考虑复杂激励条件的分布式驱动电动汽车路面附着系数自适应估计方法

路面峰值附着系数是实现车辆高品质运动控制的关键参数,参数估计的精度与实时性会极大地影响控制的效果,而多数动力学估计算法受限于车辆的激励条件,难以达到满意的估计效果。设计一种模糊自适应路面附着系数融合估计方法,充分利用车辆纵侧向激励,以实现算法对车辆不同行驶工况的估计适应能力。分别设计不同激励条件下的路面附着系数估计方法,通过车辆状态参数判断满足的激励条件,模糊推理出当前纵侧向轮胎力所能达到的极限,并据此设计融合观测器进行估计结果融合。多工况仿真和实车试验的结果表明,融合观测器在高低附路面下和不同轮胎力激励时能快速估计出路面的峰值附着系数,估计精度较高,同时对轮胎力纵侧耦合的工况具有一定的鲁棒自适应性。     

基于递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的车辆状态估计

针对汽车状态估计中模型参数的变化和观测噪声的时变特性,提出了递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的汽车状态估计算法。为实现模型参数与观测噪声的实时更新,建立了基于三自由度非线性车辆动力学模型的算法,首先利用递推最小二乘法对汽车的总质量进行估计,其次建立了模糊控制器对扩展卡尔曼滤波的观测噪声进行实时跟踪。在搭建的CarSim与MATLAB/Simulink联合仿真平台中验证了该算法的有效性,结果表明该算法估计精度高于传统扩展卡尔曼滤波算法,研究结果为汽车的主动安全控制提供了理论支持。     

分布式驱动电动汽车双无迹卡尔曼滤波状态参数联合观测

为实时观测分布式驱动电动汽车行驶过程中的车身质心侧偏角等状态及车辆惯性参数如车辆质量、横摆转动惯量等信息,针对车辆惯性参数估计易敏感于载荷参数变化的挑战,发展面向载荷参数不确定（乘客或货物加载）的纵向、侧向、横摆运动的四轮车辆非线性动力学系统估计模型,在融合轮毂转矩等车载多传感器信息的基础上,将能适应强非线性系统的无迹卡尔曼滤波引入到车辆惯性参数估计中,设计车辆并联双无迹卡尔曼滤波状态参数联合观测系统,其中一个无迹卡尔曼滤波器观测车辆速度、车身质心侧偏角等状态,而另一个无迹卡尔曼滤波器观测车辆惯性参数。在CarSim/Matlab高保真环境中使用双移线、正弦工况对观测器在不同的载荷加载条件的可行性和有效性进行仿真验证,结果表明：该观测系统能实时观测车辆运行的状态及车辆惯性参数,即使在重载荷加载条件下仍具有较高的观测精度。     

S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。     

基于状态反馈的分布式驱动电动汽车操纵性改善控制方法

研究分布式驱动电动汽车直接横摆力矩控制问题。提出基于状态反馈的操纵性改善控制策略：利用横摆角速度反馈改善车辆的横摆角速度瞬态响应,利用转向角前馈提高车辆的稳态横摆角速度增益。根据反馈系数对车辆瞬态响应特性的影响建立优化函数,获取不同车速下最优反馈系数。基于转向助力需求设计前轴差动转矩约束,再结合后轴的电动机外特性约束,获取不同车速下最大前馈系数。设计四轮转矩分配策略,在实现直接横摆力矩控制的同时满足驾驶员的加速需求。多工况下仿真验证表明,算法在改善横摆角速度的瞬态响应和稳态增益的同时可以减少转向盘力矩,降低驾驶员操作负荷;直接横摆力矩的引入有效地抑制了加速过程中的不足转向,平衡了前后轴的侧向附着利用率,提高了车辆的侧向稳定裕度。     

