CN112498362B - 一种考虑传感器故障的独立驱动电动车车辆状态估计方法 - Google Patents

一种考虑传感器故障的独立驱动电动车车辆状态估计方法 Download PDF

Info

Publication number
CN112498362B
CN112498362B CN202011470478.2A CN202011470478A CN112498362B CN 112498362 B CN112498362 B CN 112498362B CN 202011470478 A CN202011470478 A CN 202011470478A CN 112498362 B CN112498362 B CN 112498362B
Authority
CN
China
Prior art keywords
vehicle
state
equation
moment
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011470478.2A
Other languages
English (en)
Other versions
CN112498362A (zh
Inventor
徐向阳
李光远
张辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202011470478.2A priority Critical patent/CN112498362B/zh
Publication of CN112498362A publication Critical patent/CN112498362A/zh
Application granted granted Critical
Publication of CN112498362B publication Critical patent/CN112498362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0225—Failure correction strategy
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/0215—Sensor drifts or sensor failures

Abstract

本发明公开了一种考虑传感器故障的独立驱动电动车车辆状态估计方法，属于汽车控制领域，具体为：首先，根据四轮独立驱动电动汽车的运动学特性，搭建具有纵向、横向、横摆特性的三自由度车辆模型；然后，构建三自由度车辆模型的状态空间方程；考虑过程噪声与测量噪声都为高斯白噪声，将三自由度车辆模型进行离散化，得到离散化的状态空间方程，并简化；利用Kalman滤波算法对离散形式状态空间方程进行车辆状态的更新；最后，使用故障诊断信息对Kalman滤波的结果进行修正，抵消了传感器故障带来的影响，提高了估计器的鲁棒性。

