CN113721509B - 一种基于集装箱货车信号采集装置的参数估计方法 - Google Patents

一种基于集装箱货车信号采集装置的参数估计方法 Download PDF

Info

Publication number
CN113721509B
CN113721509B CN202110983468.7A CN202110983468A CN113721509B CN 113721509 B CN113721509 B CN 113721509B CN 202110983468 A CN202110983468 A CN 202110983468A CN 113721509 B CN113721509 B CN 113721509B
Authority
CN
China
Prior art keywords
container truck
truck
container
wheel
rear axle
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
CN202110983468.7A
Other languages
English (en)
Other versions
CN113721509A (zh
Inventor
贺宜
高林
吴青
王一泓
徐丰
王颂
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110983468.7A priority Critical patent/CN113721509B/zh
Publication of CN113721509A publication Critical patent/CN113721509A/zh
Application granted granted Critical
Publication of CN113721509B publication Critical patent/CN113721509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—Input/output
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24215—Scada supervisory control and data acquisition

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种基于集装箱货车信号采集装置的参数估计方法，首先考虑集装箱货车载货后集装箱货车质量和质心位置将产生变化。集装箱货车在稳定加速行驶时，基于纵向动力学和车轮动力学模型在低滑移率下的纵向力和垂向力关系和对质心到前轴的位置和质心高度进行解耦，设计了递归最小二乘法和容积卡尔曼滤波相结合的估计框架，从而实现对集装箱货车质量、质心高度和质心到前轴位置估计。本发明基于考虑载荷参数变化下的集装箱货车稳定加速行驶时，基于纵向动力学模型和轮胎动力学模型和低滑移率下的纵向力和垂向力关系和对质心到前轴位置和质心高度解耦，采用估计框架可以有效的估计集装箱货车的质量和质心高度和质心到前轴的位置。

