本发明公开了一种汽车轮胎胎压确定方法与装置，该方法包括以下步骤：1)建立车轮半径分析模型，获得车轮半径估计值分析；2)采用卡尔曼滤波对车轮半径估计值分析结果进行滤波，获得去噪后的车轮半径分析结果；3)根据步骤2)得到稳定的车轮半径分析结果，进行胎压分析。本发明通过卡尔曼滤波消除轮胎半径分析的噪声，使得分析结果较现有方法有较大精度提高，并能根据分析结果实现多个轮胎漏气的胎压监测。
1.一种汽车轮胎胎压确定方法，其特征在于，包括以下步骤：
1)建立车轮半径分析模型，获得车轮半径估计值分析；所述车轮半径分析模型包含四个方向的估计值分析，具体如下：纵向左侧车轮半径分析：G12＝(R1-R2)/R0；
纵向右侧车轮半径分析：G43＝(R4-R3)/R0；
横向前轴车轮半径分析：G23＝(R2-R3)/R0；
横向后轴车轮半径分析：G14＝(R1-R4)/R0；
其中，R0是车轮标准半径，R1、R2、R3、R4分别是左后、左前、右前、右后实时车轮半径；
2)采用卡尔曼滤波对车轮半径估计值分析结果进行滤波，获得去噪后的车轮半径分析结果；
所述步骤2)中采用的卡尔曼滤波器具体如下：时间更新方程：
其中， 是K时刻的系统状态值， 是系统在K时刻的状态估计值，A是k-1时刻的状态线性映射到当前时刻k的状态增益矩阵,B是系统状态控制量的增益矩阵，uk-1是在k-1时刻下系统状态的控制量，yk是在k时刻下系统的观测值大小，系统函数矩阵H是状态值Xk对观测值yk的增益值,pk是系统k时刻的误差协方差值,Q是系统过程的激励噪声的误差协方差,R是系统观测噪声协方差,KK是卡尔曼增益的值；
3)根据步骤2)得到稳定的车轮半径分析结果，进行胎压分析。
2.根据权利要求1所述的汽车轮胎胎压确定方法，其特征在于，所述步骤2)中系统函数矩阵H设置为
3.根据权利要求1所述的汽车轮胎胎压确定方法，其特征在于，所述步骤3)中根据步骤
2)得到稳定的车轮半径分析结果，进行胎压分析的过程如下：通过G12、G43、G23、G14反向推导出R1、R2、R3、R4的相对变化值，若相对变化值超过设定阈值，则判断其发生漏气。
4.一种汽车轮胎胎压确定装置，其特征在于，包括：车轮半径分析模型模块，用于建立车轮半径分析模型，所述车轮半径分析模型包含四个方向的估计值分析，具体如下：纵向左侧车轮半径分析：G12＝(R1-R2)/R0；
纵向右侧车轮半径分析：G43＝(R4-R3)/R0；
横向前轴车轮半径分析：G23＝(R2-R3)/R0；
横向后轴车轮半径分析：G14＝(R1-R4)/R0；
其中，R0是车轮标准半径，R1、R2、R3、R4分别是左后、左前、右前、右后实时车轮半径；
滤波模块，用于采用卡尔曼滤波对车轮半径估计值分析结果进行滤波，获得去噪后的车轮半径分析结果；
其中， 是K时刻的系统状态值， 是系统在K时刻的状态估计值，A是k-1时刻的状态线性映射到当前时刻k的状态增益矩阵,B是系统状态控制量的增益矩阵，uk-1是在k-1时刻下系统状态的控制量，yk是在k时刻下系统的观测值大小，系统函数矩阵H是状态值Xk对观测值yk的增益值,pk是系统k时刻的误差协方差值,Q是系统过程的激励噪声的误差协方差,R是系统观测噪声协方差,KK是卡尔曼增益的值；
胎压分析模块，用于根据滤波模块的结果，得到稳定的车轮半径分析结果，并进行胎压分析。
5.根据权利要求4所述的汽车轮胎胎压确定装置，其特征在于，其特征在于，所述卡尔曼滤波器中系统函数矩阵H设置为
一种汽车轮胎胎压确定方法与装置
技术领域
[0001] 本发明涉及汽车电子技术，尤其涉及一种汽车轮胎胎压确定方法与装置。
背景技术
[0002] 统计表明，交通事故中爆胎原因所占的比例高达60％，如果车速超过160公里/小时，前轮爆胎的生存几率几乎为0。
[0003] 75％的爆胎都是由胎压不足造成的，当胎压不足时，轮胎侧面因受挤压而弯曲，进而造成轮胎温度升高引发爆胎。当胎压不足时，车轮半径会减小，因此车轮半径分析是监测胎压变化的一项重要方法。然而现有的车轮半径分析方法并未考虑到很多特殊工况对于轮胎半径的影响，如汽车加速和转弯情况等，导致得到的车轮半径值包含很多噪声。需要提供一种滤除噪声的车轮半径监测胎压方法。
