CN112417750B - 经由连续的时间导数估计在线不可测量变量的虚拟传感器 - Google Patents

Abstract

提供了一种用于估计物理传感器不可用于测量的量的值的在车辆中由处理器实现的方法和处理器。该方法包括：接收代表可测量变量值的多个测量信号；以及实时计算测量信号的时间导数；并实时应用经过训练的前馈神经网络来估计多个不可测量变量的值，该不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值的时间导数和不可测量变量的值的测试数据进行了训练；其中，车辆将不可测量变量的估计值用于车辆操作。

Description

经由连续的时间导数估计在线不可测量变量的虚拟传感器

技术领域

本公开总体上涉及用于估计未测量的量的值的车辆中的系统和方法，并且更具体地涉及用于基于测量的量(quantity)的值来估计未测量的量的值的车辆中的系统和方法。

背景技术

现代车辆配备有许多传感器，以在车辆操作期间测量各种量的值。该量可以包括各种温度、压力、电压水平等。可以实时地(例如，当车辆正在运行时)使用这些测量结果，以影响车辆的运行，确定车辆的健康状况和运行能力以及用于其他车辆用途。有些量可能不可实时测量，例如，由于在车辆运行期间没有提供或无法使用物理传感器进行测量。然而，关于未测量的量的知识可以为车辆提供改进的功能能力。

因此，期望提供用于实时确定不能由物理传感器实时测量的量的值的系统和方法。此外，结合附图和本发明的背景，根据本发明的随后的详细描述和所附的权利要求，本发明的其他期望的特征和特性将变得显而易见。

发明内容

提供了用于实时估计车辆中未被测量的量的值的系统和方法。在一个实施例中，提供了一种用于估计物理传感器不可用于测量的量的值的在车辆中由处理器实现的方法。该方法包括：接收代表可测量变量的值的多个测量信号；以及实时计算测量信号的时间导数；以及实时应用经过训练的前馈神经网络来估计多个不可测量变量的值，所述不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值的时间导数和不可测量变量的值的测试数据进行了训练；其中，车辆将可测量的和不可测量的变量的估计值用于车辆操作。

在一个实施例中，计算测量的信号的时间导数可以包括应用无模型导数估计器来计算时间导数。

在一个实施例中，使用一过程来训练经训练的前馈神经网络，该过程包括：收集包括不可测量变量的值和可测量变量的相应值的测试数据；估计测量的变量的值的连续时间导数；以及训练前馈神经网络以找到一数学模型，该模型将测量值的时间导数与由不可测量变量获得的值相关联。

在一个实施例中，可以使用无模型导数估计器来实现估计测量变量的值的连续时间导数。

在一个实施例中，无模型导数估计器可以包括高增益观测器、滑模观测器或超扭曲算法。

在一个实施例中，导数估计器可以由以下离散时间系统表示：ξ(k+1)＝Eξ(k)+Fv(k),ψ(k)＝Gξ(k)+Hv(k),其中ξ是状态矢量，v是测量变量的矢量，以及ψ是v的时间导数的矢量。

在一个实施例中，E，F，G和H是使用前向欧拉(Euler)方法，后向欧拉方法或塔斯汀(Tustin)方法计算的矩阵。

在另一个实施例中，一种处理器，被配置为车辆中的虚拟传感器，以估计物理传感器不可用于测量的量。处理器被配置为：接收表示可测量变量的值的多个测量信号；以及实时计算测量信号的时间导数；并实时应用经过训练的前馈神经网络来估计多个不可测量变量的值，这些不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值的时间导数和不可测量变量的值的测试数据进行了训练；其中，车辆将不可测量变量的估计值用于车辆操作。

在一个实施例中，处理器可以被配置为通过应用无模型导数估计器来计算时间导数来计算测量信号的时间导数。

在一个实施例中，使用一过程来训练经训练的前馈神经网络，该过程包括：收集包括不可测变量的值和可测变量的相应值的测试数据；估计测量变量值的连续时间导数；以及训练前馈神经网络以找到一数学模型，该模型将测量值的时间导数与由不可测量变量获得的值相关联。

在一个实施例中，可以使用无模型导数估计器来实现估计测量变量的值的连续时间导数。

在一个实施例中，虚拟传感器，其中，无模型导数估计器可以包括高增益观测器、滑模观测器或超扭曲算法。

在一个实施例中，导数估计器可以由以下离散时间系统表示：ξ(k+1)＝Eξ(k)+Fv(k),ψ(k)＝Gξ(k)+Hv(k),其中，ξ是状态矢量，v是测量变量的矢量，以及ψ是v的时间导数的矢量。

