本发明涉及估计载重和道路坡度的,特别是涉及一种重型商用车载重和道路坡度的联合估计方法。
背景技术:
1、国家经济高速发展,城市化进程加快,货运运输需求大,为了追求经济效益,超载现象日益严重。车辆超载将容易引发严重的交通安全事故,将严重损坏路、桥等交通基础设施,将促进运输市场的恶性竞争,因此需要从监管层面治理车辆超载问题。
2、现有车辆载重测量方法主要有两种,一是建设监测站,使用地磅等称重设备进行车重测量,存在效率低、监测点固定、监控区域有限等缺点。二是在车辆悬架系统处加装传感器,利用传感器采集的信息获得车辆重量,但是存在传感器成本较高、标定过程人工成本高、传感器安装位置有限、长时间使用下测量精度难以保证等问题。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种重型商用车载重和道路坡度的联合估计方法。
2、为了实现本发明的上述目的,本发明提供了一种重型商用车载重和道路坡度的联合估计方法,包括以下步骤:
3、s1,采集车辆在行驶过程中所产生的数据信息,并通过无线网络将数据信息传输至数据存储及处理平台;
4、s2,分割行驶数据片段:根据车速和采集数据时间,判断车辆停车状态,并计算车辆的停车时间长度,筛选出两次长时间停车状态之间的、满足中长距离行驶状态的行驶数据片段;一般超过0.5小时称为长时间停车,超过50公里称为中长距离。
5、s3,筛选有效行驶数据:当某一个时刻的车速、加速度和发动机输出功率均大于相应的阈值时,该时刻的数据被筛选为有效行驶数据;
6、s4,建立考虑重型商用车辆行驶阻力系数的载重和道路坡度的联合估计数学模型;
7、s5,载重和道路坡度联合估计:选定系统状态变量为车速、整车质量和道路坡度,选定系统观测变量为车速,并且假设汽车行驶过程中质量不发生变化,坡度缓慢变化,建立系统状态方程和系统测量方程,从而分析重型商用车的整车质量和各个时刻的坡度情况。
8、进一步地,所述数据信息包括:时间、车速、发动机转速、发动机净输出扭矩百分比以及发动机摩擦扭矩百分比。
9、进一步地,每一个时刻的发动机输出功率,计算公式如下所示:
10、
11、pe表示发动机输出功率;
12、ne表示发动机转速;
13、cte_a表示发动机净输出扭矩百分比;
14、cte_f表示发动机摩擦扭矩百分比;
15、te_n表示发动机最大基准扭矩。
16、进一步地,所述载重和道路坡度的联合估计数学模型如下所示:
17、ak=[3600pe_kηt-(ca+cbvk+ccvk2+mkgik)vk]/δmkvk (4)
18、
19、式中,ak为第k个时刻的加速度;
20、pe_k为第k个时刻的发动机输出功率;
21、ηt为传动系统的机械效率,取85%;
22、vk为第k个时刻的车速;
23、mk为第k个时刻的质量估计值;
24、g为重力加速度,取值为9.8m/s2;
25、ik为第k个时刻的道路坡度估计值;
26、δ为等效平移质量;
27、ca、cb和cc均为常数系数,由第k个时刻的质量估计值mk和gb/t 27840-2021中重型商用车辆行驶阻力系数推荐值进行线性插值获取。
28、进一步地,所述系统状态方程为:
29、
30、所述系统测量方程为:
31、zk=vk=[1 0 0][vk mk ik]t+gk (6)
32、式中,xk为第k个时刻的系统状态变量;
33、zk为第k个时刻的系统测量变量;
34、vk为第k个时刻的车速;
35、mk为第k个时刻的质量估计值;
36、ik为第k个时刻的道路坡度估计值;
37、δt为时间间隔;
38、ak-1为第k-1个时刻的加速度,由式(4)计算获得;
39、wk-1为过程噪声;
40、[]t为矩阵的转置;
41、gk为测量噪声。
42、进一步地,利用最优估计算法对有效行驶数据的系统状态值xk进行估计,所述最优估计算法为扩展卡尔曼滤波或者无迹卡尔曼滤波。扩展卡尔曼滤波通过围绕滤波值将非线性的状态方程开成taylor级数并略去二阶及以上项,得到非线性系统的近似线性模型,然后采用与线性卡尔曼滤波相似的算法流程进行状态估计。无迹卡尔曼滤波则利用无迹变换来处理均值和协方差的非线性传递问题,对非线性函数的概率密度分布进行近似,从而进行状态估计。
43、进一步地,在数据信息传输过程中,采用以下方式进行加密操作:
44、采用加密秘钥对需要传输的数据信息数据进行加密,所述秘钥的表达式为:
45、sk=α×log(f(x)+ζ)
46、其中sk为秘钥;
47、α为学习率;
48、log为对数函数;
49、f(x)为神经网络的输出值,x为转化为二进制的数据信息;
50、ζ为扰动因子;
51、然后再对得到的sk进行归一化处理,得到了最终的加密信息sk′:
52、sk′=nor(sk)+x
53、nor()为归一化处理。
54、一般的方法是车辆发送方和作为接收方的处理平台采用相同的秘钥,然而这种情况容易导致泄密的情况发生,因此通过上述方法生成动态的秘钥,能大幅提升了安全性。
55、综上所述,由于采用了上述技术方案,本发明能够可在车辆的整车和总成设计参数未知的情况下,进行重型商用车载重和道路坡度的联合估计;具有实时性高、监测区域广的特点;可提供关于车辆超载问题的监管协助,并降低监测成本;可辅助实施物流运输车队的货运效率(即运输单位货物装载质量的燃油消耗量,单位为升每吨百千米[l/(t*100km)])评价。
56、本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
1.一种重型商用车载重和道路坡度的联合估计方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种重型商用车载重和道路坡度的联合估计方法,其特征在于,所述数据信息包括:时间、车速、发动机转速、发动机净输出扭矩百分比以及发动机摩擦扭矩百分比。
3.根据权利要求1所述的一种重型商用车载重和道路坡度的联合估计方法,其特征在于,每一个时刻的发动机输出功率,计算公式如下所示:
4.根据权利要求1所述的一种重型商用车载重和道路坡度的联合估计方法,其特征在于,所述载重和道路坡度的联合估计数学模型如下所示:
5.根据权利要求1所述的一种重型商用车载重和道路坡度的联合估计方法,其特征在于,所述系统状态方程为:
6.根据权利要求5所述的一种重型商用车载重和道路坡度的联合估计方法,其特征在于,利用最优估计算法对有效行驶数据的系统状态值xk进行估计,所述最优估计算法为扩展卡尔曼滤波或者无迹卡尔曼滤波。