基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法技术

本发明专利技术提供基于MMRLS和SH‑STF的车辆质量与道路坡度迭代型联合估计方法，包括以下步骤：考虑转向的动力学模型建立，MMRLS/SH‑STF迭代型联合估计算法架构，基于SH‑STF的坡度估计算法改进。该基于MMRLS和SH‑STF的车辆质量与道路坡度迭代型联合估计方法设计合理，分析了车辆质量的缓变特性和道路坡度的时变特性，根据缓变与时变特征，基于车辆纵向动力学模型与转向单轨模型，分别使用多模型融合递归最小二乘这一系统辨识算法计算车辆质量，用基于扩展卡尔曼滤波的噪声自适应强跟踪滤波这一状态估计算法计算路面坡度，从而使算法更好地适应于估计变量。

【技术实现步骤摘要】
基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法
本专利技术涉及质量估计
，具体为基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法。
技术介绍
随着货运业的发展，重型车的保有量也在不断增加。相对于乘用车而言，重型车的重量变化范围非常大，从空载到满载甚至可以达到400％。而车辆质量是自动变速器换挡控制系统进行挡位决策、车辆动力学控制与参数估计、车辆状态监控的关键参数，若能够利用车辆质量这一参数对车辆各部件进行合理调控，将进一步提高车辆的动力性、经济性与安全性；道路坡度与质量耦合程度较高，因此在计算过程中需要对这两个参数同时进行估计。通常情况下，道路的坡度可以由倾角传感器或加速度传感器间接测量得到。但是由于该传感器设备成本较高，量产车上很少配置相关硬件。因此基于现有传感器，对相关参数进行软测量的技术得到了广泛的应用。现阶段国内外有许多对车辆质量与道路坡度估计算法的研究。质量辨识方面，ArdalanVahidi在论文里采用带多个遗忘因子的递推最小二乘法对汽车质量和坡度进行实时的辨识。MichaelLMcIntyre等首先基于汽车纵向动力学模型通过最小二乘法对汽车质量和常值坡度进行辨识，然后基于辨识的汽车质量通过非线性观测器对实时变化的道路坡度进行辨识，得出的估计结果精度较高。EnricoRaffone将RLS与线性卡尔曼滤波相结合，实现了对车辆质量与坡度的同时估计，但借助了额外的加速度传感器采集坡度信息，而并非从动力学公式中对坡度进行估算。吉林大学的雷雨龙提出基于扩展卡尔曼滤波的车辆质量方法，将质量与坡度在一个算法中同时进行估计。SimonAltmannshofer等人分别使用RAWKF、RGTLS、RLS和MFRLS对车辆质量与阻力进行估计，其中RAWKF算法的估计效果最好，能比较准确地估算出质量、滚动阻力和空气阻力等值，但算法忽略了加速度与坡度的计算。LiangLi等人将RLS与EKF相结合，用RLS估算质量，EKF同时估算质量和坡度，然后将两个质量给予不同的置信因子相结合得出最终结果，以提高算法的工况适应性。YahuiZhang，DongpuCao等人针对电动汽车传动系统齿轮间隙与半轴转矩的不同特点，分别设计了离散观测器与连续观测器，并将其进行联合，在证明其收敛性的情况下使用实车进行验证，充分表明了针对性观测器算法对多个参数系统进行估计的优越性。坡度估计方面，目前能够实时对道路坡度进行估计的方法主要有3种：利用GPS高程信息估计道路坡度；利用CAN总线信息和行驶方程估计道路坡度[11]；额外添加加速度传感器来估计道路坡度。其中第和第三种方法都需要加装额外的传感器，较难满足实际应用需求。第二种方法，Sebsadji等采用龙贝格状态观测器来估计道路坡度，通过建立轮胎模型根据轮胎力来计算驱动力，避免了用传动模型计算纵向力时对挡位等信息的要求。KimIetal.将车辆俯仰角所产生的影响加入了坡度估计算法中，进一步提高了估算精度[13]。XiaoyongLiao等人使用自适应扩展卡尔曼滤波(AEKF)对路面坡度进行估计，算法表现出较强的鲁棒性[14，15]。Klomp等人用标准卡尔曼滤波对电动车辆的速度与路面坡度进行联合估计，根据电动车辆驱动力矩参数较为精确的特点，对车轮滑移率进行估计，从而对估算出的速度与坡度进行修正。此外，常用的车辆状态估计还有UKF算法、自适应卡尔曼滤波、自适应滑模观测器、降维观测器、H∞观测器、闭环观测器以及多个观测器数据融合的综合估计算法。目前的质量坡度辨识算法基本上都是对质量与坡度同时进行估计，并没有考虑到质量是一个缓变的系统参数，而坡度是一个时变的状态变量这一因素。若能针对该特点分别设计估计算法，将有效提高估计模型的精度与效率。为此，本专利技术提供基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法。
技术实现思路
针对现有技术存在的不足，本专利技术目的是提供基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，以解决上述
技术介绍
中提出的问题。为了实现上述目的，本专利技术是通过如下的技术方案来实现：基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，包括以下步骤：步骤一：模型建立；首先为了描述车辆直线行驶时质量与坡度之间的关系，建立车辆纵向动力学模型，此外，考虑到重型车辆行驶常见的多弯路况，建立转向动力学单轨模型，对车辆转弯时的动力学特性进行分析，从而推导出车辆转向状态量与质量之间的关系式，提高质量估计精度；具体如下：①：纵向动力学模型；对车辆进行受力分析，根据牛顿第二定律，建立车辆纵向动力学模型Ft＝Fw+Ff+Fi+Fj(57)式中：Ft—驱动力，Fw—空气阻力，Ff—滚动阻力，Fi—坡道阻力，Fj—加速阻力；其中，式中：Ttq—发动机转矩，ig—变速器传动比，i0—主减速器传动比，ηt—传动系机械效率，r—车轮直径，CD—空气阻力系数，A—迎风面积，ρ—空气密度，v—车辆行驶速度，f—滚动阻力系数，δ—加速阻力系数；考虑到道路坡度一般较小，可假设cosα≈1，sinα≈tanα＝i；②：转向动力学单轨模型；考虑到很多路况需要车辆频繁的转向操作，根据轮胎摩擦圆理论，转向力矩的产生会影响车辆的纵向驱动力，从而影响估计精度，因此引入转向单轨模型，描述转向对于纵向驱动力的影响，提高模型准确性，从而提高估计精度，车轮方向上的力FxV和FxH为前后切向力，重型车一般为前驱，因此可认为Ft＝FxV,FxH＝0，垂直于车轮的作用力FyV和FyH是侧向力，在风圧中心有侧向空气力FLy和空气阻力FLx，因此在车辆纵轴线上力的平衡为假设车辆转弯处坡度为零，化简得：向心加速度中质心轨迹的曲率半径ρ的倒数——曲率是航向角(β+ψ)随弧长u的变化：又因为速度：因此向心加速度：假设轮胎侧偏为线性，将前轴侧向力代入：式中αV为前轴车轮侧偏角，为相应的侧偏刚度；前后轴速度矢量在车辆纵轴线上的分量必须相等，即：vcosβ＝vvcos(δv-αv)(64)在纵轴线上，有：由式(8)和式(9)得：当车轮转向角度较小时，有：重型车辆正常高速行驶时，车辆质心侧偏角变化很小，因此将式(6)、式(7)和式(11)代入式(3)，得：其中：由式(13)与式(14)得：由于则：由式(15)与式(16)得：此时，式(12)可化简为：与式(19)对比：可以得知，车辆有一定的转向角时，质量的估算值将会偏大，当转向角较小时，其影响可以忽略，通过对转向模型的推导，为车辆转弯工况下的质量估计算法提供了理论上的基础；步骤二：迭代型联合估计算法架构；具体如下：①：基于MMRLS的质量辨识算法；递推最小二本文档来自技高网...

