一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法制造技术

本发明专利技术公开了一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，包括：步骤1，实时采集车辆行驶数据；步骤2，将车速信号送入二阶线性微分跟踪器，得到车辆加速度；步骤3，当整车驱动力和车辆加速度同时大于0且制动踏板未踩下时，执行后续步骤，否则返回步骤1；步骤4，根据车辆纵向动力学模型得到车重线性模型,将滚阻系数和车辆加速度输入给车重线性模型，得到估计车重；步骤5，根据车辆纵向动力学模型得到滚阻系数线性模型，将估计车重和车辆加速度输入给滚阻系数线性模型，得到估计滚阻系数；步骤6，估计结果可信性检验。本发明专利技术既避免了额外为车辆加装加速度传感器，又为后续车重估计的精度提供了保证。续车重估计的精度提供了保证。续车重估计的精度提供了保证。

【技术实现步骤摘要】
一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法


[0001]本专利技术涉及车重估计
，特别是涉及一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法。

技术介绍

[0002]车重，作为车辆动力系统和整车控制中的关键参数，对于整车运行的能耗、安全性及驾驶舒适性影响显著。在相同的车速及加速度下，车重的不同会影响所需要的驱动力，并改变动力系统的运行工况点及其效率，进而影响整车能耗；车重亦会改变刹车距离、转弯中的侧倾指数，从而影响行驶中的安全性；车重还会影响相同驱动力下的车辆加速度，进而改变乘坐舒适性。对于自动驾驶车辆，通过实时获取车重数据，有望实现更合理的车辆行驶路线规划、速度规划，并优化动力系统的工作点分布，进而从多个角度改善车辆的综合控制性能。对于带有驾驶辅助功能的车辆，车重还是主动刹车、车道保持等算法中的重要参数。对于车辆运行监管部门，车重还是车辆超载检查、货运量统计等工作的核心参数。由此可见，车重是一个对于整车厂、用户，以及监管部门均有重要价值的信息，但是该信息一般不容易获取。
[0003]目前的在售车辆中，极少数安装了可用于直接测量的车重传感器，大部分采用车重估计算法来间接得到该数值。车重估计方法分为基于运动学和基于动力学两大类。基于运动学的方法大多需要加装加速度传感器，或安装车载GPS定位系统估计坡度，然后再采用辨识算法进行车重的估计。基于车辆纵向动力学模型的方法也有很多研究，通常采用辨识算法对车重和坡度进行联合估计或对车重进行单独估计。常见的辨识算法主要包括基于递推最小二乘法、基于扩展或改进卡尔曼滤波。
[0004]上述两种方法都依赖车辆纵向动力学模型中风阻系数、滚阻系数的已知信息，需要提前由固定路段的试验测定，没有很好地解决车重和滚阻系数的耦合问题。实际中滚阻系数随道路环境以及车型动态变化，风阻系数也因车型不同而存在差异，导致上述方法难以在实际不同车型上推广应用。此外，在不加装加速度传感器的情况下，加速度难以准确估计，直接采用车速微分容易引起噪声，也会影响车重估计精度。
[0005]因此，本专利技术提出一种可以在不加装加速度传感器的情况下，能够主动适应道路和轮胎特性变化造成的滚阻波动的车重估计算法，解决了车辆加速度难以准确获取，且车重和滚阻系数在辨识中相互耦合的问题，且估计算法使用简单、实时性高，具有重要的理论意义和工程应用价值。

