CN101710027B - 车辆轮胎非线性动态特性监测系统和方法 - Google Patents

Abstract

一种用于车辆非线性轮胎动态特性监测的系统和方法。该系统包括加速度传感器、陀螺仪传感器、轮胎气压传感器、轮胎温度传感器、轮胎转速传感器、车速传感器、通讯模块、信息处理模块、学习模块和学习知识库模块。该方法是：多个传感器获取信号经过通讯模块采集后，数据经信息处理模块编译转换并存储；信息处理模块将传感器数据分为参变量、自变量和因变量；先将参变量传入学习模块；学习模块运用改进型遗传算法对轮胎神经网络模型进行参数识别，描述轮胎的动态特性；最后信息处理模块将自变量数据传入学习模块，学习模块依据先建立的动态特性模型计算应变量值；以及将应变量值存入学习知识库模块，同时通讯模块提取有用信息传输给车辆其他系统共享。

Description

车辆轮胎非线性动态特性监测系统和方法

技术领域

本发明涉及用于确定作用在车辆轮胎上的非线性动态特性监测的系统和方法。

背景技术

随着电子技术的发展，底盘集成控制技术成为研究的热点，而轮胎决定着整个系统的控制精度和整体性能。轮胎是由多种材料复合而成，结构复杂，存在很强的非线性，所以通常建立轮胎力学特性模型的建模过程复杂、周期长、模型精度受控于所选的模型形式和基函数形式。

到目前为止，对轮胎稳态特性的研究已基本成熟，能够满足汽车动力学性能仿真的要求。相比之下，非稳态轮胎模型的研究仍不完善，理论研究大多局限在小幅运动范围内，在整个印迹区内没有纵向与横向滑动，并且不考虑轮胎的质量和惯性作用，或者只强调侧向力与回正力矩的动态迟滞效应。在试验研究方面，随着试验设备及测量传感器技术的不断进步，给满足高频、大幅度轮胎动态特性的监测提供了可能。

同时，基于神经网络、模糊控制和遗传算法等新技术，建立的在一定轮胎负荷下受侧偏角、滑移率等因素的影响和混合工况下的非线性轮胎侧偏特性模型，进行有界非线性函数族重新描述和整理成非线性不确定系统，用来解决高速、高频、大幅度、瞬态变工况和非线性等问题，将成为发展趋势。

发明内容

本发明的主要目的在于提供一种系统和方法，通过该系统和方法能够很容易在行驶过程中确定作用在车辆轮胎上的动态特性，解决轮胎非线性动力学的问题。

本发明一方面提供一种用于确定作用在车辆轮胎上的非线性动态特性监测的系统，包括：

加速度传感器，安装在车轴、座椅上，用于监测部件的运动加速度；

陀螺仪传感器，安装在车身中央，用于测量车身侧倾、俯仰和横摆等角度、角速度和角加速度；

轮胎气压传感器，安装在轮胎气门芯上，用于监测轮胎气压的变化；

轮胎温度传感器，安装在车架底面靠近轮胎下部内侧面，用于对轮胎内侧胎体温度监测；

轮胎转速传感器，安装在轮毂上，用于测量车轮的转速，生成代表轮胎转速的数据；

车辆车速传感器，安装在底盘上，用于测量车身的速度，生成代表车速的数据；

通讯模块，用于对加速度传感器、陀螺仪传感器、轮胎气压传感器、轮胎温度传感器、轮胎转速传感器、车辆车速传感器信号的采集，并将采集到的传感器信号传送至信息处理模块；用于学习知识库模块与车辆其他系统间的通讯；

信息处理模块，用于对通讯模块采集到的传感器信号进行编译与存储；

学习模块，其中预先建立有动态特性模型，用于依据信息处理模块提供的传感器数据建立对应动态车况的轮胎特性神经网络模型；

学习知识库模块，用于调用学习模块构建的自适应神经网络模型进行数据预测，建立包含轮胎信息的多维向量库，对轮胎动态特性进行监测和预测。

加速度传感器、陀螺仪传感器、轮胎气压传感器、轮胎温度传感器、轮胎转速传感器、车辆车速传感器等通过相应的外部信号采集电路连接到车载ECU中通讯模块I/O接口，通讯模块再通过ECU内部总线连接到位于ECU中的信息处理模块、学习模块和学习知识库模块，其中通讯模块、信息处理模块、学习模块、学习知识库都位于ECU中。