【技术保护点】
1.基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，其特征在于，包括以下步骤：/n步骤一：模型建立；首先为了描述车辆直线行驶时质量与坡度之间的关系，建立车辆纵向动力学模型，此外，考虑到重型车辆行驶常见的多弯路况，建立转向动力学单轨模型，对车辆转弯时的动力学特性进行分析，从而推导出车辆转向状态量与质量之间的关系式，提高质量估计精度；具体如下：/n①：纵向动力学模型；对车辆进行受力分析，根据牛顿第二定律，建立车辆纵向动力学模型/nF

【技术特征摘要】
1.基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法，其特征在于，包括以下步骤：
步骤一：模型建立；首先为了描述车辆直线行驶时质量与坡度之间的关系，建立车辆纵向动力学模型，此外，考虑到重型车辆行驶常见的多弯路况，建立转向动力学单轨模型，对车辆转弯时的动力学特性进行分析，从而推导出车辆转向状态量与质量之间的关系式，提高质量估计精度；具体如下：
①：纵向动力学模型；对车辆进行受力分析，根据牛顿第二定律，建立车辆纵向动力学模型
Ft＝Fw+Ff+Fi+Fj(1)
式中：Ft—驱动力，Fw—空气阻力，Ff—滚动阻力，Fi—坡道阻力，Fj—加速阻力；
其中，Ff＝mgfcosαFi＝mgsinαFj＝δma
式中：Ttq—发动机转矩，ig—变速器传动比，i0—主减速器传动比，ηt—传动系机械效率，r—车轮直径，CD—空气阻力系数，A—迎风面积，ρ—空气密度，v—车辆行驶速度，f—滚动阻力系数，δ—加速阻力系数；
考虑到道路坡度一般较小，可假设cosα≈1，sinα≈tanα＝i；
②：转向动力学单轨模型；考虑到很多路况需要车辆频繁的转向操作，根据轮胎摩擦圆理论，转向力矩的产生会影响车辆的纵向驱动力，从而影响估计精度，因此引入转向单轨模型，描述转向对于纵向驱动力的影响，提高模型准确性，从而提高估计精度，车轮方向上的力FxV和FxH为前后切向力，重型车一般为前驱，因此可认为Ft＝FxV,FxH＝0，垂直于车轮的作用力FyV和FyH是侧向力，在风圧中心有侧向空气力FLy和空气阻力FLx，因此在车辆纵轴线上力的平衡为