在一个实施例中，E，F，G和H是使用前向欧拉方法、后向欧拉方法或塔斯汀方法计算的矩阵。

在另一个实施例中，提供了一种非暂时性计算机可读存储介质，其实施用于在车辆中执行方法的编程指令。该方法包括：接收代表可测量变量值的多个测量信号；以及实时计算测量信号的时间导数；并实时应用经过训练的前馈神经网络来估计多个不可测量变量的值，该不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值的时间导数和不可测量变量的值的测试数据进行了训练；其中，车辆将不可测量变量的估计值用于车辆操作。

在一个实施例中，计算测量信号的时间导数可以包括应用无模型导数估计器来计算时间导数。

在一个实施例中，使用一过程来训练经训练的前馈神经网络，该过程包括：收集包括不可测变量的值和可测变量的相应值的测试数据；估计测量变量值的连续时间导数；以及训练前馈神经网络以找到一数学模型，该模型将测量值的时间导数与由不可测量变量获得的值相关联。

在一个实施例中，可以使用无模型导数估计器来实现估计测量变量的值的连续时间导数。

在一个实施例中，无模型导数估计器可以包括高增益观测器、滑模观测器或超扭曲算法。

在一个实施例中，导数估计器可以由以下离散时间系统表示：ξ(k+1)＝Eξ(k)+Fv(k),ψ(k)＝Gξ(k)+Hv(k),其中，ξ是状态矢量，v是测量变量的矢量，以及ψ是v的时间导数的矢量；E，F，G和H是使用前向Euler方法、后向Euler方法或Tustin方法计算的矩阵。

附图说明

当结合附图阅读时，从以下详细描述中可以最好地理解本公开的各方面，其中，相同的标号表示相同的元件，和

图1是示出根据一些实施例的用于估计不可测量的量的示例车辆中的示例虚拟传感器的框图；

图2是根据一些实施例的示例性车辆的框图，该示例性车辆可以在没有传感器可用于测量时采用虚拟传感器来测量诸如电压、温度、压力等的量；

图3A是描绘根据一些实施例的用于训练示例性虚拟传感器的示例性过程的过程流程图；

图3B是描绘根据一些实施例的用于使用示例性虚拟传感器的示例性过程的过程流程图；和

图4是描绘根据一些实施例的用于估计未测量的量的车辆中的示例过程的过程流程图。

具体实施方式

以下详细描述本质上仅是示例性的，并不旨在限制应用和使用。此外，无意受到在先前技术领域、背景技术、发明内容或以下详细描述中提出的任何明示或暗示的理论的约束。

本文可以根据功能和/或逻辑块部件以及各种处理步骤来描述本公开的实施例。应当理解，可以通过被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现这样的块部件。例如，本公开的实施例可以采用各种集成电路部件，例如存储器元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。另外，本领域技术人员将理解，可以结合任何数量的系统来实践本公开的实施例，并且本文描述的系统仅仅是本公开的示例性实施例。

为了简洁起见，与信号处理、数据传输、信令、控制、机器学习模型、神经网络和系统的其他功能方面(以及系统的各个操作部件)有关的常规技术可能不是在此详细描述。此外，在此包含的各个附图中所示的连接线旨在表示各个元件之间的示例性功能关系和/或物理联接。应当注意，在本公开的实施例中可以存在许多替代或附加的功能关系或物理连接。

考虑其动态((dynamics))由下式给出的设施(plant):

y(t)＝h(x(t),u(t)),

其中x是设施的状态，u是其输入，y是其输出。通过关于动态系统可观测性的经典结果，可以且仅当存在正整数和映射(map)K(·)时，才能根据输入u和输出y的知识来重建设施的当前状态x，使得：

基于前述内容，已经提出了一种虚拟传感器，用于通过针对每个不可测量的量从前述方程式计算x(t)的值来估计车辆中的不可测量的物理量。拟议的虚拟传感器估计时间导数

通过使用导数估计器，并通过使用经过训练的前馈人工神经网络来估计映射K(·)。

图1是描绘用于估计不可测量的量的示例车辆中的示例虚拟传感器100的框图。示例虚拟传感器100由一个或多个处理器实现，该处理器通过对在非瞬态计算机可读介质上编码的指令进行编程来配置。示例性虚拟传感器100被配置为依靠可用数据和测量变量的连续时间导数来估计不可测量的物理量。