本发明中所述轮胎气压传感器结构是由微型压力传感器通过螺纹连接在气门芯顶端，和位于防尘帽中的发射装置RF组成。该压力传感器安装在轮胎气门上，适合于任何车型的轮胎，更换轮胎时无需更换气压传感器，解决了嵌入式传感器嵌入轮胎后，如果传感器与轮胎胎体之间的结合问题解决不好，将会对轮胎结构产生破坏性的影响。

所述轮胎温度传感器采用的是非接触式红外线传感器。

所述轮胎转速传感器采用的是磁感应式传感器。

所述车辆车速传感器由四个小型带照明的高清晰度摄像头组成；安装位置位于在汽车底盘底部左右纵向两轮之间。

所述信息通讯模块包括轮速信号采集电路、轮胎温度信号采集电路、轮胎气压信号采集电路、陀螺仪信号采集电路、车身加速度信号采集电路、车身车速信号采集电路及通过ECU的实现。

所述学习模块包含对应当时车况的轮胎特性神经网络模型程序。

所述学习知识库模块包含轮胎信息的多维向量库。

本发明公开了一种用于确定作用在车辆轮胎上的非线性动态特性监测的方法，包括下述步骤：

从安装在轮胎及车身上的传感器获取对应轮胎和汽车工况的各种物理量电信号；经过通讯模块采集后；数据经过信息处理模块编译转换并存储；

信息处理模块将传感器数据分为参变量、自变量和因变量；首先将参变量传入学习模块；其次学习模块运用改进型遗传算法对轮胎神经网络模型进行参数识别，描述轮胎的动态特性；最后信息处理模块将自变量数据传入学习模块，学习模块依据先前建立的动态特性模型计算应变量值；以及将应变量值存入学习知识库模块，同时通讯模块提取有用信息传输给车辆其他系统共享。

上述方法中，学习知识库模块输入为滑移率、侧偏角、垂直载荷、垂向振动加速度，对通讯模块输出汽车行驶方向x上的纵向力F_x，及绕x轴的滚动力矩M_x；左右方向y上的侧向力F_y，及绕y轴的翻转力矩M_y；垂直方向z上的垂向力F_z；及绕z轴的回正力矩M_z；垂向振动阻尼C_z和刚度K_z等。

本发明能够准确监测出车身不同侧的瞬时速度的传感器和方法，提高了不同工况下车速测量准确性。由于汽车在某些特殊工况下(如小转弯半径下转弯，汽车车身内侧和外侧瞬时速度存在较大差异，而传统测速方法采用第五轮或单点激光，只能测得车身中间平均车速。本发明能够同时测量车身两侧速度，较好的解决了这个问题，提高了车轮滑移率的计算精度。

附图说明

下面结合相应附图对本发明的具体实施方式进行详细描述，其中：

图1是轮胎的立体示意图，用来说明作用于轮胎的各种动态特性和用于表示测量位置的坐标系统。

图2是轮胎在联合工况下的神经网络结构图，用来说明轮胎在不同垂直载荷、不同滑移率及侧偏角下纵向力与侧向力之间的数学关系。

图3(a)和(b)是本发明专利方法与传统方法随滑移率变化的纵向力和侧向力仿真结果比较图。

图3(c)和(d)是本发明专利方法与传统方法随侧偏角变化的纵向力和侧向力仿真结果比较图。

图3(e)和(f)是本发明专利方法与传统方法计算速度的比较图。

图4是轮胎侧偏角的示意图，用来说明侧偏角的计算过程。

图5是自测压式气门嘴结构图，用来说明自测压气门嘴内部结构和工作原理。其中：1为微型压力传感器，2为气门芯杆，3为发射装置RF(Radio Frequency，射频)，4为防尘帽，，5为绝缘垫。

