考虑环境因素的车辆质量和道路坡度联合自适应估计方法

本发明涉及车辆质量和坡度计算技术领域，尤其涉及一种新能源汽车的电子控制中，考虑环境因素的车辆质量和道路坡度联合自适应估计方法。

背景技术：

随着电动汽车的发展，底盘结构更加精简，线控技术更加深入，但控制系统对道路坡度和车辆质量的变化较为敏感，对系统的动态性能提出了挑战。在准确获知道路坡度和车辆质量的前提下，可以更好地进行电动车能耗计算以及能量管理，且坡道缓降和主动制动等智能驾驶辅助系统也能够被更好地开发和应用。因此，准确获知当前状态下的道路坡度值和车辆质量值，有利于提高车辆控制系统的稳定性，也是智能辅助驾驶的开发基础。然而受成本和技术的限制，量产汽车上一般不会配备相应的信号传感器，因此必须采用状态估计的方式获取车辆当前工况下敏感参数和名义值的偏差，从而提高车辆控制器模型的精确度，保证控制器准确性和稳定性。

目前对于车辆质量的估计方法，一般是考虑直线工况，将汽车纵向动力学模型转换为符合最小二乘法的形式，把车辆质量视为待估计参数，把轮胎滚动阻力系数、空气阻力系数和道路坡度等参数视为常量，有的方法中还对滚动阻力系数做了忽略处理，进而对车辆质量进行估计。但在实际应用中，最小二乘法的系数误差会对参数辨识结果的精度造成明显影响，当道路环境发生变化，敏感参数的标定值与实际值存在较大误差，且数据存在一定的扰动，基于最小二乘法的车辆质量估计结果准确度明显降低。例如：专利cn107247824a中公开了一种考虑刹车和转弯影响的汽车质量-道路坡度联合估计方法，该专利中存在将滚阻系数、风阻系数都视为已知的确定值，坡度的估计的卡尔曼滤波方法中，状态量只有坡度和车速，没有引入加速度传感器进一步提高坡度估计精度，整车质量进行估计时视坡度为已知等不足之处。

技术实现要素：

本发明目的在于针对现有技术的缺陷，提供一种具有自适应能力的实时道路坡度和车辆质量估计算法，能够根据道路环境的变化对敏感参数的标定值进行修正，降低与实际值的误差，提高算法在不同道路环境下的准确度和稳定性。

为解决上述技术问题，本发明提供技术方案如下：

一种考虑环境因素的车辆质量和道路坡度联合自适应估计方法，其特征在于：包括如下步骤：

步骤10：构建车辆运动学模型和纵向动力学模型；

步骤20：基于所述步骤10中的车辆运动学模型，搭建递推卡尔曼滤波道路坡度估计算法；

步骤30：基于所述步骤10中的车辆纵向动力学模型，搭建扩展卡尔曼滤波轮胎滚动阻力系数和空气阻力系数估计算法；

步骤40：基于步骤所述10中的车辆纵向动力学模型，搭建带遗忘因子的递推最小二乘法车辆质量估计算法；

步骤50：利用所述步骤20和30中得到的道路坡度、轮胎滚动阻力系数和空气阻力系数的实时估计值，对所述步骤40中车辆质量估计算法模型中参数的设定值进行自适应修正，并基于修正后的模型进行车辆质量估计。

进一步的，所述步骤10中构建的车辆运动学模型为：

式中，asenx表示由纵向加速度传感器获得的纵向加速度信号，g为重力加速度，表示速度对时间进行求导后得到的纵向速度的变化率，θ表示道路坡度角。

进一步的，所述步骤10中构建的车辆纵向动力学模型为：

式中，δ为汽车旋转质量换算系数，t为发动机转矩，i0为传动系统减速比，η为传动系统的机械效率，r为车轮半径，m为车辆质量，f为滚动阻力系数，θ为道路坡度角，cd为空气阻力系数，a为迎风面积，ρ为空气密度，v为车速。

进一步的，所述步骤20中建立递推卡尔曼滤波道路坡度估计算法包括如下步骤：

步骤21：基于所述步骤10中构建的车辆动力学模型，选定车辆的状态量为车辆速度v、加速度asenx以及道路坡度θ，根据参数的特征得出所述步骤20中车辆运动学模型的微分方程为：

