一种考虑整车质量变化的商用车质量和坡度联合估计方法与流程

1.本发明属于智能交通领域，特别是涉及一种考虑整车质量变化的商用车质量和坡度联合估计方法。


背景技术：

2.商用车是路面运载工具中运输能力较强、运输效率较高以及运输范围较广的运输工具，其在交通运输业中具有较高的经济价值，因此在运输工具中具有十分重要的地位。近几年来，随着商用车销量的不断增长和技术的持续发展，商用车从业人员对商用车的需求不再局限于简单的运输工具范围，而是对商用车提出了更高的要求，比如以营利为目的运输公司希望车辆的油耗量大幅度下降，以此减少运输成本，而商用车的私家车主不仅希望车辆节油，而且希望车辆能够提高驾驶安全性和操作便利性，由此推动了对其自动化的研究，进而引发了对其控制的广泛研究。
3.现代汽车的控制系统包含多个子系统，汽车稳定性的控制效果不单纯只依靠整车控制器的控制，还需要依赖获取的车辆参数信息和环境信息。如果能实时准确获取某些变化或未知的结构参数(如车辆质量)和环境参数(如路面坡度)，将能有效改善对汽车稳定性的控制效果。无论是控制系统的开发、控制策略的实施或改进都是要根据输入量进行的，根据商用车质量变化范围极大和作业路况多变的特点，汽车质量和路面坡度成为了目前商用车自动变速器、安全系统等控制研究的两个重要输入量。车辆动力学模型参数的实时估计是车辆控制的基础，而汽车质量和道路坡度是车辆动力学模型中的重要参数，广泛应用于车辆控制系统，如辅助制动系统、abs控制、巡航控制、变速器换挡规律制定等，准确实时的估计汽车质量和道路坡度可以有效提高车辆动力性和经济性。
4.根据汽车质量在线调整换挡控制策略不仅能够使自动换挡过程中车辆运行更加顺畅,而且还能够得到更为经济的换挡控制策略。基于道路坡度、速度和加速度等信息可以计算出车辆功率系数，由此估计克服空气阻力和滚动阻力所需的发动机功率，从而实现排放控制。但在商用车在运输过程中不仅存在质量变化范围极大，而且道路坡度与车辆质量在识别过程中还存在互相耦合等问题，此类问题对车辆参数估计和控制提出了严峻的挑战，严重影响实际驾驶过程中对汽车质量和道路坡度的感知精度。因此探索一种考虑整车质量变化的商用车质量和坡度联合估计方法，对于提高商用车amt控制在变质量及时变坡度影响下的适应能力和改善动力性及燃油经济性具有重要意义。
5.目前对于汽车质量和道路坡度的获取方法可以分为三类：一类是基于传感器的方法，此方法是通过在车辆上加装额外的传感器，例如单摆式角位移传感器、惯性导航仪等来直接测出坡度角,再进一步计算车重。例如收集通过加装加速度传感器或者gps全球定位系统等获取的坡度信号，先计算得到道路的坡道角，然后再基于车辆纵向动力学得到车辆的质量。这种方法比较适用于静态条件下如车辆起步时的坡度检测，在常规车辆行驶过程中，受车身纵向加速度、悬架变形和路面颠簸的影响,传感器不能得到路面坡度的正确值，且这些方法对gps信号的品质要求比较高，在使用低成本的gps的情况下难以达到很好的效果，
如果需要更精确的检测，则要采用高精度的传感器，但势必又会增加车辆成本。
6.第二类是基于车辆纵向动力学或者运动学的识别方法，该类方法以参数辨识作为理论基础，只需从车辆can总线上获取相关信号数据(发动机扭矩百分比、发动机转速、车速、挡位等)即可实现对质量和坡度的估计，这样做的好处是不会增加车辆布线的复杂性并且不易受环境的干扰。虽然这方面的方法有很多，但是当车辆自身参数(重量等)和外部阻力(坡度)随着行驶的时间和工况等同时变化时，需要通过can总线获取大量的数据才能满足对变质量和时变坡度估计更高精确度的要求，由此不仅增加了估算过程的复杂性，而且采集数据过多情况下会引起数据饱和，从而使算法失去修正能力。
7.第三类估计方法是采用机器学习的估计方法，这种方法是获取车辆在不同质量与不同道路坡度段的行驶数据，然后通过对获得的数据进行训练，不仅实现质量和坡度的精确估计，而且在制动时仍具有识别性能，但是这种方法需要大量的数据才能准确估计不同大小的参数值，而数据获取的工作量较大。


技术实现要素：

