黃昆
(天津經(jīng)緯恒潤科技股份有限公司,天津300385)
主題詞:整車質(zhì)量 云控巡航 卡爾曼濾波 質(zhì)量估計
縮略語
CC Cruise Control
CPCC Cloud Protocol Cruise Control
ADAS Advanced Driving Assistance System
云控巡航系統(tǒng)是一款具有節(jié)油特性的貨車智能駕駛輔助系統(tǒng),該系統(tǒng)只有在車輛處于定速巡航(Cruise Control,CC)狀態(tài)下,才能通過駕駛員的主動激活,在行駛車速基本維持在巡航車速上下10%以內(nèi)的條件下,通過T-BOX和云端交互數(shù)據(jù),控制調(diào)節(jié)車輛的油門踏板開度和制動力矩,實現(xiàn)貨車的最優(yōu)節(jié)油控制,提高貨車的經(jīng)濟性。CPCC從ADAS地圖數(shù)據(jù)中,提取道路前方2 km的道路信息,如限速條件、彎道曲率、坡度,結(jié)合最優(yōu)的節(jié)油控制算法,控制車輛行駛。
貨車在云控巡航的行駛狀態(tài)下,其狀態(tài)參數(shù)的估計對云端控制策略的制定具有很大影響,其中貨車的整車質(zhì)量[1-3]對發(fā)動機輸出扭矩、檔位選擇、速度控制、轉(zhuǎn)彎半徑參數(shù)具有較大影響。本文設(shè)計的整車質(zhì)量估計器旨在提高貨車整車質(zhì)量的識別精度,為云端反饋較為準(zhǔn)確的整車質(zhì)量。KIM等[4]通過研究汽車的縱向動力學(xué)關(guān)系并結(jié)合最小二乘法,提出了1種整車質(zhì)量估計的算法;SEBSADJI等[5]利用擴展卡爾曼和龍伯格觀測器對車輛的質(zhì)量和坡度進行估計;雷雨龍等人[6]以縱向動力學(xué)模型為基礎(chǔ),運用前向歐拉法將空間模型狀態(tài)方程離散化,獲得方程向量函數(shù)的Jacobian矩陣,基于擴展卡爾曼濾波算法對車輛質(zhì)量進行了估計;胡滿江[7]收集了加速度傳感器與車輪轉(zhuǎn)速傳感器信息,對2者之間的關(guān)系進行深入研究,進而求得整車質(zhì)量,但其僅通過仿真驗證對質(zhì)量估計器進行驗證,并未進行道路試驗。
在云控巡航開啟的最初階段,為了精確估計貨車的整車質(zhì)量發(fā)送云端,并將其作為云端算法控制車輛運行的整車質(zhì)量參考依據(jù)。本文通過對處于云控巡航的貨車進行縱向動力學(xué)分析,使用卡爾曼濾波設(shè)計貨車的整車質(zhì)量估計器[8-9],在云控巡航開啟的最初階段對整車質(zhì)量進行迭代,進而逼近真實值。使用Simulink仿真設(shè)計平臺構(gòu)造質(zhì)量估計器模型,將其編譯成C語言代碼嵌入云端,最后通過實車道路試驗,設(shè)計了5個PCC工況對算法精確性進行驗證,結(jié)果表明本文設(shè)計的PCC質(zhì)量估計器對貨車的整車質(zhì)量估計具有較高精度。
車輛的CPCC(云控巡航模式)是在CC基礎(chǔ)上,增加了T-BOX和云端的信息交互,通過云端控制調(diào)節(jié)車輛的行駛速度(CC定速上下波動10%以內(nèi))以達到車輛節(jié)油目的。定義貨車質(zhì)量估計的行駛工況為長直道且前方道路暢通,無其他外部因素影響,因此在動力學(xué)模型建模[10-13]的過程中,僅需考慮滾動阻力、空氣阻力和坡度阻力,可以忽略加速阻力的影響。貨車的受力分析如圖1所示。
圖1 車輛受力分析
在設(shè)定的CPCC貨車行駛工況下,根據(jù)牛頓第二定律,構(gòu)建動力學(xué)模型。