步骤22：将所述步骤20中车辆运动学模型连续系统离散化，得到离散化状态转移方程为：

式中，状态变量xk＝[vkasenx(k)θk]^t，其中θk为待估参数道路坡度，wk-1为系统的过程噪声，δt为采样时间；

得到步骤20中车辆运动学模型系统的量测方程为：

式中，量测值yk＝[vkasenx(k)]^t，sk为量测噪声。

步骤23：根据步骤22中的离散化状态转移方程可得状态转移矩阵为：

根据系统量测方程可得量测矩阵为：

进一步的，所述步骤30中建立扩展卡尔曼滤波滚动阻力系数和空气阻力系数估计算法包括如下步骤：

步骤31：将汽车空气阻力计算式中的空气阻力系数cd、迎风面积a和空气密度ρ的乘积项cdaρ视为合成空气阻力系数k，并作为待估计参数，即:k＝cdaρ。

步骤32：基于所述车辆纵向动力学模型，选定车辆的状态量为车辆速度v、车辆质量m、合成空气阻力系数k以及轮胎滚动阻力系数f，根据参数的特征得到车辆纵向动力学微分方程：

步骤33：基于所述车辆纵向动力学微分方程，将其离散化得到车辆纵向动力学连续系统的离散化状态转移方程：

式中，状态变量xk＝[vkmkkkfk]^t，其中kk，fk为待估参数，wk-1为系统的过程噪声，b为滚动阻力经验公式中车速的系数；

得出车辆纵向动力学系统的量测方程为：

式中，量测值yk＝[vkmkak]^t，sk为量测噪声，ak为加速度；

步骤34：根据所述步骤33中得到车辆纵向动力学系统离散化状态转移方程，得到状态转移雅可比矩阵为：

根据所述步骤33中的车辆纵向动力学系统量测方程可得量测雅可比矩阵为：

进一步的，所述步骤40中搭建带遗忘因子的递推最小二乘法车辆质量估计算法包括如下步骤：

步骤41：将所述步骤10中车辆纵向动力学模型转换为符合递推最小二乘法辨识的形式，得到车辆质量估计模型：

步骤42：将符合递推最小二乘法辨识形式的车辆质量估计模型根据系统的输出、观测量以及待估计参数进行拆分并离散化：

ak＝asenx(k)+gfkcosθ

xk＝δmk

式中，yk为系统输出，ak为系统可观测量，xk为待估计参数。

进一步的，所述步骤50中利用道路坡度、轮胎滚动阻力系数和空气阻力系数的实时估计值，对车辆质量估计模型中参数的设定值进行修正，并基于修正后的模型进行车辆质量估计包括如下步骤：

步骤51：:把测得的k-1时刻的加速度、车速值代入到递推卡尔曼滤波道路坡度估计算法中，得到k时刻的道路坡度估计值。

步骤52：:把测得的k-1时刻的车速、加速度，以及道路坡度估计值代入到扩展卡尔曼滤波轮胎滚动阻力系数和空气阻力系数估计算法中，得到k时刻的轮胎滚动阻力系数和空气阻力系数估计值。

步骤53：把所述步骤51和52中得到的k时刻的道路坡度、滚动阻力系数和空气阻力系数的实时估计值代入到带遗忘因子的递推最小二乘法车辆质量估计算法中，得到k时刻的车辆质量估计值。

与现有技术相比，本发明的有益效果是：1、在建立整车质量估计的数学模型时，考虑了道路坡度、轮胎滚动阻力系数及空气阻力系数对车辆质量估计时产生的影响，并将其视为变量带入模型中，相比于直接采用上述参数的标定值来估计车辆质量，该方法中构建的车辆动力学模型中的敏感参数能根据道路环境的变化做出自适应修正，降低模型中敏感参数设定值与实际值的误差，有效提高坡度和车辆质量估计算法的准确性和稳定性，适用条件较广，为车辆控制系统提供了较为可靠的道路坡度和车辆质量估计结果，使得整车质量的估计值更加接近真实值。2、对于道路坡度，考虑加速度传感器信号，建立车辆动力学模型，将车速、加速度传感器信号、和道路坡度视为状态量，采用卡尔曼滤波，对坡度进行估计，并将得到的坡度估计值用于整车质量估计。3、将空气阻力系数、迎风面积和空气密度三项乘积及滚动阻力系数视为状态量，采用扩展卡尔曼滤波对空气阻力系数整体项和滚动阻力系数进行估计。

