CN116674571A - 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 - Google Patents

Abstract

本发明属于汽车技术领域，具体的说是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。包括：一、获取车辆行驶状态数据；二、基于车辆动力学模型建立整车质量、道路坡度与车辆行驶状态数据的关系模型；三、利用车辆行驶状态数据和车辆固有参数计算工况特征参数；四、基于神经网络算法建立质量估计置信度因子模型；五、基于置信度因子的最小二乘法估计车辆质量；六、判断质量估计值是否稳定；七、基于扩展卡尔曼滤波算法估计道路坡度。本发明打破了传统基于动力学模型估计质量对于车辆工况的局限性，根据车辆动力学模型和车载加速度传感器的测量原理，实现了车辆质量和道路坡度估计的解耦，从而提高二者估计值的准确性。

Description

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

技术领域

本发明属于汽车技术领域，具体的说是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。

背景技术

随着汽车智能化的快速发展，研究人员开发出了更多的汽车电子控制***，汽车电子控制***是根据车辆的行驶状态和道路信息来实时的控制逻辑。整车质量与道路坡度作为车辆模型中的两个基本参数，是车辆惯性力、滚动阻力及坡度阻力的主要来源。对于车辆而言，由于生产制造成本的限制，无法直接通过传感器对质量和坡度进行实时测量，所以一般都是基于车辆动力学模型或数据驱动模型对质量与坡度进行实时估计，这对于车辆的车速控制、变速器控制和动力总成优化等有着重要影响。因此探索一种整车质量与路面坡度的实时估计方法对于提高汽车的安全性和经济性具有重要意义。

目前整车质量和路面坡度的估计主要是利用车辆纵向动力学模型结合相应的估计算法完成。基于动力学模型的方法对车辆传感器的依赖性小、普适性强，其中比较常用的估计方法有递推最小二乘法(Recursive Least Squares,简称RLS)及卡尔曼滤波(KalmanFilter)。一般情况下，最小二乘法更适合估计变化量比较小的汽车质量,而卡尔曼滤波则更适合估计连续变化的道路坡度。但是基于纵向动力学模型的质量估计方法适用性比较受限，其只适用于比较简单的直线加速工况，因为此时车辆的行驶状态十分符合车辆纵向动力学模型的假设，那么基于动力学模型的质量估计方法就会估计的比较准确。可是实际上车辆是一个复杂的***，实际行驶的工况也十分复杂，当车辆处于换挡、制动等复杂工况时，就无法通过车辆动力学模型来表述车辆***，此时基于纵向动力学模型的质量估计就会误差较大。此外，在动力学模型中质量和道路坡度的耦合性比较强，如果质量估计值误差较大，那就会严重影响道路坡度的估计精度。因此，需要对质量-坡度估计模型进行解耦，同时对车辆在换档、制动等非线性状态下进行建模，从而提高质量估计方法在各种工况下的适用性。

发明内容

本发明提供了一种基于数据置信度因子的汽车质量与坡度估计方法，利用数据驱动模型的非线性优势实现车辆在非线性状态下的建模，从而对基于车辆动力学模型的质量估计算法进行修正，提高估计算法在各工况下的适用性，当质量估计模型的估计值稳定后，再将质量估计值输入到坡度估计模型中，实现质量与坡度估计的解耦，减少质量估计精度对坡度估计精度的影响，从而完成车辆质量和道路坡度的联合估计，进一步使得车辆的安全性和经济性得到提高，解决了现有整车质量和路面坡度的估计存在的上述问题。

