賈天樂 王洪亮 彭湃 薛凍

摘 要：針對貨車整車質(zhì)量辨識問題，分別對基于車輛縱向動力學(xué)和基于運動學(xué)的兩種整車質(zhì)量辨別方法進行仿真和實車試驗研究。闡述了兩種整車質(zhì)量辨識方法的原理，在TruckSim軟件平臺上建立車輛模型并在多種工況下基于這兩種方法進行仿真分析。根據(jù)仿真結(jié)果進行實車試驗，提出了一種車速冗余計算和加速度計算的方法，利用帶時變遺忘因子的遞推最小二乘法（RLS）對實車質(zhì)量進行估計。研究結(jié)果表明，所提出的車速冗余計算方法和加速度計算方法

準(zhǔn)確有效，同時減少換擋次數(shù)能夠顯著提高辨識算法的收斂速度。相比于運動學(xué)整車質(zhì)量辨識算法，基于車輛縱向動力學(xué)整車質(zhì)量辨識算法能夠有效地估計貨車整車質(zhì)量，魯棒性好，估計準(zhǔn)確，收斂速度快，具有很好的工程應(yīng)用價值。

關(guān)鍵詞：車輛工程；質(zhì)量辨識；動力學(xué)方法；運動學(xué)方法；遞歸最小二乘法

中圖分類號：U461.6 文獻標(biāo)志碼：A

文章編號：1008-1542（2018）05-0394-07

近年來，汽車電子行業(yè)蓬勃發(fā)展，汽車質(zhì)量辨識問題受到了越來越多科研人員的關(guān)注，其識別準(zhǔn)確性直接影響到電控系統(tǒng)的控制精度。在坡道起步輔助系統(tǒng)（hill start assist， HSA）中，根據(jù)整車質(zhì)量和所在路面坡度計算起步所需要的發(fā)動機轉(zhuǎn)矩[1-3]。在電子駐車制動系統(tǒng)（electrical parking brake， EPB）中，地面制動力和整車質(zhì)量相關(guān)，間接影響制動器的控制效果[4]。在車身電子穩(wěn)定控制系統(tǒng)（electronic stability program，ESP）中，整車質(zhì)量直接影響穩(wěn)定性因數(shù)的大小，這將影響不足轉(zhuǎn)向和過多轉(zhuǎn)向的準(zhǔn)確性判斷[5]。此外，一些研究提出的減少重型車輛的燃油消耗控制算法與整車質(zhì)量變化息息相關(guān)[6]?？梢姡囐|(zhì)量信息作為整車控制參數(shù)，對汽車智能化控制起到至關(guān)重要的作用，其辨識方法已經(jīng)成為研究的熱點。對于貨車而言，由于裝載貨物前后整車質(zhì)量變化較大，因此對貨車載重量識別的研究有很大意義。

目前國內(nèi)外很多文獻是基于電驅(qū)動車輛對整車質(zhì)量進行辨識[7-10]。利用電驅(qū)動車搭載的各種傳感器設(shè)備，能夠準(zhǔn)確獲得電機轉(zhuǎn)矩、車輛的速度和加速度等信息。文獻[11]提取這些信號的高頻部分，將質(zhì)量和坡度解耦，建立縱向動力學(xué)模型和運動學(xué)模型，借助遞歸最小二乘法得到了整車質(zhì)量。文獻[12]利用加速度分段的方法分別計算行駛阻力和整車質(zhì)量，并在不同工況下驗證算法的可靠性。文獻[13]對4檔AMT變速箱的純電動物流車分別用遞歸最小二乘法和帶遺忘因子遞歸最小二乘法進行整車質(zhì)量辨識。總的來說，電動汽車質(zhì)量辨識方法歸結(jié)起來主要分為兩大類：一是基于車輛縱向動力學(xué)模型的質(zhì)量辨識，二是基于運動學(xué)模型的質(zhì)量辨識。

在對內(nèi)燃機車整車質(zhì)量辨識方面，文獻[14]將空氣阻力和整車質(zhì)量解耦，分別進行辨識，提出一種適用于空氣阻力變化的整車質(zhì)量辨識算法。文獻[15]設(shè)計了車輛質(zhì)量和道路坡度聯(lián)合估計算法，其中利用了最小二乘辨識法和龍貝格（Luenberger）狀態(tài)觀測器。文獻[16]考慮不同參數(shù)的變化率對遺忘因子的影響，實現(xiàn)了時變等級和分段恒定質(zhì)量的同時估計。內(nèi)燃機車整車質(zhì)量辨識方法比較單一，以車輛縱向動力學(xué)為主，且大都建立了復(fù)雜的模型，收斂時間偏長，工程化困難。