附图说明

图1为本发明中车辆在坡道工况下的受力分析图；

图2为本发明的流程示意图；

图3为采用不同方法对车辆质量估计结果的比较示意图。

具体实施方式

为了加深本发明的理解，下面我们将结合附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

结合图1-3，对本实施例一种考虑环境因素的车辆质量和道路坡度联合自适应估计方法，通过如下步骤实现：

步骤10：构建车辆运动学模型和纵向动力学模型，汽车在坡道工况下，纵向加速度传感器测量到的数值包含了坡道分力所产生的加速度在内的信号，并非只是此时汽车的纵向速度的变化率。分析纵向加速度传感器信号可得车辆运动学模型为：

式中，asenx表示由纵向加速度传感器获得的纵向加速度信号，g为重力加速度，θ表示道路坡度角，表示速度对时间进行求导得到的纵向速度的变化率。

车辆在坡道工况下的受力情况如图1所示，进而建立汽车行驶方程式为：

ft＝ff+fw+fi+fj

式中ft为驱动力，ff为滚动阻力，fw为空气阻力，fi为坡度阻力，fj为加速阻力。

步骤1中车辆纵向动力学模型为：

式中，δ为汽车旋转质量换算系数，t为发动机转矩，i0为传动系统减速比，η为传动系的机械效率，r为车轮半径，m为车辆质量，f为滚动阻力系数，θ为道路坡度角，cd为空气阻力系数，a为迎风面积，ρ为空气密度，v为车速。

步骤20：基于步骤10中的车辆运动学模型，搭建递推卡尔曼滤波道路坡度估计算法，具

体分为如下各步骤：

步骤21：选定车辆的状态量为车辆速度v、加速度asenx以及道路坡度θ，根据参数的特征得出所述步骤20中车辆运动学模型的微分方程为：

步骤22：将步骤21中车辆运动学模型连续系统离散化，得到离散化状态转移方程为：

式中，状态变量xk＝[vkasenx(k)θk]^t，其中θk为待估参数道路坡度，wk-1为系统的过程噪声，δt为采样时间；

进而得到车辆运动学模型系统的量测方程为：

式中，量测值yk＝[vkasenx(k)]^t，sk为量测噪声。

步骤23：根据步骤22中的离散化状态转移方程可得状态转移矩阵为：

根据系统量测方程可得量测矩阵为：

步骤20中递推卡尔曼滤波算法每一次的递推过程都需要进行预测和更新，时间更新部分的算法方程为：

式中，为当前时刻的状态量预测值，为上一时刻(即k-1时刻)修正后的状态量估计值，a为状态转移矩阵，wk-1为系统噪声，为当前周期的估计误差协方差预测值，pk-1为上一时刻(即k-1时刻)修正后的误差协方差估计值，a^t为状态转移矩阵的转置矩阵，q为激励噪声协方差矩阵。

量测更新算法的方程为：

式中，kk为卡尔曼增益，h为量测矩阵，h^t为量测矩阵的转置矩阵，r为观测噪声的协方差矩阵。式中，为基于预测值及卡尔曼增益进行修正后得到的状态量的估计值，yk为系统观测方程的状态量，pk为基于预测值及卡尔曼增益进行修正后得到的估计误差的协方差的估计值，i为单位矩阵。

步骤30：基于步骤10中建立的车辆纵向动力学模型，搭建扩展卡尔曼滤波轮胎滚动阻力系数和空气阻力系数估计算法，具体如下各步骤：

步骤31：将汽车空气阻力计算式中的空气阻力系数cd、迎风面积a和空气密度ρ的乘积项cdaρ视为合成空气阻力系数k，并作为待估计参数，即:k＝cdaρ。

步骤32：基于所述车辆纵向动力学模型，选定车辆的状态量为车辆速度v、车辆质量m、合成空气阻力系数k以及轮胎滚动阻力系数f，根据参数的特征得到车辆纵向动力学微分方程：

步骤33：基于车辆纵向动力学微分方程，将其离散化得到车辆纵向动力学连续系统的离散化状态转移方程：

式中，状态变量xk＝[vkmkkkfk]^t，其中kk，fk为待估参数，wk-1为系统的过程噪声，b为滚动阻力经验公式中车速的系数；

得出车辆纵向动力学系统的量测方程为：

式中，量测值yk＝[vkmkak]^t，sk为量测噪声，ak为加速度；

步骤34：根据步骤33中得到车辆纵向动力学系统离散化状态转移方程，得到状态转移雅可比矩阵为：

根据步骤33中的车辆纵向动力学系统量测方程可得量测雅可比矩阵为：

其中，扩展卡尔曼滤波算法的时间更新方程为：

式中，为当前时刻的状态量预测值，为上一时刻(即k-1时刻)修正后的状态量估计值，jk-1为状态转移雅可比矩阵，为当前周期的估计误差协方差预测值，pk-1为上一时刻(即k-1时刻)修正后的误差协方差估计值，j^tk-1为状态转移雅可比矩阵的转置矩阵，qk-1为激励噪声协方差矩阵。