Description

一种考虑传感器故障的独立驱动电动车车辆状态估计方法
技术领域
本发明属于汽车控制领域，涉及一种考虑传感器故障的独立驱动电动车车辆状态估计方法。
背景技术
为应对能源危机与环境污染的双重挑战，保持人类的可持续发展，电动汽车已成为全球汽车工业研究的热点。其中，四轮独立驱动电动汽车由于其诸多潜力与优势被视为未来汽车的发展方向。其驱动结构变革带来控制自由度的提高，使得四轮独立驱动电动汽车在主动安全控制系统方面极具潜力。
然而，主动安全控制系统准确实施的前提是车辆当前状态的准确获取，但直接测量某些车辆状态信息的车载传感器价格极其昂贵，且信号受环境的影响较大。因此，如何根据低成本车载传感器实时准确地估计这些不易测量的状态，是四轮独立驱动电动汽车稳定性控制系统的关键问题。
而使用低成本车载传感器时，传感器的故障会对车辆状态估计和车辆控制造成较大的影响。目前尚未有比较完善的在传感器故障存在的情况下实现车辆状态有效估计的方案。
发明内容
为了实现在传感器存在故障的情况下车辆状态的有效估计，本发明采用故障诊断的结果对Kalman滤波的结果进行修正，提高了车辆状态观测方法的鲁棒性，具体是一种考虑传感器故障的独立驱动电动车车辆状态估计方法。
具体步骤如下：
步骤一、根据四轮独立驱动电动汽车的运动学特性，搭建具有纵向、横向、横摆特性的三自由度车辆模型；
三自由度车辆模型公式如下：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
是前轮到质心的距离；
Figure DEST_PATH_IMAGE006
是前轮侧偏刚度；
Figure DEST_PATH_IMAGE007
是后轮到质心的距离；
Figure DEST_PATH_IMAGE008
是后 轮侧偏刚度；
Figure DEST_PATH_IMAGE009
是车辆的偏航惯性矩；
Figure DEST_PATH_IMAGE010
是车辆纵向速度；
Figure DEST_PATH_IMAGE011
是车辆所受的横摆角速度；
Figure DEST_PATH_IMAGE012
是质心侧偏角；
Figure DEST_PATH_IMAGE013
是前轮转角；
Figure DEST_PATH_IMAGE014
是车辆质量；
Figure DEST_PATH_IMAGE015
是车辆纵向加速度；
Figure DEST_PATH_IMAGE016
是车辆横向加速度；
步骤二、根据三自由度车辆模型构建状态空间方程；
状态空间方程为：
Figure DEST_PATH_IMAGE017
Figure DEST_PATH_IMAGE018
步骤三、考虑过程噪声与测量噪声都为高斯白噪声，将三自由度车辆模型进行离散化，得到离散化的状态空间方程，并简化；
Figure DEST_PATH_IMAGE019
时刻的状态空间方程表示为：
Figure DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE021
Figure DEST_PATH_IMAGE022
是
Figure 424053DEST_PATH_IMAGE019
时刻的过程噪声；
Figure DEST_PATH_IMAGE023
是
Figure 390129DEST_PATH_IMAGE019
时刻的测量噪声。
将方程中的各矩阵对应简写为：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
是离散系统采样点。
Figure DEST_PATH_IMAGE026
；
Figure DEST_PATH_IMAGE027
；
Figure DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE029
；
Figure DEST_PATH_IMAGE030
；
Figure DEST_PATH_IMAGE031
；
步骤四、利用Kalman滤波算法对离散形式状态空间方程进行车辆状态的更新；
更新包括时间更新和观测更新；具体流程为：
时间更新方程为：
Figure DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
其中，
Figure DEST_PATH_IMAGE034
为预测方程的
Figure DEST_PATH_IMAGE035
时刻的状态估计值；
Figure DEST_PATH_IMAGE036
为预测方程的
Figure 840307DEST_PATH_IMAGE025
时 刻的状态估计值；
Figure DEST_PATH_IMAGE037
为
Figure 156887DEST_PATH_IMAGE035
时刻状态估计误差协方差矩阵；
