一种重型自动变速车辆广义阻力系数的估计及修正方法

摘要

本发明涉及一种重型自动变速车辆广义阻力系数的估计及修正方法，包括：建立重型自动变速车辆的纵向动力学模型；利用改进型带遗忘因子的递推最小二乘辨识算法对纵向动力学模型中的整车质量和广义阻力系数进行辨识；判断异常数据，对辨识的整车质量、广义阻力系数以及所采用的改进型带遗忘因子的递推最小二乘辨识算法进行修正；对修正结果进行仿真和实车试验。本发明提出的改进型带遗忘因子的递推最小二乘辨识算法可以更好地估计广义阻力系数；提出的修正方法可以减小异常数据对估计结果的干扰。

权利要求

1.一种重型自动变速车辆广义阻力系数的估计及修正方法，其特征在于，包括以下步骤：步骤S1：建立重型自动变速车辆的纵向动力学模型；

步骤S2：利用改进型带遗忘因子的递推最小二乘辨识算法对纵向动力学模型中的整车质量和广义阻力系数进行辨识；

步骤S3：判断异常数据并进行修正；

步骤S4：对修正结果进行仿真和实车试验；

上述步骤S1中所述纵向动力学模型方程为：y＝ΦTθ

Φ为可测变量，θ为待估计参数，

且

ig――变速器的传动比

i0――主减速器的传动比

ηT――传动效率

rw――轮胎滚动半径

δ――旋转质量换算系数

m――整车质量

β――广义阻力系数

Te――发动机总转矩与发动机内部转矩之差Je――发动机转动惯量

ωe――发动机转速

ω――变速箱输出轴转速。

2.根据权利要求1所述的方法，其特征在于，对整车质量和广义阻力系数的辨识方程为：其中，

λ1、λ2为遗忘因子。

3.根据权利要求2所述的方法，其特征在于，步骤S3所述修正包括对辨识的整车质量、广义阻力系数以及所采用的改进型带遗忘因子的递推最小二乘辨识算法进行修正。

4.根据权利要求1-3任一所述的方法，其特征在于，对辨识的整车质量、广义阻力系数以及所采用的改进型带遗忘因子的递推最小二乘辨识算法进行修正前，进行异常数据的判断，且异常数据判断条件为：分别针对换档时和不换档时的辨识结果进行分析，得到换档时和不换档时异常数据判断条件中的|max(Δβ)|、|max(ΔM)|，分别为换档时和不换档时根据实验数据的累积概率分析取概率大于99％的|Δβ|、|ΔM|值。

5.根据权利要求4所述的方法，其特征在于，对辨识的整车质量、广义阻力系数进行修正，包括跳过当前时刻的实时估计值，向换档模块输出上一时刻的正常估计值。

6.根据权利要求5所述的方法，其特征在于，通过减小异常数据的遗忘因子实现对改进型带遗忘因子的递推最小二乘辨识算法的修正。

7.根据权利要求5或6所述的方法，其特征在于，在仿真过程中每隔几秒加入异常数据，比较修正前后的结果。

8.根据权利要求2所述的方法，其特征在于，在实车试验中，通过将不换挡时的广义阻力系数的估计值和真实值进行对比，得到改进型带遗忘因子的递推最小二乘辨识算法的估计精度。

9.根据权利要求5、6或8所述的方法，其特征在于，通过实车试验检验改进型带遗忘因子的递推最小二乘辨识算法对换挡过程中异常数据的修正效果。

说明书

一种重型自动变速车辆广义阻力系数的估计及修正方法

技术领域

[0001] 本发明涉及自动控制技术领域，尤其涉及一种重型自动变速车辆广义阻力系数的估计及修正方法。

背景技术

[0002] 自动机械变速器不仅可以减轻驾驶员劳动强度，提高汽车动力性、经济性，而且具有传动效率高、成本低、易维护等优点，且对现有的手动变速器改造小，因而成为重型车辆自动变速领域研究的重要方向。AMT换挡决策若是只根据汽车行驶状态和驾驶员意图，而没有考虑外界阻力的变化，会造成上坡换挡频繁，加剧机构磨损，降低舒适性等问题。如今，许多科研机构都在进行根据外界阻力变化进行换挡决策优化的研究。

[0003] 针对外界阻力变化的测量，可通过在车上加装的GPS获得实时纵向车速和横向车速进而利用运动学方程和低通滤波器，计算道路坡度，然而这种方法的问题在于GPS频率低，且很小的速度误差会导致较大的坡度估计误差。

