[发明专利]一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法

权利要求书

1.一种分布式驱动电动汽车行驶状态与惯性参数联合估计方法，其特征在于，所述方法包括以下过程：

步骤S1、构建考虑车辆惯性参数变化的侧倾动力学估计模型：

构建考虑车辆质量、车辆横摆转动惯量的惯性参数变化的八自由度车辆非线性侧倾动力学模型，建立能反映车辆质心侧倾角、轮胎侧向力以及整车质量、横摆转动惯量变化的包括车辆纵向、侧向、横摆运动、侧倾运动及四轮转动在内整车动力学估计模型；

步骤S2、建立时滞的非线性动态Dugoff轮胎模型：

利用分布式驱动电动汽车驱动力矩进行直接测量，计算车辆在行驶过程中的纵向力；而轮胎侧偏力则采用时滞的非线性动态Dugoff轮胎模型来描述，其具有动态反应瞬态侧偏力的特点；

步骤S3、设计双容积卡尔曼滤波器的状态和惯性参数估计系统：

根据构建的受惯性参数影响的八自由度车辆动力学模型和轮胎模型，设计双容积卡尔曼滤波器的状态和惯性参数估计系统；

步骤S4、确定双容积卡尔曼滤波观测器具体步骤：

用双容积卡尔曼滤波实现对车辆质心侧倾角轮胎侧偏力F_yij、车辆纵向速度V_x、车辆侧向速度V_y以及整车质量M、横摆转动惯量I_zz的联合估计；

在所述步骤S1中，非线性车辆动力学模型的方程为：

上述方程中：

上述式中，V_x、V_y分别为车辆质心的纵向和侧向速度；ω_z为车辆质心的横摆角速度；β、分别为车辆质心侧偏角和侧倾角；M_n、M分别表示车辆簧载质量和总质量；I_xx表示车辆侧倾转动惯量，F_xij、F_yij分别是车辆第i、j轮胎的纵向、侧向力，其中i＝f、r，j＝l、r，且fl、fr、rl、rr分别表示左前、右前、左后、右后轮胎；F_w、F_f分别是车辆空气阻力与地面轮胎滚动阻力；C为空气阻力系数；ρ为空气密度；A为汽车正面迎风面积；a_x、a_y分别为车辆纵向与侧向加速度；μ为已知路面附着系数；δ_fl、δ_fr分别为前轮左右轮的转向角；L_f、L_r分别为质心到车辆前后轴的水平距离；B_l、B_r分别为质心到左右车轮中心的水平距离；h_s是簧载质量质心到侧倾轴垂直距离，K_φf,K_φr是前后侧倾刚度，K_φf,K_φr是前后侧倾阻尼系数；

在所述步骤S1中，在非线性车辆动力学模型的方程中，当电动汽车货物或乘客被加载,车辆的质心发生改变，假加载的质量质心位置相对于原始坐标系坐标矢量为：

当载荷质量M_p被加载，车辆的侧倾转动惯量改变为

式中，I_xxo为车辆未加载时的侧倾转动惯量；

车辆的横摆与侧倾运动的协转动惯量改变为

I_xz＝x_p(z_p+h_s)M_p

车辆的横摆转动惯量改变为

式中，I_zzo为车辆未加载时的横摆转动惯量；

同时，在考虑载荷参数变化的情况下，车辆动力学模型的质心也相应发生改变，位于原来坐标系下的新的质心位置坐标为：

式中x_p、y_p、z_p分别为载荷在原车辆坐标系下的纵向、横向、垂向坐标值；x_n、y_n、z_n为车辆加载时的质心纵向、横向、垂向坐标；

当车辆载荷参数发生变化后,其新的车辆几何坐标位置参数计算如下式：

式中,h_c为侧倾轴到地面的高度；L、B为车辆前后轴的水平距离和车辆左右车轮的水平距离；L_f、L_r分别为未加载时车辆前后轴到质心的水平距离；B_f、B_r分别为车辆未加载时左右轮到质心的水平距离；

