[发明专利]轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法

摘要

本发明提供一种轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统，它包括车轮滑转率计算模块、车轮侧偏角计算模块、车轮垂向力计算模块、变形处理的Dugoff轮胎模型模块、空气阻力计算模块、渐消记忆UKF参数估计算法模块、车轮纵侧向力计算模块、车轮旋转动力学模块和纵向力反馈修正模块。本方法通过对传统UKF算法的渐消记忆加权处理，使得算法及时舍去陈旧测量数据，增加新近测量数据的权重，从而提高参数的估计精度；充分结合轮毂电机驱动车辆各车轮转矩可精确测得的优点，利用车轮旋转动力学模型求得的准确的车轮纵向力信息，对Dugoff轮胎模型求得的车轮纵向力信息进行修正，保证纵向归一化力的准确性，从而间接提高路面附着系数的估计精度。

主权项

1.一种轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统，其特征在于：它包括：/n车轮滑转率计算模块，用于根据各车轮转速、转向盘的转角、车辆的纵侧向车速和车身横摆角速度，计算各车轮的滑转率；/n车轮侧偏角计算模块，用于根据转向盘的转角、车辆的纵侧向车速和车身横摆角速度，计算各车轮的侧偏角；/n车轮垂向力计算模块，用于根据车辆纵向加速度和侧向加速度，结合路面坡度给定值，计算各车轮的垂向力；/n变形处理的Dugoff轮胎模型模块，用于根据各车轮的滑转率、侧偏角和垂向力，利用变形处理的Dugoff轮胎模型，求得各车轮纵侧向归一化力；/n空气阻力计算模块，用于根据车辆纵向车速计算空气阻力；/n渐消记忆UKF参数估计算法模块，用于根据各车轮纵侧向归一化力、空气阻力、车辆纵向加速度、车辆侧向加速度、车身横摆角速度及各车轮纵向力之和的初始信息，通过估计算法得到路面附着系数μ及第一路面坡度信息θ₁和第二路面坡度信息θ₂，其中将θ₁和θ₂分别反解后得的值进行平均值处理得到所述的车轮垂向力计算模块中的路面坡度给定值θ；/n车轮纵侧向力计算模块，用于根据各车轮纵侧向归一化力和路面附着系数，采用车轮纵侧向力计算模型计算各车轮的纵向力和侧向力；/n车轮旋转动力学模块，用于根据各车轮驱动力矩T_di，结合各车轮转速及垂向力，基于车轮旋转动力学模型计算各车轮的纵向力；/n纵向力反馈修正模块，用于将车轮纵侧向力计算模块得到的各车轮的纵向力，与车轮旋转动力学模块得到的各车轮的纵向力进行比较，得到纵向力修正量，反馈到所述的变形处理的Dugoff轮胎模型中对Dugoff轮胎模型纵向力信息进行修正；/n所述的变形处理的Dugoff轮胎模型模块具体用于按以下方法计算：/n /n /n /n /n式中，F_xi⁰和F_yi⁰分别为各车轮的纵向归一化力和侧向归一化力；F_zi为各车轮的垂向力；C_xi、C_yi分别为各车轮的纵向刚度和侧偏刚度；S_i为各车轮的滑转率；L_i表示车轮工作区间的边界值，L_i>1时表示车轮处于线性区间，L_i≤1时表示车轮处于非线性区间；α_i为车轮的侧偏角；ε为速度影响因子，用于修正车轮的滑移速度对车轮力的影响；i＝fl、fr、rl、rr，代表4个车轮；v_x为车辆的纵向车速；/n所述的渐消记忆UKF参数估计算法模块具体用于按以下方法计算：/n1)离散化的系统状态空间方程确定：/ni)建立过程方程：/n /n式中，μ_fl、μ_fr、μ_rl和μ_rr分为4个车轮与路面之间的附着系数；a_{x_d}为车辆纵向行驶加速度；θ₁为基于运动学方法得到的第一路面坡度信息，θ₂为基于动力学方法得到的第二路面坡度信息；g为重力加速度；m为车辆的质量；F_w为空气阻力；w_k为符合高斯分布的过程噪声；k表示滤波时刻；F_x为初始各车轮纵向力之和信息；/n基于动力学的坡度估算公式如下：/nF_x＝ma_{x_d}+F_w+mg(sinθ+fcosθ)/n式中，f为滚动阻力系数，基于运动学的坡度估算公式中a_{x_d}与传感器测量信息a_x存在如下关系：/n /n令θ₁＝sinθ+fcosθ，θ₂＝sinθ，θ为路面坡度给定值，对θ₁和θ₂分别反解后的值进行简单的平均值处理即可得到θ；/nii)建立量测方程：/n /n式中，a_x和a_y分别为车辆纵向加速度和侧向加速度；r为横摆角速度；δ为前轮转角信息；v_k为符合高斯分布的量测噪声；/n /n /n /n式中，I_z为车辆绕垂直轴的横摆转动惯量；a为车辆质心至前轴距离；b为车辆质心至后轴距离；t_f、t_r分别为前后轮距；/n2)含渐消记忆因子UKF估算方法设计如下：/ni)滤波初始化：/n /n /nii)根据UT变换获得Sigma采样点：/n /niii)采样点相应的权值确定：/n /n式中：n为状态变量的维数；λ＝α²(n+κ)-n，10^-4≤α≤1；κ为比例系数，n+κ＝7；β是一个非负的权系数，用于合并高阶项的动态误差；/niv)根据Sigma采样点计算均值和方差预测：/n /n /n /n /n式中，λ_k为渐消记忆因子，常数0<ρ<1；/nv)将Sigma点集代入观测方程，得到预测的观测值：/n /nvi)计算系统预测的均值及协方差：/n /n /n /nvii)计算Kalman滤波增益：/n /nviii)计算系统的状态更新和协方差更新：/n /n /n以上所列式中，x_k为k时刻的状态矢量，z_k为k时刻的输出矢量，u_k为输入矢量，Q为w_k的协方差矩阵，R为v_k的协方差矩阵，Px_kz_k为互协方差矩阵，Pz_kz_k为自协方差矩阵，P_k为方差，K_k为k时刻的Kalman增益。/n