准确描述侧翻风险是实现车辆侧翻预警和失稳主动安全控制的基础。然而铰接转向工程车辆常在复杂地面环境下行驶,其过程伴随着强非线性、大惯量、高时滞等特点,使研究普通乘用车侧翻预警的方法并不适用于该车型。本文围绕基于数据驱动的铰接转向工程车辆侧翻预测模型展开研究,从数据的角度综合考虑车身姿态和运动学参数搭建横向稳定性辨识与侧翻预测模型,解决工程车辆及其作业环境的特殊性与复杂性导致的动力学建模计算繁琐与准确度不高等难题,从而实现铰接转向工程车辆侧翻风险的准确描述。论文具体的研究工作如下:（1）利用比例模型样机试验获取侧翻关键数据。由于虚拟仿真试验条件过于理想化,实车侧翻试验破坏性强,本文基于铰接转向工程车辆失稳机理和结构特点,搭建1:4比例模型样机及车辆作业关键数据采集系统,通过操纵比例样机在真实环境中行驶,在较低成本下获取典型侧翻工况作业数据,为后续基于数据驱动的建模研究提供数据支持;（2）采用数据驱动的建模方法搭建横向稳定性辨识模型,实现铰接转向工程车辆当前时刻的侧翻风险评估。针对物理建模方法难以准确描述非结构地面环境下作业的铰接转向工程车辆的横向稳定性问题,提出基于数据驱动的建模方法。通过标准化、相关性分析和小波去噪等预处理操作提高数据质量,引入三种不同的数据建模方法搭建横向稳定性辨识模型,并进一步采用交叉验证和网格搜索的方法对模型参数做了优化,实现当前时刻的车辆横向稳定性辨识;（3）研究基于长短时记忆神经网络的侧翻风险预测方法,实现侧翻风险的提前预知。为了实现未来时刻的横向稳定性识别,提出了一种侧翻风险预测建模方法。首先通过滑动窗口法计算在一段时间内的关键参数统计指标作为预测模型输入特征,并对原始输出数据做时移处理。再基于以上数据采用长短时记忆神经网络搭建侧翻风险预测模型,实现提前0.2秒的车辆横向稳定性状态预测,从而改善预警系统信息传递的时滞性,降低无效预警的概率。综上所述,本文研究综合应用理论分析、比例样机、机器学习等方法搭建了基于数据驱动的铰接转向工程车辆的横向稳定性辨识与侧翻预测模型,解决了复杂结构车辆横向稳定性准确描述及状态预测的问题。为其他具有强非线性、大惯量等特点的复杂结构车辆的侧翻风险描述提供了新的研究方法和参考。