CN112046493A - 一种电动汽车的载重识别方法 - Google Patents

Abstract

本发明公开了一种电动汽车的载重识别方法，包括以下步骤：步骤一、对获取的车辆行驶数据进行分析和筛选，仅保留车辆加速过程中数据，数据包括车速、电机转速、扭矩；步骤二、在上述保留的数据中选取一个单位时间段内的数据，将相邻采样间隔对应的速度做差，得到加速度值a；步骤三、建立电动汽车驱动电机的驱动力方程，计算该单位时间段内多个速度下的驱动力F；步骤四、由车轮受力分析，建立电动汽车驱动力平衡方程，计算车辆所受各力，最后根据力学公式，计算得到该单位时间段内多个速度下对应的预估重量，对预估重量进行筛选，剔除异常值，计算平均值，将该平均值减去车辆自重后得到的值作为车辆载重的估算值，从而识别出该车辆载重。

Description

一种电动汽车的载重识别方法

技术领域

本发明涉及电动汽车领域，特别涉及一种电动汽车的载重识别方法。

背景技术

中国专利CN 107588843A的重点是通过建立车辆牵引力F和质量M、加速度a的力学关系模型，通过获取设定时间内的加速度序列和牵引力序列，来计算车辆载荷情况。以及对加速判断条件是车速大于第一预设且小于第二预设速度，加速度大于预定加速度值并且持续时间大于预定时间。其力学关系模型主要是牵引力，质量，加速度的简单的一次关系模型，没有考虑到车辆行驶中所受阻力和风阻影响和坡道对载重预估精度的影响，而且加速判断条件是在设定速度区间内，加速度值大于预设值才能判断该时刻为加速状态，这种加速状态判断的局限性，会在行驶过程中受到众多因素干扰。并且，其载重识别方法是需要实时获取车辆运行参数，来计算车辆载重，对于历史行驶数据中的加速区间段数据是否能计算出车辆载重情况没有说明。

发明内容

为此，本发明提供一种电动汽车载重识别方法，通过建立电动汽车驱动力方程，获取加速区间数据计算车辆载重情况，而且在获取加速状态的条件上，具有行之有效的判断逻辑，可有效避免现有技术中模型简单、加速区间选取条件局限等带来的预估精度较差和预估难度大的现象。

本发明提供的一种电动汽车的载重识别方法，其特征在于，包括以下步骤：

步骤一、对获取的车辆行驶数据进行分析和筛选，仅保留车辆加速过程中数据，数据包括车速、电机转速、扭矩；

步骤二、在上述保留的数据中选取一个单位时间段内的数据，将相邻采样间隔对应的速度做差，得到加速度值a；

步骤三、建立电动汽车驱动电机的驱动力方程，计算该单位时间段内多个速度下的驱动力F；

步骤四、由车轮受力分析，建立电动汽车驱动力平衡方程，计算车辆所受各力，最后根据力学公式，计算得到该单位时间段内多个速度下对应的预估重量，对预估重量进行筛选，剔除异常值，计算平均值，将该平均值减去车辆自重后得到的值作为车辆载重的估算值，从而识别出该车辆载重；

其中，步骤一中筛选加速过程中数据的方式为：

相邻采样时间间隔内速度求差，计算当前时刻车速和上一时刻车速差值ΔV，若ΔV>0，则是加速状态，保留当前时刻和上一时刻车辆行驶数据，并统计加速度为正个数，若ΔV<0，则是减速状态，保留该时刻与上一时刻车辆行驶数据，并统计加速度为负个数，若后续相邻时间间隔速度差都大于零，则数据一直累积，若相邻时间间隔速度差连续为负，需要将相邻时间间隔速度差连续为负的这段数据舍弃；

并且，在所述保留的数据中，任何单位时间段内，相邻时间间隔速度差为负的占比不超过预定值。

优选地，所述步骤一中，通过车辆CAN总线采集车辆行驶数据，并对该数据进行数字滤波处理，其中采集车辆行驶数据的采样间隔不超过1秒。

优选地，所述单位时间段的长度为20秒到30秒。

优选地，所述步骤三中，电动汽车驱动电机的驱动力方程为

P为电机功率，η为执行机构总效率，v为当前车速。

优选地，所述步骤三中，电机功率P可由公式

得到，n为电机转速，T为电机扭矩。

优选地，所述步骤四中，其特征在于，电动汽车驱动力平衡方程为

F为车辆行驶驱动力，即是电机的驱动力，m为整车质量，g为重力加速度，取值9.8，f为滚动阻力系数，θ为坡道夹角，a为行驶加速度，δ为传动系的旋转惯量系数，C_D为风阻系数，A为迎风面积，V为车速，将该公式反推，计算车重m的公式为：

通过预设上述参数及获取行驶数据，即可求得单位时间段内多个速度下对应的预估重量。

优选地，所述计算是基于正在实时采集的行驶数据或者基于历史行驶数据。

优选地，所述保留的数据中，任何单位时间段内，相邻时间间隔速度差为负的占比不超过20％。

本发明的有益效果：

本发明提供的一种电动汽车载重识别方法，可以在车辆行驶初始阶段，根据行驶数据快速估算当前载重情况，为驾驶员根据当前载荷下的剩余SOC预估推算剩余里程提供了一些参考，同时该方法能够对历史数据中某一时段的加速状态进行甄别，提取相应数据进行载重计算，为后台监控车辆是否出现空载/超载运行提供了一些数据支持。

