一种分布式驱动电动汽车坡度估计方法及系统技术方案

本发明专利技术公开了一种分布式驱动电动汽车坡度估计方法及系统。该方法包括：实时获取传感器采集到的车辆的纵向加速；实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度；以计算得到的纵向加速度为状态方程的输入，以传感器测量得到的车辆纵向加速度为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度。本发明专利技术提供的分布式驱动电动汽车坡度估计方法具有可行性高的优势。

【技术实现步骤摘要】
一种分布式驱动电动汽车坡度估计方法及系统
本专利技术涉及一种分布式驱动电动汽车坡度估计方法及系统。
技术介绍
利用多方法融合的坡度估计方法，主要包括基于动力学的坡度估计方法与基于运动学方法的坡度估计。利用动力学方法进行坡度估计可采用如下公式：y＝u+by＝Fxb＝mg(sinθd+fcosθd)其中Fx为纵向力，为纵向加速度，为空气阻力，mgsinθ为重力在斜坡的分量，mgfcosθ为滚动阻力。b值的估计可以采用最小二乘法进行。由于路面坡度是时变的，因此b也是时变的，故采取带有遗忘因子的最小二乘法估计b。在线性系统中，相当于找到参数b(k)，使得函数V(b(k),k)取得极小值。式子中λ为遗忘因子，遗忘因子越大，辨识精度越高。基于运动学方法的坡度估计如下：加速度传感器固结于车身，其测量值ax除了受到车辆本身的行驶加速度影响外，还受到路面坡度的影响。三者之间关系为：进而得到基于运动学方法的坡度估计值：车辆行驶过程中，路面坡度可以认为是由高频信号和低频信号两部分组成，基于动力学方法的坡度估计精度依赖于车辆模型，而车辆模型中的各参数受高频噪声影响大，因此需要对坡度θ进行低通滤波去高频部分，保留低频部分。基于运动学方法估计坡度的缺点是加速度传感器的测量值ax受静态偏差影响较大，而惯性传感器的静态偏差是属于低频噪声，为了保证路面坡度估计结果的准确性，对θ采用高通滤波去除其低频部分，保留高频部分。基于运动学方法和动力学方法融合的坡度估计方法可通过如下公式实现：在上述提出的多方法融合中，基于动力学模型的坡度估计方法并未建立精确的单轮动力学模型；在运动学方法中，纵向车速在实际应用场景中并不容易获取，基于该方法进行坡度估计可行性不高。
技术实现思路
本专利技术的目的是提供一种可行性高的分布式驱动电动汽车坡度估计方法及系统。为实现上述目的，本专利技术提供了如下方案：一种分布式驱动电动汽车坡度估计方法，包括：实时获取传感器采集到的车辆的纵向加速；实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度ax,d；以计算得到的纵向加速度ax,d为状态方程的输入，以传感器测量得到的车辆纵向加速度ax,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度。可选的，所述根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度，具体包括：根据计算车辆所处路面的坡度θ，其中，g为重力加速度，afilt为采用卡尔曼滤波算法滤波后得到的车辆纵向加速度，aw为车轮线加速度。可选的，所述根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度ax,d，具体包括：根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力Fx；结合车辆纵向动力学模型计算车辆的纵向加速度ax,d，其中，∑Fx为各车轮的纵向力之和，Ff为滚动阻力，Fi为坡度阻力，Fw为空气阻力，m为整车质量。可选的，所述根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力Fx，具体包括：根据单轮动力学模型计算各车轮的纵向力其中，上角标ij用于表示车轮的编号，Re与Jω分别代表车轮驱动力矩、车轮制动力矩、车轮角加速度、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到。本专利技术还提供了一种分布式驱动电动汽车坡度估计系统，包括：纵向加速度获取模块，用于实时获取传感器采集到的车辆的纵向加速；纵向加速度计算模块，用于实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度ax,d；滤波模块，用于以计算得到的纵向加速度ax,d为状态方程的输入，以传感器测量得到的车辆纵向加速度ax,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；坡度计算模块，用于根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度。可选的，所述坡度计算模块，具体包括：坡度计算单元，用于根据计算车辆所处路面的坡度θ，其中，g为重力加速度，afilt为采用卡尔曼滤波算法滤波后得到的车辆纵向加速度，aw为车轮线加速度。可选的，所述纵向加速度计算模块，具体包括：纵向力计算单元，用于根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力Fx；纵向加速度计算单元，用于结合车辆纵向动力学模型算车辆的纵向加速度ax,d，其中，∑Fx为各车轮的纵向力之和，Ff为滚动阻力，Fi为坡度阻力，Fw为空气阻力，m为整车质量。可选的，所述纵向力计算单元，具体包括：纵向力计算子单元，用于根据单轮动力学模型计算各车轮的纵向力其中，上角标ij用于表示车轮的编号，Re与Jω分别代表车轮驱动力矩、车轮制动力矩、车轮角加速度、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的分布式驱动电动汽车坡度估计方法及系统，通过对单轮纵向力的求解，获得车轮的纵向力，并结合车辆动力学模型，计算得到车辆的纵向加速度，然后以计算得到的纵向加速度ax,d为状态方程的输入，以传感器测量得到的车辆纵向加速度ax,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波，根据滤波后的车辆纵向加速度估计路面坡度。由于分布式驱动电动汽车四轮转矩精确可知，因此，本专利技术通过对单轮纵向力的求解，能够准确获取车辆的纵向力。相比于现有技术，本专利技术具有可行性高的优势。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例中的车辆模型示意图；图2为本专利技术实施例中单轮动力学模型图；图3为本专利技术实施例中组合传感器偏置原理图；图4为本专利技术实施例中分布式驱动电动汽车坡度估计方法流程图；图5为本专利技术实施例中坡度估计流程框图；图6为本专利技术实施例中分布式驱动电动汽车坡度估计系统结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一本文档来自技高网...

