【技术实现步骤摘要】
本专利技术涉及abs控制策略优化，尤其涉及基于间接式胎压监测的abs控制策略优化方法及系统。
技术介绍
1、随着汽车工业的快速发展，车辆的安全性能日益受到广泛关注。abs(防抱死制动系统)作为现代汽车制动系统的重要组成部分，能够在紧急制动时防止车轮抱死，提高车辆的操控性和安全性。
2、然而，现有的abs系统大多依赖于固定的控制策略，无法针对车辆的实际运行状态进行动态调整。这种静态的控制策略在面对复杂多变的道路条件和驾驶习惯时，往往显得力不从心。
3、同时现有的abs系统通常忽略了轮胎胎压对制动性能的影响。轮胎胎压是影响车辆制动距离和稳定性的关键因素之一。当轮胎胎压异常时，车轮与地面的摩擦系数会发生变化，导致abs系统的控制策略不再适用，从而影响制动效果。具体来说，过高的胎压会使轮胎与地面的接触面积减小，降低摩擦力；而过低的胎压则会使轮胎变形，增加滚动阻力，同样不利于制动性能。
4、尽管目前有一些车辆配备了直接式胎压监测系统(tpms)，但这些系统存在成本较高、安装复杂等问题。且直接式胎压监测系统需要在每个轮胎内安装传感器，这些传感器不仅价格昂贵，还需要定期更换电池，增加了车主的负担。此外，这些系统无法提供实时的大数据分析，使得系统难以根据实际的胎压变化动态调整制动策略，从而无法充分发挥abs的潜力。
技术实现思路
1、本专利技术的目的是提供一种基于间接式胎压监测的abs控制策略优化方法及系统，解决上述技术问题。
2、为实现上述目的，本
3、s1、实时采集车辆行驶状态信息，并进行模数转换，行驶状态信息包括四个车轮的转速、车轮角速度、车速、纵向加速度、横向加速度以及转向角度；
4、s2、利用卡尔曼滤波算法对步骤s1采集的行驶状态信息进行处理，并基于车轮转速信息识别轮胎的动态行为；
5、s3、利用智能决策算法基于车轮转速估计车轮的胎压状态；
6、s4、考虑胎压、车速以及路面状况，运用故障树分析，评估当前行驶状态下的制动风险；
7、s5、根据风险评估结果生成abs控制参数；
8、s6、基于abs控制参数生成控制指令并传输至abs执行器；
9、s7、abs执行器根据接收的控制指令调整液压系统的压力，以防止车轮在制动时锁死；
10、s8、反馈abs执行器的制动信息并结合车轮转速以及加速度评估步骤s5生成的abs控制参数的有效性，并基于反馈结果调整abs控制参数；
11、s9、输出显示abs的工作状态信息和胎压信息。
12、优选的，在步骤s1中，针对模数转换后的行驶状态信息利用低通滤波器算法去除高频噪声。
13、优选的，步骤s2具体包括以下步骤：
14、s21、建立系统的状态空间模型，状态空间模型包括状态方程和观测方程；
15、其中状态方程表达式如下：
16、xk＝a×x{l-1}+b×u{l-1}+wk (1)；
17、观测方程表达式如下：
18、zk＝h×xk+vk (2)；
19、式中，xk表示k时刻的状态向量，x{k-1}表示k-1时刻的状态向量，k表示状态转移矩阵，b表示控制矩阵，u{k-1}表示k-1时刻的控制输入，wk表示过程噪声，zk表示k时刻的观测向量，h表示观测矩阵，vk表示观测噪声；
20、s22、初始化卡尔曼滤波器的状态估计值和误差协方差；
21、s23、在每一个时间步长，利用状态方程预测下一个状态，并更新误差协方差；
22、其中状态预测表达式如下：
23、x{k|k-1}＝a×x{k-1|k-1} (3)；
24、式中，x{k|k-1}表示在k时刻基于k-1时刻输入信息预测的状态预测值，x{k-1|k-1}表示k-1时刻的状态预测值；
25、误差协方差更新表达式如下：
26、p{k|k-1}＝a×p{k-1|k-1}×at+q (4)；
27、式中，p{k|k-1}表示k时刻的误差协方差预测值，p{k-1|k-1}表示k-1时刻的误差协方差预测值，q表示过程噪声协方差矩阵；
28、s24、当输入新的观测数据时，利用观测方程计算残差，并利用残差来更新状态估计值和误差协方差；
29、计算残差表达式如下：
30、yk＝zk-h×x{l|k-1} (5)；
31、式中，yk表示残差；
32、更新状态估计值表达式如下：
33、x{k|k}＝x{k|k-1}+kk×yk (6)；
34、式中，x{k|k}表示k时刻更新后的状态估计值；kk表示卡尔曼增益；
35、更新误差协方差表达式如下：
36、p{k|k}＝(e-kk×h)×p{k|k-1} (7)；
37、式中，p{k|k}表示k时刻更新后的误差协方差矩阵，e表示单位矩阵，p{k|k-1}表示在k时刻基于k-1时刻输入信息预测的误差协方差矩阵；