图6是非接触式温度传感器的位置图，用来说明温度传感器的在车身上的布置位置。其中：1为温度传感器，2为车架。

图7a是轮速传感器结构图；图7b是轮速传感器安装示意图。其中：1为齿顶，2为齿轮，3为磁头，4为磁极支架，5为轮毂、制动毂，6为车轮。

图8是车速传感器的安装位置图，用来说明车速测量的原理。

图9是轮速信号采集电路结构图，用来说明轮速信号采集的原理。

图10是陀螺仪信号采集结构图，用来说明陀螺仪信号采集的原理。

图11是车身加速度信号采集电路图，用来说明车身加速度信号采集的原理。

图12是测量放大器的原理图，用来说明车身加速度信号采集中放大器的工作原理。

图13是学习模块的结构图，用来说明学习模块的功能。

图14是系统运行的流程图，用来说明系统的运行过程。

具体实施方式

滚动过程中的轮胎存在以下的动态特性(如图1所示)：汽车行驶方向x上的纵向力F_x，及绕x轴的滚动力矩M_x；左右方向y上的侧向力F_y，及绕y轴的翻转力矩M_y；垂直方向z上的垂向力F_z；及绕z轴的回正力矩M_z；垂向振动阻尼C_z和刚度K_z；以上各量都是随时间函数动态变化的。

首先要在存储模块中存有预先针对某一型号轮胎试验数据所建立的数据库和模型，就可能通过传感器测得的参数，辨识模型进而确定各种力和力矩。

以某一垂直载荷下轮胎动态特性F_x，F_y为例说明方法效果。

为解决轮胎动态特性的存在非线性、变化快的特点。本发明专利采用目前广泛应用的前馈神经网络自适应建模，网络参数的辨识采用改进型遗传算法。所说的改进型遗传算法是采用拉格朗日松驰技术改进遗传算法的方法(基于改进型遗传算法的多传感器-多目标定位信息融合，航空电子技术，2003年01期)

目前神经网络的建立多采用单隐层，即采用输入层、隐层及输出层结构。对于联合工况下轮胎动态特性F_x，F_y的神经网络结构，可以得到轮胎在联合工况下的神经网络结构(如图2)，轮胎在不同垂直载荷、不同滑移率及侧偏角下纵向力与侧向力之间的数学关系为：

$T=\left\{\begin{array}{c}{F}_x\\ F_y\end{array}\right\}=\mathrm{NN}\left\{\left[\begin{array}{c}s\\ \mathrm{\α}\\ F_z\end{array}\right]\right\}=\mathrm{NN}\left\{P\right\}$

在垂直载荷固定的情况下，网络的输入层有两个神经元，分别代表轮胎的滑移率s和侧偏角α；输出层也有两个神经元，分别代表轮胎的纵向力F_x和侧向力F_y。

神经网络是由于模拟了人脑中局部调整，相互覆盖接受域的神经网络结构，具有对任意非线性映射的任意逼近能力。但是存在训练速度慢，易陷入局域极值而得不到适当的权值分布等缺点，以至于在实际应用中需要多次进行训练才能得到较为理想的结果。而轮胎动态特性上存在车速，胎压，外倾角，温度，静载荷等的动态变化，故网络参数也存在动态变化，传统网络参数辨识方法明显不能适应。本发明专利引进遗传算法辨识能在很大程度上解决这个问题，从结果上来看明显存在优越性。

网络训练后的泛化结果如图3(a)、图3(c)所示。由于二维图形表达的局限性，本文采用固定一个输入变量(例如侧偏角)变化另一个(滑移率)的图形表示手法，展现侧偏角和滑移率对轮胎纵向力和侧向力的影响。图中实线代表网络建成后对输入的泛化结果，圆圈点代表实验所得数据。可以看出本文所采用的模型泛化结果精确逼近实验数据点，说明本算法拟合和预测方面精度高，速度快。在训练点稀少的一些地方网络采用了近似线性模型，体现了算法的智能性。