本发明技术方案结合附图说明如下：

一种基于数据置信度因子的汽车质量与坡度估计方法，包括以下步骤：

步骤一、获取车辆行驶状态数据；

步骤二、基于车辆动力学模型建立整车质量、道路坡度与车辆行驶状态数据的关系模型；

步骤三、利用车辆行驶状态数据和车辆固有参数计算工况特征参数；

步骤四、基于神经网络算法建立质量估计置信度因子模型；

步骤五、基于置信度因子的最小二乘法估计车辆质量；

步骤六、判断质量估计值是否稳定；

步骤七、基于扩展卡尔曼滤波算法估计道路坡度。

进一步的，所述步骤一的具体方法如下：

通过车辆CAN总线获取车载传感器纵向加速度信号、纵向车速信号、发动机输出力矩信号、车辆挡位信号和主缸制动压力信号。

进一步的，所述步骤二的具体方法如下：

21)将车辆的受力进行简化分析，得到车辆的纵向动力学模型；其中，车辆纵向动力学模型表示为：

F_t＝F_w+F_i+F_f+F_j

式中，F_t为车辆驱动力，且F_w为空气阻力，且F_i为坡度阻力，且F_i＝MgsinαF_f为滚动阻力，且F_f＝Mgfcosα；F_j为加速阻力，且/>

其中，

sinα≈tanα＝i

cosα≈1

22)结合上式得到整车质量、路面坡度与车辆行驶状态的关系模型为：

式中，T_tq为汽车的发动机输出力矩；i_g表示变速箱传动比；i₀表示主减速器传动比；η_t表示机械传动效率；p_mc表示主缸压力；k_bf、k_br分别表示前、后制动器效能因数；r表示车轮有效滚动半径；I_总表示旋转质量总等效转动惯量；M表示汽车质量；f表示滚动阻力系数；C_D表示车辆空气阻力系数；A表示迎风面积；ρ表示空气密度；v表示车辆纵向速度；i表示道路坡度；

所述旋转质量总等效转动惯量由下式表示：

I_总＝∑I_w+I_fi_g ²i₀ ²η_t

式中，I_w为车轮转动惯量；I_f为飞轮转动惯量；

所述滚动阻力系数由下式表示：

f＝(f₀+f₁v)

式中，v为纵向车速，单位是km/h；f₀为滚动阻力系数常数项；f₁为滚动阻力系数一次项；通过上述得知滚动阻力系数与车辆的纵向车速有关；

所述纵向加速度可以通过车速对时间的差分得到，由下式表示：

式中，Δt为数据采集的采样周期。

进一步的，所述步骤三的具体方法如下：

31)所述车辆固有参数主减速比i₀、机械传动效率η_t、前后制动器效能因数k_bf k_br、车轮有效滚动半径r、旋转质量总等效转动惯量I_总、滚动阻力系数f、车辆空气阻力系数C_D、迎风面积A通过相应的实验测量得到；

32)当通过实验获得车辆固有参数和通过车辆CAN信号获取车辆行驶状态数据后，计算能够表达车辆行驶工况的特征参数；

定义的计算阻力为：

式中，T_tq为汽车的发动机输出力矩；i_g表示变速箱传动比，i₀表示主减速器传动比；η_t表示机械传动效率；p_mc表示主缸压力；k_bf、k_br表示前后制动器效能因数；r表示车轮有效滚动半径；I_总表示旋转质量总等效转动惯量；M表示汽车质量；f表示滚动阻力系数；C_D表示车辆空气阻力系数；A表示迎风面积；ρ表示空气密度；v表示车辆纵向速度。

33)计算工况特征参数即加速度为：

式中，为通过车速对时间差分得到的理论纵向车辆加速度；i为道路坡度；g为重力加速度；f为滚动阻力系数。

进一步的，所述步骤四的具体方法如下：

41)采用误差反向传播神经网络算法即BP算法建立质量估计置信度因子模型；

所述BP算法的定义如下：

对于给定训练集D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，即输入由d维属性描述，输出为l维实值向量；神经网络为一个拥有d个输入神经元、l个输出神经元、q个隐藏层神经元的多层前馈网络，其中输出层第j个神经元的阈值用θ_j表示，隐藏层中第h个神经元的阈值用γ_h表示；

输入层中第i个神经元与隐藏层中第h个神经元之间的连接权重为v_ih；隐藏层中第h个神经元与输出层中第j个神经元之间的连接权重为w_hj；隐藏层中第h个神经元接收到的输入为输出层中第j个神经元接收到的输入为/>其中b_h为隐藏层中第h个神经元的输出；

对于训练(x_k,y_k)，神经网络的输出为即：

则神经网络在(x_k,y_k)上的均方误差为：

神经网络中有(d+l+1)q+l个参数需要确定：输入层到隐藏层的d×q个权值、隐藏层到输出层的q×l个权值、q个隐藏层神经元的阈值、l个输出层神经元的阈值；

BP神经网络是一个迭代学习算法，在迭代的每一轮采用广义的感知机学习规则对参数进行更新估计，任意参数v的更新估计式为：

v←v+Δv

BP算法基于梯度下降策略，以目标的负梯度方向对参数进行调整，对于误差E_k给定的学习率η有：

w_hj先影响到第j个输出层神经元的输入值β_j，再影响到其输出值然后影响到E_k，有

学习率η∈(0,1)控制着算法每一轮迭代中的更新步长；

42)对于每个训练样例，BP算法执行以下操作：先将输入数据提供给输入层神经元，然后逐层将训练信号前传，直到产生输出层的结果；然后计算输出层的误差，再将误差反向传播至隐藏层神经元，最后根据隐藏神经元的误差来对连接权和阈值进行调整。该迭代过程循环进行，直到达到某些训练停止条件为止；

