基于信号采集的电动4WD汽车滑转率计算的研究*

桂临秋 罗 杰 秦 凯

(武汉理工大学自动化学院 武汉 430070)

基于信号采集的电动4WD汽车滑转率计算的研究*

桂临秋 罗 杰 秦 凯

(武汉理工大学自动化学院 武汉 430070)

利用GPS/INS组合系统和基于BP神经网络的车轮状态识别与车速估计系统获取汽车纵向速度.根据GPS的运行情况，当GPS信号在锁时，利用GPS/INS组合系统获取汽车纵向速度并训练BP神经网络；当GPS信号失锁时，利用BP神经网络识别车轮状态为打滑状态或者滚转状态，根据车轮状态结合汽车纵向加速度和车轮线速度计算汽车的纵向速度.通过实际的道路实验，验证了整个系统对汽车纵向速度获取的精确度，证实了该方法的可行性与可靠性.

电动4WD汽车；驱动防滑；GPS/INS系统；BP神经网络

汽车驱动防滑系统(acceleration slip regulation，ASR)是防止汽车驱动轮发生打滑的一套控制系统.当车轮转动而车身不动或是汽车的移动速度低于驱动轮的线速度时，车轮胎面与地面之间就有相对的滑动，这种滑动称为“滑转”[1].过度滑转会使纵向附着力下降，使驱动车轮产生的牵引力减小，导致汽车的起步性能、加速性能和在滑溜路面的通过性能下降.

滑转率的获取是驱动防滑的重点之一，国内外学者对电动4WD汽车滑转率获取做出了大量研究，主要是采用车辆动力学模型和轮胎模型对滑转率进行估算[2-4]，但不同的车辆参数和复杂的模型建立制约了其实际应用.随着微电设备的发展，多传感采集与多信息融合技术逐渐成熟，利用传感器对汽车运行参数进行采集从而直接计算滑转率的方法引起了广泛关注.特别是现广泛应用于汽车导航的GPS/INS系统，其在驱动防滑上的应用具有很好的前景.

1 驱动防滑分析

车辆在低附路面加速或者在对开路面上行驶的时候，由于驱动力矩大于车轮来自路面的纵向作用力，轮速会大于车速，驱动轮会相对地面有向后的滑动，驱动轮的运动实际情况是一种边滚边滑的过程，所以引入车轮滑转率S来定量的描述这一过程.滑转率S越大，滑动成分越多，其定义为车辆的理论速度与实际速度的差与理论速度的比值为[5-6]

(1)

式中：S为滑转率；r为车轮半径；ω为驱动轮角速度；v为车辆纵向速度.当车辆在良好的附着路面上正常驱动行驶时，此时车轮滑转率很小，是不会发生打滑现象，称车轮处于滚转状态；当车辆由良好的附着路面进入低附路面或者驱动加速时，滑转率会大幅上升，车轮发生打滑，此时则称车轮处于打滑状态.为方便用滑转率来对车轮状态进行明确的界定，文中假定，当滑转率超过10%时，认为车轮处于打滑状态，反之认为处于滚转状态.车辆的滑转率S会影响车轮与地面的纵向附着系数μx.根据魔术公式，它们之间存在关系见图1.由图1可知，纵向附着系数μx最大值对应的滑转率S为此路面下的最优滑移率S[7].

图1 魔术公式曲线

对于电动4WD汽车，由于轮毂电机的驱动力矩可以直接控制，所以一般将滑转率S作为反馈量输入轮毂电机控制器，当车辆打滑时，通过控制轮毂电机的驱动力矩将滑转率S控制在最优滑转率S0附近，所以计算滑转率S是驱动防滑实现的关键.

为计算滑转率，车轮滚动半径可由测量得出，驱动轮角速度可以由轮毂电机直接输出，然而对于纵向车速信号，一般两轮驱动汽车可通过非驱动轮轮速的平均值估算得出[8]，然而4WD汽车没有非驱动轮，各轮均有可能打滑，不能用于估算车速，因此利用GPS/INS组合系统对汽车的纵向速度进行采集，然后直接计算滑转率.