Figure DEST_PATH_IMAGE038
为
Figure 426719DEST_PATH_IMAGE025
时刻的状态 估计误差协方差矩阵；
Figure DEST_PATH_IMAGE039
为过程噪声协方差矩阵。
观测更新方程为：
Figure DEST_PATH_IMAGE040
Figure DEST_PATH_IMAGE041
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
为
Figure 327810DEST_PATH_IMAGE035
时刻的滤波增益矩阵；
Figure DEST_PATH_IMAGE044
为测量噪声协方差矩阵；
Figure DEST_PATH_IMAGE045
为
Figure 428797DEST_PATH_IMAGE035
时刻的测量噪声协方差矩阵；
Figure DEST_PATH_IMAGE046
为单位矩阵；
Figure DEST_PATH_IMAGE047
为对矩阵
Figure DEST_PATH_IMAGE048
更新后 的状态估计误差协方差矩阵；
Figure DEST_PATH_IMAGE049
为利用残差和滤波增益得到的对
Figure 925900DEST_PATH_IMAGE034
更新 后的状态估计值。
通过对时间更新方程和观测更新方程进行迭代有限次后，即得到Kalman滤波的结果，迭代次数按照精度需求人为设定。
步骤五、使用故障诊断信息对Kalman滤波的结果进行修正，抵消了传感器故障带来的影响，提高了估计器的鲁棒性。
具体步骤为：
首先，利用三自由度车辆模型的不同传感器分别测得横向加速度的输出值，并两两做差得到三个残差向量；
具体为：
1）、由车辆估计器得到的车辆纵向速度
Figure DEST_PATH_IMAGE050
，横摆角速度
Figure 922675DEST_PATH_IMAGE011
和质心侧偏角
Figure 840340DEST_PATH_IMAGE012
确定车 辆横向加速度的估计值
Figure DEST_PATH_IMAGE051
；
2）、由横摆角速度传感器测量得到的横摆角速度值
Figure DEST_PATH_IMAGE052
计算横向加速度的计算值
Figure DEST_PATH_IMAGE053
；
3）、由横向加速度传感器测得横向加速度的测量值
Figure DEST_PATH_IMAGE054
。
将横向加速度的估计值
Figure 30887DEST_PATH_IMAGE051
，计算值
Figure 567567DEST_PATH_IMAGE053
和测量值
Figure 622110DEST_PATH_IMAGE054
两两做差，得到残差向量
Figure DEST_PATH_IMAGE055
，计算公式如下：
Figure DEST_PATH_IMAGE056
Figure DEST_PATH_IMAGE057
Figure DEST_PATH_IMAGE058
然后，判断每个残差向量S i 是否超过预先设定的门限值，如果是，故障模块设置输出信号s i 为1。否则，输出信号s i 为0。
接着，将每个输出的残差信号分别与故障诊断逻辑表进行对比，残差信号与表中的值相符即视为相应的传感器出现故障。
表1为故障诊断逻辑表；
表1
<i>s</i><sub>1</sub> <i>s</i><sub>2</sub> <i>s</i><sub>3</sub>
无故障 0 0 0
横摆角速度传感器故障 0 1 1
横向加速度传感器故障 1 0 1
最后，利用
Figure DEST_PATH_IMAGE059
时刻的故障，对Kalman滤波中
Figure 893034DEST_PATH_IMAGE035
时刻的测量值进行更新，并利用更 新的测量值进行观测状态估计值的更新；
测量值更新公式为：
Figure DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE061
为更新的输出值，
Figure DEST_PATH_IMAGE062
；
Figure DEST_PATH_IMAGE063
为故障诊断逻 辑表中的故障向量的转置矩阵。
然后，将
Figure DEST_PATH_IMAGE064
代入观测更新方程中进行更新：
Figure DEST_PATH_IMAGE065
本发明的优点在于：
本发明一种考虑传感器故障的独立驱动电动车车辆状态估计方法，考虑了在传感器存在故障的情况下如何进行有效的车辆状态估计的问题，利用故障诊断的结果对Kalman滤波的结果进行修正，有效提高了车辆状态估计的鲁棒性。
附图说明
图1为本发明考虑传感器故障的独立驱动电动车车辆状态估计方法的框架图；