利用双卡尔曼滤波算法估计电动汽车用锂离子动力电池的内部状态

以电动汽车的研发为背景,建立用于电动汽车中作为辅助动力源的锂离子动力蓄电池的等效物理模型及其离散形式的状态空间方程,然后分别介绍如何基于卡尔曼滤波算法在线估计电池内部的荷电状态和寿命状态。在此基础上,介绍利用双卡尔曼滤波算法同时在线估计荷电状态和寿命状态的算法原理,并设计出相关的电池测试试验,利用在此试验过程中所采集的包括电流、电压等数据对电池的内部状态进行估计。对试验结果的分析表明,利用双卡尔曼滤波算法在线估计电池内部状态是有效的,并且估计精度也相对较高,可以较好地反映电池内部的真实状态。     

基于双重扩展自适应卡尔曼滤波的汽车状态和参数估计

准确实时地获取行驶过程中的状态信息是汽车动态控制系统研究的关键,为此提出了一种新的汽车状态估计器。建立了包含不准确模型参数和未知时变统计特性噪声的非线性汽车动力学模型,针对该非线性系统提出一种双重扩展自适应卡尔曼滤波算法（DEAKF）。该算法采用两个卡尔曼滤波器并行运算,状态估计和参数估计互相更新,同时将带遗忘因子的噪声统计估值器嵌入到状态校正过程和参数校正过程之间,以解决系统的噪声时变问题。基于ADAMS的虚拟试验和实车试验结果表明,该算法的状态估计精度高于EKF方法和DEKF方法的状态估计精度,同时具有良好的模型参数校正能力,对汽车动态控制系统中估计器的设计具有理论指导意义。
     

基于NACKF的分布式驱动电动汽车轮胎侧向力与质心侧偏角估计

针对传统容积卡尔曼滤波算法在进行车辆关键状态估计时要求噪声统计特性已知的问题,提出一种噪声自适应容积卡尔曼滤波（Noise adaptive cubature Kalman filter, NACKF）算法来进行车辆关键状态的估计。基于次优无偏极大后验估计器对量测噪声协方差进行实时更新并将其嵌入到标准容积卡尔曼算法中实现自适应容积卡尔曼滤波。针对车辆不同子系统间耦合特性对滤波精度的影响,构建双重自适应容积卡尔曼滤波器分别进行侧向力与质心侧偏角的估计,两者在估计过程中互为输入构成闭环反馈,利用分布式模块化结构弱化系统耦合特性对估计精度的影响,实现轮胎侧向力与质心侧偏角的实时准确估计。利用Simulink-Carsim联合仿真平台进行仿真验证和实车试验验证。结果表明,基于双重自适应容积卡尔曼滤波的估计算法相对标准容积卡尔曼滤波估计精度更高,较好地改善了传统容积卡尔曼滤波器在噪声先验统计特性未知条件下非线性滤波精度下降的问题。     

分布式电动汽车状态与参数无迹卡尔曼滤波估计

为提高分布式电动汽车的控制性能,提出一种更加综合、全面的车辆状态及参数估计方法。针对车辆在行驶过程中某些动力学状态及参数难以实时量测的问题,以分布式电驱动汽车为研究对象,探讨基于无迹卡尔曼滤波的车辆状态估计及参数识别方法。建立7自由度时变参数车辆模型;以车辆易于测量的纵向加速度、侧向加速度、横摆角速度和轮速为观测变量,通过状态扩维,将车辆相关参数引入到车辆状态矢量中,采用无迹卡尔曼滤波算法设计一种车辆状态和参数的联合观测器,以便同时估计和辨识车辆纵向速度、侧向速度、轮胎侧向力、车辆质量、转动惯量、质心位置及其高度;在Simulink/Carsim平台上进行鱼钩角输入、滑行和加速工况的仿真验证,结果表明,该联合观测器能够有效的估计和辨识出上述相关车辆状态和参数,收敛效果较好。     

