用Python和SymPy手把手推导汽车二自由度模型：从受力分析到微分方程求解

用Python和SymPy手把手推导汽车二自由度模型：从受力分析到微分方程求解

在汽车动力学研究中，二自由度模型是最基础却最实用的分析工具之一。它通过简化复杂的多自由度系统，聚焦于侧向运动和横摆运动这两个核心维度，为车辆稳定性控制、转向特性分析提供了理论基础。传统教材往往停留在理论推导层面，而本文将带您用Python的SymPy库，从零开始完整复现这个经典模型的代码化推导过程。

对于工程师和学生而言，能够将教科书上的公式转化为可执行的代码，意味着对原理的掌握达到了新的层次。我们将通过Jupyter Notebook的交互式环境，实时验证每个推导步骤的正确性，最终得到可用于数值求解的微分方程矩阵形式。这种"代码即文档"的方式，不仅能加深理解，还能为后续的仿真分析打下坚实基础。

1. 模型假设与坐标系建立

在开始编码之前，需要明确模型的简化条件。二自由度模型的精髓在于合理的假设，这些假设将直接影响后续方程的形式。打开您的Python环境，我们先导入必要的库并声明符号变量：

from sympy import symbols, Eq, Function, diff, sin, cos, simplify import sympy as sp # 定义基本符号变量 u, v, r = symbols('u v r') # 纵向速度、侧向速度、横摆角速度 delta = symbols('delta') # 前轮转角 a, b = symbols('a b') # 质心到前/后轴距离 m, Iz = symbols('m I_z') # 质量和转动惯量 C_f, C_r = symbols('C_f C_r') # 前/后轮侧偏刚度

经典二自由度模型基于以下核心假设：

1. 平面运动假设：忽略悬架作用，认为车辆仅在平行于地面的平面内运动
2. 恒速假设：纵向速度u保持恒定（即无加速/制动）
3. 小角度假设：侧偏角较小，可进行线性近似（sinθ≈θ，cosθ≈1）
4. 轮胎线性区：侧向加速度≤0.4g，轮胎力与侧偏角呈线性关系

这些假设将六自由度的真实车辆简化为仅考虑侧向速度v和横摆角速度r的两个自由度。在代码中，我们需要时刻检查这些假设是否得到满足。

2. 运动学分析：从速度到加速度

运动学分析的目标是建立车辆速度与加速度之间的关系。考虑车辆在t时刻和t+Δt时刻的位置变化，我们可以推导出绝对加速度在车辆坐标系下的分量。

在代码中实现这一分析，首先需要定义相关变量和几何关系：

# 定义时间变量和函数 t = symbols('t') v = Function('v')(t) # 侧向速度随时间变化 r = Function('r')(t) # 横摆角速度随时间变化 u = symbols('u') # 纵向速度设为常数 # 绝对加速度在y轴的分量 a_y = diff(v, t) + u * r

这个看似简单的表达式a_y = dv/dt + u*r包含了两个关键物理意义：

• diff(v, t)代表侧向速度变化率
• u*r代表由于横摆运动产生的向心加速度

通过SymPy的自动微分功能，我们可以轻松处理这些随时间变化的量，而无需手动求导。这种符号计算能力正是SymPy在工程分析中的价值所在。

3. 动力学分析：轮胎力与运动方程

动力学分析的核心是建立力与运动之间的关系。对于二自由度模型，我们需要考虑：

1. 侧向力的平衡
2. 绕z轴的力矩平衡

首先定义轮胎侧偏角和相应的侧向力：

# 前轮和后轮侧偏角 alpha_f = delta - (v + a * r) / u alpha_r = -(v - b * r) / u # 线性轮胎模型下的侧向力 F_yf = C_f * alpha_f F_yr = C_r * alpha_r

这里需要注意：

• 前轮侧偏角alpha_f包含转向角delta的影响
• 后轮侧偏角alpha_r仅由车辆运动状态决定
• 侧向力与侧偏角成正比，比例系数为侧偏刚度C_f和C_r

接下来建立整车动力学方程：

# 侧向力平衡方程 eq1 = Eq(m * a_y, F_yf + F_yr) # 横摆力矩平衡方程 eq2 = Eq(Iz * diff(r, t), a * F_yf - b * F_yr)

这两个方程构成了二自由度模型的核心。将它们与之前得到的a_y表达式结合，就形成了完整的微分方程组。

4. 方程整理与矩阵形式

为了便于求解，我们需要将微分方程整理成标准的矩阵形式。这在控制系统分析和数值求解时尤为重要。使用SymPy的方程处理能力可以自动化这一过程：

# 展开并整理方程 eq1_expanded = eq1.subs(a_y, diff(v, t) + u * r).doit() eq2_expanded = eq2.doit() # 提取状态变量的微分项 state_eqs = [ Eq(diff(v, t), solve(eq1_expanded, diff(v, t))[0]), Eq(diff(r, t), solve(eq2_expanded, diff(r, t))[0]) ] # 转换为矩阵形式 A = sp.Matrix([ [state_eqs[0].rhs.coeff(v), state_eqs[0].rhs.coeff(r)], [state_eqs[1].rhs.coeff(v), state_eqs[1].rhs.coeff(r)] ]) B = sp.Matrix([ [state_eqs[0].rhs.coeff(delta)], [state_eqs[1].rhs.coeff(delta)] ]) print("状态矩阵A:") sp.pprint(A) print("\n输入矩阵B:") sp.pprint(B)

