CN113954841B

CN113954841B - 实时监测轮端牵引力的方法、系统及电子设备

Info

Publication number: CN113954841B
Application number: CN202111140245.0A
Authority: CN
Inventors: 钟毅
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2021-09-28
Filing date: 2021-09-28
Publication date: 2024-01-30
Anticipated expiration: 2041-09-28
Also published as: CN113954841A

Abstract

本发明公开了一种实时监测轮端牵引力的方法、系统及电子设备，能够快速有效地得到轮端实时牵引力和轮端最大牵引力且成本低。本发明通过计算车辆处于正常行驶状态下的车辆某一侧的滑移率和归一化的牵引力，并对这些牵引力和滑移率的数据点进行严格的筛选，之后将筛选过的归一化牵引力和滑移率输入至扩展卡尔曼滤波器中，滤除噪声的同时得到归一化牵引力和滑移率的线性斜率，再将该斜率与已知的魔术公式轮胎模型进行匹配，即可得到实时轮端牵引力和轮端最大牵引力；无需使用额外的传感器，成本低。

Description

实时监测轮端牵引力的方法、系统及电子设备

技术领域

本发明属于车辆轮端牵引力技术领域，具体涉及一种实时监测轮端牵引力的方法、系统及电子设备。

背景技术

在汽车安全领域，监测轮端牵引力的方法主要有两种，一是直接测量，二是间接估计。直接测量的方法需要加装昂贵的传感器，例如，在汽车轮胎安装压力传感器，用于监测轮端牵引力，由于硬件维护需要成本，难以实现大批量的产业化。间接估计的方法往往直接对归一化的牵引力和滑移率曲线进行非线性拟合，计算量大，时间复杂度高，且不论采用哪种非线性函数进行拟合，都无法满足所有工况下的轮胎特性，误差较大。

发明内容

针对现有技术中存在的问题，本发明提供一种实时监测轮端牵引力的方法、系统及电子设备，快速有效地得到轮端实时牵引力和轮端最大牵引力且成本低。

为实现上述目的，本发明提供了一种实时监测轮端牵引力的方法，包括以下步骤：

实时采集CAN信号；

解析CAN信号，判断车辆是否处于正常行驶状态；车辆异常行驶状态包括刹车、换挡、及转弯；

若车辆处于正常行驶状态，则持续计算车辆某一侧的滑移率和归一化的牵引力；

判断轮速、计算得到的滑移率和牵引力是否均满足预设阈值；若否，则删除该对滑移率和牵引力数据，若是，则执行下一步；

设置可调的波动阈值，基于滑移率的均值加减波动阈值设置筛选范围，去除离散的滑移率和牵引力数据；

将筛选出来的滑移率和牵引力数据输入至扩展卡尔曼滤波器模型中，过滤噪声的同时得到归一化牵引力和滑移率的线性斜率；

将得到的线性斜率与魔术公式轮胎模型线性区的斜率相匹配，得到轮端实时牵引力和轮端最大牵引力。

在一些可选的实施方案中，根据从CAN信号中解析到的刹车信号、挡位信号、及偏航率信号，分别判断车辆是否处于刹车、换挡、及转弯状态。

在一些可选的实施方案中，车辆某一侧的滑移率为汽车行驶过程中汽车左侧或者右侧的滑移率。

车辆某一侧的滑移率计算公式如下：

式中，S表示车辆某一侧的滑移率，W₁和W₂分别表示车辆某一侧驱动轮和从动轮的角速度，R₁和R₂分别表示车辆某一侧驱动轮和从动轮的轮胎半径，其中：某一侧为左侧或右侧。

在一些可选的实施方案中，牵引力的计算公式如下：

式中，μ表示牵引力，Torque表示引擎扭矩且可从CAN信号中解析得到，Gear表示传动比，Radius表示车轮半径，m表示汽车质量，g表示重力加速度。

在一些可选的实施方案中，将得到的线性斜率与魔术公式轮胎模型线性区的斜率相匹配，得到轮端实时牵引力和轮端最大牵引力包括：

魔术公式轮胎模型如下：

F(x)＝D*sin[Carctan{Bx-E(Bx-atan(Bx))}]

其中，x表示车辆左侧或者右侧的滑移率，F(x)表示归一化的牵引力，D是曲线的峰值也表示当前路面的附着系数，B和C是轮胎魔术公式的参数，决定着魔术公式线性区的斜率；

