基于Fuzzy-Pid的物流車輛安全控制系統設計及應用

摘要：從物流企業實際需求出發，建立物流車輛安全控制系統平臺體系，利用MATLAB軟件，仿真分析平臺核心機制算法，結合具體物流企業進行應用分析。研究結果表明，物流車輛安全控制系統溫度監測部位覆蓋廣，相比有線車輛溫度監測裝置，無線監測裝置安裝簡單，成本較低；在核心機制算法上，相比PID模型，Fuzzy-Pid上升時間快，響應度高，超調量較小，適應能力強；在物流企業實際應用中，物流車輛輪轂溫度超預警頻次較高，發動機、變速箱等溫度較為穩定，預示存在剎車失靈、爆胎的情形，需要停車并進行安全檢查。

關鍵詞：物流車輛；模糊控制；MATLAB；系統設計

中圖分類號：N945.23文獻標志碼：A

收稿日期：2024-06-20

基金項目：

2022年度福建省中青年教師教育科研項目（批準號：JAT220707）資助；福建省社科基金（批準號：FJ2022B069）資助；互通智慧物流閩西南協同創新發展平臺（批準號：2021FX06）資助。

通信作者：

潘文軍，男，博士，教授，主要研究方向為現代物流、供應鏈與物流管理。E-mail： panwj1976@163.com

《“十四五”規劃和2035年遠景目標綱要》指出要積極穩妥發展車聯網^[1]，《關于推動5G加快發展的通知》提出要促進“5G+車聯網”協同發展，車聯網已成為國家新型信息基礎設施建設工程^[2]。目前，全球車聯網產業生態不斷豐富完善，汽車聯網化滲透不斷加強，全球市場搭載智能網聯功能的新車滲透率超過45%，預計至2025年可達到60%^[3]。隨著5G、邊緣計算等新技術與智能網聯汽車融合應用更加深入，中國車聯網產業在多方面取得了積極進展，在促進汽車、交通等傳統產業轉型升級，以及形成數字經濟發展的新產業集聚方面起到了積極作用。2022年，全國機動車保有量達4.17億輛，其中汽車3.19億輛，機動車駕駛人達5.02億人，其中汽車駕駛人4.64億人，私人載貨汽車擁有量2 072.26萬輛，載貨汽車新注冊登記237.94萬輛^[4]。汽車普及率越來越高，給人們的生產生活帶來便利，同時也帶來一系列安全問題。據公安部統計，中國貨車保有量占全部機動車保有量比重不足10%，但導致事故占1/4，一次死亡3人以上事故約占1/3，一次死亡10人以上事故占40%^[5]。隨著中國經濟的騰飛，物流運輸迅猛發展，貨車事故率也急劇上升，給社會安全帶來極大的隱患。目前，車輛安全已成為熱門的研究領域，車聯網基礎研究逐漸增強，車輛的通信模式、汽車安全數據、智能化監控等領域研究增多^[6-7]。車輛安全研究方法多樣，如通過圖像對比方法，結合車輛檢測與識別的多攝像機車輛重識別^[8]；從駕駛人收集的大量GPS數據中提取車輛的制動和加速動作，分析與不同設施類型的歷史碰撞頻率和嚴重程度的相關性，研究替代安全措施^[9]；CORS服務網絡和移動GIS在車輛定位監控系統中的應用提高了移動車輛空間定位的準確性，有助于定位對象的視覺顯示，提高車輛精準定位監測^[10]。新零售模式下，前置倉、倉配一體化、無人機配送、自動分揀等新模式涌現，說明人工智能正在不斷優化傳統物流方式，越來越走近人們的日常生活^[11]。物流行業逐步融入大數據發展，物流數據加速集聚，物流車輛數據越來越重要^[12]。車輛安全不僅考慮內部環境，也要考慮外部環境應用，加強大數據的挖掘，建立更好的預警信息系統，全面保障駕駛人員安全^[13]。車輛安全相關研究仍存在一些不足，目前多集中在基礎研究，在應用領域研究方面不多，與行業發展深度融合不足，未能建立具體的物流車輛安全系統體系，對具體核心運行機制設計較少，理論與實踐結合不夠。為此，本文基于Fuzzy-Pid構建物流車輛安全控制系統，利用MATLAB仿真分析闡述核心算法，并進行具體物流企業實際應用測試。

