基于遗传算法的四驱电动汽车状态观测器参数优化方法
【专利摘要】本发明公开了一种基于遗传算法的四驱电动汽车状态观测器参数优化方法，旨在解决电动汽车状态观测器参数调节困难问题。包括以下步骤：建立车辆单轮滚动模型及简化的三自由度车辆模型；以车辆传感器测量信息车轮转动角速度及驱动力矩作为输入，采用滑模观测器方法设计纵向轮胎力观测器；再以纵向轮胎力估计值、前轮转角、侧向加速度及横摆角速度作为输入，分别设计前、后轴侧向轮胎力滑模观测器；最后以纵向及侧向轮胎力估计值、纵向及侧向加速度、横摆加速度和车辆前轮转角作为输入，设计车辆速度全维状态观测器；基于设计的模块化车辆状态观测器，采用遗传算法分别对各个估计模块进行观测器参数优化。
【专利说明】
基于遗传算法的四驱电动汽车状态观测器参数优化方法
技术领域
[0001] 本发明涉及一种基于遗传算法的模块化四轮驱动电动汽车状态观测器参数优化 方法的，属于车辆状态估计技术领域。
【背景技术】
[0002] 作为新能源汽车的代表，电动汽车相对于汽油燃烧作为动力的传统汽车而言，在 清洁、环保、节能等方面占据明显的优势。因此，电动汽车的保有量呈逐年增加的趋势，而其 操纵稳定性及主动安全性问题也得到了广泛的关注。
[0003] 电动汽车的主动安全性控制系统可以有效地提高汽车操纵稳定性，从而减少交通 事故的发生。而其各种控制逻辑得以有效实施的前提是准确获得车辆的行驶状态信息。然 而由于生产成本及测量误差等因素的制约，在量产车中，部分车辆行驶状态信息无法直接 通过车载传感器测量得到。因此，利用可测量的车辆状态信息设计观测器对无法测量的车 辆状态信息进行估计逐渐成为了研究热点。
[0004] 在车辆状态估计问题中，车辆状态观测器参数是影响其估计准确性的重要因素， 观测器参数调节问题也是其技术难点。传统的观测器调节通常采用的是基于大量实验的手 动调节方法，这种调节方法不仅工作量很大，并且不能保证所调节的参数是当前工况的最 佳参数。因此，有必要设计一种智能优化算法对观测器参数进行优化。
【发明内容】
[0005] 为解决电动汽车状态观测器参数调节困难问题，本发明提供一种基于遗传算法的 四驱电动汽车状态观测器参数优化方法，以模块化的四轮驱动电动汽车状态观测器为例， 采用遗传算法进行观测器参数的优化。其中，模块化的车辆状态观测器由纵向轮胎力滑模 观测器、侧向轮胎力滑模观测器以及车辆速度全维状态观测器构成。
[0006] 本发明是通过以下技术方案实现的：
[0007] -种基于遗传算法的四驱电动汽车状态观测器参数调节方法，包括以下步骤：
[0008] 步骤一、建立车辆单轮滚动模型及简化的三自由度车辆模型；
[0009] 步骤二、模块化车辆状态观测器设计：以车辆传感器测量信息车轮转动角速度及 驱动力矩作为输入，采用滑模观测器方法对四个轮的纵向轮胎力设计纵向轮胎力滑模观测 器;再以纵向轮胎力估计值、前轮转角、侧向加速度及横摆角速度作为输入，分别设计前、后 轴侧向轮胎力滑模观测器;最后以纵向及侧向轮胎力估计值、纵向及侧向加速度、横摆加速 度和车辆前轮转角作为输入，设计纵向车速、侧向车速及横摆角速度的车辆速度全维状态 观测器；
[0010] 步骤三、基于步骤二设计的模块化车辆状态观测器，采用遗传算法分别对各个估 计模块进行观测器参数优化。
[0011] 进一步地，所述步骤三中采用遗传算法分别对各个估计模块进行观测器参数优化 包括以下步骤：
[0012] 3.1)采用双变量的标准遗传算法首先分别对车辆四个轮的纵向轮胎力滑模观测 器参数进行优化，再以经过参数优化的前轴纵向轮胎力估计值作为输入对前轴侧向轮胎力 滑模观测器参数进行优化，最后对后轴侧向轮胎力滑模观测器参数进行优化；
