SE523023C2 - Metod och anordning för att med rekursiv filtrering bestämma en fysikalisk parameter hos ett hjulfordon - Google Patents

Description

25 30 35 523 2023 om man medelvärdesbildar två signaler som mäter samma fysikaliska parameter kan ett förbättrat parameterestimat kanske uppnås men det bidrar icke med hjälper till estimering av nivåfelet.

Den kanske mest kända stödparametem för föraren av ett hjulfordon är hastigheten.

Fordonshastigheten kan estimeras baserat på vinkelhastigheten hos ett hjul med pålagt drivande moment, men med en noggrannhetsavvikelse på grund av hjulslirning, hjulhalkning eller varierande däckdiarneter. Det standardmässiga tillvägagångssättet att beräkna hastighet är att använda hjulhastighetssignalema från hjulhastighetssensorer och att eventuellt bilda medelvärden över de vänstra och de högra hjulen. För att undvika fel beroende på hj ulsliming används företrädesvis de icke drivna hjulen. Detta tillvägagångssätt har emellertid brister under bromsning när hjulen låses och under hjulsliming hos fyrhjulsdrivna fordon. För fyrhjulsdrivna fordon är det ett ytterligare problem att det till och med under normal köming kommer att finnas en liten positiv hastighetsoffset på grund av hjulslimingen.

Teknikens ståndpunkt Ett exempel på sensoranvändning i teknikens ståndpunkt visas i det amerikanska patentet US 5,878,357 i namnet Sivashankar et al. Detta stycke känd teknik är riktat mot girvinkelhastighetsestimering i fordon genom en kombination av en kinematisk girvinkelhastighetsestimering och en dynamisk girvinkelhastighetsestimering vid användning av accelerometrar. En kinematisk girvinkelhastighetsestimering viktas med en lateral fordonsacceleration vid masscentrum, och styrvinkel och fordonets hastighet framåt inkorporeras i ett Kalmanfilter för åstadkommande av ett dynamiskt girvinkelhastighetsestimat för fordonet. Detta system använder sensorkomponenter till förhållandevis låg kostnad men är känsligt för svåra körfall och fel i hjulradierna, till exempel beroende på varierande däcktryck.

En annan nackdel är att det kräver ledningsdragning genom hela bilen för att samla in sensorsignaler från en aecelerometer vid bilens front såväl som vid bilens akter.

Ett annat exempel på känd teknik riktad mot girvinkelhastighetsmätning finns i det amerikanska patentet 5,274,576 i namnet Williams. Den här kända tekniken använder en halvledarmätare för girvinkelhastighet, vars noggrannhet är känd för att bero på den omgivande temperaturen. Mätorgan ger en hastighetssignal, en styrvinkel och en lateral accelerationssignal, som alla används i ett korrigeringsorgan för att avlägsna systematiska fel från girometerns utsignal. Det kan noteras att detta system huvudsakligen är ett lågpassfilter som bara kompenserar för systematiska fel som verkar under långa tidsperioder.

Uppfimiingens syfte Det övergripande problemet som skall lösas av föreliggande uppfinning är att förbättra användbarheten hos signaler från befintliga sensorer som mäter en första fysikalisk parameter.

Olika problemaspekter är: 10 15 20 25 30 35 523 0233 - att förbättra noggrannheten hos sådana sensorsignaler; - att åstadkomma en virtuell sensorsignal för en andra fysikalisk parameter beroende av närrmda första fysikaliska parameter; - att använda och kombinera sensorinformation från olika tillgängliga källor för att åstadkomma förbättrade parameterestimat eller virtuella sensorsignaler; - att noggrant estimera eller eliminera offset eller nivåfel från parametervärden i sensorsígnalen.

En mer specifik aspekt av problemet är att tillhandahålla en förbättrad beräkning av en kursindikation i fonn av girvinkel och girvinkelhastighet för ett hjulfordon. Ännu en specifik aspekt av problemet är att tillhandahålla en förbättrad estimering av hastigheten hos ett hj ulfordon.

Sammanfattning av uppfinningen Syftet med uppfinningen uppnås genom bearbetning av signaler från ett flertal sensorer i ett adaptivt eller rekursivt filter och att därigenom producera en optimerad estimering av en första fysikalisk parameter som avläses av nänmda sensorer. I enlighet med uppfinningen tillhandahålls ett särskilt fördelaktigt rekursivt filter genom ett Kalmanfilter. I uppfinningen används Kalmanfiltret som ett ramverk för bearbetning av relaterade sensorsignaler och estimering av deras respektive nivåfel eller offset. Dessa relaterade sensorsignaler måste icke nödvändigtvis mäta samma fysikaliska parameter och i utföringsforrner av uppfinningen representerar de vanligtvis olika parametrar. Förutom att ge en noggrann estimering av nivåfelet har Kalmanfiltret också fördelen att det dämpar brus.

Enligt en aspekt av uppfinningen förbättras noggrannheten hos uppfinningen avsevärt genom kombinering av signalerna från ett flertal befintliga eller enkla tilläggssensorer i ett rekursivt filtreringsorgan.

Enligt en annan aspekt av uppfinningen genereras en annan virtuell sensorsignal för en andra fysikalisk parameter beroende av en eller flera första fysikaliska parametrar genom kombinering av sensorer av olika typ som avkänner olika första fysikaliska parametrar genom kombinerade sensorsignaler från reella eller verkliga sensorer. Med andra ord fusioneras systematiskt all tillgänglig information från sensorer i fordonet in i ett rekursivt filter, företrädesvis ett Kalmanfilter.

När sensorfusion i enlighet med uppfinningen tillämpas för att beräkna ett girvinkelhastighetsvärde inmatas åtminstone två sensorsignaler till ett Kalmanfilter för att minimera felet i en estimerad signal som representerar girvinkelhastighetsvärdet. I en föredragen utföringsform är dessa sensorsignaler en girvinkelhastighetssignal tagen från ett gyro, hjulhastighetssignaler tagna från en ABS-utrustning, en lateral girvinkelhastighetssignal tagen från en lateral accelerometer och styrhjulvinkelsignaler. Ett noggrant girvinkelhastighetsvärde kan till exempel appliceras i lateral slirningsberäkning, som används i 10 15 20 25 30 35 s2z 023 4 stabilitetssystem och vid friktionsestimering. Vidare finns det andrahandseffekter, till exempel en estimering av absoluta däckradier och följaktligen också absolut hastighet. Dessutom tillhandahåller filtreringsprocessen skillnader i däckradier liksom signaler för diagnos av fel i de respektive sensorema. Diagnossignalen kan användas för att varna föraren eller lagras i en felrapport för användning i samband med service på fordonet.