Description

一种基于集装箱货车信号采集装置的参数估计方法
技术领域
本发明属于集装箱货车主动安全控制领域，具体涉及一种基于集装箱货车信号采集装置的参数估计方法。
背景技术
近年来，驾驶员的安全性和车辆的稳定性越来越受到研究人员的重视，因此准确获取车辆在行驶过程中的参数尤为重要，集装箱货车惯性参数是集装箱货车控制算法中的重要参数。集装箱货车在载货之后，质量和质心距前轴的位置和质心高度都将产生变化。这将间接影响集装箱货车轮胎的纵向力、侧向力、侧倾稳定性和操作稳定性。因此要实现主动安全系统有效可靠的控制，就需要实时准确获取货车行驶过程中的货车惯性参数信息。
然而，传统的测量的质心位置都需要在实验台上进行，但对于大型集装箱货车因外廓尺寸和重量等问题很难实现质心位置的计算。尤其在集装箱货车载货之后质心位置更加难以通过实验台进行计算。同时基于实际集装箱货车工程应用视角，如何基于现有集装箱货车加速度计传感器、轮速传感器和CAN总线信息，在线估计集装箱货车载货之后的质心距前轴位置和质心高度是集装箱货车工程应用中的难题。
目前的集装箱货车惯性参数估计研究中，大部分研究主要集中在对货车载货之后对货车的质量和道路坡度进行估计，而对于货车装载货物在运行过程中的货物加载致使集装箱货车的惯性参数改变的研究还很少。由于货物的加载会使得集装箱货车质心距后轴的位置、质心高度也产生改变，将直接影响集装箱货车底盘系统的操作特性、稳定性和控制性能。因此实时获取对集装箱载货行驶时的质心距后轴的位置和质心高度信息就显得极其重要。
本发明的目的提供了一种集装箱货车载货运行时基于纵向动力学和车轮动力学的货车惯性参数信息的三层估计框架结构。第一层结构，首先建立了基于集装箱货车载货行驶时的货车纵向动力学模型，通过不同遗忘因子的双递归最小二乘法来估计集装箱货车的质量和道路坡度，并将第一层结构的质量的估计值传入下一层中作为观测变量，第二层结构，利用集装箱货车稳定运行后的加速过程中轮胎处以低滑移率下垂向力和纵向力的关系式代入并轮胎动力学模型中，采用容积卡尔曼滤波算法来估计集装箱货车的垂向力和纵向力。第三层结构通过车轮纵向力和垂向力对质心到前轴的位置和质心高度进行解耦，并通过基于遗忘因子递归最小二乘法对集装箱货车质心位置和质心高度进行估计，通过三层估计结构，使集装箱货车在稳定加速过程中便能准确估计。因此所提出的三层框架结构具有实时性强、可靠性强和精度高等优点。
发明内容
本发明的技术方案为一种基于集装箱货车信号采集装置的参数估计方法，其特征在于：
所述集装箱货车信号采集装置包括：CAN总线采集装置、CAN总线、微控制器、加速度计传感器和轮速传感器；
所述微控制器与所述CAN总线采集装置通过有线方式连接；
所述的CAN总线采集装置与所述的CAN总线通过有线方式连接；
所述的CAN总线与所述的加速度计传感器和轮速传感器通过有线方式连接
所述的加速度计传感器装在集装箱货车的质心纵轴处，并进行标定；
所述轮速传感器装载至各车轮上，并进行标定；
所述的加速度计传感器用于采集集装箱货车的纵向加速度，将集装箱货车的纵向加速度通过所述的CAN总线采集装置传输至所述的微处理器；
所述的轮速传感器用于采集集装箱货车的各个车轮的转速，将集装箱货车的各个车轮的转速通过所述的CAN总线采集装置传输至所述的微处理器；
所述的集装箱货车CAN总线用于采集集装箱货车的发动机扭矩、发动机转速、变速器传动比、纵向车速，并通过所述CAN总线采集装置传输至所述微处理器
所述参数估计方法，包括以下步骤：
步骤1：构建集装箱货车纵向动力学模型，将原始集装箱货车纵向动力学模型进一步化简得到集装箱货车纵向动力学模型，进一步构建集装箱货车质量估计模型、道路坡度估计模型，结合不同遗忘因子的双递归最小二乘法的算法分别对集装箱货车质量估计模型进行集装箱货车质量估计得到估计后集装箱货车质量、对道路坡度估计模型进行道路坡度估计得到估计后道路坡度得到估计后道路坡度；
步骤2：构建集装箱货车车轮动力学模型，结合集装箱货车处于低滑移率情况下集装箱货车前后轴车轮纵向力和集装箱货车前后轴车轮垂向力的模型，得到集装箱货车前后轴车轮垂向力估计模型；
步骤3：基于步骤2所获得基于集装箱货车前后轴车轮垂向力的车轮动力学观测器模型，结合容积卡尔曼滤波算法对集装箱货车前后轴车轮的垂向力进行估计，根据容积卡尔曼滤波估计出的集装箱货车前后轴车轮的垂向力代入集装箱货车前后轴车轮的纵向力方程式中，最终得到集装箱货车前后轴车轮的垂向力和纵向力；
步骤4：根据步骤3中所述的集装箱货车前后轴车轮的垂向力和纵向力，根据力矩平衡方程实现质心高度和质心到前轴的位置解耦，得到集装箱货车质心到前轴的位置估计模型，将集装箱货车质心到前轴的位置估计模型结合基于遗忘因子的递归最小二乘法对集装箱货车质心到前轴位置估计，得到集装箱货车质心到前轴位置，并结合集装箱货车后轴车轮垂向力方程式，得到集装箱货车质心高度值。
步骤1所述集装箱货车纵向动力学模型为：
考虑到公路路线设计规范，道路坡度一般较小，则假设cos(β)＝1，sin(β)＝tan(β)＝β；进一步集装箱货车纵向动力学模型可以简化为：
式中：Facc为集装箱货车的惯性力，Ft为集装箱货车的驱动力，Fair为集装箱货车的空气阻力，Ff为集装箱货车的滚动阻力，Fgrade为集装箱货车的坡度阻力，δ为旋转质量换算系数，m为集装箱货车的质量，为集装箱货车的纵向加速度，通过加装于集装箱货车上面的加速度计进行采集，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，re为集装箱货车车轮有效滚动半径，Cd为空气阻力系统，A为集装箱货车迎风面积，ρ为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，g为重力加速度，f为滚动阻力系数，β为道路坡度值，Iw为集装箱货车车轮的转动惯量，If为集装箱货车飞轮的转动惯量；
步骤1所述的质量估计模型为
上式中：
其中y1是纵向加速度是通过加装加速度计进行采集的、重力加速度g、滚动阻力系数和道路坡度值β的测量函数，为系数矩阵，θ1为待估计的集装箱货车质量值的倒数；
步骤1所述的道路坡度估计模型为：
上式中：
其中y2是驱动力、空气阻力、坡度阻力和惯性力的测量函数，为系数矩阵，θ1为待估计道路坡度值；
根据步骤1所述的不同遗忘因子的双递归最小二乘法的集装箱货车质量和道路坡度估计器的具体包括以下步骤：
初始化：需要初始化的值分别为：质量估计值道路坡度估计值质量估计值协方差矩阵P1(0)、道路坡度估计值协方差矩阵P2(0)、质量估计值的遗忘因子λ1和道路坡度估计值的遗忘因子λ2；
将道路坡度初值传入集装箱货车质量的遗忘因子的递归最小二乘法的算法中
计算集装箱货车质量的增益K1
更新误差协方差矩阵P1(k)
更新状态值
将集装箱货车质量的估计值传入道路坡度的遗忘因子的递归最小二乘法的算法中计算集装箱货车质量的增益K2
更新误差协方差矩阵P2(k)
更新状态值
循环迭代，满足要求，停止迭代。
所述的步骤2所述的集装箱货车前后轴车轮动力学模型为：
集装箱货车通常采用前置后驱，通过后轴车轮提供驱动力矩，当集装箱货车行驶时，集装箱货车车轮前后轴动力学方程分别为：
上式中J1为集装箱货车前轴车轮的转动惯量，为集装箱货车前轴车轮的角加速度，Tf为集装箱货车前轴车轮的驱动力矩，re为集装箱货车车轮有效滚动半径，f为集装箱货车前轴车轮的滚动阻力系数，Fzf为集装箱货车前轴车轮的垂向力，Fxf为集装箱货车前轴车轮的纵向力，J2为集装箱货车后轴车轮的转动惯量，为集装箱货车后轴车轮的角加速度，Tr为集装箱货车后轴车轮的驱动力矩，Fzr为集装箱货车后轴车轮的垂向力，Fxr为集装箱货车后轴车轮的纵向力。
根据集装箱货车车轮受力分析可知
上式中：Fxf为集装箱货车前轮轮胎纵向力，Fxr为集装箱货车后轮轮胎纵向力，f为轮胎滚动阻力系数，Fzf为集装箱货车前轮的轮胎垂向力，Fzr为集装箱小货车后轮的轮胎垂向力，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，re为集装箱货车车轮有效滚动半径；
所述步骤2中的集装箱货车在低滑移率下集装箱货车前后轴车轮垂向力和集装箱货车前后轴车轮纵向力模型为：
当集装箱货车在稳定加速过程中，车轮处于低滑移率下，因此集装箱货车前后轴车轮垂向力和纵向力的关系式如下式所示:
kf和kr分别为集装箱货车前轴车轮的滑移斜率和后轴车轮的滑移斜率；sf和sr分别为集装箱货车前轴车轮的滑移率和后轴车轮的滑移斜率；Fzf和Fzr分别为集装箱货车前轴车轮的垂向力和后轴车轮的垂向力；
其中前后轴车轮的纵向滑移率如下式所示：
sf＝(rewf-vx)/max(rewf,vx)
sr＝(rewr-vx)/max(rewr,vx)
式中sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，wf为集装箱货车前轴车轮的角速度，通过轮速传感器进行采集，wr为集装箱货车后轴车轮的角速度，通过轮速传感器进行采集，re为集装箱货车车轮的有效滚动半径，通过轮速传感器进行采集，vx为集装箱货车的纵向速度，通过CAN总线进行采集；
通过集装箱货车前后轴车轮垂向力和纵向力方程式，假设kf≈kr，因此可得到如下方程式：
结合方程式：
基于上面两个方程式得到如下方程式：
Fxf为集装箱货车前轮轮胎纵向力，Fxr为集装箱货车后轮轮胎纵向力，Fzf为集装箱货车前轮的轮胎垂向力，Fzr为集装箱小货车后轮的轮胎垂向力，sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，f为轮胎滚动阻力系数，Ttq为集装箱货车的发动机扭矩，通过CAN总线进行采集ig为集装箱货车变速器传动比，通过CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，re为集装箱货车车轮有效滚动半径，
