CN112373484A - 一种基于前馈神经网络的汽车整车质量动力学获取方法 - Google Patents

Abstract

本发明涉及一种基于前馈神经网络的汽车整车质量动力学获取方法，包括以下步骤：1)获取车辆行驶过程中的动力学信息；2)将动力学信息输入训练完成的前馈神经网络，得到当前采样时刻整车质量的神经网络估计值M_NN(k)；3)利用整车质量动力学估计器，获取当前采样时刻整车质量的动力学估计值M_Dynamic(k)；4)将当前采样时刻整车质量的神经网络估计值M_NN(k)和动力学估计值M_Dynamic(k)，以及上一采样时刻整车质量的最终估计值M_Fusion(k‑1)，进行加权融合，得到当前采样时刻整车质量的最终估计值M_Fusion(k)，与现有技术相比，本发明具有适用范围广、成本低、鲁棒性好等优点。

Description

一种基于前馈神经网络的汽车整车质量动力学获取方法

技术领域

本发明涉及电动汽车控制领域，尤其是涉及一种基于前馈神经网络的汽车整车质量动力学获取方法。

背景技术

整车质量是车辆系统动力学控制中的重要参数，估计的准确性将极大地影响车辆的控制响应，如果能够准确地实时获取整车质量大小，则可以大大提高车辆的运动控制性能，从而提高车辆的主动安全性。

目前整车质量的获取方法研究方法大致可分为三种：

第一种方法是基于车辆动力学估计器估计整车质量。这种方法的优点是，其主要基于车辆的电控系统提供的加速度和力信号，不需要额外设置传感器，实现整车质量估计所需的硬件需求相对较小，实用性较高，在适用工况下的精度也较高。然而，为了获得准确的估计结果，需要车辆处在较大激励下。若在车辆加速度较小时，由于加速度信号的信号质量不高，会导致整车质量估计结果的误差较大。

第二种方法是利用额外的传感器信号估算整车质量，例如使用轮胎力传感器。这种方法的优点是检测范围广和测量精度通常较高。但是，使用的传感器往往非常昂贵，很难应用于汽车生产当中。

第三种方法是基于神经网络估计整车质量。这种方法的优点是，其主要基于车辆的电控系统提供的加速度和力信号，不需要额外设置传感器，且算法的适用范围较广，测量精度通常较高。但是，这种方法对所利用的车辆动力学信号的噪声和扰动较为敏感，在噪声和扰动较大的情况下，其稳定性还有待提高。

以上第一种和第三种整车质量的获取方法，受客观条件影响大，适用范围小，无法保证估计值的稳定性和精确性，第二种方法成本高，实用性低，因此亟需提供一种适用范围广、精确性高且成本低的整车质量获取方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种适用范围广、成本低且鲁棒性强的基于前馈神经网络的汽车整车质量动力学获取方法，该方法将神经网络估计值与动力学估计值进行融合，在各工况下均能得到高精度的整车质量估计值，实现整车质量的可靠获取。

本发明的目的可以通过以下技术方案来实现：

一种基于前馈神经网络的汽车整车质量动力学获取方法，包括以下步骤：

1)获取车辆行驶过程中的动力学信息；

2)将动力学信息输入训练完成的前馈神经网络，得到当前采样时刻整车质量的神经网络估计值M_NN(k)；

3)利用整车质量动力学估计器，获取当前采样时刻整车质量的动力学估计值M_Dynamic(k)；

4)将当前采样时刻整车质量的神经网络估计值M_NN(k)和动力学估计值M_Dynamic(k)，以及上一采样时刻整车质量的最终估计值M_Fusion(k-1)，进行加权融合，得到当前采样时刻整车质量的最终估计值M_Fusion(k)。

进一步地，所述的步骤4)中，加权融合时，各参数对应的权值通过结合动力学信息，并利用模糊推理规则得到。

进一步优选地，所述的动力学信息分别包括：

当前采样时刻的纵向车速v(k)、纵向加速度a(k)、总驱动/制动力矩T(k)、前车轮转速n_f(k)、后车轮转速n_r(k)和路面坡角θ(k)，以及上一采样时刻的纵向加速度a(k-1)、前车轮转速n_f(k-1)和后车轮转速n_r(k-1)。

