四轮毂电机驱动全线控电动汽车轮胎力估计方法及系统

技术领域

本发明涉及车辆安全控制技术领域，特别是涉及一种四轮毂电机驱动全线控电动汽车轮胎力估计方法及系统。

背景技术

车辆纵向、侧向、垂向轮胎力学状态是车辆主动安全控制的主要控制变量，同时也是车辆综合稳定性评估的重要指标，它的准确获取直接关系车辆行驶稳定性与安全性。目前已有的现有技术如下：

（1）一种分布式电驱动车辆的前轮侧向力估算方法，首先采集车辆状态信号，利用车辆动力学方程实时估计轮胎的纵向力和垂向力；然后将估计的各轮的纵向力连同纵向加速度信号、侧向加速度信号、横摆角速度信号、方向盘转角信号传给车辆控制器中的卡尔曼侧向力观测器，得到两前轮的卡尔曼侧向力估计值和后轴侧向力估计值；最后利用各轮垂向力和前轮转角差对估计的侧向力进一步处理，得到最终的侧向力估计值。

（2）一种转向系统转向力矩及轮胎侧向力估计方法，包括以下步骤：1.采集车辆的纵向力和侧向力，根据车辆的七自由度模型，建立基于各个轮胎旋转中心以及质心的横摆力矩；2.利用干扰观测器对各轮胎旋转中心的横摆力矩进行计算得到各轮胎旋转中心的侧向力矩估计值；3.采用最小二乘法估计前后轮胎的侧向力之和；4.利用经验估计法分别计算前后轮的侧向力；5.将前后轮的侧向力转换为转向力矩并输出至助力电机中。

（3）一种四轮驱动电动汽车轮胎力软测量方法，包括以下步骤：第一步：获取汽车的纵向速度、质心侧偏角、纵向加速度、侧向加速度、前轮转角及轮胎纵向力；第二步：将获取的汽车的纵向速度、质心侧偏角、纵向加速度、侧向加速度、前轮转角及轮胎纵向力信息，输入给非线性车辆动力学模型，通过车辆动力学模型计算得到预估的纵向加速度和横向加速度；第三步：将获取的汽车的纵向速度、质心侧偏角、纵向加速度、横向加速度、前轮转角及轮胎纵向力信息和第二步预估的纵加速度、横向加速度信息一起输入给无迹卡尔曼滤波算法，获得基于模型的汽车轮胎力估计值。

（4）一种分布式驱动电动车的前轮侧向力估计方法，主要步骤为：1.依据各种传感器采集到的车辆状态信息，基于车辆动力学方程设计了滑模纵向力观测器对轮胎的纵向力进行实时估计；2.将估计的各轮纵向力以及纵向加速度信号、侧向加速度信号、横摆角速度信号等传输给滑模侧向力观测器，得到右前轮的侧向力估计值；3.通过滤波模块，对估计出的侧向力进一步优化处理，解决了侧向力估计值中出现的奇异问题，从而输出最终的两前轮侧向力估计值。

（5）分布式驱动电动汽车质心侧偏角与轮胎侧向力估计方法，该方法基于交互多模型算法-容积卡尔曼滤波对车辆质心侧偏角和轮胎侧向力进行实时估计，建立八自由度车辆模型，包括纵向运动、横向运动、横摆运动、侧倾运动以及四个轮胎的运动，非线性车辆模型考虑了车辆行驶过程中侧倾运动和载荷转移的影响；然后建立线性轮胎模型和非线性Dugoff轮胎模型作为交互多模型的模型集；最后对车辆质心侧偏角和轮胎侧向力进行估计。

（6）一种轮胎侧向力估算方法，包括以下步骤：1.设置一包括有轮心纵向速度传感器、路面附着系数传感器、轮胎垂向力传感器、轮胎侧偏角传感器、轮胎滑转率传感器和侧向力估计模块的轮胎侧向力估算系统；2.所述侧向力估计模块根据所采集的轮胎滑转率值、轮胎垂向力值、轮胎侧偏角和路面附着系数值，估算轮胎的准静态侧向力值；3.根据轮胎的动态侧向力与准静态侧向力的关系建立动态轮胎模型，所述侧向力估计模块根据采集的轮心纵向速度，并通过动态轮胎模型对所述步骤2估算的轮胎准静态侧向力值进行修正，得到动态轮胎侧向力值；4.将所述步骤3得到的动态轮胎侧向力值发送到整车控制器中，用于对车辆进行控制和监测。