步骤2所述的集装箱货车前后轴车轮垂向力估计模型为：
通过集装箱货车前后轴车轮动力学方程式与低滑移率下货车前后轴车轮垂向力和货车前后轴车轮纵向力方程式，可得到关于基于货车前后轴车轮垂向力的车轮动力学方程式：
上式中J1为集装箱货车前轴车轮的转动惯量，为集装箱货车前轴车轮的角加速度，Tf为集装箱货车前轴车轮的驱动力矩，re为集装箱货车车轮有效滚动半径，f为集装箱货车前轴车轮的滚动阻力系数，Fzf为集装箱货车前轴车轮的垂向力，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，J2为集装箱货车后轴车轮的转动惯量，为集装箱货车后轴车轮的角加速度，Tr为集装箱货车后轴车轮的驱动力矩，Fzr为集装箱货车后轴车轮的垂向力；
建立基于集装箱货车前后轴车轮垂向力的车轮动力学的容积卡尔曼滤波观测器的状态方程和观测方程如下式所示：
上述状态观测系统中，x(k)为集装箱货车车轮动力学观测系统的状态变量，u(k)是集装箱货车车轮动力学观测系统的输入变量，y(k)是集装箱货车车轮动力学观测系统的量测变量，Qm(k)为系统的过程噪声，是均值为零的高斯白噪声，Wm(k)为观测系统的量测噪声，是均值为零的高斯白噪声；
定义系统的状态变量：
x(t)＝(wf,wr,Fzf,Fzr)
其中wf为集装箱货车前轴车轮角速度，wr为集装箱货车前轴车轮角速度，Fzf为集装箱货车前轴车轮的垂向力，Fzr为集装箱货车后轴车轮的垂向力；
系统的观测变量：
y(t)＝(wf,wr,m)，
其中wf为集装箱货车前轴车轮角速度，wr为集装箱货车前轴车轮角速度，m为集装箱货车质量通过步骤1不同遗忘因子的递归最小二乘法估计获得；
由于容积卡尔曼滤波观测器是一种递推算法，因此对集装箱货车前后轴车轮垂向力的车轮动力学通过前向欧拉法进行离散化，可以得到下面离散化方程表示：
状态方程:
Fzf(k)＝Fzf(k-1)
Fzr(k)＝Fzr(k-1)
式中：wf(k)为k时刻的集装箱货车前轴车轮角速度，wf(k-1)为k-1时刻的集装箱货车前轴车轮角速度，wr(k)为k时刻的集装箱货车后轴车轮角速度，wr(k-1)为k-1时刻的集装箱货车后轴车轮角速度，Tf为集装箱货车前轴车轮的驱动力矩，re为集装箱货车车轮有效滚动半径，f为集装箱货车前轴车轮的滚动阻力系数，Fzf(k-1)为k-1时刻的集装箱货车前轴车轮的垂向力，Fzr(k-1)为k-1时刻的集装箱货车后轴车轮的垂向力，Fzf(k)为k时刻集装箱货车后轴车轮的垂向力，Fzr(k)为k时刻集装箱货车后轴车轮的垂向力，sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集，ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，J1为集装箱货车前轴车轮的转动惯量，J2为集装箱货车后轴车轮的转动惯量，wr为集装箱货车后轴车轮的角加速度，Tr为集装箱货车后轴车轮的驱动力矩；
观测方程：
上式中，wr(k)为k时刻的集装箱货车后轴车轮角速度，wr(k)为k时刻的集装箱货车后轴车轮角速度，m为集装箱货车质量通过步骤1不同遗忘因子的递归最小二乘法估计获得，Fzf(k)为k时刻集装箱货车后轴车轮的垂向力，Fzr(k)为k时刻集装箱货车后轴车轮的垂向力。
步骤3中所述结合容积卡尔曼滤波估计器对集装箱货车前后轴车轮的垂向力进行估计的具体包括以下步骤；
步骤3.1：初始化
将步骤1中通过不同遗忘因子的双递归最小二乘法估计的集装箱货车的质量，传入系统中作为观测变量，并设置估计状态变量初值状态估计过程噪声矩阵Q、状态估计量测噪声矩阵W和初始状态误差协方差矩阵p(0)；
步骤3.2：状态变量的时间更新
状态变量误差协方差矩阵p(k-1|k-1)进行Cholesky分解
D((k-1|k-1)＝chol(p(k-1|k-1))
式中：chol()代表Cholesky分解，将一个正定矩阵分解成下三角矩阵与其共轭之乘积，D((k-1|k-1)为p(k-1|k-1)分解后的下三角矩阵；
生成容积点
式中，容积点其中[1]j表示容积点集中的第j个元素，n为容积点总数，采用三阶容积原则时容积点总数是状态维数的2倍；
容积点传播：
式中为传播后的容积点；
计算状态变量的预测值
计算先验误差协方差矩阵p(k|k-1)
式中为传播后的容积点，为状态变量的预测值，Q为过程噪声矩阵；
步骤3.3：状态变量的量测更新；
对更新后的状态误差协方差矩阵p(k|k-1)进行分解
D((k|k-1)＝chol(p(k|k-1))
生成容积点Xj(k|k-1)
式中，容积点其中[1]j表示容积点集中的第j个元素，n为容积点总数，采用三阶容积原则时容积点总数是状态维数的2倍；
传播容积点Zj(k|k-1)
Zj(k|k-1)＝h(Xj(k|k-1))
更新状态变量量测方程的预测值
新息协方差矩阵pzz(k|k-1)
式中Zj(k|k-1)为传播后的容积点，为状态变量量测方程的预测值W为测量噪声矩阵；
计算互协方差矩阵pxz(k|k-1)
式中Xj(k|k-1)为容积点，Zj(k|k-1)为传播后的容积点，为量测方程的预测值，为状态变量预测值；
计算容积卡尔曼滤波增益矩阵Kk
Kk＝pxz(k|k-1)(pxx(k|k-1))-1
式中pxz(k|k-1)为互协方差矩阵，pzz(k|k-1)为新息协方差矩阵；
计算状态变量的估计值
式中为状态变量预测值，Kk为容积卡尔曼滤波增益矩阵，z(k|k)为测量值，为量测方程的预测值
更新后验误差协方差p(k|k)
式中p(k|k-1)先验误差协方差矩阵，Kk为容积卡尔曼滤波增益矩阵，pzz(k|k-1)为新息协方差矩阵；
步骤3所述的集装箱货车前后轴车轮的垂向力和纵向力的方程式如下式所示
式中Fxf为集装箱货车前轴车轮的纵向力，Fxr为集装箱货车后轴车轮的纵向力，Fzf为集装箱货车前轴车轮的垂向力，Fzr为集装箱货车后轴车轮的垂向力，sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，f为轮胎滚动阻力系数，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，re为集装箱货车车轮有效滚动半径；
将基于集装箱货车前后轴车轮垂向力的车轮动力学观测器模型结合容积卡尔曼滤波估计器对集装箱货车车轮前后轴的垂向力的估计值代入集装箱货车车轮前后轴垂向力和纵向力的方程式中，来获得集装箱货车车轮前后轴的纵向力。
步骤4所述的根据力矩平衡方程实现集装箱货车质心高度和质心到前轴位置的解耦，得到集装箱货车质心到前轴的位置估计模型为：
为了实现质心高度和质心到前轴位置的解耦，对集装箱货车进行受力分析，对集装箱货车质心求矩，并假设hs＝h,列其力矩平衡方程如下式所示：
Fzflf+Fxfh+Fxrh-Fzr(L-lf)＝0
式中，为集装箱货车前轴车轮的纵向力，为集装箱货车后轴车轮的纵向力，为集装箱货车前轴车轮的垂向力，为集装箱货车后轴车轮的垂向力，lf为集装箱货车质心到前轴的位置,h为集装箱货车质心高度；
整理得质心高度关于质心到前轴位置的关系式：
代入集装箱货车后轴车轮的垂向力关系式里面；
式中，Fzr为集装箱货车后轴车轮的垂向力，m为集装箱货车质量，g为重力加速度，lf为集装箱货车质心距前轴的距离，ax为集装箱货车的纵向加速度，通过加速度计进行采集；h为集装箱货车质心高度，Cd为空气阻力系统，A为集装箱货车迎风面积，ρ为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，L为集装箱货车前轴到后轴的距离；
得到集装箱货车质心到前轴的位置估计模型；
式中，Fzr为集装箱货车后轴车轮的垂向力，m为集装箱货车质量，g为重力加速度，lf为集装箱货车质心距前轴的距离，ax为集装箱货车的纵向加速度，通过加速度计进行采集；h为集装箱货车质心高度，Cd为空气阻力系统，A为集装箱货车迎风面积，ρ为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，L为集装箱货车前轴到后轴的距离；
步骤4所述将集装箱货车质心到前轴的位置模型结合基于遗忘因子的递归最小二乘法对集装箱货车质心到前轴位置估计，得到集装箱货车质心到前轴位置；
步骤4中所述的集装箱货车质心到前轴位置估计模型为：
上式中：
其中y3是垂向力、空气阻力和纵向力的测量函数，为系数矩阵，θ1为待估计集装箱货车质心到前轴的位置；
步骤4所述的基于遗忘因子的递归最小二乘法的集装箱货车质心到前轴位置的估计器具体包括以下步骤：
初始化：需要初始化的值分别为：集装箱货车质心位置初值质心位置估计值协方差矩阵P3(0)、质量估计值的遗忘因子λ3；
将集装箱货车质心位置初值传入基于遗忘因子的递归最小二乘法的算法中
计算装箱货车质心位置的增益K3
更新误差协方差矩阵P3(k)
更新状态值
循环迭代；满足要求，停止迭代；
将得到的集装箱货车质心到前轴的位置估计结果代入以下方程式中
式中：Fzr为集装箱货车后轴车轮垂向力，m为集装箱货车质量，g为重力加速度，lf为集装箱货车质心距前轴的距离，ax为集装箱货车的纵向加速度，通过加速度计进行采集；h为集装箱货车质心高度，Cd为空气阻力系统，A为集装箱货车迎风面积，ρ为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，L为集装箱货车前轴到后轴的距离；