1 物流車輛安全控制系統設計

據交通部統計，截至2023年12月底，全國共有3 069家網絡貨運企業，接入社會運力798.9萬輛車、駕駛員647.6萬人，物流車輛安全控制系統平臺市場應用前景廣闊^[14]。當前市場上車輛溫控系統多采用有線傳輸，安裝繁瑣，成本較高，溫控裝置行駛中易松動或掉落，智能預警程度不高，市場接受度低。領先的物流車輛安全控制系統平臺設計并市場化應用，將惠及全國超2 000萬載貨汽車司機安全。

物流車輛安全控制系統平臺主要依托網絡貨運平臺，與物流活動場景銜接，建立穩固且持續的終端應用。系統通過采集物流車輛重要部位溫度數據，利用車載端與車輛溫度控制系統云平臺實時傳輸信息，云平臺通過數據分析形成預警信息，傳輸至車輛終端，并同步傳輸到車輛溫度控制管理中心后臺（圖1）。

物流車輛安全控制系統實施步驟：（1）車輛溫度的數據采集，通過無線溫度傳感器對物流車輛的輪轂、發動機和變速箱等進行溫度數據采集，傳輸至車載終端；（2）車輛信息的數據采集及綁定，向車輛信息模塊輸入車輛信息，并通過車輛信息模塊將車輛信息、設備ID與相應車輛的溫度數據綁定在一起；（3）車輛信息的匹配及傳輸，將無線傳感獲取的溫度數據，及GPRS獲取的車輛定位信息，通過車載終端傳輸至云平臺；（4）數據處理，通過云平臺的地圖處理，將獲取的車輛信息、車輛情況、車輛定位信息實時顯示在地圖上。物流車輛溫度情況以不同顏色區分∶第一溫度區間（白色，＜80℃），第二溫度區間（橙色，80℃～90℃），第三溫度區間（紅色，90℃～100℃），第四溫度區間（暗紅色，≥100℃）；（5）車輛溫度數據顯示，車輛溫度控制平臺中心實時顯示物流車輛基本信息、車輛溫度情況、車輛定位信息，當車輛溫度根據模型預測超過預警時，將在車輛車載顯示預警中心以預警顏色提醒，當車輛定位仍持續更新變化時，系統將自動撥打司機電話提醒停車檢查。

物流車輛安全控制系統平臺核心為測溫傳感系統，用于實時檢測輪轂、變速箱、發動機等主要部位的溫度（圖2），其中1～10為車輪轂溫度，11、12為轉向輪溫度，13為發動機溫度，14為變速箱溫度，15、16分別為傳動前、后橋溫度。物流車輛具有載重大、行駛時間長、駕駛環境復雜多樣等特點，對車輛各部位溫度監測采集傳感要求高，裝置的牢固性及溫度采集穩定性對系統起到關鍵作用，裝置硬件牢固性較易解決，而溫度采集穩定性則需要更優的溫控算法。

2 算法設計

物流車輛安全控制系統平臺在監測溫度采集傳感采用“心跳包”模式（圖3），當溫度大于預警值時，繼續進行溫度監測，并將預警信息無線上傳管理平臺，反之，則進入低功耗休眠等待下一次監測。“心跳包”的核心為溫度的監測控制，本文將重點研究物流車輛安全控制系統平臺采用的溫度測控算法。

根據物流車輛實際應用場景，結合溫度控制的基本算法，選擇比例—積分—微分（PID， 圖4）、Fuzzy-Pid（圖5）兩種模型算法進行對比分析，以仿真系統作為實驗測試，并根據實驗測試結果選擇一種模型，應用到物流車輛安全控制系統平臺中。

