一種用于車輪力傳感器的交互式多模型濾波方法技術(shù)

本發(fā)明專利技術(shù)公開一種用于車輪力傳感器的交互式多模型濾波方法，包括如下步驟：1、根據(jù)車輪力信號隨機(jī)性強(qiáng)的特點(diǎn)和車輪力傳感器直接輸出與真實(shí)車輪力之間的數(shù)學(xué)關(guān)系，建立基于Singer模型的車輪力通用動態(tài)模型；2、根據(jù)上述建立的車輪力通用動態(tài)模型，通過選取不同的模型參數(shù)，分別建立車輪力高動態(tài)模型和車輪力低動態(tài)模型；3、根據(jù)上述建立的車輪力高動態(tài)模型和車輪力低動態(tài)模型，采用交互式多模型方法，實(shí)現(xiàn)對于全動態(tài)范圍車輪力信號的建模，并采用卡爾曼濾波器對車輪力信號進(jìn)行實(shí)時(shí)濾波。本發(fā)明專利技術(shù)能夠涵蓋各種動態(tài)范圍的車輪力，解決隨機(jī)車輪力信號難以建模的問題，從而實(shí)現(xiàn)基于卡爾曼濾波器的車輪力信號實(shí)時(shí)濾波。

Interactive multiple model filtering method for wheel force sensor

The invention discloses a method for interactive multiple model filter wheel force transducer, which comprises the following steps: 1, according to the mathematical relation between the wheel force signal characteristics and strong randomness of wheel force transducer output directly with the real wheel force, establish a general dynamic model of Singer based on the wheel force; 2, according to the force of the wheel a general dynamic model, through the selection of different model parameters, respectively. Dynamic model and dynamic model of wheel force low wheel force established; 3, according to the high dynamic wheel force model and wheel force low dynamic model, the interacting multiple model method, modeling for the full dynamic range of wheel force signal, and the Calman filter for real-time filtering of wheel force signal. The invention can cover the wheel force in various dynamic ranges and solve the difficult modeling problem of the random wheel force signals, so as to realize the real-time filtering of wheel force signals based on the Calman filter.

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種用于車輪力傳感器的交互式多模型濾波方法
本專利技術(shù)屬于汽車測控
，特別涉及一種用于車輪力傳感器的交互式多模型濾波方法。
技術(shù)介紹