【技术保护点】
1.一种分布式驱动电动汽车坡度估计方法，其特征在于，包括：/n实时获取传感器采集到的车辆的纵向加速；/n实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度a

【技术特征摘要】
1.一种分布式驱动电动汽车坡度估计方法，其特征在于，包括：
实时获取传感器采集到的车辆的纵向加速；
实时根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度ax,d；
以计算得到的纵向加速度ax,d为状态方程的输入，以传感器测量得到的车辆纵向加速度ax,m为状态方程的观测量，采用卡尔曼滤波算法对车辆的纵向加速度进行滤波；
根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度。


2.根据权利要求1所述的分布式驱动电动汽车坡度估计方法，其特征在于，所述根据滤波得到的车辆纵向加速度，计算车辆所处路面的坡度，具体包括：
根据计算车辆所处路面的坡度θ，其中，g为重力加速度，afilt为采用卡尔曼滤波算法滤波后得到的车辆纵向加速度，aw为车轮线加速度。


3.根据权利要求1或2所述的分布式驱动电动汽车坡度估计方法，其特征在于，所述根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合车辆纵向动力学模型计算车辆的纵向加速度ax,d，具体包括：
根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力Fx；
结合车辆纵向动力学模型计算车辆的纵向加速度ax,d，其中，∑Fx为各车轮的纵向力之和，Ff为滚动阻力，Fi为坡度阻力，Fw为空气阻力，m为整车质量。


4.根据权利要求3所述的分布式驱动电动汽车坡度估计方法，其特征在于，所述根据车轮各轮毂电机反馈的车轮输出力矩和轮速，结合单轮动力学模型，计算车辆各车轮的纵向力Fx，具体包括：
根据单轮动力学模型计算各车轮的纵向力其中，上角标ij用于表示车轮的编号，Tdij，Tbij，Re与Jω分别代表车轮驱动力矩、车轮制动力矩、车轮角加速度、车轮滚动半径与车轮转动惯量，所述车轮角加速度由轮速数值差分得到...

【专利技术属性】
技术研发人员：王震坡，丁晓林，韩冰，张雷，刘建宏，
申请(专利权)人：北京理工大学，北京理工新源信息科技有限公司，
类型：发明
国别省市：北京;11