38、s25、输出经过滤波的最优状态估计值
39、s26、迭代更新步骤s23-步骤s25，直至满足迭代结束条件，输出处理后的行驶状态信息至步骤s27；
40、s27、利用差分运算计算车轮转速的变化率：
41、δω＝ωk-ω{k-1} (8)；
42、式中，δω表示车轮转速的变化率，ωk表示k时刻的车轮转速，ω{k-1}表示k-1的车轮转速；
43、s28、通过时间序列分析方法提取车轮转速的短期和长期趋势；
44、s29、基于采集的车轮角速度、车速计算滑移率λ：
45、λ＝(vw-v)/v (9)；
46、式中，vw表示车轮角速度，v表示车速；
47、s210、结合提取的车轮转速的短期和长期趋势以及滑移率λ判断轮胎的动态行为。
48、优选的，在步骤s29中，当提取的车轮转速的短期趋势超过设定第一阈值范围时，判定车轮打滑；
49、当车轮变化率超过设定第二阈值范围时，判定车轮抱死；
50、当滑移率λ大于设定第三阈值时，判定车轮进入滑动临界状态，当滑移率λ小于设定第三阈值时，判定车轮处于正常制动状态。
51、优选的，在步骤s3中，智能决策算法的机器学习单元使用监督学习，其代价函数j(θ)表达式如下：
52、j(θ)＝(1/2m)×σ[(hθ(xi)-yi)2] (10)；
53、式中，m表示训练样本数量，hθ表示预测模型，xi表示输入的车轮转速信息，yi表示输出；
54、且智能决策算法通过k-means聚类算法识别驾驶模式，更新聚类中心vj的表达式如下：
55、vj＝(1本文档来自技高网...
【技术保护点】
1.一种基于间接式胎压监测的ABS控制策略优化方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于间接式胎压监测的ABS控制策略优化方法，其特征在于：在步骤S1中，针对模数转换后的行驶状态信息利用低通滤波器算法去除高频噪声。
3.根据权利要求2所述的基于间接式胎压监测的ABS控制策略优化方法，其特征在于：步骤S2具体包括以下步骤：
4.根据权利要求3所述的基于间接式胎压监测的ABS控制策略优化方法，其特征在于：在步骤S29中，当提取的车轮转速的短期趋势超过设定第一阈值范围时，判定车轮打滑；
5.根据权利要求4所述的基于间接式胎压监测的ABS控制策略优化方法，其特征在于：在步骤S3中，智能决策算法的机器学习单元使用监督学习，其代价函数J(θ)表达式如下：
6.根据权利要求5所述的基于间接式胎压监测的ABS控制策略优化方法，其特征在于：步骤S4具体包括以下步骤：
7.根据权利要求6所述的基于间接式胎压监测的ABS控制策略优化方法，其特征在于：在步骤S5中，使用Ziegler-Nichols法优化ABS控
8.根据权利要求7所述的基于间接式胎压监测的ABS控制策略优化方法，其特征在于：步骤S6具体包括以下步骤：
9.根据权利要求8所述的基于间接式胎压监测的ABS控制策略优化方法，其特征在于：在步骤S8中，当滑移率λ大于设定第三阈值时，按照设定比例减小车轮的制动力；
10.如上述权利要求9所述的基于间接式胎压监测的ABS控制策略优化方法的系统，其特征在于：包括信号采集模块、数据处理与分析模块、控制决策模块、通信与显示模块、车载网络通信模块、电源管理模块和数据显示模块：
...【技术特征摘要】
1.一种基于间接式胎压监测的abs控制策略优化方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于间接式胎压监测的abs控制策略优化方法，其特征在于：在步骤s1中，针对模数转换后的行驶状态信息利用低通滤波器算法去除高频噪声。
3.根据权利要求2所述的基于间接式胎压监测的abs控制策略优化方法，其特征在于：步骤s2具体包括以下步骤：
4.根据权利要求3所述的基于间接式胎压监测的abs控制策略优化方法，其特征在于：在步骤s29中，当提取的车轮转速的短期趋势超过设定第一阈值范围时，判定车轮打滑；
5.根据权利要求4所述的基于间接式胎压监测的abs控制策略优化方法，其特征在于：在步骤s3中，智能决策算法的机器学习单元使用监督学习，其代价函数j(θ)表达式如下：
6.根据权利要求5所述的基于间接式...
【专利技术属性】
技术研发人员：刘思远，刘兆勇，刘溪淼，余子祥，张莉莉，
申请(专利权)人：格陆博科技有限公司，
类型：发明
国别省市：
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。