CN104973069B - 重型车空气阻力合成系数和质量的在线同步辨识方法 - Google Patents

Abstract

本发明公开了一种空气阻力合成系数和汽车质量的在线同步辨识方法，利用差分的行驶方程式建立了驱动和空挡滑行工况下的在线辨识模型，结合递归两参数最小二乘算法实现了空气阻力合成系数和整车质量的联合在线辨识。选用差分的形式方程式能够消除滚动阻力计算误差对辨识精度的影响。两参数同时在线辨识具有自适应可变空气阻力的特点，得到的质量辨识结果不受空气阻力系数和车辆迎风面积误差的影响。能够在载货形式和重量不同，以及风速变化等各种复杂工况环境下得到稳定可靠的空气阻力合成系数和汽车质量。

Description

重型车空气阻力合成系数和质量的在线同步辨识方法

技术领域

本发明涉及汽车自动控制技术中的空气阻力和整车质量在线辨识方法，特别是一种重型车空气阻力合成系数和质量的联合在线辨识方法。

背景技术

空气阻力和整车质量是车辆运行经济性、动力性控制的重要参数，对换挡规律，发动机控制都有重要的影响。随着自动控制技术的发展，部分高端车辆部分整车控制参数已经能够做到在线辨识。然而在重型车领域内，目前尚无能实现多个重要参数同时在线辨识的技术。现有重型车控制系统中使用的空气阻力系数都是要通过离线实验测定的方法获取(滑行试验或风洞试验)，并不能适应该参数在不同装载类型下可变的特性。质量辨识问题已经能够实现在线辨识，解决方案多是基于整车纵向动力学。较为典型的技术路线是将整车纵向动力学公式做适当的变形或简化，再结合递归最小二乘算法对质量进行在线求解。

建立面向整车控制的空气阻力和质量估计算法的关键就是要摆脱掉试验场严苛的环境限制，选取的辨识参数之间能够相互自适应，能够在载货形式和质量不同，以及风速变化等各种复杂工况环境下得到稳定可靠的辨识结果。故而建立在线辨识算法对空气阻力系数和整车质量进行在线同步辨识是非常有意义的。

发明内容

本发明的目的在于，为克服现有汽车尤其是重型车控制系统中对空气阻力和整车质量的在线辨识方法存在的缺陷，提出一种重型车空气阻力合成系数和质量的在线同步辨识方法，以提高辨识精度，提高整车动力性和经济性控制系统的性能。

本发明重型车空气阻力合成系数和质量的在线同步辨识方法，是基于CAN总线信息和车载纵向加速度信息所建立的空气阻力合成系数和整车质量辨识模型，包括以下步骤：

步骤S1：同步采集整车行驶时CAN总线提供的整车速度v、发动机驱动力矩T_tq、发动机转速n、离合器踏板信号、制动踏板信号、整车传动效率η、轮胎滚动半径r、车辆行驶加速度a_v、飞轮转动惯量I_f、车轮转动惯量I_w、空气阻力系数C_D、整车迎风面积A、空气密度ρ、整车质量m和纵向加速度传感器提供的加速度a_sen等行车数据和整车参数；

步骤S2：根据整车纵向受力平衡方程，计算轮边驱动力，即，F_res＝F_t-F_jw-F_jf

式中：F_res为轮边直接用于驱动整车前进的轮边驱动力；F_t为汽车驱动力F_jw为车轮加速阻力F_jf为飞轮加速阻力i₀i_g为变速器传动比与主减速器传动比的乘积

以上各式中：T_tq—发动机驱动力矩；n—发动机转速；v—整车速度；η—整车传动效率；r—轮胎滚动半径；a_v—车辆行驶加速度；I_f—飞轮转动惯量；I_w—车轮转动惯量；

步骤S3：计算轮边驱动力的差分量ΔF_res，加速度传感器的差分量Δa_sen和车速平方值的差分量Δv²，建立差分的空气阻力合成系数和整车质量的最小二乘辨识模型为：

