CN111348098A - 一种无转矩传感器的汽车电动助力转向系统的控制方法 - Google Patents

Abstract

本发明公开了一种无转矩传感器的汽车电动助力转向系统的控制方法，所述转向系统包括电子控制单元、永磁同步电机和车速传感器，电子控制单元根据建立的转向系统的状态空间方程，执行基于Sage‑Husa自适应卡尔曼滤波算法，以电机转角为测量输入，估计出转向盘转角和角速度、电机转角和角速度、转向小齿轮转角和角速度，以及电机交轴电流，由T_c＝K_c(θ_c‑θ_r)求出转向盘转矩，并结合车速信息控制电机产生助力矩。本发明能够很好的克服估计器对观测噪声和过程噪声初始值的依赖，实现转向盘转矩的准确估计。

Description

一种无转矩传感器的汽车电动助力转向系统的控制方法

技术领域

本发明涉及汽车电动助力转向技术领域，更具体的说是涉及一种无转矩传感器的汽车电动助力转向系统的控制方法。

背景技术

转向系统是汽车底盘系统中的重要组成部分，对汽车性能有着密切的影响关系。随着车辆电子技术的发展，作为电子技术与转向系统相结合的产物，电动助力转向系统(Electric Power Steering,EPS)在提供助力、减轻驾驶员操纵负担的同时，以其环保、占用空间小、装配简单、控制策略调整灵活等优势，获得广泛应用。EPS主要由转矩传感器、车速传感器、电机、减速机构和电子控制单元组成。EPS系统工作时，根据转矩传感器和车速传感器信息，并结合助力曲线确定电机的目标控制电流，电子控制单元根据电机目标电流和实际电流的偏差控制电机产生助力。

目前，现有EPS系统均配有转矩传感器，不仅增加了系统成本，其安装匹配也增加了系统的复杂性，转矩传感器中的扭杆还降低了转向系统的刚度，影响了驾驶员路感和控制的稳定性。因此，取消现有EPS系统中的转矩传感器，尤其是去掉扭杆等部件，可以使转向柱由输入轴-扭杆-输出轴简化为单一转向轴结构，大大降低系统的复杂性和成本，提高系统的可靠性。

专利号为CN2009101045297的中国专利公开了一种无扭矩传感器的汽车电动助力转向系统，该方法取消了汽车电动助力转向系统中的扭矩传感器，采用改进的卡尔曼观测器算法估计转向盘转矩，实现助力转向。但是，转向盘转矩的估计精度十分依赖观测噪声和过程噪声的初始值，并且该专利在估计过程中认为观测噪声和状态噪声是不变的。而实际系统中观测噪声和状态噪声可能由于执行机构或传感器等的影响而实时变化，导致系统的协方差矩阵呈指数形式上升而导致滤波的发散，使转矩估计结果与实际值偏差较大。此外，由于EPS 助力电机使用的是有刷电机，电机的转角不能准确获得，也会影响转向盘转矩的估计精度。

因此，如何更好的克服上述缺陷，便成为了本领域技术人员亟须解决的问题。

发明内容

有鉴于此，为解决上述技术问题，本发明在无扭矩传感器永磁同步电机EPS 系统的基础上，基于Sage-Husa自适应卡尔曼滤波算法估计转向盘转矩，提高转向盘转矩估计精度，增加EPS系统可靠性估计精度，设计了一种无转矩传感器的汽车电动助力转向系统的控制方法。

为了实现上述目的，本发明采用如下技术方案：

一种无转矩传感器的汽车电动助力转向系统的控制方法，所述转向系统包括电子控制单元、电机和车速传感器，其特征在于，电机为永磁同步电机，该电机中安装有光电编码盘和电流传感器，分别用于获取电机转角和三相定子电流；车速传感器用于采集车速；电子控制单元根据实时采集的车速、电机转角和三相定子电流信息，采用PID控制方法输出控制电压给电机，使电机产生助力矩；