将基于遗忘因子的递归最小二乘法的集装箱货车质心到前轴位置的估计器对集装箱货车质心到前轴的位置的估计值代入集装箱货车车轮后轴垂向力Fzr的方程式中，来获得集装箱货车质心高度值。
本发明在对集装箱货车载货之后基于纵向动力学模型进行质量和道路坡度进行估计，并在此基础上考虑了集装箱货车载货之后，其质心距后轴的位置和质心高度将发生改变。并基于集装箱货车在直线行驶稳定加速过程中车轮处以低滑移率的情况下，纵向力和垂向力的关系式来构建关车轮垂向力的车轮动力学模型，基于获得车轮纵向力和垂向力对质心到前轴的位置和质心高度进行解耦，最终得到集装箱小货车质心到前轴的位置和质心高度估计值。
本发明在对集装箱货车载货之后的质量、质心到后轴的位置和质心高度估计过程中，采用三层估计结构，第一层结构使用不同遗忘因子的双递归最小二乘法来估计集装箱货车质量和道路坡度，第二层结构采用容积卡尔曼滤波算法来估计集装箱货车的垂向力和纵向力。第三层结构通过车轮纵向力和垂向力对质心到前轴的位置和质心高度进行解耦，并通过基于遗忘因子递归最小二乘法对集装箱货车质心位置和质心高度进行估计，通过三层估计结构，使集装箱货车在稳定加速过程中便能准确估计。
附图说明
图1：是本发明集装箱货车载货时货车惯性参数的整体设计框图。
图2：是本发明不同遗忘因子的双递归最小二乘法流程图。
图3：是本发明集装箱货车受力分析图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图及实例对本发明进行进一步详细说明，应当理解，此处描述的具体实施方式仅用于解释本发明，并不限定本发明。
本发明通过Trucksim与Matlab/Simulink联合仿真将Trucksim中货车的仿真模型数据传给Simulink，再通过Matlab/Simulink对设计的基于多算法融合的三层估计结构算法实现编写，最终实现集装箱货车载货之后的货车质量、质心距后轴的位置和质心高度估计。
下面结合图1至图3介绍本发明的具体实施方式为一种基于集装箱货车信号采集装置的多算法融合参数估计方法，其特征在于：
所述的集装箱货车信号采集装置包括：
CAN总线采集装置、CAN总线、微控制器、加速度计传感器和轮速传感器；
所述微控制器与所述CAN总线采集装置通过有线方式连接；
所述的CAN总线采集装置与所述的CAN总线通过有线方式连接；
所述的CAN总线与所述的加速度计传感器和轮速传感器通过有线方式连接
所述的加速度计传感器装在集装箱货车的质心纵轴处，并进行标定；
所述轮速传感器装载至各车轮上，并进行标定。
所述的加速度计传感器用于采集集装箱货车的纵向加速度，将集装箱货车的纵向加速度通过所述的CAN总线采集装置传输至所述的微处理器；
所述的轮速传感器用于采集集装箱货车的各个车轮的转速，将集装箱货车的各个车轮的转速通过所述的CAN总线采集装置传输至所述的微处理器。
所述的集装箱货车CAN总线用于采集集装箱货车的发动机扭矩、发动机转速、变速器传动比、纵向车速，并通过所述CAN总线采集装置传输至所述微处理器；
所述CAN总线采集装置选型为USBCAN-II；
所述微控制器选型为FS32K144HAMLL；
所述加速度计传感器选型为MXP7205VF；
所述轮速传感器选型为WABCO4410328090；
所述一种基于集装箱货车信号采集装置的参数估计方法，其特征在于，包括以下步骤：
步骤1：构建集装箱货车纵向动力学模型，将原始集装箱货车纵向动力学模型进一步化简得到集装箱货车纵向动力学模型，进一步构建集装箱货车质量估计模型、道路坡度估计模型，结合不同遗忘因子的双递归最小二乘法的算法分别对集装箱货车质量估计模型进行集装箱货车质量估计得到估计后集装箱货车质量、对道路坡度估计模型进行道路坡度估计得到估计后道路坡度得到估计后道路坡度；
步骤1所述集装箱货车纵向动力学模型为：
考虑到公路路线设计规范，道路坡度一般较小，则假设cos(β)＝1，
sin(β)＝tan(β)＝β；进一步集装箱货车纵向动力学模型可以简化为：
式中：Facc为集装箱货车的惯性力，Ft为集装箱货车的驱动力，Fair为集装箱货车的空气阻力，Ff为集装箱货车的滚动阻力，Fgrade为集装箱货车的坡度阻力，δ为旋转质量换算系数，m为集装箱货车的质量，为集装箱货车的纵向加速度，通过加装于集装箱货车上面的加速度计进行采集，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0＝5为集装箱货车的最终传动系统传动比，η＝0.92为集装箱货车传动系统效率，re＝0.51为集装箱货车车轮有效滚动半径，Cd＝0.68为空气阻力系统，A＝6.8为集装箱货车迎风面积，ρ＝1.206为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，g＝9.8为重力加速度，f为滚动阻力系数，β为道路坡度值，Iw＝14为集装箱货车车轮的转动惯量，If为集装箱货车飞轮的转动惯量；
步骤1所述的质量估计模型为
上式中：
其中y1是纵向加速度是通过加装加速度计进行采集的、重力加速度g、滚动阻力系数和道路坡度值β的测量函数，为系数矩阵，θ1为待估计的集装箱货车质量值的倒数。
步骤1所述的道路坡度估计模型为：
上式中：
其中y2是驱动力、空气阻力、坡度阻力和惯性力的测量函数，为系数矩阵，θ1为待估计道路坡度值。
根据步骤1所述的不同遗忘因子的双递归最小二乘法的集装箱货车质量和道路坡度估计器的具体包括以下步骤：
初始化：需要初始化的值分别为：质量估计值道路坡度估计值质量估计值协方差矩阵P1(0)、道路坡度估计值协方差矩阵P2(0)、质量估计值的遗忘因子λ1和道路坡度估计值的遗忘因子λ2；
将道路坡度初值传入集装箱货车质量的遗忘因子的递归最小二乘法的算法中
计算集装箱货车质量的增益K1
更新误差协方差矩阵P1(k)
更新状态值
将集装箱货车质量的估计值传入道路坡度的遗忘因子的递归最小二乘法的算法中计算集装箱货车质量的增益K2
更新误差协方差矩阵P2(k)
更新状态值
循环迭代。满足要求，停止迭代。
步骤2：构建集装箱货车车轮动力学模型，结合集装箱货车处于低滑移率情况下集装箱货车前后轴车轮纵向力和集装箱货车前后轴车轮垂向力的模型，得到集装箱货车前后轴车轮垂向力估计模型。
所述的步骤2所述的集装箱货车前后轴车轮动力学模型为：
集装箱货车通常采用前置后驱，通过后轴车轮提供驱动力矩，当集装箱货车行驶时，集装箱货车车轮前后轴动力学方程分别为：
上式中J1＝14为集装箱货车前轴车轮的转动惯量，为集装箱货车前轴车轮的角加速度，Tf为集装箱货车前轴车轮的驱动力矩，re＝0.51为集装箱货车车轮有效滚动半径，f为集装箱货车前轴车轮的滚动阻力系数，Fzf为集装箱货车前轴车轮的垂向力，Fxf为集装箱货车前轴车轮的纵向力，J2＝14为集装箱货车后轴车轮的转动惯量，为集装箱货车后轴车轮的角加速度，Tr为集装箱货车后轴车轮的驱动力矩，Fzr为集装箱货车后轴车轮的垂向力，Fxr为集装箱货车后轴车轮的纵向力。
根据集装箱货车车轮受力分析可知
上式中：Fxf为集装箱货车前轮轮胎纵向力，Fxr为集装箱货车后轮轮胎纵向力，f为轮胎滚动阻力系数，Fzf为集装箱货车前轮的轮胎垂向力，Fzr为集装箱小货车后轮的轮胎垂向力，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0＝5为集装箱货车的最终传动系统传动比，η＝0.92为集装箱货车传动系统效率，re＝0.51为集装箱货车车轮有效滚动半径。
所述步骤2中的集装箱货车在低滑移率下集装箱货车前后轴车轮垂向力和集装箱货车前后轴车轮纵向力模型为：
当集装箱货车在稳定加速过程中，车轮处于低滑移率下，因此集装箱货车前后轴车轮垂向力和纵向力的关系式如下式所示:
kf和kr分别为集装箱货车前轴车轮的滑移斜率和后轴车轮的滑移斜率。sf和sr分别为集装箱货车前轴车轮的滑移率和后轴车轮的滑移斜率。Fzf和Fzr分别为集装箱货车前轴车轮的垂向力和后轴车轮的垂向力。
其中前后轴车轮的纵向滑移率如下式所示：
sf＝(rewf-vx)/max(rewf,vx)
sr＝(rewr-vx)/max(rewr,vx)
式中sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，wf为集装箱货车前轴车轮的角速度，通过轮速传感器进行采集，wr为集装箱货车后轴车轮的角速度，通过轮速传感器进行采集，re＝0.51为集装箱货车车轮的有效滚动半径，通过轮速传感器进行采集，vx为集装箱货车的纵向速度，通过CAN总线进行采集。
通过集装箱货车前后轴车轮垂向力和纵向力方程式，假设kf≈kr，因此可得到如下方程式：
结合方程式：
基于上面两个方程式得到如下方程式：
Fxf为集装箱货车前轮轮胎纵向力，Fxr为集装箱货车后轮轮胎纵向力，Fzf为集装箱货车前轮的轮胎垂向力，Fzr为集装箱小货车后轮的轮胎垂向力，sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，f为轮胎滚动阻力系数，Ttq为集装箱货车的发动机扭矩，通过CAN总线进行采集ig为集装箱货车变速器传动比，通过CAN总线进行采集；i0＝5为集装箱货车的最终传动系统传动比，η＝0.92为集装箱货车传动系统效率，re＝0.51为集装箱货车车轮有效滚动半径，
步骤2所述的集装箱货车前后轴车轮垂向力估计模型为：
通过集装箱货车前后轴车轮动力学方程式与低滑移率下货车前后轴车轮垂向力和货车前后轴车轮纵向力方程式，可得到关于基于货车前后轴车轮垂向力的车轮动力学方程式：
