輪胎滾動阻力系數在線辨識方法與流程

本發明涉及汽車自動控制技術中的輪胎滾動阻力系數在線辨識方法，特別是一種不需要整車質量參數，利用縱向加速度傳感器信息以及車輛行駛信息的輪胎滾動阻力系數在線辨識方法。

背景技術：

輪胎滾動阻力系數是車輛運行經濟性、動力性控制的重要參數，輪胎滾動阻力對整車縱向受力影響較大。隨著自動控制技術的發展，許多整車控制參數已經能夠做到在線辨識。然而滾動阻力系數是將滾動阻力簡化表達為與整車質量成比例關系的抽象系數，不容易建立動力學或表達其產生機理的物理模型計算。

在整車條件下，常用的輪胎滾動阻力系數測量方法是滑行試驗，在切斷動力輸出的前提下根據行駛阻力和空氣阻力做功來計算。場地試驗有諸多環境限制，例如溫度，道路情況等等，針對特定環境測得的滾動阻力系數不能夠表達多變工況下真實的滾動阻力。建立面向整車控制的輪胎滾動阻力系數在線辨識方法就是要擺脫試驗場嚴苛的環境限制，采集行車過程中一些可以利用的行駛數據來實時辨識滾動阻力系數，使整車的自動控制能夠做到重要參數的自適應。

傳統的車輛固定參數辨識經常選用最小二乘算法，然而當真實的采樣數據誤差較大或者不是高斯白噪聲時最小二乘算法將會產生較大誤差。

技術實現要素：

本發明的目的在于，為適應滾動阻力系數會隨著車輛使用條件變化而變化，做到整車重要參數自適應，提出一種滾動阻力系數在線辨識方法，以實現滾動阻力系數的在線獲取，適應不同工況環境，提高整車動力性和經濟性控制系統的性能。

本發明滾動阻力系數在線聚類辨識方法，是基于車輛行駛狀態信息和車載縱向加速度信息所建立的滾動阻力系數在線聚類辨識模型，包括以下步驟：

s1.模型初始化

加載模型所需的固定參數，包含整車參數和算法參數；

整車參數包含：整車傳動效率η、輪胎滾動半徑r、車輛行駛加速度av、飛輪轉動慣量if、車輪轉動慣量iw、空氣阻力系數cd、整車迎風面積a、空氣密度ρ、重力加速度g；

算法參數包含：聚類個數m，m個初始聚類中心

s2.采集車輛行駛狀態信息

在每一個采樣時刻需要同步采集的can總線信息包含：整車速度v、發動機轉速n、離合器踏板信號、制動踏板信號和縱向加速度傳感器提供的加速度asen；

s3.判斷是否是空擋滑行數據，如果是，繼續執行后續步驟；如果不是，返回步驟s2采集下一時刻車輛行駛狀態信息；

s4.計算整車質量表達式

首先計算整車縱向行駛滑行阻力，即fwjw＝-fw-fjw，

式中：為空氣阻力；為車輪慣性力；av為車輛行駛加速度，是車速的導數；

然后利用差分法計算整車質量表達式：首先計算滑行阻力的差分量δfwjw，加速度傳感器的差分量δasen和車速平方值的差分量δv²，然后根據差分的行駛方程式建立整車質量表達式為：m＝δfwjw/δasen；

s5.計算滾動阻力系數初步結果

將整車質量表達式帶入不含驅動力的行駛方程式，利用帶遺忘因子的最小二乘算法估計該采樣時刻(i)滾動阻力系數初步結果最小二乘的輸入量為x＝δfwjwg，輸出量為y＝fwjwδasen-asenδfwjw；

s6.對初步辨識結果利用在線k均值聚類，更新聚類中心

計算滾動阻力系數初步結果至各類聚類中心的距離待聚類點歸類至距離最短的一類；更新輸入量的聚類中心其中f^m(i)和f^m(i-1)分別是當前采樣時刻以及前一采樣時刻第m類的聚類中心。

s7.計算各類數據的占比，判斷當前采樣時刻的數據是否是數據量占比最大的一類；如果是，執行后續步驟，如果不是，返回步驟s2重新采集行駛狀態信息；

s8.利用最小二乘算法對滾動阻力系數進一步辨識；

s9.計算各類數據量，判斷是否滿足終止條件，當數據量最大的類滿足設定數量時判別算法終止。

本發明建立了一種基于車輛行駛信息和縱向加速度傳感器信息的滾動阻力系數在線聚類辨識模型。運用差分的縱向動力學公式和原始縱向動力學公式相融合的方法，消除了整車質量對辨識的影響，建立滾動阻力系數在線估計算法。建立的模型具有適應復雜工況的優點，在線k均值聚類算法能夠有效剔除不良數據對辨識結果的影響。本發明設計了結合最小二乘算法和在線k均值聚類相結合的滾動阻力系數在線辨識方法，能夠有效解決非高斯噪聲分布對辨識結果產生不良影響的問題。