PID算法原理比較簡單，易實現，參數相互獨立，是目前在連續的系統中應用最成熟、最廣泛的一種控制算法^[15]。PID是線性控制模型，主要結合比例、積分和微分的控制算法，PID算法的核心

r（t）=Kpe（t）+Ki∫t0e（t）dx+Kdde（t）dt

其中，Kp是PID比例參數，Ki是PID積分參數，Kd是PID微分參數，e（t）是期望值與實際值之間的偏差。

Fuzzy-Pid算法是將PID算法、模糊控制算法相結合的混合控制模型，主要根據給定值與測量值的偏差，選擇控制器偏差值在不同區間時，選擇不同控制方法，可控制不確定對象和非線性對象^[16]。Fuzzy-Pid算法的核心

Kp=Kp0+Gp×ΔKp

Ki=Ki0+Gi×ΔKi

Kd=Kd0+Gd×ΔKd（1）

其中，Kp，Ki，Kd為PID算法的參數，Kp0，Ki0，Kd0為PID算法的參數整定值，Gp，Gi，Gd為主要的比例因子，ΔKp，ΔKi，ΔKd為Kp，Ki，Kd的調整量。

Fuzzy-Pid算法主要是“兩入三出”，即通過輸入Ke和Kec兩個數值，將獲得的3個相關調整值輸出ΔKp、ΔKi、ΔKd，再將相關調整值代入式（1）^[17]。為滿足物流車輛安全控制系統的車輛各部位溫度測控實際需求和精度要求，設定當前測量值與設定目標的偏差Ke，并設定誤差Ke隨時間的變化率Kec，用于考察控制對象的變化趨勢。通過模糊推理得到ΔKp，根據誤差Ke和誤差變化率Kec的變化進行實時調整；同理得到ΔKi，其根據誤差Ke的累積程度進行調整；ΔKd根據Kec的變化進行調整。

傳統的PID控制器在精確控制方面表現出色，但在處理非線性、時變和不確定系統時存在局限性。Fuzzy邏輯擅長處理這類復雜系統，但不具備PID的精確性。將Fuzzy邏輯與PID控制算法結合，使物流車輛安全控制系統能夠同時處理復雜環境和實現精確控制。Fuzzy-Pid算法具有較強的自適應能力，可以根據車輛運行環境（如路況、天氣、載重等）的變化自動調整控制策略，能在各種惡劣環境下長期穩定運行，而不會出現性能下降或失效的情況，有效提高了系統的靈活性和魯棒性。基于Fuzzy-Pid算法的物流車輛控制系統具備內置的故障檢測機制，能夠在系統出現故障時及時發出警報，并采取相應的恢復措施，這提高了系統的整體可靠性，減少了因故障導致的停車時間。

3 系統仿真及實驗結果討論

3.1 物流車輛溫度控制系統仿真

仿真分析時，利用MATLAB（2023b）軟件，通過Simulink模塊建模，采用Scope模塊展示仿真結果。以物流車輛核心部件輪轂為研究對象，設置輪轂目標溫度80℃，系統的時間為120 s。輸入系數：Ke=0.01，Kec=0.002；輸出調整值系數：Gp=3，Gi=2，Gd=0；PID控制器的整定初始參數：Kp0=1.34，Ki0=0.11，Kd0=0。為了驗證Fuzzy-Pid算法的效果，與PID算法進行比較，仿真結果見表1。