其中，数据集中的标签值置信度系数定义为：

式中，m为通过最小二乘法估计出的质量值；m₀为车辆质量真值；置信度系数c_f∈(0,1)；

其中，置信度因子的门限值算法定义为：

式中，c_f为置信度系数，C_f为置信度因子；

43)通过门限值算法计算得到的置信度因子C_f代表当前进行质量估计工况的合理性，通过置信度因子来控制车辆在不同工况下质量估计时的更新策略；

当C_f为1时，代表车辆的行驶工况十分符合车辆纵向动力学模型的假设条件，车辆处于比较理想的线性区域，基于动力学模型的估计算法表现较好，质量估计值比较准确；

当C_f为0时，代表车辆的行驶工况不符合车辆纵向动力学模型的假设条件，车辆处于比较复杂的非线性状态，此时基于动力学模型的估计效果不准，应该停止更新质量估计值，使用上一时刻较为准确的估计值作为当前时刻的估计值。

进一步的，所述步骤五的具体方法如下：

51)车载加速度计工作原理为：

其中，为通过车速差分得到的车辆理论纵向加速度；i为道路坡度；g为重力加速度；

52)根据车载加速度计工作原理和车辆纵向动力学模型，实现车辆质量与道路坡度的模型解耦，质量估计的解耦模型为：

式中，T_tq为汽车的发动机输出力矩；i_g表示变速箱传动比；i₀表示主减速器传动比；η_t表示机械传动效率；p_mc表示主缸压力；k_bf、k_br表示前后制动器效能因数；r表示车轮有效滚动半径；I_总表示旋转质量总等效转动惯量；M表示汽车质量；f表示滚动阻力系数；C_D表示车辆空气阻力系数；A表示迎风面积；ρ表示空气密度；v表示车辆纵向速度；a_{x_sensor}为车载加速度计测量得到的车辆加速度；

53)递推最小二乘法的输出量y＝θh，待辨识参数θ＝M，根据下式，使用带有置信度因子的递推最小二乘法对车辆质量M进行估计：

式中，C_f为置信度因子；λ为时变的遗忘因子；P为递推的协方差矩阵。

进一步的，所述步骤六的具体方法如下：

判断质量估计模型中递推最小二乘算法中的协方差矩阵P是否小于临界值P₀；

若P＜P₀则说明当前时刻的质量估计值已经趋于收敛，质量估计值比较准确，由于车辆在行驶过程中不会发生很大的变化，将其认为是车辆的一个固有参数，此时则将估计值输入到坡度估计模型中，从而进行坡度估计；

若P≥P₀则说明当前时刻的质量估计值正在快速更新，质量估计值变化比较大，此时若将其输入到坡度估计模型中会导致坡度估计的误差较大，无法达到车辆控制所需要的精度，因此应该继续重复步骤一至步骤五，直到质量估计值趋于稳定收敛，才进行道路坡度估计。

进一步的，所述步骤七的具体方法如下：

71)根据车辆动力学模型得到***的状态空间模型如下：

令：

72)根据***的状态空间模型得到***的离散状态空间方程如下：

式中，v(k)为当前时刻的纵向车速；T_tq(k)为当前时刻的发动机输出力矩；p_mc(k)为当前时刻的主缸制动压力；i(k)为当前时刻的道路坡度；

73)***的观测方程如下：

74)***的雅克比矩阵为：

式中，J_f为***状态方程的雅克比矩阵、Δt为***的离散步长；

75)***的状态转移矩阵A＝J_f；

76)***观测矩阵为

77)当计算得到***的雅克比矩阵和观测矩阵后，通过卡尔曼滤波算法建立道路坡度估计模型，流程为：

(1)初始化状态变量和后验估计偏差协方差P_k-1；

(2)根据公式计算状态变量的先验估计值；

(3)根据公式计算先验估计偏差协方差；

(4)根据公式计算卡尔曼滤波增益；

(5)根据公式计算后验估计偏差协方差；

(6)根据公式计算状态变量后验估计值。

本发明的有益效果为：

1)本发明打破了传统基于动力学模型估计质量对于车辆工况的局限性；

2)本发明根据车辆动力学模型和车载加速度传感器的测量原理，实现了车辆质量和道路坡度估计的解耦，从而提高二者估计值的准确性

3)本发明利用数据驱动模型的非线性优势实现了车辆在非线性状态下的建模，通过数据驱动模型得到质量估计置信度因子，根据置信度因子对动力学模型的质量估计算法进行修正，使得质量估计算法的准确性更高，鲁棒性更好；

