基于多算法融合预测的汽车路面状态在线估计系统及方法

本发明涉及车辆动力学控制
技术领域：
，尤其涉及一种基于多算法融合预测的汽车路面状态在线估计系统及方法。
背景技术：
：具有高鲁棒性的自适应控制器已成为目前汽车整车控制领域的主要发展趋势，整车质量与路面坡度作为整车控制策略开发与优化的重要参数，其准确的输入参数是提高控制算法执行能力的重要途径。整车控制器受加载状态、工况等外部条件的影响很大，因此，在复杂的工况下会引起控制算法失效，进而引起严重的交通事故。然而，在参数识别过程中，基于动力学原理可知整车质量与坡度属于强耦合参数，要对两者进行分离提取十分困难，而且坡度信息作为快变参数，对其进行实时估计更是难上加难。目前，如何实时在线获取参数是实现车辆自动控制的关键问题，传统的方法普遍存在计算量大、估计精度低的问题。技术实现要素：本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多算法融合预测的汽车路面状态在线估计系统及方法，在复杂工况下对车辆进行整车质量估计和快速提取路面坡度信息。为解决上述技术问题，本发明所采取的技术方案是：一方面，提供一种基于多算法融合预测的汽车路面状态在线估计系统，包括数据采集模块、路面坡度预估计模块、整车质量估计模块和路面坡度修正模块；所述数据采集模块采集行驶中的车辆的车速、驱动力和加速度信息，并将这些数据通过数据传输模块传输到路面坡度预估计模块；所述路面坡度预估计模块通过bp神经网络算法对车辆进行路面坡度工况的实时估计；当路面坡度估计结果显示车辆行驶在水平路面时，则将路面坡度为零的信息传递给整车质量估计模块；所述整车质量估计模块基于纵向动力学模型对整车质量进行在线估计，实现对整车质量的实时更新；将更新后的整车质量传递给路面坡度修正模块；所述路面坡度修正模块根据实时整车质量对路面坡度进行第二次估计；将当前估计得到的路面坡度值以及更新后的整车质量作为输出结果；若路面坡度预估计模块未能得到有效平道信息并且整车质量未能进行更新，则将bp神经网络预估计得到的路面坡度值作为输出结果，整车质量的输出结果则采用历史整车质量数据。优选地，所述数据采集模块包括车速传感器、驱动力传感器和加速度传感器实现对车辆的车速、驱动力和加速度信息的采集。另一方面，提供一种基于多算法融合预测的汽车路面状态在线估计方法，包括以下步骤：步骤1：通过车速传感器、驱动力传感器、加速度传感器和坡度传感器对行驶中的车辆的车速v、驱动力fr、加速度av和行驶工况中的坡度αp进行数据采集；并基于上述数据建立关于车辆行驶参数信息及坡度工况的离线数据库；对离线数据库中的数据进行特征提取，并训练bp神经网络，建立基于bp神经网络的路面坡度预估计模块，进入步骤2；步骤2：将建立好的路面坡度预估计模块应用在车辆控制器中，行驶中的车辆将数据采集模块采集到的车辆实时的驱动力fr、车速v和加速度av信号经过can总线传递给路面坡度预估计模块，对车辆行驶的坡度工况进行实时估计，并得到路面坡度预估值若路面坡度预估计模块估计得到路面坡度为零，即车辆行驶在水平路面上，则进入步骤3；否则，进入步骤6；步骤3：整车质量估计模块接受步骤2估计得到路面坡度为零的实时信号和数据采集装置得到的车辆实时的驱动力fr、车速v和加速度av信号，在整车质量估计模块中计算实时整车质量m，并将更新后的整车质量值发送给坡道修正估计模块进入步骤4；步骤4：基于纵向动力学的坡道修正估计模块根据整理质量估计模块传递的实时整车质量m、车辆实时的驱动力fr、车速v和加速度av信号计算实时坡度估计值am，进入步骤5；步骤5：输出坡道修正估计模块得到的坡度估计值am和更新后的整车质量值m；步骤6：车辆控制器未计算实时整车质量和实时坡度估计值，路面坡度的输出值为路面坡度预估计模块得到的坡度预估计值整车质量的输出值为车辆控制器中的历史数据；步骤7：重复上述步骤2-6，实时更新整车质量并对各个时刻路面坡度实时估计，直至车辆熄火。进一步，所述步骤2中的路面坡度预估计值采用训练好的bp神经网络进行实时估计。进一步，所述步骤3中实时整车质量m的更新是通过rls算法计算得到，具体方法为：首先，构建车辆纵向动力学模型为：其中，fr为车辆实时的驱动力，δ为旋转质量换算系数，m为整车质量，cd为风阻系数，a为迎风面积，v为车速，g为重力加速度，α为路面坡度，f为滚动阻力系数，t为时间；为了对整车质量进行计算，将车辆纵向动力学模型整理为：其中，其中，y为质量估计模块的输出，h为整车质量估计模块的系数，为待估计的整车质量，e为状态估计时产生的误差；最后，将整理后的车辆纵向动力学模型应用在rls算法中，通过rls算法来计算更新整车质量值，如下公式所示：其中，k表示迭代次数，l表示最小二乘的增益，p表示误差协方差，λm为用于质量估计的遗忘因子。