[0004] 通过采集车速、制动力、驱动力等信息，并结合纵向动力学方程，进而利用卡尔曼滤波算法，可对质量和坡度联合估计，然而卡尔曼滤波器本身无法对状态突变进行实时跟踪，所以这种利用卡尔曼滤波器的估计方法有待进一步研究。

[0005] 通过采集车速、发动机扭矩、发动机转速等信息，利用带遗忘因子的递推最小二乘法，可对质量和坡度进行多参数在线估计。然而，递推最小二乘法本身的健壮性就有很大不足，容易受异常数据影响，而且带遗忘因子的递推最小二乘法本身是以某时刻之前所有观测量的最小二乘误差进行估计的，估计的偏差会逐渐变大。

发明内容

[0006] 鉴于上述的分析，本发明旨在提供一种重型自动变速车辆广义阻力系数的估计及修正方法，用以解决现有技术对广义阻力系数的估计误差大、无法对突变状态进行实时跟踪以及容易受异常数据影响的问题。

[0007] 本发明的目的主要是通过以下技术方案实现的：

[0008] 一种重型自动变速车辆广义阻力系数的估计及修正方法，包括以下步骤：

[0009] 步骤S1：建立重型自动变速车辆的纵向动力学模型；

[0010] 步骤S2：利用改进型带遗忘因子的递推最小二乘辨识算法对纵向动力学模型中的整车质量和广义阻力系数进行辨识；

[0011] 步骤S3：判断异常数据并进行修正；

[0012] 步骤S4：对修正结果进行仿真和实车试验。

[0013] 进一步地，步骤S1中所述纵向动力学模型方程为：

[0014] y＝ΦTθ

[0015] Φ为可测变量，θ为待估计参数，

[0016] 且

[0017] ig――变速器的传动比

[0018] i0――主减速器的传动比

[0019] ηT――传动效率

[0020] rw――轮胎滚动半径

[0021] δ――旋转质量换算系数

[0022] m――整车质量

[0023] β――广义阻力系数

[0024] Te――发动机总转矩与发动机内部转矩之差

[0025] Je――发动机转动惯量

[0026] ωe――发动机转速

[0027] ω――变速箱输出轴转速。

[0028] 进一步地，对整车质量和广义阻力系数的辨识方程为：

[0029]

[0030] 其中，

[0031]

[0032]

[0033]

[0034]

[0035]

[0036]

[0037]

[0038]

[0039] λ1、λ2为遗忘因子。

[0040] 进一步地，步骤S3所述修正包括对辨识的整车质量、广义阻力系数以及所采用的改进型带遗忘因子的递推最小二乘辨识算法进行修正。

[0041] 对辨识的整车质量、广义阻力系数以及所采用的改进型带遗忘因子的递推最小二乘辨识算法进行修正前，进行异常数据的判断，且异常数据判断条件为：

[0042]

[0043]

[0044] 分别针对换档时和不换档时的辨识结果进行分析，得到换档时和不换档时异常数据判断条件中的|max(Δβ)|、|max(ΔM)|，分别为换档时和不换档时根据实验数据的累积概率分析取概率大于99％的|Δβ|、|ΔM|值。

[0045] 进一步地，对辨识的整车质量、广义阻力系数进行修正，包括跳过当前时刻的实时估计值，向换档模块输出上一时刻的正常估计值。

[0046] 进一步地，通过减小异常数据的遗忘因子实现对改进型带遗忘因子的递推最小二乘辨识算法的修正。

[0047] 在仿真过程中每隔几秒加入异常数据，比较修正前后的结果。

[0048] 在实车试验中，通过将不换挡时的广义阻力系数的估计值和真实值进行对比，得到改进型带遗忘因子的递推最小二乘辨识算法的估计精度。

[0049] 通过实车试验检验改进型带遗忘因子的递推最小二乘辨识算法对换挡过程中异常数据的修正效果。

[0050] 本发明有益效果如下：

[0051] 本发明实施例提供了一种重型自动变速车辆广义阻力系数的估计及修正方法，本发明提出的改进型带遗忘因子的递推最小二乘辨识算法可以更好地估计广义阻力系数；提出的修正方法可以减小异常数据对估计结果的干扰。