汽車工業(yè)在發(fā)達(dá)國家的經(jīng)濟(jì)發(fā)展中，起著重要支柱的作用，從某種程度上講，汽車行業(yè)發(fā)展水平能夠體現(xiàn)出一個(gè)國家的整體制造業(yè)水平。在我國，近年來汽車的保有量持續(xù)增長勢頭，良好的市場情況刺激了汽車工業(yè)的發(fā)展，同時(shí)也暴露出我國車輛自主研發(fā)和測試方面的不足。車輛運(yùn)動是由地面對車輪作用力、車輛對車輪作用力以及空氣作用力等共同作用的結(jié)果，其中地面輪胎附著作用是主要因素，并受路面因素、輪胎因素、車輛因素和車輛行駛工況因素等影響，并最終在車輪受力上得到體現(xiàn)。因此，實(shí)時(shí)檢測車輛在各種狀態(tài)下的車輪力是進(jìn)行車輛研發(fā)和測試的基礎(chǔ)。由于車輪力具有很強(qiáng)的隨機(jī)性，因此對于其進(jìn)行處理的難度較大。我國在這項(xiàng)領(lǐng)域比較薄弱，尤其是對車輪力傳感器輸出數(shù)據(jù)的濾波方面的研究基本處于起步和探索階段。本專利技術(shù)專利所應(yīng)用的對象為東南大學(xué)儀器科學(xué)與工程學(xué)院自主研發(fā)的多維輪力傳感器(一種測量車輪六維力的傳感器ZL201210071761.7)，該多維輪力傳感器能夠感知車輛行駛過程中地面對車輪的作用力，包括牽引力和正壓力。為了得到高精度的車輪力信號，必須對車輪力傳感器的輸出信號進(jìn)行濾波降噪。傳統(tǒng)的低通濾波器在去除噪聲的同時(shí)也會損失車輪力信號中的高頻分量，而根據(jù)不同頻率分量閾值進(jìn)行噪聲剔除的小波濾波技術(shù)，雖然能夠保留車輪力中的高頻信號，但小波濾波是一種離線數(shù)據(jù)處理方法，不能滿足高精度車輪力實(shí)時(shí)輸出的要求。為了解決車輪力信號實(shí)時(shí)濾波的問題，將卡爾曼濾波器引入到車輪力傳感器的數(shù)據(jù)處理當(dāng)中。在車輪力處理中使用卡爾曼濾波器需要對車輪力信號進(jìn)行建模，然而由于車輪力的隨機(jī)性和不確定性，很難對其精確建模。想要設(shè)計(jì)出適用于車輪力傳感器的實(shí)時(shí)濾波器，就必須攻克這一技術(shù)難關(guān)。
技術(shù)實(shí)現(xiàn)思路
專利技術(shù)目的：針對現(xiàn)有技術(shù)中存在的問題，本專利技術(shù)提供一種用于車輪力傳感器的交互式多模型濾波方法，能夠涵蓋各種動態(tài)范圍的車輪力，解決隨機(jī)車輪力信號難以建模的問題，從而實(shí)現(xiàn)基于卡爾曼濾波器的車輪力信號實(shí)時(shí)濾波。技術(shù)方案：為解決上述技術(shù)問題，本專利技術(shù)提供一種用于車輪力傳感器的交互式多模型濾波方法，其特征在于，包括如下步驟：步驟一：根據(jù)車輪力信號隨機(jī)性強(qiáng)的特點(diǎn)和車輪力傳感器直接輸出與真實(shí)車輪力之間的數(shù)學(xué)關(guān)系，建立基于Singer模型的車輪力通用動態(tài)模型；步驟二：根據(jù)步驟一中所建立的車輪力通用動態(tài)模型，通過選取不同的模型參數(shù)，分別建立車輪力高動態(tài)模型和車輪力低動態(tài)模型；步驟三：根據(jù)步驟二中建立的車輪力高動態(tài)模型和車輪力低動態(tài)模型，采用交互式多模型方法，實(shí)現(xiàn)對于全動態(tài)范圍車輪力信號的建模，并采用卡爾曼濾波器對車輪力信號進(jìn)行實(shí)時(shí)濾波。進(jìn)一步的，所述步驟一中建立車輪力通用動態(tài)模型的具體步驟如下：步驟1.1：定義k時(shí)刻的模型狀態(tài)量為：其中和分別為k時(shí)刻車輪縱向力、縱向力微分以及二次微分；和分別為k時(shí)刻車輪正壓力、正壓力微分以及二次微分；θk、和分別為k時(shí)刻車輪旋轉(zhuǎn)角度、旋轉(zhuǎn)角度微分以及二次微分；步驟1.2：根據(jù)步驟1.1中定義的參數(shù)構(gòu)建車輪力通用動態(tài)模型為：XS，k＝fS(T，α)XS，k-1+wS，k-1其中fS(T，α)＝diag[fS(T，αFxw)fS(T，αFzw)fS(T，αθ)]，T為采樣時(shí)間，F(xiàn)xw為牽引力和Fzw為正壓力，αFxw、αFzw和αθ分別為Fxw、Fzw和θ的變化率，wS，k-1為系統(tǒng)噪聲；其中fS(T，αFxw)、fS(T，αFzw)和fS(T，αθ)的具體表達(dá)式為：進(jìn)一步的，所述步驟二中建立車輪力高動態(tài)模型和車輪力地動態(tài)模型的具體步驟如下：選擇αFxw＝1/10，αFzw＝1/10，αθ＝1/10，建立車輪力高動態(tài)模型；選擇αFxw＝1/40，αFzw＝1/40，αθ＝1/30，建立車輪力低動態(tài)模型。