[發明專利]車輛質量辨識方法和系統

有效

• 申請號: 201180074966.4
• 申請日: 2011-11-22
• 公開（公告）號: CN103946679A
• 公開（公告）日: 2014-07-23
• 發明（設計）人: 馮源;熊璐;余卓平;韓衛軍
• 申請（專利權）人: 羅伯特·博世有限公司
• 主分類號: G01G19/08
• 分類號: G01G19/08
• 代理公司: 永新專利商標代理有限公司 72002
• 代理人: 蔡勝利

技術領域

本發明涉及用于車輛、尤其是電動車輛的質量辨識方法和系統。

背景技術

在現有的車輛控制系統中，各種傳感器被用于提供車輛和環境信息，例如輪速、車身加速度、環境溫度等等。然而，仍有一些信息，例如整車質量、路面附著系數等，不能通過傳感器直接獲得。如果能夠對一些未知參數進行有效地辨識的話，將會使得車輛控制系統的控制效果得到進一步的提高。例如，在車輛ASR和ABS系統中，各個車輪的垂直載荷信息對于控制車輪滑移或滑轉有重要的參考作用。

確定車輪垂直載荷的一個主要因素就是整車質量。因此，整車質量信息對于ASR系統中控制車輪滑動率是非常重要的。

車輛質量辨識方面已經作過了各種研究，現有估算車輛質量的方法主要歸類為基于傳感器的方法和基于動力學模型的方法。

基于傳感器的辨識方法通過添加相應的傳感器而提供了車輛質量辨識的簡單途徑。如從直接承載車輛質量的車輛懸架開始考慮，已發現用于實時質量辨識的傳感器可以安裝到懸架上(例如參看Rajamani?R.和Hedrick?J.K.,1995,“Adaptive?Observers?for?Active?Automotive?Suspensions:Theory?and?Experiment”,IEEE?Transactions?on?Control?System?Technology,3(1),pp.86-93；以及Fremd?R.,1987,“Apparatus?for?Measuring?the?Mass?of?a?Motor?Vehicle”,美國專利No.4,656,876)。在基于傳感器的辨識方法中，需要采用昂貴的傳感器，這會增加車輛的成本。

基于動力學模型的辨識方法通常采用車輛動力學模型，并且基于車輛數據例如發動機扭矩、車速、發動機速度、傳動比等等估算車輛質量，這些數據是預先已知的或是可以從CAN總線直接獲得。

考慮側向/橫擺動力學的基于動力學模型的辨識方法利用了這樣的事實，即車輛質量直接影響側向加速度和側傾路面、車輛轉向等引起的側向力之間的關系。一些側向/橫擺動力學方法使用卡爾曼濾波估算車輛狀況和參數。側向/橫擺動力學方法存在的缺點是模型復雜、獲取輸入參數困難和辨識精度低(例如參看Best?M.C.和Gordon?T.J.,2000,“Combined?State?and?Parameter?Estimation?of?Vehicle?Handling?Dynamics”,Proceedings?of?the?5th?International?Symposium?on?Advanced?Vehicle?Control(AVEC),Ann?Arbor,MI；以及Wenzel?T.A.,Burnham?K.J.,Blundell?M.V.,和Williamsn?R.A.,2004,“Approach?to?Vehicle?State?and?Parameter?Estimation?Using?Extended?Kalman?Filtering”,Proceedings?of?the?International?Symposium?on?Advanced?Vehicle?Control(AVEC))。

另一方面，考慮縱向動力學的基于動力學模型的辨識方法起始于車輛質量對車輛縱向力和縱向加速度之間的關系的直接影響。例如，一些縱向動力學方法使用遞推最小二乘法提供車輛質量和路面坡度的在線辨識。縱向動力學方法是有前景的，但作用于車輛的縱向力的合力不但受慣性力輸入的影響，還受道路坡度/梯度、空氣動力阻力等的影響。因此，現有的基于縱向動力學的方法仍然取決于滾動阻力、空氣阻力的測量值或車速的預設值，受到變化的路面坡度和縱向速度的影響(例如參看Ardalan?Vahidi,Anna?Stefanopoulou和Huei?Peng,“Recursive?Least?Squares?with?Forgetting?for?Online?Estimation?of?Vehicle?Mass?and?Road?Grade:Theory?and?Experiments”；以及Vincent?Winstead和Ilya?V.Kolmanovsky,2008,“Online?Vehicle?Mass?Estimation?Using?Recursive?Least?Squares?and?Supervisory?Data?Extraction”,2008American?Control?Conference)。