附图说明

图1为本发明电动汽车载重识别方法的方法流程图。

具体实施方式

下面结合附图和实施例，对本发明作进一步详细描述，但不用来限制本发明的范围。

如图1所示，本实施例电动汽车的载重识别方法包括以下步骤：

步骤一、对获取的车辆行驶数据进行分析、筛选，仅保留加速过程中的数据，数据包括车速，电机转速，扭矩。其中车速，电机转速，扭矩信息从CAN总线获得，这三种数据都是各控制器经过采集，滤波，处理，再到CAN总线节点上，以广播方式发送，数据一般真实可靠。

选取数据原则，一般是在车辆起步到平稳加速这一段时刻，首先起步加速阶段，这段时间车辆一般在提速阶段不会出现急减速状态，其二，在起步加速过程中的这段数据，车速变化比较明显，车速变化差异较大的区间数据越能提高预估的精度。

数据选取原则在程序设计上的实现，就是判断点火信号状态，当判断钥匙在ACC档，当车速不为零的时刻开始初始化程序，并根据选取原则，对数据有效性进行判断，同时存储有效数据到达预定时间。

在选取的一段数据中，需筛选出具有明显加速特征状态的区间数据，车辆加速度值能直观的反应车辆的行进状态，加速度a可由时间间隔内的速度差获得。

作为一个示例，车速，电机转速，扭矩的发送周期都是100ms(毫秒)，满足数据采样周期至少保证不高于1s要求，每条连续数据间的时间间隔t＝0.1s，a＝(v_t-v_t-1)/t，V_T-1上一条数据对应车速，V_T本条数据对应车速。

在一些实施例中，如何判断车辆历史数据是否有效，对已经获取车辆起步加速的一段数据进行分析，连续时间间隔下的加速度值a都为正数，则可以判断该段时间车辆为加速状态，该段时间数据有效，可以用来计算车辆载重。如果该段数据中，时间间隔加速度a出现负值，但是加速度a为负的占比很小(如小于20％)，也同样认为该段数据有效。

在一些实施例中，如何判断车辆实时数据是否有效，需要判断当前车速和上一时刻车速差值，若差值大于零，则保留上条数据和本条数据，如果差值小于零，数据暂时保留，如果下一时刻的速度差值为正，则继续保留数据，如果连续出现速度差值为负情况，则可以判断该车目前在减速状态，则不能保留该时刻之前所有数据，并重新采集计算，判断数据是否有效，累计的数据量要达到规定的有效时间段。

步骤二、将筛选的有效数据按照时间顺序进行排列，相邻采样间隔速度做差,得到加速度值a；

具体来说，获取的有效数据段中每条数据包括采样时间，车速，电机转速，电机扭矩，每条数据内容在时间序列上都是一一对应的，在计算每个采样时间下车速对应的当前加速度值时，就需要下一个车速和当前车速求差，才能计算当前车速下的加速度值。

步骤三、建立电动汽车驱动电机的驱动力方程，计算加速区间段多个速度下的驱动力F。

驱动电机是提供给电动汽车唯一的动力源，计算出驱动电机的驱动力即得电动汽车的驱动力，电动汽车驱动电机的驱动力方程为

P为电机功率，η为执行机构总效率，v为当前车速，电机功率又可由公式

得到，n为电机转速，T为电机扭矩。合并方程

其中n，T，v已由步骤二已知，η执行机构总效率，一般取值90～95％之间。作为一个示例，η＝95％。

步骤四、由车轮受力分析，建立电动汽车驱动力平衡方程，计算车辆所受各力，最后根据力学公式，计算得到加速区间段多个速度下对应的预估重量，对预估重量进行筛选，剔除异常值，计算平均数，最后确定的值即为估算的当前车辆载重。

具体来说，根据车辆受力分析，电动汽车驱动力方程为

倒推公式，车辆质量计算公式为

在本示例中，F牵引力即为步骤三中计算得到的电机驱动力，因为在实际行驶过程中，电动车辆一般在城市良好路况行驶，滚动阻力系数f取值一般都比较固定，C_D为风阻系数，A为迎风面积，这些都是整车最基本参数，容易获得。θ车辆与坡度夹角，坡度值可通过安装在车辆上的陀螺仪获得。由于获取的数据段主要是在车辆起步阶段，大部分情况下，车辆都是在平坦路面θ一般都很小，所以坡道夹角对结果的影响可以近似忽略不计。

在这些参数确定后，就可以根据上述公式计算对应车速序列下对应的载荷，由于获取的是一段时刻的数据，则计算得到的载荷是一列数组，首先需要对这组数据进行数据清洗，清洗原则是剔除异常值，剔除依据：载重低于整备质量的剔除，严格来说计算超出最大总质量的范围的值也要剔除，像电动轻卡这种城市物流车辆，一般都是箱货式的，司机为考虑车辆续航能力，一般都是标载运输，计算超载幅度也不是很大，一般都不超过500kg，这些异常值剔除完以后，对剩余值取平均，得到的结果就是对当前车辆载重的预估，异常值的剔除也是保障预估的精度要求。