可以看出的是，目前车辆轮胎力估计方法大多基于特定的轮胎模型进行估算，而轮胎模型参数繁多，使得基于模型的估计方法呈现工况适应性差，精度低等问题；同时已有方案缺乏能够解耦估计车辆纵向、侧向和垂向轮胎力的高可靠估计方法。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种四轮毂电机驱动全线控电动汽车轮胎力估计方法及系统。

为实现上述目的，本发明提供了如下方案：

一种四轮毂电机驱动全线控电动汽车轮胎力估计方法，包括：

获取车内传感器的传感信号参数；所述传感信号参数包括悬架高度数据、惯性测量数据、方向盘角度数据、车辆信号数据和电机数据；

根据所述传感信号参数分别构建滚动动力学模型、横向车辆模型和纵向车辆模型；

基于强跟踪无迹卡尔曼滤波器，根据所述滚动动力学模型估计垂直轮胎力；

基于经典卡尔曼滤波器，根据所述纵向车辆模型估计纵向轮胎力；

基于强跟踪无迹卡尔曼滤波器，根据所述横向车辆模型、所述垂直轮胎力和所述纵向轮胎力估计侧向轮胎力。

一种四轮毂电机驱动全线控电动汽车轮胎力估计系统，包括：

参数获取模块，用于获取车内传感器的传感信号参数；所述传感信号参数包括悬架高度数据、惯性测量数据、方向盘角度数据、车辆信号数据和电机数据；

模型构建模块，用于根据所述传感信号参数分别构建滚动动力学模型、横向车辆模型和纵向车辆模型；

第一估计模块，用于基于强跟踪无迹卡尔曼滤波器，根据所述滚动动力学模型估计垂直轮胎力；

第二估计模块，用于基于经典卡尔曼滤波器，根据所述纵向车辆模型估计纵向轮胎力；

第三估计模块，用于基于强跟踪无迹卡尔曼滤波器，根据所述横向车辆模型、所述垂直轮胎力和所述纵向轮胎力估计侧向轮胎力。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种四轮毂电机驱动全线控电动汽车轮胎力估计方法及系统，获取车内传感器的传感信号参数，包括悬架高度数据、惯性测量数据、方向盘角度数据、车辆信号数据和电机数据；分别根据传感信号参数构建滚动动力学模型、横向车辆模型和纵向车辆模型；基于强跟踪无迹卡尔曼滤波器，根据滚动动力学模型估计垂直轮胎力；基于经典卡尔曼滤波器，根据纵向车辆模型估计纵向轮胎力；基于强跟踪无迹卡尔曼滤波器，根据横向车辆模型、垂直轮胎力和纵向轮胎力估计侧向轮胎力。本发明利用低成本车载传感器信息，轮毂电机和线控制动系统状态反馈信息实现轮胎纵向、侧向和垂向轮胎估计力；使用强跟踪无迹卡尔曼滤波器估计轮胎侧向力和垂向力，较之传统的卡尔曼滤波器，在动态跟踪能力和收敛速度方面具有更好的性能；未使用参数繁多的轮胎模型进行轮胎力估计，估计算法精度高、鲁棒性好。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的实施例中的方法流程图；

图2为本发明提供的实施例中的总体方案示意图；

图3为本发明提供的实施例中的车辆侧倾动力学模型中的四分之一悬挂模型示意图；

图4为本发明提供的实施例中的车辆侧倾动力学模型中的车辆侧倾动力学示意图；

图5为本发明提供的实施例中的三自由度车辆模型示意图；

图6为本发明提供的实施例中的纵向轮胎动力学模型示意图；

图7为本发明提供的实施例中的纵向车辆动力学模型示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种四轮毂电机驱动全线控电动汽车轮胎力估计方法及系统，未使用参数繁多的轮胎模型进行轮胎力估计，估计算法精度高、鲁棒性好。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供了一种四轮毂电机驱动全线控电动汽车轮胎力估计方法，包括：步骤100：获取车内传感器的传感信号参数；所述传感信号参数包括悬架高度数据、惯性测量数据、方向盘角度数据、车辆信号数据和电机数据。步骤200：根据所述传感信号参数分别构建滚动动力学模型、横向车辆模型和纵向车辆模型。步骤300：基于强跟踪无迹卡尔曼滤波器，根据所述滚动动力学模型估计垂直轮胎力。步骤400：基于经典卡尔曼滤波器，根据所述纵向车辆模型估计纵向轮胎力。步骤500：基于强跟踪无迹卡尔曼滤波器，根据所述横向车辆模型、所述垂直轮胎力和所述纵向轮胎力估计侧向轮胎力。