其中，控制方法具体包括如下步骤：

电子控制单元根据建立的转向系统的状态空间方程，执行基于Sage-Husa 自适应卡尔曼滤波算法，以电机转角为测量输入，估计出转向盘转角和角速度、电机转角和角速度、转向小齿轮转角和角速度，以及电机交轴电流，由 T_c＝K_c(θ_c-θ_r)求出转向盘转矩，并结合车速信息控制电机产生助力矩。

通过采用上述技术方案，本发明能够很好的克服估计器对观测噪声和过程噪声初始值的依赖，实现转向盘转矩的准确估计。

优选的，上述一种无转矩传感器的汽车电动助力转向系统的控制方法，具体包括如下子步骤：

步骤1、采用拉格朗日方程建立转向系统的动力学运动方程，结合永磁同步电机动态电压平衡方程，建立无转矩传感器的汽车电动助力转向系统的动力学状态空间方程；基于Sage-Husa自适应卡尔曼滤波算法，实现对转向盘转矩的估计；

步骤2、根据步骤1中估计得到的转向盘转矩，结合车速信息，通过助力曲线确定电机的目标控制电流，采集电机的实际电流，通过PID控制消除电机实际电流与目标电流的偏差，实现无转矩传感器的汽车电动助力转向系统的助力控制。

优选的，上述步骤1的具体方法为：

步骤1.1、所述转向系统的动力学运动方程包括转向盘、电机和转向器中转向小齿轮的运动动力学方程，分别为：

转向盘：

电机：

转向小齿轮：

其中，式中，

J_c为转向盘转动惯量；θ_c为转向盘转角；B_c为转向盘阻尼；T_d为转向盘转矩；K_c为转向柱扭转刚度系数；J_m为电机轴转动惯量；θ_m为电机轴转角；B_m为电机阻尼；K_m为电机轴扭转刚度系数；T_e为电磁转矩；θ_r为转向小齿轮转角；

N为减速机构减速比；J_r为转向系统等效在转向小齿轮上的转动惯量；B_r为转向系统等效在转向小齿轮上的阻尼系数；T_r为转向系统等效在转向小齿轮上的转向阻力矩；

所述永磁同步电机动态电压平衡方程及转矩方程分别为：

其中，式中，

u_q为q轴电压；L_q为q轴电感；i_q为旋转坐标系q轴电流；R_s为电机电阻； P_n为永磁同步电机极对数；ψ_f为永磁同步电机固定磁链；

所述无转矩传感器的汽车电动助力转向系统的动力学状态空间方程，由式(1)、(2)、(3)、(4)、(5)联立得到；转向系统的动力学状态空间方程描述为：

其中，式中，

v(t)为过程噪声；n(t)为测量噪声；系统的状态变量为

输入变量u＝[T_d T_r u_q]^T；电机轴转角θ_m由电机内的光电编码盘测出，并作为系统的测量值；系统的状态转移矩阵A，输入矩阵 B，输出矩阵C，分别为：

C＝[0 0 1 0 0 0 0]。

步骤1.2、所述基于Sage-Husa自适应卡尔曼滤波算法，实现对转向盘转矩的估计为基于Sage-Husa自适应滤波算法一边采集数据，一边计算，实现对系统状态变量的实时估计，其递推式计算由电子控制单元在线完成；

采用零阶保持器对状态空间方程进行离散化，对于线性离散系统，其状态方程和测量方程为：

X_k＝A^*X_k-1+B^*u+W_k-1 (7)

Z_k＝HX_k+V_k

其中，式中，

X_k为k时刻的状态变量；A^*为k-1时刻到k时刻的状态转移矩阵；B^*为输入矩阵；u为系统的固定输入；W_k-1为系统的过程噪声；Z_k为k时刻的观测值；H 为测量矩阵；V_k为测量噪声；

