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 PDFInfo
- 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
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
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:
其中,是前轮到质心的距离;是前轮侧偏刚度;是后轮到质心的距离;是后
轮侧偏刚度;是车辆的偏航惯性矩;是车辆纵向速度;是车辆所受的横摆角速度;
是质心侧偏角;是前轮转角;是车辆质量;是车辆纵向加速度;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:
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;
将方程中的各矩阵对应简写为:
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:
观测更新方程为:
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:
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 |
测量值更新公式为:
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:
车辆动力学方程为:
其中,是车辆质量;为车辆左前轮的纵向力;为左前轮的转向角、为右
前轮的转向角;为车辆右前轮的纵向力;为车辆左后轮的纵向力;为车辆右后轮
的纵向力;为车辆左前轮的横向力; 为车辆右前轮的横向力;为车辆左后轮的
横向力; 为车辆右后轮的横向力;是车辆的偏航惯性矩阵,为四轮不同的转速的
加速度;下标;为前轮距;为后轮距;是前轮距质心的距离;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:
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:
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:
离散形式为:
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:
时间更新:估计值一次先验计算:
状态估计误差方差矩阵一次先验计算:
测量更新:
反馈增益矩阵:
状态估计值:
状态估计误差方差矩阵:
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:
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 |
测量值更新公式为:
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:
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:
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:
P(k+1/k)=A(k)P(k/k)A(k)T+Q
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
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;为利用残差和滤波增益得到的对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:
3)、由横向加速度传感器测得横向加速度的测量值a'y;
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:
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)
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)
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)
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 |
-
2020
- 2020-12-14 CN CN202011470478.2A patent/CN112498362B/zh active Active
Patent Citations (3)
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)
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 |