進(jìn)一步的，所述步驟三中建立全動態(tài)范圍車輪力信號模型，并進(jìn)行實(shí)時(shí)濾波的具體步驟如下：根據(jù)步驟二中所建立的車輪力高動態(tài)模型和車輪力低動態(tài)模型，分別對牽引力和正壓力進(jìn)行卡爾曼濾波，采用交互式多模型方法，實(shí)時(shí)計(jì)算上述兩個(gè)模型權(quán)重，利用經(jīng)過歸一化權(quán)重求取兩個(gè)模型濾波結(jié)果的加權(quán)和，并將該值作為輪力濾波的最終輸出，這種將兩個(gè)模型濾波數(shù)據(jù)相融合的方法，解決了單一模型建模精度較低的問題，改善了車輪力信號的濾波效果。與現(xiàn)有技術(shù)相比，本專利技術(shù)的優(yōu)點(diǎn)在于：通過交互式多模型方法，構(gòu)建能夠涵蓋所有車輪力動態(tài)范圍的車輪力模型，并利用卡爾曼濾波器實(shí)時(shí)對車輪力傳感器輸出的車輪力數(shù)據(jù)進(jìn)行濾波，有效地解決了隨機(jī)車輪力信號難以建模的問題，實(shí)現(xiàn)了車輪力數(shù)據(jù)的高精度實(shí)時(shí)濾波。該方法能夠應(yīng)用于東南大學(xué)儀器科學(xué)與工程學(xué)院研發(fā)的車輪力傳感器的數(shù)據(jù)濾波，具有很強(qiáng)的實(shí)用性。附圖說明圖1為本專利技術(shù)的總體流程圖；圖2為圖1中步驟三的方法流程圖；圖3為實(shí)施例中真實(shí)車輪力與車輪力傳感器直接輸出關(guān)系示意圖。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施方式，進(jìn)一步闡明本專利技術(shù)。如圖1所示：一種適用于車輪力傳感器的交互式多模型濾波方法，包括以下步驟：步驟一：根據(jù)車輪力信號隨機(jī)性強(qiáng)的特點(diǎn)和車輪力傳感器直接輸出與真實(shí)車輪力之間的數(shù)學(xué)關(guān)系，建立基于Singer模型的車輪力通用動態(tài)模型；為了清楚闡述真實(shí)車輪力和車輪力傳感器輸出之間的關(guān)系，分別建立真實(shí)車輪力坐標(biāo)系和車輪力傳感器坐標(biāo)系，如圖3所示。真實(shí)車輪力坐標(biāo)系定義如下：選取車輪中心為坐標(biāo)原點(diǎn)ow，坐標(biāo)軸owzw豎直向上，坐標(biāo)軸owxw指向車輪前進(jìn)方向；車輪力傳感器坐標(biāo)系定義如下：選取車輪中心為坐標(biāo)原點(diǎn)oe，坐標(biāo)軸oexe與傳感器牽引力敏感梁平行，坐標(biāo)軸oeze與傳感器正壓力敏感梁平行；θ為真實(shí)車輪力坐標(biāo)系與車輪力傳感器坐標(biāo)系之間的偏轉(zhuǎn)角度，當(dāng)θ＝0時(shí)，真實(shí)車輪力坐標(biāo)系與車輪力傳感器坐標(biāo)系重合。真實(shí)車輪力(包括牽引力和正壓力)和真實(shí)車輪力坐標(biāo)系與車輪力傳感器坐標(biāo)系之間偏轉(zhuǎn)角度θ的變化都可以被表述為隨機(jī)過程，由于它們都是真實(shí)存在的物理量，并且是連續(xù)變化的，且前后兩個(gè)數(shù)據(jù)點(diǎn)之間存在一個(gè)有限的增量，可以被視為Markov過程，因此采用基于Markov過程的Singer模型來構(gòu)建真實(shí)車輪力模型是合理的。Singer模型離散狀態(tài)空間形式如下：式(1)中：T為采樣周期；α＝1/τ表示變量的變化率，它是機(jī)動時(shí)間τ的倒數(shù)，大小取決于機(jī)動的持續(xù)時(shí)間；wk-1的方差為α的函數(shù)。