示例性虚拟传感器100通过使用导数估计器102和前馈人工神经网络(F-ANN)104进行估计。示例性导数估计器102和F-ANN 104在本示例中经由一个或多个由编程指令配置的处理器实现。示例导数估计器102被配置为接收可测量变量的值103，计算可测量变量的值的导数，并将导数提供给输入节点106处的前馈神经网络104。

可以使用以下数学运算来生成示例导数估计器102。选择正实数r₁,…,r_k并计算多项式：

p＝(s+r₁)(s+r₂)…(s+r_k)＝s^k+g₁s^k-1+g₂s^k-2+…+g_k-1s+g_k

固定(fix)一小的∈>0并定义该矩阵：

让表示直接和；因此，将m为输入数，定义：

可以使用不同的估计器来设计导数估计器102，以估计可用测量值的时间导数，例如高增益观测器、滑模观测器和超扭曲算法。上面提供的示例只是一个示例。

让T表示采样时间，让I表示适当维数的单位矩阵，使用以下方法之一计算矩阵E,F,G,和H。

导数估计器由以下离散时间系统给出：

ξ(k+1)＝Eξ(k)+Fv(k),

ψ(k)＝Gξ(k)+Hv(k),

其中v是被测变量的矢量以及ψ是它们的时间导数。

示例F-ANN 104包括用于从导数估计器102接收输出(导数)的输入节点106、训练为对系统建模以估计不可测变量的多个隐藏层/节点108，以及多个输出节点110。输出节点提供对不可测量变量的估计。

可以使用以下操作来训练示例F-ANN 104。通过使用测试台或模拟器，收集可以实时测量的物理变量(在下文中，表示为v⁽ⁱ⁾)和必须估计的物理变量的有序样本(在下文中，表示为z⁽ⁱ⁾)，从而获得数据集：

D＝{(v⁽¹⁾,z⁽¹⁾),…,(v^(N),z^(N))}

将导数估计器应用于可测量变量的有序序列：

{v⁽¹⁾,…,v^(N)}

由此获得它们的时间导数的序列：{ψ⁽¹⁾,…,ψ^(N)}

通过使用数据集(可能是其子集)来训练前馈神经网络：

Q＝{(ψ⁽¹⁾,z⁽¹⁾),…,(ψ^(N),z^(N))}

让Φ(ψ)为由神经网络合成的输入输出函数。可以使用现有技术的工具和算法来训练和设计神经网络，并且可以使用交叉验证来选择其复杂性(层数、每层神经元数、激活函数)。

可以使用以下数学表示来表示示例虚拟传感器100。从数学上讲，用于不可测量的变量的数据驱动的虚拟传感器100可以由以下离散时间动态系统表示：

ξ(k+1)＝Eξ(k)+Fv(k),ψ(k)＝Gξ(k)+Hv(k),z(k)＝Φ(ψ(k))

特别地，矢量z(k)是在正常运行期间无法直接测量的变量的估计。

虚拟传感器100的优点可包括：获得在正常运行期间无法测量的物理变量的非常准确的估计；以及通过依赖数据和可用测量值来实时估计不可测量的动态变量；不需要动态模型和观测器来估计不可测变量的值；简化的神经网络训练-前馈神经网络的训练比其他技术(例如用于训练递归神经网络和集成员工具的技术)所需的训练更简单，因为使用了无记忆网络(例如，不需要ANN w/存储器和/或时间-延迟)；神经网络的在线计算复杂度低；可以轻松设计参数以满足精度要求；过程的动态由导数估计器模拟；以及不可实时测量的物理量的无传感器估算(例如，可能没有可用的传感器或传感器可能不再可用)，具有较高的准确性，并降低了计算成本。

其他益处可以包括：虚拟传感器100可以被设计为不具有关于正在被分析的系统的任何先验知识并且不需要昂贵的参数测量。不需要用于重建信号动态的动态模型和观测器设计。与状态观测器(例如卡尔曼滤波器、高增益或滑模观测器)相比，示例虚拟传感器100不需要系统的物理模型(无模型方法)。导数估计器和前馈神经网络的使用允许人们还以非常低的计算、复杂性和校准工作量要求来考虑所观测到的过程的动态(例如，内燃机的动态)。