8.有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是，提供一种考虑整车质量变化的商用车质量和坡度联合估计方法，旨在改善双遗忘因子最小二乘法由于数据饱和而导致车辆变质量估计失效，并且在坡道起步时导致坡度估计性能下降的问题，该方法在双遗忘因子递推最小二乘法的基础上提出一种改进算法，其在运行过程中将车速作为停车的判断参数，当车辆停车后通过重新初始化协方差矩阵来消除数据饱和带来的影响，其优点在于对变化质量具有快速的跟随性能，并且在恒定质量和变化质量两种条件下的质量识别精度高、收敛速度快，同时，改进算法提高了在质量变化后坡道起步下坡度估计的收敛速度和精度。
9.为实现上述目的，本发明提供了一种考虑整车质量变化的商用车质量和坡度联合估计方法，其特征在于，包括以下步骤，
10.步骤一、获取车辆状态数据和车辆固有参数，并计算获得第k时刻的加速度a以及变速器传动比ig；
11.步骤二、对商用车纵向动力学进行分析，建立纵向动力学数学模型；
12.步骤三、建立原始汽车质量模型与道路坡度模型；
13.步骤四、基于原始汽车质量模型与道路坡度模型，构建双遗忘因子最小二乘质量估计模型和坡度估计模型；
14.步骤五、具体分析原始算法对变质量估计所涉问题；
15.步骤六、设计双遗忘因子最小二乘法改进算法，搭建matlab/simulink改进算法模型对商用车质量和坡度进行联合估计并进行有效验证；
16.作为优化，在所述步骤一中，所述的车辆状态数据至少包括发动机转矩te、汽车行驶速度v
x
和发动机转速n；所述的车辆固有参数至少包括轮胎滚动半径r、主减速器传动比i0、道路滚动阻力系数f、传动系机械效率η
t
、车辆空气阻力系数cd和车辆正向迎风面积a。
17.作为优化，在所述步骤二中，商用车纵向动力学模型为：
18.19.其中，te为发动机转矩、ig为变速器传动比、i0为主减速器传动比、η
t
为传动系机械效率、r为轮胎滚动半径、m为汽车质量、g为重力加速度、f为道路滚动阻力系数、α为道路坡度、cd为车辆空气阻力系数、a为车辆正向迎风面积、ρ是空气密度、v
x
为汽车行驶速度、δ是汽车旋转质量换算系数、a
x
为车辆加速度。
20.作为优化，在所述步骤三中，原始汽车质量模型为:
[0021][0022]
其中，为m汽车质量、n为发动机转速，η
t
为传动系机械效率、v
x
为汽车行驶速度、cd为车辆空气阻力系数、a为车辆正向迎风面积、ρ是空气密度、g为重力加速度、f为道路滚动阻力系数、a
x
为车辆加速度、δ是汽车旋转质量换算系数、i为道路坡度。
[0023]
作为优化，在所述步骤三中，原始道路坡度模型为：
[0024][0025]
其中，为m汽车质量、n为发动机转速，η
t
为传动系机械效率、v
x
为汽车行驶速度、cd为车辆空气阻力系数、a为车辆正向迎风面积、ρ是空气密度、g为重力加速度、f为道路滚动阻力系数、δ是汽车旋转质量换算系数、a
x
为车辆加速度。
[0026]
作为优化，在所述步骤四中，所述的双遗忘因子最小二乘质量估计模型和坡度估计模型的构建可通过以下方法获得：将汽车纵向动力学模型转化成最小二乘辨识形式，从而得到汽车质量的最小二乘辨识模型；在此基础上建立双遗忘因子递推最小二乘法算法模型，并以发动机扭矩、变速器传动比、车速和加速度为输入，搭建matlab/simulink算法模型，算法输出为车辆质量估计值和道路坡度估计值。
[0027]
作为优化，在所述步骤五中，原始算法对变质量估计所涉问题主要包括车辆开始行驶和车辆停车时所涉及的问题。
[0028]
作为优化，在所述步骤六中，所述的商用车质量估计和坡度估计改进算法实现模型可通过以下方法获得：对于改进算法的计算逻辑，首先以车速作为停车判断条件，在估计过程中实时监测车速是否等于0，如果车速等于0，协方差矩阵p(k)将进行一次重新赋值，使p(k)＝p(0),以此实现算法对变化质量的准确跟踪和有效估计，依据此计算逻辑对原始算法加以改进，并在matlab环境下的simulink中搭建改进算法的simulink模型，使得改进算法和仿真结果能够较为准确的描述商用车质量和坡度联合估计。