图2为本发明考虑传感器故障的独立驱动电动车车辆状态估计方法的流程图；
图3为本发明搭建的三自由度车辆模型示意图。
图4为本发明利用Kalman滤波算法进行车辆状态更新的流程图。
具体实施方式
下面将结合附图对本发明作进一步的详细说明。
本发明针对在传感器存在故障的情况下如何进行有效的车辆状态估计的问题，提出了一种考虑传感器故障的独立驱动电动车车辆状态估计方法，如图1所示，首先，基于车辆三自由度模型，搭建用于估计的状态空间方程，然后，利用Kalman滤波算法估计车辆状态；基于支持向量机的故障诊断，由于传感器可能发生故障，对传感器的测量信号进行故障信号补偿，是一种切实有效的方案。
如图2所示，具体步骤如下：
步骤一、根据四轮独立驱动电动汽车的运动学特性，在线性汽车模型基础上引入纵向方向自由度，使其具有纵向、横向及横摆三个运动方向的自由度，形成三自由度车辆模型；
如图3所示，车辆在质心处的纵向和横向加速度为：
Figure DEST_PATH_IMAGE066
（1）
Figure DEST_PATH_IMAGE067
（2）
其中，
Figure DEST_PATH_IMAGE068
是车辆纵向加速度；
Figure 75273DEST_PATH_IMAGE016
是车辆横向加速度；
Figure DEST_PATH_IMAGE069
是车辆纵向速度；
Figure DEST_PATH_IMAGE070
是车辆 横向速度；
Figure DEST_PATH_IMAGE071
是车辆所受的横摆角速度；
Figure DEST_PATH_IMAGE072
是车辆纵向速度的导数；
Figure DEST_PATH_IMAGE073
是车辆横向速度的导 数。
车辆动力学方程为：
Figure DEST_PATH_IMAGE074
（3）
Figure DEST_PATH_IMAGE075
（4）
Figure DEST_PATH_IMAGE076
（5）
其中，
Figure DEST_PATH_IMAGE077
是车辆质量；
Figure DEST_PATH_IMAGE078
为车辆左前轮的纵向力；
Figure DEST_PATH_IMAGE079
为左前轮的转向角、
Figure DEST_PATH_IMAGE080
为右 前轮的转向角；
Figure DEST_PATH_IMAGE081
为车辆右前轮的纵向力；
Figure DEST_PATH_IMAGE082
为车辆左后轮的纵向力；
Figure DEST_PATH_IMAGE083
为车辆右后轮 的纵向力；
Figure DEST_PATH_IMAGE084
为车辆左前轮的横向力；
Figure DEST_PATH_IMAGE085
为车辆右前轮的横向力；
Figure DEST_PATH_IMAGE086
为车辆左后轮的 横向力；
Figure DEST_PATH_IMAGE087
为车辆右后轮的横向力；
Figure 357919DEST_PATH_IMAGE009
是车辆的偏航惯性矩阵，
Figure DEST_PATH_IMAGE088
为四轮不同的转速的 加速度；下标
Figure DEST_PATH_IMAGE089
；
Figure DEST_PATH_IMAGE090
为前轮距；
Figure DEST_PATH_IMAGE091
为后轮距；
Figure DEST_PATH_IMAGE092
是前轮距质心的距离；
Figure DEST_PATH_IMAGE093
是后轮到 质心的距离；
将公式(1)(2)带入公式(3)-(4)，可得三自由度车辆模型公式如下：
Figure DEST_PATH_IMAGE094
（6）
Figure DEST_PATH_IMAGE095
（7）
Figure 223893DEST_PATH_IMAGE003
（8）
Figure DEST_PATH_IMAGE096
（9）
其中，
Figure DEST_PATH_IMAGE097
是前轮侧偏刚度；
Figure 808327DEST_PATH_IMAGE008
是后轮侧偏刚度；
Figure 458620DEST_PATH_IMAGE012
是质心侧偏角；
Figure 83242DEST_PATH_IMAGE013
是前轮转角。
步骤二、构建三自由度车辆模型的状态空间方程；
状态空间方程为：
Figure 377957DEST_PATH_IMAGE017
（10）
Figure 70975DEST_PATH_IMAGE018
（11）
步骤三、考虑过程噪声与测量噪声都为高斯白噪声，将三自由度车辆模型进行离散化，得到离散化的状态空间方程，并简化；
系统的状态空间方程可以表示为：
Figure DEST_PATH_IMAGE098
（12）
其中，