[0052] 本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

[0053] 附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

[0054] 图1为重型自动变速车辆广义阻力系数的估计及修正方法流程图；

[0055] 图2为输出信号修正算法流程图；

[0056] 图3为不加异常数据的仿真结果；

[0057] 图4为加异常数据的仿真结果；

[0058] 图5为不换挡工况的实车试验结果；

[0059] 图6为换挡工况的实车试验结果。

具体实施方式

[0060] 下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

[0061] 本发明实施例提供了一种重型自动变速车辆广义阻力系数的估计及修正方法，该方法流程图如图1所示，包括以下步骤：

[0062] 步骤S1：建立重型自动变速车辆的纵向动力学模型；

[0063] 在不考虑制动时，车辆的纵向动力学方程为：

[0064] Ft＝Fi+Fw+Ff+Facc   (1)

[0065] 式中：Ft――汽车所受牵引力

[0066] Fi――坡道阻力  Fw――空气阻力

[0067] Ff――滚动阻力  Fac――加速阻力

[0068] 因为Facc＝δma， 则

[0069]

[0070] 式中：Tin――变速器输入轴扭矩

[0071] ig――变速器的传动比

[0072] i0――主减速器的传动比

[0073] ηT――传动效率   rw――轮胎滚动半径

[0074] δ――旋转质量换算系数

[0075] a――汽车加速度  m――整车质量

[0076] 将坡道阻力Fi、空气阻力Fw、滚动阻力Ff这些外部阻力之和等效为广义阻力mgβ，即：

[0077] Fi+Fw+Ff＝mgβ   (3)

[0078] 式中：β――广义阻力系数

[0079] 公式(2)可以简化为：

[0080]

[0081] 变速器输入轴扭矩可以通过建立离合器模型估计出，或者通过加装扭矩传感器获得，也可通过发动机实际输出扭矩近似得到。本发明实施例的目标车型采用的发动机可以通过CAN总线提供发动机总转矩、发动机内部转矩、发动机转速，而发动机的转动惯量为已知，所以：

[0082]

[0083] 式中：Te――发动机总转矩与发动机内部转矩之差

[0084] Je――发动机转动惯量ωe――发动机转速

[0085] 汽车加速度可以通过加速度传感器、GPS获得，本发明通过变速箱输出轴转速传感器获得变速箱输出轴转速，进而计算获得汽车加速度，如式：

[0086]

[0087] 式中：ω――变速箱输出轴转速。

[0088] 当前的纵向动力学模型存在两个微分量 尽管已经对发动机转速ωe、变速箱输出轴转速ω滤波，但是信号经过微分后，对高频干扰十分敏感，导致 信号偏离真实值。针对这个问题，对纵向动力学模型同时积分。综合考虑行驶过程中的状态变化情况，非时变变量包括主减速器的传动比i0、传动效率ηT、整车质量m、轮胎滚动半径rw，则纵向动力学模型可表达为：

[0089]

[0090] 为了应用本发明提出的辨识算法，式(7)可以表示为

[0091] y＝ΦTθ   (8)

[0092] 其中

[0093] Φ为可测变量，θ为待估计参数。

[0094] 步骤S2：利用改进型带遗忘因子的递推最小二乘辨识算法对纵向动力学模型中的整车质量和广义阻力系数进行辨识；

[0095] 具体地，假定有一个如下的数学模型：

[0096] y(t)＝x1(t)θ1+x2(t)θ2+…+xn(t)θn   (9)

[0097] 可以写成：

[0098] Y(t)＝Φ(t)θ(t)   (10)

[0099] 其中，

[0100] 当观测量较多时，由于信号可能存在干扰，很难找到合理的估计值 这种情况下引入残差ε(t)，

[0101]

[0102] 并令最小二乘准则，即

[0103]

[0104] 最小，只需：

[0105]

[0106] 由此可得，

[0107]

[0108] 但是随着时间的推移，观测量越来越大，运算量越来越大，无法满足实时辨识广义阻力系数的需求，于是引入递推最小二乘辨识算法。

[0109] 令P(t)＝[ΦT(t)Φ(t)]-1，则经过推导可知：

[0110]

[0111] 则

[0112]

[0113] 即

[0114]

[0115] 车载单片机每个运算周期，只需要不断递推即可得到实时广义阻力系数的辨识值。但是这种递推最小二乘辨识算法本身完全等价于对整体观测量进行最小二乘法，而靠前的观测量会对辨识的准确性造成干扰，所以引入遗忘因子，即对每一时刻的观测量进行加权，即

[0116]

[0117] 以λ代表遗忘因子，λ＝ρ2，

[0118] 则式(14)变为

[0119]

