為有效解決復(fù)雜行駛工況下車輛耦合側(cè)傾運動狀態(tài)無法精確獲取,進而對車輛系統(tǒng)操縱穩(wěn)定性與乘坐舒適性兼顧優(yōu)化無法提供準確輸入的難題,本文中設(shè)計了基于車輛垂向與橫向耦合動力學(xué)的雙非線性狀態(tài)觀測器算法,以實現(xiàn)復(fù)雜行駛工況下車輛耦合側(cè)傾運動狀態(tài)的實時準確估計。首先,建立了路面激勵模型與整車系統(tǒng)垂向與橫向耦合動力學(xué)模型;接著,利用無跡卡爾曼濾波方法（UKF）與非線性模糊觀測（T-S）理論,設(shè)計了非線性狀態(tài)觀測算法,以在不同路面激勵工況下對車輛系統(tǒng)簧載質(zhì)量與側(cè)傾狀態(tài)進行聯(lián)合估計;最后,運用CarSim^?動力學(xué)軟件,對比分析了在標準A級與C級路面上進行J-turn試驗工況下,采用聯(lián)合狀態(tài)觀測器（UKF&T-S）實時估計車輛側(cè)傾角與側(cè)傾率的觀測精度。結(jié)果表明,本文所設(shè)計的UKF&T-S觀測器可有效估計車輛側(cè)傾狀態(tài),且與CarSim^?仿真數(shù)據(jù)相比識別狀態(tài)標準偏差不超過10%。 

【文章來源】：汽車工程. 2020,42(05)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

出版文章趨勢:谷歌學(xué)術(shù)關(guān)于車輛側(cè)

不確定的系統(tǒng)參數(shù)可能會污染系統(tǒng)模型,進而基于模型的狀態(tài)估計算法識別誤差劇增。基于以上分析,此處利用非線性無跡卡爾曼濾波(UKF)方法識別車輛簧載質(zhì)量參數(shù),且通過仿真方法驗證其有效性[7]。同時,在文獻[8]中利用擴展卡爾曼與無跡卡爾曼相結(jié)合的非線性狀態(tài)觀測算法對車輛簧載質(zhì)量與橫擺力矩進行了有效估計;近年來相關(guān)學(xué)者對車輛簧載質(zhì)量估計的研究統(tǒng)計如圖2所示。為進一步提高車輛側(cè)傾狀態(tài)識別精度,本文中設(shè)計了基于無跡卡爾曼濾波與模糊觀測器(T-S)聯(lián)合的非線性估計算法(UKF&T-S)分別對車輛簧載質(zhì)量與側(cè)傾狀態(tài)進行耦合估計,結(jié)合商業(yè)化CarSim?動力學(xué)軟件與傳統(tǒng)T-S觀測器,對UKF&T-S算法進行了有效驗證,為利用基于狀態(tài)觀測器的車輛側(cè)傾控制系統(tǒng)提供準確的系統(tǒng)輸入,進而達到準確提升車輛側(cè)傾動力學(xué)性能的目的。

標準ISO-A級路面三維路面


本文編號：3133730