上式中J1＝14为集装箱货车前轴车轮的转动惯量，为集装箱货车前轴车轮的角加速度，Tf为集装箱货车前轴车轮的驱动力矩，re＝0.51为集装箱货车车轮有效滚动半径，f为集装箱货车前轴车轮的滚动阻力系数，Fzf为集装箱货车前轴车轮的垂向力，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0＝5为集装箱货车的最终传动系统传动比，η＝0.92为集装箱货车传动系统效率，J2＝14为集装箱货车后轴车轮的转动惯量，为集装箱货车后轴车轮的角加速度，Tr为集装箱货车后轴车轮的驱动力矩，Fzr为集装箱货车后轴车轮的垂向力。
建立基于集装箱货车前后轴车轮垂向力的车轮动力学的容积卡尔曼滤波观测器的状态方程和观测方程如下式所示：
上述状态观测系统中，x(k)为集装箱货车车轮动力学观测系统的状态变量，u(k)是集装箱货车车轮动力学观测系统的输入变量，y(k)是集装箱货车车轮动力学观测系统的量测变量，Qm(k)为系统的过程噪声，是均值为零的高斯白噪声，Wm(k)为观测系统的量测噪声，是均值为零的高斯白噪声。
定义系统的状态变量：
x(t)＝(wf,wr,Fzf,Fzr)
其中wf为集装箱货车前轴车轮角速度，wr为集装箱货车前轴车轮角速度，Fzf为集装箱货车前轴车轮的垂向力，Fzr为集装箱货车后轴车轮的垂向力。
系统的观测变量：
y(t)＝(wf,wr,m)，
其中wf为集装箱货车前轴车轮角速度，wr为集装箱货车前轴车轮角速度，m为集装箱货车质量通过步骤1不同遗忘因子的递归最小二乘法估计获得。
由于容积卡尔曼滤波观测器是一种递推算法，因此对集装箱货车前后轴车轮垂向力的车轮动力学通过前向欧拉法进行离散化，可以得到下面离散化方程表示：
状态方程:
Fzf(k)＝Fzf(k-1)
Fzr(k)＝Fzr(k-1)
式中：wf(k)为k时刻的集装箱货车前轴车轮角速度，wf(k-1)为k-1时刻的集装箱货车前轴车轮角速度，wr(k)为k时刻的集装箱货车后轴车轮角速度，wr(k-1)为k-1时刻的集装箱货车后轴车轮角速度，Tf为集装箱货车前轴车轮的驱动力矩，re＝0.51为集装箱货车车轮有效滚动半径，f为集装箱货车前轴车轮的滚动阻力系数，Fzf(k-1)为k-1时刻的集装箱货车前轴车轮的垂向力，Fzr(k-1)为k-1时刻的集装箱货车后轴车轮的垂向力，Fzf(k)为k时刻集装箱货车后轴车轮的垂向力，Fzr(k)为k时刻集装箱货车后轴车轮的垂向力，sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集，ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0＝5；为集装箱货车的最终传动系统传动比，η＝0.92为集装箱货车传动系统效率，J1＝14为集装箱货车前轴车轮的转动惯量，J2＝14为集装箱货车后轴车轮的转动惯量，为集装箱货车后轴车轮的角加速度，Tr为集装箱货车后轴车轮的驱动力矩。
观测方程：
上式中，wr(k)为k时刻的集装箱货车后轴车轮角速度，wr(k)为k时刻的集装箱货车后轴车轮角速度，m为集装箱货车质量通过步骤1不同遗忘因子的递归最小二乘法估计获得，Fzf(k)为k时刻集装箱货车后轴车轮的垂向力，Fzr(k)为k时刻集装箱货车后轴车轮的垂向力。
步骤3：基于步骤2所获得基于集装箱货车前后轴车轮垂向力的车轮动力学观测器模型，结合容积卡尔曼滤波算法对集装箱货车前后轴车轮的垂向力进行估计，根据容积卡尔曼滤波估计出的集装箱货车前后轴车轮的垂向力代入集装箱货车前后轴车轮的纵向力方程式中，最终得到集装箱货车前后轴车轮的垂向力和纵向力。
步骤3中所述结合容积卡尔曼滤波估计器对集装箱货车前后轴车轮的垂向力进行估计的具体包括以下步骤；
步骤3.1：初始化
将步骤1中通过不同遗忘因子的双递归最小二乘法估计的集装箱货车的质量，传入系统中作为观测变量，并设置估计状态变量初值状态估计过程噪声矩阵Q、状态估计量测噪声矩阵W和初始状态误差协方差矩阵p(0)；
步骤3.2：状态变量的时间更新
状态变量误差协方差矩阵p(k-1|k-1)进行Cholesky分解
D((k-1|k-1)＝chol(p(k-1|k-1))
式中：chol()代表Cholesky分解，将一个正定矩阵分解成下三角矩阵与其共轭之乘积，D((k-1|k-1)为p(k-1|k-1)分解后的下三角矩阵。
生成容积点
式中，容积点其中[1]j表示容积点集中的第j个元素，n为容积点总数，采用三阶容积原则时容积点总数是状态维数的2倍。
容积点传播：
式中为传播后的容积点。
计算状态变量的预测值
计算先验误差协方差矩阵p(k|k-1)
式中为传播后的容积点，为状态变量的预测值，Q为过程噪声矩阵。
步骤3.3：状态变量的量测更新；
对更新后的状态误差协方差矩阵p(k|k-1)进行分解
D((k|k-1)＝chol(p(k|k-1))
生成容积点Xj(k|k-1)
式中，容积点其中[1]j表示容积点集中的第j个元素，n为容积点总数，采用三阶容积原则时容积点总数是状态维数的2倍。
传播容积点Zj(k|k-1)
Zj(k|k-1)＝h(Xj(k|k-1))
更新状态变量量测方程的预测值
新息协方差矩阵pzz(k|k-1)
式中Zj(k|k-1)为传播后的容积点，为状态变量量测方程的预测值W为测量噪声矩阵。
计算互协方差矩阵pxz(k|k-1)
式中Xj(k|k-1)为容积点，Zj(k|k-1)为传播后的容积点，为量测方程的预测值，为状态变量预测值。
计算容积卡尔曼滤波增益矩阵Kk
Kk＝pxz(k|k-1)(pxx(k|k-1))-1
式中pxz(k|k-1)为互协方差矩阵，pzz(k|k-1)为新息协方差矩阵。
计算状态变量的估计值
式中为状态变量预测值，Kk为容积卡尔曼滤波增益矩阵，z(k|k)为测量值，为量测方程的预测值
更新后验误差协方差p(k|k)
式中p(k|k-1)先验误差协方差矩阵，Kk为容积卡尔曼滤波增益矩阵，pzz(k|k-1)为新息协方差矩阵。
步骤3所述的集装箱货车前后轴车轮的垂向力和纵向力的方程式如下式所示
式中Fxf为集装箱货车前轴车轮的纵向力，Fxr为集装箱货车后轴车轮的纵向力，Fzf为集装箱货车前轴车轮的垂向力，Fzr为集装箱货车后轴车轮的垂向力，sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，f为轮胎滚动阻力系数，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0＝5为集装箱货车的最终传动系统传动比，η＝0.92为集装箱货车传动系统效率，re＝0.51为集装箱货车车轮有效滚动半径。
将基于集装箱货车前后轴车轮垂向力的车轮动力学观测器模型结合容积卡尔曼滤波估计器对集装箱货车车轮前后轴的垂向力的估计值代入集装箱货车车轮前后轴垂向力和纵向力的方程式中，来获得集装箱货车车轮前后轴的纵向力。
步骤4：根据步骤3中所述的集装箱货车前后轴车轮的垂向力和纵向力，根据力矩平衡方程实现质心高度和质心到前轴的位置解耦，得到集装箱货车质心到前轴的位置估计模型，将集装箱货车质心到前轴的位置估计模型结合基于遗忘因子的递归最小二乘法对集装箱货车质心到前轴位置估计，得到集装箱货车质心到前轴位置，并结合集装箱货车后轴车轮垂向力方程式，得到集装箱货车质心高度值；
步骤4所述的根据力矩平衡方程实现集装箱货车质心高度和质心到前轴位置的解耦，得到集装箱货车质心到前轴的位置估计模型为：
为了实现质心高度和质心到前轴位置的解耦，对集装箱货车进行受力分析，对集装箱货车质心求矩，并假设hs＝h,列其力矩平衡方程如下式所示：
Fzflf+Fxfh+Fxrh-Fzr(L-lf)＝0
式中，为集装箱货车前轴车轮的纵向力，为集装箱货车后轴车轮的纵向力，为集装箱货车前轴车轮的垂向力，为集装箱货车后轴车轮的垂向力，lf为集装箱货车质心到前轴的位置,h为集装箱货车质心高度。
整理得质心高度关于质心到前轴位置的关系式：
代入集装箱货车后轴车轮的垂向力关系式里面；
式中，Fzr为集装箱货车后轴车轮的垂向力，m为集装箱货车质量，g＝9.8为重力加速度，lf为集装箱货车质心距前轴的距离，ax为集装箱货车的纵向加速度，通过加速度计进行采集；h为集装箱货车质心高度，Cd＝0.68为空气阻力系统，A＝6.8为集装箱货车迎风面积，ρ＝1.206为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，L＝5为集装箱货车前轴到后轴的距离。
得到集装箱货车质心到前轴的位置估计模型；
式中，Fzr为集装箱货车后轴车轮的垂向力，m为集装箱货车质量，g＝9.8为重力加速度，lf为集装箱货车质心距前轴的距离，ax为集装箱货车的纵向加速度，通过加速度计进行采集；h为集装箱货车质心高度，Cd＝0.68为空气阻力系统，A＝6.8为集装箱货车迎风面积，ρ＝1.206为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，L＝5为集装箱货车前轴到后轴的距离。
步骤4所述将集装箱货车质心到前轴的位置模型结合基于遗忘因子的递归最小二乘法对集装箱货车质心到前轴位置估计，得到集装箱货车质心到前轴位置。
步骤4中所述的集装箱货车质心到前轴位置估计模型为：
上式中：
其中y3是垂向力、空气阻力和纵向力的测量函数，为系数矩阵，θ1为待估计集装箱货车质心到前轴的位置。
步骤4所述的基于遗忘因子的递归最小二乘法的集装箱货车质心到前轴位置的估计器具体包括以下步骤：
初始化：需要初始化的值分别为：集装箱货车质心位置初值质心位置估计值协方差矩阵P3(0)、质量估计值的遗忘因子λ3；
将集装箱货车质心位置初值传入基于遗忘因子的递归最小二乘法的算法中