[0120] 式(15)变为

[0121]

[0122] 分析纵向动力学模型式(7)可知，参数整车质量和广义阻力系数的更新速率不同，因此必须采用双遗忘因子，且最小二乘准则变为

[0123]

[0124] 其中 且此时的 y、 可以由式(7)、式(8)带入，则

[0125]

[0126]

[0127]

[0128]

[0129]

[0130]

[0131]

[0132]

[0133] 通过分析观测量，可知带遗忘因子的递推最小二乘辨识算法已经减小了早期观测量对实时参数估计的影响，但是遗忘因子不可选得过小，因为这种本质为加权最小二乘法的算法随着遗忘因子变小而变得更加不稳定，为了在遗忘因子不变的情况下，进一步减小早期观测量对实时参数估计的影响，结合实际情况，从观测量中选择出对实时参数关联最大的数据进行估计，则

[0134]

[0135]

[0136]

[0137]

[0138]

[0139]

[0140] 则 的推导可以简化为：

[0141]

[0142] θ2(t)无法直接观察，所以近似等于 则

[0143]

[0144] 递推式中的Y11(t)，Y12(t)，Y13(t)分别为

[0145]

[0146]

[0147]

[0148] 同理可得

[0149]

[0150] 递推关系为

[0151]

[0152]

[0153]

[0154] 式(25)(26)经过整理得：

[0155]

[0156] 于是可得，

[0157]

[0158] 步骤S3：判断异常数据并进行修正；

[0159] 由于发动机转速和变速箱输出轴转速均由传感器采集获得，同时发动机转矩的获得也与发动机转速相关，则发动机转速、变速箱输出轴转速、发动机转矩都存在波动，甚至产生特别异常的数据，这些数据会对实时参数的估计产生巨大影响。

[0160] 为了减小这个影响，首先需要判断哪些是异常数据。如果直接判断输入参数，一方面参数太多，且信号本身波动较大，另一方面，每个输入信号存在的小扰动相互作用，也许会对估计造成大影响，所以从输入信号很难正确判断异常数据发生时刻。本发明实时估计出两个参数，其中的整车质量在一般行驶工况下不会发生变化，而广义阻力系数在不刹车时一般随坡度变化，而坡度的变化一般不会发生突变。所以，可以定义异常数据判断条件为：

[0161]

[0162]

[0163] 不换挡时，判断条件中的|max(Δβ)|、|max(ΔM)|取实验数据累积概率大于99％的|Δβ|、|ΔM|值，分别为0.005和100。换挡分离离合器时，广义阻力系数差分比不换挡时大很多，所以针对离合器分离时的判断条件中的|max(Δβ)|、|max(ΔM)|分别为0.015和100。

[0164] 判断出异常数据后需要进行修正，一方面是对输出到下一应用模块(即换档模块)的信号进行修正，另一方面需要对改进型带遗忘因子的递推最小二乘辨识算法进行修正。

[0165] 根据统计可知，整车质量的实时差分的绝对值极少有大于100的情况，而广义阻力系数的差分的绝对值大于0.005往往是随机的，且持续时间短，间隔时间较长，发生后很快恢复至正常的估计值，所以针对这种情况的修正可以采用跳过这个时刻的实时估计值，向换档模块输出上一时刻的正常估计值。在换挡时，广义阻力系数的差分的绝对值频繁大于0.015，而且通过分析可知，广义阻力系数差分越大，估计值偏离真实值得时间越长，同时换挡时间平均为1秒，而在这段时间内广义阻力系数一般情况下变化很小，所以在这种突变开始后的1秒的输出信号可以修正为在突变发生前一时刻的正常估计值。为了减少1秒内不必要的修正，在开始修正后保持对估计值与正常估计值的比较，当估计值满足约束条件时，输出信号更新为实时估计值。

[0166] 该修正算法的流程图如图2所示，包括以下步骤：

[0167] 步骤1、判断计时器Tc(计时单位为1个运算周期，5ms)是否小于等于0，是跳到步骤2，否跳到步骤3；

[0168] 步骤2、判断是否广义阻力系数差分小于等于0.005且整车质量的差分小于等于100，是跳到步骤8，否跳到步骤4；

[0169] 步骤3、判断是否广义阻力系数差分小于等于0.005且整车质量的差分小于等于100，是跳到步骤5，否跳到步骤6；

[0170] 步骤4、计时器Tc置为2，判断是否广义阻力系数差分小于等于0.015且整车质量的差分小于等于100，是跳到步骤7，否计时器Tc置为200，跳到步骤7；

