一种分布式滤波网络系统及设计方法
【技术领域】
[0001]本发明涉及一种滤波系统及设计方法，尤其是涉及一种分布式滤波网络系统及设 计方法。
【背景技术】
[0002] 随着汽车使用量的大幅度增加，汽车平顺性研究越来越受到人们关注，它也成为 汽车的重要性能指标之一。在平顺性分析过程中，精确的实时动态信息采集是准确分析的 前提。常用的数据采集系统虽然有效，但随着不断增长的高精度要求、日益复杂的实验环境 和测量噪声的干扰，现有的数据采集方法已经不能满足人们的要求。
[0003] 目前，大部分研究都是围绕着产品性能预测问题，即在汽车设计阶段，通过建立整 车仿真模型，对悬架、车身等部件参数进行分析。基于仿真实验的平顺性分析，汽车动态实 时数据信息很容易被采集到。但是，平顺性分析不能只限于产品预测和仿真实验，当需要对 种类多样的有一定驾龄的真车进行平顺性评估时，考虑到汽车行驶环境的多变性和汽车本 身性能的复杂性，汽车仿真实验平台往往不能模拟所有情况，这就需要对行驶在真实环境 中的汽车进行平顺性分析实验。汽车构造的复杂性、采样误差和环境噪声的存在对高精度 的数据采集提出了挑战。另外，考虑到运动中的汽车位置一直在变化，采集到的数据信息需 要通过无线传感网络传输给固定站点的滤波器，信息传递过程中的抗干扰能力是滤波器设 计中需要考虑的重要指标。
[0004] 卡尔曼滤波是经典的滤波器形式，对于解决大部分问题，它是最优、效率最高甚至 是最有用的，但是它只对高斯白噪声有很好的滤波效果，对噪声类型变化的适应性不强。运 动的汽车系统可能存在其他类型的噪声，因此使用卡尔曼滤波方式效果并不理想。
[0005] 另外，车载传感器采集到的数据信息需要通过无线网络传送给滤波器网络。传统 采样方式为周期采样，周期采样虽然能减少网络中数据包的传递次数，但是当汽车实时姿 态信息变化幅度小、系统噪声影响微弱、或滤波器已经精确地估计到汽车状态信息时，就没 有必要仍进行密集的周期信息传递。所以，为了降低数据通信率、节约网络资源，在保证滤 波器工作性能的前提下，可以适当的减少采样信息传递量。为了达到这一目的，本发明采用 事件触发采样机制来代替传统的周期采样。大量研究证明了事件触发机制的优越性，它也 被广泛应用到网络控制、多智能体系统、飞机编队等领域，根据应用背景的不同，还分为基 于系统状态、系统输出、观测器输出的触发机制。本发明采用基于汽车悬架系统和邻居滤波 器输出信息的事件触发采样机制，滤波网络根据输出信息就能实现对汽车实时状态信息的 精确估计。事件触发机制的核心是设计事件触发条件，它直接影响采样信息传频率及滤波 效果的好坏。事件产生器在每个采样时刻对事件触发条件进行判断，一旦条件偏离预定阈 值，触发传感器传递当前采样值给滤波器，否则，丢弃当前数据信息。事件触发采样机制能 够有效减少数据传递次数、降低通信带宽占有率、节约网络资源。
[0006] 虽然单个滤波器可以实现对汽车状态的估计，但有时会出现多个性能评估站点同 时需要接收汽车信息的情况，或单个滤波器失效导致整个评估进程中断的情况。
【发明内容】
[0007] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种对包括白噪声 在内的多种噪声形式具有良好的抗噪能力，而且在保证滤波性能的前提下有效降低数据传 递次数、节约网络资源，符合现代经济社会的发展要求的分布式滤波网络系统及设计方法。
[0008] 本发明的目的可以通过以下技术方案来实现：
[0009] 一种分布式滤波网络系统，用于1/4车模型汽车平顺性分析，该系统包括：
[0010] 滤波器网络单元:包括分布于不同物理站点的滤波器，各滤波器通过网络进行信 息交互；
[0011]传感器采样单元:包括车载传感器和滤波传感器，所述的车载传感器内嵌于汽车 悬架系统并采集汽车悬架系统状态信息，所述的滤波传感器内嵌于各滤波器内并采集该滤 波器与设定的相邻滤波器的交流信息；