[0013] 3.2)以经过参数优化的前轴纵向及前、后轴侧向轮胎力估计值作为输入，采用单 变量的标准遗传算法对车辆横摆角速度状态观测器进行参数优化；
[0014] 3.3)以经过参数优化的纵向及侧向轮胎力估计值作为输入，采用多目标遗传算法 对车辆纵向、侧向车速观测器参数进行优化，并得到Pareto最优解集。
[0015] 由于采用了上述的技术方案，本发明的有益效果是：
[0016] (1)针对车辆状态观测器参数手动调节困难的问题，提出了一种适用于模块化四 轮驱动电动汽车状态观测器的遗传算法参数优化方法。
[0017] (2)使用高保真车辆动力学仿真软件veDYNA对优化的观测器参数进行了有效性验 证，结果表明本发明所提出的观测器参数优化方法具有一定的效果，能够保证观测器估计 结果的准确性。
【附图说明】
[0018]图1车辆单轮滚动动力学模型；
[0019] 图2车辆俯视受力示意图；
[0020] 图3模块化车辆状态观测器结构图；
[0021 ]图4遗传算法执行步骤；
[0022]图5左前轮纵向轮胎力滑模观测器参数优化结果 [0023]图6纵向、侧向车速状态观测器参数优化Pareto前沿 [0024]图7纵向轮胎力仿真结果 [0025]图8侧向轮胎力仿真结果
[0026] 图9纵向、侧向速度及横摆角速度仿真结果
[0027] 表1车辆状态观测器参数优化结果 [0028]表2四轮驱动电动汽车参数
[0029]表3纵向、侧向车速状态观测器参数优化Pareto最优解
【具体实施方式】
[0030]下面结合附图，对本发明所提出的技术方案进行进一步阐述和说明。
[0031]本发明提供了一种基于遗传算法的模块化四轮驱动电动汽车状态观测器参数优 化方法，该方法包括以下几个步骤：
[0032]步骤一、建立车辆单轮滚动模型及简化的车辆三自由度模型 [0033] 1.建立车辆单轮滚动模型
[0034]为设计纵向轮胎力滑模观测器，将车辆系统简化为如图1所示的车辆单轮滚动模 型。
[0035]由图1可以得到单轮滚动动力学方程如式(1)所示：
[0036]
(1)
[0037] 其中，J为车轮的转动惯量，单位kg · m2, c〇i为每个车轮的转动角速度，单位rad/s， Rrff为轮胎的有效半径，单位m，Ti为每个车轮的驱动力矩，单位Nm。
[0038] 2.建立简化的三自由度车辆模型
[0039] 图2是车辆俯视受力示意图，为了方便研究，本发明考虑到车辆在纵向、侧向以及 横摆方向的受力情况，将整车模型简化为三自由度模型。在车辆上建立坐标系，原点位于汽 车的质心，车辆前进的方向为X轴正方向，水平向左为y轴正方向，z轴正方向由右手螺旋定 则确定，如图2所示。应用牛顿第二定律可得到简化的三自由度车辆模型动力学方程如式 (2)所示
[0040]
(2)
[0041] 其中，m是汽车总质量，单位kg，r为汽车的横摆角速度，单位rad/s，Vx及Vy是车辆在 车体坐标系下的纵向及侧向速度，单位m/s，I z为整车绕车辆坐标系z轴的转动惯量，单位 kg · m2，Fx及Fy分别表示车辆纵向及侧向轮胎力，单位N，MZ为车辆绕z轴转动力矩，单位Nm。
[0042] 根据力与力矩平衡方程，车辆纵向及侧向轮胎力Fx、Fy和车辆绕z轴转动力矩Mz可 以表示为：
[0043]
(3)
[0044] 其中，Fxi/Fyi(i = l，. . .，4)分别为四个轮的纵向及侧向轮胎力，单位Ν，δ^车辆前 轮转角，单位rad，If和1R分别是车辆质心距前/后轴的距离，单位m。
