CN111465048A - 一种基于传感器网络的汽车悬架系统状态估计方法 - Google Patents

Abstract

本发明公开了一种基于传感器网络的汽车悬架系统状态估计方法，用于在能耗约束及拓扑切换等条件下对悬架系统状态进行准确的监测。网络中各节点根据自身能耗及外界条件的变化动态规划各节点的工作模式，从而动态切换网络拓扑以降低网络能耗。估计网络中的各节点通过采集目标对象状态信息并与邻居节点进行信息交互，实时跟踪目标的状态信息。与现有技术相比，本发明既能满足多终端同时获取数据的需求，又能保证估计器网络链路通信质量降低情况下系统正常运行，可定量分析网络拓扑结构的动态变化对估计网络整体性能造成的影响，在保证网络整体生存时间的前提下，提升了估计网络的鲁棒性和估计的准确性，且能耗低、效率高、稳定性强。

Description

一种基于传感器网络的汽车悬架系统状态估计方法

技术领域

本发明涉及汽车悬架系统技术领域，具体涉及一种基于传感器网络的汽车悬架系统状态估计方法。

背景技术

随着社会经济的发展，汽车使用量的增加，车辆平顺性研究得到了广泛的关注，它成了汽车性能的重要指标之一。在汽车平顺性研究过程中，精确的实时动态信息采集是准确分析的前提。目前常用的车辆悬架系统状态分析测量方法大都是离线分析检测，但随着高精度、复杂的实验环境和测量噪声等因素对实验的影响，现有的数据采集测量方法已经不能满足人们的要求。

目前，大部分研究都是围绕着产品性能评估问题，即在离线状态下，通过建立整车仿真模型，对悬架性能进行分析。基于仿真实验的平顺性分析，汽车动态数据很容易被采集到。但平顺性分析不能仅受限于某种特定车辆的仿真实验和性能评估，对于种类多样的真车进行平顺性估计时，多变的行驶环境及复杂的车身性能在仿真实验中无法完全模拟，这就需要对在行驶于实际道路环境中的汽车进行平顺性研究。卡尔曼估计是应用经典的估计器方法，但是它只适用于部分噪声的估计，如白噪声等，对噪声类型变化的适应性不强。动态过程中的悬架系统可能存在很多其他类型的噪声，因此不适合使用卡尔曼估计方式。由于汽车处于行驶过程中，汽车的位置一直在变化，车载传感器采集到的数据需要通过无线传感器网络进行融合处理，信息传输过程中整体网络的能耗和鲁棒性是估计器设计中需要考虑的重要指标。

无线传感器网络是由大量部署的静止或移动的无线传感器节点构成，以自组织的方式采集、处理并传输网络覆盖范围内监测信息的大规模分布式网络。如申请号CN201610058593.6的发明涉及一种分布式滤波网络系统及设计方法。随着车联网技术的飞速发展，大量无线节点布置在交通现场对车辆实时数据进行采集，并对车辆无法测量的关键状态进行估计。在车联网系统中，无线网络的节能效率及鲁棒性是关键指标。

受网络自身结构及工作环境的制约，传感器节点通常部署于较大范围且普遍采用自备一次性电源供电，更换供电设备较为困难，故能耗将直接影响节点使用寿命及网络的整体生存时间。

发明内容

针对现有技术能耗控制较差的问题，本发明提供了一种基于传感器网络的汽车悬架系统状态估计方法，通过动态改变传感器的工作模式减少传感器节点的能量消耗，同时结合具有动态拓扑的分布式估计网络帮助实现对对象目标状态信息的监测。

以下是本发明的技术方案。

一种基于传感器网络的汽车悬架系统状态估计方法，包括以下步骤：S1：预先根据需求确定无线传感器网络中的传感器节点数量，在各传感器节点建立目标数据库并完成节点的部署，各节点获取自身的位置信息并建立其邻居节点列表，构建目标对象网络；S2：在无线传感器网络覆盖范围内，各节点根据目标数据库实时监测目标对象状态信息，以预定的采样频率对目标对象进行数据采集，并根据实时邻居节点链接情况同邻居节点进行信息交互；S3：各节点根据切换信号调整切换工作模式，并根据网络拓扑情况决定是否广播信息，工作模式包括常规模式以及节能模式；S4：为各节点建立分布式估计器，并设置估计器配置参数；S5：根据估计器参数，构建具有动态拓扑的分布式估计网络，通过数据融合实现对对象目标状态信息的监测。

