本發(fā)明屬于車輛工程領(lǐng)域，具體涉及車輛重心的在線實時估計以及在此基礎(chǔ)之上的側(cè)翻指數(shù)預(yù)測方法。

背景技術(shù)：

在所有交通事故中，車輛側(cè)翻是一種極其危險的惡性交通事故，常常會帶來嚴(yán)重的后果。重心高度的在線估計對開發(fā)有效的側(cè)翻指數(shù)預(yù)測方法意義重大。通過對重心高度的在線估計可以直接獲得車輛的動態(tài)側(cè)翻預(yù)警指數(shù)。目前常用的重心估計方法，如卡爾曼濾波和最小二乘法存在的主要問題是除了側(cè)向加速度和側(cè)傾角信號外，還需要側(cè)傾角速度和側(cè)傾角加速度等高階信號，使得估計結(jié)果容易受噪聲干擾的影響，估計效果不理想。此外，多數(shù)現(xiàn)存的側(cè)翻指數(shù)預(yù)測方法都假定重心高度為一恒定的常值，導(dǎo)致側(cè)翻預(yù)警指數(shù)不準(zhǔn)確，甚至失效。

技術(shù)實現(xiàn)要素：

為了克服已有側(cè)翻指數(shù)預(yù)測方法的可靠性較差、實時性較差的不足，本發(fā)明提供一種可靠性高、實時性好、需測信號少、成本較低、具有較好的普適性的基于重心高度在線估計的車輛側(cè)翻指數(shù)預(yù)測方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于重心高度在線估計的車輛側(cè)翻指數(shù)預(yù)測方法，所述預(yù)測方法包括以下過程：首先，根據(jù)動力學(xué)基本理論建立車輛側(cè)傾動力學(xué)模型；接著，借用自適應(yīng)濾波理論得到有關(guān)重心高度的參數(shù)辨識模型，該參數(shù)辨識模型只需要側(cè)向加速度和相對側(cè)傾角傳感器信號作為輸入；針對參數(shù)辨識模型通過設(shè)計濾波矩陣提出一種由參數(shù)誤差信息驅(qū)動的自適應(yīng)率，實現(xiàn)重心高度的在線實時自適應(yīng)估計；最后，根據(jù)橫向載荷轉(zhuǎn)移率基本公式，得到一種基于重心高度在線估計的側(cè)翻指數(shù)預(yù)測方法。

進(jìn)一步，所述預(yù)測方法包括以下步驟：

step1、根據(jù)動力學(xué)基本原理可以得到車輛側(cè)傾動力學(xué)方程如下：

其中，jxeq＝j(luò)xx+mh²表示等效側(cè)傾轉(zhuǎn)動慣量，jxx表示側(cè)傾轉(zhuǎn)動慣量，m為車輛質(zhì)量，h為重心高度，c為側(cè)傾阻尼，k為側(cè)傾剛度，a為側(cè)向加速度，g為重力加速度常數(shù)，φs,分別為簧載質(zhì)量側(cè)傾角、側(cè)傾角速度和側(cè)傾角加速度，φu,分別為非簧載質(zhì)量側(cè)傾角、側(cè)傾角速度；

step2、將step1中的車輛側(cè)傾動力學(xué)方程寫成一般參數(shù)辨識的形式：

z＝ψρ

其中，z＝acosφs+gsinφs,ρ＝[ρ1,ρ2,ρ3]^t,

step3、在step2中的參數(shù)辨識方程兩邊同時進(jìn)行濾波操作：

其中，ρ＝[ρ1,ρ2,ρ3]^t,2階穩(wěn)定濾波器λ(s)＝s²+λ1s+λ2，λ1＞0,λ2＞0，s為拉普拉斯算子；

step4、定義輔助變量g(t),h(t),l(t)如下：

其中，t表示時間，l為濾波常數(shù)；

由上述定義得到包含參數(shù)誤差信息的變量進(jìn)一步得針對step3中的參數(shù)辨識方程設(shè)計的由參數(shù)誤差驅(qū)動的在線自適應(yīng)更新率：

其中，p表示自適應(yīng)在線學(xué)習(xí)增益；

step5、由step3中的參數(shù)辨識方程和step4中的在線自適應(yīng)更新率，通過傳感器測量得到側(cè)向加速度、簧載質(zhì)量側(cè)傾角和非簧載質(zhì)量側(cè)傾角信號作為辨識算法的輸入量，得到ρ的參數(shù)估計值由等式方程組得重心高度的估計值，同時獲得側(cè)傾阻尼和側(cè)傾剛度的估計值；當(dāng)時，由等式來求解重心高度h時，會存在兩個不同的數(shù)值解，從車輛穩(wěn)定性角度考慮，取較大的數(shù)值解作為此時的重心高度，確保車輛安全穩(wěn)定行駛；當(dāng)時，通過使p＝0停止更新的值，此時的重心高度將保持上一時刻的值；

step6、根據(jù)橫向載荷轉(zhuǎn)移率基本公式其中-1≤i≤1；假設(shè)簧載質(zhì)量的側(cè)傾主要由側(cè)向加速度引起，則得到車輛動態(tài)側(cè)翻預(yù)測指標(biāo)在由step1-step5實時求得重心高度h后，將其帶入動態(tài)側(cè)翻指標(biāo)中，實現(xiàn)基于重心高度在線估計的車輛側(cè)翻指數(shù)的預(yù)測。