基于Sage-Husa自适应卡尔曼滤波算法状态估计分为两个阶段，分别为预测阶段和校正阶段；在预测阶段，下一时刻状态估计

的预测值由上一时刻的估计结果

和系统的输入u以及上一时刻过程噪声期望

推算得到：

下一时刻误差协方差矩阵P_(k+1,k)由上一时刻误差协方差矩阵P_(k,k)和上一时刻过程噪声协方差矩阵的估计值

得到：

基于Sage-Husa自适应卡尔曼滤波算法中，当前时刻滤波器无法预测的、由测量引入的信息称为新信息，记做

由当前时刻测量值z以及当前时刻状态估计值

和上一时刻测量噪声期望估计值

决定：

在测量更新阶段，系统的卡尔曼增益K_(k+1)为：

其中，式中，

为测量噪声协方差矩阵的估计值；

对当前时刻状态值

进行更新：

对当前时刻误差协方差矩阵P_(k+1,k+1)进行更新：

P_(k+1,k+1)＝(I-K_(k+1)H)P_(k+1,k) (13)

其中，式中，I为单位矩阵；

为限制基于Sage-Husa自适应卡尔曼滤波算法的记忆长度，引入遗忘因子b，取值范围为0.95≤b≤0.99；对当前时刻过程噪声期望值

进行更新：

其中，式中，

对当前时刻过程噪声协方差矩阵

进行更新：

对当前时刻测量噪声期望

进行更新：

对当前时刻测量噪声协方差矩阵

进行更新：

基于上述Sage-Husa自适应卡尔曼滤波算法的迭代更新法则，给定转向系统状态空间方程的状态变量和转向盘转矩初值，估计出转向盘转角θ_c和转向小齿轮转角θ_r，转向盘转矩由公式T_c＝K_c(θ_c-θ_r)算出；其中，转向小齿轮转角θ_r作为下次系统输入，其误差作为系统状态噪声，实现转向盘转矩的实时估计。

通过采用上述技术方案，本发明的有益效果是：

本发明基于Sage-Husa自适应卡尔曼滤波算法设计的一种无转矩传感器的汽车电动助力转向系统的控制方法，提高了噪声统计特性不明时转向盘转矩的估计精度，并对未知的观测噪声和过程噪声进行估计和修正。算法迭代开始时，不需花费大量时间精确确定观测噪声和过程噪声的初始值。此外，将Sage-Husa 自适应卡尔曼滤波算法应用于EPS系统的转矩估计，能够克服根据经验对观测噪声和过程噪声进行估计导致的系统协方差矩阵呈指数形式上升而引起的滤波发散问题，实现对电动助力转向系统转向盘转矩的准确估计。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明一种无转矩传感器的汽车电动助力转向系统的结构示意图；

图2附图为本发明一种无转矩传感器的汽车电动助力转向控制方法的闭环控制系统示意图；

图3附图为本发明应用的基于Sage-Husa自适应卡尔曼滤波算法递推流程图；

其中，图中，

1为电子控制单元，2为永磁同步电机，3为车速传感器，4为转向盘，5为转向柱，6为减速机构，7为转向器，8为转向轮。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例首先公开了一种无转矩传感器的汽车电动助力转向系统，该系统主要由电子控制单元1、永磁同步电机2、车速传感器3、转向盘4、转向柱5、减速机构6、转向器7和转向轮8组成；其中，永磁同步电机2中安装有光电编码盘和电流传感器，分别用于获取电机转角(图1中的a) 和三相定子电流(图1中的b)；车速传感器3用于采集车速(图1中的c)；电子控制单元1根据实时采集的车速(图1中的c)、电机转角(图1中的a) 和三相定子电流(图1中的b)信息，采用PID控制方法输出控制电压(图1中的d)给电机，使永磁同步电机2产生助力矩。

本发明实施例还公开了一种基于上述无转矩传感器的汽车电动助力转向系统的控制方法，具体包括如下步骤：

步骤1、采用拉格朗日方程建立转向系统的动力学运动方程，结合永磁同步电机动态电压平衡方程，建立无转矩传感器的汽车电动助力转向系统的动力学状态空间方程；基于Sage-Husa自适应卡尔曼滤波算法，实现对转向盘转矩的估计；