4)本发明实现了对车辆质量和道路坡度的准确估计，有利于车辆安全性和经济性的提高。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的流程示意图；

图2为车辆加速上坡时的受力的示意图；

图3为基于神经网络的质量估计置信度因子模型的示意图；

图4为基于卡尔曼滤波估计道路坡度的算法的示意图。

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。

参阅图1，一种基于数据置信度因子的汽车质量与坡度估计方法，包括以下步骤：

步骤一、获取车辆行驶状态数据，具体方法如下：

通过车辆CAN总线获取车载传感器纵向加速度信号、纵向车速信号、发动机输出力矩信号、车辆挡位信号和主缸制动压力信号。

步骤二、基于车辆动力学模型建立整车质量、道路坡度与车辆行驶状态数据的关系模型，具体方法如下：

21)车辆加速上坡时的受力如图2所示，图中，G为汽车重力；α为道路坡角；h_g为汽车质心高；F_w为空气阻力；F_z1、F_z2为作用在前、后轮上的地面法向反作用力；F_X1、F_X2为作用在前、后轮上的地面切向反作用力；L为汽车轴距；a、b分别为汽车质心至前、后轴的距离；

将车辆的受力进行简化分析，得到车辆的纵向动力学模型；其中，车辆纵向动力学模型表示为：

F_t＝F_w+F_i+F_f+F_j

式中，F_t为车辆驱动力，且F_w为空气阻力，且F_i为坡度阻力，且F_i＝MgsinαF_f为滚动阻力，且F_f＝Mgfcosα；F_j为加速阻力，且/>

其中，根据我国公路设计规范，可知实际上一般道路的坡度均比较小，此时可以认为：

sinα≈tanα＝i

cosα≈1

22)结合上式得到整车质量、路面坡度与车辆行驶状态的关系模型为：

式中，T_tq为汽车的发动机输出力矩；i_g表示变速箱传动比；i₀表示主减速器传动比；η_t表示机械传动效率；p_mc表示主缸压力；k_bf、k_br分别表示前、后制动器效能因数；r表示车轮有效滚动半径；I_总表示旋转质量总等效转动惯量；M表示汽车质量；f表示滚动阻力系数；C_D表示车辆空气阻力系数；A表示迎风面积；ρ表示空气密度；v表示车辆纵向速度；i表示道路坡度；

所述旋转质量总等效转动惯量由下式表示：

I_总＝∑I_w+I_fi_g ²i₀ ²η_t

式中，I_w为车轮转动惯量；I_f为飞轮转动惯量；

所述滚动阻力系数由下式表示：

f＝(f₀+f₁v)

式中，v为纵向车速，单位是km/h；f₀为滚动阻力系数常数项；f₁为滚动阻力系数一次项；通过上述得知滚动阻力系数与车辆的纵向车速有关；

所述纵向加速度可以通过车速对时间的差分得到，由下式表示：

式中，Δt为数据采集的采样周期。

步骤三、利用车辆行驶状态数据和车辆固有参数计算工况特征参数，具体方法如下：

31)所述车辆固有参数主减速比i₀、机械传动效率η_t、前后制动器效能因数k_bf k_br、车轮有效滚动半径r、旋转质量总等效转动惯量I_总、滚动阻力系数f、车辆空气阻力系数C_D、迎风面积A通过相应的实验测量得到；

32)当通过实验获得车辆固有参数和通过车辆CAN信号获取车辆行驶状态数据后，计算能够表达车辆行驶工况的特征参数；

定义的计算阻力为：

式中，T_tq为汽车的发动机输出力矩；i_g表示变速箱传动比，i₀表示主减速器传动比；η_t表示机械传动效率；p_mc表示主缸压力；k_bf、k_br表示前后制动器效能因数；r表示车轮有效滚动半径；I_总表示旋转质量总等效转动惯量；M表示汽车质量；f表示滚动阻力系数；C_D表示车辆空气阻力系数；A表示迎风面积；ρ表示空气密度；v表示车辆纵向速度。