Figure DEST_PATH_IMAGE099
是过程噪声；
Figure DEST_PATH_IMAGE100
是测量噪声；
Figure DEST_PATH_IMAGE101
；
Figure DEST_PATH_IMAGE102
；
Figure DEST_PATH_IMAGE103
；
Figure DEST_PATH_IMAGE104
；
Figure DEST_PATH_IMAGE105
；
Figure DEST_PATH_IMAGE106
；
Figure DEST_PATH_IMAGE107
。
离散形式为：
Figure DEST_PATH_IMAGE108
（13）
其中，
Figure DEST_PATH_IMAGE109
、
Figure DEST_PATH_IMAGE110
、
Figure DEST_PATH_IMAGE111
、
Figure DEST_PATH_IMAGE112
、
Figure DEST_PATH_IMAGE113
、
Figure DEST_PATH_IMAGE114
、
Figure DEST_PATH_IMAGE115
即
Figure DEST_PATH_IMAGE116
、
Figure DEST_PATH_IMAGE117
、
Figure DEST_PATH_IMAGE118
、
Figure DEST_PATH_IMAGE119
、
Figure 359962DEST_PATH_IMAGE099
、
Figure DEST_PATH_IMAGE120
、
Figure DEST_PATH_IMAGE121
的离 散表达形式；k为离散系统采样时刻；
Figure 491735DEST_PATH_IMAGE019
时刻的状态空间方程表示为：
Figure 500011DEST_PATH_IMAGE020
Figure 242227DEST_PATH_IMAGE021
Figure 476899DEST_PATH_IMAGE022
是
Figure 553308DEST_PATH_IMAGE019
时刻的过程噪声；
Figure 822616DEST_PATH_IMAGE023
是
Figure 467224DEST_PATH_IMAGE019
时刻的测量噪声。
Figure DEST_PATH_IMAGE122
；
Figure 113493DEST_PATH_IMAGE027
；
Figure 868959DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE123
；
Figure 382986DEST_PATH_IMAGE030
；
Figure DEST_PATH_IMAGE124
；
步骤四、利用Kalman滤波算法对离散形式状态空间方程进行车辆状态的更新；
Kalman滤波可以有效解决过程噪声与测量噪声的影响，于是利用Kalman滤波算法进行车辆状态的估计，经典Kalman算法主要有两个过程：时间更新和观测更新。
时间更新过程是用此时刻的状态估算离散系统下一时刻的状态；
观测更新过程是根据时间更新值和此时刻的观测值估算下一时刻的观测值。
使用离散形式状态空间方程，利用Kalman滤波算法进行车辆状态的估计，估计流程如图4所示。具体流程为：
初始化：在
Figure DEST_PATH_IMAGE125
时，利用相关传感器参数，设置车辆参数横摆角速度、质心侧偏角 和纵向速度的初值。
时间更新：估计值一次先验计算：
Figure 903223DEST_PATH_IMAGE032
（14）
状态估计误差方差矩阵一次先验计算：
Figure 971542DEST_PATH_IMAGE033
（15）
其中，
Figure 796278DEST_PATH_IMAGE034
为预测方程的
Figure 648302DEST_PATH_IMAGE035
时刻的状态估计值；
Figure 634712DEST_PATH_IMAGE036
为预测方程的
Figure 65693DEST_PATH_IMAGE025
时 刻的状态估计值；
Figure 287596DEST_PATH_IMAGE037
为
Figure 231675DEST_PATH_IMAGE035
时刻状态估计误差协方差矩阵；
Figure 123407DEST_PATH_IMAGE038
为
Figure 307264DEST_PATH_IMAGE025
时刻的状态 估计误差协方差矩阵；
Figure 332858DEST_PATH_IMAGE039
为过程噪声协方差矩阵；
Figure DEST_PATH_IMAGE126
为
Figure DEST_PATH_IMAGE127
矩阵的转置。
测量更新：
反馈增益矩阵：
Figure DEST_PATH_IMAGE128
