基于多传感器融合的分布式电动汽车状态参数估计

作     者：刘亚铭 

作者单位：安徽工程大学 

学位级别：硕士

导师姓名：张荣芸;魏振亚

授予年度：2023年

学科分类：08[工学] 0807[工学-动力工程及工程热物理] 

主      题：分布式驱动 状态参数估计 广义容积积分 数据融合 高阶CKF 原子搜索优化算法 

摘      要：近年来,作为我国实现能源转型的重要手段之一,电动汽车产业得到了蓬勃发展。分布式驱动电动汽车作为电动汽车的重要类型,相比于传统集中式驱动电动汽车来说,其电机驱/制动力矩独立可控,且控制精度高,响应更加迅速。分布式电驱动是智能汽车动力传动发展的主要趋势,而能否精准获取汽车行驶状态参数是智能汽车做出正确决策与控制的基础。由于技术与成本问题,难以直接通过传感器获得质心侧偏角等部分车辆状态参数的实时数据,因此研究一种精准度高和稳定性强的算法来对其进行实时估计是十分必要的。对分布式电动汽车行驶状态参数进行准确估计,一直是国内外学者研究的热点。目前,用来对车辆状态参数进行估计的主要算法有非线性观测器、滑模观测器和卡尔曼滤波观测器,其中在车辆状态参数估计方面应用最广的算法是卡尔曼及其改进算法。针对分布式电动汽车行驶状态参数估计问题,本文的主要研究工作如下:(1)介绍了分布式驱动电动汽车状态参数估计的研究背景,并采用高阶容积卡尔曼滤波作为估计算法的研究基础,其次分析车辆非线性动力学公式,并在Simulink/Carsim软件上搭建分布式驱动电动汽车仿真平台。(2)对传统的CKF进行改进,通过广义容积积分来代替球面-相径积分,直接求得算法的容积点和权值,改善了容积卡尔曼滤波的高阶扩展性以及对多维系统的鲁棒性。(3)使用正交三角分解来代替Cholesky分解。Cholesky分解对误差协方差矩阵P进行求解处理,很容易产生不正定矩阵,从而中断Cholesky分解,导致算法崩溃。为了改进该算法的整体稳定性,本文引入了平方根滤波思想,让正交三角分解代替Cholesky分解,在保证了数据迭代稳定性的同时提高了估计精度。(4)针对汽车多传感器系统的局部融合问题,其互协方差矩阵往往难以获得,因此本文通过ICI融合算法,在传感器之间的互协方差未知的情况下,来降低未知的公共信息重复计算的问题,提高算法的估计精度。(5)车辆正常行驶中,其系统的过程噪声协方差矩阵Q和量测噪声协方差矩阵R均为未知噪声,而Q矩阵和R矩阵对滤波器的估计精度起着至关重要的作用。因此,本研究采用原子搜索优化算法(Atom Search Optimization,ASO)来对噪声协方差矩阵(Q,R)寻求最优噪声值,提高算法的估计精度。(6)在仿真和实车实验平台上进行双移线工况实验和蛇形工况实验,将传感器在实验过程中采集到的数据与算法的估计值进行对比分析,进一步验证了本文所提出的状态参数估计算法的有效性和鲁棒性。