針對上述問題，本文對縱向動力學(xué)和運動學(xué)兩種辨識方法在貨車整車質(zhì)量辨識問題上進行適用性研究，并提出相應(yīng)的算法。在動力學(xué)軟件TruckSim中進行多工況仿真分析，建立帶遺忘因子的遞歸最小二乘法模型，根據(jù)仿真結(jié)果進行實車驗證。

1 質(zhì)量辨識方法分析

1.1 縱向動力學(xué)模型分析

由車輛縱向動力學(xué)公式（1）、驅(qū)動力公式（2）、加速阻力公式（3）、坡道阻力公式（4）、滾動阻力公式（5）和空氣阻力公式（6），得到質(zhì)量計算公式（7）。

當(dāng)驅(qū)動力矩變化較大時，忽略其他影響因素，只考慮驅(qū)動力和加速度變化速率的比值，得到整車質(zhì)量。

2 基于TruckSim軟件的仿真

為了對比縱向動力學(xué)方法和運動學(xué)方法，基于TruckSim軟件進行仿真分析。在TruckSim軟件平臺中基于某款試驗車搭建試驗汽車模型見圖1，試驗車部分參數(shù)見表1。

仿真實驗中，考慮到路面坡度對質(zhì)量識別的影響以及實車行駛狀況，設(shè)計了表2的3種工況。工況1為水平路面，汽車加速升檔行駛；工況2為從0°緩慢變化到6°的坡度路面，汽車低檔加速行駛；工況3為加載1 t貨物質(zhì)量，汽車加速升檔行駛。由于在仿真環(huán)境下可以得到理想的實驗數(shù)據(jù)，故直接利用式（7）和式（11）進行質(zhì)量辨識，實驗結(jié)果如圖2—4所示。

由表2可知，在3種工況下，動力學(xué)方法辨識車重比運動學(xué)方法好，收斂誤差小。由于汽車換擋時，動力存在短暫中斷以及離合器結(jié)合沖擊，導(dǎo)致動力學(xué)辨識結(jié)果存在波動，但是換擋結(jié)束后，辨識效果較好。由圖2可知，相比于動力學(xué)辨識方法，由于換擋后加速度變化劇烈，運動學(xué)方法辨識結(jié)果在實際質(zhì)量上下波動顯著，毛刺過多。當(dāng)擋位固定、加速度緩慢平滑變化時，運動學(xué)辨識方法可以辨識汽車質(zhì)量。由圖3和圖4可知，動力學(xué)辨識方法不受路面坡度影響，且能夠有效辨識加載后的質(zhì)量，而運動學(xué)方法在路面坡度變化工況下辨識效果較差。

結(jié)合汽車實際行駛狀況，可以得出以下結(jié)論：1）動力學(xué)方法能夠有效地辨識整車質(zhì)量，對載貨質(zhì)量變化不敏感，換擋對辨識速度有較大影響；2）運動學(xué)方法受換擋、路面坡度、加速度變化影響較大。

3 質(zhì)量辨識的試驗驗證

為驗證TruckSim仿真結(jié)論的準(zhǔn)確性以及進一步對比兩種方法的辨識效果，采集了水泥路面工況下貨車的行駛數(shù)據(jù)。試驗車參數(shù)見表1?？紤]到平原地區(qū)二級公路最大路面坡度為5%[17-18]，可以認為平原地區(qū)路面坡度為0，故本文忽略路面坡度對質(zhì)量辨識的影響。

如圖5所示，從CAN總線上接收車速、發(fā)動機轉(zhuǎn)矩、發(fā)動機轉(zhuǎn)速信息，最后通過CANoe發(fā)送到上位機。

3.1 信號處理

由于本試驗的車速信號來源于ABS電控系統(tǒng)，車速傳感器安裝在車輪內(nèi)側(cè)，工作環(huán)境惡劣，且存在一定誤差，車速信號求導(dǎo)后誤差更大，故利用汽車動力傳遞關(guān)系（發(fā)動機輸出動力經(jīng)由離合器、變速器、主減速器傳遞到車輪）計算車速和加速度，車速計算公式見式（12），對車速求導(dǎo)后得到加速度。圖6是CAN總線車速和發(fā)動機轉(zhuǎn)速計算車速對比圖。從圖6可以看出，1.3 s和4 s時換擋，車速正常波動；而在6.4 s和7.8 s時，由于車速測量設(shè)備可能受到電磁、高溫等外界干擾以及存在密封性不足等狀況[19]，出現(xiàn)了異常車速。而發(fā)動機轉(zhuǎn)速計算車速相比于從CAN總線上讀取車速，車速變化更加平穩(wěn)，跳動小，精度高，更能準(zhǔn)確地計算加速度。由于換擋期間，動力存在中斷，使用一次滯后濾波對換擋期間的轉(zhuǎn)速進行處理。圖7是發(fā)動機轉(zhuǎn)速計算加速度圖，在4 s時，由于換擋不及時，導(dǎo)致離合器沖擊度過大，造成較大的加速度波動。

