基于cpcc的运载货车质量估计.docxVIP

基于cpcc的运载货车质量估计 摘要：为解决运载货车在云控巡航（CPCC）状态下的整车质量估计问题，基于卡尔曼滤波算法(KF)设计一个整车质量估计器。系统以车辆动力学模型为基础，构造质量估计器的卡尔曼滤波算法状态方程和状态更新方程，并使用Simulink搭建质量估计模型嵌入云端，从而对CPCC状态下的运载货车进行质量估计。通过场地测试进行平路、上坡、下坡3种条件下的对比试验，结果表明质量估计器几乎不受道路坡度影响；通过实车道路试验对5个设定工况进行验证，结果表明设计的质量估计器在5个不同载重工况下均能较准确的估计货车的整车质量，质量估计的平均误差为0.368 9%。 缩略语CCCruise ControlCPCC Cloud Protocol Cruise ControlADAS Advanced Driving Assistance System1 前言云控巡航系统是一款具有节油特性的货车智能驾驶辅助系统，该系统只有在车辆处于定速巡航（Cruise Control,CC）状态下，才能通过驾驶员的主动激活，在行驶车速基本维持在巡航车速上下10%以内的条件下，通过T-BOX和云端交互数据，控制调节车辆的油门踏板开度和制动力矩，实现货车的最优节油控制，提高货车的经济性。CPCC从ADAS地图数据中，提取道路前方2 km的道路信息，如限速条件、弯道曲率、坡度，结合最优的节油控制算法，控制车辆行驶。货车在云控巡航的行驶状态下，其状态参数的估计对云端控制策略的制定具有很大影响，其中货车的整车质量在云控巡航开启的最初阶段，为了精确估计货车的整车质量发送云端，并将其作为云端算法控制车辆运行的整车质量参考依据。本文通过对处于云控巡航的货车进行纵向动力学分析，使用卡尔曼滤波设计货车的整车质量估计器2 车辆动力学模型车辆的CPCC（云控巡航模式）是在CC基础上，增加了T-BOX和云端的信息交互，通过云端控制调节车辆的行驶速度（CC定速上下波动10%以内）以达到车辆节油目的。定义货车质量估计的行驶工况为长直道且前方道路畅通，无其他外部因素影响，因此在动力学模型建模在设定的CPCC货车行驶工况下，根据牛顿第二定律，构建动力学模型。式（1）中，F货车的驱动力（F式（2）中，T货车行驶迎风面在行驶过程中会受到迎风阻力，空气阻力（F式（3）中，C货车在行驶的过程中，由于重力的影响会与地面产生滚动摩擦力，滚动阻力（F式（4）中，f为滚动阻力系数；g为重力加速度；θ为坡度角。综上，可得式（6）。3 卡尔曼滤波算法实现本文通过卡尔曼滤波算法对整车质量进行估计。卡尔曼滤波算法包括2个更新过程：时间更新和状态更新3.1 时间更新时间更新包括先验状态空间更新方程和先验误差协方差更新方程。选择车速（v）和整车质量（m）作为状态变量，则系统的状态变量x(t)=[v(t);m(t);i(t）]。其中车辆的整车质量可以看作一个常量，系统的状态方程如式（7）。首先要对状态空间进行状态分析，即利用上一时刻系统状态预测下一时刻系统状态。假设现在的系统状态为x(t），根据系统模型，可基于系统上一状态x(t-1）预测现在状态x(t），状态更新方程如公式（8）所示。式（8）中，x(t）为当前时刻状态；x(t-1）为上一时刻状态；W(t)为过程噪声；矩阵（F）为：假设现在的系统状态误差协方差矩阵预测值为P＿(t），根据系统模型，可以基于系统上一状态的误差协方差预测值P＿(t-1）进行递归推算，预测出现在状态的误差协方差矩阵预测值P＿(t），误差协方差矩阵预测值更新方程如公式（9）所示。式（9）中，P＿(t)为误差协方差矩阵的预测值；P＿(t-1)为上一状态误差协方差矩阵的预测值；Q(t)为噪声协方差矩阵。系统的观测值，系统的测量方程如式（10):式（10）中，H为测量矩阵；z(t）为系统的观测矩阵；V(t）为测量噪声。式（8）和式（10）组成了系统的状态空间表达式，如式（11）所示。3.2 状态更新状态更新包括卡尔曼增益更新、状态变量更新和误差估计协方差更新。卡尔曼增益结合当前时刻的先验误差估计协方差结果和测量噪声协方差结果进行更新，如式（12）所示。状态变量通过卡尔曼增益对观测值和预测值的结果进行权重分配，计算获得更为接近的真实值，如式（13）所示。误差估计协方差通过当前时刻卡尔曼增益和先验误差估计协方差分析进行更新，如式（14）所示。式中，K(t)为卡尔曼增益；P＿(t)为系统状态误差协方差矩阵预测值；H为测量矩阵；R为测量噪声协方差矩阵；x(t)为当前时刻系统状态；x＿(t)为当前时刻系统状态的预测值；x＿(t-1)为上一时刻系统状态的预测值；