扩展卡尔曼滤波算法的量测更新方程为：

式中，kk为卡尔曼增益，hk为量测矩阵，h^tk为量测矩阵的转置矩阵，rk为观测噪声的协方差矩阵。式中，为基于预测值及卡尔曼增益进行修正后得到的状态量的估计值，yk为系统观测方程的状态量，pk为基于预测值及卡尔曼增益进行修正后得到的估计误差的协方差的估计值，i为单位矩阵。

步骤40：基于步骤10中构建的车辆纵向动力学模型，搭建带遗忘因子的递推最小二乘法车辆质量估计算法，具体包括如下步骤：

步骤41：将步骤10中构建的车辆纵向动力学模型转换为符合递推最小二乘法辨识的形式，得到车辆质量估计模型：

步骤42：根据带遗忘因子的最小二乘法形式式中，yk为系统输出，ak为系统可观测量，xk为待估计参数，将将步骤41中得到的模型根据系统的输出、观测量以及待估计参数进行拆分并离散化，得到：

ak＝asenx(k)+gfkcosθ

xk＝δmk

步骤43：对采用带遗忘因子的最小二乘法对车辆质量进行实时估计，通过在每一次递推中更新增益与协方差，减少噪声的影响。每次递推计算过程如下：

式中，为第k时刻的待估参数估计值，为第k-1时刻的待估参数估计值，kk为第k时刻的增益，yk为为第k时刻的系统输出，ak为第k时刻的系统可观测量，pk为第k时刻的协方差，λ为遗忘因子。引入遗忘因子是考虑到汽车起步自身俯仰对信号带来较多扰动，且最初阶段的滚动阻力系数与空气阻力系数估计值与真实值有一定误差，需要淡化历史数据对参数辨识的影响，因此遗忘因子取值在0到1之间。

步骤50：利用步骤20和30中得到的道路坡度、轮胎滚动阻力系数和空气阻力系数的实时估计值，对步骤40中车辆质量估计算法模型中参数的设定值进行自适应修正，并基于修正后的模型进行车辆质量估计，具体包括如下各步骤：

步骤51：:把k-1时刻的加速度传感器和车速值代入到递推卡尔曼滤波道路坡度估计算法中，得到k时刻的道路坡度估计值。

步骤52：:把k-1时刻的车速、加速度，以及道路坡度值代入到扩展卡尔曼滤波轮胎滚动阻力系数和空气阻力系数估计算法中，得到k时刻的轮胎滚动阻力系数和空气阻力系数估计值。

步骤53：把所述步骤51和52中得到的k时刻的道路坡度、滚动阻力系数和空气阻力系数的实时估计值代入到带遗忘因子的递推最小二乘法车辆质量估计算法中，得到k时刻的车辆质量估计值。

将车辆质量估计模型中的敏感参数设定值进行实时修正后，采用带遗忘因子的递推最小二乘法进行车辆质量估计，并在直线行驶工况下进行仿真实验，得到车辆质量估计结果如图3所示。通过图3可知，在敏感参数标定值一致，仿真工况一致的条件下，考虑道路环境因素的车辆质量估计方法所得到的结果明显优于只采用递推最小二乘法对车辆质量进行估计的结果，估计结果的误差缩小了85％。这是因为只采用递推最小二乘法，敏感参数标定值无法根据道路环境进行实时修正，参数误差始终较大，影响估计精度。仿真结果证明考虑道路环境因素的车辆质量估计方法能有效降低包括道路坡度、轮胎滚动系数和空气阻力系数在内的敏感参数的标定值与真实值的误差，实现车辆质量估计模型对于道路环境变化的自适应性能，提高道路坡度和车辆质量估计算法的准确度和稳定性。

上述具体实施方式，仅为说明本发明的技术构思和结构特征，目的在于让熟悉此项技术的相关人士能够据以实施，但以上内容并不限制本发明的保护范围，凡是依据本发明的精神实质所作的任何等效变化或修饰，均应落入本发明的保护范围之内。