33)计算工况特征参数即加速度为：

式中，为通过车速对时间差分得到的理论纵向车辆加速度；i为道路坡度；g为重力加速度；f为滚动阻力系数。

步骤四、基于神经网络算法建立质量估计置信度因子模型，具体方法如下：

41)采用误差反向传播神经网络算法即BP算法建立质量估计置信度因子模型；如图3所示，基于神经网络的质量估计置信度因子模型的输入为计算阻力、计算加速度、发动机输出力矩、制动主缸压力，输出为质量估计置信度系数；

所述BP算法的定义如下：

对于给定训练集D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，即输入由d维属性描述，输出为l维实值向量；神经网络为一个拥有d个输入神经元、l个输出神经元、q个隐藏层神经元的多层前馈网络，其中输出层第j个神经元的阈值用θ_j表示，隐藏层中第h个神经元的阈值用γ_h表示；

输入层中第i个神经元与隐藏层中第h个神经元之间的连接权重为v_ih；隐藏层中第h个神经元与输出层中第j个神经元之间的连接权重为w_hj；隐藏层中第h个神经元接收到的输入为输出层中第j个神经元接收到的输入为/>其中b_h为隐藏层中第h个神经元的输出；

对于训练(x_k,y_k)，神经网络的输出为即：

则神经网络在(x_k,y_k)上的均方误差为：

如图3所示，神经网络中有(d+l+1)q+l个参数需要确定：输入层到隐藏层的d×q个权值、隐藏层到输出层的q×l个权值、q个隐藏层神经元的阈值、l个输出层神经元的阈值；

BP神经网络是一个迭代学习算法，在迭代的每一轮采用广义的感知机学习规则对参数进行更新估计，任意参数v的更新估计式为：

v←v+Δv

BP算法基于梯度下降(gradient descent)策略，以目标的负梯度方向对参数进行调整，对于误差E_k给定的学习率η有：

w_hj先影响到第j个输出层神经元的输入值β_j，再影响到其输出值然后影响到E_k，有

学习率η∈(0,1)控制着算法每一轮迭代中的更新步长；

42)对于每个训练样例，BP算法执行以下操作：先将输入数据提供给输入层神经元，然后逐层将训练信号前传，直到产生输出层的结果；然后计算输出层的误差，再将误差反向传播至隐藏层神经元，最后根据隐藏神经元的误差来对连接权和阈值进行调整；该迭代过程循环进行，直到达到某些训练停止条件为止；

其中，数据集中的标签值置信度系数定义为：

式中，m为通过最小二乘法估计出的质量值；m₀为车辆质量真值；置信度系数c_f∈(0,1)；

神经网络算法一种基于数据驱动的学习算法，当对算法通过多轮训练学习后可以得到置信度系数计算模型。在利用模型进行实际预测置信度系数时，由于神经网络存在误学习、发散性强等缺点，需要对置信度系数加以限制，得到最终能够表达质量估计工况是否适用的置信度因子。

其中，置信度因子的门限值算法定义为：

式中，c_f为置信度系数，C_f为置信度因子；

43)通过门限值算法计算得到的置信度因子C_f代表当前进行质量估计工况的合理性，通过置信度因子来控制车辆在不同工况下质量估计时的更新策略；

当C_f为1时，代表车辆的行驶工况十分符合车辆纵向动力学模型的假设条件，车辆处于比较理想的线性区域，基于动力学模型的估计算法表现较好，质量估计值比较准确；

当C_f为0时，代表车辆的行驶工况不符合车辆纵向动力学模型的假设条件，车辆处于比较复杂的非线性状态，此时基于动力学模型的估计效果不准，应该停止更新质量估计值，使用上一时刻较为准确的估计值作为当前时刻的估计值。

步骤五、基于置信度因子的最小二乘法估计车辆质量，具体方法如下：

51)车载加速度计工作原理为：

其中，为通过车速差分得到的车辆理论纵向加速度；i为道路坡度；g为重力加速度；

52)根据车载加速度计工作原理和车辆纵向动力学模型，实现车辆质量与道路坡度的模型解耦，质量估计的解耦模型为：

式中，T_tq为汽车的发动机输出力矩；i_g表示变速箱传动比；i₀表示主减速器传动比；η_t表示机械传动效率；p_mc表示主缸压力；k_bf、k_br表示前后制动器效能因数；r表示车轮有效滚动半径；I_总表示旋转质量总等效转动惯量；M表示汽车质量；f表示滚动阻力系数；C_D表示车辆空气阻力系数；A表示迎风面积；ρ表示空气密度；v表示车辆纵向速度；a_{x_sensor}为车载加速度计测量得到的车辆加速度；

