[發明專利]一種估測電動汽車制動壓力的方法和設備

有效

• 申請號: 201911136412.7
• 申請日: 2019-11-19
• 公開（公告）號: CN110843755B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 周健豪;曹瀚璋;孫靜;周之光;趙萬忠;宋廷倫
• 申請（專利權）人: 奇瑞汽車股份有限公司
• 主分類號: B60T17/22
• 分類號: B60T17/22;G06N3/08
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 唐述燦

1.一種估測電動汽車制動壓力的方法，其特征在于，所述方法，包括：

采集實驗車輛在各個不同工況下行駛時CAN總線上的數據、傳感器上的數據和制動主缸的制動壓力；

將所述CAN總線上的數據和所述傳感器上的數據作為輸入數據，所述制動主缸的制動壓力作為基準數據，基于貝葉斯算法反向傳播訓練需要訓練的人工神經網絡模型，獲得訓練后的人工神經網絡模型；

將實際車輛在所述各個不同工況下行駛時的CAN總線上的數據以及所述傳感器上的數據輸入訓練后的人工神經網絡模型，估測所述實際車輛中制動主缸的制動壓力。

2.根據權利要求1所述的方法，其特征在于，所述CAN總線上的數據，包括：電動汽車速度、電池荷電狀態、電池電流、電池電壓、電機轉矩、電機轉速、電池電流變化率和電池電壓變化率。

3.根據權利要求1所述的方法，其特征在于，所述傳感器上的數據，包括：

毫米波雷達傳感器上的數據和坡度傳感器上的數據，其中，所述毫米波雷達傳感器測量所述實驗車輛與前方車輛的距離，所述坡度傳感器測量所述實驗車輛所在前方道路的坡度。

4.根據權利要求1所述的方法，其特征在于，所述采集實驗車輛在各個不同工況下行駛時CAN總線上的數據、傳感器上的數據和制動主缸的制動壓力，包括：

以預設的采樣頻率采集所述實驗車輛在各個不同工況下行駛時所述CAN總線上的數據、所述傳感器上的數據以及所述制動主缸的制動壓力，并對采集到數據進行平滑處理和歸一化處理。

5.根據權利要求1所述的方法，其特征在于，所述將所述CAN總線上的數據和所述傳感器上的數據作為輸入數據，所述制動主缸的制動壓力作為基準數據，基于貝葉斯算法反向傳播訓練需要訓練的人工神經網絡模型，獲得訓練后的人工神經網絡模型，包括：

將同一時刻在所述實驗車輛上采集到的所述CAN總線上的數據、所述傳感器上的數據以及所述制動主缸的制動壓力作為一個子樣本，在K個不同時刻采集所述實驗車輛在所述各個不同工況下行駛時所述CAN總線上的數據、所述傳感器上的數據以及所述制動主缸的制動壓力，獲得K個子樣本；

進行K次訓練，其中在每次訓練中選取K個子樣本中的一個子樣本，并將其他K-1個子樣本輸入本次訓練過程中需要訓練的人工神經網絡模型中，基于所述貝葉斯算法反向傳播訓練本次訓練過程中需要訓練的人工神經網絡模型，獲得在本次訓練過程中訓練后的人工神經網絡模型，本次訓練過程中訓練后的人工神經網絡模型作為下一次訓練過程中需要訓練的人工神經網絡模型，其中每次訓練中選取出的子樣本彼此不同；

在完成K次訓練過程之后，獲得訓練后的人工神經網絡模型。

6.根據權利要求5所述的方法，其特征在于，所述獲得在本次訓練過程中訓練后的人工神經網絡模型之后，方法還包括：

在每次訓練完成后，將在本次訓練中選取出的子樣本輸入本次訓練后的人工神經網絡模型中，獲得本次訓練過程中訓練后的人工神經網絡模型輸出的驗證數據，從而K次訓練共獲得K個驗證數據；

基于所述K個子樣本中的制動壓力，以及所述K個驗證數據，獲得決定系數和均方根。

7.根據權利要求6所述的方法，其特征在于，所述基于所述K個子樣本中的制動壓力，以及所述K個驗證數據，獲得決定系數和均方根，包括：

根據所述K個子樣本中的制動壓力，以及所述K個驗證數據，確定訓練后的人工神經網絡模型的均方根，所述均方根利用下式：

其中，MSE表示為所述訓練后的人工神經網絡模型的均方根，K表示為所述子樣本的數目，X_i表示為在第i次訓練中選取出的子樣本中的制動壓力，Y_i表示為在第i次訓練中獲得的驗證數據。