车载减振设备的垂向振动状态的观测方法及系统技术方案

本发明专利技术提供了车载减振设备的垂向振动状态的观测方法及系统，包括：建立卡尔曼滤波器的模型，模型的观测量包括车载减振设备的垂向加速度和垂向相对位移、车体的垂向加速度和车辆悬架的垂向相对位移，模型的状态量包括车载减振设备的垂向速度和/或垂向位移；获取观测量在当前时刻的观测值；采用卡尔曼滤波器对观测量在当前时刻的观测值进行处理，得到状态量在当前时刻的最优估计值；根据状态量在当前时刻的最优估计值得到车载减振设备在当前时刻的垂向速度和/或垂向位移。本发明专利技术可以更加准确、稳定、高效的度量车载减振设备的垂向振动状态。状态。状态。

【技术实现步骤摘要】
车载减振设备的垂向振动状态的观测方法及系统


[0001]本专利技术涉及测量
，尤指车载减振设备的垂向振动状态的观测方法及系统。

技术介绍

[0002]为了控制车辆主动减振座椅、车辆主动减振担架床等车载减振设备在车辆运行过程中的稳定性，往往需要获取减振设备的振动状态量，但是其中有一部分状态量难以直接利用传感器测量，例如减振设备在惯性空间的垂向位移、垂向速度。
[0003]垂向加速度可以通过加速度计精准获取，如果采用加速度计积分，因为加速度计的量化噪声、角度随机游走、零偏不稳定性、角速率随机游走及速率斜坡等误差，积分后垂向位移/垂向速度会很快发散。如果采用GPS测量，因为车内设备的垂向振动位移很小，低于GPS的分辨率，测量的垂向位移难以满足要求。

