一种基于RBF最优岭观测器的卡车变负载下参数重构方法

本发明属于车辆参数估计，具体涉及一种基于rbf最优岭观测器的卡车变负载下参数重构方法。

背景技术：

1、卡车是我国交通运输的重要载体，在国内具有巨大的保有量。卡车因质心高、质量大和轴距长等特点，导致其容易发生侧翻事故造成严重的人员伤亡和经济损失。卡车每次运输货物都不尽相同，空载和满载的质量差距能达到几吨到几十吨，载货量的变化会引起质心高度、整车质量和前轴距发生大幅度变化，从而影响卡车的转向性能和侧翻特性。另外，载货量的变化也会影响卡车每个轮子的垂向载荷，垂向载荷与轮胎侧偏刚度之间存在较强的非线性关系，垂向载荷的变化影响轮胎能够提供的横向力，从而改变卡车转向性能。簧载质量质心高度、前轴距和前轮与后轮的侧偏刚度都会因载货量的变化而发生较大的变化且这些参数都对车辆的转向性能和侧翻特性具有较大的影响。因此，准确的估计出不同载货量下的质心高度、前轴距和前轮与后轮的侧偏刚度对卡车安全行驶具有重要意义。

2、车辆参数估计的关键在于基于传感器信号和动力学方程对相关参数进行辨识。传统的参数估计方法主要有：最小二乘法、多项式法和插值法等。但是当待估参数之间存在复共线性和不均衡性时，上述传统方法估计精度较低甚至不收敛。而卡车的簧载质量质心高度、前轴距和前轮与后轮的侧偏刚度之间就存在明显的复共线性和不均衡性，因此传统方法无法有效估计出上述参数。

技术实现思路

1、针对于上述现有技术的不足，本发明的目的在于提供一种基于rbf最优岭观测器的卡车变负载下参数重构方法，以准确的对当前卡车的簧载质量质心高度、前轴距和前后轮的侧偏刚度进行估计，从而重构出精度较高的动力学模型。

2、为达到上述目的，本发明采用的技术方案如下：

3、本发明的一种基于rbf最优岭观测器的卡车变负载下参数重构方法，步骤如下：

4、1)基于试验数据和卡车动力学方程对rbf神经网络进行训练，得到能够通过传感器信号计算最优岭参数的rbf最优岭参数神经网络；

5、11)基于卡车横向动力学方程和横摆动力学方程建立待估参数与可测量信号之间的数学关系；

6、12)通过实车试验采集并记录不同车速、载货量和转向工况下车载传感器数据，以及通过实际测量得到的相应工况下的前轮侧偏刚度、后轮侧偏刚度；根据采集到的数据，通过l曲线法计算出最优岭参数；将不同工况下传感器数据和与之相对应的最优岭参数保存为数据集；

7、13)基于上述数据集对rbf神经网络进行训练，以传感器数据为rbf神经网络的输入，以rbf神经网络输出值与最优岭参数的差为损失函数，采用误差反向传播法对rbf神经网络的超参数进行修正，通过训练得到能够基于车辆状态输出最优岭参数的rbf最优岭参数神经网络；

8、2)基于基向量交叉迭代对前轴距、簧载质量质心高度和轮胎等效侧偏刚度进行估计；

9、21)按照卡车半载状态下的参数值对前轴距、簧载质量质心高度和轮胎等效侧偏刚度进行初始化；

10、22)根据车辆转向次数判断车辆当前是否为起步阶段；如果是第一次转向工况，则为起步阶段并进入步骤23)对前轴距、簧载质量质心高度进行估计，再进入步骤24)对前，后轮胎等效侧偏刚度进行估计；如果不是第一次转向工况，则车辆处于非起步阶段直接进入步骤24)；

11、23)基于车载传感器实时测量整车横摆角度和质心侧偏角；基于估计出的轮胎等效侧偏刚度和质心侧偏角测量值采用遗忘最小二乘法对前轴距和簧载质量质心高度进行估计；

12、24)将由前轴距和簧载质量质心高度组成的基向量作为常量，基于rbf最优岭参数神经网络计算最优岭参数并带入到岭估计算法中计算前轮胎等效侧偏刚度和后轮胎等效侧偏刚度；

13、基于估计得到的前轴距、簧载质量质心高度和轮胎等效侧偏刚度对卡车动力学模型进行参数重构，使动力学模型更符合当前实际车况。

14、进一步地，所述步骤11)中待估参数与可测量信号之间的数学关系由卡车横向动力学方程和横摆动力学方程推导得到，如式(1)和式(2)：

15、

16、

17、其中，y1，y2为由测量信号组成的测量矩阵，ф1和ф2为模型参数矩阵，x1为由前轴距和簧载质量质心高度组成的矩阵，x2为由前后轮侧偏刚度组成的矩阵，m为非簧载质量，ms为空载下簧载质量，△ms为货物质量，a为前轴距，ωr为横摆角速度，l为轴距，iz为车辆空载下整车绕质心z轴的转动惯量，ix为空载下非簧载质量绕x轴的转动惯量，hs为载货在簧载质量质心到侧倾轴线距离，为前轮侧偏刚度，为后轮侧偏刚度，β为车辆质心侧偏角，δ为前轮转角，δa为因簧载质量变化而引起的前轴距增加量，u为车速，ωr为横摆角速度。

