Прогнозирование торможения автотранспортного средства с механической коробкой передач Текст научной статьи по специальности «Математика»

Рис. 6. Результаты частотного анализа отклика для двух вариантов конструкции фрикционного диска

Заключение

В результате проведенного исследования была обоснована необходимость дополнения существующей методики расчета фрикционных элементов системы управления трансмиссий анализом вибронагруженности. Был предложен вариант изменения конструкции диска, благодаря которому можно исключить резонансные значения из спектра частот фрикционного диска.

Список литературы

1. Держанский В.Б., Тараторкин И.А., Бураков Е.А. Механика и

прогнозирование резонансных режимов металлокерамических дисков перспективных гидромеханических трансмиссий транспортных машин // Известия вузов. Машиностроение. - 2007. - № 11. - С. 15 - 23.

2. Тимошенко С.П., Янг Д. Х., Уивер У. Колебания в инженерном деле. -

М.: Машиностроение, 1985. - 472 с.

3. Сегерлинд Л. Применение метода конечных элементов. - М.: Мир,

1979. - 392 с.

4. Рычков С. П. MSC.visual NASTRAN для Windows. - М.: НТ-пресс,

2004. - 552 с.

УДК 656.13.08.01:629.33.07 Д.И. Дик

Курганский государственный университет

ПРОГНОЗИРОВАНИЕ ТОРМОЖЕНИЯ АВТОТРАНСПОРТНОГО СРЕДСТВА С МЕХАНИЧЕСКОЙ КОРОБКОЙ ПЕРЕДАЧ

Аннотация

Одной из основных причин ДТП при попутном следовании автомобилей является недостаток времени на принятие решения водителем в случае торможения впереди идущего автомобиля. Это время может быть увеличено за счет введения опережающей внешней световой сигнализации торможения через штатные сигналы автомобиля. В статье описывается метод прогнозирования торможения автотранспортного средства с механической коробкой передач по параметрам, характеризующим воздействия водителя на педали акселератора и сцепления.

Ключевые слова: предотвращение попутных столкновений автомобилей, прогнозирование торможения.

D.I. Dik

Kurgan State University

THE CAR WITH MANUAL GEARBOX BRAKING PREDICTION

Annotation

One of the main causes of road accidents when cars following is a lack of time to make a decision in the case of a driver braking in front of the car coming. This time can be increased by the introduction of light presignaling of the brake. The article describes a method of the car with manual gearbox braking prediction by driver actions that precede the beginning of breaking.

Key words: car braking prediction, traffic safety.

Введение

Автомобилизация страны, решая задачи по перевозке пассажиров и грузов, ставит проблему обеспечения безопасности дорожного движения. В обстановке, характеризующейся высокой интенсивностью движения автомобильного транспорта, в которое вовлечены десятки миллионов людей и большое число транспортных средств, предупреждение аварийности становится одной их серьезнейших социально-экономических проблем. От ее успешного решения в значительной степени зависят не только жизнь и здоровье людей, но и развитие экономики страны.

Большие возможности в решении задачи повышения безопасности дорожного движения имеет создание систем активной безопасности автомобилей. Однако многие теоретические и практические вопросы создания таких систем, особенно для защиты автомобиля от удара сзади, для современных условий не решены.

Одним из путей решения данной проблемы является введение опережающей внешней световой сигнализации торможения через штатные сигналы автомобиля. Опережение должно обеспечиваться возможностью устройства, управляющего системой сигнализации, прогнозировать факт предстоящего торможения по параметрам, характеризующим воздействия водителя на педали акселератора и сцепления.