进一步地，所述的前馈神经网络的训练过程包括以下步骤：

21)选取多辆整车质量M不同的试验车辆；

22)将各试验车辆在不同坡度i和附着系数μ的道路上以不同的加速/减速踏板开度行驶，并获取各试验车辆行驶时对应的动力学数据；

23)对各动力学数据标注对应的整车质量真值，作为训练样本；

24)利用训练样本对多层前馈神经网络进行端到端的训练，得到训练完成的前馈神经网络。

更进一步地，所述的前馈神经网络训练过程中，选取试验车辆整车质量M的范围为：M∈[1.2,1.8]t；设置坡度i的变化范围为：i∈[-0.09,0.09]；设置附着系数μ的变化范围为：μ∈[0.2,0.8]；设置加速/减速踏板开度的变化范围为：[0,100％]。

进一步地，所述的整车质量动力学估计器的建立步骤具体包括：

31)建立车辆纵向动力学模型；

32)基于遗忘因子递推最小二乘法建立整车质量动力学估计器；

其中，所述的车辆纵向动力学模型为：

式中，M表示整车质量，a表示纵向加速度，T_i表示单个车轮上的驱动/制动力矩，I_i表示单个车轮的转动惯量，

表示车轮的角加速度，r表示车轮半径，C_d表示空气阻力系数，A表示车辆迎风面积，ρ表示空气密度，v表示车辆纵向速度，g表示重力加速度，f表示滚动阻力系数，θ表示路面坡角。

更进一步地，所述的步骤32)中，建立的整车质量动力学估计器的表达式为：

φ＝a+gsinθ+gfcosθ

M_Dynamic(k)＝M_Dynamic(k-1)+L(k)[y(k)-φ^T(k)M_Dynamic(k-1)]

式中，φ和y分别为运算过程的中间变量，M_Dynamic(k)为当前采样时刻整车质量动力学估计值，M_Dynamic(k-1)为上一采样时刻整车质量动力学估计值，L表示增益系数，P表示协方差矩阵，λ表示遗忘因子，λ∈(0,1]，E表示单位矩阵。

进一步地，所述的模糊推理规则的输入参数包括当前采样时刻的纵向车速绝对值|v(k)|和纵向加速度绝对值|a(k)|，以及当前采样时刻与上一采样时刻的纵向加速度之差的绝对值|a(k)-a(k-1)|；所述的模糊推理规则的输出参数包括当前采样时刻整车质量的神经网络估计值M_NN(k)及其在当前采样时刻融合过程中对应的神经网络权值w_NN(k)、当前采样时刻整车质量的动力学估计值M_Dynamic(k)及其在当前采样时刻融合过程中对应的动力学权值w_Dynamic(k)、以及上一采样时刻整车质量的最终估计值M_Fusion(k-1)及其在当前采样时刻融合过程中对应的历史权值w_k-1(k)；

所述的输入参数按照S、M、B的模糊隶属度进行划分；所述的输出参数按照SH、SL、M、BL、BH的模糊隶属度进行划分。

更进一步地，所述的模糊推理规则具体为：

所述的纵向车速绝对值|v(k)|的论域设置为[0,120]，其单位为km·h^-1；

所述的纵向加速度绝对值|a(k)|的论域设置为[0,6]，其单位m·s^-2；

所述的当前采样时刻与上一采样时刻的纵向加速度之差的绝对值|a(k)-a(k-1)|的论域设置为[0,0.03]，其单位m·s^-2；

所述的当前采样时刻融合过程中神经网络权值w_NN(k)的论域设置为[0,1]；

所述的当前采样时刻融合过程中动力学权值w_Dynamic(k)的论域设置为[0,1]；

所述的当前采样时刻融合过程中历史权值w_k-1(k)的论域设置为[0,1]。

进一步地，所述的加权融合的表达式为：

式中，w_NN(k)为神经网络估计值M_NN(k)对应的神经网络权值，w_Dynamic(k)为动力学估计值M_Dynamic(k)对应的动力学权值，w_k-1(k)为上一采样时刻整车质量的最终估计值M_Fusion(k-1)对应的历史权值。

与现有技术相比，本发明具有以下优点：

1)本发明方法将神经网络估计值与动力学估计值进行融合，可以实现在不同工况下两种算法估计值的互相校正，相比传统的仅基于动力学估计器的估计方法，适用范围更广，估计精度更高；

2)本发明的神经网络和动力学估计方法所需的车辆动力学信息均可由车辆电控系统直接提供传感器测量值或提供较为精确的估计值，相比传统的基于额外传感器信号的整车质量估算方法，硬件需求少，实用性强，成本更低；

3)本发明方法同时融合上一时刻的最终估计值，并通过模糊推理规则得到各融合参数的权值，能在车辆处于短暂的极端工况等不利于整车质量估计的工况下时，通过模糊逻辑使上一采样时刻的整车质量最终估计值的融合权重变大，从而使当前估计结果仍维持在一个合适的值附近，以便能在合适的工况开始时实现快速收敛，鲁棒性强。