En noggrann estimering av fordonshastigheten åstadkommes i enlighet med en utföringsforni av uppfinningen, i vilken hjulhastighetssensorsignaler kombineras med en accelerometersignal och bearbetas i en filtreringsprocess i enlighet med den ovanstående beskrivningen. I enlighet med uppfinningen beräknas hastigheten noggrant även under bromsning och när hjulen är låsta. För ett fyrhjulsdrivet fordon eller när hjulhastighetssignaler från odrivna hjul icke finns tillgängliga kompenserar uppfinningen för hjulslirning och ger utöver hastighet också accelerationsinforrnation. Andra parametrar som avleds i utföringsforrner av uppfinningen är sliroffset som till exempel är användbart vid däcktrycksestimering i fyrhjulsdrivna fordon, slirkarakteristik som till exempel är användbart för däckfriktionsestimering i tvåhj ulsdrivna och fyrhjulsdrivna fordon, accelerationsoffset och hj ulhastigheten i körriktningen.

Slirningen hos ett fordonshjul är en funktion av momentet som påläggs ett hjul, där sliroffset är en konstant term hos funktionen och slirkarakteristiken är en proportionalitetskonstant mellan det pålagda momentet och slirningen.

Kort beskrivning av ritningarna Uppfinningen skall nu beskrivas med hjälp av exemplifierande utföringsforrner och med hänvisning till de bilagda ritningarna, i vilka: Fig l visar ett översiktligt blockschema av en utföringsfonn av uppfinningen; Fig 2A visar översiktligt en utföringsform av uppfinningen tillämpad i girvinkelhastighetsberäkning; Fig 2B visar uppfinningen tillämpad i hastighetsberäkning; Fig 2C visar uppfinningen tillämpad i bränsleförbrukningsberäkning; Fig 2D visar uppfinningen tillämpad i beräkning av slirkarakteristik; Fig 3 visar en översiktlig skiss som definierar de geometriska sambanden hos ett fyrhj ulsdrivet fordon; och Fig 4 visar ett diagram över en estimerad offset i enlighet med uppfinningen tagen från en experimentell testköming.

Detaljerad beskrivning av utföringsforrner Uppfinningen är baserad på följ ande generella ide' om sensorfusion, som här beskrivs i termer av matrisalgebra.

Två olika sensorer som avkänner samma varierande fysikaliska pararneter ger separata 10 15 20 25 30 35 523 0235 mätningar yí (t) av parametern x, där varje mätning har en offset bi med en offsetskalning ci(t) enligt en känd funktion av tiden. Mätningarna kan uttryckas algebraiskt: (l) y1 (t) = x(t) + c1(t)b1 (2) y2(t) = x(t) + c2(t)b2.

Dessa två ekvationer har tre okända och är därför olösbara, och offsetfelen kan icke elimineras direkt.

När två mätningar y1 (I), y2(1) och y1(2),y2(2) är tillgängliga finns det ytterligare två ekvationer och endast ytterligare en okänd, det vill säga fyra ekvationer och fyra okända.

Således kan offsetfelen och de variabla parametervärdena x(1),x(2) lösas under villkoret att det icke finns något linjärt databeroende. I detta exempel är villkoret för linjärt oberoende: (3) c1(1)/c1(2) i c2(1)/c2(2).

Om till exempel cl är konstant och c2(t) är hastigheten vx(t), uppträder linjärt oberoende när hastigheten har ändrats mellan två mätningar. Detta leder till observerbarhet och identifierbarhet. I ett typiskt fall skulle mätningar utföras genom sensorer som levererar en kontinuerlig eller diskret sensorutsignal som sarnplas in i ett digitalt databearbetningssystem.

Sainplen samlas in på ett i och för sig känt sätt med en förbestämd samplingsfrekvens, som således ger upphov till motsvarande antal ekvationer att bearbeta.

I praktiken adderas ett mätbrus till var och en av observationema. För att eliminera bruset är vissa utföringsformer av uppfinningen anordnade att samla in ett antal i observatíonssarnpel som är stort nog för att utgöra ett överbestämt ekvationssystem och anordnade att beräkna minsta kvadratlösningen.

Uppfinningen använder också förhandskunskapen att pararnetervariabeln x är en korrelerad sekvens som icke kan ändras godtyckligt snabbt mellan två sampel. Denna egenskap hos parametervariabeln x används i ett rekursivt filter, företrädesvis ett Kalmanfilter, i vilket de sainplades observationema imnatas.

Generell uppsättning Uppfinningen skall i allmänhet implementeras i ett digitalt eller analogt sensorstyrsystem hos en bil. Ett sådant system inkluderar trådbundna, optiska eller trådlösa datakommunikationslärikar för kommunicering av utsignalen från en sensor till en styrenhet.

Styrenheten är försedd med en dataprocessor som i föredragna utföringsformer är en digital processor med ett datalagringsminne och in- respektive utportar för signaler. Den digitala processorn är prograrrirnerad med en datorprogramprodukt försedd med organ för styrning av processorn till att utföra funktionerna och stegen hos den uppfinningsenliga metoden. I en analog implementering av det uppfinningsenliga konceptet är styrenheten försedd med kretselement specifikt anordnade att utföra funktionerna hos den uppfinningsenliga metoden.

Fig 1 visar ett översiktligt diagram med de funktionella blocken hos uppfinningen.

Sensorer eller sensorsignalleverantörer l02,104,l06,108 som har förmåga att generera 10 15 20 25 30 35 523 023 sensorsignaler S1,S2,S3,S4 beroende av eller representerande var sin fysikalisk parameter är kopplade till en sensorintegrationsenhet 110. Exempelvis används i en utfóringsfonn ABS- systemet som sensorsignalleverantör 102, sensorn 104 är ett gyro, sensorn 106 är en eller flera accelerometrar och motorn är en sensorsignalleverantör 108. Sensorintegrationsenheten innefattar ett rekursivt filter, företrädesvis ett Kalmanfilter, anordnat att ge ett estimat av en fórbestämd fysikalisk parameter. Det rekursiva filtret matar ut en fysikalisk parametersignal PSSl till en forsta sensorsignalbearbetningsenhet, närmare bestämt en virtuell sensorsignalbearbetningsenhet 112. Den virtuella sensorsignalbearbetningsenheten 112 är anordnad att beräkna en eller flera virtuella sensorsignaler VSS på grundval av den fysikaliska parametersignalen PSSl. Den beräknade virtuella sensorsignalen är till exempel girvinkelhastigheten “P(punkt), hastigheten vx hos fordonet och bränsleförbrukningen Vbránsle. Den virtuella sensorsignalen kommunicerar sedan till en eller flera styrenheter 118 som till exempel är anordnade att styra ett ABS-system, ett drivstyrsystem, ett sladdhävningssystem (DSTC) eller ett adaptivt farthållarsystem (ACC).

I utforingsfonnen som visas i Fig. 1 matar sensorintegrationsenheten 110 ut en andra fysikalisk parametersignal PSS2 till en andra sensorsignalbearbetningsenhet, här kallad en intelligent sensorbearbetningsenhet 114. Den intelligenta sensorbearbetningsenheten 114 är anordnad att beräkna en komplementär, intelligent beräknad sensorsignal ISS som används i en förarinforrnationsbearbetningsenhet 120. Sådana intelligenta sensorsignaler kan till exempel representera friktion och däcktillstånd såsom tryck eller vibration. Sensorintegrationsenheten 110 är också anordnad att leverera en tredje fysikalisk sensorsignal PSS3 som kommuniceras till en tredje sensorsignalbearbetningsenhet i form av en diagnossignalbearbetningsenhet 116.