通过遗传算法与传统网络训练方法相比较得出如下结论：

1)随滑移率变化的图中，在拟合点密集、曲率变化较大的纵向力8-12kN区间，传统方法无法准确建模，曲线出现混乱，甚至出现了不存在的负值(如图3(b))。而改进算法智能的近似直线型，提高了拟合精度与可信性(如图3(a))。随侧偏角变化的图中，改进算法优化后的神经网络泛化效果较好，曲线平滑准确通过各个训练点(如图3(c))。而传统方法中，在侧偏角0.04时曲线出现了明显的钝角，在0.01时出现了不可信的曲线，甚至有两个点无法拟合通过。(如图3(d))。

2)改进算法要比传统方法建模逼近精度高和收敛速度快(如图3(e)、图3(f))。

<加速度传感器>

计算垂直载荷用到的输入信号时车身垂直振动加速度和车轮振动加速度，本发明专利中采用的是KD1005型压电式加速度传感器，分别安装在座椅下和轮胎车轴上。

根据压电效应原理，由于加速度会使晶体变形而产生电压，所以只要计算出电压与加速度之间的关系，就可以将加速度转化成电压输出。

KD1005压电式加速度传感器的电荷灵敏度是：Sq＝Q/a，其中Q为传感器输出的电荷量，a为输入的加速度值。加速度信号幅值很小，需要配合电荷放大器才能使用。电荷放大器对加速度信号进行放大的同时也对其电荷电压转换，电荷放大器的输出电压为：Vo＝-Q/C_f，，其中Q为传感器输出的电荷量，C_f，为反馈电容。

<陀螺仪传感器>

本发明专利利用陀螺仪来测量车身侧倾、俯仰和横摆等角度、角速度和角加速度。陀螺仪工作在速率状态，采用高精度的模拟再平衡回路拾取其敏感的速率信号，对陀螺仪而言，该回路中的电流与陀螺仪所敏感角速度成正比。

<侧偏角>

轮胎将以与原来的运动方向(如图4中v_r)成α偏角的方向(如图4中v)运动α角称为侧偏角.(如图4)

侧偏角的计算如下式，其中左右两侧车轮侧偏角视为相等。

${\mathrm{\&alpha;}}_1={\mathrm{\&alpha;}}_2=\mathrm{\&delta;}-\mathrm{\&beta;}-\frac{a}{v}\mathrm{\&omega;}+E_f\mathrm{\&phi;}$

${\mathrm{\&alpha;}}_3={\mathrm{\&alpha;}}_4=-\mathrm{\&beta;}-\frac{b}{v}\mathrm{\&omega;}+E_r\mathrm{\&phi;}$

其中，α₁为左前轮侧偏角，α₂为右前轮侧偏角，α₃为左后轮侧偏角，α₄为右后轮侧偏角，δ为前轮转角，β为质心侧偏角，a为前轮至质心距离，v为汽车速度，ω为车身横摆角速度，E_f、E_r为前后侧倾转向系数，φ为车身侧倾角，b为后轮到质心距离。

<车轮垂直动载荷测量>

根据建立的整车动力学模型，可以得出如下运动方程。

车身的垂直运动方程：

$m_s{\stackrel{\&CenterDot;\&CenterDot;}{z}}_s=F_{21}+F_{22}+F_{23}+F_{24}---\left(3.3\right)$

车身俯仰运动方程：

$I_{\mathrm{\&theta;}}\stackrel{\&CenterDot;}{\mathrm{\&theta;}}=l_r(F_{21}+F_{22})-l_f(F_{23}+F_{24})---\left(3.4\right)$

车身侧倾运动方程为：

非悬挂质量垂直运动方程为：

$m_{1i}{\stackrel{\&CenterDot;\&CenterDot;}{z}}_{\mathrm{li}}=k_{\mathrm{li}}(z_{0i}-z_{1i})-F_{2i},(i=\mathrm{1,2,3,4})---\left(3.6\right)$

考虑横向稳定杆对车身侧倾角的影响：

$F_{21}=k_{21}(z_{11}-z_{21})+c_{21}({\stackrel{\&CenterDot;}{z}}_{11}-{\stackrel{\&CenterDot;}{z}}_{21})-\frac{k_{\mathrm{af}}}{2d}(\mathrm{\&phi;}-\frac{z_{11}-z_{12}}{2d})---\left(3.7\right)$