對比Fuzzy-Pid與PID的控制方式，Fuzzy-Pid的上升時間比PID快0.5 s，系統能夠快速響應物流車輛輪轂外部變化；Fuzzy-Pid的超調量比PID少1.59%，即系統在達到穩態前控制作用較好，具有更強的適應性和魯棒性；在調節時間及穩態誤差方面，PID比Fuzzy-Pid更優，但在較為復雜惡劣的物流車輛溫度控制系統中，穩定性要求較高，較大的調節時間更為合適，同時物流車輛溫度控制系統對精度要求較低，重要的是系統的穩定，因此穩態誤差方面Fuzzy-Pid表現較弱，但兩種控制方式的穩態誤差相近，基本趨于零。總體上，Fuzzy-Pid控制方式優于PID（圖6）。

分析PID與Fuzzy-Pid兩種控制系統響應調節結果，Fuzzy-Pid的上升速度較快，超調量較小，系統穩態誤差較小，適應力較強，調節能力較強，可以明顯改善溫控系統的性能，具有比較理想的穩態品質。當前，神經網絡法是較為先進的控制方式，具有魯棒性強、響應速度快的優勢，但對硬件要求極高，且調試和訓練過程復雜，投入成本高，而且不易于集成和維護。而Fuzzy-Pid控制系統在適應性和魯棒性、響應速度和精確控制、集成和維護等方面具有顯著優勢，成本領先優勢明顯，將本系統與物流安全控制平臺、網絡貨運平臺等互聯互通，需具備較強的集成和維護功能，更切合實際應用。因此，物流車輛溫度控制系統中的核心算法將采用Fuzzy-Pid算法，作為平臺的“心跳包”。

3.2 實驗結果討論

以YT物流公司作為研究對象，對公司10輛物流車輛安裝相關系統及裝置，進行為期1個月跟蹤分析，監測物流車輛重要部位溫度（表2）。

由表2可以看出，橙色預警次數較多時，通常會出現較高的輪轂溫度，頻繁的橙色預警預示著可能爆發車輛故障，具有較大的潛在事故風險。數據顯示，如果出現紅色預警，不一定出現車輛故障，但如果出現紅色預警，且溫度較高，頻次較多時，預示存在剎車失靈、爆胎等可能，將發生車輛故障，必須停車進行安全檢查。轉向輪、發動機、變速箱、傳動前橋、傳動后橋的部位溫度較為穩定，通常情況下問題較小，但如果橙色預警次數較多，且又出現紅色預警時，具有發生車輛故障的可能性，必須進行安全檢查。

4 結論

本文通過研究物流車輛安全控制系統，反映從物流車輛溫度采集到車輛溫度預警全過程，詳細說明物流車輛安全控制系統實施步驟，分析物流車輛溫度監測核心機制算法，并進行仿真及實際應用分析。研究結果表明，物流車輛安全控制系統溫度采集部位多，溫度監測穩定，相比傳統有線車輛溫度控制系統，安裝和使用便捷，且成本較低；在核心機制算法中，采用Fuzzy-Pid模型，上升速度較快，超調量較小，響應較快，具備較優的控制適應力，且相對其他模型算法，更易于集成和維護，切合實際應用；在具體物流企業應用中，輪轂部位溫度異常頻次較高，相比發動機、變速箱等部位發生故障率較高。目前物流車輛安全控制系統設計及應用處于起步階段，在物流企業應用測試較少，存在溫度傳感故障、惡劣環境下溫度異常等情況，未來應針對不同地區氣候、不同物流活動場景等開發控制系統。

參考文獻

［1］中華人民共和國中央人民政府. 中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要[EB/OL]. [2024-06-13]. https：//www.gov.cn/xinwen/2021-03/13/content_5592681.htm.

[2]中華人民共和國中央人民政府. 工業和信息化部關于推動5G加快發展的通知[EB/OL]. [2024-06-13]. https：//www.gov.cn/xinwen/2021-03/13/content_5592681.htm.

[3]光明網. “十四五”時期，車聯網產業發展走向何方？[EB/OL]. [2024-06-13]. https：//m.gmw.cn/baijia/2022-01/07/35433264.html.

[4]中華人民共和國公安部. 全國機動車保有量達4.17億輛駕駛人超過5億人[EB/OL]. [2024-06-13]. https：//www.mps.gov.cn/n2254098/n4904352/c8837543/content.html.