Diagnossignalbearbetningsenheten 116 matar ut en diagnossignal DSS till fórarinfonnationsbearbetningsenheten 120. Sådana intelligenta sensorsignaler kan till exempel indikera friktions- och däcktillstånd såsom tryck eller vibration. Sensorintegrationsenheten 110 är också anordnad att leverera en tredje fysikalisk sensorsignal PS S3 som kommuniceras till en tredje sensorsignalbearbetningsenhet i form av en diagnossignalbearbetningsenhet 116.

Diagnosbearbetningsenheten 116 matar ut en diagnossignal DSS till fórarinformationsbearbetningsenheten 120. Förarinforrnationsbearbetningsenheten matar i sin tur ut signaler som till exempel indikerar friktionstillstånd, däcktryck eller fel i förbestämda bilkomponenter. Vidare kan en fjärde fysikalisk parametersignal PS S4 leveras av Sensorintegrationsenheten till en fjärde sensorsignalbearbetningsenhet, närmare bestämt en fordonsstyrsignalbearbetningsenhet 117 som är anordnad att generera och leverera lämpliga fordonsstyrsignaler VCS exempelvis till fordonsdrifiapparater såsom motor eller bromsstyming.

Girvinkelhastighetsberäkning En utfóringsforrn av uppfinningen är inriktad mot att åstadkomma en virtuell 10 15 20 25 30 i 523 023 girvinkelhastighetssensor genom kombinering av sensorsignaler från ett gyro och från hjulvinkelhastighetssensorer hos ett ABS-system, och genom beräkning av en noggrann girvinkelhastighet medelst ett adaptivt filter. Specifika utföringsforrner kan innefatta ytterligare sensorsignaler. Fig 2 visar översiktligt en girvinkelhastighetssignal v? gyro 202 från ett gyro och hjulvinkelhastighetssignaler 204 från ett ABS-system vilka inmatas i ett filter 206 i enlighet med uppfinningen. Filtret 206 matar ut en beräknad girvinkel 1/1, girvinkelhastighet gif gyro 208 liksom girvinkelhastighetsoffsetvärden.

Fig 3 visar en enkel skiss över ett fyrhjuligt fordon, vilken skiss definierar de geometriska sambanden för hjulhastigheter under kurvtagning som används för att beräkna girvinkelhastigheten ur hjulhastighetssignaler. Närmare bestämt används sambanden till att beräkna kurvradien, där R definieras som avståndet till mitten av den bakre hjulaxeln från en förbestämd punkt O, L är det laterala avståndet mellan hjulen på en axel och B är det longitudinella avståndet mellan främre och bakre hjulaxel. Hjulen är i detta exempel betecknade med rl för vänster bak, rr för höger bak, fl för vänster fram och fi för höger fram.

Ett koordinatsystem som indikerar x,y och z-riktningarna är också inritat i fig 3. För att få tydlighet i skissen är koordinatsystemet inritat framför fordonet men är i verkligheten typiskt positionerat i fordonets masscentrum.

För enkelhetens skull vid förklaring av uppfinningen är denna exemplifierade utföringsform baserad på samband som förutsätter att det inte finns någon lateral rörelse. I sambanden: (4),(5) v) = vï: = vxR-l 2 ay = Vïf = vfR” = vxl/l är 1/1 girvinkelhastigheten från ett gyro; vx hastigheten hos fordonet i x-riktningen; och ay accelerationen i y-riktningen.

Kurvradien beräknas enligt följ ande samband, där R definieras som avståndet till mitten hos den bakre hjulaxeln, (6) Vrr _ Rrr _ R + 1/2 vr! Rrl R _ [A Hjulvinkelhastigheterna o) för vart och ett av de respektive hjulen tas emot från ett ABS-system och inversen RJ till R löses för att undvika numeriska problem i vissa körfall, till exempel när man kör rakt fram. Detta resulterar i sambandet 10 15 20 i 523 023 8 .. (7) V_rl_ mr! rr: 1 41:31)” =_2_wrr rrr L 114.1 L __mf_' fi 1 vrf mfl' rfl' där hj ulradien betecknas r.

Hjulradieförhållandet är utsatt för ett offsetfel: (8) rrl f' fi' šl+åABS Influensen av offsetfelet på nämnaren är försumbar, så enligt utföringsformer av uppfinningen används följande uttryck för den inverterade kun/radien: (9) R* =l 2 ffl-(Hßißo-l =R,;'+l 2 Lgllnpl wrr Lfi+1wrr wïf mi? vari den beräkningsbara kvantiteten (10) används för den inverterade kurvradien.

Slutligen är hastigheten vid mitten av den bakre hjulaxeln (11) v; _w,, + m" 2 där r betecknar den nominella hjulradien.

I en praktisk implementation av denna utföringsforrn, är sensormätningarna: y1(t) från en girvinkelhastighetssensor, d.v.s. en gyrosignal; y2(t) = vxRmJ, från ABS-sensorer, varvid RmJ beräknas såsom ovan; och eventuellt y 3(t) från en lateral accelerationssensor.

Det skall noteras att när en lateral accelerometer används understöds denna företrädesvis av en vertikal accelerometer för att kompensera för icke horisontella rörelser hos fordonet.

Alla dessa sensormätningar är utsatta för offsetfel och mätbrus som gives av sambanden: 523 023 9 y1(f)= *öm +e1(t) 2 _ . 1 w, y2(t)=VxRm1 +ez(t)=lff(t)+vx ï a) :lå/ms +ez(t) å) ___'L+1 f' CU V3 (f) = VXVI/(f) + âAccf + 930) (12) där ÖABS är ett offsetfel som beror på en relativ däckradie mellan de högra och vänstra hjulen.

Såsom har beskrivits ovan behandlas mätsignalema i ett filter. En generell filterbeskrivning gives i följande sektion. I en utfóringsfomi estimeras offsetfelet medelst 5 minsta kvadratmetoden. Så eliminering av girvinkelhastigheten från de två forsta mätningarna resulterar i en linjär regression i de två offsetfelen: (13) W) = a? mä + än) 10 där: (14) W) = y1(f)- mf) mn=Lw¿ 2 fi Lånen" wrr å: = (åyzeßâAßs )T ëU) = 610) ~ 22 (f) Om man också använder en accelerometer är regressionskvantitetema (15) A9, .X øm=@ÄJ VX g = (Ölylvól/rcrryl ëm=am-29 V .I YO) = M0)- Minsta kvadratestimatet beräknas genom 1 5 10 15 20 25 523 023 (16) ß=[¿å<»<»>«pf)§§<»y Den viktiga frågan om identifierbarhet, det vill säga under vilka villkor offsetfelen är möjliga att estimera, besvaras genom att studera rangen hos matrisen som skall inverteras i minsta kvadratlösningen (LS-lösningen). För accelerometersensom gives matrisen genom: (17) I korthet har denna matris full rang om och endast om, hastigheten ändras under tidshorisonten. Ju mer variation desto bättre estimat. På liknande sätt är offsetfelen identifierbara från girvinkelhastighet och ABS-sensorer om hastigheten eller kurvradien ändras någon gång. I enlighet med uppfinningen estimeras offsetfelen adaptivt genom en rekursiv minsta kvadratalgoritm (RLS), en minsta kvadratalgoritm (LMS) eller ett Kalmanfilter.