ΔF_res＝mΔa_sen+kΔv²

式中：k为空气阻力合成系数C_D—空气阻力系数，A—整车迎风面积，ρ—空气密度，m—整车质量；

步骤S4：根据差分的空气阻力合成系数和整车质量最小二乘辨识模型，构造最小二乘算法的观测量，输出量和待辨识参数；

构造的最小二乘算法观测量：输出量：Z＝ΔF_res，待辨识参数：θ＝[m k]^T，

步骤S5：判别数据有效性，输出用来表示该时刻数据是否有效的有效性判别指针S，

步骤S6.1：在有效数据时刻，即S＝1时，按下式计算最小二乘算法所需的遗忘因子λ，

式中，T是遗忘因子收敛时长，优选值为50s，

接下来执行步骤S7.1；

步骤S6.2：在无效数据时刻，即S＝0时，按下式计算最小二乘算法所需的遗忘因子λ，

λ(t)＝λ(t-1)，接下来执行步骤S7.2；

步骤S7.1：在有效数据时刻，即S＝1时，按下述最小二乘的递推算法进行整车空气阻力合成系数和质量的在线辨识：

其中P(t)为协方差矩阵，初始的协方差矩阵推荐值

步骤S7.2：在无效数据时刻，即S＝0时，按下述数据保持算法计算空气阻力合成系数和质量：

P(t)＝P(t-1)

步骤S8：判断辨识过程是否终止，当质量辨识结果误差的递归平均值满足设定的阈值条件时，判别算法终止，辨识过程结束，将空气阻力合成系数和整车质量的辨识结果输送至CAN总线；当质量辨识结果误差的递归平均值不满足设定的阈值条件时，从步骤S1开始重新执行算法。

所述步骤S3可按以下两种方式之一实现差分运算：

1)首先对数据进行平滑处理，然后将每一时刻的数据和之前某一时刻的数据取差分值，优选的平滑步长和差分步长分别是3s和1.5s；

2)运用微分模块对数据取微分值，再对微分值进行低通滤波，优选的低通滤波截止频率为0.66Hz。

本发明建立了一种基于重型车CAN总线信息和纵向加速度传感器信息的空气阻力合成系数和整车质量辨识模型。分别将整车质量m和表征空气阻力的合成系数k作为待辨识的参数，运用差分的纵向动力学公式，建立了两参数递归最小二乘算法。建立的模型具有适应复杂工况的优点，试验结果表明，该算法能够得到空气阻力合成系数和整车质量。

本发明空气阻力合成系数和质量的在线同步辨识方法，能够在载货形式和重量不同，以及空气阻力变化等各种复杂工况环境下得到稳定可靠的空气阻力合成系数和汽车质量，空气阻力合成系数和整车质量同步辨识能够起到互相自适应的效果。有助于提高整车动力性和经济性控制系统的性能。

附图说明

图1为本发明重型车空气阻力合成系数和质量辨识方法流程示意图；

图2为重型车满载工况质量和空气阻力合成系数辨识结果时间序列图；

图3为重型车不带挂车时的质量和空气阻力合成系数辨识结果时间序列图。

具体实施方式

通过以下实施例的进一步具体描述，以便对本发明内容的作进一步理解，但并不是对本发明的具体限定。

实施例1

参照图1，一种重型车空气阻力合成系数和质量的在线同步辨识方法，是基于CAN总线信息和车载纵向加速度信息所建立的空气阻力合成系数和整车质量辨识模型，包括以下步骤：

步骤S1：同步采集整车行驶时CAN总线提供的车速、发动机驱动力矩、发动机转速和纵向加速度传感器提供的加速度a_sen等行车数据和整车参数；

步骤S2：根据整车纵向受力平衡方程，计算轮边驱动力，即，F_res＝F_t-F_jw-F_jf

式中：F_res为轮边直接用于驱动整车前进的轮边驱动力；F_t为汽车驱动力F_jw为车轮加速阻力F_jf为飞轮加速阻力i₀i_g为变速器传动比与主减速器传动比的乘积