步骤1.1、如图1所示，转向系统的动力学运动方程包括转向盘3、永磁同步电机2和转向器7中转向小齿轮的运动动力学方程，分别为：

转向盘：

电机：

转向小齿轮：

其中，式中，

J_c为转向盘转动惯量；θ_c为转向盘转角；B_c为转向盘阻尼；T_d为转向盘转矩；K_c为转向柱扭转刚度系数；J_m为电机轴转动惯量；θ_m为电机轴转角；B_m为电机阻尼；K_m为电机轴扭转刚度系数；T_e为电磁转矩；θ_r为转向小齿轮转角；

N为减速机构减速比；J_r为转向系统等效在转向小齿轮上的转动惯量；B_r为转向系统等效在转向小齿轮上的阻尼系数；T_r为转向系统等效在转向小齿轮上的转向阻力矩；

永磁同步电机2磁链的大小与电机转子位置有关，在三相静止坐标系下为非线性系统，直接在三相静止坐标系下对电机进行求解控制非常困难，本发明采用电机直流电流i_d≡0的矢量控制方法；永磁同步电机的动态电压平衡方程及转矩方程分别为：

其中，式中，

u_q为q轴电压；L_q为q轴电感；i_q为旋转坐标系q轴电流；R_s为电机电阻； P_n为永磁同步电机极对数；ψ_f为永磁同步电机固定磁链；

无转矩传感器的汽车电动助力转向系统的动力学状态空间方程，由式(1)、 (2)、(3)、(4)、(5)联立得到，具体为：

其中，式中，

v(t)为过程噪声；n(t)为测量噪声；系统的状态变量为

输入变量u＝[T_d T_r u_q]^T；电机轴转角θ_m由电机内的光电编码盘测出，并作为系统的测量值；系统的状态转移矩阵A，输入矩阵 B，输出矩阵C，分别为：

C＝[0 0 1 0 0 0 0]。

步骤1.2、基于Sage-Husa自适应滤波算法能一边采集数据，一边计算，实现对系统状态变量的实时估计，其递推式计算可由电子控制单元1在线完成；

本发明采用零阶保持器对状态空间方程进行离散化，对上述系数A、B、C 采用如下变换：

A^*＝e^AT (18)

H＝C

其中，式中，T为采样时间，T＝t_k-t_k-1。

对于线性离散系统，则其状态方程和测量方程为：

X_k＝A^*X_k-1+B^*u+W_k-1 (7)

Z_k＝HX_k+V_k

其中，式中，

X_k为k时刻的状态变量；A^*为k-1时刻到k时刻的状态转移矩阵；B^*为输入矩阵；u为系统的固定输入；W_k-1为系统的过程噪声；Z_k为k时刻的观测值；H 为测量矩阵；V_k为测量噪声；

基于Sage-Husa自适应卡尔曼滤波算法状态估计分为两个阶段，分别为时间更新(预测)阶段和测量更新(校正)阶段。如图3所示，在预测阶段，下一时刻状态估计

的预测值由上一时刻的估计结果

和系统的输入u以及上一时刻过程噪声期望

推算得到：

下一时刻误差协方差矩阵P_(k+1,k)由上一时刻误差协方差矩阵P_(k,k)和上一时刻过程噪声协方差矩阵的估计值

得到：

基于Sage-Husa自适应卡尔曼滤波算法中，当前时刻滤波器无法预测的、由测量引入的信息称为新信息，记做

由当前时刻测量值z以及当前时刻状态估计值

和上一时刻测量噪声期望估计值

决定：

在测量更新阶段，系统的卡尔曼增益K_(k+1)为：

其中，式中，

为测量噪声协方差矩阵的估计值；

对当前时刻状态值

进行更新：

对当前时刻误差协方差矩阵P_(k+1,k+1)进行更新：

P_(k+1,k+1)＝(I-K_(k+1)H)P_(k+1,k) (13)

其中，式中，I为单位矩阵；

为限制基于Sage-Husa自适应卡尔曼滤波算法的记忆长度，引入遗忘因子b，取值范围为0.95≤b≤0.99；对当前时刻过程噪声期望值

进行更新：

其中，式中，

对当前时刻过程噪声协方差矩阵

进行更新：

对当前时刻测量噪声期望

进行更新：

对当前时刻测量噪声协方差矩阵

进行更新：

基于上述Sage-Husa自适应卡尔曼滤波算法的迭代更新法则，给定转向系统状态空间方程的状态变量和转向盘转矩初值，可以估计出转向盘转角θ_c和转向小齿轮转角θ_r，转向盘转矩由公式T_c＝K_c(θ_c-θ_r)算出；其中，转向小齿轮转角θ_r作为下次系统输入，其误差作为系统状态噪声，实现转向盘转矩的实时估计。