53)递推最小二乘法的输出量y＝θh，待辨识参数θ＝M，根据下式，使用带有置信度因子的递推最小二乘法对车辆质量M进行估计：

式中，C_f为置信度因子；λ为时变的遗忘因子；P为递推的协方差矩阵。

步骤六、判断质量估计值是否稳定，具体方法如下：

判断质量估计模型中递推最小二乘算法中的协方差矩阵P是否小于临界值P₀；

若P＜P₀则说明当前时刻的质量估计值已经趋于收敛，质量估计值比较准确，由于车辆在行驶过程中不会发生很大的变化，将其认为是车辆的一个固有参数，此时则将估计值输入到坡度估计模型中，从而进行坡度估计；

若P≥P₀则说明当前时刻的质量估计值正在快速更新，质量估计值变化比较大，此时若将其输入到坡度估计模型中会导致坡度估计的误差较大，无法达到车辆控制所需要的精度，因此应该继续重复步骤一至步骤五，直到质量估计值趋于稳定收敛，才可以进行道路坡度估计。

步骤七、基于扩展卡尔曼滤波算法估计道路坡度，具体方法如下：

71)根据车辆动力学模型得到***的状态空间模型如下：

令：

72)根据***的状态空间模型得到***的离散状态空间方程如下：

式中，v(k)为当前时刻的纵向车速；T_tq(k)为当前时刻的发动机输出力矩；p_mc(k)为当前时刻的主缸制动压力；i(k)为当前时刻的道路坡度；

73)***的观测方程如下：

74)由于涉及到的***状态方程是具有高度的非线性特征，因此需要进一步的推导能到表达车辆非线性能力的雅克比矩阵，***的雅克比矩阵为：

式中，J_f为***状态方程的雅克比矩阵、Δt为***的离散步长；

75)对于该***而言，***的状态转移矩阵A＝J_f；

76)***观测矩阵为

77)当计算得到***的雅克比矩阵和观测矩阵后，通过卡尔曼滤波算法建立道路坡度估计模型，如图4所示，流程为：

(1)初始化状态变量和后验估计偏差协方差P_k-1；

(2)根据公式计算状态变量的先验估计值；

(3)根据公式计算先验估计偏差协方差；

(4)根据公式计算卡尔曼滤波增益；

(5)根据公式计算后验估计偏差协方差；

(6)根据公式计算状态变量后验估计值。

综上，本发明打破了传统基于动力学模型估计质量对于车辆工况的局限性，根据车辆动力学模型和车载加速度传感器的测量原理，实现了车辆质量和道路坡度估计的解耦，从而提高二者估计值的准确性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于数据置信度因子的汽车质量与坡度估计方法，其特征在于，包括以下步骤：

步骤一、获取车辆行驶状态数据；

步骤二、基于车辆动力学模型建立整车质量、道路坡度与车辆行驶状态数据的关系模型；

步骤三、利用车辆行驶状态数据和车辆固有参数计算工况特征参数；

步骤四、基于神经网络算法建立质量估计置信度因子模型；

步骤五、基于置信度因子的最小二乘法估计车辆质量；

步骤六、判断质量估计值是否稳定；

步骤七、基于扩展卡尔曼滤波算法估计道路坡度。

2.根据权利要求1所述的一种基于数据置信度因子的汽车质量与坡度估计方法，其特征在于，所述步骤一的具体方法如下：

通过车辆CAN总线获取车载传感器纵向加速度信号、纵向车速信号、发动机输出力矩信号、车辆挡位信号和主缸制动压力信号。

3.根据权利要求1所述的一种基于数据置信度因子的汽车质量与坡度估计方法，其特征在于，所述步骤二的具体方法如下：

21)将车辆的受力进行简化分析，得到车辆的纵向动力学模型；其中，车辆纵向动力学模型表示为：

F_t＝F_w+F_i+F_f+F_j

式中，F_t为车辆驱动力，且F_w为空气阻力，且/>F_i为坡度阻力，且F_i＝MgsinαF_f为滚动阻力，且F_f＝Mgfcosα；F_j为加速阻力，且

其中，sinα≈tanα＝i

cosα≈1

22)结合上式得到整车质量、路面坡度与车辆行驶状态的关系模型为：

式中，T_tq为汽车的发动机输出力矩；i_g表示变速箱传动比；i₀表示主减速器传动比；η_t表示机械传动效率；p_mc表示主缸压力；k_bf、k_br分别表示前、后制动器效能因数；r表示车轮有效滚动半径；I_总表示旋转质量总等效转动惯量；M表示汽车质量；f表示滚动阻力系数；C_D表示车辆空气阻力系数；A表示迎风面积；ρ表示空气密度；v表示车辆纵向速度；i表示道路坡度；