根据以上步骤对一辆车进行算法验证，该车基本参数为，整备质量4150kg,最大总质量7300，实测空车质量为4100kg，带负载后，整车质量为5500kg.C_D＝0.65，A＝5.2,滚动阻力系数f＝0.01,在平坦路面上进行测试，将运行一小时后的数据提取，进行重量预估计算，表一为提取有效数据片段及预估结果。

表一为从车行驶数据中提取的一段加速区间数据，一共有129条数据，数据连续，每条数据时间间隔为0.1s,其中第二列为车速，第三列为电机扭矩，第四列为电机转速，第五列为预估载重，其中每条数据中的加速度值为下一条数据和本条数据中速度差值，故在129条数据中，在计算过程中，就不对第一条数据和最后一条数据的加速度进行计算。对计算出的载荷值进行数据清洗，数据有效范围为4.1～7.5，对不再这个区间的结果进行删除，最后求得的平均值为5.478T，实际汽车质量为5.5吨，由结果可以看出该算法可近似估算出整车质量。

以上说明仅为本发明的实施例，对于实例中，结合一辆电动轻卡行驶数据和运算结果来验证预算算法的描述只是结合实例来描述具体数据特点，以及结果特征，而且对于上述的实例术语不必是相同实施例，该实施例的说明，并非因此限制本发明的限制，凡是利用本发明说明书及附图内容所在的等效结构或等效流程变换，或直接或间接将该发明权利要求内容运用系统或者车辆及其他相关的技术领域，均同理包括在本发明的专利保护范围内。

表一

Claims (8)

1.一种电动汽车的载重识别方法，其特征在于，包括以下步骤：

步骤一、对获取的车辆行驶数据进行分析和筛选，仅保留车辆加速过程中数据，数据包括车速、电机转速、扭矩；

步骤二、在上述保留的数据中选取一个单位时间段内的数据，将相邻采样间隔对应的速度做差，得到加速度值a；

步骤三、建立电动汽车驱动电机的驱动力方程，计算该单位时间段内多个速度下的驱动力F；

步骤四、由车轮受力分析，建立电动汽车驱动力平衡方程，计算车辆所受各力，最后根据力学公式，计算得到该单位时间段内多个速度下对应的预估重量，对预估重量进行筛选，剔除异常值，计算平均值，将该平均值减去车辆自重后得到的值作为车辆载重的估算值，从而识别出该车辆载重；

其中，步骤一中筛选加速过程中数据的方式为：

相邻采样时间间隔内速度求差，计算当前时刻车速和上一时刻车速差值ΔV，若ΔV>0，则是加速状态，保留当前时刻和上一时刻车辆行驶数据，并统计加速度为正个数，若ΔV<0，则是减速状态，保留该时刻与上一时刻车辆行驶数据，并统计加速度为负个数，若后续相邻时间间隔速度差都大于零，则数据一直累积，若相邻时间间隔速度差连续为负，需要将相邻时间间隔速度差连续为负的这段数据舍弃；

并且，在所述保留的数据中，任何单位时间段内，相邻时间间隔速度差为负的占比不超过预定值。

2.根据权利要求1所述的一种电动汽车的载重识别方法，其特征在于，所述步骤一中，通过车辆CAN总线采集车辆行驶数据，并对该数据进行数字滤波处理，其中采集车辆行驶数据的采样间隔不超过1秒。

3.根据权利要求2所述的一种电动汽车的载重识别方法，其特征在于，所述单位时间段的长度为20秒到30秒。

4.根据权利要求1所述的一种电动汽车的载重识别方法，其特征在于，所述步骤三中，电动汽车驱动电机的驱动力方程为

P为电机功率，η为执行机构总效率，v为当前车速。

5.根据权利要求4所述的一种电动汽车的载重识别方法，其特征在于，所述步骤三中，电机功率P可由公式

得到，n为电机转速，T为电机扭矩。

6.根据权利要求5所述的一种电动汽车的载重识别方法，其特征在于，所述步骤四中，其特征在于，电动汽车驱动力平衡方程为

F为车辆行驶驱动力，即是电机的驱动力，m为整车质量，g为重力加速度，取值9.8，f为滚动阻力系数，θ为坡道夹角，a为行驶加速度，δ为传动系的旋转惯量系数，C_D为风阻系数，A为迎风面积，V为车速，将该公式反推，计算车重m的公式为：

通过预设上述参数及获取行驶数据，即可求得单位时间段内多个速度下对应的预估重量。

7.根据权利要求1所述的一种电动汽车的载重识别方法，其特征在于，所述计算是基于正在实时采集的行驶数据或者基于历史行驶数据。

8.根据权利要求1所述的一种电动汽车的载重识别方法，其特征在于，所述保留的数据中，任何单位时间段内，相邻时间间隔速度差为负的占比不超过20％。

Images