在无线传感器网络的工作过程中，受传感器能耗制约，外界环境的干扰以及移动式传感器节点的引入都可能导致各传感器节点链路连接状态的变化。其中常规模式下，节点按照既定设置采集并发送数据；节能模式下，节点不发送数据，只接收数据。节点根据切换信号调整工作模式，即调整节点间的物理连接关系，从而构建具有动态拓扑的目标网络，达到降低网络能耗的目的。另外，外界噪声干扰在传感器网络对目标进行监测的过程中不可避免，为提高对目标的状态信息估计的精度，因此在各节点建立分布式估计器。

作为优选，步骤S1的过程包括：对于包含n个传感器节点的估计网络，无线传感器网络拓扑可以定义n阶有向图π(k)＝(v,χ,Aσ(^k))表示，v＝{1,2,…,n}表示传感器网络节点的集合，定义边割集为

加权邻接矩阵

其中

为非负邻接元素，有向图π的边通过(p,q)表示。若邻接元素

则表示第p节点可接收第q节点发送的信息，反之，若

则表示第p节点无法接收第q节点发送的信息。定义对于任意p∈v，

则第p节点的所有邻居节点及其自身可通过集合N_p＝{q∈v:(p,q)∈χ}表示。

作为优选，步骤S4中估计器配置参数的设置方式包括：基于估计目标及动态估计网络建立估计网络的估计误差系统模型；分析切换工作模式对估计误差系统性能的影响，确定使得估计误差系统均方指数稳定且具有给定的性能指标γ的条件，其中γ为估计系统的噪声抑制率，越小则对应的估计网络鲁棒性越强，估计精度越高；若无线传感器网络满足步骤性能指标γ的条件，则通过线性矩阵不等式技术求解各节点的最优估计器参数。只需要利用汽车悬架系统的可观测输出变量，对汽车模型无其他要求，并采用无线传感器测量值进行估计，实现对汽车悬架系统的状态信息进行监测。考虑了估计器设计在无线传感器网络应用中对节能高效及鲁棒性的要求，既保证了高精度，又降低了网络能耗。经理论分析及仿真验证，证明了本发明所提出的技术方案的有效性。

作为优选，各节点在数据信息传输之前对数据信息进行降维和信号量化处理。

作为优选，所述的降维和信号量化处理的过程包括：建立模型：

其中

表示降维后的数据信息，

则是量化后数据信息，

表示选择矩阵，

表示切换信号，Q^p(·)则是量化算法，定义量化水平如下：

量化输出如下：

其中

量化密度0＜ρ_p＜1。

本发明改变传感器的检测周期、降低测量状态数据维度、降低数据通信率及信号量化等措施来减少传感器节点的能量消耗同时，网络中的无线链路易受外界干扰，因此，需考虑跟踪的鲁棒性，即估计网络在拓扑结构动态变化或测量信息丢失等情况下，依然能保持工作并保证估计值的精度。

附图说明

图1是1/4汽车悬架系统示意图。

图2是本发明的监测方法流程图。

图3是系统网络的工作模式示意图。

图4是系统网络的两种动态拓扑示意图。

图5是目标对象状态信息z(k)及各估计器估计值

的状态轨迹。

图6是各节点估计误差的状态轨迹。

具体实施方式

下面将结合实施例，对本申请的技术方案进行描述。另外，为了更好的说明本发明，在下文中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未做详细描述，以便于凸显本发明的主旨。

实施例：

一种基于传感器网络的汽车悬架系统状态估计方法，包括以下步骤：S1：预先根据需求确定无线传感器网络中的传感器节点数量，在各传感器节点建立目标数据库并完成节点的部署，各节点获取自身的位置信息并建立其邻居节点列表，构建目标对象网络；S2：在无线传感器网络覆盖范围内，各节点根据目标数据库实时监测目标对象状态信息，以预定的采样频率对目标对象进行数据采集，并根据实时邻居节点链接情况同邻居节点进行信息交互；S3：各节点根据切换信号调整切换工作模式，并根据网络拓扑情况决定是否广播信息，工作模式包括常规模式以及节能模式；S4：为各节点建立分布式估计器，并设置估计器配置参数；S5：根据估计器参数，构建具有动态拓扑的分布式估计网络，通过数据融合实现对对象目标状态信息的监测。

如图2所示是监测方法流程图，具体地，对于包含n个传感器节点的估计网络，其传感器网络拓扑可以定义n阶有向图π(k)＝(v,χ,A^σ(k))表示，v＝{1,2,…,n}表示传感器网络节点的集合，定义边割集为