[0029]
作为优化，在所述步骤六中，采用目前研究中常用的保持参数输出的方法对换挡和制动时的估计结果进行处理，其基本逻辑是在估计过程中实时检测是否有换挡或者制动信号，如果存在换挡或制动，则算法的当前参数估计值不再进行更新，而是输出上一时刻的估计值。
[0030]
综上所述，本发明具有如下的优点：本发明在双遗忘因子递推最小二乘法的基础上提出一种改进算法，与现有技术相比，本发明具有以下优点：
[0031]
(1)该改进算法对变化的质量具有快速的跟随性能，并且识别精度高、稳定性好，在质量改变的情况下，改进算法的质量估计和坡度估计平均绝对误差更小。
[0032]
(2)此外，该改进算法在换挡和制动时具有良好的稳定性，坡度估计精度高，在质量不变的情况下，改进算法的质量估计和坡度估计平均绝对误差表现方面，都优于原始算法；
[0033]
(3)在质量改变后的坡道起步估计方面，考虑质量变化的改进算法由于能够快速、准确识别变化后的质量，因此与原始算法相比，改进算法的坡度估计收敛时间短，估计精度高。
[0034]
(4)本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0035]
图1是本发明中的一种考虑整车质量变化的商用车质量和坡度联合估计方法的流程示意图。
[0036]
图2是原始算法对变质量估计所涉问题分析示意图。
[0037]
图3是改进算法的逻辑流程图。
[0038]
图4是改进算法的matlab/simulink模型图。
具体实施方式
[0039]
下面结合附图和实施例对本发明作进一步说明，需注意的是，在本发明的描述中，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
[0040]
本发明实施例提供一种考虑整车质量变化的商用车质量和坡度联合估计方法；请参阅图1至图4。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0041]
本发明通过德国vector公司提供的设备canape设备采集can线总数据获取汽车行驶状态，使用美国mathworks公司出品的matlab软件中的simulink模块搭建基于双遗忘因子递推最小二乘法算法的simulink改进算法模型并实现汽车质量和道路坡度的联合估计。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
如图1所示，本实施例提供考虑整车质量变化的商用车质量和坡度联合估计方法，具体包括以下六个步骤：
[0043]
下面对六个步骤进行详细的说明：
[0044]
步骤一：通过汽车can总线数据采集装置获取车辆状态数据，结合车辆状态数据和车辆固有参数，计算模型的其他相关参数。
[0045]
本实施例采用目前各大汽车厂商采用的can总线数据采集设备，该设备可以连接
车内部所具有的控制器、执行器以及传感器，并将数据统一传输到obd-ii接口。于本实施例中，采用德国vector公司提供的设备canape设备插入到obd-ii接口，然后通过pc端canape软件接收实时的车辆状态数据(发动机转矩te、汽车行驶速度v、发动机转速n、油门开度th、刹车信号br、方向盘转角steer、档位信息ge)，存于软件数据库。
[0046]
车辆固有参数至少包括轮胎滚动半径r、主减速器传动比ig、道路滚动阻力系数f、传动系机械效率η
t
、车辆空气阻力系数cd、车辆正向迎风面积a，空气密度ρ。
[0047]
加速度a可由速度v对时间差分获得，第k时刻的加速度可表示为：
[0048][0049]
其中，δt为数据采集软件模块的采样周期，v(k)表示第k时刻的车速。
[0050]
变速器传动比ig的可按照如下计算方式得到，i0为主减速器传动比：
[0051][0052]
步骤二：对商用车纵向动力学进行分析，建立纵向动力学数学模型。