进一步，所述步骤4中坡道估计修正模块中的坡道估计值am也是使用rls算法进行计算，具体为：将车辆纵向动力学模型整理为：其中，h′＝mg；式中，y′为坡度修正估计模块的输出，h′为坡度修正估计模块的系数，为坡度修正估计模块中用于坡度估计的中间变量，如下公式所示：其中，λp为用于坡度估计的遗忘因子；通过上述公式估计出各个时刻的值，采用如下公式进一步计算得到各个时刻路面坡度估计值：采用上述技术方案所产生的有益效果在于：本发明提供的基于多算法融合预测的汽车路面状态在线估计系统及方法，通过多算法融合对行驶的车辆进行路面坡度和整车质量实时的估计，在获得实时整车质量信号后，对路面坡度进行第二次修正估计。路面坡度的修正估计是利用更多的有效信息来降低估计结果的误差。本方法计算精度高，且鲁棒性好，适用于各种车辆在不同工况条件下对路面坡度和整车质量进行实时估计。附图说明图1为本发明实施例提供的基于多算法融合预测的汽车路面状态在线估计系统的结构框图；图2为本发明实施例提供的基于多算法融合预测的汽车路面状态在线估计方法的流程图；图3为本发明实施例提供的bp神经网络的结构图；图4为本发明实施例提供的在平路起步时两种坡度信息识别方法的误差对比分析图；图5为本发明实施例提供的在坡路起步时两种坡度信息识别方法的误差对比分析图；图6为本发明实施例提供的在坡路起步时us06工况的估计结果对比分析图，其中，(a)坡度阶跃变化图，(b)坡度正弦变化图，(c)为坡度阶跃变化的局部放大图(d)坡度正弦变化的局部放大图。具体实施方式下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。本实施例以电动汽车为例，在不同坡度工况下对行驶路面信息进行在线提取。该电动汽车的基本关键参数如表1所示。表1目标车型的部分关键参数关键参数数值(单位)整车质量1200(kg)整备质量1400(kg)迎风面积2.05(m2)滚动阻力系数0.012空气阻力系数0.31滚动半径0.285(m)传动比5.23本实施例中，基于多算法融合预测的汽车路面状态在线估计系统，如图1所示，包括数据采集模块、路面坡度预估计模块、整车质量估计模块和路面坡度修正模块；所述数据采集模块通过车速传感器、驱动力传感器和加速度传感器采集行驶中的车辆的车速、驱动力和加速度信息，并将这些数据通过数据传输模块传输到路面坡度预估计模块；所述路面坡度预估计模块通过bp神经网络算法对车辆进行路面坡度工况的实时估计；当路面坡度估计结果显示车辆行驶在水平路面时，则将路面坡度为零的信息传递给整车质量估计模块；所述整车质量估计模块基于纵向动力学模型对整车质量进行在线估计，实现对整车质量的实时更新；将更新后的整车质量传递给路面坡度修正模块；所述路面坡度修正模块根据实时整车质量对路面坡度进行第二次估计；将当前估计得到的路面坡度值以及更新后的整车质量作为输出结果；若路面坡度预估计模块未能得到有效平道信息并且整车质量未能进行更新，则将bp神经网络预估计得到的路面坡度值作为输出结果，整车质量的输出结果则采用历史整车质量数据。本实施例中，基于多算法融合预测的汽车路面状态在线估计方法，如图2所示，包括以下步骤：步骤1：通过车速传感器、驱动力传感器、加速度传感器和坡度传感器对行驶中的车辆的车速v、驱动力fr、加速度av和行驶工况中的坡度αp进行数据采集；并基于上述数据建立关于车辆行驶参数信息及坡度工况的离线数据库；对离线数据库中的数据进行特征提取，并训练bp神经网络，建立基于bp神经网络的路面坡度预估计模块，进入步骤2；本实施例中，在电动汽车中设置一包含车速传感器，驱动力传感器和加速度传感器的数据采集装置，并通过坡度传感器采集车辆行驶的坡度工况数据。以此建立包含路面坡度信息及车辆行驶数据信息的离线数据库，基于该离线数据库对bp神经网络进行离线训练，完成路面坡度预估计模块的建立。本实施例中，建立用于坡度估计的bp神经网络模型，如图3所示，该模型中将整车驱动力、加速度与速度作为模型的输入，坡度值作为模型的输出。则对于bp神经网络设置为：输入层节点为3，输出层节点数为1。由此，对于隐含层的单元数可以根据如下经验公式得到：式中，i为输入层节点数，k为输出层节点数，ξ为区间[0,10]的常数，在本实施例中取10，j为隐含层节点数，隐含层节点数为12。