3.2 質(zhì)量辨識算法

由于在汽車實際試驗過程中，測量的各種信號包含噪聲，直接用式（7）和式（11）進行整車質(zhì)量辨識會存在較大的誤差，故需要運用相關(guān)的算法辨識整車質(zhì)量。

本文使用遞歸最小二乘法對整車質(zhì)量進行辨識。汽車行駛過程中不斷產(chǎn)生新數(shù)據(jù)，在前一次質(zhì)量估計結(jié)果的基礎(chǔ)上，利用新的觀測數(shù)據(jù)對估計結(jié)果進行遞歸修正，從而得到新的質(zhì)量估計結(jié)果，隨著新的觀測數(shù)據(jù)的不斷引入，不斷逼近實際整車質(zhì)量。遞歸最小二乘算法見式（13）—（15）。

為增加質(zhì)量辨識的收斂速度，采用帶有遺忘因子的遞歸最小二乘法估計質(zhì)量。增加遺忘因子，降低了舊數(shù)據(jù)提供的信息量，增加新數(shù)據(jù)的信息量。遺忘因子一般選擇0.95～1之間的數(shù)值，數(shù)值越大，辨識精度越高，但收斂速度變慢；反之，數(shù)值越小，辨識精度越低，收斂速度變快。為了協(xié)調(diào)收斂速度和辨識精度的矛盾，選擇時變遺忘因子[20]。加入遺忘因子[WTBX]μ（k）后，式（13）和式（14）分別改寫成式（19）和式（20）。

3.3 試驗結(jié)果分析

使用上述數(shù)據(jù)處理方法得到的速度和加速度，用帶遺忘因子的遞歸最小二乘法進行質(zhì)量辨識，繪制出圖8—11。其中圖8—10使用動力學(xué)方法，圖11使用運動學(xué)方法。對比結(jié)果見表3。

對比圖8和圖9可知，經(jīng)過換擋后，收斂時間變長，收斂過程波動變大，誤差變化較小。對比圖8和圖10，整車質(zhì)量變化時（1 000 kg），收斂時間和誤差基本不變。而圖11則表明，運動學(xué)方法辨識誤差較大，收斂時間長。經(jīng)分析，主要原因是速度信號本身具有一定誤差，經(jīng)過微分求導(dǎo)后，誤差更大；此外受路面坡度和空氣阻力影響明顯以及操作過程中需要駕駛員緩慢輕踩油門踏板，故該方法在工程應(yīng)用中局限性較高。

由表3知，筆者提出的動力學(xué)辨識質(zhì)量算法可以在短期內(nèi)有效地估計整車質(zhì)量，在不換擋時收斂更迅速，且能夠準(zhǔn)確識別加載后的質(zhì)量，魯棒性好。在工程應(yīng)用中，一旦檢測到離合器處于分離狀態(tài)，終止迭代計算，當(dāng)檢測到離合器處于結(jié)合狀態(tài)，繼續(xù)迭代計算，這樣可以更準(zhǔn)確及時地估計整車質(zhì)量。而運動學(xué)辨識方法受外界干擾影響較大，且對駕駛員操作要求較高，實用性差，使用條件苛刻。

4 結(jié) 語

對貨車的整車質(zhì)量問題進行了研究，闡述了兩種質(zhì)量辨識方法，在TruckSim軟件中建立模型并在多種工況下仿真，根據(jù)得到的數(shù)據(jù)直接計算整車質(zhì)量，得到兩種質(zhì)量辨識算法的適用范圍以及收斂影響因素。提出了速度和加速度的計算方法，并設(shè)計了整車質(zhì)量估計算法，進行了實車試驗驗證，得出以下結(jié)論：

1）發(fā)動機轉(zhuǎn)速計算車速的方法能夠有效提高車速精度，并且能夠準(zhǔn)確地計算汽車加速度；

2）提出的整車質(zhì)量估計算法能夠有效地估計整車質(zhì)量，換擋對算法的收斂速度有一定影響，但不影響辨識結(jié)果；

3）運動學(xué)貨車整車質(zhì)量辨識算法影響因素較多，魯棒性差。

目前的研究是基于二級以上公路的試驗工況，忽略了路面坡度對質(zhì)量辨識方法的影響，且辨識方法只考慮純縱向動力學(xué)。在后續(xù)的研究中將考慮路面坡度和橫向運動的影響。

參考文獻/References：

[1] 王洪亮， 張慶渴， 谷文豪， 等. 基于PID控制的坡道起步控制仿真與試驗研究[J]. 汽車工程， 2017， 39（4）： 480-485.

WANG Hongliang， ZHANG Qingke， GU Wenhao， et al. Simulation and experiment study on hill start control based on PID control[J]. Automotive Engineering， 2017， 39（4）： 480-485.