GPS/INS组合系统中GPS模块在运行的过程中容易出现失锁，造成组合系统失效.对此，Atia等[9]提出了一种利用快速正交搜索算法的信息融合方法，但该方法算法复杂不易实现且额外增加了硬件成本.陈鑫鑫等[10]提出了一种结合BP神经网络算法的GPS/INS组合方法，在GPS信号丢失的情况下利用训练后的BP网络直接输出速度的预测值，然而由BP网络直接输出速度值，其偏差较大，实际效果并不理想.

鉴于此，针对汽车驱动轮运行状态的特点，文中利用GPS/INS组合系统和基于BP神经网络的车轮状态识别与车速估计系统来获取车辆纵向速度并直接计算滑转率.

2 系统结构

利用单个加速度计模块可以提供很好的短期精确度的纵向速度，然而从长期来看会产生累积误差.装载在汽车上的GPS/INS系统，一般在汽车不发生大的转弯的情况下，此时认为GPS的输出为比较精确的汽车纵向车速，然而GPS的信号更新周期一般为1 s左右，因为周期过长不能直接用于控制功能，并且GPS信号在工作中容易出现失锁，影响滑转率计算.针对其特点，建立了基于卡尔曼滤波的GPS/INS组合系统用于GPS在锁时的纵向车速计算，建立了基于BP神经网络的车轮状态识别与车速估计系统来解决GPS失锁的问题.其系统结构图见图2.

图2 系统流程图

根据GPS的信号状态分为两种工作模式：①运行于GPS信号在锁，运用基于卡尔曼滤波的GPS/INS组合系统求得纵向车速，计算滑转率并通过分析滑转率对车轮状态进行判定，其判定阀值通过经验与实际实验情况进行标定，以车轮状态为反馈对BP神经网络进行在线训练，流程见图2中实线部分；②运行于GPS信号失锁，当GPS信号失锁时，首先用训练好的BP神经网络来识别车轮状态，如果车轮处于滚转状态则用车轮线速度估算汽车纵向速度，如处于打滑状态则用前次有效车速结合加速度计信号计算出车速，并计算滑转率，流程见图2中虚线部分.这样可以在GPS信号失锁并且车轮打滑的情况下计算出较为精准的滑转率S.

3 基于卡尔曼滤波的GPS/INS组合系统设计

根据不同的应用层次GPS/INS的组合有不同的方法，按照组合深度分为松散组合方案与紧密组合方案，因为紧密组合算法困难、计算量大在实际运用中不易现实并且松散组合可以满足滑转率计算对速度精度的要求，所以文中应用松散组合方案[11].

以加速度计采样得到的速度离散模型为

(2)

式中:v(n)，v(n-1)为加速计两次采样点前后的纵向速度；Ta为加速度计的采样周期；a(n)为加速度计的采样值；q为系统噪声并且q～N(0,Q).

式中：r为检测噪声，r～N(0,R)；mn·q～N(0,m2nQ).

以式(3)为中的数学模型为基础，构建得到卡尔曼滤波方程.在k-1时刻速度最优估计值为v(k-1)其最优估计值方差为P(k-1).

在k时刻其预测过程方程为

预测值：

(4)

最小均方误差矩阵：

(5)

在k时刻其修正过程方程为

误差增益：

(6)

修正值：

(7)

最小均方误差矩阵：

(8)

通过在预测过程与修正过程之间不停的迭代，可以完成卡尔曼滤波过程，并输出GPS采样点时刻的纵向车速，再结合加速度计的单传感输出，得到的纵向车速为

(9)

式中：v(k-1)m为GSP第k-1采样后加速度计第m次采样时刻的速度值，是组合系统的最终输出.

4 基于BP神经网络的车轮状态识别与车速估计

4.1 BP神经网络的建立

BP神经网络的前向计算公式为

(10)

式中：H为隐含层节点数；N为输入层节点数；φ为层间传递函数；w为神经元音的权值；b为神经元内的阈值.