[0171] 步骤5、计时器Tc置为1，跳到步骤6；

[0172] 步骤6、判断Tc是否小于2，是跳到步骤8，否跳到步骤7；

[0173] 步骤7、广义阻力系数、整车质量保持不变，跳到步骤9；

[0174] 步骤8、广义阻力系数、整车质量更新，跳到步骤9；

[0175] 步骤9、计时器Tc减1。

[0176] 对输出信号的修正方法以估计值突变后可以快速恢复到正常估计值为前提，而想快速恢复到正常估计值需要对改进型带遗忘因子的递推最小二乘辨识算法进行修正，减小引起突变的异常数据的干扰。本发明通过减小异常数据的加权因子即遗忘因子实现该修正，则

[0177]

[0178]

[0179] 其中

[0180] 递推关系修正为

[0181]

[0182] 其他关系式(式(25)～(28))不变。

[0183] 步骤S4：对修正结果进行仿真和实车试验；

[0184] 为验证改进型带遗忘因子的递推最小二乘辨识算法的有效性，本实施例以目标重型越野车辆为参考，搭建仿真模型，模型参数见表1，其中，ig3代表档位为3时变速器的传动比，δ3代表档位为3时的旋转质量换算系数。在仿真中，采用恒发动机负荷与恒档位工况，发动机负荷为50％，档位为3，且仿真中车辆加速度可以准确获取，所以仿真模型直接获取车辆加速度作为输入信号。仿真工况下模块的输入信号，改进型带遗忘因子的递推最小二乘辨识算法的广义阻力系数估计结果与真实的对比，以及与改进前带遗忘因子的递推最小二乘辨识算法的估计结果的对比见图3。

[0185] 表1

[0186]

[0187] 由图3可知，改进型带遗忘因子的递推最小二乘辨识算法在60s后估计的广义阻力系数更加贴近真实值，减小了前项数据对辨识的影响。为了检验改进型带遗忘因子的递推最小二乘辨识算法对异常数据的抗干扰性，在仿真过程中每隔十秒加入异常数据，比较修正前后的结果，见图4。

[0188] 通过观察仿真结果可知，修正前的改进型带遗忘因子的递推最小二乘辨识算法在异常数据点的估计值偏差较大，特别是广义阻力系数的估计，但是在干扰后，估计值很快恢复正常，说明修正后的改进型带遗忘因子的递推最小二乘辨识算法很快减小了异常数据的影响，这验证了本发明修正算法的前提—改进型带遗忘因子的递推最小二乘辨识算法在异常数据出现后可快速减小异常数据影响。另一方面，我们可以看出修正算法保证了算法估计值的准确性。

[0189] 为了进一步检验改进型带遗忘因子的递推最小二乘辨识算法的有效性，进行了实车试验，并与已验证的辨识结果进行对比。

[0190] 首先，对比不换挡时的广义阻力系数的估计值和真实值，结果如图5，由图5可知，辨识算法的估计精度有所提高。

[0191] 为了检验改进型带遗忘因子的递推最小二乘辨识算法针对异常数据特别是换挡过程中的异常数据的修正效果，进行了实车试验，结果如图6所示，由图6可知，换挡过程中的发动机转矩信号突变较大，同时已知换挡过程中存在动力中断，纵向动力学模型失效，所以换挡过程中的异常数据较多，而改进型带遗忘因子的递推最小二乘辨识算法对异常数据的影响进行了有效修正，比改进前估计精度有所提高。

[0192] 综上所述，本发明实施例提供了一种重型自动变速车辆广义阻力系数的估计及修正方法，在对AMT重型车辆的信号分析基础上，建立了可以直接使用现有信号、可以用来估计广义阻力系数的车辆纵向动力学模型；为了解决早期观察量对估计结果的影响，提出了改进型带遗忘因子的递推最小二乘辨识算法，同时，为了进一步减小异常数据对辨识结果的干扰，提出了以改进型带遗忘因子的递推最小二乘辨识算法为基础的修正方法。对改进型带遗忘因子的递推最小二乘辨识算法和修正方法的仿真分析与实车试验结果表明：改进型带遗忘因子的递推最小二乘辨识算法可以更好地估计广义阻力系数；提出的修正方法可以减小异常数据对估计结果的干扰。

[0193] 本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

[0194] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。