假设车辆转弯处坡度为零，化简得：



向心加速度中质心轨迹的曲率半径ρ的倒数——曲率是航向角(β+ψ)随弧长u的变化：



又因为速度：



因此向心加速度：



假设轮胎侧偏为线性，将前轴侧向力代入：



式中αV为前轴车轮侧偏角，为相应的侧偏刚度；
前后轴速度矢量在车辆纵轴线上的分量必须相等，即：
vcosβ＝vvcos(δv-αv)(8)
在纵轴线上，有：



由式(8)和式(9)得：



当车轮转向角度较小时，有：



重型车辆正常高速行驶时，车辆质心侧偏角变化很小，因此将式(6)、式(7)和式(11)代入式(3)，得：



其中：






由式(13)与式(14)得：



由于则：



由式(15)与式(16)得：



此时，式(12)可化简为：



与式(19)对比：



可以得知，车辆有一定的转向角时，质量的估算值将会偏大，当转向角较小时，其影响可以忽略，通过对转向模型的推导，为车辆转弯工况下的质量估计算法提供了理论上的基础；
步骤二：迭代型联合估计算法架构；具体如下：
①：基于MMRLS的质量辨识算法；递推最小二乘参数辨识，就是当被辨识的系统在运行时，每取得一次新的观测数据后，就在前一次估计结果的基础上，利用新引入的观测数据对前次估计的结果，根据递推算法进行修正，从而递推地得出新的参数估计值，这样，随着新的观测数据的逐次引入，一次接一次的进行参数计算，直到参数估计值达到满意的精确程度为止；
质量是一个缓变的系统参数，将其作为系统参数使用最小二乘法进行估计，比利用状态估计算法对其进行估计更加合理且具有更高的计算效率和估计精度，因此采用递推最小二乘法对质量进行辨识；
当车辆直驶时，将式(1)转换成最小二乘格式：
Ft-Fw＝m(gf+gi+δa)+e(20)
其中Ft-Fw为系统输入量，记为Ftw，gf+gi+δa为可观测的数据量，记为a_e，m为待辨识的系统参数，e为系统噪声，代入最小二乘法的公式得，质量辨识的最小二乘递归格式为：



其中，μ(k)为第k时刻的遗忘因子，在这里按如下规律选取：
μ(t)＝1-0.05·0.98t
类似的，当车辆转弯时，质量辨识算法的最小二乘格式为：



其递归格式与式(21)相同；
在车辆的实际行驶过程中，质心侧偏角较难获得，因此转弯时的质心侧偏角近似为：



由于转弯模型的降维，其对质量的辨识精度也相应地下降，但仍旧能起到较好的修正作用，在实际应用过程中，为了简化计算，假设车辆重心处于车辆纵向二分之一处，因此辨识结果将比实际要小，为了提高质量辨识的精度，根据直驶与转向模型的残差概率分布计算两个模型的权重值，从而融合直驶与转向模型辨识结果；
假设直驶和转向模型在k时刻的估计值分别为ms(k)与mt(k)，则k时刻递推最小二乘计算的残差值为
es(k)＝Ftw(k)-ms(k)·as(k)(24)
et(k)＝Ftt(k)-mt(k)·at(k)(25)
由于残差值存在正负号，为了更精确地量化RLS算法误差的影响比重，将残差计算值使用sigmoid函数进行归一化处理：






输出残差均方差为：
Ss(k)＝(I-Ks(k))Ps(k)(I-Ks(k))T(28)
St(k)＝(I-Kt(k))Pt(k)(I-Kt(k))T(29)
则直驶和转向模型在k时刻分别对应的最大似然函数为：






可得各模型输出概率为：






得到各模型输出与其输出概率之后，即可得到融合结果



②：基于EKF的坡度估计算法；坡度是系统的一个状态参数，相对于卡尔曼滤波、各种观测器等状态估计算法，最小二乘法的跟踪能力较弱，不适合估计坡度这种时变的状态变量，因此，采用扩展卡尔曼滤波对坡度进行估计；
卡尔曼滤波是在已知系统和测量的数学模型、测量噪声统计特性及系统状态初值的情况下，利用输入信号的测量数据和系统模型方程，实时获得系统状态变量和输入信号的最优估计值，经典卡尔曼滤波将信号过程视为白噪声作用下的一个线性系统的输出，并将这种输入输出关系用一个状态方程描述，其算法使用递推形式，数学结构简单，计算量小，适合用于实时计算，但经典卡尔曼滤波仅适用于线性系统的状态估计，对于非线性系统，有扩展卡尔曼滤波(EKF)，EKF通过对非线性函数在最佳估计点附近进行泰勒展开，舍弃高阶分量，从而将非线性模型简化为线性模型，然后利用经典卡尔曼技术来完成估计，EKF被广泛地应用于非线性系统的状态估计中；
将式(1)写为：
F...

【专利技术属性】
技术研发人员：王伟达，杨超，刘金刚，张为，张中国，项昌乐，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11