[0045] 步骤二、模块化车辆状态观测器设计：以车辆传感器测量信息车轮转动角速度及 驱动力矩作为输入，采用滑模观测器方法对四个轮的纵向轮胎力设计纵向轮胎力滑模观测 器;再以纵向轮胎力估计值、前轮转角、侧向加速度及横摆角速度作为输入，分别设计前、后 轴侧向轮胎力滑模观测器;最后以纵向及侧向轮胎力估计值以及纵向及侧向加速度、横摆 加速度和车辆前轮转角作为输入，设计纵向、侧向车速及横摆角速度的车辆速度全维状态 观测器。将上述设计的各个观测器模块进行集成可以得到模块化车辆状态观测器，其结构 图如图3所示。为了方便对本发明的估计问题进行介绍，首先将能够通过车辆传感器直接测 量的参数作如下说明：
[0046] (1)四个车轮的驱动力矩Ti( i = 1，2，3，4)虽然不可直接测量，但可以通过车辆其 他可测量信息(发动机力矩Te、发动机转速ω e、制动轮缸压力pt)计算得到，因此可以将其视 作可直接测量信息；（2)车辆方向盘的转角信号δ可通过光电编码器测量得到，进而可以通 过关系式Sf = S/Isw计算得到车辆的前轮转角Sf，Isw*转向传动比；（3)四个车轮的转动角速 度c〇i(i = l，2,3,4)可通过轮速传感器测量得到；（4)车辆纵向及侧向加速度ax、ay可通过加 速度传感器测量得到；（5)车辆横摆角速度r可通过陀螺仪测量得到。
[0047]模块化车辆状态观测器设计具体包括以下步骤：
[0048] 1、纵向轮胎力滑模观测器设计
[0049]根据单轮滚动动力学方程，给出一阶系统如下：
[0050]
(4).
[0051] 其中，是系统输入，ωι作为系统的测量输出量同时也是系统状态，当系统状态改 变时，未知输入量FX1也随之改变。在这里，F X1就是我们要估计的状态，则该估计问题可以描 述成由测量输出估计出系统未知输入的过程。
[0052] 根据滑模观测器理论，在这里定义系统误差为邊- 本发明选取滑模面为系 统误差，即S = ?，并选取李雅普诺夫函数：
[0053] V = S2/2 (5)
[0054] 对公式(4)求导，可得：
[0055] ^SS = Sa) = S((b-(h) (6):
[0056] 根据状态观测器理论，将公式(3)构造成如下形式，其中LX1是观测器增益。
[0057]
Π [0058] 将式(4)和式(7)代入(6)中，可以得到：
[0059]
_)
[0060] 其中，假设-|人.--.(·)满足以下不等式：
[0061]
(9)
[0062] 上述假设中，FX1满足有界条件，则只要pxl取足够大的值，则假设是可以成立的。将 式(9)带入到式(8)中，可以得到：
[0063]
(10)
[0064] 此时，若Φ 其中sign(S)是符号函数，进而可以将式（10)表示 为：
[0065] K UX.sign (S) + |勾 A',. = () (ID
[0066] 由上述推导过程，本发明设计的滑模观测器形式如下：
[0067]
(12)
[0068] 结合式(4)和式(12)进一步将系统误差导数表示为：
[0069]
(1 )
[0070] 当时间为ti，系统达到稳定时，可得? = 〇，因此：
[0071]
(14)
[0072] 则根据式(14)，未知输入量FX1的估计值可以表示为如下形式：
[0073]
(1?>
[0074] 式（15)就是本发明针对未知输入量見设计的滑模观测器，其中，LX1是反馈增益， PX1是滑模增益。
[0075] 由于时间滞后、空间滞后以及系统惯性等影响，滑模系统容易出现抖振现象，这将 增大估计误差从而影响估计结果。为了削弱抖振的影响，本发明采用饱和函数（16)代替符 号函数sign(S)。
[0076]
(!6)
[0077]其中，S表示估计误差，Φ >0用于调解函数signeq(S，Φ )的斜率。