1. Выбор прогностических параметров

По результатам обработки проведенных экспериментов, в ходе которых регистрировались скорость V, м/c, и замедление j, м/с2, автомобиля, положения педалей акселератора ha, %, сцепления hc, %, и тормоза hm, %, а также частота вращения коленчатого вала двигателя n, мин -1, определено прогностическое «окно». Данное «окно» включает интервал времени 2 с, предшествующий моменту отпусканию педали акселератора д tc, с, и интервал времени 0,05 с, следующий за моментом отпускания педали акселератора. В качестве прогностических параметров предлагается использовать следующие десять параметров, значение которых вычисляется внутри указанного выше «окна» (их графическая интерпретация приведена на рис. 1 и 2):

- время обратного хода педали акселератора

ta , с;

1ох ' '

- максимальная скорость изменения положения педали акселератора за время её обратного хода

h'a %/с; hmax, % ;

- интегральный показатель по педали акселератора фа , %. с:

Lnc 1 imax

Ф? = J (hmax - hа (t))dt

где hamax - максимальное значение положения педали акселератора за интервал, предшествующий событию, %; tmax - интервал времени от начала интервала, предшествующего событию, до момента достижения

ha , c;

max ' '

- относительный показатель по педали акселератора ©а:

©а = |

г hа (t)

t At ■ ha ■

trc nc max

относительный показатель по педали акселе-

ратора ©а

&а = }

hа (t)

lnc 1 lmax

а (At - f ) • И

а \ nc maxу i

- максимальная скорость изменения положения педали сцепления за время её прямого хода к'^ , %/с;

- интегральный показатель по педали сцепления Ф; , %. с:

VC

ф° = J hc(t)dt,

где t - время прямого хода педали сцепления, с,

(измеряется от момента нажатия на педаль до конца интервала, следующего за событием);

- величина скорости автотранспортного средства

в момент наступления события, Vc, м/с;

- разность между максимальной скоростью АТС и скоростью в начале интервала, предшествующего событию, AVnc , м/с;

max

- относительный показатель по скорости :

©Г =

= "Г (Vc +AVmax -V(t)) ^ (At - tr ) -AVnc 0,5,

dt, emu (At^ - Cx) 'Д^ > 0.

ecnu (Atnc - Cx) -AV^x = 0,

где AVi

тах - разность между максимальной скоростью АТС и скоростью в момент наступления события,

м/с; t

max

интервал времени падения скорости АТС пе-

ред наступлением события, с.

О Ш г, Ofl t , с I »

Рис.1. Оптимальный комплекс параметров, используемых для прогнозирования торможений

Рис.2.Оптимальный комплекс параметров, используемых для прогнозирования торможений (продолжение)

2. Применение искусственной нейронной сети для прогнозирования торможения

Для решения задачи прогнозирования предлагается использовать метод, основанный на использовании искусственных нейронных сетей (ИНС). По сравнению с классическими методами данный подход имеет ряд преимуществ. Так, для решения сложных задач классификации можно использовать относительно небольшие нейронные сети, что позволяет получить простую и эффективную в вычислительном плане реализацию классифицирующего устройства. Они представляют собой обучающиеся системы, что позволяет при необходимости в случае поступления новых данных доучивать их. Для обучения нейронных сетей можно использовать сравнительно небольшие обучающие выборки, не обеспечивающие получения статистически достоверных результатов классическими методами. ИНС не накладывают ограниче-

t

nc

СЕРИЯ «ТЕХНИЧЕСКИЕ НАУКИ», ВЫПУСК 5

55

ний на количество используемых параметров и наличие зависимостей между ними, число примеров для разных классов может быть различным.

В качестве ИНС выбрана трехслойная нейронная сеть прямого распространения. Математическая модель такой сети описывается следующим выражением:

- максимальное значение ошибки первого рода составляет 11%.

(

ZÜI wkj

j=1

out

■ф

Z'

i-1

hid ß

hid

Л

• ri + wj 0

+ whid + wk 0

J

,.,hid -...out . wj и wkj .