以上各式中：T_tq—发动机驱动力矩；n—发动机转速；v—整车速度；η—整车传动效率；r—轮胎滚动半径；a_v—车辆行驶加速度；I_f—飞轮转动惯量；I_w—车轮转动惯量，这些信息均由CAN总线提供；

为了得到轮边驱动力F_res，整车纵向受力平衡方程被运用于驱动力表达式的推导。整车纵向受力平衡方程为：

F_t＝F_f+F_w+F_i+F_j (1)

其中，汽车驱动力：滚动阻力：F_f＝mgf；空气阻力：坡道阻力：F_i＝mgi；加速阻力：F_j＝δma_v。各符号表达的物理量如下：T_tq—发动机驱动力矩；i₀i_g—变速器传动比与主减速器传动比的乘积；η—整车传动效率；r—轮胎滚动半径；m—整车质量；f—轮胎滚动阻力系数；C_D—空气阻力系数；A—迎风面积；ρ—空气密度；i—道路坡度；a_v—车辆行驶加速度；g—重力加速度；v—整车车速；δ—旋转质量换算系数；

接下来改写加速阻力，将加速阻力改写为平动加速阻力，飞轮转动加速阻力和车轮转动加速阻力加和的形式。加速阻力计算式：F_j＝δma_v，其中旋转质量换算系数的具体的表达式为：其中的I_w和I_f分别是车轮转动惯量和飞轮转动惯量，将加速阻力改写为：

F_j＝F_ja+F_jw+F_jf (2)

其中，F_ja为整车平动加速阻力(F_ja＝ma_v)；F_jw为车轮转动加速阻力F_jf为飞轮转动加速阻力

将(2)式的表达带入(1)整理为：

F_t＝F_f+F_w+F_i+F_ja+F_jw+F_jf (3)

将与质量和空气阻力有关的行驶阻力保留至方程右侧，将与质量无关的加速阻力(飞轮和车轮的加速阻力)移至方程左侧，则有：

F_t-F_jw-F_jf＝F_f+F_w+F_i+F_ja (4)

记F_res＝F_t-F_jw-F_jf，在驱动工况下，F_res为轮边直接用于驱动整车前进的轮边驱动力，在换挡时刻或是空挡滑行阶段，发动机无动力输出(F_t＝0)，发动机飞轮加速阻力也不会被输送至轮边(F_jf＝0)，而车轮的惯性运动所产生的加速阻力依然作用于整车，故而F_res在离合器结合状态利用F_res＝-F_jw计算。

步骤S3：计算轮边驱动力的差分量ΔF_res，加速度传感器的差分量Δa_sen和车速平方值的差分量Δv²，建立差分的空气阻力合成系数和整车质量最小二乘辨识模型，ΔF_res＝mΔa_sen+kΔv²，其中，k为空气阻力合成系数其余符号表达：C_D—空气阻力系数，A—整车迎风面积，ρ—空气密度，m—整车质量，

以下两种方式均可以实现差分运算：

1)首先对数据进行平滑处理，然后将每一时刻的数据和之前某一时刻的数据取差分值，优选的平滑步长和差分步长分别是3s和1.5s。

2)运用微分模块对数据取微分值，再对微分值进行低通滤波，优选的低通滤波截止频率为0.66Hz。

为了得到差分的空气阻力合成系数和整车质量最小二乘辨识模型，需要将加速度传感器测量值定义式带入整车纵向受力平衡方程。

加速度传感器的测量值定义为：

a_sen＝gi+a_v (5)

其中，a_sen是加速度传感器采集到的加速度值(单位m/s²)。根据(5)定义的加速度传感器信息可得到含加速度传感器信息的最小二乘格式的质量辨识模型：

F_res＝m(gf+a_sen)+kv² (6)