所述旋转质量总等效转动惯量由下式表示：

I_总＝∑I_w+I_fi_g ²i₀ ²η_t

式中，I_w为车轮转动惯量；I_f为飞轮转动惯量；

所述滚动阻力系数由下式表示：

f＝(f₀+f₁v)

式中，v为纵向车速，单位是km/h；f₀为滚动阻力系数常数项；f₁为滚动阻力系数一次项；通过上述得知滚动阻力系数与车辆的纵向车速有关；

所述纵向加速度可以通过车速对时间的差分得到，由下式表示：

式中，Δt为数据采集的采样周期。

4.根据权利要求1所述的一种基于数据置信度因子的汽车质量与坡度估计方法，其特征在于，所述步骤三的具体方法如下：

31)所述车辆固有参数主减速比i₀、机械传动效率η_t、前后制动器效能因数k_bf k_br、车轮有效滚动半径r、旋转质量总等效转动惯量I_总、滚动阻力系数f、车辆空气阻力系数C_D、迎风面积A通过相应的实验测量得到；

32)当通过实验获得车辆固有参数和通过车辆CAN信号获取车辆行驶状态数据后，计算能够表达车辆行驶工况的特征参数；

定义的计算阻力为：

式中，T_tq为汽车的发动机输出力矩；i_g表示变速箱传动比，i₀表示主减速器传动比；η_t表示机械传动效率；p_mc表示主缸压力；k_bf、k_br表示前后制动器效能因数；r表示车轮有效滚动半径；I_总表示旋转质量总等效转动惯量；M表示汽车质量；f表示滚动阻力系数；C_D表示车辆空气阻力系数；A表示迎风面积；ρ表示空气密度；v表示车辆纵向速度。

33)计算工况特征参数即加速度为：

式中，为通过车速对时间差分得到的理论纵向车辆加速度；i为道路坡度；g为重力加速度；f为滚动阻力系数。

5.根据权利要求1所述的一种基于数据置信度因子的汽车质量与坡度估计方法，其特征在于，所述步骤四的具体方法如下：

41)采用误差反向传播神经网络算法即BP算法建立质量估计置信度因子模型；

所述BP算法的定义如下：

对于给定训练集D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，即输入由d维属性描述，输出为l维实值向量；神经网络为一个拥有d个输入神经元、l个输出神经元、q个隐藏层神经元的多层前馈网络，其中输出层第j个神经元的阈值用θ_j表示，隐藏层中第h个神经元的阈值用γ_h表示；

输入层中第i个神经元与隐藏层中第h个神经元之间的连接权重为v_ih；隐藏层中第h个神经元与输出层中第j个神经元之间的连接权重为w_hj；隐藏层中第h个神经元接收到的输入为输出层中第j个神经元接收到的输入为/>其中b_h为隐藏层中第h个神经元的输出；

对于训练(x_k,y_k)，神经网络的输出为即：

则神经网络在(x_k,y_k)上的均方误差为：

神经网络中有(d+l+1)q+l个参数需要确定：输入层到隐藏层的d×q个权值、隐藏层到输出层的q×l个权值、q个隐藏层神经元的阈值、l个输出层神经元的阈值；

BP神经网络是一个迭代学习算法，在迭代的每一轮采用广义的感知机学习规则对参数进行更新估计，任意参数v的更新估计式为：

v←v+Δv

BP算法基于梯度下降策略，以目标的负梯度方向对参数进行调整，对于误差E_k给定的学习率η有：

w_hj先影响到第j个输出层神经元的输入值β_j，再影响到其输出值然后影响到E_k，有

学习率η∈(0,1)控制着算法每一轮迭代中的更新步长；

42)对于每个训练样例，BP算法执行以下操作：先将输入数据提供给输入层神经元，然后逐层将训练信号前传，直到产生输出层的结果；然后计算输出层的误差，再将误差反向传播至隐藏层神经元，最后根据隐藏神经元的误差来对连接权和阈值进行调整。该迭代过程循环进行，直到达到某些训练停止条件为止；