优选地，所述车内传感器包括：悬架高度传感器、惯性测量装置、轮毂电机、车辆信号传感器和方向盘角度传感器；所述悬架高度传感器用于测量悬架高度数据；所述惯性测量装置用于测量惯性测量数据；所述轮毂电机用于测量电机数据；所述车辆信号传感器用于测量车辆信号数据；所述方向盘角度传感器用于测量方向盘角度数据。

如图2所示，通过车内传感器及车辆信号参数作为输入，分别建立滚动动力学模型、横向车辆模型、纵向车辆模型，得到垂直轮胎力、纵向轮胎力、侧向轮胎力的表达式；再分别选取强跟踪无迹卡尔曼滤波器和经典卡尔曼滤波器针对轮胎力进行估算。所述滚动动力学模型的构建方法如下：

构建第一模型。具体地，四分之一主动悬架系统如图3所示。忽略有效轮胎滚动半径的变化，滚动动力学模型，即第一模型的表达式为：

其中，

对于主动悬架，可以通过悬架高度传感器测量簧上质量和簧下质量的垂直位移。即根据所述第一模型确定第二模型，所述第二模型的表达式为：

；其中，/>

根据所述第二模型确定第三模型；具体地，轮胎垂直力

；其中，

构建侧倾动力学模型。具体地，为了准确预测轮胎垂直力，建立了一个带有主动悬架系统的车辆侧倾动力学模型，如图4所示，建立以x点为原点的坐标系，CG表示簧载的重心，B表示同一轴上左右轮胎安装位置之间的距离；

；

根据所述侧倾动力学模型确定第四模型；所述第四模型的表达式为：

。

根据所述第四模型确定第五模型。具体地，每个车轮上悬架系统的压缩都会导致车辆侧倾运动。因此，车辆侧倾状态与每个悬架的运动学之间的关系可以表达为第五模型，第五模型的表达式如下：

；其中，/>

综上可知，所述滚动动力学模型的表达式为：

。

为了准确估计线性和非线性区域的横向轮胎力，建立一个简化的四轮横向车辆模型，如图5所示。其中，

构建三自由度车辆模型；所述三自由度车辆模型的表达式为：

每个单独的横向轮胎力符合垂直力分布，可以由下式给出：

。

其中，m为车辆质量；

构建线性化横向轮胎模型。具体地，为了描述车辆横向动力学与前轮转向角之间的关系，建立线性化横向轮胎模型，线性化横向轮胎模型的表达式为：

。

对于前轮和后轮，轮胎侧偏角可由下式计算：

。

其中，

根据所述三自由度车辆模型和所述线性化横向轮胎模型确定所述横向车辆模型。具体地，忽略纵向轮胎力，三自由度车辆模型可以简化为：

优选地，所述纵向车辆模型的构建过程如下：本实施例中，使用单轮模型，如图6所示来描述每个轮胎的动力学，其中，

。其中，/>

其中，轮胎滑移率定义为：

构建纵向车辆动力学响应模型；为了描述纵向车辆动力学响应，如图7所示，基于此，所述纵向车辆动力学响应模型的表达式为：

/>

。

其中，m为车辆质量；

根据所述轮胎动力学模型和所述纵向车辆动力学响应模型确定所述纵向车辆模型。

值得注意的是：空气动力和滚动阻力可以通过现场车辆测试获得，而坡道阻力可以估计得到。另外，图7中，

悬架是一个典型的非线性系统，本实施例使用STUKF进行垂直轮胎力估计，以悬架高度传感器测量得到的悬架压缩量、压缩率作为观测变量，以系统悬架压缩量、压缩率及通过模型计算得到的垂向轮胎力的初始状态作为状态变量，进行数据融合从而得到接近真实值得垂向轮胎力估计值。具体地，基于强跟踪无迹卡尔曼滤波器，根据所述滚动动力学模型估计垂直轮胎力，包括：

获取悬架系统的非线性离散空间表达式；所述非线性离散空间表达式为：

。

其中，

根据所述非线性离散空间表达式确定每个时间步长下的状态向量。具体地，对于单个悬架，假设弹簧和减尼器具有相同的压缩量和压缩率，可通过悬架高度传感器直接测量。为了提高计算效率，对每个拐角分别估计垂直轮胎力。输入向量

。

其中，

根据所述非线性离散空间表达式确定垂直轮胎力估计的非线性函数。具体地，由于日常行驶中的道路激励相对较小，且非簧载质量的惯性力远小于垂直轮胎力，因此在这里忽略了道路激励的影响。所述垂直轮胎力估计的非线性函数的表达式为：