将得到的线性斜率与预设的魔术公式线性区斜率相匹配，找到最相近的魔术公式曲线，即为当前道路模型对应的特性曲线，该曲线的峰值即为当前道路模型的最大附着系数，在已知车重和滑移率的情况下，根据魔术公式曲线，计算出轮端牵引力和轮端最大牵引力。

一种实时监测轮端牵引力的系统，包括：

信号采集模块，用于实时采集CAN信号；

状态验证模块，用于解析CAN信号，判断车辆是否处于正常行驶状态；车辆异常行驶状态包括刹车、换挡、及转弯；若车辆处于正常行驶状态，则持续计算车辆某一侧的滑移率和归一化的牵引力；

阈值验证模块，用于判断轮速、计算得到的滑移率和牵引力是否均满足预设阈值；若否，则删除该对滑移率和牵引力数据；

筛选验证模块，用于设置可调的波动阈值，基于滑移率的均值加减波动阈值设置筛选范围，去除离散的滑移率和牵引力数据；

滤波求斜模块，用于将筛选出来的滑移率和牵引力数据输入至扩展卡尔曼滤波器模型中，过滤噪声的同时得到归一化牵引力和滑移率的线性斜率；

斜率匹配模块，用于将得到的线性斜率与魔术公式轮胎模型线性区的斜率相匹配，进而得到轮端实时牵引力和轮端最大牵引力。

一种电子设备，包括一个或多个处理器以及存储器；

一个或多个程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于执行上述的实时监测轮端牵引力的方法。

本发明与现有技术相比，具有以下优点及有益效果：

本发明通过计算车辆处于正常行驶状态下的车辆某一侧的滑移率和归一化的牵引力，并对这些牵引力和滑移率的数据点进行严格的筛选，之后将筛选过的归一化牵引力和滑移率输入至扩展卡尔曼滤波器中，滤除噪声的同时得到归一化牵引力和滑移率的线性斜率，再将该斜率与已知的魔术公式轮胎模型进行匹配，即可得到实时轮端牵引力和轮端最大牵引力；无需使用额外的传感器，具有成本低、精度高、实时性强等显著优点。

附图说明

图1为本发明实施例提供的实时监测轮端牵引力的方法流程图；

图2为本发明实施例提供的汽车左侧滑移率与牵引力在两种不同路面附着系数路面的实际数据点集合，其中纵轴为牵引力(F_f)，横轴为滑移率S；

图3为本发明实施例提供的传统的基于前后样本差值去除离散值的方法示意图；

图4为本发明实施例提供的基于均值加波动阈值去除离散值的方法示意图；

图5为本发明实施例提供的两种附着系数路面的魔术公式拟合示意图。

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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明通过采集四轮汽车行驶时的CAN信号，计算出某一侧的归一化牵引力与滑移率，对这些牵引力和滑移率的数据点集进行严格的筛选，之后将筛选过的归一化牵引力和滑移率输入扩展卡尔曼滤波器中，滤除噪声的同时得到归一化牵引力和滑移率的线性斜率，再将该斜率与已知的魔术公式轮胎模型进行匹配，即可得到实时轮端牵引力和轮端最大牵引力。

本发明实施例的实时监测轮端牵引力的方法，如图1所示，包括以下步骤：

步骤1、实时解析车身传感器的CAN信号。

步骤2、计算归一化的牵引力和某一侧的滑移率。

计算汽车行驶过程中汽车左侧(XL)或者右侧(XR)的滑移率(S)与汽车归一化牵引力 (F_f)的数据点集。以前轮为驱动轮的汽车计算左侧的滑移率为例：其中S_XL为左侧滑移率，ω_FLω_RL分别为左前轮角速度和左后轮角速度，R_FL R_RL分别为左前轮和左后轮的轮胎半径，S_XL的计算公式为：

本发明采用的牵引力是归一化之后的牵引力，即根据发动机扭矩、传动比、车轮半径计算出的牵引力除以车重的结果。从车身CAN信号解析得到的引擎扭矩记为Torque，传动比记为Gear,汽车车重记为m，车轮半径记为Radius，牵引力的计算公式为：

如图2所示为汽车行驶在不同附着系数路面的滑移率与归一化牵引力点集图，其中“·”代表干燥沥青路面，“×”代表碎石路面，可以看到两者的线性关系明显，这是本方法的理论依据，其关系如下式所示：

μ＝k(s-δ)