[0053]
根据汽车理论，汽车纵向动力学模型如下：
[0054]ft
＝ff fi fw fjꢀꢀ
(式3)
[0055]
其中，f
t
为车辆驱动力，ff为滚动阻力，fi为坡度阻力，fw为空气阻力，fj为加速阻力。车辆驱动力对应的关系式为：
[0056][0057]
滚动阻力的计算公式为：
[0058]ff
＝mgf cosα
ꢀꢀ
(式5)
[0059]
由道路设计规范标准可以知道，道路坡度设计中一般不超过10度，因此为了模型简化，可以将cosα近似等于1。坡度阻力的大小跟重力和坡度大小相关，关系式为：
[0060]fi
＝mg sinα
ꢀꢀ
(式6)
[0061]
同理可将sinα近似为1。空气阻力的计算公式为：
[0062][0063]
通过以上计算式，即可得到汽车行驶状态数据的纵向动力学数学模型：
[0064][0065]
步骤三：建立原始汽车质量模型与道路坡度模型。
[0066]
经过转换，可以得到原始汽车质量模型为：
[0067][0068]
同理，经过转换，可以得到原始道路坡度模型为：
[0069][0070]
步骤四：基于原始汽车质量模型与道路坡度模型，构建双遗忘因子最小二乘质量估计模型和坡度估计模型。
[0071]
1.将汽车纵向动力学模型转化成最小二乘辨识形式，得到汽车质量的最小二乘辨识模型；根据参数估计理论，系统的最小二乘形式可以表示如下：
[0072]
y＝h
t
θ
ꢀꢀ
(式11)
[0073]
其中，y为系统输出向量，h为系统输入向量，θ为被估参数向量。令滚动阻力系数f＝tan(βf)，βf为等效坡度。
[0074]
经过转换，可以得到车辆纵向动力学数学模型的最小二乘形式：
[0075][0076]
其中，各项对应参数为：
[0077]
y＝a
x
ꢀꢀ
(式14)
[0078][0079][0080]
(1)建立带遗忘因子的最小二乘辨识模型
[0081]
在车辆启动后，车辆质量m几乎不变，是一个慢变量，但由于其所处动力学系统是一个时变的系统，旧的数据会带来数据饱和影响辨识结果，需要引入遗忘因子，以突出新的数据，从而加强最小二乘辨识的跟踪能力。
[0082]
递推算法在每次获得新的输入输出数据后，在上一时刻估计值的基础上引入一个修正项进行修正，使得估计值达到精度要求，其表达式可以表示为：
[0083][0084]
其中，为当前时刻的被估参数向量，为上一时刻的被估参数向量，δk为根据当前时刻的输入输出数据计算的修正项。
[0085]
通过推导和转化，递推最小二乘法在线辨识基本计算公式如下：
[0086][0087][0088]
p(k)＝[i-k(k)φ
t
(k)]p(k-1)
ꢀꢀ
(式20)
[0089]
表示当前时刻的估计值，表示第k-1时刻的估计值，k(k)表示比例系数，φ(k)表示当前时刻系统的输入输出信息，p(k)表示当前时刻的协方差矩阵，p(k-1)表示第k-1时刻的协方差矩阵，λ(k)表示第k时刻的权值，i表示单位矩阵。
[0090]
基本的递推算法在采集数据过多情况下会引起数据饱和，从而使算法失去修正能力，从算法计算原理来看，根本原因是由于协方差矩阵逐渐趋近于0，导致比例系数逐渐趋近于0，进而使得当前估计值不再随着系统输出的更新而更新，因此需要引入遗忘因子降低历史数据对当前数据的影响，提高算法对时变参数的估计能力。由于本发明所辨识的质量和坡度具有不同的时变特征，因此采用遗忘因子递推最小二乘法对两状态参数进行估计。
[0091]
通过推导和转化，双遗忘因子最小二乘算法的损失函数如下：
[0092][0093]
为输入输出信息；λ1，λ2分别为两个被估参数θ1、θ2的遗忘因子。
[0094]
进一步地，对损失函数的θ求导，令结果等于零，可以求得参数的估计值。算法对被估参数θ1、θ2的递推形式分别如下：
[0095]
其中，双遗忘因子最小二乘质量估计模型的递推形式为：
[0096][0097][0098][0099]