（16）
状态估计值：
Figure 6809DEST_PATH_IMAGE041
（17）
状态估计误差方差矩阵：
Figure 459656DEST_PATH_IMAGE042
（18）
其中，
Figure 865230DEST_PATH_IMAGE043
为
Figure 697444DEST_PATH_IMAGE035
时刻的滤波增益矩阵；
Figure 504863DEST_PATH_IMAGE044
为测量噪声协方差矩阵；
Figure DEST_PATH_IMAGE129
为单位矩 阵；
Figure 66294DEST_PATH_IMAGE045
为
Figure 83798DEST_PATH_IMAGE035
时刻的测量噪声协方差矩阵；
Figure 326560DEST_PATH_IMAGE047
为对矩阵
Figure 979697DEST_PATH_IMAGE048
更新后的 状态估计误差协方差矩阵；
Figure 39925DEST_PATH_IMAGE049
为利用残差和滤波增益得到的对
Figure 154512DEST_PATH_IMAGE034
更新后 的状态估计值。
通过对时间更新方程和观测更新方程进行迭代有限次后，即得到Kalman滤波的结果，一个采样时刻内的迭代次数按照精度需求人为设定。
步骤五、使用故障诊断信息对Kalman滤波的结果进行修正，抵消了传感器故障带来的影响，提高了估计器的鲁棒性。
由于传感器可能发生故障，所以利用传感器测得的输出值，与模型计算得到的输出值进行对比，可以得到输出值的残差，进而由门限值和故障特征向量决策部件是否发生故障，对故障信号进行补偿。
具体步骤为：
首先，利用三自由度车辆模型的不同传感器分别测得横向加速度的输出值，并两两做差得到三个残差向量；
具体为：
1）、由车辆上一时刻估计器得到的车辆纵向速度
Figure 60020DEST_PATH_IMAGE050
，横摆角速度
Figure 576452DEST_PATH_IMAGE011
和质心侧偏角
Figure 682948DEST_PATH_IMAGE012
确定车辆横向加速度的估计值
Figure 412394DEST_PATH_IMAGE051
；
2）、由横摆角速度传感器测量得到的横摆角速度值
Figure DEST_PATH_IMAGE130
计算横向加速度的计算值
Figure DEST_PATH_IMAGE131
；
3）、由横向加速度传感器测得横向加速度的测量值
Figure DEST_PATH_IMAGE132
。
将横向加速度的估计值
Figure 246227DEST_PATH_IMAGE051
，计算值
Figure 744729DEST_PATH_IMAGE053
和测量值
Figure 22127DEST_PATH_IMAGE132
两两做差，得到残差向量
Figure DEST_PATH_IMAGE133
，计算公式如下：
Figure 32677DEST_PATH_IMAGE056
Figure 420933DEST_PATH_IMAGE057
（19）
Figure 771012DEST_PATH_IMAGE058
然后，判断每个残差向量S i 是否超过预先设定的门限值，如果是，故障模块设置输出信号s i 为1。否则，输出信号s i 为0。
接着，将每个输出的残差信号分别与故障诊断逻辑表进行对比，残差信号与表中的值相符即视为相应的传感器出现故障。
表1为故障诊断逻辑表；
表1
<i>s</i><sub>1</sub> <i>s</i><sub>2</sub> <i>s</i><sub>3</sub>
无故障 0 0 0
横摆角速度传感器故障 0 1 1
横向加速度传感器故障 1 0 1
最后，利用
Figure 222240DEST_PATH_IMAGE059
时刻的故障，对Kalman滤波中
Figure 798715DEST_PATH_IMAGE035
时刻的测量值进行更新，并利用更 新的测量值进行观测状态估计值的更新；
测量值更新公式为：
Figure 115296DEST_PATH_IMAGE060
其中，
Figure 195247DEST_PATH_IMAGE061
为更新的输出值，
Figure 80027DEST_PATH_IMAGE062
；
Figure 2852DEST_PATH_IMAGE063
为故障诊断逻 辑表中的故障向量的转置矩阵。
然后，将
Figure 13138DEST_PATH_IMAGE064
代入观测更新方程中进行更新：
Figure 72230DEST_PATH_IMAGE065
（20）
使用故障诊断信息对Kalman滤波进行了修正，由于抵消了传感器故障带来的影响，提高了估计器的鲁棒性。