附图说明

图1为本发明方法的流程示意图；

图2为本发明具体实施过程的流程示意图；

图3为车辆纵向动力学模型示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示，本发明提供一种基于前馈神经网络的汽车整车质量动力学获取方法，包括以下步骤：

S1：获取车辆行驶过程中的动力学信息；

S2：将步骤S1中获取的动力学信息输入训练完成的前馈神经网络，获取当前采样时刻整车质量的神经网络估计值M_NN(k)；

S3：利用整车质量动力学估计器，获取当前采样时刻整车质量的动力学估计值M_Dynamic(k)；

S4：结合车辆的动力学信息，利用模糊推理规则，分别得到当前采样时刻整车质量的神经网络估计值M_NN(k)、当前采样时刻整车质量的动力学估计值M_Dynamic(k)和上一采样时刻整车质量最终估计值M_Fusion(k-1)在当前采样时刻融合过程中对应的权值；

S5：分别利用S4中所得三项权值，对三项整车质量估计值进行加权融合，得到当前采样时刻整车质量最终估计值M_Fusion(k)。

如图2所示，该方法包括三个部分：

(一)基于车辆行驶过程中的动力学信息，获取当前采样时刻整车质量的神经网络估计值M_NN(k)，其具体过程包括：

(1)采集已知整车质量的车辆在不同试验工况下的动力学信息。

动力学信息分别包括：

当前采样时刻的纵向车速v(k)、纵向加速度a(k)、总驱动/制动力矩T(k)、前车轮转速n_f(k)、后车轮转速n_r(k)和路面坡角θ(k)，以及上一采样时刻的纵向加速度a(k-1)、前车轮转速n_f(k-1)和后车轮转速n_r(k-1)。

其中，利用车辆传感器可以直接获取车辆在当前采样时刻的纵向车速v(k)、总驱动力矩T(k)、前车轮转速n_f(k)和后车轮转速n_r(k)，以及上一采样时刻的前车轮转速n_f(k-1)和后车轮转速n_r(k-1)；

由制动轮缸压力传感器信号结合制动器参数可以得出制动工况下的总制动力矩，作为总驱动/制动力矩T(k)；

取纵向车速v(k)的微分量可以得到车辆在当前采样时刻的纵向加速度a(k)和上一采样时刻的纵向加速度a(k-1)；

结合加速度传感器的当前采样时刻信号a_sensor(k)和当前采样时刻的纵向加速度a(k)，可以得出当前采样时刻的路面坡角θ(k)，其表达式为：

式中，g表示重力加速度。

试验工况的参数包括试验车辆的整车质量M、路面坡度i、路面附着系数μ和加速/减速踏板开度，不同试验工况具体为：试验车辆的整车质量M的设置范围为[1.2,1.8]t，路面坡度i的变化范围为[-0.09,0.09]，路面附着系数μ的变化范围为[0.2,0.8]，车辆的加速/减速踏板开度的变化范围为[0,100％]。

另外，采集动力学信息的过程中，采集的动力学信息样本的数量不低于5×10⁶，采集的动力学信息的采样频率不低于100Hz。

(2)将采集的各组动力学信息分别标注为采集该组信息所进行的试验中的整车质量真实值，生成整车质量估计训练数据集；

(3)利用整车质量估计训练数据集对前馈神经网络(即图2中的网络A)进行端到端的训练，得到训练完成的前馈神经网络，作为整车质量估计神经网络；该前馈神经网络所基于的深度学习框架包括但不限于Pytorch、Tensorflow或Caffe；

(4)在车辆实际测试的行驶过程中，根据车辆传感器信号直接和间接提供的车辆的动力学信息，利用训练完成的整车质量估计神经网络，获取整车质量的神经网络估计值M_NN(k)。

(二)基于车辆行驶过程中的动力学信息，获取当前采样时刻整车质量动力学估计值M_Dynamic(k)，其具体过程包括：

(1)如图3所示，建立车辆纵向动力学模型：

Ma＝F_x-F_w-F_f-F_i

式中，M表示整车质量，a表示纵向加速度，其符号正负分别表示车辆加速和减速，F_x表示地面驱动/制动力矩，其符号正负分别表示驱动和制动，F_w表示空气阻力，F_f表示地面滚动阻力，F_i表示坡道阻力，其符号正负分别表示上坡和下坡，具体地，车辆纵向动力学模型可详细表达为：