步骤2、根据步骤1中估计得到的转向盘转矩，结合车速信息，通过助力曲线确定电机的目标控制电流，采集电机的实际电流，通过PID控制消除电机实际电流与目标电流的偏差，实现无转矩传感器的汽车电动助力转向系统的助力控制。

步骤2.1、如图2所示，根据上述步骤1中估计得到的转向盘转矩，结合车速V，通过助力曲线确定电机交轴的目标控制电流i_qr，PID控制器1用来消除电机交轴实际电流i_q与目标电流i_qr的偏差，输出电压u_q；电机直轴的目标电流i_dr设为0，PID控制器2用来消除电机直轴实际电流i_d与目标电流i_dr的偏差，输出电压u_d；电压u_d和u_q通过Park逆变换分别确定电机α轴电压u_α和β轴电压u_β，再经过电压空间矢量变换转化为6路PWM信号，输入给驱动电路，控制永磁同步电机2产生助力矩；

步骤2.2、步骤2.1中电机交轴实际电流i_q和电机直轴实际电流i_d由永磁同步电机2的三相定子电流i_a，i_b，i_c经Clark变换和Park变换得到。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，在不脱离本发明技术方案的宗旨和范围内所作的改进，其均应涵盖在本发明的权利要求范围之中。

Claims (3)

1.一种无转矩传感器的汽车电动助力转向系统的控制方法，所述转向系统包括电子控制单元、电机和车速传感器，其特征在于，电机为永磁同步电机，该电机中安装有光电编码盘和电流传感器，分别用于获取电机转角和三相定子电流；车速传感器用于采集车速；电子控制单元根据实时采集的车速、电机转角和三相定子电流信息，采用PID控制方法输出控制电压给电机，使电机产生助力矩；

其中，控制方法具体包括如下步骤：

电子控制单元根据建立的转向系统的状态空间方程，执行基于Sage-Husa自适应卡尔曼滤波算法，以电机转角为测量输入，估计出转向盘转角和角速度、电机转角和角速度、转向小齿轮转角和角速度，以及电机交轴电流，由T_c＝K_c(θ_c-θ_r)求出转向盘转矩，并结合车速信息控制电机产生助力矩。

2.根据权利要求1所述的一种无转矩传感器的汽车电动助力转向系统的控制方法，其特征在于：具体包括如下子步骤：

步骤1、采用拉格朗日方程建立转向系统的动力学运动方程，结合永磁同步电机动态电压平衡方程，建立无转矩传感器的汽车电动助力转向系统的动力学状态空间方程；基于Sage-Husa自适应卡尔曼滤波算法，实现对转向盘转矩的估计；

步骤2、根据步骤1中估计得到的转向盘转矩，结合车速信息，通过助力曲线确定电机的目标控制电流，采集电机的实际电流，通过PID控制消除电机实际电流与目标电流的偏差，实现无转矩传感器的汽车电动助力转向系统的助力控制。

3.根据权利要求2所述的一种无转矩传感器的汽车电动助力转向系统的控制方法，其特征在于：

步骤1、采用拉格朗日方程建立转向系统的动力学运动方程，结合永磁同步电机动态电压平衡方程，建立无转矩传感器的汽车电动助力转向系统的动力学状态空间方程；基于Sage-Husa自适应卡尔曼滤波算法，实现对转向盘转矩的估计，具体为：