其中，λ1为待估计参数车辆质量m对应的遗忘因子，取值范围为[0,1)，通常，遗忘因子λ的取值不小于0.9，λ越小，表示历史数据对当前贡献度较小，遗忘速度越快，默认情况下λ取为0.95；
[0100]
其中，双遗忘因子最小二乘坡度估计模型的递推形式为：
[0101][0102][0103][0104]
其中，λ2为待估计参数道路坡度i对应的遗忘因子，取值范围为[0,1)，通常，遗忘因子λ的取值不小于0.9，λ越小，表示历史数据对当前贡献度较小，遗忘速度越快，默认情况下λ取为0.95；
[0105]
步骤五:具体分析原始算法对变质量估计所涉问题。
[0106]
原始算法对变质量估计所涉问题如图2所示，存在以下问题：
[0107]
(1)在车辆开始行驶后，原始算法的质量估计值等于实际车辆质量m1，但是由于质量参数值较大，在算法开始运行后的短时间内，误差协方差矩阵p(k)趋于无穷小，逼近于0，从而使得增益矩阵k(k)也趋于无穷小，因此算法对被估参数的修正能力减弱直至失去对变化质量的跟踪能力；
[0108]
(2)在时间t0时刻，车辆在不熄火的情况下短时停车，此时质量发生变化，当车辆
再次行驶时，原始算法将由于算法失去修正能力而不能对变化后的实际质量m2进行准确跟踪和估计。由于实际生活需要，车辆在行驶的过程中，短时停车且质量发生改变情况时有发生，例如港口货车快速装载和卸载集装箱、公交车以及出租车上下乘员等。如果不对变化后的质量进行准确估计，那么将严重影响车辆控制系统的控制性能。
[0109]
步骤六：设计双遗忘因子最小二乘法改进算法，搭建matlab/simulink改进算法模型对商用车质量和坡度进行联合估计并进行有效验证。
[0110]
双遗忘因子最小二乘法改进算法原理如附图3，具体步骤如下：
[0111]
(1)计算增益矩阵k(k)：将获取的车辆的原始状态参数和固有参数代入到式18与式20，得到协方差矩阵p(0)，再计算增益矩阵k(k)，其表达式如下：
[0112]
k(k)＝p(k-1)h(k)(ht(k)p(k-1)h(k) λ)-1
ꢀꢀ
(式27)
[0113]
(2)计算待估参数协方差矩阵p(k)：判断车辆是否有制动或换挡的操作，若有此类操作，则保持当前时刻待估参数的参数输出；进一步算法在在估计过程中实时监测车速是否等于0，如果车速等于0，协方差矩阵p(k)将进行一次重新赋值，使p(k)＝p(0),以此实现算法对变化质量的准确跟踪和有效估计，否则保持协方差矩阵p(0)的参数输出。
[0114]
其中，当前时刻待估参数的参数输出表达式如下：
[0115][0116]
其中，初始化协方差矩阵p(k)的表达式如下：
[0117]
p(k)＝p(0)
ꢀꢀ
(式29)
[0118]
其中，保持协方差矩阵p(k)参数输出的表达式如下：
[0119]
p(k)＝p(k-1)
ꢀꢀ
(式30)
[0120]
(3)更新待估参数协方差矩阵p(k):在2)步中，若车辆没有制动或换挡的操作，则依次更新待估参数协方差矩阵p(k)，并跳至第1)步，令k＝k-1代入式27计算k-1时刻的增益矩阵k(k)，如此循环迭代下去，更新待估参数的估计值，逐渐逼近实际值。
[0121]
其中，更新待估参数的表达式如下：
[0122][0123]
其中，更新协方差矩阵p(k)的表达式如下：
[0124]
p(k)＝(i-k(k)h
t
(k))p(k-1)λ-1
ꢀꢀ
(式32)
[0125]
最后，如附图4所示，在双遗忘因子最小二乘法改进算法的基础上，搭建matlab/simulink改进算法模型，对商用车质量和坡度进行联合估计并进行有效验证。
[0126]
经验证，改进算法能够对不同的恒定质量以及变化的质量进行有效估计，估计精度优于原始算法，并且改进算法能够在不同的恒定质量以及变化的质量下对坡度进行实时、准确估计，估计性能优于原始算法。
[0127]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术
人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。