I realtidsimplementationer av uppfinningen föredrages Kalmanfiltret och det förbättrar också prestandan i förhållande till RLS på följande sätt: - För det första kan en modell för variationen hos den sanna girvinkelhastigheten inkorporeras i Kalmanfiltret. Till exempel kan girvinkelhastigheten vara begränsad till 5Hz maximal frekvensvariation.

- För det andra kan olika tidsvariationer hos sensoroffsetfelet användas. Till exempel kan temperaturen influera girooffsetvariationen, en kallstart kan göra att filtret glömmer mera av girooffsetfelet än av ABS-offsetfelet.

Kalmanfiltret är fullständigt specificerat genom en tillståndsekvation på formen: (13) x(f + 1) = Ax(f)+ Bv(:) y(t) = Cx(t) + e(t) där kovariansmatrisema av v(t) och e(t) betecknas Q respektive R. De okända kvantiteterna i tillståndsvektorn x(t) estimeras genom en rekursion (19) æ(f + 1) = Aæ(f)+ 1<(f;A,B,c,Q, R)(y(f)- 020)) där filterförstärkningen K(t;A,B, C, Q, R) gives av Kalmanfilterekvationema. Således har man vid utfornmingen av en implementation att lösa problemet att sätta upp tillståndsmodellen.

En exemplifierande utföringsforrn använder tillståndsvektom: 10 f"= '-.-' =..= = ' 10 ~523 023 1 . ;__-~... 22': n... n. .. 2 2 g -- 3 I Z' ' 1 ' v- u-n (20) vw x(t) = V/(t) öm âAßS och en kontinuerlig tillståndsmodell är: (21a) 0 1 0 0 0 0 0 0 0 1 x(r)= O 0 0 0 x(r)+ 0 v(r) 0 0 0 0 0 (Zlb) 1 0 1 0 Qi x(r) + e(r) á) +1" y(')=1 o o v llz “LQL CO rr Det har här antagits att det finns en okänd insignal v(t) som påverkar girvinkelaccelerationen, vilket är en vanligt modell för rörelsemodeller som huvudsakligen motiveras av Newtons lag F =ma.

En diskret tillståndsmodell: (22) 1 T, 0 0 Tf/2 x@+n=g Å f §4»+ É vw 0 0 0 1 0 1 0 1 0 y(r)= 1 0 0 v _1_ 2 m” x(r)+e(r) X L _a)l+1wrr avleds och används av Kalmanfiltret. 10 15 20 25 30 35 523 023 o; un.

Utföringsfonner av uppfinningen som integrerar information från hj ulhastighetssignalen och gyron har således förmåga att ge noggranna girvinkel- och girvinkelhastighetsmätningar där gyrooffsetfelet och relativa däckradíeskillnader estimeras och kompenseras. Som ett alternativ eller ytterligare support till ett ABS-system kan en eller flera laterala accelerometrar användas för att stöda girvinkelhastighetssensom med ytterligare en girvinkelhastighetsberoende sensorsignal.

Simuleringar och experiment visar att noggrannheten i girvinkelhastighet, till och med utan att ta hänsyn till offsetfelen, är bättre än att använda någon av sensortyperna separat. Pig 4 visar ett ritat diagram 401 över ett Kalmanfilterestimerat gyrooffsetfel 403 jämfört med en mycket exakt, i efterhand justerad offset 402. Diagramrnet har tiden i sekunder på x-axeln och gyrooffsetfelet i rad/s på y-axeln. Diagramrnet i fig 4 är en registrering från en experimentell testköming och visar att Kalmanfilterestimeringen efter en kort övergångsperiod konvergerar med det i efterhand justerade offsetfelet inom en marginal av ett fåtal procent av skalenheterna för offsetfelet.

Ytterligare en fördel med det uppfinningsenliga konceptet är att den relativa skillnaden i hjulradier mellan icke drivna höger och vänsterhjul kan estimeras mycket noggrant, vilket med fördel används för däcktrycksindikering. I olika utföringsforrner används Kalmanfiltret som en kombinerad parameterestimator för offsetfelet liksom som ett filter för girvinkelhastigheten. I en alternativ utföringsforrn används ett adaptivt filter till att estimera offsetparametrarna. Ytterligare en effekt av uppfinningen är att den ger stöd för en diagnos av fel i gyro och accelerometer.