本發明滾動阻力系數在線辨識方法，能夠在整車質量不同，道路環境變化等復雜工況環境下得到穩定可靠的滾動阻力系數，有助于提高整車動力性和經濟性控制系統的性能。

附圖說明

圖1為本發明滾動阻力系數辨識方法流程示意圖；

具體實施方式

通過以下實施例的進一步具體描述，以便對本發明內容作進一步理解，但并不是對本發明的具體限定。

實施例1

參照圖1，一種滾動阻力系數在線辨識方法，是基于行駛信息和車載縱向加速度信息所建立的滾動阻力系數辨識模型，包括以下步驟：

步驟s1：模型初始化。加載模型所需的固定參數，包含整車參數和算法參數。

整車參數包含：整車傳動效率η、輪胎滾動半徑r、車輛行駛加速度av、飛輪轉動慣量if、車輪轉動慣量iw、空氣阻力系數cd、整車迎風面積a、空氣密度ρ、重力加速度g。算法參數包含：聚類個數m，m個初始聚類中心

步驟s2：采集車輛行駛狀態信息。

在每一個采樣時刻需要同步采集的can總線信息包含：整車速度v、發動機轉速n、離合器踏板信號、制動踏板信號和縱向加速度傳感器提供的加速度asen。

步驟s3：判斷是否是空擋滑行數據。如果是，繼續執行后續步驟，如果不是返回s2采集下一時刻車輛行駛狀態信息。

步驟s4：計算整車質量表達式。

首先計算滑行阻力。整車縱向受力平衡方程被運用于滑行阻力表達式的推導。整車縱向受力平衡方程為：

ft＝ff+fw+fi+fj(1)

其中，為空氣阻力；為汽車驅動力；為車輪加速阻力；為飛輪加速阻力；為變速器傳動比與主減速器傳動比的乘積；av是車輛行駛加速度，是車速的導數。接下來將加速阻力改寫為：

fj＝fja+fjw+fjf(2)

其中，fja為整車平動加速阻力(fja＝mav)；fjw為車輪轉動加速阻力fjf為飛輪轉動加速阻力

將(2)式的表達帶入(1)整理為：

ft＝ff+fw+fi+fja+fjw+fjf(3)

根據整車縱向受力平衡方程，在空擋滑行的過程中無驅動力和由發動機飛輪產生的慣性力，最終可得滑行阻力表達式：fwjw＝-fw-fjw。

另一方面，加速度傳感器的測量值定義為：asen＝gi+av，其中，asen是加速度傳感器采集到的加速度值(單位m/s²)。根據加速度傳感器定義式可得到含加速度傳感器信息的滾動阻力系數辨識模型：

fwjw＝m(gf+asen)(4)

然后利用差分的行駛方程式計算整車質量表達式。首先計算滑行阻力的差分量δfres，加速度傳感器的差分量δasen和車速平方值的差分量δv²，然后根據差分的行駛方程式建立整車質量表達式為：m＝δfwjw/δasen

步驟s5：計算滾動阻力系數初步結果。

將整車質量表達式帶入不含驅動力的行駛方程式，利用帶遺忘因子的最小二乘算法估計該采樣時刻(i)滾動阻力系數初步結果最小二乘的輸入量為x＝δfwjwg，輸出量為y＝fwjwδasen-asenδfwjw

步驟s6：對初步辨識結果利用在線k均值聚類，更新聚類中心。

計算滾動阻力系數初步結果至各類聚類中心的距離待聚類點歸類至距離最短的一類。更新輸入量的聚類中心其中f^m(i)和f^m(i-1)分別是當前采樣時刻以及前一采樣時刻第m類的聚類中心。

步驟s7：計算各類數據的占比，判斷當前采樣時刻的數據是否是數據量占比最大的一類。如果是，執行后續步驟，如果不是，返回s2重新采集行駛狀態信息。

步驟s8：滾動阻力系數進一步辨識。利用最小二乘算法對滾動阻力系數進一步辨識。

步驟s9：計算各類數據量，判斷是否滿足終止條件。當數據量最大的類滿足一定數量時判別算法終止。本實施例推薦的數據數量是2000個。