计算装箱货车质心位置的增益K3
更新误差协方差矩阵P3(k)
更新状态值
循环迭代。满足要求，停止迭代。
将得到的集装箱货车质心到前轴的位置估计结果代入以下方程式中
式中：Fzr为集装箱货车后轴车轮垂向力，m为集装箱货车质量，g＝9.8为重力加速度，lf为集装箱货车质心距前轴的距离，ax为集装箱货车的纵向加速度，通过加速度计进行采集；h为集装箱货车质心高度，Cd＝0.68为空气阻力系统，A＝6.8为集装箱货车迎风面积，ρ＝1.206为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，L＝5为集装箱货车前轴到后轴的距离。
将基于遗忘因子的递归最小二乘法的集装箱货车质心到前轴位置的估计器对集装箱货车质心到前轴的位置的估计值代入集装箱货车车轮后轴垂向力Fzr的方程式中，来获得集装箱货车质心高度值。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于集装箱货车信号采集装置的参数估计方法，其特征在于：
所述集装箱货车信号采集装置包括：CAN总线采集装置、CAN总线、微处理器、加速度计传感器和轮速传感器；
所述微处理器与所述CAN总线采集装置通过有线方式连接；
所述的CAN总线采集装置与所述的CAN总线通过有线方式连接；
所述的CAN总线与所述的加速度计传感器和轮速传感器通过有线方式连接
所述的加速度计传感器装在集装箱货车的质心纵轴处，并进行标定；
所述轮速传感器装载至各车轮上，并进行标定；
所述的加速度计传感器用于采集集装箱货车的纵向加速度，将集装箱货车的纵向加速度通过所述的CAN总线采集装置传输至所述的微处理器；
所述的轮速传感器用于采集集装箱货车的各个车轮的转速，将集装箱货车的各个车轮的转速通过所述的CAN总线采集装置传输至所述的微处理器；
所述的集装箱货车CAN总线用于采集集装箱货车的发动机扭矩、发动机转速、变速器传动比、纵向车速，并通过所述CAN总线采集装置传输至所述微处理器；
所述参数估计方法，包括以下步骤：
步骤1：构建集装箱货车纵向动力学模型，将原始集装箱货车纵向动力学模型进一步化简得到集装箱货车纵向动力学模型，进一步构建集装箱货车质量估计模型、道路坡度估计模型，结合不同遗忘因子的双递归最小二乘法的算法分别对集装箱货车质量估计模型进行集装箱货车质量估计得到估计后集装箱货车质量、对道路坡度估计模型进行道路坡度估计得到估计后道路坡度得到估计后道路坡度；
步骤2：构建集装箱货车车轮动力学模型，结合集装箱货车处于低滑移率情况下集装箱货车前后轴车轮纵向力和集装箱货车前后轴车轮垂向力的模型，得到集装箱货车前后轴车轮垂向力估计模型；
步骤3：基于步骤2所获得基于集装箱货车前后轴车轮垂向力的车轮动力学观测器模型，结合容积卡尔曼滤波算法对集装箱货车前后轴车轮的垂向力进行估计，根据容积卡尔曼滤波估计出的集装箱货车前后轴车轮的垂向力代入集装箱货车前后轴车轮的纵向力方程式中，最终得到集装箱货车前后轴车轮的垂向力和纵向力；
步骤4：根据步骤3中所述的集装箱货车前后轴车轮的垂向力和纵向力，根据力矩平衡方程实现质心高度和质心到前轴的位置解耦，得到集装箱货车质心到前轴的位置估计模型，将集装箱货车质心到前轴的位置估计模型结合基于遗忘因子的递归最小二乘法对集装箱货车质心到前轴位置估计，得到集装箱货车质心到前轴位置，并结合集装箱货车后轴车轮垂向力方程式，得到集装箱货车质心高度值。
2.根据权利要求1所述的一种基于集装箱货车信号采集装置的参数估计方法，其特征在于，步骤1所述集装箱货车纵向动力学模型为：
考虑到公路路线设计规范，道路坡度一般较小，则假设cos(β)＝1，sin(β)＝tan(β)＝β；进一步集装箱货车纵向动力学模型可以简化为：
式中：Facc为集装箱货车的惯性力，Ft为集装箱货车的驱动力，Fair为集装箱货车的空气阻力，Ff为集装箱货车的滚动阻力，Fgrade为集装箱货车的坡度阻力，δ为旋转质量换算系数，m为集装箱货车的质量，为集装箱货车的纵向加速度，通过加装于集装箱货车上面的加速度计进行采集，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，re为集装箱货车车轮有效滚动半径，Cd为空气阻力系统，A为集装箱货车迎风面积，ρ为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，g为重力加速度，f为滚动阻力系数，β为道路坡度值，Iw为集装箱货车车轮的转动惯量，If为集装箱货车飞轮的转动惯量；
步骤1所述的质量估计模型为
上式中：
其中y1是纵向加速度是通过加装加速度计进行采集的、重力加速度g、滚动阻力系数和道路坡度值β的测量函数，为系数矩阵，θ1为待估计的集装箱货车质量值的倒数；
步骤1所述的道路坡度估计模型为：
上式中：
其中y2是驱动力、空气阻力、坡度阻力和惯性力的测量函数，为系数矩阵，θ1为待估计道路坡度值；
根据步骤1所述的不同遗忘因子的双递归最小二乘法的集装箱货车质量和道路坡度估计器的具体包括以下步骤：
初始化：需要初始化的值分别为：质量估计值道路坡度估计值质量估计值协方差矩阵P1(0)、道路坡度估计值协方差矩阵P2(0)、质量估计值的遗忘因子λ1和道路坡度估计值的遗忘因子λ2；
将道路坡度初值传入集装箱货车质量的遗忘因子的递归最小二乘法的算法中
计算集装箱货车质量的增益K1
更新误差协方差矩阵P1(k)
更新状态值
将集装箱货车质量的估计值传入道路坡度的遗忘因子的递归最小二乘法的算法中计算集装箱货车质量的增益K2
更新误差协方差矩阵P2(k)
更新状态值
循环迭代，满足要求，停止迭代。
3.根据权利要求1所述的一种基于集装箱货车信号采集装置的参数估计方法，其特征在于，所述的步骤2所述的集装箱货车前后轴车轮动力学模型为：
集装箱货车通常采用前置后驱，通过后轴车轮提供驱动力矩，当集装箱货车行驶时，集装箱货车车轮前后轴动力学方程分别为：
上式中J1为集装箱货车前轴车轮的转动惯量，为集装箱货车前轴车轮的角加速度，Tf为集装箱货车前轴车轮的驱动力矩，re为集装箱货车车轮有效滚动半径，f为集装箱货车前轴车轮的滚动阻力系数，Fzf为集装箱货车前轴车轮的垂向力，Fxf为集装箱货车前轴车轮的纵向力，J2为集装箱货车后轴车轮的转动惯量，为集装箱货车后轴车轮的角加速度，Tr为集装箱货车后轴车轮的驱动力矩，Fzr为集装箱货车后轴车轮的垂向力，Fxr为集装箱货车后轴车轮的纵向力；
根据集装箱货车车轮受力分析可知
上式中：Fxf为集装箱货车前轮轮胎纵向力，Fxr为集装箱货车后轮轮胎纵向力，f为轮胎滚动阻力系数，Fzf为集装箱货车前轮的轮胎垂向力，Fzr为集装箱小货车后轮的轮胎垂向力，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，re为集装箱货车车轮有效滚动半径；
所述步骤2中的集装箱货车在低滑移率下集装箱货车前后轴车轮垂向力和集装箱货车前后轴车轮纵向力模型为：
当集装箱货车在稳定加速过程中，车轮处于低滑移率下，因此集装箱货车前后轴车轮垂向力和纵向力的关系式如下式所示:
kf和kr分别为集装箱货车前轴车轮的滑移斜率和后轴车轮的滑移斜率；sf和sr分别为集装箱货车前轴车轮的滑移率和后轴车轮的滑移斜率；Fzf和Fzr分别为集装箱货车前轴车轮的垂向力和后轴车轮的垂向力；
其中前后轴车轮的纵向滑移率如下式所示：
sf＝(rewf-vx)/max(rewf,vx)
sr＝(rewr-vx)/max(rewr,vx)
式中sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，wf为集装箱货车前轴车轮的角速度，通过轮速传感器进行采集，wr为集装箱货车后轴车轮的角速度，通过轮速传感器进行采集，re为集装箱货车车轮的有效滚动半径，通过轮速传感器进行采集，vx为集装箱货车的纵向速度，通过CAN总线进行采集；
通过集装箱货车前后轴车轮垂向力和纵向力方程式，假设kf≈kr，因此可得到如下方程式：
结合方程式：
基于上面两个方程式得到如下方程式：
Fxf为集装箱货车前轮轮胎纵向力，Fxr为集装箱货车后轮轮胎纵向力，Fzf为集装箱货车前轮的轮胎垂向力，Fzr为集装箱小货车后轮的轮胎垂向力，sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，f为轮胎滚动阻力系数，Ttq为集装箱货车的发动机扭矩，通过CAN总线进行采集ig为集装箱货车变速器传动比，通过CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，re为集装箱货车车轮有效滚动半径，
步骤2所述的集装箱货车前后轴车轮垂向力估计模型为：
通过集装箱货车前后轴车轮动力学方程式与低滑移率下货车前后轴车轮垂向力和货车前后轴车轮纵向力方程式，可得到关于基于货车前后轴车轮垂向力的车轮动力学方程式：
上式中J1为集装箱货车前轴车轮的转动惯量，为集装箱货车前轴车轮的角加速度，Tf为集装箱货车前轴车轮的驱动力矩，re为集装箱货车车轮有效滚动半径，f为集装箱货车前轴车轮的滚动阻力系数，Fzf为集装箱货车前轴车轮的垂向力，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，J2为集装箱货车后轴车轮的转动惯量，为集装箱货车后轴车轮的角加速度，Tr为集装箱货车后轴车轮的驱动力矩，Fzr为集装箱货车后轴车轮的垂向力；
建立基于集装箱货车前后轴车轮垂向力的车轮动力学的容积卡尔曼滤波观测器的状态方程和观测方程如下式所示：