I en stegvis beskrivning av uppfinningen för girvinkelhastighetsestimering innefattar den uppfinningsenliga metoden följ ande steg: (I) Insamling av mätningar från a) ett girvinkelhastighetsgyro b) ABS sensorer c) eventuellt en lateral accelerometer d) eventuellt en hjulstyrvinkelsensor (2) F örbearbetning och filtrering av råa sensordata 1. Skalning av sensorinsignaler till fysikaliska konstanter Yawrate = nom. scale__factor__gyro * rawinputgyro - nom.offset_gyro 2. Lågpassfiltrering av girvinkelhastighet för att reducera effekter av kvantiseringsfel och brusfel till exempel genom medelvärdesbildning över ett fåtal sampel. 3. Rotationssynkronisering av tidsstämplingar från kugghjul för att undvika effekter av kugghjulsdeformationsfel, det vill säga beräkna hjulvinkelhastighet genom användning av hel rotationshastighet hos hjulet. 10 15 20 25 30 35 523 023 4. Liknande behandling av sensorer (c) och (d) fór att reducera kända feleffekter, till exempel lågpassfiltrering. 5. Utförande av enkel diagnos på sensorer för att ta hand om inbyggda sensordiagnosfunktioner, till exempel hos sensorer som använder nollnivåspänning for att indikera internt fel. (3 2 Beräkning av filterinsignaler och parametrar i felmodell 1. Beräkna det inverterade kurvradieestimatet från fiamaxelhjulen (ekvation 10) 2. Beräkna det inverterade kurvradieestimatet från bakaxelhjulen ( l0b -d.v.s. ekvation 10 med index ändrade till wfl och wfr) 3. Beräkna fordonshastighetsestimatet från ABS-sensorer (ekvation 11) 4. Beräkna girvinkelhastighetsestimatet från främre och bakre hjulen (ekvation 12) 5. Beräkna felfortplantningsfiniktionen for hjulradieoffsetfelen tillhörande bakaxeln. 6. Beräkna felfortplantningsfuriktionen for hjulradieoffsetfelen tillhörande framaxeln. (4) Undersök datakvaliteten enligt givna normer för att producera statistiska matriser för Kalmanfiltrering, till exempel: 1. Låg hastighet ökar brus och andra fel i girvinkelhastigheten från ABS-sensorer uppskattat till: Om flzastighetsestimat < LÅG_NIVÅ) => Öka då värdena i Kalmanmätníngskovaríansmatrisen R 2. Stillastående bil säkrar att girvinkelhastighet är exakt 0 enligt regel Om (hastighetsestimat = ABSOL UT_NOLL) => Minska då värdena i Kalmanmätningskovariansmatrisen R (5) Applicera Kalmanfilterekvationerna l. Tidsuppdatering av Kalmanñlter xhat = F*xhat; Phat = F*Phat*F'+ G*Q*G'; 2. Mätningsuppdatering av Kalmanfilter K = Phat*H'*inv(H*Phat*H'+R); e = y - H*xhat; xhat = xhat + K*e; Phat = Phat - K*H*Phat'; Phat = 0.5*(Phat + Phat'); 10 15 20 25 30 35 523 023 14 där xhat är det aktuella tillståndsestimatet och phat är den aktuella Kalmanfelkovariansmatrisen, y är aktuell mätning, H är mätningsmatris, F är tillståndsmodelluppdateringsmatris och G är brusuppdateringsmatris. (6) Utmatning av girvinkelhastighet och offiretestimat 1. Tillhandahåll en snabb girvinkelhastighet som är den aktuella uppmätta lågpassfiltrerade girvinkelhastigheten minus det estimerade offsetfelet for användning till exempel i tidskritiska styrsystem. 2. Tillhandahåll en filtrerad girvinkelhastighet som är det aktuella girvinkelhastighetstillståndsestimatet hos Kalmanfiltret för användning exempelvis i navigeringssystem 3. Tillhandahåll relativa hjulradier mellan vänster och höger hjul på bakre och främre hjulparen for användning exempelvis i däcktrycksestimeringssystem. 4. Tillhandahåll girvinkelhastighetsgyrooffsetestimatet for användning i diagnosfunktioner. etsberäknin En utföringsform av uppfinningen avser en tillämpning av uppfinningen för Hasti hastighetsberäkning, eller mer generellt uttryckt longitudinell rörelseberäkning baserad på standardsensorer hos ett fordon. I enlighet med uppfinningen integreras en sensorsignal från en accelerometer ax med en hjulvinkelhastighetssignal co exempelvis från ett ABS-system i en sensorsignalsintegrationsenhet 218. Sensorsignalintegrationsenheten innefattar, såsom har förklarats ovan, en filtreringsprocess och matar ut en beräknad hastighetssignal vx 220 och en beräknad accelerationssignal ax 222. Såsom har beskrivits ovan kombineras en accelerometer som avkänner acceleration i det horisontella planet företrädesvis med en vertikal accelerometer för kompensation av vertikal rörelse. Eftersom denna utfóringsforrn använder en accelerometer som ett komplement till hjulhastighetssignalema kan hastigheten beräknas även efter hjullåsning vid bromsning.

De grundläggande ekvationema på vilka beräkningen baseras liknar de som ovan beskrivits i samband med girvinkelhastighetsberäkningen. Därför behöver bara sensorsignalema fusioneras och deras karakteristiska visas här. Hjulvinkelhastighetsignaler (n mottages från ett ABS-system och transformeras till skalade hastigheter vid selekterade positioner i bilen. Den första sensorsignalen i ABS-systemet beskrivs i: (23) yl(t)zvx(t där yl är vinkelhastigheten hos ett drivande hjul; ) J, elp) vx är den absoluta hastigheten hos hjulet; 10 15 20 25 30 r 523 023 15 r är hj ulradien; k är slirkarakteristiken; ö är sliroffsetfelet; och u är hjulmomentet.

Offsetfelet (24) 1+k*',u(t)+6 r är här multiplikativt, vilket innebär att sambanden är icke linjära och ett utökat Kalmanfilter måste användas. Sensorn är noggrann vid medelfrekvenser, vid en tidsskala där friktions- och däckkarakteristika k, ö är oförändrade.

Den andra sensorsignalen från en accelerometer i longitudinell riktning ax, beskrivs som: (25) Yz(f)= Üx(f)+b2 *ezw- Summering fram till tiden t ger: (26) f.=åkt»».-v.<<>>+b.f+ë.

Offsetfelskalningarna (1 och t) är linjärt oberoende om dragkraften = u(t) icke ökar linjärt med tiden, så att offsetfelen b2, k. ö är observerbara. I denna utfóringsforrn beräknas offsetfelet och ett hastighetsestimat utan drift ur hastigheten hos ett drivet hjul och en accelerometer med ett icke försumbart offsetfel till exempel för användning i fyrhj ulsdrivna fordon när frirullande hjul icke är tillgängliga. Den har också en snabb respons på longitudinella hastighetsändringar under halka, till exempel vid sliming eller bromsning.

Vidare används denna utföringsforrn med fördel för diagnos av en accelerometer. Systemet estimerar slirkarakteristiken i en friktionsmodell som också används till att estimera friktionen mellan däck och väg.

I en stegvis beskrivning av utföringsforrnen för hastighetsberäkning innefattar den uppfinningsenliga metoden följ ande steg: (I) Insamling av mätning från a) en longitudinell accelerometer b) ABS-sensorer c) eventuellt girvinkelhastighetsgyro 10 15 20 25 30 35 523 023 (2) F örbearbetníng och filtrering av råa sensordata l. Skalning av sensorinsignaler till fysikaliska konstanter 2. Lågpassfiltrering av longitudinella accelerationsmätningar för att reducera feleffekter av kvantisering och brus exempelvis genom medelvärdesbildning över ett fåtal sampel. 3. Rotationssynkronisering av tidsstämplingar från kugghjul for att undvika feleffekter av kugghjulsdeformationer, det vill säga kalkylera hjulvinkelhastighet genom användning av en hel rotation hos hjulet. 4. Utför enkel diagnos på sensorer för att ta hand om inbyggda sensordiagnosfunktioner till exempel sensorer som använder en nollnivåspärining for att indikera internt fel. (3) Beräkning av filterinsignaler och parametrar i felmodellen. 1. Beräkna fordonshastighetsestimatet från ABS-sensorer (ekvation 11) 2. Beräkna parametrarna i felmodellen (ekvation 23) 3. Beräkna aktuella matriser for det utökade Kalmanfiltret (F,G,H,Q) (4) Undersök datakvaliteten enligt givna normer för att producera statistiska matriser för Kalmanfzltrering, till exempel: 1. Låg hastighet ökar bruset i hastighetsmätningar från ABS-sensorer Om (hastighetsestimat < LÅG_NIVÅ) => Öka då värden i Kalmanmätningskovariansmatrisen R 2. Stillastående bil säkrar att hastigheten är exakt noll Om (hastíghetsestimat = ABSOL UT_NOLL) => Minska då värden i Kalmanmätningskovariansmatrisen R (5) Applicera Kalmanfilterekvationerna för det utökade Kalmanfiltret 1 Tidsuppdatering av Kalmanfilter xhat = F*xhat; Phat = F*Phat*F'+ G*Q*G'; 2 Mätningsuppdatering av Kalmanfilter K Phat*H'*inv(H*Phat*H'+R); e = y - H*xhat; xhat = xhat + K*e; Phat Phat - K*H*Phat'; Phat Il O.5*(Phat + Phat'); där xhat är det aktuella tillståndsestimatet och phat är den aktuella 10 15 20 25 30 2523 ozs I Kalmanfelkovariansmatrisen, y är aktuell mätning, H är mätningsmatris, F är tillståndsmodelluppdateringsmatris och G är brusuppdateringsmatris. (6) Utmatning av hastíghets- och oflvetsfelestimat 1. Tillhandahåll ett hastighetsestimat för styrsystem och MMI (Man Machine Interface). 2. Tillhandahåll hjulslimingar för fyrhjulsdrivna fordon. 3. Tillhandahåll accelerometeroffsetfelestimatet för användning i diagnosfuriktioner.