[2] 王洪亮， 谷文豪， 張慶渴， 等. 汽車坡起中EPB的Bang-Bang控制研究[J]. 北京理工大學(xué)學(xué)報， 2017，37（1）： 46-49.

WANG Hongliang， GU Wenhao， ZHANG Qingke， et al. Research on Bang-Bang control of EPB system in vehicle hill start[J]. Transactions of Beijing Institute of Technology， 2017，37（1）：46-49.

[3] 王洪亮， 董巍， 李楠， 等. 中/重型汽車電子駐車系統(tǒng)設(shè)計及控制研究[J]. 河北科技大學(xué)學(xué)報， 2015， 36（2）： 118-125.

WANG Hongliang， DONG Wei， LI Nan， et al. Design and research on the electronic parking brake system of the medium and heavy duty vehicles[J]. Journal of Hebei University of Science and Technology， 2015， 36（2）： 118-125.

[4] 谷文豪， 王洪亮， 皮大偉， 等. 基于傾角傳感器的坡道角度識別研究[J]. 河北科技大學(xué)學(xué)報， 2015， 36（6）： 566-572.

GU Wenhao， WANG Hongliang， PI Dawei， et al. Research on recognition of ramp angle based on transducer[J]. Journal of Hebei University of Science and Technology， 2015， 36（6）： 566-572.

[5] VAN ZANTEN A T. Bosch ESP system： 5 Years of experience[C]// Sae Congress. [S.l.]：[s.n.]， 2000：211-220.

[6] MERSKY A C， SAMARAS C. Fuel economy testing of autonomous vehicles[J]. Transportation Research Part C， 2016， 65： 31-48.

[7] WINSTEAD V， KOLMANOVSKY I V. Estimation of road grade and vehicle mass via model predictive control[C]//IEEE Conference on Control Applications. [S.l.]：IEEE， 2005：1588-1593.

[8] ALTMANNSHOFER S， ENDISCH C. Robust vehicle mass and driving resistance estimation[C]//American Control Conference. [S.l.]：IEEE， 2016： 6869-6874.

[9] DAI Zhuo， WU Guangqiang. Estimation method of road slope and vehicle mass based on vehicle dynamics[J]. Automobile Technology， 2018（1）：20-24.

[10]DREIER L C， SAUTER I G. System for Estimating a Vehicle Mass[P]. US： EP 2085656 A2， 2009.

[11]CHU W， LUO Y， JIAN L， et al. Vehicle mass and road slope estimates for electric vehicles[J]. Journal of Tsinghua University， 2014， 54（6）： 724-728.

[12]馮源， 余卓平， 熊璐. 基于分段遞推最小二乘估計的汽車質(zhì)量辨識試驗[J]. 同濟大學(xué)學(xué)報（自然科學(xué)版）， 2012， 40（11）： 1691-1697.

FENG Yuan， YU Zhuoping， XIONG Lu. Experimental research on partitioned recursive least squares estimation of vehicle mass[J]. Journal of Tongji University（Natural Science）， 2012； 40（11）： 1691-1697.

[13]李遠方. 重型車質(zhì)量辨識及道路坡度狀態(tài)估計方法研究[D]. 長春：吉林大學(xué)， 2012.

LI Yuanfang. Study on Quality Identification of Heavy Vehicles and Estimation of Road Slope Status[D]. Changchun： Jilin University， 2012.

[14]STEFANOPOULOU A. Recursive least squares with forgetting for online estimation of vehicle mass and road grade： Theory and experiments[J]. Vehicle System Dynamics， 2005， 43（1）： 31-55.

[15]LI B， ZHANG J， DU H， et al. Two-layer structure based adaptive estimation for vehicle mass and road slope under longitudinal motion[J]. Measurement， 2017， 95： 439-455.

[16]OBERTOV D， BARDOV V， ANDRIEVSKY B. Vehicle speed estimation using roadside sensors[C]//International Congress on Ultra Modern Telecommunications and Control Systems and Workshops.[S.l.]： IEEE， 2015.

[17]中華人民共和國住房和城鄉(xiāng)建設(shè)部. 中華人民共和國國家標(biāo)準(zhǔn)：城市道路工程設(shè)計規(guī)范[M]. 北京：中國建筑工業(yè)出版社， 2012.

[18]EDEN G. Vehicle Mass Emission Measurement[P]. US： US6387706， 2002-01-01.

[19]CATHEY F W， DAILEY D J. A novel technique to dynamically measure vehicle speed using uncalibrated roadway cameras[C]// IEEE Intelligent Vehicles Symposium.[S.l.]： IEEE， 2005： 777-782.

[20]PALEOLOGU C， BENESTY J， CIOCHINA S. A robust variable forgetting factor recursive least-squares algorithm for system identification[J]. IEEE Signal Processing Letters， 2008， 15： 597-600.