发明内容
[0004] 本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种汽车轮胎胎压确定方法，该方法通过卡尔曼滤波消除轮胎半径分析的噪声，使得轮胎胎压分析结果较现有方法有较大精度提高。
[0005] 本发明解决其技术问题所采用的技术方案是：一种汽车轮胎胎压确定方法，包括以下步骤：
[0006] 1)建立车轮半径分析模型，获得车轮半径估计值分析；所述车轮半径分析模型包含四个方向的估计值分析，具体如下：
[0007] 纵向左侧车轮半径分析：G12＝(R1-R2)/R0；
[0008] 纵向右侧车轮半径分析：G43＝(R4-R3)/R0；
[0009] 横向前轴车轮半径分析：G23＝(R2-R3)/R0；
[0010] 横向后轴车轮半径分析：G14＝(R1-R4)/R0；
[0011] 其中，R0是车轮标准半径，R1、R2、R3、R4分别是左后、左前、右前、右后实时车轮半径；
[0012] 则
[0013] 2)采用卡尔曼滤波对车轮半径估计值分析结果进行滤波，获得去噪后的车轮半径分析结果；
[0014] 所述卡尔曼滤波器具体如下：
[0015] 时间更新方程：
[0016]
[0017]
[0018] 状态更新方程：
[0019]
[0020]
[0021]
[0022] 其中， 是K时刻的系统状态值， 是系统在K时刻的状态估计值，A是k-1时刻的状态线性映射到当前时刻k的状态增益矩阵,B是系统状态控制量的增益矩阵，uk-1是在k时刻下系统状态的控制量，yk是在k时刻下系统的观测值大小，H是状态值Xk对观测值yk的增益值,pk是系统k时刻的误差协方差值,Q是系统过程的激励噪声的误差协方差,R是系统观测噪声协方差,KK是卡尔曼增益的值；
[0023] 3)根据步骤2)得到稳定的车轮半径分析结果，进行胎压分析。
[0024] 按上述方案，所述步骤2)中系统函数矩阵H设置为
[0025]
[0026] 按上述方案，所述步骤3)中根据步骤2)得到稳定的车轮半径分析结果，进行胎压分析的过程如下：
[0027] 通过G12、G43、G23、G14反向推导出R1、R2、R3、R4的相对变化值，若相对变化值超过设定阈值，则判断其发生漏气。
[0028] 一种汽车轮胎胎压确定装置，包括：
[0029] 车轮半径分析模型模块，用于建立车轮半径分析模型，所述车轮半径分析模型包含四个方向的估计值分析，具体如下：
[0030] 纵向左侧车轮半径分析：G12＝(R1-R2)/R0；
[0031] 纵向右侧车轮半径分析：G43＝(R4-R3)/R0；
[0032] 横向前轴车轮半径分析：G23＝(R2-R3)/R0；
[0033] 横向后轴车轮半径分析：G14＝(R1-R4)/R0；
[0034] 其中，R0是车轮标准半径，R1、R2、R3、R4分别是左后、左前、右前、右后实时车轮半径；
[0035] 则
[0036] 滤波模块，用于采用卡尔曼滤波对车轮半径估计值分析结果进行滤波，获得去噪后的车轮半径分析结果；
[0037] 胎压分析模块，用于根据滤波模块的结果，得到稳定的车轮半径分析结果，并进行胎压分析。
[0038] 按上述方案，所述滤波模块中卡尔曼滤波器具体如下：
[0039] 时间更新方程：
[0040]
[0041]
[0042] 状态更新方程：
[0043]
[0044]
[0045]
[0046] 其中，Xk是K时刻的系统状态， 是系统在K时刻的状态估计值， 是K时刻的系统状态值，，A是k-1时刻的状态线性映射到当前时刻k的状态增益矩阵,B是系统状态控制量的增益矩阵，uk-1是在k时刻下系统状态的控制量，yk是在k时刻下系统的观测值大小，H是状态值Xk对观测值yk的增益值,pk是系统k时刻的误差协方差值,Q是系统过程的激励噪声的误差协方差,R是系统观测噪声协方差,KK是卡尔曼增益的值。
[0047] 本发明产生的有益效果是：
