[发明专利]基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法

说明书

本发明提供基于MMRLS和SH‑STF的车辆质量与道路坡度迭代型联合估计方法，包括以下步骤：考虑转向的动力学模型建立，MMRLS/SH‑STF迭代型联合估计算法架构，基于SH‑STF的坡度估计算法改进。该基于MMRLS和SH‑STF的车辆质量与道路坡度迭代型联合估计方法设计合理，分析了车辆质量的缓变特性和道路坡度的时变特性，根据缓变与时变特征，基于车辆纵向动力学模型与转向单轨模型，分别使用多模型融合递归最小二乘这一系统辨识算法计算车辆质量，用基于扩展卡尔曼滤波的噪声自适应强跟踪滤波这一状态估计算法计算路面坡度，从而使算法更好地适应于估计变量。

技术领域

本发明涉及质量估计技术领域，具体为基于MMRLS和SH-STF的车辆质量与道路坡度迭代型联合估计方法。

背景技术

随着货运业的发展，重型车的保有量也在不断增加。相对于乘用车而言，重型车的重量变化范围非常大，从空载到满载甚至可以达到400％。而车辆质量是自动变速器换挡控制系统进行挡位决策、车辆动力学控制与参数估计、车辆状态监控的关键参数，若能够利用车辆质量这一参数对车辆各部件进行合理调控，将进一步提高车辆的动力性、经济性与安全性；

道路坡度与质量耦合程度较高，因此在计算过程中需要对这两个参数同时进行估计。通常情况下，道路的坡度可以由倾角传感器或加速度传感器间接测量得到。但是由于该传感器设备成本较高，量产车上很少配置相关硬件。因此基于现有传感器，对相关参数进行软测量的技术得到了广泛的应用。现阶段国内外有许多对车辆质量与道路坡度估计算法的研究。质量辨识方面，Ardalan Vahidi在论文里采用带多个遗忘因子的递推最小二乘法对汽车质量和坡度进行实时的辨识。Michael L McIntyre等首先基于汽车纵向动力学模型通过最小二乘法对汽车质量和常值坡度进行辨识，然后基于辨识的汽车质量通过非线性观测器对实时变化的道路坡度进行辨识，得出的估计结果精度较高。Enrico Raffone将RLS与线性卡尔曼滤波相结合，实现了对车辆质量与坡度的同时估计，但借助了额外的加速度传感器采集坡度信息，而并非从动力学公式中对坡度进行估算。吉林大学的雷雨龙提出基于扩展卡尔曼滤波的车辆质量方法，将质量与坡度在一个算法中同时进行估计。SimonAltmannshofer等人分别使用RAWKF、RGTLS、RLS和MFRLS对车辆质量与阻力进行估计，其中RAWKF算法的估计效果最好，能比较准确地估算出质量、滚动阻力和空气阻力等值，但算法忽略了加速度与坡度的计算。Liang Li等人将RLS与EKF相结合，用RLS估算质量，EKF同时估算质量和坡度，然后将两个质量给予不同的置信因子相结合得出最终结果，以提高算法的工况适应性。Yahui Zhang，Dongpu Cao等人针对电动汽车传动系统齿轮间隙与半轴转矩的不同特点，分别设计了离散观测器与连续观测器，并将其进行联合，在证明其收敛性的情况下使用实车进行验证，充分表明了针对性观测器算法对多个参数系统进行估计的优越性。坡度估计方面，目前能够实时对道路坡度进行估计的方法主要有3种：利用GPS高程信息估计道路坡度；利用CAN总线信息和行驶方程估计道路坡度[11]；额外添加加速度传感器来估计道路坡度。其中第和第三种方法都需要加装额外的传感器，较难满足实际应用需求。第二种方法，Sebsadji等采用龙贝格状态观测器来估计道路坡度，通过建立轮胎模型根据轮胎力来计算驱动力，避免了用传动模型计算纵向力时对挡位等信息的要求。Kim Iet al.将车辆俯仰角所产生的影响加入了坡度估计算法中，进一步提高了估算精度[13]。XiaoyongLiao等人使用自适应扩展卡尔曼滤波(AEKF)对路面坡度进行估计，算法表现出较强的鲁棒性[14，15]。Klomp等人用标准卡尔曼滤波对电动车辆的速度与路面坡度进行联合估计，根据电动车辆驱动力矩参数较为精确的特点，对车轮滑移率进行估计，从而对估算出的速度与坡度进行修正。此外，常用的车辆状态估计还有UKF算法、自适应卡尔曼滤波、自适应滑模观测器、降维观测器、H_∞观测器、闭环观测器以及多个观测器数据融合的综合估计算法。目前的质量坡度辨识算法基本上都是对质量与坡度同时进行估计，并没有考虑到质量是一个缓变的系统参数，而坡度是一个时变的状态变量这一因素。若能针对该特点分别设计估计算法，将有效提高估计模型的精度与效率。