式(1)中,F(xiàn)t為驅(qū)動力;Ff為滾動阻力;Fw為空氣阻力;Fi為坡度阻力;m為整車質(zhì)量;a為車輛的加速度。
貨車的驅(qū)動力(Ft)來源于發(fā)動機,經(jīng)變速器、傳動軸、主減速器的動力傳遞,最終作用于車輪,驅(qū)動力(Ft)的計算公式如下:
式(2)中,Ttq為發(fā)動機輸出的扭矩;ig為變速器傳動比;i0為主減速器傳動比;ηT為傳動系機械效率;r為車輪滾動半徑。
貨車行駛迎風(fēng)面在行駛過程中會受到迎風(fēng)阻力,空氣阻力(Fw)的計算公式如下:
式(3)中,Cd為空氣阻力系數(shù);A為迎風(fēng)面積;ρ為空氣密度;v為車速。
貨車在行駛的過程中,由于重力的影響會與地面產(chǎn)生滾動摩擦力,滾動阻力(Ff)的計算公式如式(4)。
式(4)中,f為滾動阻力系數(shù);g為重力加速度;θ為坡度角。
綜上,可得式(6)。
本文通過卡爾曼濾波算法對整車質(zhì)量進行估計??柭鼮V波算法包括2個更新過程:時間更新和狀態(tài)更新[14-15]。時間更新以上一時刻狀態(tài)空間和誤差協(xié)方差估計值為參考,對這一時刻狀態(tài)空間和誤差協(xié)方差進行先驗估計;狀態(tài)更新包括卡爾曼增益更新方程、狀態(tài)變量更新方程和誤差估計協(xié)方差的更新方程,它結(jié)合觀測結(jié)果和先驗狀態(tài)估計結(jié)果對狀態(tài)進行卡爾曼增益更新、后驗狀態(tài)更新和后驗誤差估計更新。算法遞歸進行,只需獲得上一時刻狀態(tài)變量的估計值和當(dāng)前狀態(tài)變量的測量值即可獲得當(dāng)前狀態(tài)變量的估計值。其算法流程圖如圖2所示。
圖2 算法流程
時間更新包括先驗狀態(tài)空間更新方程和先驗誤差協(xié)方差更新方程。
選擇車速(v)和整車質(zhì)量(m)作為狀態(tài)變量,則系統(tǒng)的狀態(tài)變量x(t)=[v(t);m(t);i(t)]。其中車輛的整車質(zhì)量可以看作一個常量,系統(tǒng)的狀態(tài)方程如式(7)。
首先要對狀態(tài)空間進行狀態(tài)分析,即利用上一時刻系統(tǒng)狀態(tài)預(yù)測下一時刻系統(tǒng)狀態(tài)。假設(shè)現(xiàn)在的系統(tǒng)狀態(tài)為x(t),根據(jù)系統(tǒng)模型,可基于系統(tǒng)上一狀態(tài)x(t-1)預(yù)測現(xiàn)在狀態(tài)x(t),狀態(tài)更新方程如公式(8)所示。
式(8)中,x(t)為當(dāng)前時刻狀態(tài);x(t-1)為上一時刻狀態(tài);W(t)為過程噪聲;矩陣(F)為:
假設(shè)現(xiàn)在的系統(tǒng)狀態(tài)誤差協(xié)方差矩陣預(yù)測值為P_(t),根據(jù)系統(tǒng)模型,可以基于系統(tǒng)上一狀態(tài)的誤差協(xié)方差預(yù)測值P_(t-1)進行遞歸推算,預(yù)測出現(xiàn)在狀態(tài)的誤差協(xié)方差矩陣預(yù)測值P_(t),誤差協(xié)方差矩陣預(yù)測值更新方程如公式(9)所示。
式(9)中,P_(t)為誤差協(xié)方差矩陣的預(yù)測值;P_(t-1)為上一狀態(tài)誤差協(xié)方差矩陣的預(yù)測值;Q(t)為噪聲協(xié)方差矩陣。
系統(tǒng)的觀測值,系統(tǒng)的測量方程如式(10):
式(10)中,H為測量矩陣;z(t)為系統(tǒng)的觀測矩陣;V(t)為測量噪聲。
式(8)和式(10)組成了系統(tǒng)的狀態(tài)空間表達式,如式(11)所示。
狀態(tài)更新包括卡爾曼增益更新、狀態(tài)變量更新和誤差估計協(xié)方差更新。