4.2 车轮状态识别与车速估计

BP网络主要工作在两种模式：①在线训练模式，当GPS信号锁定时，利用GPS/INS组合系统输出的纵向车速计算滑转率，判定出的车轮状态，对神经网络进行在线实时训练.②车轮状态识别模式，当GPS信号失锁时，利用训练后的神经网络系统对车轮状态进行识别.当神经网络系统识别的车轮状态为滚转时，则利用车轮的线速度对此时的车速进行估计，处于滚转状态稳定运行的车轮线速度基本可以反映车速，当识别的车轮状态变化为打滑时，则利用状态变化时刻的车速估计值v0结合加速度计进行车速估计，其公式为

(11)

运用车速估计值计算出滑转率，因为此过程中加速度的积分时间较短，其误差积分不大，其精度可以满足驱动防滑控制要求.

5 实验分析

为验证上述方法的可行性，借助东风某款基于轮毂电机的四轮驱动新能源汽车与GPS/INS系统作为实验平台.GPS模块采用VK18U7，加速度计模块采用LIS3DH，实验中设定GPS信号更新周期为1s,加速度计采样周期为50ms.轮毂电机通过车载CAN网络输出车轮角速度，汽车真实车速通过五轮仪采集作为参考信号.设计了如下两个实验.

5.1 验证GPS/INS组合系统在GPS信号在锁的情况下的工作情况

设计东风某款新能源汽车在玄武岩瓦路面上进行起步实验，通过喷水，在湿状态下路面的附着系数为0.24.首先打开采集平台并调节加速度计与GPS的位置使得其Y轴与汽车的前进方向平行.起步时为使得车轮打滑，直接将油门踏板开度到最大，此时汽车速度低，路面附着系数低，容易出现打滑的现象.汽车行驶过程中，调节方向盘使得车辆行驶方向尽量不变.此实验在宽阔的地方进行，便于GPS信号的接收.

图3为GPS信号在锁的情况下GPS/INS组合系统的输出车速、GPS采集车速与加速度计直接积分后的车速.图4为组合系统输出车速、由五轮议采集的真实车速与左前轮线速度的对比，由图3～4可知，组合系统输出车速可以很好的反映出真实车速的情况，其误差非常小.当车辆刚起步时由于油门踏板开度最大其驱动力远大于路面摩擦力轮线速度大幅度上升至70km/h，后由于轮毂电机本身的限制其转速基本平稳，此时车轮处于打滑状态，车身速度由于牵引力不受控制只受路面利用附着系数影响所以基本处于均加速的状态，在第9s之后由于油门踏板开度减小驱动力下降同时滑转率减小路面利用附着系数增大造成轮速降低至车身速度，此时车轮处于滚转状态，其车轮线速度与车速之间的误差很小，可见用滚转状态下的车轮线速度可以很好的估算出车速.

图3 GPS/INS组合系统输出

图4 车速输出比较

图5为滑转率的计算值，由图5可知，车辆刚起步时，由于车速过低，误差影响作用过大，出现了很大的杂波，当车速上升后滑转率波形平稳，利用GPS/INS组合系统得到的汽车滑转率无论在精度或者周期上均满足驱动防滑的控制策略.

图5 系统输出滑转率比较

5.2 验证基于BP神经网络的车轮状态识别与车速估计系统

设计东风某款新能源汽车在对开路面上进行起步实验，左侧轮处于铺装路面，为水泥混凝土路面其附着系数为0.8，右侧轮处于低附路面，为湿状态的玄武岩瓦路面其附着系数为0.24，打开车身信号采集系统由车载CAN网络获取车轮驱动力矩Te、车轮角速度ω、车轮角加速度α，由加速度计采集汽车纵向加速度a作为训练后的BP神经网络的输入，识别各轮状态，结合各车轮轮速和加速计信号分别对车速进行估计.