；其中，

在时间步长k处的测量值

根据所述非线性离散空间表达式确定垂直轮胎力估计的观测函数。由于观测函数

；/>

其中，

根据所述垂直轮胎力估计的非线性函数和所述垂直轮胎力估计的观测函数确定所述垂直轮胎力。

优选地，所述基于经典卡尔曼滤波器，根据所述纵向车辆模型估计纵向轮胎力，包括：

构建离散的时变线性控制系统；所述时变线性控制系统的表达式为：

。

其中，

进一步地，本实施例考虑到电机的输出转矩和车轮转速可以得到控制单元，采用广泛使用的经典卡尔曼滤波器进行纵向轮胎力估计，以轮速传感器测量得到的车轮转速作为观测变量，以车轮转矩作为输入变量，以车辆当前的车轮角速度、角加速度和计算得到的纵向力作为状态变量初值进行数据融合，从而得到接近真实值的纵向轮胎力估计值，具体步骤如下：

考虑一个离散的时变线性控制系统为：

；

对于单个车轮，以车轮转矩为输入，以车轮的角速度、角加速度和纵向力为状态，状态向量可得：

。

状态转移矩阵A和B可以表示为：

。

测量值

优选地，基于强跟踪无迹卡尔曼滤波器，根据所述横向车辆模型、所述垂直轮胎力和所述纵向轮胎力估计侧向轮胎力，包括：

构建轮胎侧向力估计的非线性离散空间方程；所述非线性离散空间方程的计算公式为：

。

其中，

将侧向加速度、偏航加速度以及四个侧向轮胎力作为系统状态，获取状态向量；所述状态向量的计算公式为：

；

其中，

获取系统横向输入；所述系统横向输入的计算公式为：

。

其中，

根据所述非线性离散空间方程确定侧向轮胎力估计的非线性函数；所述侧向轮胎力估计的非线性函数的表达式为：

；其中，

根据所述非线性离散空间方程确定侧向轮胎力估计的观测函数；所述侧向轮胎力估计的观测函数的表达式为：

；其中，/>

根据所述侧向轮胎力估计的观测函数和所述侧向轮胎力估计的非线性函数确定所述侧向轮胎力。

本实施例中，准确的侧向轮胎力估计对于车辆横向稳定性评估非常重要。本文的侧向轮胎力估计是以惯性测量装置、方向盘转角传感器测量计算得到的侧向加速度和偏航加速度作为观测变量，以前轮转向角、估算得到的纵向轮胎力和垂直轮胎力作为输入变量，以车辆当前的侧向加速度、偏航加速度以及四个计算得到的侧向轮胎力作为系统状态进行数据融合，从而得到接近真实值得侧向轮胎力估计值，具体步骤如下：

轮胎侧向力估计的非线性离散空间方程为：

；

取车辆的侧向加速度和偏航加速度以及四个侧向轮胎力作为系统状态，其状态向量可以表示为：

。

系统横向输入具体为输入向量，由前轮转向角、纵向轮胎力和垂直轮胎力组成，可以表示为下式：

；

前轮转向角由转向角编码器测量，系统测量包括侧向加速度和偏航加速度，公式为：

。

侧向轮胎力估计的非线性函数可以表示为：

。

观测函数

。

本实施例还提供了一种四轮毂电机驱动全线控电动汽车轮胎力估计系统，包括参数获取模块、模型构建模块、第一估计模块、第二估计模块和第三估计模块。

参数获取模块，用于获取车内传感器的传感信号参数；所述传感信号参数包括悬架高度数据、惯性测量数据、方向盘角度数据、车辆信号数据和电机数据。模型构建模块，用于根据所述传感信号参数分别构建滚动动力学模型、横向车辆模型和纵向车辆模型。第一估计模块，用于基于强跟踪无迹卡尔曼滤波器，根据所述滚动动力学模型估计垂直轮胎力。第二估计模块，用于基于经典卡尔曼滤波器，根据所述纵向车辆模型估计纵向轮胎力。第三估计模块，用于基于强跟踪无迹卡尔曼滤波器，根据所述横向车辆模型、所述垂直轮胎力和所述纵向轮胎力估计侧向轮胎力。

本发明的有益效果如下：

（1）本发明利用低成本车载传感器信息，轮毂电机和线控制动系统状态反馈信息实现轮胎纵向、侧向和垂向轮胎估计力；

（2）本发明使用强跟踪无迹卡尔曼滤波器估计轮胎侧向力和垂向力，较之传统的卡尔曼滤波器，在动态跟踪能力和收敛速度方面具有更好的性能；

（3）本发明未使用参数繁多的轮胎模型进行轮胎力估计，估计算法精度高、鲁棒性好。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。