本發(fā)明的有益效果主要表現(xiàn)在：重心高度的估計只需要側(cè)向加速度和側(cè)傾角傳感器信號，避免了側(cè)傾角速度和側(cè)傾角加速度高階信號的使用，從而有效的降低了噪聲干擾對估計精度的影響。此外，通過在線重心高度實時估計來設(shè)計側(cè)翻指數(shù)預(yù)測方法，從而取代基于恒定重心高度的側(cè)翻指數(shù)預(yù)測方法，大大提高了側(cè)翻預(yù)警系統(tǒng)的準(zhǔn)確性。

附圖說明

圖1為本發(fā)明所提出的用于構(gòu)建車輛側(cè)傾動力學(xué)模型的系統(tǒng)示意圖；

圖2為本發(fā)明所提出的基于重心高度在線估計的車輛側(cè)翻指數(shù)預(yù)測方法流程圖；

圖3為本發(fā)明應(yīng)用于實際例子中的轉(zhuǎn)角階躍輸入信號；

圖4為本發(fā)明應(yīng)用于實際例子中對重心高度的實時估計結(jié)果；

圖5為本發(fā)明應(yīng)用于實際例子中對側(cè)翻指標(biāo)的估計結(jié)果。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。

參照圖1～圖5，一種基于重心高度在線估計的車輛側(cè)翻指數(shù)預(yù)測方法，首先，根據(jù)動力學(xué)基本理論建立車輛側(cè)傾動力學(xué)模型；接著，借用自適應(yīng)濾波理論得到有關(guān)重心高度的參數(shù)辨識模型，該參數(shù)辨識模型只需要側(cè)向加速度和相對側(cè)傾角傳感器信號作為輸入，避免了難以直接獲得的側(cè)傾角速度和側(cè)傾角加速度高階信號，以降低測量誤差和干擾帶來的影響；針對參數(shù)辨識模型通過設(shè)計濾波矩陣提出一種由參數(shù)誤差信息驅(qū)動的自適應(yīng)率，實現(xiàn)重心高度的在線實時自適應(yīng)估計；最后，根據(jù)橫向載荷轉(zhuǎn)移率基本公式，得到一種基于重心高度在線估計的側(cè)翻指數(shù)預(yù)測方法。

所述方法是依次按照以下步驟實現(xiàn)：

step1、根據(jù)動力學(xué)基本原理可以得到車輛側(cè)傾動力學(xué)方程如下：

其中，jxeq＝j(luò)xx+mh²表示等效側(cè)傾轉(zhuǎn)動慣量，jxx表示側(cè)傾轉(zhuǎn)動慣量，m為車輛質(zhì)量，h為重心高度，c為側(cè)傾阻尼，k為側(cè)傾剛度，a為側(cè)向加速度，g為重力加速度常數(shù)，φs,分別為簧載質(zhì)量側(cè)傾角、側(cè)傾角速度和側(cè)傾角加速度，φu,分別為非簧載質(zhì)量側(cè)傾角、側(cè)傾角速度。

step2、進(jìn)一步可以將step1中的車輛側(cè)傾動力學(xué)方程寫成一般參數(shù)辨識的形式：

z＝ψρ

其中，z＝acosφs+gsinφs,ρ＝[ρ1,ρ2,ρ3]^t,

step3、在step2中的參數(shù)辨識方程兩邊同時進(jìn)行濾波操作：

其中，ρ＝[ρ1,ρ2,ρ3]^t,2階穩(wěn)定濾波器λ(s)＝s²+λ1s+λ2，λ1＞0,λ2＞0，s為拉普拉斯算子。

step4、定義輔助變量g(t),h(t),l(t)如下：

其中，t表示時間，l為濾波常數(shù)。

由上述定義可得到包含參數(shù)誤差信息的變量進(jìn)一步可得針對step3中的參數(shù)辨識方程設(shè)計的由參數(shù)誤差驅(qū)動的在線自適應(yīng)更新率：