式中，T_i表示单个车轮上的驱动/制动力矩，其符号正负分别表示驱动和制动；并假设不会同时使用加速/减速踏板；I_i表示单个车轮的转动惯量；

表示车轮的角加速度，其符号正负分别表示车轮加速和减速转动；r表示车轮半径；C_d表示空气阻力系数；A表示车辆迎风面积；ρ表示空气密度；v表示车辆纵向速度；g表示重力加速度；f表示滚动阻力系数；θ表示路面坡角，其符号正负分别表示上坡和下坡。

(2)基于遗忘因子递推最小二乘法，建立整车质量动力学估计器，其表达式为：

φ＝a+gsinθ+gfcosθ

M_Dynamic(k)＝M_Dynamic(k-1)+L(k)[y(k)-φ^T(k)M_Dynamic(k-1)]

式中，φ和y为运算过程的中间变量；M_Dynamic表示整车质量动力学估计值，括号中的k表示当前采样时刻，k-1表示上一采样时刻；L表示增益系数；P表示协方差矩阵；λ表示遗忘因子，λ∈(0,1]；E表示单位矩阵；

(3)在车辆行驶过程中，根据车辆传感器信号直接和间接提供的车辆动力学信息，利用整车质量动力学估计器，获取当前采样时刻整车质量的动力学估计值M_Dynamic。

(三)通过模糊推理规则将各步骤中所得整车质量的估计值进行加权融合，以实现估计器收敛的快速性和稳定性，并得到当前采样时刻整车质量的最终估计值M_Fusion(k)。

模糊推理规则的输入包括当前采样时刻的纵向车速绝对值|v(k)|和纵向加速度绝对值|a(k)|，以及当前采样时刻与上一采样时刻的纵向加速度之差的绝对值|a(k)-a(k-1)|；

模糊推理规则的输出参数包括当前采样时刻整车质量的神经网络估计值M_NN(k)及其在当前采样时刻融合过程中对应的神经网络权值w_NN(k)、当前采样时刻整车质量的动力学估计值M_Dynamic(k)及其在当前采样时刻融合过程中对应的动力学权值w_Dynamic(k)、以及上一采样时刻整车质量的最终估计值M_Fusion(k-1)及其在当前采样时刻融合过程中对应的历史权值w_k-1(k)；

模糊推理规则具体为：

纵向车速绝对值|v(k)|的论域设置为[0,120]，其单位为km·h^-1；

纵向加速度绝对值|a(k)|的论域设置为[0,6]，其单位为m·s^-2；

当前采样时刻与上一采样时刻的纵向加速度之差的绝对值|a(k)-a(k-1)|的论域设置为[0,0.03]，其单位为m·s^-2，采样间隔0.01s；

当前采样时刻融合过程中神经网络权值w_NN(k)的论域设置为[0,1]；

当前采样时刻融合过程中动力学权值w_Dynamic(k)的论域设置为[0,1]；

当前采样时刻融合过程中历史权值w_k-1(k)的论域设置为[0,1]。

将各输入参数按照S、M、B(对应于小、中、大)的模糊隶属度划分相应的间隔，将各输出参数按照SH、SL、M、BL、BH(对应于极小、较小、中、较大、极大)的模糊隶属度划分相应的间隔，本发明中模糊逻辑推理规则如下表所示：

本实施例中，系统的硬件设置包括量产的电动汽车整车控制器、工控机、速度传感器、加速度传感器、轮速传感器、驱动电机传感器和制动轮缸压力传感器。各传感器采集车辆的运动学信息，并以CAN协议传输至工控机进行整车质量估计运算，将估计结果以CAN协议传输至整车控制器。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，包括以下步骤：

1)获取车辆行驶过程中的动力学信息；

2)将动力学信息输入训练完成的前馈神经网络，得到当前采样时刻整车质量的神经网络估计值M_NN(k)；

3)利用整车质量动力学估计器，获取当前采样时刻整车质量的动力学估计值M_Dynamic(k)；

4)将当前采样时刻整车质量的神经网络估计值M_NN(k)和动力学估计值M_Dynamic(k)，以及上一采样时刻整车质量的最终估计值M_Fusion(k-1)，进行加权融合，得到当前采样时刻整车质量的最终估计值M_Fusion(k)。

2.根据权利要求1所述的一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，所述的步骤4)中，加权融合时，各参数对应的权值通过结合动力学信息，并利用模糊推理规则得到。

3.根据权利要求2所述的一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，所述的动力学信息分别包括：

当前采样时刻的纵向车速v(k)、纵向加速度a(k)、总驱动/制动力矩T(k)、前车轮转速n_f(k)、后车轮转速n_r(k)和路面坡角θ(k)，以及上一采样时刻的纵向加速度a(k-1)、前车轮转速n_f(k-1)和后车轮转速n_r(k-1)。