Bränslenivå och bränsleförbrukninqssensor En utföringsforrn av uppfinningen är inriktad mot beräkning av bränslenivå och bränsleförbrukning. Denna utföringsforrn visas schematiskt i Fig. 2C och tar som insignal en bränslevolymsignal 224 från fordonets tankmätare och en bränsleinjiceringssignal 226 från motorn. De grundläggande ekvationema är återigen liknande dem som har beskrivits ovan, men sensorsignalerna modelleras enligt fiiljande ekvationer.

För det första är tanknivåmätningen: (27) y1(t)= V(t)+ b1+ en (t) Denna typ av sensor är vanligtvis behäftad med mediumfrekvensstörningar i bruskomponenten el(t), vilket normalt hanteras med ett mycket långsamt lågpassfilter. Å andra sidan är lågfrekvensnoggrannheten i tidskonstanten hos en återfyllning god. Offsetfelet beror bland armat på tillverkningsvariationer och temperatur.

För det andra transfonneras en bränsleinjiceringssignal tq eller liknande till en momentan bränsleförbrukningssignal beskriven som: (23) y2(t)=V(t)+b2 +ez(t) Denna sensor är mycket bra vid höga frekvenser huvudsakligen för att den mäter derivator.

Summering fram till tiden t ger: (29) v2=§y2o>=V-V<<>>+b2f+e Offsetskalningarna 1 och t är linjärt oberoende och därför är offsetfelen observerbara.

Denna i praktiken virtuella sensor har fördelen att den svarar snabbt efter påfyllning, är en offsetfelfri övervakare av momentana värden såväl som medelvärden av bränsleförbrukning, och är lämplig att använda för diagnos av fel i bränslerör och -. e . u» un: u. , ' ' a '- z o n n . 2 : ~ n 7 ' ' ' n ..- 10 15 20 25 30 35 523 02318 motoreffektivitet.

I en stegvis beskrivning av utföringsformen för bränsleförbrukning innefattar den uppfinningsenliga metoden följ ande steg: (1) Insamling av mätningar fiån a) en tanknivårnätningsanordning b) en bränsleinjiceringssignal (2) F örbearbetning och filtrering av råa sensordata 1. Skalning av sensorinsignaler till fysikaliska konstanter 2. Lågpassfiltrering av bränsleinjiceringsmätning för att reducera feleffekter av kvantisering och brus exempelvis genom medelvärdesbildning över ett fåtal sampel. 3. Utför enkel diagnos på sensorer för att ta hand om inbyggda sensordiagnosfunktioner exempelvis sensorer som använder en nollnivåspänning för indikering av internt fel. (3) Beräkning av filterinsignaler och parameter i felmodellen 1. Beräkning av bränsletanknivåestimat från bränslenivåsensor. 2. Beräkning av bränsleförbrukningen från bränsleinjiceringssignal. (4) Undersök datakvalitet enligt givna normer för att producera statistiska matriser för Kalmanfiltrering, exempelvis: 1. Hög belastning på motorn ger otillförlitliga förbrukningsresultat, öka del av R (5) Applicera Kalmanfilterekvationerna 1 Tidsuppdatera Kalmanfiltret xhat = F*xhat; Phat = F*Phat*F'+ G*Q*G'; 2 Mätningsuppdatering av Kalmanfiltret K = Phat*H'*inV(H*Phat*H'+R); e = y - H*xhat; _xhat = xhat + K*e; Phat - K*H*Phat'; O.5*(Phat + Phat'); Phat = Phat = där xhat är det aktuella tillståndsestimatet och phat är den aktuella Kalmanfelkovariansmatrisen, y är den aktuella mätningen, H är mätningsmatris, F är tillståndsmodelluppdateringsmatris och G är brusuppdateringsmatris. = 523 02319 ( 6) Utmatninz av bränslenivå, bränsleförbrukning och offvetfeflestimat 1. Tillhandahåll bränslenivå för MMI-system (Man Machine Interface-systern). 2. Tillhandahåll bränslefórbrukningsnivå for styrsystem och MMI-system. 5 Uppfinningen har beskrivits med hjälp av exemplifierande utfóringsfonner och det skall förstås att flera utfornmingar är möjliga inom det uppfinningsenliga konceptet såsom det definieras i patentkraven. 10

Claims (29)

10 15 20 25 30 35 ø n o o nu n n 523 023 2-0 PATENTKRAV

1. En metod for bestämning av ett fysikaliskt parametervärde (x) hos ett hjulfordon, innefattande stegen att: mottaga en sensorsignal från en första sensor (102) med förmåga att generera en första sensorsignal (S1) som är beroende av det fysikaliska parametervärdet (x), varvid den första sensorsignalen bearbetas till en bearbetad sensorsignal (y1); mottaga en sensorsignal från en andra sensor (104) med förmåga att generera en andra sensorsignal (S2) som är beroende av det fysikaliska pararnetervärdet (x), varvid den andra sensorsignalen (S2) bearbetas till en andra bearbetad sensorsignal (y2); rekursivt filtrera nämnda forsta och andra bearbetade sensorsignaler (y1,y2) medelst ett adaptivt filter baserat på en förbestämd modell av hjulfordonets tillstånd, varvid nämnda modell är beroende av det fysikaliska parametervärdet (x), av nämnda första och andra bearbetade sensorsignaler (y1,y2) och av ett första offsetfel (b1) för nänmda första bearbetade sensorsignal (yI), kännetecknad av stegen att: estimera värdena av nämnda forsta offsetfel (bl) och av ett andra offsetfel (b2) för nämnda andra bearbetade sensorsignal (yZ) medelst nämnda filter, vilket andra offsetfel är beroende av en eller flera hjulradier hos hjulfordonet, varvid nämnda modell vidare är beroende av offsetfelet (b2) för nämnda andra bearbetade sensorsignal (y2) och varvid de första och andra bearbetade sensorsignalemas (y1,y2) beroende av nämnda första och andra offsetfel är innefattade i modellen; bestämma i nämnda filtrering det nämnda fysikaliska parametervärdet (x) medelst nämnda första och andra bearbetade sensorsignaler (y1,y2) och medelst ett flertal forbestämda samband mellan uppmätta värden (111 (t), y2(t)) av nämnda fysikaliska parametervärde (x) och nämnda första och andra offsetfel hos nämnda första och andra bearbetade sensorsignaler (y1,y2) på ett sådant sätt att de nämnda offsetfelen kompenseras och elimineras.

