一种基于PSO优化UKF的EHB系统压力估计方法技术方案

本发明专利技术公开了一种基于PSO优化UKF的EHB系统压力估计方法，包括步骤：(1)根据汽车电控液压制动(EHB)系统工作原理及特性建立动力学模型；(2)根据步骤1建立的EHB动力学模型确定UKF、算法中所需要的状态方程，状态向量，观测量及观测方程。根据EHB的强非线性及其工作的时变特性将UKF算法应用到EHB系统中；(3)确定目标函数，设计变量及其边界条件，运用粒子群算法对UKF中的参数进行迭代寻优，使其达到最优。本发明专利技术拓展了EHB系统的研究方向，提高了EHB模型的适应性以及参数估计精度，解决了UKF算法参数调节复杂的问题。

A pressure estimation method for EHB system based on PSO optimized UKF

The invention discloses a EHB system pressure estimation method based on PSO optimization UKF, including steps: (1) establishing a dynamic model according to the working principle and characteristics of the automobile electronic controlled hydraulic brake (EHB) system; (2) the EHB dynamic model established according to step 1 determines the state equation, state vector, observation and measurement required in the algorithm. Observation equation. According to the strong nonlinearity of EHB and its time-varying characteristics, the UKF algorithm is applied to the EHB system. (3) the target function, the design variable and its boundary condition are determined, and the particle swarm algorithm is used to optimize the parameters of the UKF by iterative optimization. The invention expands the research direction of the EHB system, improves the adaptability of the EHB model and the precision of parameter estimation, and solves the problem of complicated parameter adjustment of the UKF algorithm.