[0078] 将式(16)带入式(15)中，可以得到纵向轮胎力滑模观测器形式如下：
[0079]
(17)
[0080] 2、侧向轮胎力滑模观测器设计
[0081] 根据简化的车辆三自由度动力学方程，考虑到车辆沿y轴的侧向运动方程和绕z轴 的转矩平衡方程，可以得到以下车辆二自由度动力学方程：
[0082]
(.18)
[0083]其中，ay为车辆侧向加速度，单位m/s，Fyf = Fyl+Fy2为前轴侧向轮胎力，单位N，Fyr = Fyl+Fy2为后轴侧向轮胎力，单位N，Fxf = Fxl+Fx2为前轴纵向轮胎力，单位N。
[0084]将式(18)中的前轴侧向轮胎力Fyf和后轴侧向轮胎力Fyr去耦合，得到：
[0085]
(!9)
[0086]对于前轮侧向轮胎力Fyf，将式（19)化为形如式(4)的一阶系统：
[0087]
Q0)
[0088] 其中，r为系统状态，同时也是系统测量输出，ay为系统输入，Fyf为系统未知输入 量，同时也是要估计的状态。
[0089]根据纵向轮胎力滑模观测器设计过程，本发明设计的前轴侧向轮胎力滑模观测器 形式如下：
[0090]
(21)
[0091] 其中，Lyf为前轴侧向轮胎力滑模观测器的反馈增益，pyf为前轴侧向轮胎力滑模观 测器的滑模增益。结合式(20)和式(21)可以看出，在对前轴侧向轮胎力进行估计时，需要以 前轴纵向轮胎力的值作为输入。
[0092]同理可以设计后轴侧向轮胎力滑模观测器形式如下：
[0093](22) \ ..Γ .八 / |
I V Γ
[0094]其中，Lyr为后轴侧向轮胎力滑模观测器的反馈增益，pyr为后轴侧向轮胎力滑模观 测器的滑模增益。
[0095] 3、车辆速度全维状态观测器设计
[0096]根据力的平衡方程，纵向、侧向加速度与车辆轮胎力之间的关系可以描述为：
[0097]
.闕
[0098] 其中，ax、ay分别为车辆的纵向及侧向加速度，单位m/s2。根据式(2)和式（23)，纵 向、侧向车速及横摆角速度可以进一步表示为：
[0099]
(24)
[0100] 由于纵向、侧向加速度及横摆角速度可以由车辆传感器直接测量得到，因此选择 这三个量作为系统测量输出，并将它们与其估计值之差作为车辆速度观测器的校正项，基 于非线性全维观测器结构，可以设计出车辆纵向、侧向车速及横摆角速度的车辆速度全维 观测器表达式如式(25)所示：
[0101]
(25>
[0102]兵甲，Ki (1 = X，y，r)代衣观测益増益。利用轮胎力估计值，可以将纵向、侧向加速 度估计值4、^.以及车辆绕z轴转动力矩估计值Λ)表示为：
[0103]
(26)
[0104] 步骤三、基于步骤二设计的模块化车辆状态观测器，采用遗传算法分别对各个估 计模块进行观测器参数优化。优化参数的范围及优化结果如表1所示：
[0105] 表1车辆状态观测器参数优化结果
[0106]
[0107] 其中优化参数范围是由手动调节时的经验值给出的一个较保守的范围，以保证其 包含了最优参数，具体包括以下步骤：
[0108] 1.采用双变量的标准遗传算法首先分别对车辆四个轮的纵向轮胎力滑模观测器 参数Pxl/L xl(i = l，2,3,4)进行优化，再以经过参数优化的前轴纵向轮胎力估计值作为输入 对前轴侧向轮胎力滑模观测器参数Pyf/Lyr进行优化，最后对后轴侧向轮胎力滑模观测器参 数P yr/Lyr进行优化。
[0109] 根据步骤二所设计的纵向轮胎力滑模观测器及前、后轴侧向轮胎力滑模观测器可 知，L、P是需要优化的观测器参数。对于轮胎力滑模观测器参数优化问题，由于纵向和侧向 轮胎力滑模观测器具有相似的结构，因此本发明仅给出以左前轮纵向轮胎力滑模观测器为 例，利用遗传算法对观测器参数进行优化的过程。
