[发明专利]一种考虑传感器故障的独立驱动电动车车辆状态估计方法

权利要求书

1.一种考虑传感器故障的独立驱动电动车车辆状态估计方法，其特征在于，具体步骤如下：

步骤一、根据四轮独立驱动电动汽车的运动学特性，搭建具有纵向、横向、横摆特性的三自由度车辆模型；

三自由度车辆模型公式如下：

其中，a是前轮到质心的距离；k_f是前轮侧偏刚度；b是后轮到质心的距离；k_r是后轮侧偏刚度；I_z是车辆的偏航惯性矩；v_x是车辆纵向速度；ω是车辆所受的横摆角速度；β是质心侧偏角；δ是前轮转角；m是车辆质量；a_x是车辆纵向加速度；a_y是车辆横向加速度；

步骤二、根据三自由度车辆模型构建状态空间方程；

状态空间方程为：

步骤三、考虑过程噪声与测量噪声都为高斯白噪声，将三自由度车辆模型进行离散化，得到离散化的状态空间方程，并简化；

步骤四、利用Kalman滤波算法对离散形式状态空间方程进行车辆状态的更新；

更新包括时间更新和观测更新；具体流程为：

时间更新方程为：

P(k+1/k)＝A(k)P(k/k)A(k)^T+Q

其中，为预测方程的k+1时刻的状态估计值；为预测方程的k时刻的状态估计值；P(k+1/k)为k+1时刻状态估计误差协方差矩阵；P(k/k)为k时刻的状态估计误差协方差矩阵；Q为过程噪声协方差矩阵；

观测更新方程为：

K(k+1)＝P(k+1/k)C(k)^T[C(k)P(k+1/k)C(k)^T+R]^-1

P(k+1/k+1)＝[I-K(k+1)C(k)]P(k+1/k)

其中，K(k+1)为k+1时刻的滤波增益矩阵；R为测量噪声协方差矩阵；y(k+1)为k+1时刻的测量噪声协方差矩阵；I为单位矩阵；P(k+1/k+1)为对矩阵P(k+1/k)更新后的状态估计误差协方差矩阵；为利用残差和滤波增益得到的对更新后的状态估计值；

通过对时间更新方程和观测更新方程进行迭代有限次后，即得到Kalman滤波的结果，迭代次数按照精度需求人为设定；

步骤五、使用故障诊断信息对Kalman滤波的结果进行修正，抵消了传感器故障带来的影响，提高了估计器的鲁棒性；

具体步骤为：

首先，利用三自由度车辆模型的不同传感器分别测得横向加速度的输出值，并两两做差得到三个残差向量；

具体为：

1)、由车辆估计器得到的车辆纵向速度v_x，横摆角速度ω和质心侧偏角β确定车辆横向加速度的估计值

2)、由横摆角速度传感器测量得到的横摆角速度值ω^*计算横向加速度的计算值

3)、由横向加速度传感器测得横向加速度的测量值a'_y；

将横向加速度的估计值计算值和测量值a'_y两两做差，得到残差向量[S₁ S₂ S₃]，计算公式如下：

然后，判断每个残差向量S_i是否超过预先设定的门限值，如果是，故障模块设置输出信号s_i为1；否则，输出信号s_i为0；

接着，将每个输出的残差信号分别与故障诊断逻辑表进行对比，残差信号与表中的值相符即视为相应的传感器出现故障；

最后，利用k时刻的故障，对Kalman滤波中k+1时刻的测量值进行更新，并利用更新的测量值进行观测状态估计值的更新；

测量值更新公式为：

其中，为更新的输出值，gr(k)＝[S₁ S₂ S₃]；[s₁ s₂ s₃]^T为故障诊断逻辑表中的故障向量的转置矩阵；

然后，将代入观测更新方程中进行更新：

2.如权利要求1所述的一种考虑传感器故障的独立驱动电动车车辆状态估计方法，其特征在于，所述的步骤三中，k时刻的状态空间方程表示为：

w(k)是k时刻的过程噪声；v(k)是k时刻的测量噪声；

将方程中的各矩阵对应简写为：

x(k+1)＝A(k)x(k)+B(k)u(k)+w(k)

y(k)＝C(k)x(k)+ν(k)

其中，k是离散系统采样点；y(k)＝a_y(k)；