[0048] 1、通过卡尔曼滤波消除轮胎半径分析的噪声，使得分析结果较现有方法有较大精度提高。
[0049] 2、相比于现有技术，本发明能实现多个轮胎漏气的胎压监测。
附图说明
[0050] 下面将结合附图及实施例对本发明作进一步说明，附图中：
[0051] 图1是本发明实施例的结构示意图；
[0052] 图2是本发明实施例的车轮半径分析数据的滤波仿真结果；
[0053] 图3是本发明实施例的胎压分析示意图；
[0054] 图4是本发明实施例的胎压分析示意图。
具体实施方式
[0055] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0056] 如图1所示，一种汽车轮胎胎压确定方法，包括以下步骤：
[0057] 1.建立车轮半径分析模型。车轮半径分析模型包含四个方向的估计值分析。分别为车轮的左右分析和前后分析共四种情况。即纵向：左侧，右侧；横向：前轴，后轴。将输入数据分离检查来分析模型，然后将单个输入值作为滤波器输入。
[0058] 纵向左侧车轮半径分析：G12＝(R1-R2)/R0；
[0059] 纵向右侧车轮半径分析：G43＝(R4-R3)/R0；
[0060] 横向前轴车轮半径分析：G23＝(R2-R3)/R0；
[0061] 横向后轴车轮半径分析：G14＝(R1-R4)/R0；
[0062] 其中，R0是车轮标准半径，R1、R2、R3、R4分别是左后、左前、右前、右后实时车轮半径；
[0063] 则
[0064] 2.建立卡尔曼模型：
[0065] 本实施例中卡尔曼滤波，其时间更新方程和测量更新方程的具体形式为：
[0066] 时间更新方程：
[0067]
[0068]
[0069] 状态更新方程：
[0070]
[0071]
[0072]
[0073] 其中， 是K时刻的系统状态值， 是系统在K时刻的状态估计值，u(k)是k时刻对系统的控制量。其中将状态估计和协方差的估计值从k-1时刻向前推算到k时刻。测量更新方程首先计算卡尔曼增益KK。计算完时间更新方程和测量更新方程，整个过程再次重复。下一次计算得到的后验估计被作为下一次计算的先验估计，卡尔曼滤波器每次根据以前的测量变化递归计算当前的状态估计。Y(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。q(k)和r(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声，他们的方差分别为Q，R。其中，Q为测量的数据的误差协方差矩阵，R为输入数据的误差协方差矩阵。，测量噪声协方差R可以观测得到，是滤波器的已知条件。我们可以通过离线获取系统观测值以计算测量噪声协方差。
[0074] 将车轮半径分析模型和卡尔曼滤波模型结合仿真，将状态转移矩阵设为单位矩阵，系统函数矩阵H设置为
[0075]
[0076] 实际进行滤波处理时，由于车轮半径数据不容易获得，我们可以通过车轮角速度来表示半径。
[0077] 根据滤波模块的结果，得到稳定的车轮半径分析结果，并进行胎压分析，如下：
[0078] 如图2所示，圆点为输入的带高斯白噪声的信号，直线为经过卡尔曼滤波的信号，通过图2可以观察到经过卡尔曼滤波器得到的结果十分的稳定。(图中横坐标从100处，左后轮漏气，图形发生变化。)
[0079] 图中，纵向：左侧XL(G12),右侧XR(G43)；横向：前轴YF(G23),后轴YR(G14)。
[0080] 如图3所示，将经过卡尔曼滤波器后得到的结果放置于一张图中，可以清晰的看到其变化。对于前轴,右侧的值基本稳定，而后轴,左侧的值于100处明显变小。
[0081] 对矩阵H求伪逆矩阵H+,即可以通过G12、G43、G23、G14反向推导出R1、R2、R3、R4的相对变化值。
[0082] 求出的结果如图4所示，可以更为明显地看出，R1的值减少，而R2、R3、R4的值不变，可以得到左后轮R1发生漏气。
[0083] 应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