其中，k是包含迎风面积A、空气阻力系数C_D等参数的合成量，从定义式角度

对公式(6)做差分处理可以消除掉滚动阻力系数的影响，建立差分的空气阻力合成系数和整车质量最小二乘辨识模型：

ΔF_res＝mΔa_sen+kΔv² (7)

步骤S4：根据差分的空气阻力合成系数和整车质量最小二乘辨识模型，构造最小二乘算法的观测量，输出量和待辨识参数。

构造的最小二乘算法观测量：输出量：Z＝ΔF_res。待辨识参数：θ＝[m k]^T。

步骤S5：判别数据有效性，输出用来表示该时刻数据是否有效的有效性判别指针S，

当数据是驱动工况数据或空档滑行工况数据时，判定该时刻数据有效。以解放某款重型车为例，优选的驱动工况数据有效性判别条件如下(括号内为优选值)：

判别条件1：车速大于最小值(5m/s)

判别条件2：驱动力大于最小值(500N)

判别条件3：制动踏板未踩下

判别条件4：观测量大于最小值([0.015])

判别条件5：输出量大于最小值(1)

空档滑行工况的判别条件为离合器踏板分离。

当判定该时刻数据有效(即S＝1)，执行步骤S6.1。否则(即S＝0)，执行步骤S6.2。

步骤S6.1：在有效数据时刻(即S＝1)，计算最小二乘算法所需的遗忘因子λ，其中T是遗忘因子收敛时长，优选值为50s。接下来执行步骤S7.1。

步骤S6.2：在无效数据时刻(即S＝0)，计算最小二乘算法所需的遗忘因子λ，λ(t)＝λ(t-1)。接下来执行步骤S7.2。

步骤S7.1：在有效数据时刻(即S＝1)，用最小二乘的递推算法(8)进行整车空气阻力合成系数和质量的在线辨识：

其中P(t)为协方差矩阵，初始的协方差矩阵推荐值

步骤S7.2：在无效数据时刻(即S＝0)，用数据保持算法计算空气阻力合成系数和质量。

(9)

P(t)＝P(t-1)

步骤S8：判断辨识过程是否终止，当质量辨识结果误差的递归平均值满足设定的阈值条件时，判别算法终止，辨识过程结束，将空气阻力合成系数和整车质量的辨识结果输送至CAN总线。当质量辨识结果误差的递归平均值不满足设定的阈值条件时，从步骤S1开始重新执行算法。

步骤S8的执行具体分为以下三步：

步骤S8.1：计算质量的递归平均值。

其中，m_t为质量的实时估计值，即中的第一项，和分别是当前时刻和上一时刻的质量平均值；Δt为系统运行的时间步长(CAN总线数据频率的倒数)；S为有效性判别指针；Ts为选取的计算均值的时间长度，优选值为30s。

步骤S8.2：计算质量辨识结果误差的递归平均值，定义误差质量辨识结果误差的递归平均值计算方法为：

步骤S8.3：判别算法是否终止，终止条件为质量辨识结果误差的递归平均值是否小于设定的质量偏差阈值e，当满足判别算法终止，辨识过程结束，将辨识结果输送至CAN总线。不满足从步骤S1开始下一个计算循环的执行。优选的质量偏差值阈值是e＝3(单位：吨)。

图2和图3分别是解放某款重型车在高速公路工况下，带挂车和不带挂车的空气阻力合成系数和质量的辨识结果的时间序列图，从辨识结果可以看出是否带挂车对空气阻力合成系数的值的大小有明显影响。

Claims (4)

1.一种重型车空气阻力合成系数和质量的在线同步辨识方法，是基于CAN总线信息和车载纵向加速度信息所建立的空气阻力合成系数和整车质量辨识模型，其特征在于包括以下步骤：