上述状态观测系统中，x(k)为集装箱货车车轮动力学观测系统的状态变量，u(k)是集装箱货车车轮动力学观测系统的输入变量，y(k)是集装箱货车车轮动力学观测系统的量测变量，Qm(k)为系统的过程噪声，是均值为零的高斯白噪声，Wm(k)为观测系统的量测噪声，是均值为零的高斯白噪声；
定义系统的状态变量：
x(t)＝(wf,wr,Fzf,Fzr)
其中wf为集装箱货车前轴车轮角速度，wr为集装箱货车前轴车轮角速度，Fzf为集装箱货车前轴车轮的垂向力，Fzr为集装箱货车后轴车轮的垂向力；
系统的观测变量：
y(t)＝(wf,wr,m)，
其中wf为集装箱货车前轴车轮角速度，wr为集装箱货车前轴车轮角速度，m为集装箱货车质量通过步骤1不同遗忘因子的递归最小二乘法估计获得；
由于容积卡尔曼滤波观测器是一种递推算法，因此对集装箱货车前后轴车轮垂向力的车轮动力学通过前向欧拉法进行离散化，可以得到下面离散化方程表示：
状态方程:
Fzf(k)＝Fzf(k-1)
Fzr(k)＝Fzr(k-1)
式中：wf(k)为k时刻的集装箱货车前轴车轮角速度，wf(k-1)为k-1时刻的集装箱货车前轴车轮角速度，wr(k)为k时刻的集装箱货车后轴车轮角速度，wr(k-1)为k-1时刻的集装箱货车后轴车轮角速度，Tf为集装箱货车前轴车轮的驱动力矩，re为集装箱货车车轮有效滚动半径，f为集装箱货车前轴车轮的滚动阻力系数，Fzf(k-1)为k-1时刻的集装箱货车前轴车轮的垂向力，Fzr(k-1)为k-1时刻的集装箱货车后轴车轮的垂向力，Fzf(k)为k时刻集装箱货车后轴车轮的垂向力，Fzr(k)为k时刻集装箱货车后轴车轮的垂向力，sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集，ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，J1为集装箱货车前轴车轮的转动惯量，J2为集装箱货车后轴车轮的转动惯量，为集装箱货车后轴车轮的角加速度，Tr为集装箱货车后轴车轮的驱动力矩；
观测方程：
上式中，wr(k)为k时刻的集装箱货车后轴车轮角速度，wr(k)为k时刻的集装箱货车后轴车轮角速度，m为集装箱货车质量通过步骤1不同遗忘因子的递归最小二乘法估计获得，Fzf(k)为k时刻集装箱货车后轴车轮的垂向力，Fzr(k)为k时刻集装箱货车后轴车轮的垂向力。
4.根据权利要求1所述的一种基于集装箱货车信号采集装置的参数估计方法，其特征在于，步骤3中所述结合容积卡尔曼滤波估计器对集装箱货车前后轴车轮的垂向力进行估计的具体包括以下步骤；
步骤3.1：初始化
将步骤1中通过不同遗忘因子的双递归最小二乘法估计的集装箱货车的质量，传入系统中作为观测变量，并设置估计状态变量初值状态估计过程噪声矩阵Q、状态估计量测噪声矩阵W和初始状态误差协方差矩阵p(0)；
步骤3.2：状态变量的时间更新
状态变量误差协方差矩阵p(k-1|k-1)进行Cholesky分解
D((k-1|k-1)＝chol(p(k-1|k-1))
式中：chol()代表Cholesky分解，将一个正定矩阵分解成下三角矩阵与其共轭之乘积，D((k-1|k-1)为p(k-1|k-1)分解后的下三角矩阵；
生成容积点
式中，容积点其中[1]j表示容积点集中的第j个元素，n为容积点总数，采用三阶容积原则时容积点总数是状态维数的2倍；
容积点传播：
式中为传播后的容积点；
计算状态变量的预测值
计算先验误差协方差矩阵p(k|k-1)
式中为传播后的容积点，为状态变量的预测值，Q为过程噪声矩阵；
步骤3.3：状态变量的量测更新；
对更新后的状态误差协方差矩阵p(k|k-1)进行分解
D((k|k-1)＝chol(p(k|k-1))
生成容积点Xj(k|k-1)
式中，容积点其中[1]j表示容积点集中的第j个元素，n为容积点总数，采用三阶容积原则时容积点总数是状态维数的2倍；
传播容积点Zj(k|k-1)
Zj(k|k-1)＝h(Xj(k|k-1))
更新状态变量量测方程的预测值
新息协方差矩阵pzz(k|k-1)
式中Zj(k|k-1)为传播后的容积点，为状态变量量测方程的预测值W为测量噪声矩阵；
计算互协方差矩阵pxz(k|k-1)
式中Xj(k|k-1)为容积点，Zj(k|k-1)为传播后的容积点，为量测方程的预测值，为状态变量预测值；
计算容积卡尔曼滤波增益矩阵Kk
Kk＝pxz(k|k-1)(pxx(k|k-1))-1
式中pxz(k|k-1)为互协方差矩阵，pzz(k|k-1)为新息协方差矩阵；
计算状态变量的估计值
式中为状态变量预测值，Kk为容积卡尔曼滤波增益矩阵，z(k|k)为测量值，为量测方程的预测值
更新后验误差协方差p(k|k)
式中p(k|k-1)先验误差协方差矩阵，Kk为容积卡尔曼滤波增益矩阵，pzz(k|k-1)为新息协方差矩阵；
步骤3所述的集装箱货车前后轴车轮的垂向力和纵向力的方程式如下式所示
式中Fxf为集装箱货车前轴车轮的纵向力，Fxr为集装箱货车后轴车轮的纵向力，Fzf为集装箱货车前轴车轮的垂向力，Fzr为集装箱货车后轴车轮的垂向力，sf为集装箱货车前轴车轮的滑移率，sr为集装箱货车后轴车轮的滑移率，f为轮胎滚动阻力系数，Ttq为集装箱货车的发动机扭矩，通过货车CAN总线进行采集ig为集装箱货车变速器传动比，通过货车CAN总线进行采集；i0为集装箱货车的最终传动系统传动比，η为集装箱货车传动系统效率，re为集装箱货车车轮有效滚动半径；
将基于集装箱货车前后轴车轮垂向力的车轮动力学观测器模型结合容积卡尔曼滤波估计器对集装箱货车车轮前后轴的垂向力的估计值代入集装箱货车车轮前后轴垂向力和纵向力的方程式中，来获得集装箱货车车轮前后轴的纵向力。
5.根据权利要求1所述的一种基于集装箱货车信号采集装置的参数估计方法，其特征在于，步骤4所述的根据力矩平衡方程实现集装箱货车质心高度和质心到前轴位置的解耦，得到集装箱货车质心到前轴的位置估计模型为：
为了实现质心高度和质心到前轴位置的解耦，对集装箱货车进行受力分析，对集装箱货车质心求矩，并假设hs＝h,列其力矩平衡方程如下式所示：
Fzflf+Fxfh+Fxrh-Fzr(L-lf)＝0
式中，为集装箱货车前轴车轮的纵向力，为集装箱货车后轴车轮的纵向力，为集装箱货车前轴车轮的垂向力，为集装箱货车后轴车轮的垂向力，lf为集装箱货车质心到前轴的位置,h为集装箱货车质心高度；
整理得质心高度关于质心到前轴位置的关系式：
代入集装箱货车后轴车轮的垂向力关系式里面；
式中，Fzr为集装箱货车后轴车轮的垂向力，m为集装箱货车质量，g为重力加速度，lf为集装箱货车质心距前轴的距离，ax为集装箱货车的纵向加速度，通过加速度计进行采集；h为集装箱货车质心高度，Cd为空气阻力系统，A为集装箱货车迎风面积，ρ为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，L为集装箱货车前轴到后轴的距离；
得到集装箱货车质心到前轴的位置估计模型；
式中，Fzr为集装箱货车后轴车轮的垂向力，m为集装箱货车质量，g为重力加速度，lf为集装箱货车质心距前轴的距离，ax为集装箱货车的纵向加速度，通过加速度计进行采集；h为集装箱货车质心高度，Cd为空气阻力系统，A为集装箱货车迎风面积，ρ为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，L为集装箱货车前轴到后轴的距离；
步骤4所述将集装箱货车质心到前轴的位置模型结合基于遗忘因子的递归最小二乘法对集装箱货车质心到前轴位置估计，得到集装箱货车质心到前轴位置；
步骤4中所述的集装箱货车质心到前轴位置估计模型为：
上式中：
其中y3是垂向力、空气阻力和纵向力的测量函数，为系数矩阵，θ1为待估计集装箱货车质心到前轴的位置；
步骤4所述的基于遗忘因子的递归最小二乘法的集装箱货车质心到前轴位置的估计器具体包括以下步骤：
初始化：需要初始化的值分别为：集装箱货车质心位置初值质心位置估计值协方差矩阵P3(0)、质量估计值的遗忘因子λ3；
将集装箱货车质心位置初值传入基于遗忘因子的递归最小二乘法的算法中
计算装箱货车质心位置的增益K3
更新误差协方差矩阵P3(k)
更新状态值
循环迭代；满足要求，停止迭代；
将得到的集装箱货车质心到前轴的位置估计结果代入以下方程式中
式中：Fzr为集装箱货车后轴车轮垂向力，m为集装箱货车质量，g为重力加速度，lf为集装箱货车质心距前轴的距离，ax为集装箱货车的纵向加速度，通过加速度计进行采集；h为集装箱货车质心高度，Cd为空气阻力系统，A为集装箱货车迎风面积，ρ为空气密度，vx为集装箱货车的纵向速度，通过货车CAN总线进行采集，L为集装箱货车前轴到后轴的距离；
将基于遗忘因子的递归最小二乘法的集装箱货车质心到前轴位置的估计器对集装箱货车质心到前轴的位置的估计值代入集装箱货车车轮后轴垂向力Fzr的方程式中，来获得集装箱货车质心高度值。
CN202110983468.7A 2021-08-25 2021-08-25 一种基于集装箱货车信号采集装置的参数估计方法 Active CN113721509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110983468.7A CN113721509B (zh) 2021-08-25 2021-08-25 一种基于集装箱货车信号采集装置的参数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110983468.7A CN113721509B (zh) 2021-08-25 2021-08-25 一种基于集装箱货车信号采集装置的参数估计方法