將Singer模型引入到車輪力信號處理中時(shí)，綜合考慮牽引力正壓力和偏轉(zhuǎn)角度θ，因此選取模型的狀態(tài)量為：在如式2所示的狀態(tài)的基礎(chǔ)上，基于Singer模型構(gòu)建車輪力通用動態(tài)模型為：XS，k＝fS(T，α)XS，k-1+wS，k-1(3)其中fS(T，α)＝diag[fS(T，αFxw)fS(T，αFzw)fS(T，αθ)]，T為采樣時(shí)間，αFxw、αFzw和αθ分別為和θ的變化率。fS(T，αFxw)、fS(T，αDzw)和fS(T，αθ)的具體表達(dá)式為：步驟二：根據(jù)步驟一所建立的車輪力通用動態(tài)模型，通過選取不同的模型參數(shù)，分別建立車輪力高動態(tài)模型和車輪力低動態(tài)模型；選擇αFxw、αFzw和αθ，使得車輪力通用動態(tài)模型分別適應(yīng)高動態(tài)車輪力和低動態(tài)車輪力。選擇αFxw＝1/10，αFzw＝1/10，αθ＝1/10，建立車輪力高動態(tài)模型。選擇αFxw本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種用于車輪力傳感器的交互式多模型濾波方法，其特征在于，包括如下步驟：步驟一：根據(jù)車輪力信號隨機(jī)性強(qiáng)的特點(diǎn)和車輪力傳感器直接輸出與真實(shí)車輪力之間的數(shù)學(xué)關(guān)系，建立基于Singer模型的車輪力通用動態(tài)模型；步驟二：根據(jù)步驟一中所建立的車輪力通用動態(tài)模型，通過選取不同的模型參數(shù)，分別建立車輪力高動態(tài)模型和車輪力低動態(tài)模型；步驟三：根據(jù)步驟二中建立的車輪力高動態(tài)模型和車輪力低動態(tài)模型，采用交互式多模型方法，實(shí)現(xiàn)對于全動態(tài)范圍車輪力信號的建模，并采用卡爾曼濾波器對車輪力信號進(jìn)行實(shí)時(shí)濾波。

【技術(shù)特征摘要】
1.一種用于車輪力傳感器的交互式多模型濾波方法，其特征在于，包括如下步驟：步驟一：根據(jù)車輪力信號隨機(jī)性強(qiáng)的特點(diǎn)和車輪力傳感器直接輸出與真實(shí)車輪力之間的數(shù)學(xué)關(guān)系，建立基于Singer模型的車輪力通用動態(tài)模型；步驟二：根據(jù)步驟一中所建立的車輪力通用動態(tài)模型，通過選取不同的模型參數(shù)，分別建立車輪力高動態(tài)模型和車輪力低動態(tài)模型；步驟三：根據(jù)步驟二中建立的車輪力高動態(tài)模型和車輪力低動態(tài)模型，采用交互式多模型方法，實(shí)現(xiàn)對于全動態(tài)范圍車輪力信號的建模，并采用卡爾曼濾波器對車輪力信號進(jìn)行實(shí)時(shí)濾波。2.根據(jù)權(quán)利要求1所述的一種用于車輪力傳感器的交互式多模型濾波方法，其特征在于，所述步驟一中建立車輪力通用動態(tài)模型的具體步驟如下：步驟1.1：定義k時(shí)刻的模型狀態(tài)量為：其中和分別為k時(shí)刻車輪縱向力、縱向力微分以及二次微分；和分別為k時(shí)刻車輪正壓力、正壓力微分以及二次微分；θk、和分別為k時(shí)刻車輪旋轉(zhuǎn)角度、旋轉(zhuǎn)角度微分以及二次微分；步驟1.2：根據(jù)步驟1.1中定義的參數(shù)構(gòu)建車輪力通用動態(tài)模型為：XS，k＝fS(T，α)XS，k-1+wS，k-1其中fS(T，α)＝diag[fS(T，αFxw)fS(T，αFzw)fS(T，αθ)]，T為采樣時(shí)間，F(xiàn)xw為牽引力和Fzw為正壓力，αFxw、αFzw和αθ分別為Fxw、Fzw和θ的變化率，WS，k-1為系統(tǒng)噪聲；其中fs(T，αFxw)、fs(T，αFzw)和fs(T，αθ)的具體表達(dá)式為：

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王東，馮李航，晏華文，
申請(專利權(quán))人：東南大學(xué)，
類型：發(fā)明
國別省市：江蘇,32