技术实现思路

[0004]本专利技术针对现有技术的至少部分不足，提供车载减振设备的垂向振动状态的观测方法及系统。
[0005]本专利技术提供的技术方案如下：
[0006]建立卡尔曼滤波器的模型，所述模型的观测量包括车载减振设备的垂向加速度和垂向相对位移、车体的垂向加速度和车辆悬架的垂向相对位移，所述模型的状态量包括车载减振设备的垂向速度和/或垂向位移；
[0007]获取所述观测量在当前时刻的观测值；
[0008]采用所述卡尔曼滤波器对所述观测量在当前时刻的观测值进行处理，得到所述状态量在当前时刻的最优估计值；
[0009]根据所述状态量在当前时刻的最优估计值得到所述车载减振设备在当前时刻的垂向速度和/或垂向位移。
[0010]在一些实施例中，结合路面模型、1/4车辆动力学模型和减振设备动力学模型对所述车载减振设备的垂向振动状态观测进行总体建模，得到如下关系：
[0011][0012][0013][0014]Δx
b
＝x
b
‑
x
s
，Δx
s
＝x
s
‑
x
t
，Δx
t
＝x
t
‑
z
g
，
[0015]其中，m
b
为1/4减振设备质量，m
s
为1/4车体质量，m
t
为车轮质量，k
b
为1/4减振设备
等效刚度系数，k
s
为悬架刚度系数，k
t
为车轮刚度系数，c
b
为1/4减振设备等效阻尼系数，c
s
为悬架阻尼系数，x
b
依次为车载减振设备的垂向加速度、垂向速度和垂向位移，x
s
依次为车体的垂向加速度、垂向速度和垂向位移，x
t
依次为轮胎的垂向加速度、垂向速度和垂向位移，z
g
为随机路面的垂向位移；
[0016]根据上述关系，在离散域建立如下的卡尔曼滤波器的模型：
[0017]X
k
＝FX
k
‑1+Γw
k
‑1[0018]Y
k
＝CX
k
+v
k
；
[0019]其中，X
k
为第k个时刻的状态量，w
k
‑1为第k
‑
1个时刻的过程噪声，Y
k
为第k个时刻的观测量，v
k
为第k个时刻的量测噪声，F为离散状态转移矩阵，Γ为过程噪声矩阵，C为量测矩阵。
[0020]在一些实施例中，
[0021]F＝I+AT,Γ＝GT；
[0022][0023][0024]I为单位阵，T为离散域的计算步长。
[0025]在一些实施例中，F＝I+AT,Γ＝GT；
[0026][0027][0028]a＝l*v；
[0029]其中，I为单位阵，T为离散域的计算步长，v为车速，l为一常数。
[0030]在一些实施例中，获取所述观测量在当前时刻的观测值包括：
[0031]通过固定于车体上的第一惯导单元获取车体的垂向加速度；
[0032]通过固定于所述车载减振设备的上台面的第二惯导单元获取所述车载减振设备的垂向加速度；
[0033]通过安装于所述车载减振设备的驱动机构的编码器获取所述车载减振设备的垂向相对位移；
[0034]通过安装于车辆悬挂上的车高传感器获取车辆悬架的垂向相对位移。
[0035]在一些实施例中，所述的采用所述卡尔曼滤波器对所述观测量在当前时刻的观测值进行处理，得到所述状态量在当前时刻的最优估计值，包括：
[0036]预测所述状态量在当前时刻的估计值
[0037]根据前一时刻的过程噪声协方差的估计值确定所述状态量在当前时刻的估计值对应的误差协方差
[0038]根据所述观测量在当前时刻的观测值Y
k
和所述状态量在当前时刻的估计值得到当前时刻的新息υ
k
；
[0039]计算卡尔曼增益K
k
；
[0040]根据所述状态量在当前时刻的估计值及其误差协方差所述卡尔曼增益K
k
和所述新息υ
k
，计算所述状态量在当前时刻的最优估计值及其误差协方差
[0041]根据长度为N的历史新息序列计算当前时刻的新息协方差Ω
k
；
[0042]根据所述卡尔曼增益K
k
和所述当前时刻的新息协方差Ω
k
，计算当前时刻的过程噪声协方差的估计值
[0043]在一些实施例中，根据以下公式计算第k时刻的新息协方差Ω
k
：
[0044][0045]其中，N为滑窗长度，ν
j
为第j时刻的新息；
[0046]根据以下公式计算第k时刻的过程噪声协方差的估计值
[0047][0048]其中，Γ为过程噪声矩阵，K
k
为卡尔曼增益。
[0049]在一些实施例中，在所述卡尔曼滤波器中，量测噪声协方差R已知，仅对过程噪声进行在线估计。
[0050]本专利技术还提供一种车载减振设备的垂向振动状态的观测系统，包括：模型建立模块，用于建立卡尔曼滤波器的模型，所述模型的观测量包括车载减振设备的垂向加速度和垂向相对位移、车体的垂向加速度和车辆悬架的垂向相对位移，所述模型的状态量包括车载减振设备的垂向速度和/或垂向位移；
[0051]获取模块，用于获取所述观测量在当前时刻的观测值；
[0052]滤波模块，用于采用所述卡尔曼滤波器对所述观测量在当前时刻的观测值进行处理，得到所述状态量在当前时刻的最优估计值；
[0053]计算模块，用于根据所述状态量在当前时刻的最优估计值得到所述车载减振设备在当前时刻的垂向速度和/或垂向位移。
[0054]在一些实施例中，所述获取模块包括：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车载减振设备的垂向振动状态的观测方法，其特征在于，包括：建立卡尔曼滤波器的模型，所述模型的观测量包括车载减振设备的垂向加速度和垂向相对位移、车体的垂向加速度和车辆悬架的垂向相对位移，所述模型的状态量包括车载减振设备的垂向速度和/或垂向位移；获取所述观测量在当前时刻的观测值；采用所述卡尔曼滤波器对所述观测量在当前时刻的观测值进行处理，得到所述状态量在当前时刻的最优估计值；根据所述状态量在当前时刻的最优估计值得到所述车载减振设备在当前时刻的垂向速度和/或垂向位移。2.根据权利要求1所述的观测方法，其特征在于，结合路面模型、1/4车辆动力学模型和减振设备动力学模型对所述车载减振设备的垂向振动状态观测进行总体建模，得到如下关系：向振动状态观测进行总体建模，得到如下关系：向振动状态观测进行总体建模，得到如下关系：Δx
b
＝x
b
‑
x
s
，Δx
s
＝x
s
‑
x
t
，Δx
t
＝x
t
‑
z
g
，其中，m
b
为1/4减振设备质量，m
s
为1/4车体质量，m
t
为车轮质量，k
b
为1/4减振设备等效刚度系数，k
s
为悬架刚度系数，k
t
为车轮刚度系数，c
b
为1/4减振设备等效阻尼系数，c
s
为悬架阻尼系数，x
b
依次为车载减振设备的垂向加速度、垂向速度和垂向位移，x
s
依次为车体的垂向加速度、垂向速度和垂向位移，x
t
依次为轮胎的垂向加速度、垂向速度和垂向位移，z
g
为随机路面的垂向位移；根据上述关系，在离散域建立如下的卡尔曼滤波器的模型：其中，X
k
为第k个时刻的状态量，w
k
‑1为第k
‑
1个时刻的过程噪声，Y
k
为第k个时刻的观测量，v
k
为第k个时刻的量测噪声，F为离散状态转移矩阵，Γ为过程噪声矩阵，C为量测矩阵。3.根据权利要求2所述的观测方法，其特征在于，F＝I+AT,Γ＝GT；
其中，I为单位阵，T为离散域的计算步长。4.根据权利要求2所述的观测方法，其特征在于，F＝I+AT,Γ＝GT；F＝I+AT,Γ＝GT；a＝l*v；其中，I为单位阵，T为离散域的计算步长，v为车速，l为一常数。5.根据权利要求1所述的观测方法，其特征在于，获取所述观测量在当前时刻的观测值
包括：...

【专利技术属性】
技术研发人员：胡景晨，
申请(专利权)人：上海新纪元机器人有限公司，
类型：发明
国别省市：