步骤2：将建立好的路面坡度预估计模块应用在车辆控制器中，行驶中的车辆将数据采集模块采集到的车辆实时的驱动力fr、车速v和加速度av信号经过can总线传递给路面坡度预估计模块，通过训练好的bp神经网络对车辆行驶的坡度工况进行实时估计，并得到路面坡度预估值若路面坡度预估计模块估计得到路面坡度为零，即车辆行驶在水平路面上，则进入步骤3；否则，进入步骤6；步骤3：整车质量估计模块接受步骤2估计得到路面坡度为零的实时信号和数据采集装置得到的车辆实时的驱动力fr、车速v和加速度av信号，在整车质量估计模块中通过rls(recursiveleastsquare，即递推最小二乘)算法计算实时整车质量m，并将更新后的整车质量值发送给坡道修正估计模块进入步骤4；首先，构建车辆纵向动力学模型为：其中，fr为车辆实时的驱动力，δ为旋转质量换算系数，m为整车质量，cd为风阻系数，a为迎风面积，v为车速，g为重力加速度，α为路面坡度，f为滚动阻力系数，t为时间；为了对整车质量进行计算，将车辆纵向动力学模型整理为：其中，其中，y为质量估计模块的输出，h为整车质量估计模块的系数，为待估计的整车质量，e为状态估计时产生的误差；最后，将整理后的车辆纵向动力学模型应用在rls算法中，通过rls算法来计算更新整车质量值，如下公式所示：其中，k表示迭代次数，l表示最小二乘的增益，p表示误差协方差，λm为用于质量估计的遗忘因子。本实施例将车辆的启动与停车熄火作为一次行驶循环，在车辆的每次的行驶循环中，整车质量通过整车质量估计模块只估计更新一次，并将更新后的整车质量视为这次行驶循环中的实时整车质量，该值将保存至车辆控制器中直至下次行驶循环进行更新。若车辆的行驶循环中整车质量通过整车质量估计模块进行实时更新，则进入步骤4，并将更新后的整车质量值发送到坡度修正模块中。步骤4：基于纵向动力学的坡道修正估计模块根据整理质量估计模块传递的实时整车质量m、车辆实时的驱动力fr、车速v和加速度av信号，通过rls算法计算实时坡度估计值am，进入步骤5；将车辆纵向动力学模型整理为：其中，h′＝mg；式中，y′为坡度修正估计模块的输出，h′为坡度修正估计模块的系数，为坡度修正估计模块中用于坡度估计的中间变量，如下公式所示：其中，λp为用于坡度估计的遗忘因子；通过上述公式估计出各个时刻的值，采用如下公式进一步计算得到各个时刻路面坡度估计值：步骤5：输出坡道修正估计模块得到的坡度估计值am和更新后的整车质量值m；步骤6：车辆控制器未计算实时整车质量和实时坡度估计值，路面坡度的输出值为路面坡度预估计模块得到的坡度预估计值整车质量的输出值为车辆控制器中的历史数据；步骤7：重复上述步骤2-6，实时更新整车质量并对各个时刻路面坡度实时估计，直至车辆熄火。本实施例中，将单独采用bp神经网络进行坡度预估计与本发明的基于多算法融合预测的联合估计方法的收敛速度及估计结果进行对比，在rep05工况下不同坡度变化的预测结果如图4、5所示，从图中可以看出，本发明的基于多算法融合预测的汽车路面状态在线估计方法在整车质量与坡度的估计上均具有良好的估计效果，并能快速的收敛于真实值。坡度的估计值需要基于can总线传输的信息的激励才能完成，因此在开始起步时，坡度估计值大约在2s内收敛到真实值。通过对比分析可知，在起步过程，估计值误差基本一致，主要原因是在改进联合估计中，在bp神经网络进行起步坡度检测值不等于零时，bp神经网络的估计值为算法的输出，后续在bp持续监测过程中，当坡度为零时，联合算法通过rsl算法进行估计，因此在后半段的估计结果比单独采用bp神经网络进行估计的方法更加稳定。从局部放大图中可以看出，与单独采用bp神经网络进行坡度预估计法相比，本发明的联合估计方法在局部区域的波动较小。附图4、5为整体的估计效果，可以看出整体的估计值基本与真实值吻合，仅有起步阶段具有一定的波动和误差。为了更加清晰地观察联合估计方法在起步阶段的估计效果，本实施例使用不同的坡度变化信号(阶跃变化、正弦变化)作为仿真的输入，将起步阶段估计效果的局部放大图列于附图6中，从图中可以看出，本发明的联合估计方法的坡度估计值在有速度激励的位置开始进行估计，坡度估计值能够在速度激励开始后的2s内收敛并稳定地接近起步坡道的真实坡度值，而且可以从图6中看出，在起步阶段的坡度估计值与真实值基本一致，主要因为此时起作用的估计算法为bp神经网络坡度预估计方法。局部放大图内的估计效果有效地证明了bp神经网络坡度预估计法在坡度起步时的估计是快速且相对准确的。在平路起步时的估计值如表2所示，可以看出无论是在平路起步还是坡度起步时，坡度估计误差均小于1％，在平路起步时，整车质量的估计误差也小于1％。因此，本发明的联合估计法对整车质量与坡度的估计效果均满足估计器要求。表2两种预测模型在us06工况下的估计误差其中，mae表示平均绝对误差，mse表示均方误差，maxe表示最大误差。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。当前第1页12