$F_{22}=k_{22}(z_{12}-z_{22})+c_{22}({\stackrel{\&CenterDot;}{z}}_{12}-{\stackrel{\&CenterDot;}{z}}_{22})+\frac{k_{\mathrm{af}}}{2d}(\mathrm{\&phi;}-\frac{z_{11}-z_{12}}{2d})---(3.8)$

$F_{23}=k_{23}(z_{13}-z_{23})+c_{23}({\stackrel{\&CenterDot;}{z}}_{13}-{\stackrel{\&CenterDot;}{z}}_{23})-\frac{k_{\mathrm{ar}}}{2d}(\mathrm{\&phi;}-\frac{z_{13}-z_{14}}{2d})---(3.9)$

$F_{24}=k_{24}(z_{14}-z_{24})+c_{24}({\stackrel{\&CenterDot;}{z}}_{14}-{\stackrel{\&CenterDot;}{z}}_{24})+\frac{k_{\mathrm{ar}}}{2d}(\mathrm{\&phi;}-\frac{z_{13}-z_{14}}{2d})---\left(3.10\right)$

当俯仰角θ、侧倾角φ在小范围内，近似有：

z₂₁＝z_s-l_fθ-dφ                            (3.11)

z₂₂＝z_s-l_fθ+dφ                            (3.12)

z₂₃＝z_s+l_rθ+dφ                            (3.13)

z₂₄＝z_s+l_fθ-dφ                            (3.14)

式中，m_s为车身质量，z_s、

为车身垂直位移、车身垂直速度、车身垂直加速度，F_2i为悬架对车身的合力，I_θ、为车身俯仰转动惯量、车身侧倾转动惯量，θ、为车身俯仰角、车身俯仰角速度、车身俯仰角加速度，φ、

为车身侧倾角、侧倾角速度、侧倾角加速度，d为1/2轮距，m_1i为非悬挂质量，k_2i为悬架刚度，c_2i为悬架阻尼系数，k_1i为轮胎刚度，z_0i为路面位移，z_1i、

为非悬挂质量垂直位移、垂直速度、垂直加速度，z_2i、

为悬挂质量垂直位移、垂直速度、垂直加速度，k_af、k_ar分别为前、后悬架稳定杆角刚度。

<轮胎气压传感器>

本发明专利设计一个自测压气门嘴(如图5)。微型压力传感器1通过螺纹连接在气门芯2顶端，传感器信号通过芯杆传输给位于防尘帽4中的发射装置RF(Radio Frequency，射频)3，通过RF将信号发送到中央接收单元进行数据处理，RF通过绝缘垫5与防尘帽4绝缘。本发明专利在4只车轮上都安装有压力传感器能够监测所有轮胎的气压，可靠性与灵敏度高，能监测到轮胎出现的很小的压力损失。放置在轮胎通用气门嘴中，不破坏轮胎内部结构，适合各种轮胎。信号无线射频发送，微型电池供电。

本发明专利采用了标称尺寸外径3mm的微型压力传感器CYG503，它是专为空气动力学研究试验中，要求安装尺寸小，不扰动流场，动态响应优良动态压力分布测量而设计的。CYG503的压力敏感元件采用当代最先进的MEMS(Miro Electronic Machinical Systems)技术设计与制造。三维集成、双面加工的硅压阻压力敏感元件具有优秀的线性精度、离子注入、精细光刻技术制作的惠斯顿应变电桥的高度一致性使其具有很小的温度漂移、体微机械加工，精密各向异性腐蚀形成的硅薄膜力敏结构使其具有很高的压力灵敏度和小至1.5mm以下的径向尺度。先进的微型化的压力敏感芯片采用无应力封装技术，密封封装在特制的微型安装基座和不锈钢毛细管中。绝压型传感器参考压力腔是芯片背面密封的真空腔。

<轮胎温度传感器>

行驶中的轮胎在外载荷的作用下会产生大量的热量，引起温度的升高。轮胎温度的升高是影响轮胎寿命的主要原因。这种温升主要来源于两种热源：一是轮胎周期性变形而产生的橡胶材料滞后损失转变成热能；二是接地面的摩擦热。由热造成的轮胎温度的升高将导致橡胶化学和物理性能的下降而丧失强度，严重时会导致轮胎爆破给乘坐者造成不可挽回的损失。