图2是示例性车辆200的框图，该示例性车辆200在没有传感器可用于测量时(例如，未提供传感器，传感器发生故障，或传感器脱机)采用虚拟传感器100来测量诸如电压、温度、压力等的量。车辆200通常包括底盘12、车身14、前轮16和后轮18。车身14被布置在底盘12上并且基本上包围车辆200的部件。车身14和底盘12可以结合形成框架。车轮16-18各自在车身14的相应拐角附近旋转地联接至底盘12。在图示的实施例中，车辆200被描述为乘用车，但是其他车辆类型，包括摩托车、卡车、运动型多用途车SUV、休闲车(RV)、船舶、飞机等，也可以被使用。车辆200可以能够自主或半自主地驾驶。

车辆200进一步包括推进系统20、传动系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储设备32、至少一个控制器34和通信系统36，该通信系统36被配置为与其他实体48无线通信信息。

数据存储设备32存储用于自动控制车辆200的数据。数据存储设备32可以是控制器34的一部分，与控制器34分离，或者控制器34的一部分和独立系统的一部分。控制器34包括至少一个处理器44和计算机可读存储设备或介质46。在各个实施例中，控制器34实现增强控制器103，用于预测控制转移事件并确定用于减轻和/或增强动作以减轻/增强预测的控制转移事件发生的可能性。尽管在图1中仅示出了一个控制器34，但车辆200的实施例可以包括任意数量的控制器34，其通过任何合适的通信介质或通信介质的组合进行通信，并协作以处理传感器信号，执行逻辑、计算、方法和/或算法，并生成控制信号以自动控制车辆200的特征。控制器34可配置为实现虚拟传感器100。

控制器34包括至少一个处理器和通过用于配置控制器的编程指令而编码的计算机可读存储设备或介质。处理器可以是任何定制的或市售的处理器、中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、在与控制器相关联的几个处理器中的辅助处理器、基于半导体的微处理器(为微芯片或芯片组的形式的)，其任何组合或通常用于执行指令的任何设备。

计算机可读存储设备或介质可以包括例如在只读存储器(ROM)、随机存取存储器(RAM)和保持活动存储器(KAM)中的易失性和非易失性存储器。KAM是永久性或非易失性储存器，其可在处理器掉电时用于存储各种操作变量。可以使用许多已知的存储器设备中的任何一种来实现计算机可读存储设备或介质，例如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪存或能够存储由控制器使用的数据的任何其他电、磁、光学或组合存储设备，其中一些数据代表可执行的编程指令。编程指令可以包括一个或多个单独的程序，其中的每个程序包括用于实现逻辑功能的可执行指令的有序列表。

图3A是描绘用于训练示例虚拟传感器100的示例过程300的过程流程图。可以使用以下三个操作来执行训练。首先，收集用于必须实时估计的变量的数据以及用于测量的相应变量的数据(操作302)。接下来，无模型导数估计器(例如，高增益观测器、滑模观测器等)用于估计测量变量的连续时间导数(操作304)。第三，训练前馈神经网络以找到与测量信号的时间导数和由要估计的变量获得的值有关的数学模型。

图3B是描绘用于示例虚拟传感器100的示例过程320的过程流程图。首先，使用无模型导数估计器来计算测量信号的时间导数(操作322)。接下来，训练的神经网络用于基于计算出的时间导数来估算未测量变量的当前值。

图4是描绘了用于估计未测量的量的车辆中的示例过程的过程流程图。过程400内的操作顺序不限于如图4所示的顺序执行，而是可以按照适用的一个或多个变化顺序并且根据本公开来执行。

示例过程400包括接收表示可测量变量的值的多个测量信号(操作402)并实时计算测量信号的时间导数(操作404)。计算测量信号的时间导数可以包括应用无模型导数估计器来计算时间导数。无模型导数估计器在不知道要使用导数估计器的系统模型的情况下得出。