[0012] 事件触发单元:包括与各滤波器对应的事件触发器，各事件触发器基于周期事件 触发机制，分别决定对应滤波器事件发生时刻；
[0013] 在事件发生时刻，滤波器接收对应车载传感器采集的汽车悬架系统状态信息以及 设定相邻的滤波器的交流信息，否则该滤波器不动作。
[0014] 一种分布式滤波网络系统的设计方法，该方法包括以下步骤：
[0015] (1)建立1/4车模型汽车的离散化模型：
[0016] x(k+l)=Ax(k)+Bv(k) (1)
[0017] 其中，x(k)为k时刻汽车悬架系统状态变量，x(k+l)为k+1时刻汽车悬架系统状态 变量，v(k)为当前时刻的路面噪声，A和B分别为适合维度的系统常矩阵；
[0018] (2)建立各车载传感器采样模型：
[0019] yi(k) =CiX(k)+Di ω i(k) (2)
[0020] 其中，i = 1，2……N，N为车载传感器总个数，yi(k)表示k时刻第i个车载传感器的 输出信息，《办)表示k时刻第i个车载传感器的采样噪声，CnDi是适合维度的系统常矩阵； [0021 ] (3)建立滤波器网络单元中各滤波器交流信息模型：
[0022] yu (k) = + (3 )
[0023] 其中，九⑷为k时刻第j个滤波器传输给第i个滤波器的交流信息，七⑷为k时刻 第j个滤波器的估计状态，必0)表示k时刻第j个滤波器和第i个滤波器之间的通信信道的 随机扰动，Ei^Fij为适合维度的系数矩阵，i = 1，2……N，j = 1，2……N，N为滤波器个数；
[0024] (4)分别建立各滤波器中事件触发器的触发条件：
[0025]
[0026] 其中，〇i、<和^为第i个事件触发器阈值参数，为第i个事件触发器的第一权重 矩阵，我:为第i个事件触发器的第二权重矩阵，；Γ',⑷=戈⑷-C,為(A-)，i,⑷为第i个滤波 器k时刻的估计状态4(0 =又0)J，<_:/.>为第i个滤波器的事件发生时刻，
能传输交流信息给第i个滤波器的所有相邻滤波器的集合，Ξ表示求均方；
[0027] (5)基于事件触发器触发条件建立滤波器离散化模型：
[0028]
[0029] 其中i = l，2……N表示第i个滤波器，N为滤波器总个数，i,U)为k时刻第i个滤波 器估计状态，i·, U -1)为k+Ι时刻第i个滤波器估计状态，出为第i个滤波器的本地增益 第i个滤波器的親合增益，为第i个滤波器在时刻的状态估计值，为 第i个滤波器在⑷时刻的输出信息，％ 为时刻第j个滤波器传输给第i个滤波 器的的交流信息；
[0030] (6)将式(1)和式(5)相减，并整合得到滤波网络估计误差模型：
[0031]
[0032] 其中，⑷-為W为k时刻第i个滤波器的估计误差，再(幻=4(約-~(<財) 为第i个滤波器k时刻估计误差与事件触发时刻估计误差的差值，j = ,,,)， ^ )为事件触发时"刻第j个滤波器和第i个滤波器之间的通信信道的随机扰云力， 是适合维度的常矩阵；
[0033] (7)记e(々）二[<0)<(&)." 4(&)Γ，根据式获取整个滤波网络估计误差模 型为：
[0036] (8)对滤波网络估计误差模型采用李雅普诺夫稳定性分析方法设计具有Hoc稳定性 的滤波器网络的约束条件矩阵；
[0037] (9)根据上述约束条件矩阵和给定的周期事件触发阈值参数〇1、6；和￡1计算滤波器 网络中各滤波器本地增益出和耦合增益L。
[0038] 所述的步骤(8)包括如下子步骤：
[0039] (801)建立李雅普诺夫方程为：
[0040] V(e(k))=eT(k)Pe(k) (8)
[0041 ]其中，P为正矩阵；
[0042] (802)求解李雅普诺夫方程的差分方程，利用利亚普诺夫稳定理论第二法求解使 得滤波网络系统具有Η?稳定性的约束条件矩阵：
[0046]所述的滤波网络系统具有Hoc稳定性具体满足下列步骤：
[0047] (a)判断是否考虑系统外部扰动、传感器测量误差和信道噪声，若是执行步骤(b)