轮胎的温度场对轮胎的能量损失和其它力学性能影响很大，因此轮胎温度监测是对轮胎动态性能必不可少的手段。

本发明专利采用非接触式红外温度传感器(如图6件1)，对轮胎侧面圆周方向多点周期性测量。安装在车架(如图6件2)底面靠近轮胎下部内侧面，用于对轮胎内侧胎体表面温度监测。

<轮速传感器>

由于磁电式传感器工作稳定可靠，几乎不受温度、灰尘等环境因素的影响，所以，目前在汽车中使用的轮速传感器广泛采用变磁阻式电磁传感器。变磁阻式轮速传感器由定子和转子组成。定子包括感应线圈和磁头(为永久磁铁构成的磁级)两部分。转子可以是齿圈或齿轮两种形式。齿轮形式的转子如图7(a)所示。轮速传感器的安装示意图如图7(b)所示，磁头3固定在磁极支架4上，支架固定在长轴上，齿轮2通过轮毂、制动毂5连为一体，长轴穿过车轮6与内部的轴承配合，。转子的转速与车轮的角速度成正比。车轮转动，传感器转子的齿顶1、齿间的间隙交替地与磁极接近、离开，使定子感应线圈中的磁场周期性的变化，在线圈中感应出交流正弦波信号。

<轮速信号的监测>

将轮速传感器输出的每个正弦波信号经通讯模块调理整形产生一个方波信号，方波信号送信息处理模块对方波信号进行周期测量，经计算得到轮速。

<滑移率>

滑移率汽车在加速行驶中，驱动轮滑转率计算公式为：

S＝ω_d·r-vω_d·r×100％(1)

式中，ω为驱动轮转速；r为车轮半径；v为车速；S为驱动轮滑转率驱动轮滑转率计算的关键是汽车参考车速。一般认为汽车加速时非驱动轮不滑转，可用非驱动轮轮速代替车速计算驱动轮滑转率，驱动轮和非驱动轮的轮速均可通过轮速传感器实时获得。在汽车直线行驶时，经滤波处理后，可取两后轮轮速的平均值作为汽车参考车速，进而利用公式(1)计算驱动轮滑转率。

但是在实际情况中，后轮也可能存在滑转。尤其在加速转向时，出现转向造成前轮轮速比后轮轮速高、车辆外侧车轮比内侧车轮轮速高。此时就不适用两后轮轮速的平均值作为参考车速，否则会使滑转率计算结果偏大，不能反映真实的驱动轮滑转程度，造成轮胎特性估计偏差。

<车辆车速传感器>

本发明专利采用在汽车底盘底部左右纵向两轮之间各安装一个小型带照明的高清晰度摄像头(共4个)(如图8)。测速原理：车辆行驶过程中各个摄像头同时采样地面图像，传输到图像处理中心对前后摄像头的图像进行比照，判断出相同点的前后时刻dt。在前后图像传感器间距ds已知情况下，由v＝ds/dt，可以准确计算出瞬时车身速度。计算出左右侧车身不同的瞬时速度，进而计算出两侧前后轮胎的不同滑移率。

<通讯模块>

通讯模块完成的功能主要是对各种传感器信号的采集，其次供其他系统调用学习知识库中的轮胎动态特性。它包括轮速信号采集电路、轮胎温度信号采集、轮胎气压信号采集电路、陀螺仪信号采集、车身加速度信号采集电路、车身车速信号采集。

<轮速信号采集电路>

轮速传感器系统的硬件以80C31单片微机为核心(外部扩展8kRAM和8kEPROM)。外围电路有信号处理电路、总线控制及总线接口等电路。其结构框图如图9所示。

<轮胎温度信号采集>

H-Y激光瞄准温度传感器由红外光学探头、及电子转换模块、信号传输电缆等组件组成。被测物体的红外辐射经光学探头透镜会聚投射到红外滤光片滤光的红外能量并转换成对应的电信号；此电信号被放大、线性化后，以其标准的信号输出代表温度高低。输出方式：线性输出电流：4-20mA。经过A/D模块转换成温度数值信号。