步骤1.1、所述转向系统的动力学运动方程包括转向盘、电机和转向器中转向小齿轮的运动动力学方程，分别为：

转向盘：

电机：

转向小齿轮：

其中，式中，

J_c为转向盘转动惯量；θ_c为转向盘转角；B_c为转向盘阻尼；T_d为转向盘转矩；K_c为转向柱扭转刚度系数；J_m为电机轴转动惯量；θ_m为电机轴转角；B_m为电机阻尼；K_m为电机轴扭转刚度系数；T_e为电磁转矩；θ_r为转向小齿轮转角；N为减速机构减速比；J_r为转向系统等效在转向小齿轮上的转动惯量；B_r为转向系统等效在转向小齿轮上的阻尼系数；T_r为转向系统等效在转向小齿轮上的转向阻力矩；

所述永磁同步电机动态电压平衡方程及转矩方程分别为：

其中，式中，

u_q为q轴电压；L_q为q轴电感；i_q为旋转坐标系q轴电流；R_s为电机电阻；P_n为永磁同步电机极对数；ψ_f为永磁同步电机固定磁链；

所述无转矩传感器的汽车电动助力转向系统的动力学状态空间方程，由式(1)、(2)、(3)、(4)、(5)联立得到；转向系统的动力学状态空间方程描述为：

其中，式中，

v(t)为过程噪声；n(t)为测量噪声；系统的状态变量为

输入变量u＝[T_d T_r u_q]^T；电机轴转角θ_m由电机内的光电编码盘测出，并作为系统的测量值；系统的状态转移矩阵A，输入矩阵B，输出矩阵C，分别为：

C＝[0 0 1 0 0 0 0]。

步骤1.2、所述基于Sage-Husa自适应卡尔曼滤波算法，实现对转向盘转矩的估计为基于Sage-Husa自适应滤波算法一边采集数据，一边计算，实现对系统状态变量的实时估计，其递推式计算由电子控制单元在线完成；

采用零阶保持器对状态空间方程进行离散化，对于线性离散系统，其状态方程和测量方程为：

X_k＝A^*X_k-1+B^*u+W_k-1 (7)

Z_k＝HX_k+V_k

其中，式中，

X_k为k时刻的状态变量；A^*为k-1时刻到k时刻的状态转移矩阵；B^*为输入矩阵；u为系统的固定输入；W_k-1为系统的过程噪声；Z_k为k时刻的观测值；H为测量矩阵；V_k为测量噪声；

基于Sage-Husa自适应卡尔曼滤波算法状态估计分为两个阶段，分别为预测阶段和校正阶段；在预测阶段，下一时刻状态估计

的预测值由上一时刻的估计结果

和系统的输入u以及上一时刻过程噪声期望

推算得到：

下一时刻误差协方差矩阵P_(k+1,k)由上一时刻误差协方差矩阵P_(k,k)和上一时刻过程噪声协方差矩阵的估计值

得到：

基于Sage-Husa自适应卡尔曼滤波算法中，当前时刻滤波器无法预测的、由测量引入的信息称为新信息，记做

由当前时刻测量值z以及当前时刻状态估计值

和上一时刻测量噪声期望估计值

决定：

在测量更新阶段，系统的卡尔曼增益K_(k+1)为：

其中，式中，

为测量噪声协方差矩阵的估计值；

对当前时刻状态值

进行更新：

对当前时刻误差协方差矩阵P_(k+1,k+1)进行更新：

P_(k+1,k+1)＝(I-K_(k+1)H)P_(k+1,k) (13)

其中，式中，I为单位矩阵；

为限制基于Sage-Husa自适应卡尔曼滤波算法的记忆长度，引入遗忘因子b，取值范围为0.95≤b≤0.99；对当前时刻过程噪声期望值

进行更新：

其中，式中，

对当前时刻过程噪声协方差矩阵

进行更新：

对当前时刻测量噪声期望

进行更新：

对当前时刻测量噪声协方差矩阵

进行更新：

基于上述Sage-Husa自适应卡尔曼滤波算法的迭代更新法则，给定转向系统状态空间方程的状态变量和转向盘转矩初值，估计出转向盘转角θ_c和转向小齿轮转角θ_r，转向盘转矩由公式T_c＝K_c(θ_c-θ_r)算出；其中，转向小齿轮转角θ_r作为下次系统输入，其误差作为系统状态噪声，实现转向盘转矩的实时估计。

Images