【技术实现步骤摘要】
一种四轮驱动轮毂电机汽车的纵向车速估计方法
[0001]本专利技术涉及轮毂电机驱动的电动汽车，具体涉及一种四轮驱动轮毂电机汽车纵向车速的估计方法，属于电动汽车主动安全控制领域。
技术介绍
[0002]随着电动汽车技术的快速发展，轮毂电机的应用成为主流，轮毂电机汽车的主动安全控制是轮毂电机汽车的关键技术。其中，汽车的纵向车速是车辆主动安全控制系统中的重要参数，对于传统燃油汽车而言，可以采用非驱动轮的轮速信息对纵向车速进行估计，但是对于四轮轮毂电机电动汽车而言，四个车轮都是驱动轮，不能再采用非驱动轮的轮速进行车速估计。目前常用于车辆纵向车速估计的算法主要包括卡尔曼滤波法、基于观测器法、基于雷达/GPS测量法和基于车轮模型信息融合法。但当车辆的某个车轮出现滑转或抱死时，车轮速度会急剧增大或减小，此时车轮模型和状态观测器容易受到外界干扰，使得估计方法的稳定性得不到满足。
[0003]中国专利申请号为201910885710.X中提出了《一种基于多模型融合的轮毂电机驱动车辆车速估计方法》，该方法融合不同的传感器信号，采用卡尔曼滤波算法对数据进行滤波处理，通过采用加权融合方法实现车速估计。但该专利技术方案采用的是线性估计方法，忽略了复杂工况下车辆运动过程中的耦合性，该方案在车辆非线性运动系统中的适应性得不到满足。中国专利申请号2017100896997公开了《分布式驱动电动汽车路面自适应纵向车速估计系统及方法》，该专利技术根据纵向力估计器与路面峰值附着系数估计器互联在线估计纵向车速，该方法具有计算量小、通用性强的特点，但...
【技术保护点】
【技术特征摘要】
1.一种四轮驱动轮毂电机汽车的纵向车速估计方法，其特征在于，该方法包括以下几个步骤：步骤一：首先采集车辆状态参数，使用扩展传感器数据方法，然后对容积卡尔曼滤波方法进行改进，增加平衡加权因子，最后通过加权融合得到纵向车速的观测值：(1)根据车载传感器测量得到车辆配置参数，通过数据总线采集车辆状态参数；其中，所述车辆配置参数包括整车质量、车身转动惯量、整车轴距和车轮轮距；所述车辆状态参数包括四个驱动轮转速、驱动轮转动角速度、纵向加速度、侧向加速度、横摆角速度和前轮转角；所述数据总线包括汽车CAN总线和FlexRay总线；(2)使用扩展传感器数据方法时，将纵向加速度输出信号作为测量反馈；将驱动轮转动角速度信号和车轮行驶滚动半径结合，实现对车轮原始车速的预测；将侧向加速度信号积分得到车辆侧向运动速度；(3)采用改进的容积卡尔曼滤波构建卡尔曼滤波器；其中，所述改进的容积卡尔曼滤波是基于实际卡尔曼滤波迭代过程中滤波方差快速更新、滤波增益快速收敛的特性，改进容积卡尔曼滤波算法，引入平衡加权因子进行数值融合，减小因信号波动而造成的估计误差；其中，所述卡尔曼滤波器是将车辆的纵向速度作为状态变量，将车辆的纵向加速度、车轮滚动半径、四轮转动角速度和横摆角速度作为量测变量，将前轮转角作为控制变量，状态方程如下：式中，v(k+1)表示k+1时刻系统纵向车速状态变量，v
k
表示k时刻系统状态变量，Г
k
表示系统转移矩阵，W(k)表示系统观测噪声，m为汽车总质量，v
y
为侧向车速，γ为横摆角速度，δ为前轮转角，I
z
为车身绕Z轴的转动惯量，a为质心到前轴的距离，b为质心到后轴的距离，B
f
为前轴轮距，B
r
为后轴轮距，F
x1
表示左前轮纵向力，F
x2
表示右前轮纵向力，F
x3
表示左后轮纵向力，F
x4
表示右后轮纵向力，F
y1
表示左前轮侧向力，F
y2
表示右前轮侧向力，F
y3
表示左后轮侧向力，F
y4
表示右后轮侧向力。(4)根据步骤一(3)所述的状态方程，按照改进的容积卡尔曼滤波原理，进行时间更新。其中，所述时间更新包括容积点计算、状态预测和容积点更新；其中，容积点计算过程如下：在笛卡尔坐标系下，球面径向积分的积分表达式为：式中，Un为球体表面，r为球体半径，exp(
‑
r2)为权值方程，σ为积分单元；利用Gass－Hermite(高斯
‑
埃尔米特)准则和三阶球面
‑
径向容积准则，得到容积点积
分为：式中，R
n
为积分区域，n为向量维数，ξ
i
为容积点集。其中，状态预测过程如下：状态变量预测：式中，Г
k
为状态转移矩阵；预测误差协方差为：式中，W
q
为外界干扰噪声，为零均值、独立的高斯分布随机信号。其中，容积点更新过程如下：根据状态变量的统计特性，新的容积点为：式中，x
ik+1/k
表示第i个新的容积点，S
k+1/k
为容积点更新时标准差。(5)根据步骤一(3)所述的状态方程，按照改进的容积卡尔曼滤波原理，进行量测更新。其中，所述量测更新包括量测变...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。