分布式驱动电动汽车关键技术分析

近年来,全球能源紧缺和环境污染问题已经成为世界性问题,传统的汽车属于高能耗、高污染的产业,全球汽车产业都开始积极探索新的发展道路,朝着电动化、智能化的方向发展。在这一背景下,电动汽车应运而生,分布式驱动电动汽车是电动汽车的一种,其关键技术研发一直都是许多汽车和工业专家研究的热点。     

基于扩展卡尔曼滤波的电动汽车锂离子电池SOC估算

新能源汽车的高速发展主要依赖于动力电池技术水平的突破,动力电池管理系统(BMS)是其关键技术所在。动力电池荷电状态(SOC)是动力电池的重要参数,该参数可表示电池所剩容量的多少,是动力电池管理系统(BMS)对动力电池进行能量管理和控制的关键参数,同时对新能源整车动力系统控制提供主要依据。本文根据锂离子动力电池的基本工作原理,建立二阶RC的等效电路模型,应用由卡尔曼滤波算法(KF)更新后的扩展卡尔曼滤波算法(EKF)对锂离子动力电池SOC进行估计计算,发现该算法具有较高精度,且预估能力较强。     

[分布式驱动电动汽车动力学控制]基于转矩协调分配的分布式驱动电动汽车稳定性控制

A hierarchical vehicle-stability-control method was presented based on the longitudinal force distribution optimization for the handling and stability control of the distributed-driven electric vehicles. The eight-degree-freedom vehicle models and the three-layer control systems were developed. By selecting the sideslip angle and the yaw rate as the state variables and introducting the virtual control to decouple two control variables,  the integral 2-DOF vehicle models were adopted to calculate the equivalent yaw moments for the vehicle stability in upper controllers. The linear quadratic regulator （LQR） method was utilized to optimize the distribution of the front and rear steering angles and the tire longitudinal forces in middle controllers. The sliding-mode-based slip controller in the lower layer was also designed to reallocate the wheel torques. Simulation results show that the control system may make full use of the adhesion potential of the tire under high speed and extreme conditions, realize the coordinated distribution of wheel torques and improve the steering stability of the vehicles. When the actuators fail, the system may reconstruct effectively and realize the reallocation of control inputs to improve the safety of the vehicles.     

U-卡尔曼滤波在状态估计中的应用

本文介绍了新的滤波估计方法-U卡尔曼滤波.UKF能给出最佳估计的至少二阶近似.本文通过一个时间序列的仿真实例说明UKF比EKF的估计精度要高.     

基于双卡尔曼滤波算法的动力电池内部温度估计

准确的内部温度估计对提高动力电池使用安全和可靠性极为重要,然而,受限于传感器和测试手段等因素,内部温度难以实时获取。通过融合Bernardi电池生热模型与热路传热模型,应用状态方程分析法实施了电池内外温度的表达,建立了温度的离散时间系统;利用双扩展卡尔曼滤波,建立电池内部温度和环境参数的实时估计模型,实现了电池内部温度在线估计。基于内置温度传感器的动力电池测试验证表明,该方法能在线估算锂离子动力电池的内部温度,估计误差小于1℃,为动力电池的实时安全监控提供了有力保障。     

基于扩展卡尔曼滤波的锂离子电池荷电状态估计

针对电池荷电状态（SOC）难以准确估计的问题,采用扩展卡尔曼滤波方法来提高SOC的估计精度。首先以磷酸铁锂电池为研究对象,建立了电池的PNGV等效电路模型,并采用充放电实验和离线辨识的方法得到模型中的参数,得到了开路电压、欧姆内阻、极化内阻和极化电容与SOC的多项式函数关系;然后,对模型进行验证,并分析了模型的准确性;最后,在实际工况下,运用扩展卡尔曼滤波方法估计锂离子电池的SOC值,并与安时法计算的SOC值进行比较。结果表明,PNGV模型结合扩展卡尔曼滤波方法估计的锂离子电池SOC值的最大误差仅为2.78%,提高了电池SOC的估计精度。     