在这个模型里，k的变化速度远超过δ，这样kδ也是快速变化的，为了使滤波更容易，需要对这个模型进行变换：

步骤3、信号状态判断，判断此时汽车是否处于刹车、换挡、转弯等特殊状态，因为这些特殊状态会造成算法的误判，如果是，则重新解析CAN信号。刹车、转弯、换挡等特殊状态会造成汽归一化牵引力和滑移率的线性关系异常，因此需要禁用掉这些特殊状态。

从汽车CAN信号解析到的还有刹车信号，挡位信号，偏航率信号等，如果此时汽车处于刹车、换挡、转弯等异常状态，则禁用此时的状态，重新解析CAN信号。

步骤4、阈值判断，判断车速、归一化的牵引力是否满足设定阈值，滑移率的大小是否不为零，如果不满足，则重新解析CAN信号。

进行信号的阈值判断，当轮速小于设定的速度阈值，归一化牵引力小于设定阈值、或滑移率为0时，则禁用此时的状态，重新解析CAN信号，本系统中设定的速度阈值为 20km/h，因为当汽车轮速小于该值时，发动机提供不了足够的扭矩，会造成牵引力过小，没有滑移的现象。滑移率不为0，归一化牵引力大于阈值10时，数据才有意义，计算出的斜率会更加准确。

步骤5、筛选逻辑判断，传统的基于前后样本差值的判断方法无法有效的筛除连续出现的异常点，本方法提出了一种新的筛选异常点的方法，可有效筛除连续出现的异常点。

再将通过阈值判断的归一化牵引力和滑移率输入筛选逻辑中。图3为传统的基于前后样本差值去除离散值的方法示意图，传统的去除离散点的方法就是当样本前后差值大于设定阈值的时候进行去除，但这无法去除连续的离散点。可以看到该方法只能去除前后差值较大的离散点，图中有两个偏离平均值较大的连续点无法去除。本方法提出了一种基于均值加波动阈值去除离散值的方法，如图4所示，该方法的原理是，在滑移率均值的基础上增加了一个可调节的波动阈值，与一般方法相比，该方法最大的优点在于可以有效地去除连续的离散点。

步骤6、将满足条件的归一化牵引力和滑移率输入扩展卡尔曼滤波器模型中，过滤噪声的同时得到归一化牵引力和滑移率的线性斜率。

通过筛选逻辑后的归一化牵引力和滑移率线性关系明显，方差小，将其输入到扩展卡尔曼滤波器中，滤波模型如下：

x(t+1)＝x(t)+v(t)

y(t)＝H(t)x(t)+e(t)

式中的运算全是向量运算。其中，第一个方程是系统的状态方程，这个方程就是根据前一时刻的系统状态来推测当前时刻的系统状态，v(t)是预测过程中的服从期望是0、协方差为Q(t)的高斯白噪声，是已知量，Q(t)是预测过程中产生的噪声，也称为激励噪声协方差，Q(t)的计算方法为：

Q(t)＝E(v(t)v^T(t))

E()代表着期望运算。

后一个方程是系统的观测方程，用于得到当前时刻的测量值，扩展卡尔曼滤波器的本质就是使用测量值来校正预测值，是一个递归的预测-校正方法，e(t)是观测过程中的高斯白噪声，是服从期望是0、协方差为R(t)的已知量，R(t)是预测过程中产生的噪声，也称为测量噪声协方差，其计算方法为：

R(t)＝E(e(t)e^T(t))。

H(t)代表着状态变量到观测的转换矩阵，表示将状态和预测连接起来的关系，由上文提及的滑移率和牵引力的线性关系可以得到：

式中，下标l和r代表着汽车的左侧和右侧，s(t)代表滑移率，u(t)代表归一化的牵引力。

与/>分别代表线性模型左右两侧的斜率，δ_l(t)与δ_r(t)分别代表线性模型左右两侧的截距，这四个量便是本系统扩展卡尔曼滤波器的输出结果。将上述两个等式写成向量形式，变形如下：

根据上式可以得到滤波模型的各个向量，其中有：

y(t)＝(s_l(t)，s_r(t))^T

这样便可以通过扩展卡尔曼滤波器求出最优状态估计迭代方程主要包括五个核心方程，可分为两部分，第一部分是系统状态预测方程，包括：

其中，A代表状态转移矩阵，是对系统前后时刻状态转换的一种猜想模型，在本系统中设置为四阶单位阵，代表t-1时刻的后验状态估计值，也叫最优状态估计，代表t时刻的先验状态估计值，是预测方程的结果，是中间结果，/>代表t时刻的先验状态估计值，P(t-1)代表t-1时刻的后验状态估计值，是滤波的中间结果。