分布式驱动电动汽车每个车轮上的电机给各车轮提供驱动力矩，当车辆行驶时，车轮旋转动力学方程为：

其中，ω_ij为各车轮旋转角速度，I_ωij为各车轮转动惯量,T_dij为各车轮驱动力矩，R_ij为车轮滚动半径；

在所述步骤S2中，进行轮胎力模型建立时，利用分布式驱动电动汽车驱动力矩进行直接测量，根据车轮旋转动力学计算车辆在行驶过程中的纵向力；而轮胎侧向力则采用非线性瞬态Dugoff轮胎模型来计算；

当车辆载荷改变时，对于电动汽车轮胎与路面之间相互作用的轮胎侧向力瞬态侧偏特征，采用非线性瞬态Dugoff轮胎描述为：

其中为非线性Dugoff轮胎的准静态侧向力，σ_ij为表示轮胎力学时滞的“松弛长度”；

非线性Dugoff轮胎的准静态侧向力为

其中，

上式中，C_xij,C_yij分别为轮胎纵向、侧向刚度，λ_ij、α_ij分别为轮胎滑移率侧偏角；

当车辆载荷发生变化，车辆的车轮垂直载荷F_zij变化表示为：

上述式，m_usf、m_usr为车辆前后非簧载质量；h_uf、h_ur为前、后轴侧倾中心离地高度；

车轮轮胎侧偏角α_ij计算为：

2.根据权利要求1所述分布式驱动电动汽车行驶状态与惯性参数联合估计方法，其特征在于，在所述步骤S3中，双容积卡尔曼滤波器的状态估计系统的状态方程和观测方程，离散化后表示为如下：

上式中

其中，

上式是中T_s采样时间；

上述式中，x_p(k)＝[M,I_zz]^T分别为车辆非线性动力学观测器系统的状态矢量和参数矢量，u(k)＝[δ_f,w_ij,T_ij]^T和y(k)＝[ω_z,a_x]^T分别为车辆非线性动力学观测器系统的输入矢量和量测矢量，q_s、r_s分别为系统的过程噪音和量测噪音，两者为系统互不相关且均值为零的高斯白噪声；

惯性参数估计系统被构造如下:

在上述参数估计系统中，q_p、r_p分别为系统的过程噪音和量测噪音，d(k)＝[ω_z,a_x]^T为量测矢量；

其中：

同时

在所述步骤S4中，所述双容积卡尔曼滤波观测器具体包括以下步骤：

1)初始化；需要初始化的值分别为：P_s(0),P_p(0),Q_s,R_s,Q_p,R_p；

2)参数变量的时间更新：

2-1)误差协方差矩阵P_p(t-1)进行奇异值分解，并得到x_pj(t-1)；

2-2)计算容积点

2-3)计算参数变量预测值

2-4)计算协方差预测值P_p(t|t-1)；

3)状态变量的时间更新：

3-1)误差协方差矩阵P_p(t-1)进行奇异值分解，并得到x_sj(t-1)；

3-2)计算容积点

3-3)计算参数变量预测值

3-4)计算协方差预测值P_s(t|t-1)；

4)参数变量的量测更新：

4-1)误差协方差矩阵P_p(t|t-1)进行奇异值分解，并得到x_pj(t|t-1)；4-2)计算容积点d_pj(t|t-1)；

4-3)计算均值

4-4)计算新息协方差预测值P_pdd(t|t-1)；

4-5)计算互协方差P_pxd(t|t-1)；

4-6)计算增益矩阵K_pt；

4-7)计算参数变量

4-8)计算误差协方差矩阵P_p(t)；

5)状态变量的量测更新：

5-1)误差协方差矩阵P_s(t|t-1)进行奇异值分解，并得到x_sj(t|t-1)；5-2)计算容积点y_sj(t|t-1)；

5-3)计算均值

5-4)计算新息协方差预测值P_syy(t|t-1)；

5-5)计算互协方差P_sxy(t|t-1)；

5-6)计算增益矩阵K_st；

5-7)计算参数变量

5-8)计算误差协方差矩阵P_s(t)。