图6中为四个轮子的线速度和BP神经网络对车轮状态的识别，图7中为各轮线速度与车速的比较，由图6～7可知，在对开路面中右前轮、右后轮均发生了打滑，左前轮因为车辆在实验时车姿不稳进入低附路面所以也存在打滑，并且训练后的BP神经网络系统可以很好的识别出车轮状态.图8中为基于BP神经网络的车速估计系统输出，从图8可知，各轮的估计输出值与真实车速之间的误差很小，可以用于估计车速的实际值.

图6 基于BP神经网络的车轮状态识别输出

图7 各轮线速度与真实车速比较

图8 基于BP神经网络的车速估计系统输出

6 结 束 语

利用GPS/INS组合系统结合卡尔曼滤波来计算汽车纵向速度从而计算滑转率，建立了基于BP神经网络的车轮状态识别与车速估计系统来解决在一些复杂路况下的GPS失锁的问题.通过实验验证，证实了其可行性与可靠性，通过与真实的滑转率进行对比，证实了系统的输出精度与采样频率均适用于驱动防滑策略的实现，并且能够在GPS信号长期失锁的情况下，极大程度的得到精确的滑转率的值.由于较精准的GPS/INS组合系统的硬件成本很高并且BP神经网络算法复杂，所以今后的关注方向为运用单传感器结合车辆与车轮的数学模型进行滑转率的估算.

[1]李刚，宗长富，张强，等.基于模糊路面识别的4WID电动车驱动防滑控制[J].华南理工大学学报(自然科学版),2012(12):99-104.

[2]张振良,赵亚超,黄妙华,等.电动轮车驱动防滑控制策略的研究[J].武汉理工大学学报(信息与管理工程版),2014,36(6):794-797.

[3]宗新怡,李刚,邓伟文.四轮独立驱动电动汽车车速估计研究[J].机械设计与制造,2013(9):83-85.

[4]冷亚南.四轮独立驱动电动车车速估计及滑移率控制方法研究[D].哈尔滨：哈尔滨工业大学,2015.

[5]潘旭峰.现代汽车电子技术[M].北京:北京理工大学出版社,1998.

[6]余志生.汽车理论[M].北京：机械工业出版社，2000.

[7]袁景明,何正义,欧阳,等.轮毂电机电动汽车纵向车速估计方法研究[J].汽车工程学报,2013,3(4):287-294.

[8]叶阳,刘昭度,裴晓飞,等.基于联合控制的汽车驱动防滑系统[J].沈阳工业大学学报,2011,33(6):672-677.

[9]ATIA M, DONNELLY C, NOURELDIN A, et al. A novel systems integration approach for multi-sensor integrated navigation systems[C]. Systems Conference (SysCon), 2014 8th Annual IEEE，2014.

[10]陈鑫鑫,张复春,郝雁中.神经网络辅助的GPS/INS组合导航滤波算法研究[J].电子技术应用,2015,41(5):84-87.

[11]陈燃.基于BP神经网络对INS/GPS组合导航数据融合技术的研究[D].哈尔滨：哈尔滨工程大学,2009.

Study on Calculation of 4WD Electric Vehicle Slip Ratio Based on Signal Acquisition

GUI Linqiu LUO Jie QIN Kai

(CollegeofAutomation,WuhanUniversityofTechnology,Wuhan430070,China)

GPS/INS integrated system and BP neural network system are proposed to acquire the longitudinal velocity of vehicle. According to the status of GPS, the GPS/INS system is used to acquire the longitudinal velocity while GPS signals are available. During GPS outrage, BP recognizes the wheel status as slipping or rolling and then estimates the longitudinal velocity based on the longitudinal acceleration and wheel linear velocity. By conducting actual experiment, the results indicate that the proposed methods can acquire accurate longitudinal velocity and show the effectiveness and reliability.

four-wheels-drive electric vehicle; acceleration slip control; GPS/INS integrated system; BP neural network

2016-12-17

*湖北省自然科学基金面上项目资助(2014CFB485)

U469.72

10.3963/j.issn.2095-3844.2017.02.033

桂临秋(1992—)：男，硕士生，主要研究领域为汽车驱动防滑