[0110]在对观测器参数进行优化时，使用高保真动力学仿真软件veDYNA，选择四轮驱动 电动汽车作为仿真车辆，具体车辆参数如表2所示：
[0111] 表2四轮驱动电动汽车参数
[0112]
[0113]
[0114] 让车辆行驶在常规高附着双移线工况下，具体工况设置为：在路面摩擦系数μ = 0.8的道路上，车辆由静止开始加速，当车辆速度加速到80km/h时，进行双移线操作，之后保 持匀速直线运动。其中，考虑到实际中车载传感器测量误差，分别给传感器测量信息车轮转 动角速度《i、驱动力矩Ti、纵向加速度a x、侧向加速度ay、横摆加速度r以及车辆前轮转角δ￡ 加上幅值为〇. 0001的零均值白噪声。
[0115] 遗传算法(Genetic Algorithm，简称GA)是一类借鉴生物界自然选择和自然遗传 机制的随机搜索算法。遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因 突变现象，在每次迭代中都保留一组候选解，并按适应度函数从解群中选取较优的个体，利 用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过 程，直到满足某种收敛指标为止，具体执行步骤如图4所示。首先对遗传算法程序进行初始 化，具体参数设置为:种群规模为10，进化代数为20精英个数为2，交叉概率为0.8，变异概率 为 0.2〇
[0116] 适应度函数是指导搜索方向的唯一准则，如何选择它是GA中的关键问题。在进行 左前轮纵向轮胎力滑模观测器参数优化时，本发明选取估计误差= &的均值和均 方差作为参数优化的评价指标。为了使优化结果更加准确合理，首先根据式(27)将二者进 行归一化处理，
[0117]
(2：7)
[0118]其中，G(xi) e [0 1]，Xmin和Xmax分别为一组数据中的最小值和最大值，本发明选择 适应度函数如下：
[0119]
(28)
[0120] 其中，rmxl和ΓΜ?分别是左前轮纵向轮胎力误差的均值和均方差权重因子，M( ·) 和D( ·)分别为求取均值和均方差的函数，
[0121] (29)
[0122] 其中，N为单个变量的总个数，N=t/s，t为仿真时间，s为仿真步长。
[0123] 遗传算法具体执行步骤如图4所示。仿真时，选取rmxl = 0.5, Γ μ1 = 0.5,仿真时间 为23s，仿真步长为0.01。基于遗传算法的左前轮纵向轮胎力滑模观测器参数优化结果如图 5所示，优化过程中，随着种群代数的增加，适应度函数收敛于一个最小值，通过优化我们得 到此时的滑模增益为L xl = 25.3026，反馈增益为pxl = 682.3490，相应的适应度函数值为 0.13376。
[0124] 其余三个轮的纵向轮胎力及前、后轴侧向轮胎力观测器参数均按上述过程进行优 化，其参数优化结果如表1所示。
[0125] 2.以经过参数优化的前轴纵向及前、后轴侧向轮胎力估计值作为输入，采用单变 量的标准遗传算法对车辆横摆加速度状态观测器进行参数优化。
[0126] 对于车辆横摆角速度观测器参数优化问题，需要优化的参数是Kr，程序参数初始 化时，各参数与上述设置相同。选择的适应度函数如式(30)所示，其中估计误差F = r-h在 常规高附着双移线工况下，其参数优化结果如表1所示。
[0127]
(30):
[0128] 3.以经过参数优化的纵向及侧向轮胎力估计值作为输入，采用多目标遗传算法对 车辆纵向、侧向车速观测器参数进行优化，并得到Pareto最优解集：