加权邻接矩阵

其中

为非负邻接元素，有向图π的边通过(p,q)表示。若邻接元素

则表示第p节点可接收第q节点发送的信息，反之，若

则表示第p节点无法接收第q节点发送的信息。定义对于任意p∈v，

则第p节点的所有邻居节点及其自身可通过集合N_p＝{q∈v:(p,q)∈χ} 表示。

在建立的无线传感器网络中，各传感器节点根据目标对象进行实时监测，并根据邻居节点列表同邻居节点进行信息交互，根据图1建立1/4车悬架系统机理模型并转化成状态空间模型：

其中，

x_s(t)，x(t)表示系统的状态变量，z(t)为待估计的目标信息，w(t)∈l₂[0,∞)则表示作用于目标的外部噪声，A,B 和L是已知的参数矩阵。此外，x_u(t)和x_r(t)分别表示底盘位移，滚轮装置位移和路面位移， c_s和k_s分别代表悬架系统的阻尼系数和刚度，m_s和m_u分别表示汽车底盘和汽车滚轮装置的质量，k_u代表轮胎的压缩系数，α表示状态受到扰动的权重系数。

典型的传感器网络部署有n个传感器节点用来监测对象状态。

各传感器节点对目标的测量过程可由如下模型表示：

y_p(t_k)＝C_px(t_k),p＝1,2,…,n (2)

其中，y_p(t_k)表示第p个传感器节点所采集测得的对象信息，C_p是已知参数矩阵。

进行如下离散化处理：

其中，h_k表示采样周期，

令

T₀为基准采样周期，则

定义切换信号s(k)∈Ω₁＝{1,2,…,t}，

和B_l(tk)表示在

为采样周期的离散化矩阵。

由于传感器网络能耗大部分发生在通信过程中，本发明在数据信息传输之前进行降维和信号量化处理，以此降低功耗，模型如下：

其中

表示降维后的数据信息，

则是量化后数据信息，

表示选择矩阵，

表示切换信号，Q^p(·)则是量化算法，定义量化水平如下：

量化输出则如下：

其中

量化密度0＜ρ_p＜1。

为使得本发明的设计方案更加符合实际应用，引入一组相互独立的随机变量α_p(k),(p＝1,2,…,n)，用于描述由于外部干扰引起的测量信息丢失现象，其中

传感器网络对目标的估计监测过程易受外界噪声的干扰，为提高对目标对象状态信息的估计精度，在各节点建立如下结构的分布式估计器：

其中，

是第p个估计器的状态，

是第p个估计器对z(k)的估计值，参数

表示各传感器节点之间的物理连接关系，为分析网络拓扑的动态切换对系统性能的影响，定义切换信号σ(k)∈Ω₃＝{1,2,…,N}，m∈Ω₃，矩阵

代表对应的网络拓扑，即传感器网络共存在N种预设拓扑，

是待设计的估计器参数矩阵。

基于估计目标及动态估计网络扩展构建具有动态拓扑的分布式估计误差系统：定义估计误差

则基于式(2)-(5)及式(8)可建立如下估计误差系统：

其中，

其中，

Δ(t_k)＝diag{Δ₁(t_k),Δ₂(t_k),…,Δ_n(t_k)}，

以下给出使得系统(9)均方指数稳定且具有给定的噪声抑制率γ的条件：

对于给定的标量τ＞0，μ＞1，0＜λ_i＜1，δ_p＞0和0＜λ＜1，如果存在正定矩阵P_i＞0及标量ε＞0，满足式(10)-(11)：

P_i≤μP_j,i,j∈Ω,i≠j (13)

则跟踪误差系统(9)均方指数稳定且具有给定的噪声抑制率

其中，

Λ＝diag{δ₁,δ₂,…,δ_n},

若所部署的网络满足上述条件，则各节点的参数矩阵可由式(14)求得，所需参数可通过求解线性矩阵不等式(13)得到。

对于给定的标量τ＞0，μ＞1，0＜λ_i＜1，δ＞0和0＜λ＜1，若存在正定矩阵

标量ε＞0及适当维数的矩阵

且满足式(15)-(13)，则各节点的参数矩阵可通过式(14)求得。

其中

且

根据实际应用的需求选取相应参数μ、λ以优化估计网络性能，进而根据上述方法求取各估计器的参数矩阵。而估计网络系统的最优性能可通过求解以下优化问题求取：

其中，最优性能

对应的最优跟踪器参数矩阵可通过步骤5的方法求取。

以下，通过仿真算例，验证本发明所述方法的有效性。其中，图1中各参数：m_s＝973kg， k_s＝42720N/m，c_s＝3000Ns/m，k_u＝101115N/m，m_u＝114kg。