【技术实现步骤摘要】
一种基于PSO优化UKF的EHB系统压力估计方法
本专利技术涉及参数估计领域，尤其是一种基于PSO优化UKF的EHB系统压力估计方法。
技术介绍
电控液压制动系统(EHB)系统对提高汽车主动安全具有重要意义，该系统具有高安全性，制动响应快等优点，还可以提供更为精确和快速的制动效能，通过对控制算法的调控还可以实现ABS，ESP等功能，使汽车更安全、高效。为了更深入的研究其工作状态，对EHB系统的压力进行估计。由于EHB系统具有强非线性，而时变性特点传统的参数估计如线性回归法，传统卡尔曼滤波，扩展卡尔曼滤波等方法适用于线性系统，在处理非线性问题时会出现估计结果不精确，发散等问题，而无迹卡尔曼滤波算法可以很好的对非线性系统进行参数估计，但无迹卡尔曼滤波算法中的参数对估计精度有很大影响，根据经验取值会对估计结果造成误差而且EHB系统是剧烈时变系统在不同的工作状态下其状态方程是不同的。针对EHB系统的工作特性提出一种粒子群优化的无迹卡尔曼滤波算法可以较好的解决上述问题。朱松豪等(申请号201610229366.5)将最小二乘法应用于轨迹预测，但该方法属于线性回归法,在处理非线性问题会存在较大问题；彭思敏等(申请号201510642746.7)根据串联电池特性将将无迹卡尔曼滤波算法应用于电池状态估计，解决了用EKF算法估计非线性系统的一系列问题，但由于无迹卡尔曼滤波算法所含参数较多，参数选取困难且会影响参数估计精度。
技术实现思路
专利技术目的：本专利技术的目的是提供一种基于PSO优化UKF的EHB系统压力估计方法，该方法解决了传统卡尔曼参数调节复杂，估计结果不精确的问题，提高了电控液压制动系统参数估计精度。技术方案：为实现上述技术问题，本专利技术所采用的技术方案为：一种基于UKF的汽车电控液压制动系统压力估计方法，该方法包括步骤：(1)分别构建电控液压制动系统在增压、保压与减压三种工作状态下的动力学模型，包括状态方程和观测方程；其中，增加状态方程为：减压状态方程为：观测方程为：Pw-c-new＝PL+测量噪声式中，Pw-new为后一时刻的轮缸压力，PL为当前时刻的轮缸压力，Pm为蓄能器压力，Cd为节流孔的流量系数，A为节流孔的流通截面积，K为制动液的体积模量，V为进/出油阀与制动轮缸之间油管的体积之和，m为节流指数，T为采样周期，Pw-c-new为轮缸压力观测值；(2)根据步骤(1)构建的状态方程和观测方程，以m，PL为状态变量，以PL为观测变量，采用无迹卡尔曼算法进行状态估计，得到PL的估计值；(3)以实验数据与估计数据差的平方和作为目标函数，并设定UKF各参数的边界条件；采用粒子群算法搜索满足目标函数和边界条件的UKF各参数的最优解。有益效果：与现有技术相比，本专利技术具有以下优势：(1)将UKF算法成功地运用到EHB系统之中，提高了系统参数估计的精确性，开拓了EHB系统的研究方向。(2)采用粒子群算法优化UKF算法参数，在提高该算法参数选择的效率的同时也使得参数估计结果更精确。有益效果：(1)将UKF算法成功地运用到EHB系统之中，提高了系统参数估计的精确性，开拓了EHB系统的研究方向。(2)采用粒子群算法优化UKF算法参数，在提高该算法参数选择的效率的同时也使得参数估计结果更精确。附图说明图1为本专利技术的原理流程图。图2为汽车电控液压制动系统增压，保压，减压压力估计结果，其中实线为实验数据，虚线为估计结果。具体实施方式下面结合附图对本专利技术做进一步说明。本专利技术提出一种基于UKF的汽车电控液压制动系统压力估计方法。该方法的原理流程如图1所示，主要分为3个部分：第一部分：根据EHB系统工作原理及特性建立动力学模型。第二部分：根据步骤1建立的EHB动力学模型确定UKF算法中所需要的状态方程，状态向量，观测向量及观测方程。根据EHB的强非线性及其工作的时变特性，将UKF算法应用到EHB系统中；第三部分：确定目标函数，设计变量及其边界条件，运用粒子群算法对UKF中的参数进行迭代寻优，使其达到最优；第四部分：将求得的UKF最优参数代入UKF模型中，并通过更新后的UKF模型估算轮缸压力。其中，第一部分具体步骤为：EHB系统具有增压，保压与减压三种工作状态，根据工作状态分别建立动力学模型。(11)增压状态制动液经电机泵驱动由油箱进入高压蓄能器，再由高压蓄能器经进油阀流入制动轮缸，据此构建EHB系统的动力学模型为：Q＝CdA(ΔP)m(3)由式(2)，(3)，(4)可得制动轮缸的压力变换率为：其中，式(1)为高压蓄能器等熵充液过程，P0为气室压力，V0为气室体积，P1为充液完成后的压力，V1为充液完成后蓄能器气室体积，为等熵指数；式(2)为蓄能器压力与平均流量的关系式，P2为蓄能器压力，V2为蓄能器气室体积，q是蓄能器开起后制动液的平均流速；式(3)为高速电磁阀节流方程，Q为流经电磁阀节流孔的制动液流量，Cd为节流孔的流量系数，A为节流孔的流通截面积，ΔP为经过节流孔的压力差，m为节流指数；式(4)为连续性方程，K为制动液的体积模量，V为进/出油阀与制动轮缸之间油管的体积之和，PL为轮缸压力。(12)减压状态该状态下，制动液由轮缸经出油阀流回油箱。由式(3)，(4)可得制动轮缸压力变换率为：(13)保压状态该状态下制动轮缸压力保持不变。第二部分具体步骤为：(21)由于EHB为时变系统，在不同的工作状态具有不同的微分方程方程，状态方程即为离散化的微分方程，UKF算法主要根据状态方程及测量方程对状态量进行估计，因此需要根据EHB工作状态的变化给出状态空间方程切换的时间，让无迹卡尔曼滤波算法在不同的时间调用不同的状态方程，对EHB系统压力进行估计。将微分方程(5)，(6)离散化，得到状态方程：增压状态：减压状态：观测方程为：Pw-c-new＝PL+测量噪声式中，状态变量为:m，PL；观测变量为PL；Pw-new为后一时刻的轮缸压力，T为采样周期，Pw-c-new表示加上测量噪声后的轮缸观测压力。(22)将UKF运用到EHB系统中对于不同时刻t，EHB系统可由下式描述：其中，Y表示对状态变量UT变换后的点集；f是非线性状态方程函数；y(t)为EHB系统的状态方程，如图2所示，在2.598s前系统处于增压状态，其状态方程为式(7)，在2.598-2.71s之间系统处于保压状态，压力保持不变：在2.71s之后系统处于减压状态，状态方程为式(8)；W(t)为过程噪声，W(t)～(β,Qz)；Z(t)示具有观测噪声V(t)的观测方程；h()是非线性观测方程函数；V(t)表示观测噪声，V(t)～(β,R)；Qz和R分别为过程噪声和观测噪声的协方差矩阵；UKF在EHB系统中的应用如下：通过UT变换得到状态变量的Sigma点集及其权值；取状态量的数目为3，因此Sigma点集中的点数为7，记为Y(0)，Y(1)，…，Y(6)：式中，表示Sigma点集中样本的均值，λ为缩放比例参数；α为常数，α决定第i个Sigma点在周围的扩展空间，β为状态分布参数；P为当前时刻状态变量的协方差矩阵，表示矩阵方根的第i列。相应的权值为：式中，和均为Y(0)的权值，和为Y(i)的权值。根据液压系统工作状态调用状态函数得到观测量的预测值及其均值、协方差，其中，观测量的预测值为：Z本文档来自技高网...