Publications (2)

Publication Number Publication Date
CN113721509A CN113721509A (zh) 2021-11-30
CN113721509B true CN113721509B (zh) 2024-03-08

Family

ID=78678038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110983468.7A Active CN113721509B (zh) 2021-08-25 2021-08-25 一种基于集装箱货车信号采集装置的参数估计方法

Country Status (1)

Country Link
CN (1) CN113721509B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104354700A (zh) * 2014-11-03 2015-02-18 武汉理工大学 一种基于无迹卡尔曼滤波的车辆参数在线估计方法
WO2018001808A1 (fr) * 2016-06-30 2018-01-04 Compagnie Generale Des Etablissements Michelin Procédé et dispositif de détermination d'une estimation de la masse totale d'un véhicule automobile
WO2018143759A1 (ko) * 2017-02-06 2018-08-09 서울대학교 산학협력단 고속 정상 주행상황에서의 타이어 노면 마찰계수 추정방법 및 타이어 노면 마찰계수 추정장치
CN109255094A (zh) * 2018-08-10 2019-01-22 重庆邮电大学 基于SVR_Adaboost改进算法的商用货车质量估计方法
CN110626353A (zh) * 2019-09-09 2019-12-31 武汉理工大学 一种基于侧倾风险指标的车辆危险状态预警方法
CN111559656A (zh) * 2020-06-04 2020-08-21 龙合智能装备制造有限公司 码垛货物装车系统的车辆外形轮廓检测装置及方法
CN113203422A (zh) * 2021-04-14 2021-08-03 武汉理工大学 一种基于尺寸测量装置的货车状态惯性参数联合估计方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104354700A (zh) * 2014-11-03 2015-02-18 武汉理工大学 一种基于无迹卡尔曼滤波的车辆参数在线估计方法
WO2018001808A1 (fr) * 2016-06-30 2018-01-04 Compagnie Generale Des Etablissements Michelin Procédé et dispositif de détermination d'une estimation de la masse totale d'un véhicule automobile
CN109477754A (zh) * 2016-06-30 2019-03-15 米其林集团总公司 用于确定机动车辆总质量估计值的方法和装置
WO2018143759A1 (ko) * 2017-02-06 2018-08-09 서울대학교 산학협력단 고속 정상 주행상황에서의 타이어 노면 마찰계수 추정방법 및 타이어 노면 마찰계수 추정장치
CN109255094A (zh) * 2018-08-10 2019-01-22 重庆邮电大学 基于SVR_Adaboost改进算法的商用货车质量估计方法
CN110626353A (zh) * 2019-09-09 2019-12-31 武汉理工大学 一种基于侧倾风险指标的车辆危险状态预警方法
CN111559656A (zh) * 2020-06-04 2020-08-21 龙合智能装备制造有限公司 码垛货物装车系统的车辆外形轮廓检测装置及方法
CN113203422A (zh) * 2021-04-14 2021-08-03 武汉理工大学 一种基于尺寸测量装置的货车状态惯性参数联合估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于卡尔曼-高斯联合滤波的车辆位置跟踪;高策;褚端峰;何书贤;贺宜;吴超仲;陆丽萍;;交通信息与安全;20200428(第01期);全文 *
基于无迹卡尔曼滤波的车辆重心高度在线估计;褚端峰;田飞;吴超仲;胡钊政;裴晓飞;;武汉理工大学学报(交通科学与工程版);20160815(第04期);全文 *

Also Published As

Publication number Publication date
CN113721509A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN104354700B (zh) 一种基于无迹卡尔曼滤波的车辆参数在线估计方法
CN111845775B (zh) 一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法
US20090177346A1 (en) Dynamic estimation of vehicle inertial parameters and tire forces from tire sensors
CN103434511B (zh) 一种车速与道路附着系数的联合估计方法
CN107247824A (zh) 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法
CN110588657B (zh) 一种针对车辆运动状态及道路坡度的联合估计方法
CN111547059A (zh) 一种分布式驱动电动汽车惯性参数估计方法
CN102582626B (zh) 重型半挂车状态估计方法
CN111796522B (zh) 一种车辆状态估计方法
CN106515740A (zh) 基于icdkf的分布式电驱动汽车行驶状态参数估计算法
Lin et al. A novel H∞ and EKF joint estimation method for determining the center of gravity position of electric vehicles
CN108241773A (zh) 一种改进的车辆行驶状态估计方法
CN113602279B (zh) 分布式驱动电动汽车质心侧偏角与轮胎侧向力估计方法
CN115406446A (zh) 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法
CN113203422B (zh) 一种基于尺寸测量装置的货车状态惯性参数联合估计方法
CN116674571A (zh) 一种基于数据置信度因子的汽车质量与坡度实时估计方法
CN113721509B (zh) 一种基于集装箱货车信号采集装置的参数估计方法
CN113771864B (zh) 一种基于人工智能的新能源车辆侧翻预警方法
CN115946707B (zh) 四轮毂电机驱动全线控电动汽车轮胎力估计方法及系统
CN114919585B (zh) 一种基于车辆动力学模型的车重及道路坡度的估算方法
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
CN117068184A (zh) 车身侧偏角的确定方法、装置及设备
CN116749982A (zh) 基于改进的双层卡尔曼滤波的工程车辆路面附着系数状态估计方法
CN116588119A (zh) 一种基于轮胎模型参数自适应的车辆状态估计方法
CN115406669A (zh) 一种多轴特种车辆侧翻指标优化方法

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