其中，数据集中的标签值置信度系数定义为：

式中，m为通过最小二乘法估计出的质量值；m₀为车辆质量真值；置信度系数c_f∈(0,1)；

其中，置信度因子的门限值算法定义为：

式中，c_f为置信度系数，C_f为置信度因子；

43)通过门限值算法计算得到的置信度因子C_f代表当前进行质量估计工况的合理性，通过置信度因子来控制车辆在不同工况下质量估计时的更新策略；

当C_f为1时，代表车辆的行驶工况十分符合车辆纵向动力学模型的假设条件，车辆处于比较理想的线性区域，基于动力学模型的估计算法表现较好，质量估计值比较准确；

当C_f为0时，代表车辆的行驶工况不符合车辆纵向动力学模型的假设条件，车辆处于比较复杂的非线性状态，此时基于动力学模型的估计效果不准，应该停止更新质量估计值，使用上一时刻较为准确的估计值作为当前时刻的估计值。

6.根据权利要求1所述的一种基于数据置信度因子的汽车质量与坡度估计方法，其特征在于，所述步骤五的具体方法如下：

51)车载加速度计工作原理为：

其中，为通过车速差分得到的车辆理论纵向加速度；i为道路坡度；g为重力加速度；

52)根据车载加速度计工作原理和车辆纵向动力学模型，实现车辆质量与道路坡度的模型解耦，质量估计的解耦模型为：

式中，T_tq为汽车的发动机输出力矩；i_g表示变速箱传动比；i₀表示主减速器传动比；η_t表示机械传动效率；p_mc表示主缸压力；k_bf、k_br表示前后制动器效能因数；r表示车轮有效滚动半径；I_总表示旋转质量总等效转动惯量；M表示汽车质量；f表示滚动阻力系数；C_D表示车辆空气阻力系数；A表示迎风面积；ρ表示空气密度；v表示车辆纵向速度；a_{x_sensor}为车载加速度计测量得到的车辆加速度；

53)递推最小二乘法的输出量y＝θh，待辨识参数θ＝M，根据下式，使用带有置信度因子的递推最小二乘法对车辆质量M进行估计：

式中，C_f为置信度因子；λ为时变的遗忘因子；P为递推的协方差矩阵。

7.根据权利要求1所述的一种基于数据置信度因子的汽车质量与坡度估计方法，其特征在于，所述步骤六的具体方法如下：

判断质量估计模型中递推最小二乘算法中的协方差矩阵P是否小于临界值P₀；

若P＜P₀则说明当前时刻的质量估计值已经趋于收敛，质量估计值比较准确，由于车辆在行驶过程中不会发生很大的变化，将其认为是车辆的一个固有参数，此时则将估计值输入到坡度估计模型中，从而进行坡度估计；

若P≥P₀则说明当前时刻的质量估计值正在快速更新，质量估计值变化比较大，此时若将其输入到坡度估计模型中会导致坡度估计的误差较大，无法达到车辆控制所需要的精度，因此应该继续重复步骤一至步骤五，直到质量估计值趋于稳定收敛，才进行道路坡度估计。

8.根据权利要求1所述的一种基于数据置信度因子的汽车质量与坡度估计方法，其特征在于，所述步骤七的具体方法如下：

71)根据车辆动力学模型得到***的状态空间模型如下：

令：c_i＝mg、c_f0＝mgf₀、c_f1＝3.6Mgf、

72)根据***的状态空间模型得到***的离散状态空间方程如下：

式中，v(k)为当前时刻的纵向车速；T_tq(k)为当前时刻的发动机输出力矩；p_mc(k)为当前时刻的主缸制动压力；i(k)为当前时刻的道路坡度；

73)***的观测方程如下：

74)***的雅克比矩阵为：

式中，J_f为***状态方程的雅克比矩阵、Δt为***的离散步长；

75)***的状态转移矩阵A＝J_f；

76)***观测矩阵为

77)当计算得到***的雅克比矩阵和观测矩阵后，通过卡尔曼滤波算法建立道路坡度估计模型，流程为：

(1)初始化状态变量和后验估计偏差协方差P_k-1；

(2)根据公式计算状态变量的先验估计值；

(3)根据公式计算先验估计偏差协方差；

(4)根据公式计算卡尔曼滤波增益；

(5)根据公式计算后验估计偏差协方差；

(6)根据公式计算状态变量后验估计值。