【技术保护点】
1.一种基于PSO优化UKF的EHB系统压力估计方法，其特征在于，包括步骤：(1)分别构建电控液压制动系统的动力学模型，包括状态方程和观测方程；其中，增压状态方程为：

【技术特征摘要】
1.一种基于PSO优化UKF的EHB系统压力估计方法，其特征在于，包括步骤：(1)分别构建电控液压制动系统的动力学模型，包括状态方程和观测方程；其中，增压状态方程为：减压状态方程为：观测方程为：Pw-c-new＝PL+测量噪声式中，Pw-new为后一时刻的轮缸压力，PL为当前时刻的轮缸压力，Pm为蓄能器压力，Cd为节流孔的流量系数，A为节流孔的流通截面积，K为制动液的体积模量，V为进/出油阀与制动轮缸之间油管的体积之和，m为节流指数，T为采样周期，Pw-c-new为轮缸压力观测值；(2)根据步骤(1)构建的状态方程和观测方程，以m，PL为状态量，以PL为观测量，采用无迹卡尔曼算法模型进行状态估计，得到状态量和观测量的预测值；(3)以实际测得的PL以及PL估计值的差的平方和作为目标函数，并设定UKF各参数的边界条件；采用粒子群算法搜索满足目标函数和边界条件的UKF各参数的最优解；(4)将得到的UKF各参数的最优解代入无迹卡尔曼算法模型中，对无迹卡尔曼算法模型进行修正，通过修正后的无迹卡尔曼算法模型估算轮缸压力。2.根据权利要求1所述的一种基于PSO优化UKF的EHB系统压力估计方法，其特征在于，所述步骤(2)的具体步骤包括：(2-1)将步骤(1)中动力学模型描述为：Y(t+1)＝f(y(t),W(t))Z(t)＝h(y(t),V(t))其中，Y表示状态量UT变换后的点集；f()是非线性状态方程函数...

【专利技术属性】
技术研发人员：金智林，周乾，严正华，赵万忠，陈国钰，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32