[0129] 由式(25)所示的纵向、侧向车速观测器形式可知，纵向和侧向速度二者互相耦合， 在对纵向车速进行估计时要以侧向车速的估计值作为输入，同时，对侧向车速进行估计时 也要以纵向车速的估计值作为输入。因此，在对纵向和侧向车速观测器参数进行优化时，单 目标的标准遗传算法不再适用。考虑到二者估计值之间的相互影响关系，本发明利用 Mat 1 ab工具箱中的gamu 11 i ob j函数对多目标优化问题进行求解。gamu 11 i ob j函数使用受控 的精英遗传算法，该算法是带精英策略的快速非支配排序遗传算法（nondominated sorting genetic algorithm II，NSGA_II)的变体。其基本原理是:在可行域中寻找由优化 变量组成的向量，使得一组相互冲突的目标函数尽可能同时达到最小，并通过设置最优前 端系数(Pareto Fraction)限制帕累托(Pareto)前沿上个体(精英个体)的数目，从而使所 求解收敛于Pareto前沿面。式(31)为纵向和侧向车速观测器参数优化的目标函数
[0130]
(?n
[0131] 多目标遗传算法参数设置为:最优前端系数为0.3，种群规模为50，进化代数为50， 交叉概率为〇. 8，变异概率0.2。在常规高附着双移线工况下，经过参数优化得到的Pareto前 沿如图6所示，所优化变量值及其对应的目标函数值如表3所示：
[0132] 表3纵向/侧向车速状态观测器参数优化Pareto最优解
[0133]
Lm 34」 由图6 N以宥出，网个目标凼数是相且沖哭的，其中一个目标凼数值的減小则会引 起另一个目标函数值的增大，因此，在Pareto前沿中则需要权衡两个目标函数，选择出一组 适合的解。在表3中可以看出，在列举的14组最优解中，目标函数的值相对与目标函数f 2的 值的变化较大。其最小值与最大值之间的差距也比较大，因此本发明着重考虑变化范围较 大的目标函数的值，选择一组目标函数的值较小的解。最终选择的解如表3中的序号1所 示，BPKx=0.0018，K y=0.0099。
[0135] 下面给出本发明所述的基于遗传算法的四驱电动汽车状态观测器参数优化方法 的离线仿真验证。
[0136] 为了验证观测器参数优化方法的有效性，首先将表1中所优化出的参数输入到模 块化的车辆状态观测器中，并以veDYNA中的四轮驱动电动汽车作为仿真车辆。并以常规高 附着双移线工况作为仿真工况，来验证与观测器参数优化时相同工况下的车辆状态观测器 估计效果。下面给出具体的实验结果与分析。
[0137] 考虑到车辆系统的对称性，对于纵向轮胎力，只给出左侧纵向轮胎力的仿真结果。 图7-9,为该工况下的仿真结果图。图7分别为左前轮及左后轮纵向轮胎力观测器估计结果 与veDYNA输出真实值对比曲线以及其估计误差。图8分别为前轮及后轮侧向轮胎力观测器 估计结果与veDYNA输出真实值对比曲线以及其估计误差。图9分别纵向/侧向速度及横摆角 速度观测器估计结果与veDYNA输出真实值对比曲线以及其估计误差。由仿真结果图可以看 出，对于所估计的车辆状态，经过参数优化的观测器估计值可以较好的跟踪上由veDYNA直 接输出的真实值，并且有较小的估计误差，这说明本发明所提出的基于遗传算法的观测器 参数优化方法具有一定的有效性。
【主权项】