<轮胎气压信号采集电路>

轮胎气压信号传感器RF采用Chipcon公司的内嵌8051的无线收发芯片CCl010作为核心控制器，控制其内置的模数转换器对气压信号进行采样、A/D转换，然后在无线发射模块和通讯模块间借助于路由实现可靠的无线传输。该采集系统由450mAh的锂电池为其供电，可脱机使用。

<陀螺仪信号采集>

陀螺和加速度计被直接安装在车身中央，因此对陀螺仪要求很高，一方面要求其在恶劣的环境下正常工作；另一方面对其数据读出装置在实时性、动态范围以及转换精度上提出了更高的要求。因此，设计出高性能的陀螺仪信号采集系统，如图10对模拟平衡回路中的电流信号进行A/D转换，再经过DSP系统处理，由UART接口传出。

<车身加速度信号采集电路>

如图11所示加速度传感器的两路信号线路接入到控制器的信号输入端ACP1和ACN1，经过放大滤波进入到微控制器的模拟量输入端AIN3，LM224N是运算放大器集成块，从ACP1，ACN1，到AIN3直接的电路其实是一个测量放大器。运算放大器对微弱信号的放大，仅适用于信号回路不受干扰的情况，但加速度传感器的工作环境比较复杂恶劣，在其两条输出线上经常产生较大的共模干扰信号。运算放大器对共模信号的抑制并不十分有效，所以需要引入另一种测量放大器，它广泛应用于传感器的信号放大，特别是微弱信号及具有较大共模干扰的场合。图12是测量放大器的原理图。

三运放结构的测量放大器由两级串联组成，两个对称的同相放大器A₁，A₂构成第一级，输入信号ACP1和ACN1加在A₁，A₂的同相输入端。差动放大器A₃构成第二级，它不仅切断共模干扰的传输，还将双端输入方式变换成单端输出方式，适应对地负载的需要。测量放大器除了对低电平信号进行线性放大外，还担负着阻抗匹配和抗共模干扰的任务。为提高电路的抗共模干扰能力和抑制漂移的影响，应使电路上下对称，即取R₁＝R₂，R₃＝R₄，R₅＝R₆。

第一级放大器的放大倍数为：Af₁＝(1+2R₁)/R_G

整个放大器的闭环放大倍数为：Af＝U_o/U_i＝-(1+2R₁)×R₅/(R₃×R_G)

<车身车速信号采集>

CMOS数字摄像头芯片OV6630将CCD摄像机和相应的视频A/D转换及视频输出电路集成在一个芯片上，从而在实现高清晰数字图像的前提下显著地降低了成本和体积。356×292的CCD阵列扫描输出原始的R、G、B彩色图像信号，经模拟处理电路进行曝光、校正、白电平调整等处理后，根据要求输出标准数字视频图像信号。

<信息处理模块>

通讯模块完成的功能主要是对各种传感器信号的编译与存储。

<学习模块>

学习模块功能是基于车速，胎压，外倾角，温度，静载荷的变化，建立自适应神经网络，对参数辨识采用遗传算法(如图13)。系统首先对车速、胎压、外倾角、温度等传感器信息进行融合选择合适的网络节点数n，而后对数据库中的已有数据拟合，利用遗传算法快速参数识别，形成对应当时车况的轮胎特性神经网络模型程序。

<学习知识库模块>

调用学习模块构建的自适应神经网络模型进行数据预测，建立包含轮胎信息的多维向量库，对轮胎动态特性进行监测和预测。该模块输入为滑移率、侧偏角、垂直载荷、垂向振动加速度，对通讯模块输出汽车行驶方向x上的纵向力F_x，及绕x轴的滚动力矩M_x；左右方向y上的侧向力F_y，及绕y轴的翻转力矩M_y；垂直方向z上的垂向力F_z；及绕z轴的回正力矩M_z；垂向振动阻尼C_z和刚度K_z等。

<系统运行的方式>

本系统采用单线程顺序运行，外界轮胎工况通过传感器和通讯模块获取，再经过信息处理模块数据融合，传入学习模块动态建模，最终形成数据库，供其他系统调用(如EPS、ABS、ESP等)。(如图14)