2. Metoden enligt föregående krav, varvid modellen är baserad på samband mellan bearbetade sensorsignalvärden (110)) från sensordetekteringar av nämnda fysikaliska parameter (x(t)) och offsetvärden (b1,b2) för nämnda första och andra sensorsignaler motsvarande det al gebraiska uttrycket (1) 3110) =X(l) + 010951 (2) A220) =X(f) + C2(I)b2, där y] (t) är ett värde för en bearbetad sensorsignal från en mätning av nämnda fysikaliska parameter x(t) detekterad medelst en första sensor och representerad av nämnda första sensorsignal som har närrmda första offsetfel bl och en forsta offsetskalning c] (t) enligt en förbestämd funktion av tiden; och 10 15 20 25 30 35 - a n o .n n . - | ø . 1 . .nu nu 15232923 där y2(t) är ett värde fór en bearbetad sensorsignal från en mätning av nämnda fysikaliska parameter x(t) detekterad medelst en andra sensor och representerad av nämnda andra sensorsignal som har nämnda andra offsetfel b2 och en andra oñsetskalning c2(t) enligt en fórbestämd funktion av tiden.

3. Metoden enligt krav 1, varvid modellen är baserad på ett samband mellan bearbetade sensorsignalvärden (yi(t)) från sensordetekteringar av nämnda fysikaliska parameter (x(t)) och offsetfel (bi) för ett antal i av bearbetade sensorsignaler yi(z) motsvarande det algebraiska uttrycket (i) yifl) = x(t) + <=í(l)bi, där yi(t) är ett värde för en bearbetad sensorsignal från en mätning av nämnda fysikaliska pararneter x(t) detckterad medelst en sensor nummer i och representerad av en sensorsignal som har ett offsetfel bi och en offsetskalning ci(t) enligt en förbestärnd funktion av tid.

4. Metoden enligt något av föregående krav, varvid åtminstone ett av nämnda estimerade offsetfel varierar med tiden.

5. Metoden enligt något av föregående krav, vidare innefattande stegen att: mottaga en sensorsignal från en tredje sensor (106) med förmåga att generera en tredje sensorsignal (S3) som är beroende av det fysikaliska parametervärdet (x), varvid den andra sensorsignalen (S2) och den tredje sensorsignalen (S3) bearbetas till nämnda andra bearbetade sensorsignal (y2); och att rekursivt filtrera nämnda första och andra bearbetade sensorsignaler (yl ,y2) medelst nämnda adaptiva filter, vilket är baserat på en modell som är beroende också av offsetfelet för nänmda tredje sensorsignal (S3).

6. Metoden enligt föregående krav, varvid nämnda andra sensorsignal (S2) och nämnda tredje sensorsignal (S3) är signaler från hjulhastighetssensorer för olika hjul hos hjulfordonet.

7. Metoden enligt något av föregående krav, varvid det nämnda filtret är baserat på en modell som också är beroende av mätbrus i respektive sensorsignal och vidare innefattar steget att filtrera bort måtbruset från den beräknade fysikaliska parametervärdesignalen.

8. Metoden enligt något föregående krav, varvid det närrmda filtret är baserat på en rekursiv minsta kvadratalgoritm (RLS).

9. Metoden enligt något föregående krav, varvid det nänmda filtret är baserat på en minsta 10 15 20 25 30 35 n . a a nu a nu» o. 523 023 tfifiä Zl kvadratalgoritrn (LMS).

10. Metoden enligt något föregående krav, varvid det nämnda filtret är baserat på ett Kalmanfilter.

11. ll. Metoden enligt föregående krav, varvid nämnda Kalmanfilter är specificerat genom en tillståndsekvation på formen: x(r + 1) = Ax(r)+ Bv(z) y(z) = Cx(r) + e(t) varvid kovariansmatriserna av v(t) och e(t) betecknas Q respektive R, och varvid de okända kvantitetema i tillståndsvektorn x(t) estimeras genom en rekursion: 20 + 1) = Af(f)+ K (mA, B, C,Q,R)(y(f)- 026)), där filterförstärkningen K(t;A,B, C, Q,R) gives av förbestämda Kalmanfilterekvationer.

12. Metoden enligt föregående krav, varvid nämnda Kalmanfilter innefattar en modell för variationen hos det sanna fysikaliska parametervårdet hos hjulfordonet.

13. Metoden enligt något av föregående krav vidare innefattande stegen att: undersöka datakvaliteten enligt förbestämda regler; och producera statistiska matriser för Kalmanfiltrering i beroende av nämnda regler.

14. Metoden enligt föregående krav, varvid nämnda regler är: om (hastighetsestimat < LÅG_NIVÅ) => öka då värden i Kalmanmätningskovariansmatrisen R, och om (hastighetsestimat = ABSOLUT_NOLL) => minska då värden i Kalmanmätningskovariansmatrisen R.

15. Metoden enligt något av föregående krav vidare innefattande applicering av Kalmanfilterekvationer genom stegen att: tidsuppdatera Kalmanfiltret xhat = F*xhat; Phat = F*Phat*F'+ G*Q*G'; måtningsuppdatera Kalmanfiltret K = Phat*H'*inV(H*Phat*H'+R); e = y - H*xhat; xhat = xhat + K*e; Phat = Phat - K*H*Phat'; 10 15 20 25 30 35 n e o a no n 4 '1523 023 :s j Phat = 0.5* (Phat + Phat '); där xhat är det aktuella tillståndsestimatet och phat är den aktuella Kalmanfelkovariansmatrisen, y är aktuell mätning, H är mätningsmatris, F är tillståndsmodelluppdateringsmatiis och G är brusuppdateringsmatris.

16. Metoden enligt något av föregående krav, vidare innefattande förbearbetning av råa sensordata genom steget att skala samplade sensorsignaler till fysikaliska konstanter enligt modellen att den fysikaliska konstanten sätts lika med en nominell skalfaktor multiplicerat med det råa sensordatavärdet minus en nominell sensoroffset.

17. Metoden enligt föregående krav, vidare innefattande förbearbetning av råa sensordata genom steget att lågpassfiltrera sensorsignalvärden för att reducera effekter av kvantiseringsfel och brusfel.