Claims (2)

1.一种考虑传感器故障的独立驱动电动车车辆状态估计方法，其特征在于，具体步骤如下：
步骤一、根据四轮独立驱动电动汽车的运动学特性，搭建具有纵向、横向、横摆特性的三自由度车辆模型；
三自由度车辆模型公式如下：
Figure FDA0003469196170000011
Figure FDA0003469196170000012
Figure FDA0003469196170000013
Figure FDA0003469196170000014
其中，a是前轮到质心的距离；kf是前轮侧偏刚度；b是后轮到质心的距离；kr是后轮侧偏刚度；Iz是车辆的偏航惯性矩；vx是车辆纵向速度；ω是车辆所受的横摆角速度；β是质心侧偏角；δ是前轮转角；m是车辆质量；ax是车辆纵向加速度；ay是车辆横向加速度；
步骤二、根据三自由度车辆模型构建状态空间方程；
状态空间方程为：
Figure FDA0003469196170000015
Figure FDA0003469196170000016
步骤三、考虑过程噪声与测量噪声都为高斯白噪声，将三自由度车辆模型进行离散化，得到离散化的状态空间方程，并简化；
步骤四、利用Kalman滤波算法对离散形式状态空间方程进行车辆状态的更新；
更新包括时间更新和观测更新；具体流程为：
时间更新方程为：
Figure FDA0003469196170000017
P(k+1/k)＝A(k)P(k/k)A(k)T+Q
其中，
Figure FDA0003469196170000021
为预测方程的k+1时刻的状态估计值；
Figure FDA0003469196170000022
为预测方程的k时刻的状态估计值；P(k+1/k)为k+1时刻状态估计误差协方差矩阵；P(k/k)为k时刻的状态估计误差协方差矩阵；Q为过程噪声协方差矩阵；
观测更新方程为：
K(k+1)＝P(k+1/k)C(k)T[C(k)P(k+1/k)C(k)T+R]-1
Figure FDA0003469196170000023
P(k+1/k+1)＝[I-K(k+1)C(k)]P(k+1/k)
其中，K(k+1)为k+1时刻的滤波增益矩阵；R为测量噪声协方差矩阵；y(k+1)为k+1时刻的测量噪声协方差矩阵；I为单位矩阵；P(k+1/k+1)为对矩阵P(k+1/k)更新后的状态估计误差协方差矩阵；
Figure FDA0003469196170000024
为利用残差和滤波增益得到的对
Figure FDA0003469196170000025
更新后的状态估计值；
通过对时间更新方程和观测更新方程进行迭代有限次后，即得到Kalman滤波的结果，迭代次数按照精度需求人为设定；
步骤五、使用故障诊断信息对Kalman滤波的结果进行修正，抵消了传感器故障带来的影响，提高了估计器的鲁棒性；
具体步骤为：
首先，利用三自由度车辆模型的不同传感器分别测得横向加速度的输出值，并两两做差得到三个残差向量；
具体为：
1)、由车辆估计器得到的车辆纵向速度vx，横摆角速度ω和质心侧偏角β确定车辆横向加速度的估计值
Figure FDA0003469196170000026
2)、由横摆角速度传感器测量得到的横摆角速度值ω*计算横向加速度的计算值
Figure FDA0003469196170000027
3)、由横向加速度传感器测得横向加速度的测量值a'y；
将横向加速度的估计值
Figure FDA0003469196170000028
计算值
Figure FDA0003469196170000029
和测量值a'y两两做差，得到残差向量[S1 S2 S3]，计算公式如下：
Figure FDA00034691961700000210
Figure FDA00034691961700000211
Figure FDA00034691961700000212
然后，判断每个残差向量Si是否超过预先设定的门限值，如果是，故障模块设置输出信号si为1；否则，输出信号si为0；
接着，将每个输出的残差信号分别与故障诊断逻辑表进行对比，残差信号与表中的值相符即视为相应的传感器出现故障；
最后，利用k时刻的故障，对Kalman滤波中k+1时刻的测量值进行更新，并利用更新的测量值进行观测状态估计值的更新；
测量值更新公式为：
Figure FDA0003469196170000031
其中，
Figure FDA0003469196170000032
为更新的输出值，gr(k)＝[S1 S2 S3]；[s1 s2 s3]T为故障诊断逻辑表中的故障向量的转置矩阵；
然后，将
Figure FDA0003469196170000033
代入观测更新方程中进行更新：
Figure FDA0003469196170000034
2.如权利要求1所述的一种考虑传感器故障的独立驱动电动车车辆状态估计方法，其特征在于，所述的步骤三中，k时刻的状态空间方程表示为：
Figure FDA0003469196170000035
Figure FDA0003469196170000036
w(k)是k时刻的过程噪声；v(k)是k时刻的测量噪声；
将方程中的各矩阵对应简写为：
x(k+1)＝A(k)x(k)+B(k)u(k)+w(k)
y(k)＝C(k)x(k)+ν(k)
其中，k是离散系统采样点；
Figure FDA0003469196170000037
Figure FDA0003469196170000041
y(k)＝ay(k)；
Figure FDA0003469196170000042
CN202011470478.2A 2020-12-14 2020-12-14 一种考虑传感器故障的独立驱动电动车车辆状态估计方法 Active CN112498362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011470478.2A CN112498362B (zh) 2020-12-14 2020-12-14 一种考虑传感器故障的独立驱动电动车车辆状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011470478.2A CN112498362B (zh) 2020-12-14 2020-12-14 一种考虑传感器故障的独立驱动电动车车辆状态估计方法