其中，p表示自適應(yīng)在線學(xué)習(xí)增益。

step5、由step3中的參數(shù)辨識方程和step4中的在線自適應(yīng)更新率，通過傳感器測量得到側(cè)向加速度、簧載質(zhì)量側(cè)傾角和非簧載質(zhì)量側(cè)傾角信號作為辨識算法的輸入量，可以得到ρ的參數(shù)估計值由等式方程組可得重心高度的估計值，同時可獲得側(cè)傾阻尼和側(cè)傾剛度的估計值。需要指出的是，當(dāng)時，由等式來求解重心高度h時，會存在兩個不同的數(shù)值解，從車輛穩(wěn)定性角度考慮，取較大的數(shù)值解作為此時的重心高度，確保車輛安全穩(wěn)定行駛。當(dāng)時，通過使p＝0停止更新的值，此時的重心高度將保持上一時刻的值。

step6、根據(jù)橫向載荷轉(zhuǎn)移率基本公式其中-1≤i≤1。假設(shè)簧載質(zhì)量的側(cè)傾主要由側(cè)向加速度引起，則可以得到車輛動態(tài)側(cè)翻預(yù)測指標(biāo)在由step1-step5實時求得重心高度h后，將其帶入動態(tài)側(cè)翻指標(biāo)中，可以得到于重心高度在線估計的車輛側(cè)翻指數(shù)預(yù)測方法。其中，t為輪距。

利用所提一種基于重心高度在線估計的車輛側(cè)翻指數(shù)預(yù)測方法對一中型長途客車進(jìn)行估計，所述方法的具體步驟如下：

step1、由動力學(xué)基本原理可以得到車輛側(cè)傾動力學(xué)方程如下：

其中，jxeq＝j(luò)xx+mh²表示等效側(cè)傾轉(zhuǎn)動慣量，側(cè)傾轉(zhuǎn)動慣量jxx＝7695.6kg·m²，簧載質(zhì)量m＝6360kg，參考重心高度h＝1m，重力加速度常數(shù)g＝9.8kg·m^-2，a為側(cè)向加速度，側(cè)傾阻尼c＝15.91knms/rad，側(cè)傾剛度k＝303.77knm/rad，φs,分別為簧載質(zhì)量側(cè)傾角、側(cè)傾角速度和側(cè)傾角加速度，φu,分別為簧載質(zhì)量側(cè)傾角、側(cè)傾角速度。

step2、進(jìn)一步可以將step1中的車輛側(cè)傾動力學(xué)方程寫成一般參數(shù)辨識的形式：

z＝ψρ

其中，z＝acosφs+gsinφs,ρ＝[ρ1,ρ2,ρ3]^t,

step3、在step2中的參數(shù)辨識方程兩邊同時進(jìn)行濾波操作：

其中，ρ＝[ρ1,ρ2,ρ3]^t,2階穩(wěn)定濾波器λ(s)＝s²+λ1s+λ2，λ1＝4,λ2＝5，s為拉普拉斯算子。

step4、定義輔助變量g(t),h(t),l(t)如下：

其中，t表示時間，濾波常數(shù)l＝10。

由上述定義可得到包含參數(shù)誤差信息的變量進(jìn)一步可得針對step3中的參數(shù)辨識方程設(shè)計的由參數(shù)誤差驅(qū)動的在線自適應(yīng)更新率：

其中，p＝diag[2000,2020]表示自適應(yīng)在線學(xué)習(xí)增益。

step5、選用縱向速度為60km/h,轉(zhuǎn)角為階躍輸入的行駛工況，得到側(cè)向加速度、簧載質(zhì)量側(cè)傾角和非簧載質(zhì)量側(cè)傾角信號作為辨識算法的輸入量，由step3中的參數(shù)辨識方程和step4中的在線自適應(yīng)更新率，可以得到ρ的參數(shù)估計值由等式方程組可得重心高度的估計值，同時可獲得側(cè)傾阻尼和側(cè)傾剛度的估計值。需要指出的是，當(dāng)時，由等式來求解重心高度h時，會存在兩個不同的數(shù)值解，從車輛穩(wěn)定性角度考慮，取較大的數(shù)值解作為此時的重心高度，確保車輛安全穩(wěn)定行駛。當(dāng)時，通過使p＝0停止更新的值，此時的重心高度將保持上一時刻的值。

step6、根據(jù)橫向載荷轉(zhuǎn)移率基本公式其中-1≤i≤1。假設(shè)簧載質(zhì)量的側(cè)傾主要由側(cè)向加速度引起，則可以得到車輛動態(tài)側(cè)翻預(yù)測指標(biāo)在由step1-step5實時求得重心高度h后，將其帶入動態(tài)側(cè)翻指標(biāo)中，可以得到于重心高度在線估計的車輛側(cè)翻指數(shù)預(yù)測方法。其中，t為輪距。

根據(jù)上述步驟，可得該實例運(yùn)行結(jié)果如圖4和圖5所示。