4.根据权利要求1所述的一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，所述的前馈神经网络的训练过程包括以下步骤：

21)选取多辆整车质量M不同的试验车辆；

22)将各试验车辆在不同坡度i和附着系数μ的道路上以不同的加速/减速踏板开度行驶，并获取各试验车辆行驶时对应的动力学数据；

23)对各动力学数据标注对应的整车质量真值，作为训练样本；

24)利用训练样本对多层前馈神经网络进行端到端的训练，得到训练完成的前馈神经网络。

5.根据权利要求4所述的一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，所述的前馈神经网络训练过程中，选取试验车辆整车质量M的范围为：M∈[1.2，1.8]t；设置坡度i的变化范围为：i∈[-0.09，0.09]；设置附着系数μ的变化范围为：μ∈[0.2，0.8]；设置加速/减速踏板开度的变化范围为：[0，100％]。

6.根据权利要求1所述的一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，所述的整车质量动力学估计器的建立步骤具体包括：

31)建立车辆纵向动力学模型；

32)基于遗忘因子递推最小二乘法建立整车质量动力学估计器；

其中，所述的车辆纵向动力学模型为：

式中，M表示整车质量，a表示纵向加速度，T_i表示单个车轮上的驱动/制动力矩，I_i表示单个车轮的转动惯量，

表示车轮的角加速度，r表示车轮半径，C_d表示空气阻力系数，A表示车辆迎风面积，ρ表示空气密度，v表示车辆纵向速度，g表示重力加速度，f表示滚动阻力系数，θ表示路面坡角。

7.根据权利要求6所述的一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，所述的步骤32)中，建立的整车质量动力学估计器的表达式为：

φ＝a+gsinθ+gfcosθ

M_Dynamic(k)＝M_Dynamic(k-1)+L(k)[y(k)-φ^T(k)M_Dynamic(k-1)]

式中，φ和y分别为运算过程的中间变量，M_Dynamic(k)为当前采样时刻整车质量动力学估计值，M_Dynamic(k-1)为上一采样时刻整车质量动力学估计值，L表示增益系数，P表示协方差矩阵，λ表示遗忘因子，λ∈(0，1]，百表示单位矩阵。

8.根据权利要求3所述的一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，所述的模糊推理规则的输入参数包括当前采样时刻的纵向车速绝对值|v(k)|和纵向加速度绝对值|a(k)|，以及当前采样时刻与上一采样时刻的纵向加速度之差的绝对值|a(k)-a(k-1)|；所述的模糊推理规则的输出参数包括当前采样时刻整车质量的神经网络估计值M_NN(k)及其在当前采样时刻融合过程中对应的神经网络权值w_NN(k)、当前采样时刻整车质量的动力学估计值M_Dynamic(k)及其在当前采样时刻融合过程中对应的动力学权值w_Dynamic(k)、以及上一采样时刻整车质量的最终估计值M_Fusion(k-1)及其在当前采样时刻融合过程中对应的历史权值w_k-1(k)。

9.根据权利要求8所述的一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，所述的模糊推理规则具体为：

所述的输入参数按照S、M、B的模糊隶属度进行划分；所述的输出参数按照SH、SL、M、BL、BH的模糊隶属度进行划分；

所述的纵向车速绝对值|v(k)|的论域设置为[0，120]，其单位为km·h^-1；

所述的纵向加速度绝对值|a(k)|的论域设置为[0，6]，其单位为m·s^-2；

所述的当前采样时刻与上一采样时刻的纵向加速度之差的绝对值|a(k)-a(k-1)|的论域设置为[0，0.03]，其单位为m·s^-2；

所述的当前采样时刻融合过程中神经网络权值w_NN(k)的论域设置为[0，1]；

所述的当前采样时刻融合过程中动力学权值w_Dynamic(k)的论域设置为[0，1]；

所述的当前采样时刻融合过程中历史权值w_k-1(k)的论域设置为[0，1]。

10.根据权利要求1所述的一种基于前馈神经网络的汽车整车质量动力学获取方法，其特征在于，所述的加权融合的表达式为：

式中，w_NN(k)为神经网络估计值M_NN(k)对应的神经网络权值，w_Dynamic(k)为动力学估计值M_Dynamic(k)对应的动力学权值，w_k-1(k)为上一采样时刻整车质量的最终估计值M_Fusion(k-1)对应的历史权值。

Images