[发明专利]一种基于PSO优化UKF的EHB系统压力估计方法

说明书

本发明公开了一种基于PSO优化UKF的EHB系统压力估计方法，包括步骤：(1)根据汽车电控液压制动(EHB)系统工作原理及特性建立动力学模型；(2)根据步骤1建立的EHB动力学模型确定UKF、算法中所需要的状态方程，状态向量，观测量及观测方程。根据EHB的强非线性及其工作的时变特性将UKF算法应用到EHB系统中；(3)确定目标函数，设计变量及其边界条件，运用粒子群算法对UKF中的参数进行迭代寻优，使其达到最优。本发明拓展了EHB系统的研究方向，提高了EHB模型的适应性以及参数估计精度，解决了UKF算法参数调节复杂的问题。

技术领域

本发明涉及参数估计领域，尤其是一种基于PSO优化UKF的EHB系统压力估计方法。

背景技术

电控液压制动系统(EHB)系统对提高汽车主动安全具有重要意义，该系统具有高安全性，制动响应快等优点，还可以提供更为精确和快速的制动效能，通过对控制算法的调控还可以实现ABS，ESP等功能，使汽车更安全、高效。为了更深入的研究其工作状态，对EHB系统的压力进行估计。由于EHB系统具有强非线性，而时变性特点传统的参数估计如线性回归法，传统卡尔曼滤波，扩展卡尔曼滤波等方法适用于线性系统，在处理非线性问题时会出现估计结果不精确，发散等问题，而无迹卡尔曼滤波算法可以很好的对非线性系统进行参数估计，但无迹卡尔曼滤波算法中的参数对估计精度有很大影响，根据经验取值会对估计结果造成误差而且EHB系统是剧烈时变系统在不同的工作状态下其状态方程是不同的。针对EHB系统的工作特性提出一种粒子群优化的无迹卡尔曼滤波算法可以较好的解决上述问题。

朱松豪等(申请号201610229366.5)将最小二乘法应用于轨迹预测，但该方法属于线性回归法,在处理非线性问题会存在较大问题；彭思敏等(申请号201510642746.7)根据串联电池特性将将无迹卡尔曼滤波算法应用于电池状态估计，解决了用EKF算法估计非线性系统的一系列问题，但由于无迹卡尔曼滤波算法所含参数较多，参数选取困难且会影响参数估计精度。

发明内容

发明目的：本发明的目的是提供一种基于PSO优化UKF的EHB系统压力估计方法，该方法解决了传统卡尔曼参数调节复杂，估计结果不精确的问题，提高了电控液压制动系统参数估计精度。

技术方案：为实现上述技术问题，本发明所采用的技术方案为：

一种基于UKF的汽车电控液压制动系统压力估计方法，该方法包括步骤：

(1)分别构建电控液压制动系统在增压、保压与减压三种工作状态下的动力学模型，包括状态方程和观测方程；其中，

增加状态方程为：

减压状态方程为：

观测方程为：P_w-c-new＝P_L+测量噪声

式中，P_w-new为后一时刻的轮缸压力，P_L为当前时刻的轮缸压力，P_m为蓄能器压力，C_d为节流孔的流量系数，A为节流孔的流通截面积，K为制动液的体积模量，V为进/出油阀与制动轮缸之间油管的体积之和，m为节流指数，T为采样周期，P_w-c-new为轮缸压力观测值；

(2)根据步骤(1)构建的状态方程和观测方程，以m，P_L为状态变量，以P_L为观测变量，采用无迹卡尔曼算法进行状态估计，得到P_L的估计值；

(3)以实验数据与估计数据差的平方和作为目标函数，并设定UKF各参数的边界条件；采用粒子群算法搜索满足目标函数和边界条件的UKF各参数的最优解。

有益效果：与现有技术相比，本发明具有以下优势：

(1)将UKF算法成功地运用到EHB系统之中，提高了系统参数估计的精确性，开拓了EHB系统的研究方向。