1. 一种基于遗传算法的四驱电动汽车状态观测器参数调节方法，其特征在于，包括以 下步骤： 步骤一、建立车辆单轮滚动模型及简化的三自由度车辆模型； 步骤二、模块化车辆状态观测器设计：以车辆传感器测量信息车轮转动角速度及驱动 力矩作为输入，采用滑模观测器方法对四个轮的纵向轮胎力设计纵向轮胎力观测器;再以 纵向轮胎力估计值、前轮转角、侧向加速度及横摆角速度作为输入，分别设计前、后轴侧向 轮胎力滑模观测器;最后以纵向及侧向轮胎力估计值、纵向及侧向加速度、横摆加速度和车 辆前轮转角作为输入，设计纵向车速、侧向车速及横摆角速度的车辆速度全维状态观测器； 步骤三、基于步骤二设计的模块化车辆状态观测器，采用遗传算法分别对各个估计模 块进行观测器参数优化。2. 如权利要求1所述的一种基于遗传算法的四驱电动汽车状态观测器参数调节方法， 其特征在于，所述步骤一建立的车辆单轮滚动模型及简化的三自由度车辆模型为： 1.1) 车辆单轮滚动模型：其中，J为车轮的转动惯量，ω为每个车轮的转动角速度，Reff为轮胎的有效半径，T为每 个车轮的驱动力矩； 1.2) 简化的三自由度车辆模型 车辆纵向及侧向轮胎力Fx、Fy和车辆绕z轴转动力矩Mz可以表示为： Fx= (Fxi+Fx2)cos5f-(Fyi+Fy2)sin5f+Fx3+Fx4, Fy= (Fxl+Fx2)sin5f+(Fyl+Fy2)c〇s5f+Fy3+Fy4, Mz = lF(Fxi+Fx2)sin5f+lF(Fyi+Fy2)cos5f-lR(Fy3+Fy4) 其中，Fxi/Fyi(i = 1，. . .，4)分别为四个轮的纵向及侧向轮胎力，δ是车辆前轮转角，1#口 1r分别是车辆质心距前轴和后轴的距离，单位m。3. 如权利要求1所述的一种基于遗传算法的四驱电动汽车状态观测器参数调节方法， 其特征在于，所述步骤二设计的模块化车辆状态观测器具体包括： 2.1) 纵向轮胎力滑模观测器，形式为：其中，Lxi是反馈增益，pxi是滑模增益，Φ >0，ω i (i = 1，2，3，4)分别为四个车轮的转动 角速度，单位rad/s，J为车轮的转动惯量，单位kg · m2;Reff为轮胎的有效半径，单位m。 2.2) 侧向轮胎力滑模观测器，包括： 前轴侧向轮胎力滑膜观测器为：其中，Lyf为前轴侧向轮胎力滑模观测器的反馈增益，pyf为前轴侧向轮胎力滑模观测器 的滑模增益； 后轴侧向轮胎力滑膜观测器：其中，Lyr为后轴侧向轮胎力滑模观测器的反馈增益，pyr为后轴侧向轮胎力滑模观测器 的滑模增益； 2.3)车辆速度全维状态观测器设计： 选择纵向加速度、侧向加速度及横摆角速度作为系统测量输出，并将它们与其估计值 之差作为车辆速度观测器的校正项，基于非线性全维观测器结构，设计出车辆纵向、侧向车 速及横摆角速度的车辆速度全维观测器，表达式为：其中，代表观测器增益，利用轮胎力估计值，可以将纵向、侧向加速度估计 值4、4以及车辆绕ζ轴转动力矩估计值表示为：其中，ax、ay分别为车辆的纵向及侧向加速度，单位m/ s2。4.如权利要求1所述的一种基于遗传算法的四驱电动汽车状态观测器参数调节方法， 其特征在于，所述步骤三中采用遗传算法分别对各个估计模块进行观测器参数优化包括以 下步骤： 3.1) 采用双变量的标准遗传算法首先分别对车辆四个轮的纵向轮胎力滑模观测器参 数进行优化，再以经过参数优化的前轴纵向轮胎力估计值作为输入对前轴侧向轮胎力滑模 观测器参数进行优化，最后对后轴侧向轮胎力滑模观测器参数进行优化 3.2) 以经过参数优化的前轴纵向及前、后轴侧向轮胎力估计值作为输入，采用单变量 的标准遗传算法对车辆横摆角速度状态观测器进行参数优化，并将优化出的观测器参数输 入到车辆横摆角速度观测器； 3.3) 以经过参数优化的纵向及侧向轮胎力估计值作为输入，采用多目标遗传算法对车 辆纵向、侧向车速观测器参数进行优化，并得到Pareto最优解集。
【文档编号】B60W40/10GK105946858SQ201610403778
【公开日】2016年9月21日
【申请日】2016年6月8日
【发明人】郭洪艳, 麻颖俊, 郝宁峰, 陈虹
【申请人】吉林大学