18. Metoden enligt något av föregående krav, vidare innefattande förbearbetning av råa sensordata genom steget att rotationssynkronisera tidsstämplingar från kugghjul medelst beräkning av hjulvinkelhastighet för att undvika effekter av kugghjulsdeforrnationsfel.

19. Metoden enligt något av föregående krav vidare innefattande steget att tillhandahålla ett offsetestimat till nämnda sensorsignaler för användning i diagnosftnrlctioner.

20. Metoden enligt något av föregående krav, vidare anpassad för bestämning av longitudinell rörelse hos nämnda hjulfordon, varvid nämnda första sensorsignal är en accelerationssignal från en accelerometer monterad i hjulfordonet; varvid närnnda andra sensorsignal är en hjulvinkelhastighetssignal från en hjulvinkelhastighetssensor monterad i hjulfordonet för avkänning av vinkelhastigheten hos ett hjul; varvid nämnda modell är beroende av nämnda accelerationssignal, nämnda hjulvinkelhastighetssignal, offsetfelet för accelerationssignalen och av offsetfelet för åtminstone en hjulradie hos hjulfordonet; och varvid den nänmda levererade fysikaliska parametervärdesignalen (x) innefattar en beräknad longitudinell hastighetssignal och en beräknad longitudinell accelerationssignal.

21. Metoden enligt föregående krav , varvid det adaptiva filtret är ett utökat Kalmanfilter.

22. Metoden enligt något av kraven 20-21, vidare innefattande beräkning av filterinsignaler och parametrar i en felmodell genom stegen att: l0 15 20 25 30 35 523 023 :w ' beräkna ett fordonshastighetsestimat från hjulvinkelhastighetssensorer; beräkna parametrarna i felmodellen; beräkna aktuella matriser för ett utökat Kalmanfilter (F,G,H,Q).

23. Metoden enligt något av kraven 20-22, vidare innefattande steget att tillhandahålla ett hastighetsestimat fór styrsystem och MMI (Man Machine Interface).

24. Metoden enligt något av kraven20-23, vidare innefattande steget att tillhandahålla hjulslirningsvärden.

25. Metoden enligt något av kraven 20-24, vidare innefattande steget att tillhandahålla ett accelerometeroffsetestimat för användning i en diagnosfiniktion.

26. En apparat för beräkning av ett fysikaliskt parametervärde (x) hos ett hjulfordon, innefattande: filtreringsorgan anordnat för mottagande av en första bearbetad sensorsignal (yI) av en från en första sensor (102) avgiven första sensorsignal (Sl) och för mottagande av en andra bearbetad sensorsignal (y2) av en från en andra sensor (104) avgiven andra sensorsignal (S2), vilka första och andra sensorsignaler (Sl, S2) är beroende av det fysikaliska pararnetervärdet (x), varvid filtreringsorganet är anordnat att rekursivt filtrera nämnda första och andra bearbetade sensorsignaler (V1 , y2) medelst ett adaptivt filter baserat på en förbestämd modell av hjulfordonets tillstånd, varvid nämnda modell är beroende av det fysikaliska parametervärdet (x), av nämnda första och andra bearbetade sensorsignaler (y1,y2) och av ett första offsetfel (bl) fór nämnda första bearbetade sensorsignal (yI), kännetecknad av: organ för estimering av värdena av nämnda första offsetfel (b1) och av ett andra offsetfel (b2) för nämnda andra bearbetade sensorsignal (112) medelst nämnda filter, vilket andra offsetfel är beroende av en eller flera hjulradier hos hjulfordonet, varvid nämnda modell vidare är beroende av offsetfelet (b2) för nämnda andra bearbetade sensorsignal (y2) och varvid de första och andra bearbetade sensorsignalemas (y1,y2) beroende av närrmda första och andra offsetfel är innefattade i modellen; organ för bestänming i nämnda filtrering av det nänmda fysikaliska pararnetervärdet (x) medelst nämnda första och andra bearbetade sensorsignaler (y1,y2) och medelst ett flertal förbestämda samband mellan uppmätta värden (yI (t), y2(t)) av nämnda fysikaliska parametervärde (x) och närrmda första och andra offsetfel hos nämnda första och andra bearbetade sensorsignaler (y1,y2) på ett sådant sätt att de nänmda offsetfelen kompenseras och elimineras. 10 15 20 25 30 » I a ø oo a i 523 023 18

27. Apparaten enligt föregående krav, vidare innefattande en bearbetningsenhet (110, 112,1 14,1 16,1 17) anordnade fór utförande av stegen och funktionerna enligt något av kraven 2-25.

28. En datorprogramprodukt för bestämning av ett fysikaliskt pararnetervärde (x) hos ett hjulfordon medelst ett databearbetningssystem, innefattande programkod anordnad fór styrning av databearbetningssysternet att: mottaga en fórsta bearbetad sensorsignal (yI) av en från en första sensor (102) avgiven första sensorsignal (S1) och att mottaga en andra bearbetad sensorsignal (y2) av en från en andra sensor (104) avgiven andra sensorsignal (S2), vilka fórsta och andra sensorsignaler (Sl ,S2) är beroende av det fysikaliska pararnetervärdet (x); rekursivt filtrera nämnda första och andra bearbetade sensorsignaler (y1,y2) medelst ett adaptivt filter baserat på en förbestâmd modell av hjulfordonets tillstånd, varvid nämnda modell är beroende av det fysikaliska parametervärdet, av den fórsta och andra bearbetade sensorsignalen (yI,y2) och av ett fórsta offsetfel (bl) för nämnda fórsta bearbetade sensorsignal (yI), I kännetecknad av programkod anordnad fór styrning av databearbetningssystemet att: estimera värdena av nämnda fórsta offsetfel (b1) och av ett andra offsetfel (b2) för nämnda andra bearbetade sensorsignal (y2) medelst nämnda filter, vilket andra offsetfel är beroende av en eller flera hjulradier hos hjulfordonet, varvid nämnda modell vidare är beroende av offsetfelet (b2) fór nämnda andra bearbetade sensorsignal (y2) och varvid de fórsta och andra bearbetade sensorsignalernas (y1,y2) beroende av nämnda första och andra ofïsetfel är innefattade i modellen; bestämma i nämnda filtrering det nämnda fysikaliska pararnetervärdet (x) medelst nämnda fórsta och andra bearbetade sensorsignaler (y1,y2) och medelst ett flertal förbestämda samband mellan uppmätta värden (y1(t),y2(t)) av nämnda fysikaliska parametervärde (x) och nämnda fórsta och andra offsetfel hos nämnda första och andra bearbetade sensorsignaler (y1,y2) på ett sådant sätt att de nänmda offsetfelen kompenseras och elimineras.

29. Datorprogramprodukten enligt föregående krav, vidare innefattande programkod anordnad för styrning av databearbetningssystemet att utföra stegen och funktionerna enligt något av kraven 2-25.