sensors are too expensive. For this reason, sideslip angle estimation has been widely discussed in the relevant literature. The modeling of sideslip angle is complex due to the non-linear dynamics of the vehicle. In this paper, we propose a novel observer based on ANFIS, combined with Kalman Filters in order to estimate the sideslip angle, which in turn is used to control the vehicle dynamics and improve its behavior. For this reason, low-cost sensor measurements which are integrated into the actual vehicle and executed in real time have to be used. The ANFIS system estimates a “pseudo-sideslip angle” through parameters which are easily measured, using sensors equipped in actual vehicles (inertial sensors and steering wheel sensors); this value is introduced in UKF in order to filter noise and to minimize the variance of the estimation mean square error. The estimator has been validated by comparing the observed proposal with the values provided by the CARSIM model, which is a piece of experimentally validated software. The advantage of this estimation is the modeling of the non-linear dynamics of the vehicle, by means of signals which are directly measured from vehicle sensors. The results show the effectiveness of the proposed ANFIS+UKF-based sideslip angle estimator.