где г. - нормированное значение /-го входного (прогностического) параметра (р - количество параметров);

- значение к-го (для нашего случая, к = 1) выходного сигнала нейросети (в нашем случае - это результат прогнозирования и может принимать значения «-1» -прогноз факта «отсутствие торможения», «+1» - прогноз факта «присутствие торможения»);

- весовой коэффициент связи г'-го входного

У

параметра и _/-го нейрона второго (скрытого) слоя;

- весовой коэффициент связи /-го нейрона второго (скрытого) слоя и нейрона к-го выхода сети;

ф(-) - функция активации нейрона; к - число нейронов во втором (скрытом) слое. Применение ИНС для задачи прогнозирования торможения автотранспортного средства заключается в нахождении аппроксимации законов, связывающих действия водителя с фактом последующего торможения. Задача построения аппроксимации сводится к нахождению такой структуры ИНС (числа нейронов скрытого слоя

- h, значений весовых коэффициентов чтобы при подаче на вход ИНС определенного набора параметров минимизировалась ошибка предсказания нейронной сетью фактов торможения. Результатом должна быть прогностическая система, обеспечивающая предсказание фактов торможения, как на обучающем множестве, так и на всем многообразии реальных торможений. Критерием оптимальности модели при этом служит внешний критерий [5], в качестве которого выступает ошибка предсказания на тестовой выборке торможений, не вошедших в выборку обучения. Задача обучения ИНС (определение оптимальных whf и wj при

заданной структуре ИНС и модели нейронов) сводится к минимизации функционала, определяющего ошибку классификации сети на предъявленном ей множестве обучающих входных векторов. Методы и алгоритмы обучения ИНС подробно представлены в [1, 2, 3, 4, 6].

На основании проведенных исследований получена структура прогнозирующей торможения ИНС (рис. 3).

Заключение

В данной работе описаны параметры, характеризующие воздействия водителя на педали акселератора и сцепления, используемые для построения устройства прогнозирования торможения автотранспортного средства с механической коробкой. Для решения задачи прогнозирования предлагается использовать метод, основанный на использовании искусственной нейронной сети. По результатам обучения нейронной сети получены величины ошибок классификации первого PI (торможение не спрогнозировано) и второго PII (ложный прогноз торможения) рода:

- максимальное значение ошибки первого рода составляет 18%,

Рис. 3. Структурная схема прогнозирующей торможения ИНС

Список литературы

1. Горбань А.Н. Нейронные сети на персональном компьютере. -

Новосибирск: Наука ; Сибирск. издательская фирма РАН, 1996. -276 с.

2. Горбань А.Н. Обобщенная аппроксимационная теорема и вычисли-

тельные возможности нейронных сетей // Сибирский журнал вычисл. матем. - 1998. - Т.1. - № 1. - С. 11-24. - ISSN 1560-7526.

3. Горбань А.Н. Обучение нейронных сетей. - М.: Изд-во СССР-США СП

«ПараГраф», 1990. - 160 с.

4. Гордиенко Е. К. Искусственные нейронные сети. Основные определе-

ния и модели // Техническая кибернетика. -1994. - № 5. - С. 79-92.

5. Ивахненко А. Г. Индуктивный метод самоорганизации моделей

сложных систем. - Киев : Наукова думка, 1982. - 296 с.

6. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика.

- М. : Мир, 1992. - 240 с.

УДК 656.13.08.01:629.33.07 Д.И. Дик

Курганский государственный университет

ИМИТАЦИОННАЯ МОДЕЛЬ ПОПУТНЫХ СТОЛКНОВЕНИЙ АВТОМОБИЛЕЙ

Аннотация

Одной из основных причин ДТП при попутном следовании автомобилей является недостаток времени на принятие решения водителем в случае торможения впереди идущего автомобиля. Это время может быть увеличено за счет введение опережающей внешней световой сигнализации торможения через штатные сигналы автомобиля. В статье описывается имитационную модель для оценки влияния опережающей световой сигнализации торможения на безопасность движения.

Ключевые слова: предотвращение попутных столкновений автомобилей, опережающая световая сигнализация торможения, математическая модель.