卡爾曼增益結(jié)合當(dāng)前時刻的先驗誤差估計協(xié)方差結(jié)果和測量噪聲協(xié)方差結(jié)果進行更新,如式(12)所示。狀態(tài)變量通過卡爾曼增益對觀測值和預(yù)測值的結(jié)果進行權(quán)重分配,計算獲得更為接近的真實值,如式(13)所示。誤差估計協(xié)方差通過當(dāng)前時刻卡爾曼增益和先驗誤差估計協(xié)方差分析進行更新,如式(14)所示。
式中,K(t)為卡爾曼增益;P_(t)為系統(tǒng)狀態(tài)誤差協(xié)方差矩陣預(yù)測值;H為測量矩陣;R為測量噪聲協(xié)方差矩陣;x(t)為當(dāng)前時刻系統(tǒng)狀態(tài);x_(t)為當(dāng)前時刻系統(tǒng)狀態(tài)的預(yù)測值;x_(t-1)為上一時刻系統(tǒng)狀態(tài)的預(yù)測值;z(t)為系統(tǒng)的觀測矩陣;I為單位矩陣。
對于質(zhì)量估計器,車輛的數(shù)據(jù)信息由T-BOX輸入到云端,在云端系統(tǒng)判定車輛處于云控巡航激活的條件下,對貨車的整車質(zhì)量進行估計。質(zhì)量估計模型的輸入?yún)?shù)包括行駛速度(v)、質(zhì)量估計(m)、矩陣(F)、卡爾曼增益系數(shù)(K),輸出為車輛的整車質(zhì)量(m_all)(質(zhì)量估計器是基于CPCC工況下的整車質(zhì)量估計,加速度遠小于0.1 m/s2,速度在設(shè)定速度上下10%之間浮動)。
矩陣(F)是卡爾曼濾波的一個重要參數(shù)矩陣,本文設(shè)計質(zhì)量估計器的矩陣(F)詳見第2章,主要輸入?yún)?shù)包括發(fā)動機輸出扭矩(T)、變速器傳動比(ig)、主減速器傳動比(i0)、傳動系機械效率(ηT)、空氣阻力系數(shù)(Cd)、迎風(fēng)面積(A)、空氣密度(ρ)和滾動阻力系數(shù)(f)。
模型的卡爾曼增益(K)的計算涉及到第2章的公式(10)(11)(13),其中,矩陣(F)、測量噪聲協(xié)方差矩陣(R)和噪聲協(xié)方差矩陣(Q),MATLABFcn內(nèi)含誤差協(xié)方差矩陣(P)的狀態(tài)更新。
為驗證設(shè)計的CPCC整車質(zhì)量估計器的質(zhì)量估計準(zhǔn)確性,選用江淮的一款貨車作為CPCC整車質(zhì)量估計的試驗驗證車輛[16](圖3),其空載質(zhì)量為3 000 kg,其它車輛參數(shù)如表1所示。試驗以T-BOX作為車端和云端的數(shù)據(jù)信息交互載體,T-BOX接受發(fā)動機扭矩傳感器獲取的信息和CAN總線的報文數(shù)據(jù)信息[17-18],信息數(shù)據(jù)傳遞的頻率為100 Hz。試驗前,需對車輛安裝CPCC云控巡航系統(tǒng)和CPCC整車質(zhì)量估計器,本文使用一汽設(shè)計的貨車CPCC云控巡航系統(tǒng),該系統(tǒng)遵循平均油耗量最低原則和平均通過車速等同原則,其控制算法和質(zhì)量估計器都嵌入到云端。車輛CPCC激活的開關(guān),沿用CC的激活按鈕,設(shè)定按下一次巡航按鈕激活定速巡航,再次按下巡航按鈕激活CPCC云控巡航系統(tǒng)。
圖3 試驗車輛[16]
表1 試驗車輛參數(shù)
為研究上下坡是否對CPCC整車質(zhì)量估計器的估計結(jié)果有影響,結(jié)合試驗場地條件,設(shè)計了3種工況的對比試驗:
(1)平路整車質(zhì)量估計試驗;
(2)上坡整車質(zhì)量估計試驗;
(3)下坡整車質(zhì)量估計試驗。