[5]訾謙. 多部門聯合保障貨車司機權益[N]. 光明日報， 2021-11-04（015）.

[6]余曉玫， 李文娟， 譚祥. 基于5G網絡的車聯網通信模式及應用[J]. 汽車與新動力， 2022， 5（3）： 40-42.

[7]丁承君， 李召策， 朱雪宏， 等. 面向倉儲的物聯網智能化監控系統[J]. 機械設計與制造， 2019（11）： 118-121.

[8]王艷芬， 朱緒冉， 云霄， 等. 面向公共安全監控的多攝像機車輛重識別[J]. 西安電子科技大學學報， 2019， 46（4）： 190-196.

[9]JOSHUA S， LUIS M， NICOLAS S， et al. Vehicle manoeuvers as surrogate safety measures： Extracting data from the GPS-enabled smartphones of regular drivers[J]. Accident Analysis and Prevention， 2018， 115：160-169.

[10] ZECHUN H， DINGFA H， ZHU X， et al. GPS vehicle positioning monitoring system integrated with CORS and mobile GIS[J]. Procedia Environmental Sciences， 2011， 10： 2498-2504.

[11] KINGA P， MONIKA B. Sustainable supply chain finances implementation model and artificial intelligence for innovative omnichannel logistics[J]. Management， 2022， 26： 19-35.

[12] 曹云. 加快物流大數據建設的困難與路徑分析[J]. 大陸橋視野， 2019（10）： 38-42.

[13] ZHAO X H， CHEN Y F， LI H J， et al. A study of the compliance level of connected vehicle warning information in a fog warning system based on a driving simulation[J]. Transportation Research Part F： Psychology and Behaviour， 2021， 76： 215-237.

[14] 央視新聞. 網絡貨運行業規模不斷擴大，2023年共上傳運單1.3億單[EB/OL]. [2024-06-15]. https：//news.cctv.com/2024/03/15/ARTIB65Qow9AtsPEMt3TZ77d240315.shtml.

[15] 仲濟艷， 張佑春， 沈麗娜. 基于模糊控制算法的超聲波自動泊車系統的研究與設計[J]. 蘭州文理學院學報（自然科學版）， 2023， 37（5）： 81-84.

[16] SOUDANI M S， AOUICHE A， GHANAI M， et al. Advanced active suspension control： A three-input fuzzy logic approach with jerk feedback for enhanced performance and robustness[J]. Measurement， 2024， 229：114326.

[17] 呂侃徽， 張大興. 爆胎車輛動力學分析及模糊PID控制優化策略研究[J]. 中國工程機械學報， 2024， 22（2）： 146-151.

Design and Application of Logistics Vehicle Safety Control System Based on Fuzzy-Pid

LIN Zhen-xing¹， PAN Wen-jun²

（1. Business School， Liming Vocational University， Quanzhou 362021， China; 2.Business School， Huaqiao University， Quanzhou 362021， China）

Abstract： Starting from the actual needs of logistics enterprises， a logistics vehicles safety control system platform was established. MATLAB software was used to simulate and analyze the core mechanism algorithm of the platform， and combined with specific logistics enterprises for application analysis. The research shows that the temperature monitoring parts of the logistics vehicles safety control system cover a wide range， and compared with wired vehicle temperature monitoring devices， wireless monitoring devices are easier to install and have lower costs. In terms of core mechanism algorithms， compared to the PID model， Fuzzy-Pid has a faster rise time， higher responsiveness， smaller overshoot， and stronger adaptability. In practical applications of logistics enterprises， the frequency of over-temperature warnings for logistics vehicle hubs is relatively high， and the temperatures of engines and transmissions are relatively stable， indicating the possibility of brake failure and tire blowouts. Therefore， logistics vehicles need to be stopped for safety inspections.

Keywords： logistics vehicles; fuzzy control; MATLAB; system design