执行这段代码将输出标准的状态空间矩阵，形式如下：

状态矩阵A: ⎡ -(C_f + C_r) -(C_f⋅a - C_r⋅b) ⎤ ⎢ ──────────── ──────────────── - u⎥ ⎢ m⋅u m⋅u ⎥ ⎢ ⎥ ⎢-C_f⋅a + C_r⋅b -(C_f⋅a² + C_r⋅b²) ⎥ ⎢────────────── ─────────────────── ⎥ ⎣ I_z⋅u I_z⋅u ⎦ 输入矩阵B: ⎡ C_f ⎤ ⎢ ─── ⎥ ⎢ m ⎥ ⎢ ⎥ ⎢C_f⋅a⎥ ⎢─────⎥ ⎣ I_z ⎦

这种矩阵表示不仅美观，而且可以直接用于后续的数值计算和控制系统设计。SymPy的符号计算能力确保了我们不会在繁琐的代数运算中出现人为错误。

5. 数值求解与结果可视化

有了符号形式的微分方程，我们可以进一步进行数值求解。这需要将符号表达式转换为数值计算函数，并利用SciPy等库进行积分：

from scipy.integrate import odeint import numpy as np import matplotlib.pyplot as plt # 车辆参数示例（单位：国际单位制） params = { 'm': 1500, # 质量(kg) 'Iz': 2500, # 转动惯量(kg·m²) 'a': 1.2, # 前轴到质心距离(m) 'b': 1.5, # 后轴到质心距离(m) 'C_f': 80000, # 前轮侧偏刚度(N/rad) 'C_r': 100000,# 后轮侧偏刚度(N/rad) 'u': 20 # 纵向速度(m/s) } def vehicle_model(state, t, delta_func, params): v, r = state delta = delta_func(t) # 从符号表达式生成数值计算函数 dvdt = (-(params['C_f'] + params['C_r'])/(params['m']*params['u'])*v - (params['C_f']*params['a'] - params['C_r']*params['b'])/(params['m']*params['u'])*r + params['C_f']/params['m']*delta) drdt = (-(params['C_f']*params['a'] - params['C_r']*params['b'])/(params['Iz']*params['u'])*v - (params['C_f']*params['a']**2 + params['C_r']*params['b']**2)/(params['Iz']*params['u'])*r + params['C_f']*params['a']/params['Iz']*delta) return [dvdt, drdt] # 定义转向输入（例如阶跃转向） def delta_input(t): return 0.1 if t >= 1 else 0 # 1秒后施加0.1rad的转向角 # 时间点和初始条件 t = np.linspace(0, 5, 500) y0 = [0, 0] # 初始侧向速度和横摆角速度为0 # 求解微分方程 solution = odeint(vehicle_model, y0, t, args=(delta_input, params)) v_sim, r_sim = solution.T # 绘制结果 plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(t, v_sim, label='侧向速度(m/s)') plt.xlabel('时间(s)') plt.legend() plt.subplot(1, 2, 2) plt.plot(t, r_sim, label='横摆角速度(rad/s)') plt.xlabel('时间(s)') plt.legend() plt.tight_layout() plt.show()

这段代码完成了从符号推导到数值求解的完整流程。运行后将显示车辆在阶跃转向输入下的动态响应曲线，包括侧向速度和横摆角速度随时间的变化。

6. 模型验证与参数敏感性分析

建立模型后，验证其合理性至关重要。我们可以通过几种方式检查模型：

1. 稳态响应验证：计算稳态横摆角速度增益，与理论值比较
2. 量纲一致性检查：确保所有项的单位一致
3. 极限情况测试：例如当速度趋近于零时，模型行为是否合理

用SymPy进行稳态分析非常直观：

# 计算稳态横摆角速度增益 r_ss = sp.solve([eq.rhs for eq in state_eqs], [v, r])[1] # 解代数方程 r_ss_gain = r_ss / delta sp.pprint(r_ss_gain.simplify())

输出结果应与汽车理论教材中的稳态横摆角速度增益公式一致：

u⋅(C_f⋅C_r⋅(a + b)) ─────────────────── C_f⋅C_r⋅(a + b)² - m⋅u²⋅(C_f⋅a - C_r⋅b)

参数敏感性分析可以帮助我们理解不同因素对车辆动态的影响。例如，我们可以考察侧偏刚度变化对车辆响应的影响：

# 参数敏感性示例 C_f_values = np.linspace(40000, 120000, 5) # 前轮侧偏刚度变化范围 plt.figure() for C_f in C_f_values: params['C_f'] = C_f solution = odeint(vehicle_model, y0, t, args=(delta_input, params)) plt.plot(t, solution[:, 1], label=f'C_f={C_f/1000:.0f}kN/rad') plt.xlabel('时间(s)') plt.ylabel('横摆角速度(rad/s)') plt.legend() plt.title('前轮侧偏刚度对横摆响应的影响') plt.show()

这类分析对于车辆底盘调校和控制系统设计具有重要指导意义。通过调整参数并观察响应变化，工程师可以更好地理解车辆动态特性。