試驗道路的高程和云端反饋的最優(yōu)車速曲線如圖4~6所示,3種工況的整車質(zhì)量估計結(jié)果如圖7所示。結(jié)果表明坡度穩(wěn)定的上下坡對貨車的整車質(zhì)量估計結(jié)果影響很小,幾乎可以忽略坡度對整車質(zhì)量估計結(jié)果的影響。
圖4 平路整車質(zhì)量估計試驗結(jié)果
圖7 對比試驗結(jié)果
為驗證CPCC整車質(zhì)量估計器的準(zhǔn)確性,設(shè)計5組不同工況對比試驗,試驗在空曠的試驗場場地下展開,前方道路條件良好,無其它車輛影響,試驗車輛在CC設(shè)定速度為60 km/h的條件下,按下巡航開啟按鈕,激活車輛的CPCC云控巡航功能,試驗開始,系統(tǒng)通過CPCC整車質(zhì)量估計器對整車質(zhì)量進行估計。5組工況的整車質(zhì)量設(shè)計如表2所示。
圖5 上坡整車質(zhì)量估計試驗結(jié)果
圖6 下坡整車質(zhì)量估計試驗結(jié)果
表2 整車質(zhì)量
CPCC整車質(zhì)量估計器利用卡爾曼濾波對整車質(zhì)量進行估計,初始質(zhì)量設(shè)置為車輛的空載質(zhì)量,系統(tǒng)進入CPCC云控巡航激活狀態(tài)車輛開始進行整車質(zhì)量估計,隨著車端的試驗數(shù)據(jù)不斷輸入到質(zhì)量估計器,估計質(zhì)量由初始的空載質(zhì)量逐漸逼近真實的整車質(zhì)量,5組試驗的整車質(zhì)量估計結(jié)果如圖8~圖12所示。
圖8 工況1質(zhì)量估計結(jié)果
圖12 工況5質(zhì)量估計結(jié)果
圖9 工況2質(zhì)量估計結(jié)果
圖10 工況3質(zhì)量估計結(jié)果
圖11 工況4質(zhì)量估計結(jié)果
對比5種工況下的CPCC整車質(zhì)量估計結(jié)果,發(fā)現(xiàn)車輛在工況1和工況2下整車質(zhì)量估計結(jié)果略高于真實值,在工況3下整車質(zhì)量估計結(jié)果幾乎與真實值一致,在工況4下整車質(zhì)量估計結(jié)果略高于真實值,在工況5下結(jié)果略低于真實值。試驗用車的空載質(zhì)量為3 000 kg,最大載重量為4 000 kg,即最大整車質(zhì)量為7 000 kg,試驗結(jié)果表明貨車非滿載狀態(tài)下CPCC質(zhì)量估計器的整車質(zhì)量估計結(jié)果略大于真實值,滿載時估計結(jié)果略小于真實值,平均誤差為0.368 9%,各個工況的誤差結(jié)果匯總?cè)绫?所示。
表3 誤差結(jié)果
(1)本文結(jié)合車輛縱向動力學(xué)和卡爾曼濾波算法,對CPCC整車質(zhì)量估計模型進行構(gòu)建,使用MAT?LAB/Simulink實現(xiàn)整車質(zhì)量估計模型的搭建,然后編譯成C語言,將算法嵌入云端,在云控巡航控制激活的條件下,通過云端對貨車的整車質(zhì)量進行估計。
(2)通過對比試驗探索坡度對質(zhì)量估計結(jié)果的影響,分別設(shè)計了平路整車質(zhì)量估計、上坡整車質(zhì)量估計、下坡整車質(zhì)量估計3種工況的對比試驗。結(jié)果表明,坡度穩(wěn)定的上下坡對車輛整車質(zhì)量估計的結(jié)果影響很小,對貨車影響可忽略不計。
(3)通過設(shè)計整車質(zhì)量分別為3 000 kg、4 000 kg、5 000 kg、6 000 kg、7 000 kg的貨車整車質(zhì)量估計對比試驗,對CPCC整車質(zhì)量估計器的準(zhǔn)確性進行驗證,試驗結(jié)果表明貨車非滿載狀態(tài)下CPCC質(zhì)量估計器的整車質(zhì)量估計結(jié)果略大于真實值,滿載時估計結(jié)果略小于真實值,平均誤差為0.368 9%。