步骤S1：同步采集整车行驶时CAN总线提供的整车速度v、发动机驱动力矩T_tq、发动机转速n、整车传动效率η、离合器踏板信号、制动踏板信号、轮胎滚动半径r、车辆行驶加速度a_v、飞轮转动惯量I_f、车轮转动惯量I_w、空气阻力系数C_D、整车迎风面积A、空气密度ρ、整车质量m和纵向加速度传感器提供的加速度a_sen等行车数据和整车参数；

步骤S2：根据整车纵向受力平衡方程，计算轮边驱动力，即，F_res＝F_t-F_jw-F_jf

式中：F_res为轮边直接用于驱动整车前进的轮边驱动力；F_t为汽车驱动力F_jw为车轮加速阻力F_jf为飞轮加速阻力i₀i_g为变速器传动比与主减速器传动比的乘积

以上各式中：T_tq—发动机驱动力矩；n—发动机转速；v—整车速度；η—整车传动效率；r—轮胎滚动半径；a_v—车辆行驶加速度；I_f—飞轮转动惯量；I_w—车轮转动惯量；

步骤S3：计算轮边驱动力的差分量ΔF_res，加速度传感器的差分量Δa_sen和车速平方值的差分量Δv²，建立差分的空气阻力合成系数和整车质量的最小二乘辨识模型为：

ΔF_res＝mΔa_sen+kΔv²

式中：k为空气阻力合成系数C_D—空气阻力系数，A—整车迎风面积，ρ—空气密度，m—整车质量；

步骤S4：根据差分的空气阻力合成系数和整车质量最小二乘辨识模型，构造最小二乘算法的观测量，输出量和待辨识参数；

构造的最小二乘算法观测量：输出量：Z＝ΔF_res，待辨识参数：θ＝[mk]^T，

步骤S5：判别数据有效性，输出用来表示该时刻数据是否有效的有效性判别指针S，

步骤S6.1：在有效数据时刻，即S＝1时，按下式计算最小二乘算法所需的遗忘因子λ，

式中，T是遗忘因子收敛时长，

接下来执行步骤S7.1；

步骤S6.2：在无效数据时刻，即S＝0时，按下式计算最小二乘算法所需的遗忘因子λ，

λ(t)＝λ(t-1)，接下来执行步骤S7.2；

步骤S7.1：在有效数据时刻，即S＝1时，按下述最小二乘的递推算法进行整车空气阻力合成系数和质量的在线辨识：

其中P(t)为协方差矩阵；

步骤S7.2：在无效数据时刻，即S＝0时，按下述数据保持算法计算空气阻力合成系数和质量：

$\widehat{\mathrm{\θ}}\left(t\right)=\widehat{\mathrm{\θ}}(t-1)$

P(t)＝P(t-1)

步骤S8：判断辨识过程是否终止，当质量辨识结果误差的递归平均值满足设定的阈值条件时，判别算法终止，辨识过程结束，将空气阻力合成系数和整车质量的辨识结果输送至CAN总线；当质量辨识结果误差的递归平均值不满足设定的阈值条件时，从步骤S1开始重新执行算法。

2.根据权利要求1所述的重型车空气阻力合成系数和质量的在线同步辨识方法，其特征在于：所述步骤S3可按以下两种方式之一实现差分运算：

1)首先对数据进行平滑处理，然后将每一时刻的数据和之前某一时刻的数据取差分值，平滑步长和差分步长分别为3s和1.5s；

2)运用微分模块对数据取微分值，再对微分值进行低通滤波，低通滤波截止频率为0.66Hz。

3.根据权利要求1所述的重型车空气阻力合成系数和质量的在线同步辨识方法，其特征在于：步骤S6.1中所述的遗忘因子收敛时长T为50s。

4.根据权利要求1所述的重型车空气阻力合成系数和质量的在线同步辨识方法，其特征在于：步骤S7.1中所述的协方差矩阵初始值为