Publications (2)

Publication Number Publication Date
CN112498362A CN112498362A (zh) 2021-03-16
CN112498362B true CN112498362B (zh) 2022-04-22

Family

ID=74973127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011470478.2A Active CN112498362B (zh) 2020-12-14 2020-12-14 一种考虑传感器故障的独立驱动电动车车辆状态估计方法

Country Status (1)

Country Link
CN (1) CN112498362B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113431898B (zh) * 2021-08-27 2021-12-14 北京航空航天大学 一种自动变速器输出轴速度传感器故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103217172A (zh) * 2013-03-21 2013-07-24 哈尔滨工程大学 一种卡尔曼滤波传感器信息融合的故障检测方法
CN109508475A (zh) * 2018-10-17 2019-03-22 北京航空航天大学 一种基于多维卡尔曼滤波修正的故障主动预测方法
CN111796522A (zh) * 2020-07-16 2020-10-20 上海智驾汽车科技有限公司 一种车辆状态估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10360728A1 (de) * 2003-12-23 2005-07-21 Daimlerchrysler Ag Verfahren und Vorrichtung zur Bestimmung eines Fahrzeugzustandes

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103217172A (zh) * 2013-03-21 2013-07-24 哈尔滨工程大学 一种卡尔曼滤波传感器信息融合的故障检测方法
CN109508475A (zh) * 2018-10-17 2019-03-22 北京航空航天大学 一种基于多维卡尔曼滤波修正的故障主动预测方法
CN111796522A (zh) * 2020-07-16 2020-10-20 上海智驾汽车科技有限公司 一种车辆状态估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
四轮独立驱动电动汽车状态估计算法研究;李行健;《重庆大学》;重庆大学;20180401;第17-18，20-21页 *

Also Published As

Publication number Publication date
CN112498362A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN109606378B (zh) 面向非高斯噪声环境的车辆行驶状态估计方法
CN106250591B (zh) 一种考虑侧倾影响的汽车行驶状态估计方法
Kang et al. Comparative evaluation of dynamic and kinematic vehicle models
Ding et al. Event-triggered vehicle sideslip angle estimation based on low-cost sensors
CN113002549B (zh) 一种车辆状态估算方法、装置、设备及存储介质
Jeon et al. Development of an electric active rollcontrol (ARC) algorithm for a SUV
CN110588657B (zh) 一种针对车辆运动状态及道路坡度的联合估计方法
CN113183950B (zh) 一种电动汽车主动前轮转向的自适应控制方法
Zhang et al. Real-time estimation of vehicle mass and road grade based on multi-sensor data fusion
CN114454950B (zh) 一种双电机线控转向系统及其容错控制方法
CN111959516B (zh) 一种车辆状态与路面附着系数联合估计的方法
CN112498362B (zh) 一种考虑传感器故障的独立驱动电动车车辆状态估计方法
CN103661398A (zh) 一种基于滑模观测器的车辆非转向左后轮线速度估计方法
Xin et al. Vehicle state estimation using cubature kalman filter
CN110641475A (zh) 基于合作博弈的四轮独立驱动电动汽车分层容错控制方法
CN108394413B (zh) 一种四轮独立驱动与转向的电动汽车状态与参数校正方法
CN111062088B (zh) 一种四轮独立驱动电动汽车参考车速容错自适应估计方法
CN113063414A (zh) 一种用于视觉惯性slam的车辆动力学预积分构建方法
CN112287289A (zh) 一种面向云控智能底盘的车辆非线性状态融合估计方法
CN116141984A (zh) 车辆及其控制方法和控制装置、计算机可读存储介质
Tan et al. Vehicle state estimation of steer by wire system based on multi sensor fusion
CN113978476A (zh) 一种考虑传感器数据丢失的线控汽车轮胎侧向力估计方法
Oudghiri et al. Control and sensor fault-tolerance of vehicle lateral dynamics
Guo et al. Vehicle velocities estimation based on mixed EKF
CN113650621B (zh) 面向复杂工况的分布式驱动电动汽车状态参数估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant