【技术实现步骤摘要】
本申请涉及车辆载荷估计，尤其涉及车辆载荷估计方法、装置及存储介质。
技术介绍
1、整车载荷估算通常涉及两种方法：基于车辆模型的估计算法和基于数据驱动的估计算法。基于动力学模型的方法通过构建整车纵向动力学模型，并结合轮速传感器、惯性测量单元以及车辆固有参数来估计载荷。然而，这种方法的准确度高度依赖于模型的精确性，并且容易受到路面条件和信号噪声等外部因素的干扰。基于数据驱动的方法则利用车辆行驶数据，通过在线或离线训练模型，输入车速、加速度、驱动力等运行参数来预测载荷。但这种方法受限于模型训练集的大小，并且对主控单元的计算能力有较高要求。
2、商用车载荷估计技术通过实时监测和分析车辆的运行状态，能够准确评估车辆在不同工况下的载荷情况。商用车因需要在高载荷和长时间运转，其动力输出相较于乘用车更加稳定，而搭载线控制动系统的能够较好地获取各轮驱制动压力，从而计算轮端驱制动力矩，更有利实现载荷估计。在载荷估计过程中，如果仅考虑滚动阻力和空气阻力，可能会导致较大的估算误差。因此，载荷估计算法应该综合考虑通过传感器获取的横摆角速度、横向加速度、方向盘转角等信号，并对滚动阻力系数等参数进行自适应调整。
3、在车辆处于坡面时，坡道阻力可能会干扰载荷估计的结果。因此，在载荷计算过程中，通常需要同时对车辆所处的坡度进行估计。常见的坡度估计方法包括基于传感器的方法和基于模型的方法。基于传感器的方法通常使用加速度传感器或角度传感器来测量，虽然在静态测量中表现良好，但在动态测量中可能不够准确。而基于模型的方法则利用车辆动力学模型，结合车
4、专利《一种用于无人驾驶车辆的状态预测与估计方法》，公开号：cn112758097a，公开日：2021年05月07日，具体公开了利用提出的具有车辆转矩修正速度预测公式，并通过加速度和加速度导数等特征确定速度预测公式最优参数，利用遗传算法神经网络进行训练，引入车辆当前行驶工况的历史数据对加速度和加速度导数及时更新优化，利用运动学方法和动力学方法融合对道路坡度角估计，利用最小二乘法对车辆质量估计，提高车辆质量和簧上质量的估计精度。该方案利用遗传算法神经网络进行训练，需要不断迭代计算，计算复杂度高，效率较低。
5、专利《一种基于改进卡尔曼滤波的汽车状态估计方法》，公开号：cn118343139a，公开日：2024年07月16日，具体公开了根据电驱动公交车的车辆动力学特性，构建纵向、横向、横摆的非线性三自由度动力学模型及轮胎模型；通过sage-husa自适应滤波原理，对传统卡尔曼滤波算法中视作固定值的量测噪声协方差阵r进行实时动态调整修正，并依据滤波发散程度优化sage-husa系数；基于非线性三自由度动力学模型，构建基于sage-husa滤波原理自适应的扩展卡尔曼滤波算法，实现噪声环境下的车辆行驶状态估计。该方案基于sage-husa滤波原理实现自适应，然而对主控单元的计算能力有较高要求。
技术实现思路
1、本申请针对现有技术中无法兼顾车辆载荷估计准确性和算力需求的技术问题，提供车辆载荷估计方法、装置及存储介质，通过分别构建对应于扩展卡尔曼滤波的第一载荷估计和对应于递归最小二乘法的第二载荷估计，并根据车辆动态参数融合第一载荷估计和第二载荷估计的估计值，确保在车辆任何运行状态时对载荷估计的准确性，同时通过车辆运行工况影响因子补偿递归最小二乘法受环境噪声的随机影响，进一步提高载荷估计的准确性，并利用递归最小二乘法进行融合载荷估计计算复杂度较低，降低算力需求，估计效率高。
2、为实现上述技术目的，本申请提供的一种技术方案是，车辆载荷估计方法，包括如下步骤：基于车辆纵向动力学模型以及扩展卡尔曼滤波构建第一载荷估计；基于车辆运行工况影响因子构建车辆运行工况评估系数，根据车辆运行工况评估系数、车辆纵向动力学模型以及递归最小二乘法构建第二载荷估计；基于车辆动态参数、第一载荷估计以及第二载荷估计构建融合载荷估计，以融合载荷估计以及当前车辆运行参数输出当前车辆载荷估计值。
3、进一步的，所述基于车辆纵向动力学模型以及扩展卡尔曼滤波构建第一载荷估计包括：基于车辆纵向动力学模型输出车辆纵向加速度方程；以车辆纵向加速度方程构建非线性状态转移函数；以非线性状态转移函数以及扩展卡尔曼滤波构建第一载荷估计。
4、进一步的，所述以车辆纵向加速度方程构建非线性状态转移函数包括：以车辆纵向速度、车辆质量、坡度值作为状态变量结合车辆纵向加速度方程构建状态空间方程；利用欧拉变换对状态空间方程进行离散化，构建非线性状态转移函数。
5、进一步的，所述基于车辆运行工况影响因子构建车辆运行工况评估系数包括：根据专家经验或/和影响特征提取获取车辆运行工况影响因子；以车辆运行工况影响因子对车辆运行工况稳定性影响获得车辆运行工况影响因子比例系数；基于车辆运行工况影响因子以及车辆运行工况影响因子比例系数构建车辆运行工况评估系数。
6、进一步的，所述根据车辆运行工况评估系数、车辆纵向动力学模型以及递归最小二乘法构建第二载荷估计包括：根据车辆纵向动力学模型以及递归最小二乘法构建包含遗忘因子的拟合方程；根据遗忘因子与车辆运行参数相关性、车辆运行工况评估系数与车辆运行参数相关性获得车辆运行工况评估系数与遗忘因子相关性；根据包含遗忘因子的拟合方程以及车辆运行工况评估系数与遗忘因子相关性构建第二载荷。
7、进一步的，所述基于车辆动态参数、第一载荷估计以及第二载荷估计构建融合载荷估计还包括：基于车轮滑移率、车辆速度与车辆运行工况的相关性构建第一载荷估计以及第二载荷估计的比重关系；基于车辆运行工况与噪声的相关性构建低通滤波系数；以第一载荷估计以及第二载荷估计的比重关系、第一载荷估计、第二载荷估计、低通滤波系数构建融合载荷估计。
8、进一步的，还包括：若车辆满足极限工况条件，停止车辆载荷估计，执行极限工况提示。
9、进一步的，还包括：基于车辆物理机理构建车辆纵向动力学模型。
10、本申请提供的另一种技术方案是，车辆载荷估计装置，用于实现如上述的方法，包括：数据采集单元，用于采集车辆运行参数；存储单元，用于存储车辆载荷数据；微控制器，接收数据采集单元输出的车辆运行参数以及存储的车辆载荷数据输出当前车辆载荷估计值。
11、本申请提供的又一种技术方案是，计算机可读存储介质，所述存储介质中存储有计算机程序或指令，当所述计算机程序或指令被处理设备执行时，实现如上述的方法。
12、本申请的有益效果：针对现有技术中整车载荷估计中车辆动力学模型不准确、算力不足和附加传感器成本较高的问题，通过基于扩展卡尔曼滤波和基于递归最小二乘法的质量估计及其模糊逻辑融合方法，首先搭建整车动力学模型，通过扩展卡尔曼滤波将观测的车速与坡度和模型计算结果相融合，解决模型不准确的问题；建立根据车辆运行工况自适应的递归最小二乘法估计算法，通过模糊逻辑实现结果融合，利用rls和本文档来自技高网...
【技术保护点】
1.车辆载荷估计方法，其特征在于：包括如下步骤：
2.如权利要求1所述的车辆载荷估计方法，其特征在于：
3.如权利要求2所述的车辆载荷估计方法，其特征在于：
4.如权利要求1所述的车辆载荷估计方法，其特征在于：
5.如权利要求1所述的车辆载荷估计方法，其特征在于：
6.如权利要求1所述的车辆载荷估计方法，其特征在于：
7.如权利要求1所述的车辆载荷估计方法，其特征在于：还包括：
8.如权利要求1所述的车辆载荷估计方法，其特征在于：还包括：
9.车辆载荷估计装置，用于实现如权利要求1至权利要求8任意一项所述的方法，其特征在于：包括：
10.计算机可读存储介质，其特征在于：所述存储介质中存储有计算机程序或指令，当所述计算机程序或指令被处理设备执行时，实现如权利要求1至权利要求8任意一项所述的方法。
【技术特征摘要】
1.车辆载荷估计方法，其特征在于：包括如下步骤：
2.如权利要求1所述的车辆载荷估计方法，其特征在于：
3.如权利要求2所述的车辆载荷估计方法，其特征在于：
4.如权利要求1所述的车辆载荷估计方法，其特征在于：
5.如权利要求1所述的车辆载荷估计方法，其特征在于：
6.如权利要求1所述的车辆载荷估计方法，其特征在于：
7.如权利要求...
【专利技术属性】
技术研发人员：傅直全，朱奇章，李钊男，宋小毅，李占明，柳世铭，
申请(专利权)人：浙江万安科技股份有限公司，
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。