示例过程400包括实时应用训练的前馈神经网络来估计多个不可测量变量的值(操作406)。前馈神经网络已使用包含可测量变量的值的时间导数和不可测量变量的值的测试数据进行了训练。可以训练训练后的前馈神经网络，而无需任何关于训练后的前馈神经网络将用于估计的系统的模型的知识。可以使用包括以下的过程来训练经训练的前馈神经网络：收集包括不可测量变量的值和可测量变量的相应值的测试数据；以及估计测量变量值的连续时间导数；以及训练前馈神经网络以找到一数学模型，该数学模型将测量值的时间导数与由不可测量变量获得的值相关联。可以使用无模型导数估计器来实现对测量变量的连续时间导数的估计。无模型导数估计器可以包括高增益观测器、滑模观测器或超扭曲算法。导数估计器可以由以下离散时间系统表示：ξ(k+1)＝Eξ(k)+Fv(k),ψ(k)＝Gξ(k)+Hv(k),其中ξ是状态矢量，v是测量变量的矢量，以及ψ是v的时间导数的矢量。E，F，G和H是使用前向Euler方法、后向Euler方法或Tustin方法计算的矩阵。

所描述的系统、方法、装置和技术提供了使用测量信号的连续时间导数作为使能器，以设计能够估计不可测量变量的简化虚拟传感器。连续的时间导数使人们可以考虑系统的动态，而无需使用其动态模型(无模型方法)。所描述的系统、方法、装置和技术的优点在于其简单性(较低的复杂性和计算成本)，其多功能性和灵活性以及在任何在线计算能力有限的工业应用中具有非常高的准确性。所描述的系统、方法、装置和技术提供了一种用于以非常有效和高效的方式重建实际不可测量的信号的方法。所描述的系统、方法、装置和技术在简化的虚拟传感器设计中采用了测量信号的连续时间导数(使用简单的静态黑匣子模型，例如前馈神经网络)来考虑系统动态。

前述概述了几个实施例的特征，使得本领域技术人员可以更好地理解本公开的各方面。本领域技术人员应该理解，他们可以容易地将本公开用作设计或修改其他过程和结构的基础，以实现与本文介绍的实施例相同的目的和/或实现相同的优点。本领域技术人员还应该认识到，这样的等同构造不脱离本公开的精神和范围，并且在不脱离本公开的精神和范围的情况下，它们可以在这里进行各种改变、替换和变更。

Claims (8)

1.一种在车辆中由处理器实现的用于估计物理传感器不可用于测量的量的方法，该方法包括：

接收代表可测量变量的值的多个测量信号；

通过应用无模型导数估计器计算时间导数来实时计算测量信号的时间导数；和

应用经过训练的前馈神经网络以实时估计多个不可测量变量的值，不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值的时间导数和不可测量变量的值的测试数据进行了训练；

其中，车辆将不可测量变量的估计值用于车辆操作。

2.根据权利要求1所述的方法，其中，经训练的前馈神经网络是使用包括以下的过程来训练的：

收集包括不可测量变量的值和可测量变量的对应值的测试数据；

估计测量的变量值的连续时间导数；和

训练前馈神经网络以找到一数学模型，该数学模型将测量值的时间导数与由不可测量变量获得的值相关联。

3.根据权利要求2所述的方法，其中，使用无模型导数估计器来实现估计所测量的变量的值的连续时间导数。

4.根据权利要求3所述的方法，其中，所述无模型导数估计器包括高增益观测器、滑模观测器或超扭曲算法。

5.根据权利要求1所述的方法，其中，导数估计器由以下离散时间系统表示：ξ(k+1)＝Eξ(k)+Fv(k),ψ(k)＝Gξ(k)+Hv(k),其中，ξ是状态矢量，v是测量的变量的矢量，以及ψ是v的时间导数的矢量。

6.根据权利要求5所述的方法，其中，E，F，G和H是使用前向欧拉方法、后向欧拉方法或塔斯汀方法计算的矩阵。

7.一种被配置为车辆中的虚拟传感器以估计物理传感器不可用于测量的量的处理器，该处理器配置为：

接收代表可测量变量的值的多个测量信号；

通过应用无模型导数估计器计算时间导数来实时计算测量信号的时间导数；和

应用经训练的前馈神经网络以实时估计多个不可测量变量的值，该不可测量变量是不可实时测量的变量，前馈神经网络已使用包含可测量变量的值的时间导数和不可测量变量的值的测试数据进行训练；

其中，车辆将不可测量变量的估计值用于车辆操作。

8.根据权利要求7所述的处理器，其中，经训练的前馈神经网络是使用包括以下的过程来训练的：

收集包括不可测量变量的值和可测量变量的相应值的测试数据；

估计测量的变量的值的连续时间导数；和

训练前馈神经网络以找到一数学模型，该数学模型将测量值的时间导数与由不可测量变量获得的值相关联。