基于几何扩展卡尔曼滤波的四旋翼位姿估计算法

主要对基于四旋翼飞行器的位姿估计算法进行研究,设计了基于惯性导航系统和全球定位系统(GPS)的几何扩展卡尔曼滤波算法。首先采用旋转矩阵表示姿态,并构造了相应的旋转矩阵误差,同时将陀螺仪和加速度计的漂移通过几何变换表示在同一坐标系下求差以获得漂移误差。在此基础上,推导了几何扩展卡尔曼滤波算法。最后,通过MATLAB仿真验证所设计算法的性能,仿真实验表明,所提出的算法可实现四旋翼飞行器的位姿估计。     

独立驱动电动汽车质心侧偏角融合估计方法

针对传统质心侧偏角估计精度低、实时性差等问题,把四轮独立驱动电动汽车作为研究对象,提出一种基于强跟踪卡尔曼滤波及无迹卡尔曼滤波融合估计的质心侧偏角估计方法。由于汽车在侧向加速度较小时车辆动力学特性基本呈线性变化,此时通过强跟踪卡尔曼滤波快速估计,当汽车侧向加速度较大时车辆动力学特性趋于非线性变化,通过无迹卡尔曼滤波准确估计。最后将两种估计方法的数据融合,完成不同车速不同工况下对车辆质心侧偏角的估计。搭建Simulink-Carsim联合仿真平台对提出的方法进行验证,结果表明该方法在保证估计精度的同时具有较好的实时跟踪效果及鲁棒性。     

基于能量法的分布式驱动电动汽车防侧翻控制

分布式驱动电动汽车具有优越的侧倾稳定性控制功能,但基于横向载荷转移率评价进行控制并不能充分发挥其技术优势。为提升该类车型恶劣工况下的防侧翻控制能力,针对当前侧翻评价指标的不足,开展基于能量转化评价的稳定性控制研究。针对该类车型的结构特点,建立车辆系统坐标系,借助欧拉旋转角法推导了整车在侧翻运动过程中动能、势能和耗散能的表达方程;通过计算车辆失稳能量阈值与车辆实时失稳能量,提出综合多因素的车辆稳定性评价指标;基于侧翻动力学模型设计出防侧翻滑模控制器;通过在分布式驱动系统力矩阈值范围内开展基于驱动轮力矩分配的差动驱动,实现了整车的防侧翻控制。研究表明,基于能量法制定的空间失稳评价指标相较于横向载荷转移率而言,更能准确、灵敏地反映整车侧倾运动状态的变化趋势,基于其设计的防侧翻控制方法通过主动分配两侧驱动力矩,削弱了相关能量转化,有效抑制了整车侧倾运动,显著提高了侧倾稳定性。     

基于扩展卡尔曼滤波的镍氢电池SOC估计

针对电池SOC估计所用安时积分法的缺陷,本文采取了EKF(扩展卡尔曼滤波)算法,在描述电池模型系统的状态方程和观测方程上应用这种算法估算SOC值。通过实验看到了,EKF算法不存在安时积分法的误差累积问题且有对错误初始SOC值的自我纠正能力,而且较为精确和稳定,其估算误差的小于5%。     

基于扩展卡尔曼滤波算法的燃料电池车用锂离子动力电池荷电状态估计

针对燃料电池汽车用锂离子动力蓄电池建立一个简单物理模型和一个复杂物理模型,它们分别以不同等效电路来描述电池的动态特性,然后将这两个物理模型中各物理量和状态量之间的关系表达成离散化的状态空间方程.在此基础上,利用在燃料电池汽车实车运行过程中测得的包括电流、电压等数据,基于扩展卡尔曼滤波算法对锂离子动力电池的荷电状态进行估计,并对利用两种模型进行估计的结果进行比较分析.分析结果表明,基于电池等效电路模型的卡尔曼滤波电池荷电状态估计算法是有效的,并且电池模型对估计结果的影响较大,利用精确的电池模型容易达到较高的估计精度.