其中，G₀＝512×10^-6m³，q₀＝0.1m^-1，v₀＝12.5m/s，T₀＝0.06s，离散化后：

设目标对象是包含两个子系统的切换系统，则

i＝1,2。考虑由三个传感器节点构成的无线传感器网络，各节点的工作模式如图3所示，网络的拓扑如图4所示，易得邻接矩阵

各传感器节点模型如式(2)所示，其中，

C₂＝C₃＝[0 0 0 1]，降维矩阵

D₁＝0.11，D₂＝0.02，D₃＝0.03，量化密度ρ₁＝0.75，ρ₂＝0.8，ρ₁＝0.6。考虑数据采集过程中的丢失现象，设各传感器节点的测量信息丢包率分别为30％，20％，40％，即α₁＝0.7，α₂＝0.8，α₁＝0.6。网络节点的周期切换序列如图3所示。

以下，应用本发明提出的方法确定网络的各项参数，选取μ＝1.05，λ＝0.95，λ₁＝0.92，λ₂＝0.94，则λ_a＝0.92，λ₂＝0.94，令T_a＝1.4925，可得

通过求解优化问题 (18)可得最优性能γ^*＝0.2638，求得对应的跟踪器参数矩阵

在仿真中，令w(k)＝2rand-1，其中rand函数产生[0,1]的随机变量，在零初始条件下，即x(0)＝[0 0 0 0]^T，

测量信息丢失现象按照预定概率随机发生。得到各估计器对目标对象的状态估计值

的轨迹如图5所示。求得各估计器估计误差的状态轨迹如图6所示。

本实施例既能满足多终端同时获取数据的需求，又能保证估计器网络链路通信质量降低情况下系统正常运行，可定量分析网络拓扑结构的动态变化对估计网络整体性能造成的影响，在保证网络整体生存时间的前提下，提升了估计网络的鲁棒性和估计的准确性，且能耗低、效率高、稳定性强

通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中可以根据需要而将上述功能分配由不同的功能模块完成，即将具体装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

另外，在本申请实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种基于传感器网络的汽车悬架系统状态估计方法，其特征在于，包括以下步骤：

S1：预先根据需求确定无线传感器网络中的传感器节点数量，在各传感器节点建立目标数据库并完成节点的部署，各节点获取自身的位置信息并建立其邻居节点列表，构建目标对象网络；

S2：在无线传感器网络覆盖范围内，各节点根据目标数据库实时监测目标对象状态信息，以预定的采样频率对目标对象进行数据采集，并根据实时邻居节点链接情况同邻居节点进行信息交互；

S3：各节点根据切换信号调整切换工作模式，并根据网络拓扑情况决定是否广播信息，工作模式包括常规模式以及节能模式；

S4：为各节点建立分布式估计器，并设置估计器配置参数；

S5：根据估计器参数，构建具有动态拓扑的分布式估计网络，通过数据融合实现对对象目标状态信息的监测。

2.根据权利要求1所述的一种基于传感器网络的汽车悬架系统状态估计方法，其特征在于，步骤S1的过程包括：对于包含n个传感器节点的估计网络，无线传感器网络拓扑可以定义n阶有向图π(k)＝(v,χ,A^σ(k))表示，v＝{1,2,…,n}表示传感器网络节点的集合，定义边割集为

加权邻接矩阵

其中

为非负邻接元素，有向图π的边通过(p,q)表示；若邻接元素

则表示第p节点可接收第q节点发送的信息，反之，若

则表示第p节点无法接收第q节点发送的信息；定义对于任意p∈v，

则第p节点的所有邻居节点及其自身可通过集合N_p＝{q∈v:(p,q)∈χ}表示。

3.根据权利要求1所述的一种基于传感器网络的汽车悬架系统状态估计方法，其特征在于，步骤S4中估计器配置参数的设置方式包括：基于估计目标及动态估计网络建立估计网络的估计误差系统模型；分析切换工作模式对估计误差系统性能的影响，确定使得估计误差系统均方指数稳定且具有给定的性能指标γ的条件，其中γ为估计系统的噪声抑制率，越小则对应的估计网络鲁棒性越强，估计精度越高；若无线传感器网络满足步骤性能指标γ的条件，则通过线性矩阵不等式技术求解各节点的最优估计器参数。

4.根据权利要求1或2或3所述的一种基于传感器网络的汽车悬架系统状态估计方法，其特征在于，各节点在数据信息传输之前对数据信息进行降维和信号量化处理。

5.根据权利要求4所述的一种基于传感器网络的汽车悬架系统状态估计方法，其特征在于，所述的降维和信号量化处理的过程包括：建立模型：

其中

表示降维后的数据信息，

则是量化后数据信息，

表示选择矩阵，

表示切换信号，Q^p(·)则是量化算法，定义量化水平如下：

量化输出如下：

其中

量化密度0＜ρ_p＜1。

Images