第二部分是系统观测方程，包括：

其中，K(t)是一个中间结果，又称为卡尔曼增益，它决定了观测值对预测值的影响程度。迭代出K(t)后，再用当前的观测值去修正t时刻的最优状态估计，之后更新数估计的后验协方差矩阵P(t)，方程中的后验估计值的初值在本系统中设置为零矩阵，因为它们的值是随着滤波器的迭代不断变化的，初值的设置对本系统没有影响。

通过扩展卡尔曼滤波器，便可以得到最优状态估计它包含了四个变量，分别是汽车左右两侧线性模型的斜率和截距，这样便可以有效的估计出魔术公式线性区的斜率。

步骤7、将得到的线性斜率与已知的魔术公式轮胎模型线性区的斜率相匹配，即可得到轮端实时牵引力和轮端最大牵引力。

在本实施例中，使用的魔术公式轮胎模型如下：

F(x)＝D*sin[C arctan{Bx-E(Bx-atan(Bx))}]

其中，x代表着左侧或者右侧的滑移率，F(x)代表着归一化的牵引力，D是曲线的峰值也代表着当前路面的附着系数，B，C是轮胎魔术公式的参数，决定着魔术公式线性区的斜率。实际工程中，魔术公式已成为工业标准，即轮胎制造商向整车厂提供魔术公式系数表示的轮胎数据。所以，在本方法中，不同道路模型的轮胎魔术公式系数都是已知值。

将扩展卡尔曼滤波器输出的线性斜率，与整车厂预先提供好的魔术公式线性区斜率相匹配，找到最相近的魔术公式曲线，即为当前道路模型对应的特性曲线，该曲线的峰值即为当前道路模型的最大附着系数，已知车重和滑移率的情况下，根据魔术公式曲线，便可计算出轮端牵引力和轮端最大牵引力。

如图5所示，该图为轮胎魔术公式模型对高附着系数路面和低附着系数路面的拟合图，其中曲线的峰值代表路面的附着系数，可以看到，高附着系数路面的附着系数为0.9，低附着系数路面的附着系数为0.3，根据车重和滑移率可以得到轮端牵引力和轮端最大牵引力。

一种实时监测轮端牵引力的系统，包括：

信号采集模块，用于实时采集CAN信号；

一种电子设备，包括一个或多个处理器以及存储器；一个或多个程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于执行上述的实时监测轮端牵引力的方法。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种实时监测轮端牵引力的方法，其特征在于，包括以下步骤：

实时采集CAN信号；

若车辆处于正常行驶状态，则持续计算车辆某一侧的滑移率和归一化的牵引力；其中，归一化的牵引力的计算公式如下：

式中，μ表示牵引力，Torque表示引擎扭矩，Gear表示传动比，Radius表示车轮半径，m表示汽车质量，g表示重力加速度；

将得到的线性斜率与魔术公式轮胎模型线性区的斜率相匹配，得到轮端实时牵引力和轮端最大牵引力，包括：

魔术公式轮胎模型如下：

F(x)＝D*sin[Carctan{Bx-E(Bx-E(Bx-atan(Bx))}]

2.根据权利要求1所述的实时监测轮端牵引力的方法，其特征在于，根据从CAN信号中解析到的刹车信号、挡位信号、及偏航率信号，分别判断车辆是否处于刹车、换挡、及转弯状态。

3.根据权利要求1所述的实时监测轮端牵引力的方法，其特征在于，车辆某一侧的滑移率为汽车行驶过程中汽车左侧或者右侧的滑移率。

4.根据权利要求3所述的实时监测轮端牵引力的方法，其特征在于，车辆某一侧的滑移率计算公式如下：

5.一种实时监测轮端牵引力的系统，其特征在于，包括：

信号采集模块，用于实时采集CAN信号；

状态验证模块，用于解析CAN信号，判断车辆是否处于正常行驶状态；车辆异常行驶状态包括刹车、换挡、及转弯；若车辆处于正常行驶状态，则持续计算车辆某一侧的滑移率和归一化的牵引力；其中，归一化的牵引力的计算公式如下：

斜率匹配模块，用于将得到的线性斜率与魔术公式轮胎模型线性区的斜率相匹配，进而得到轮端实时牵引力和轮端最大牵引力，包括：

魔术公式轮胎模型如下：

F(x)-D*sin[Carctan{Bx-E(Bx-atan(Bx))}]

6.一种电子设备，其特征在于，包括一个或多个处理器以及存储器；

一个或多个程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于执行权利要求1至4中任一项所述的实时监测轮端牵引力的方法。