例如EPS系统在需要用到轮胎特性计算转向助力时，发出请求指令。通讯模块接受指令后从学习知识库中调取数据传给EPS。

Claims (8)

1.一种用于确定作用在车辆轮胎上的非线性动态特性监测的系统，包括：

加速度传感器，安装在车轴、座椅上，用于监测车轮振动加速度和车身垂直振动加速度；

陀螺仪传感器，安装在车身中央，用于测量车身侧倾、俯仰和横摆角度、角速度和角加速度；

轮胎气压传感器，安装在轮胎气门芯上，用于监测轮胎气压的变化；

轮胎温度传感器，安装在车架底面靠近轮胎下部内侧面，用于对轮胎内侧胎体温度监测；

轮胎转速传感器，安装在轮毂上，用于测量车轮的转速，生成代表轮胎转速的数据；

车辆车速传感器，安装在底盘上，用于测量车身的速度，生成代表车速的数据；

通讯模块，用于对加速度传感器、陀螺仪传感器、轮胎气压传感器、轮胎温度传感器、轮胎转速传感器、车辆车速传感器信号的采集，并将采集到的所述传感器信号传送至信息处理模块；用于学习知识库模块与车辆其他系统间的通讯；

信息处理模块，用于对通讯模块采集到的所述传感器信号进行编译与存储；

学习模块，基于车速、胎压、外倾角、温度、静载荷的变化，建立对应动态车况的轮胎特性自适应神经网络模型、对轮胎特性自适应神经网络模型的参数采用遗传算法辩识；

学习知识库模块，用于调用学习模块构建的轮胎特性自适应神经网络模型进行数据预测，建立包含轮胎信息的多维向量库，对轮胎动态特性进行监测和预测。

2.如权利要求1所述的系统，其特征在于，其中所述轮胎气压传感器的结构是由通过螺纹连接在气门芯顶端的微型压力传感器，和位于防尘帽中的发射装置RF组成。

3.如权利要求1所述的系统，其特征在于，其中所述轮胎温度传感器采用的是非接触式红外线传感器；所述轮胎转速传感器采用的是磁感应式传感器。

4.如权利要求1所述的系统，其特征在于，所述车辆车速传感器由四个小型带照明的高清晰度摄像头组成。

5.如权利要求4所述的系统，其特征在于，所述车辆车速传感器安装位置位于车辆底盘底部左右纵向两轮之间。

6.如权利要求1所述的系统，其特征在于，其中所述通讯模块包括轮速信号采集电路、轮胎温度信号采集电路、轮胎气压信号采集电路、陀螺仪信号采集电路、车身加速度信号采集电路、车身车速信号采集电路。

7.一种用于确定作用在车辆轮胎上的非线性动态特性监测的方法，包括下述步骤：

从安装在轮胎及车身上的加速度传感器、陀螺仪传感器、轮胎气压传感器、轮胎温度传感器、轮胎转速传感器、车辆车速传感器获取对应轮胎和汽车工况的各种物理量电信号；经过通讯模块采集后；数据经过信息处理模块编译转换并存储；

信息处理模块将所述传感器数据分为参变量、自变量和因变量；首先将参变量传入学习模块；其次学习模块基于车速、胎压、外倾角、温度、静载荷的变化，建立对应动态车况的轮胎特性自适应神经网络模型、对轮胎特性自适应神经网络模型的参数采用遗传算法辩识；最后信息处理模块将自变量数据传入学习模块，学习模块依据先前建立的轮胎特性自适应神经网络模型计算因变量值；以及将因变量值存入学习知识库模块，同时通讯模块提取有用信息传输给车辆其他系统共享。

8.如权利要求7所述的方法，其特征在于，学习知识库模块输入为滑移率、侧偏角、垂直载荷、垂向振动加速度，对通讯模块输出车辆行驶方向x上的纵向力F_x，及绕x轴的滚动力矩M_x；左右方向y上的侧向力F_y，及绕y轴的翻转力矩M_y；垂直方向z上的垂向力F_z；及绕z轴的回正力矩M_z；垂向振动阻尼C_z和刚度K_z。 

Images