技术实现思路

[0006]本专利技术的目的是针对车重估计中车辆加速度难以准确获取、车重和滚阻系数估计中出在交叉耦合的问题，而提供一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法。通过二阶线性微分跟踪器来获取车辆加速度，通过双线性模型实现车重和滚阻系
数的解耦估计。
[0007]为实现本专利技术的目的所采用的技术方案是：
[0008]一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，包括以下步骤：
[0009]步骤1，实时采集车辆行驶数据：包括时间、整车驱动力、车速、变速箱档位以及制动踏板状态，结合网联信息和车辆位置获取道路坡度信息；
[0010]步骤2，加速度获取：将步骤1采集的所述车速送入二阶线性微分跟踪器，计算得到车辆加速度；
[0011]步骤3，对采集数据进行数据筛选：当步骤1采集的整车驱动力和步骤2得到的所述车辆加速度同时大于0且制动踏板未踩下时，执行后续步骤，否则返回步骤1采集下一时刻的车辆行驶数据；
[0012]步骤4，估计车重：根据车辆纵向动力学模型得到车重线性模型,采用将滚阻系数和步骤2得到的车辆加速度输入给所述的车重线性模型，根据所述车重线性模型采用递推最小二乘进行车重的辨识，得到估计车重，其中，首次运行时，所述滚阻系数为给定的滚阻系数初始值，之后的滚阻系数值由步骤5得到的估计滚阻系数输入；
[0013]步骤5，估计滚阻系数：根据车辆纵向动力学模型得到滚阻系数线性模型，将步骤4得到的估计车重和步骤2得到的车辆加速度输入给所述的滚阻系数线性模型，根据所述滚阻系数线性模型采用递推最小二乘进行滚阻系数的辨识，得到估计滚阻系数；
[0014]步骤6，估计结果可信性检验：由步骤4输出的估计车重和步骤5输出的估计滚阻系数反算出估计驱动力，将所述估计驱动力与步骤1的整车驱动力进行对比，当所述估计驱动力与所述整车驱动力的误差小于设定值时，认为当前的估计结果可信，可以进行最终输出使用，否则不输出该结果，返回步骤1。
[0015]在上述技术方案中，所述步骤2中，二阶线性微分跟踪器的频域表达式为在上述技术方案中，所述步骤2中，二阶线性微分跟踪器的频域表达式为式中s为拉普拉斯算子，v(s)和a(s)分别为v和a所对应的拉氏变换，对其进行反拉氏变化可得时域解v和a，其中v为车速，a为车辆加速度，τ1、τ2分别为两个低通滤波模块的时间常数，优选的，τ1、τ2的取值范围均为0
‑
0.5，且τ1＜τ2，更为优选的，τ1＝0.1，τ2＝0.2。
[0016]在上述技术方案中，所述步骤4和步骤5中，所述车辆纵向动力学模型如式(1)所示：
[0017][0018]式(1)中，T为发动机的实际输出扭矩，i
g
为变速箱的传动比，i0为主减速器的主减速比，η为传动效率，r为车轮半径，为车辆的实际驱动力，C
d
为空气阻力系数，A为车辆的迎风面积，v为车辆的速度，a为车辆加速度，m为车辆的质量，f为车辆的滚阻系数，g为当地的重力加速度，α为道路坡度角，δ为旋转质量换算系数，其中的T，i
g
，i0，η，r，C
d
，A，v，m，g，α，δ在车辆运行过程中从控制系统中实时获取，优选的，所述旋转质量换算系数通过变速箱传动比计算：δ＝1+0.04i
g
+0.0025i
g
i
g
。
[0019]在上述技术方案中，所述步骤4中的车重线性模型如式(2)所示：
[0020][0021]式(2)中，Y
m
为车重线性模型的输出向量，φ
m
为车重线性模型的输入向量，θ
m
为待估参数向量，即估计车重的向量。
[0022]在上述技术方案中，所述步骤5的滚阻系数线性模型如式(3)所示：
[0023][0024]式(3)中，Y
f
为滚阻系数线性模型的输出向量，φ
f
为滚阻系数线性模型的输入向量，θ
f
为待估参数向量，即估计滚阻系数的向量。
[0025]在上述技术方案中，根据式(2)采用式(4)递推最小二乘法估计车重，根据式(3)采用式(4)递推最小二乘法估计滚阻系数，递推最小二乘的表达式如式(4)所示：
[0026][0027]k表示递推步长，在步骤4中，式(4)中的θ、y、φ与式(2)中的θ
m
、Y
m
、φ
m
相对应。在步骤5中，式(4)中的θ、y、φ与式(3)中的θ<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，包括以下步骤：步骤1，实时采集车辆行驶数据：包括时间、整车驱动力、车速、变速箱档位以及制动踏板状态，结合网联信息和车辆位置获取道路坡度信息；步骤2，加速度获取：将步骤1采集的所述车速送入二阶线性微分跟踪器，计算得到车辆加速度；步骤3，对采集数据进行数据筛选：当步骤1采集的整车驱动力和步骤2得到的所述车辆加速度同时大于0且制动踏板未踩下时，执行后续步骤，否则返回步骤1采集下一时刻的车辆行驶数据；步骤4，估计车重：根据车辆纵向动力学模型得到车重线性模型,采用将滚阻系数和步骤2得到的车辆加速度输入给所述的车重线性模型，根据所述车重线性模型采用递推最小二乘进行车重的辨识，得到估计车重，其中，首次运行时，所述滚阻系数为给定的滚阻系数初始值，之后的滚阻系数值由步骤5得到的估计滚阻系数输入；步骤5，估计滚阻系数：根据车辆纵向动力学模型得到滚阻系数线性模型，将步骤4得到的估计车重和步骤2得到的车辆加速度输入给所述的滚阻系数线性模型，根据所述滚阻系数线性模型采用递推最小二乘进行滚阻系数的辨识，得到估计滚阻系数；步骤6，估计结果可信性检验：由步骤4输出的估计车重和步骤5输出的估计滚阻系数反算出估计驱动力，将所述估计驱动力与步骤1的整车驱动力进行对比，当所述估计驱动力与所述整车驱动力的误差小于设定值时，认为当前的估计结果可信，可以进行最终输出使用，否则不输出该结果，返回步骤1。2.如权利要求1所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤2中，二阶线性微分跟踪器的频域表达式为其特征在于，所述步骤2中，二阶线性微分跟踪器的频域表达式为式中s为拉普拉斯算子，v(s)和a(s)分别为v和a所对应的拉氏变换，对其进行反拉氏变化可得时域解v和a，其中v为车速，a为车辆加速度,τ1、τ2分别为两个低通滤波模块的时间常数，优选的，τ1、τ2的取值范围均为0
‑
0.5，且τ1&lt;τ2，更为优选的，τ1＝0.1，τ2＝0.2。3.如权利要求1所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤4和步骤5中，所述车辆纵向动力学模型如式(1)所示：式(1)中，T为发动机的实际输出扭矩，i
g
为变速箱的传动比，i0为主减速器的主减速比，η为传动效率，r为车轮半径，为车辆的实际驱动力，C
d
为空气阻力系数，A为车辆的迎风面积，v为车辆的速度，a为车辆加速度，m为车辆的质量，f为车辆的滚阻系数，g为当地的重力加速度，α为道路坡度角，δ为旋转质量换算系数，优选的，所述旋转质量换算系数通过变速箱传动比计算：δ＝1+0.04i
g
+0.0025i
g
i
g
。4.如权利要求3所述的基于二阶线性微分跟踪器和参数双线性模型的车重估计算法，其特征在于，所述步骤4中的车重线性模型如式(2)所示：
式(2)中，Y
m
为车重线性模型的输出向量，φ

【专利技术属性】
技术研发人员：张榆川，李鑫，宋康，赵延龙，谢辉，张纪峰，陈韬，
申请(专利权)人：中国科学院数学与系统科学研究院，
类型：发明
国别省市：