欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022113377956
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种对车辆主要动力学参数的估计方法,其特征在于,所述对车辆主要动力学参数的估计方法包括以下步骤:步骤1:建立车辆纵向动力学模型和车轮动力学模型,采集车辆的轮速、车辆横纵向加减速度、横摆角速度和纵向速度信号,通过无迹卡尔曼滤波算法,对车辆状态和参数进行联合估计,得到车辆的质心高度、质心到车辆前轴距离和车辆质量;

步骤2:建立车辆单轨横摆动力学模型,车辆在进行转弯运动的过程中,采集车辆的轮速、车辆横纵向加减速度、横摆角速度、侧倾角速度和纵向速度信号,通过无迹卡尔曼滤波算法结合车辆纵向动力学模型所得到的车辆的质心高度、质心到车辆前轴距离和车辆质量的估计结果,对车辆状态和参数进行联合估计,得到车辆横摆转动惯量;

步骤3:获取纵向速度、纵向加速度、侧向加速度、横摆角速度和侧倾角速度的数据进行预处理,并进行多层前馈神经网络对侧倾转动惯量的辨识进行训练和测试;

步骤4:用训练好的神经网络观测器对车辆侧倾转动惯量进行估计;

在步骤3中,所述纵向速度、横摆角速度、侧倾角速度通过建立和实车相近的纵向侧向横摆侧倾四自由度车辆模型获得,所述纵向侧向横摆侧倾四自由度车辆模型为:;

;

;

;

其中,为簧上质量,表示侧向加速度,表示侧倾角, 为质心到侧倾旋转中心的高度,为质心到前轴的距离,为横摆转动惯量, 为四个车轮的纵向力,为四个车轮的侧向力,为车辆侧倾刚度,为车辆侧倾阻尼,为车辆轮距;

所述纵向加速度和侧向加速度由以下式得到:;

;

其中,表示纵向加速度,表示侧向加速度;

所述多层前馈神经网络包括输入层、隐藏层层、隐藏层层、隐藏层层和输出层;

输入层的输入向量,其中,,,,;输出层Y=[y],。

2.根据权利要求1所述对车辆主要动力学参数的估计方法,其特征在于,在步骤1中,所述车辆纵向动力学模型和车轮动力学模型具体为:;

;

;

其中,车辆的总质量用表示;集总左右前车轮的旋转惯性;集总左右后车轮的旋转惯性;轮胎有效半径表示为;和分别是集总左右车轮的前后驱动力矩,和分别是集总左右车轮的前后制动力矩;和分别表示前轮胎和后轮胎的纵向力,表示车辆纵向速度,和分别前后车轮的转动角速度,上标志·表示对所示量的微分。

3.根据权利要求2所述对车辆主要动力学参数的估计方法,其特征在于,在步骤1中,卡尔曼滤波待估计状态量,待估计参数量,输入量,观测量;

无迹卡尔曼滤波过程的状态方程为:;

;

;

参数方程为:

;

;

;

其中,表示车辆纵向速度,表示前轮的转动角速度,表示后轮的转动角速度,表示车辆质量,表示质心高度,表示质心到前轴的距离,表示前车轮驱动力矩,表示后车轮驱动力矩,表示前车轮制动力矩,表示后车轮制动力矩,表示前车轮转动角速度,表示后车轮转动角速度,上标志·表示对所示量的微分;

最终待估计状态量和参数量的校正如下:;

;

其中,由传感器测量得到,此时就可以得到在时刻车辆的待估计状态量,分别表示车辆纵向速度,前后轮的转动角速度,待估计参数量,分别是车辆质量,质心高度和质心到前轴的距离的估计值。

4.根据权利要求1所述对车辆主要动力学参数的估计方法,其特征在于,在步骤2中,所述车辆的横摆动力学模型具体为:;

其中,下标和分别表示前轮和后轮;和分别表示质心到前后轴的距离; 为车辆横摆转动惯性;其中表示前轮纵向力,和分别表示前轮胎和后轮胎的侧向力,ω表示车辆横摆角速度,上标志·表示对所示量的微分。

5.根据权利要求4所述对车辆主要动力学参数的估计方法,其特征在于,在步骤2中,卡尔曼滤波待估计状态量,待估计参数量,观测量选择IMU测得的车辆横摆角速度;

无迹卡尔曼滤波过程的状态方程为:;

参数方程为:

;

最终待估计状态量和参数量的校正如下:;

;

其中,由传感器测量得到,此时就可以得到在时刻车辆的待估计状态量,表示车辆横摆角速度,待估计参数量,表示车辆横摆转动惯量的估计值。

6.根据权利要求1所述对车辆主要动力学参数的估计方法,其特征在于,在步骤3中,所述多层前馈神经网络权值调节过程为:输出层的误差为:

;

式中为第次迭代的输出误差,为第次迭代的期望值,为第次迭代的输出值;

在权值调整阶段,沿着网络逐层反向进行调整;

首先调整隐藏层与输出层之间的权值,计算误差对的梯度,再沿着该方向反向进行调整:;

;

其中,为学习率;

再调整隐藏层与隐藏层之间的权值,计算误差对的梯度,再沿着该方向反向进行调整:;

;

继续调整隐藏层与隐藏层之间的权值,计算误差对的梯度,再沿着该方向反向进行调整:;

;

最后调整输入层与隐藏层之间的权值,计算误差对的梯度,再沿着该方向反向进行调整:;

;

对神经网络进行检测,定义检测误差:;

若检测误差小于等于5%时,可认为神经网络观测器训练结束,否则采集更多的数据重复网络训练,直到满足要求。