18、进一步地，所述步骤12)中具体包括：在当前时刻选取不同的τ值得到一组点，对这组点进行近似拟合以绘制出一条l型曲线，并选取曲线中曲率最大点所对应的τbest值作为岭参数；岭估参数如下：

19、x2＝(φ2tφ2+τi)-1φ2ty2(3)

20、其中，i为单位矩阵，τ为岭参数。

21、进一步地，所述步骤12)中车载传感器数据包括：横摆角加速度、横摆角速度、质心侧偏角、质心侧偏角速度和车速；基于上述车载传感器数据和l曲线法计算出车辆状态当前最优岭参数τbest之间的映射关系。

22、进一步地，所述步骤13)具体包括：通过基于adam的反向误差传播法修正rbf神经网络的超参数，不断降低误差提高估计精度，基于下式(4)-(9)训练得到准确的横摆角速度、车速、质量和最优岭参数的映射关系；

23、ji＝τbest-τi(4)

24、

25、

26、mi＝β1(mi-1)+(1-β1)(δji)(7)

27、

28、vi＝β2vi-1+(1-β2)(δji)2(9)

29、其中，ji为第i次迭代的误差值；τi为第i次迭代中rbf神经网络的输出值；si为rbf神经网络中的超参数；β1、β2为指数衰减率，分别用于控制权重分配和梯度平方的影响情况，通常被初始化为0.9；ε为常数；mi和vi分别表示过去梯度指数加权平均值和梯度的平方的指数加权平均值；mi和vi为修正值，i为迭代次数，δj为由下一层网络传递过来的误差；训练过程中，每次迭代式(4)-(9)更新模型参数，直到网络误差收敛。

30、进一步地，所述步骤21)中卡车半载状态指载货量为满载的一半且货物均匀放置；在静止状态下测量前轴距，簧载质量质心高度，前轮胎侧偏刚度、后轮胎侧偏刚度；在车辆启动时，将上述测量的半载状态下的前轴距，簧载质量质心高度，前轮胎侧偏刚度、后轮胎侧偏刚度进行参数初始化。

31、进一步地，所述步骤22)中通过方向盘传感器记录车辆自启动开始进行过的转向次数，当转向次数大于1次，则表明已经对前轴距和簧载质量质心高度进行过估计，在非起步阶段的工况下，仅对前轮胎侧偏刚度、后轮侧偏刚度进行实时估计。

32、进一步地，所述步骤23)中基于车载传感器数据和上一次迭代中岭估计算法估计出的前、后轮胎侧偏刚度更新矩阵φ1和测量矩阵y1并采用遗忘最小二乘法对前轴距和簧载质量质心高度估计的表达式如下：

33、

34、x1(t)＝x1(t-1)+k(t)(y1(t)-φ1(t)x1(t-1))(11)

35、

36、其中，λ为遗忘因子。

37、进一步地，所述步骤24)中基于基向量和rbf最优岭参数神经网络输出的最优岭参数，通过式(2)和式(3)对前、后轮侧偏刚度进行估计；通过交叉迭代的方式使上述所有待估参数逐渐收敛至实际值，消除参数不均衡性对估计精度的影响；所述交叉迭代具体为：在步骤23)中前、后轮等效侧偏刚度数值为上一次迭代中步骤24)计算出的结果，通过式(10)-(12)更新基向量；在步骤24)中基于基向量，rbf最优岭参数和岭估计算法更新前、后等效轮侧偏刚度。

38、本发明的有益效果：

39、本发明基于现有车载传感器实时对前轴距、簧载质量质心高度和前、后轮胎侧偏刚度进行估计，从而为模型重构和整车控制提供较为准确的模型参数，提高控制效率和精度；

40、1、设计rbf最优岭参数神经网络，根据车载传感器实时采集到的数据计算出最适合当前工况的最优岭参数，从而提高对轮胎侧偏刚度估计的动态精度并减小岭估计带来的有偏误差；

41、2、将具有时不变特点的前轴距和簧载质量质心高度作为基向量，通过交叉迭代的方式在车辆处于起步阶段时对前轴距、簧载质量质心高度和前、后轮胎侧偏刚度进行估计，消除上述参数之间的不均衡性和复共线性对估计精度的影响；

42、3、当车辆不处于起步阶段时，将前轴距和簧载质量质心高度作为常数，只对前、后轮胎侧偏刚度进行实时估计，从而提高估计效率。