貨車整車質量辨識方法研究

賈天樂 王洪亮 彭湃 薛凍

摘 要：針對貨車整車質量辨識問題，分別對基于車輛縱向動力學和基于運動學的兩種整車質量辨別方法進行仿真和實車試驗研究。闡述了兩種整車質量辨識方法的原理，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。根據仿真結果進行實車試驗，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）對實車質量進行估計。研究結果表明，所提出的車速冗余計算方法和加速度計算方法

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

關鍵詞：車輛工程；質量辨識；動力學方法；運動學方法；遞歸最小二乘法

中圖分類號：U461.6 文獻標志碼：A

文章編號：1008-1542（2018）05-0394-07

近年來，汽車電子行業蓬勃發展，汽車質量辨識問題受到了越來越多科研人員的關注，其識別準確性直接影響到電控系統的控制精度。在坡道起步輔助系統（hill start assist， HSA）中，根據整車質量和所在路面坡度計算起步所需要的發動機轉矩[1-3]。在電子駐車制動系統（electrical parking brake， EPB）中，地面制動力和整車質量相關，間接影響制動器的控制效果[4]。在車身電子穩定控制系統（electronic stability program，ESP）中，整車質量直接影響穩定性因數的大小，這將影響不足轉向和過多轉向的準確性判斷[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量變化息息相關[6]?？梢?，汽車質量信息作為整車控制參數，對汽車智能化控制起到至關重要的作用，其辨識方法已經成為研究的熱點。對于貨車而言，由于裝載貨物前后整車質量變化較大，因此對貨車載重量識別的研究有很大意義。

目前國內外很多文獻是基于電驅動車輛對整車質量進行辨識[7-10]。利用電驅動車搭載的各種傳感器設備，能夠準確獲得電機轉矩、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，將質量和坡度解耦，建立縱向動力學模型和運動學模型，借助遞歸最小二乘法得到了整車質量。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量辨識。總的來說，電動汽車質量辨識方法歸結起來主要分為兩大類：一是基于車輛縱向動力學模型的質量辨識，二是基于運動學模型的質量辨識。

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

針對上述問題，本文對縱向動力學和運動學兩種辨識方法在貨車整車質量辨識問題上進行適用性研究，并提出相應的算法。在動力學軟件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，根據仿真結果進行實車驗證。

1 質量辨識方法分析

1.1 縱向動力學模型分析

由車輛縱向動力學公式（1）、驅動力公式（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），得到質量計算公式（7）。

當驅動力矩變化較大時，忽略其他影響因素，只考慮驅動力和加速度變化速率的比值，得到整車質量。

2 基于TruckSim軟件的仿真

為了對比縱向動力學方法和運動學方法，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，試驗車部分參數見表1。

仿真實驗中，考慮到路面坡度對質量識別的影響以及實車行駛狀況，設計了表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貨物質量，汽車加速升檔行駛。由于在仿真環境下可以得到理想的實驗數據，故直接利用式（7）和式（11）進行質量辨識，實驗結果如圖2—4所示。

由表2可知，在3種工況下，動力學方法辨識車重比運動學方法好，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合沖擊，導致動力學辨識結果存在波動，但是換擋結束后，辨識效果較好。由圖2可知，相比于動力學辨識方法，由于換擋后加速度變化劇烈，運動學方法辨識結果在實際質量上下波動顯著，毛刺過多。當擋位固定、加速度緩慢平滑變化時，運動學辨識方法可以辨識汽車質量。由圖3和圖4可知，動力學辨識方法不受路面坡度影響，且能夠有效辨識加載后的質量，而運動學方法在路面坡度變化工況下辨識效果較差。

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

3 質量辨識的試驗驗證

為驗證TruckSim仿真結論的準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據。試驗車參數見表1?？紤]到平原地區二級公路最大路面坡度為5%[17-18]，可以認為平原地區路面坡度為0，故本文忽略路面坡度對質量辨識的影響。

如圖5所示，從CAN總線上接收車速、發動機轉矩、發動機轉速信息，最后通過CANoe發送到上位機。

3.1 信號處理

由于本試驗的車速信號來源于ABS電控系統，車速傳感器安裝在車輪內側，工作環境惡劣，且存在一定誤差，車速信號求導后誤差更大，故利用汽車動力傳遞關系（發動機輸出動力經由離合器、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），對車速求導后得到加速度。圖6是CAN總線車速和發動機轉速計算車速對比圖。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]，出現了異常車速。而發動機轉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，跳動小，精度高，更能準確地計算加速度。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速進行處理。圖7是發動機轉速計算加速度圖，在4 s時，由于換擋不及時，導致離合器沖擊度過大，造成較大的加速度波動。

3.2 質量辨識算法

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）進行整車質量辨識會存在較大的誤差，故需要運用相關的算法辨識整車質量。

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

為增加質量辨識的收斂速度，采用帶有遺忘因子的遞歸最小二乘法估計質量。增加遺忘因子，降低了舊數據提供的信息量，增加新數據的信息量。遺忘因子一般選擇0.95～1之間的數值，數值越大，辨識精度越高，但收斂速度變慢；反之，數值越小，辨識精度越低，收斂速度變快。為了協調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 試驗結果分析

使用上述數據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量辨識，繪制出圖8—11。其中圖8—10使用動力學方法，圖11使用運動學方法。對比結果見表3。

對比圖8和圖9可知，經過換擋后，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，運動學方法辨識誤差較大，收斂時間長。經分析，主要原因是速度信號本身具有一定誤差，經過微分求導后，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，故該方法在工程應用中局限性較高。

由表3知，筆者提出的動力學辨識質量算法可以在短期內有效地估計整車質量，在不換擋時收斂更迅速，且能夠準確識別加載后的質量，魯棒性好。在工程應用中，一旦檢測到離合器處于分離狀態，終止迭代計算，當檢測到離合器處于結合狀態，繼續迭代計算，這樣可以更準確及時地估計整車質量。而運動學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 語

對貨車的整車質量問題進行了研究，闡述了兩種質量辨識方法，在TruckSim軟件中建立模型并在多種工況下仿真，根據得到的數據直接計算整車質量，得到兩種質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，并設計了整車質量估計算法，進行了實車試驗驗證，得出以下結論：

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

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

3）運動學貨車整車質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量辨識方法的影響，且辨識方法只考慮純縱向動力學。在后續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]. 北京理工大學學報， 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設計及控制研究[J]. 河北科技大學學報， 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]. 河北科技大學學報， 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量辨識試驗[J]. 同濟大學學報（自然科學版）， 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. 重型車質量辨識及道路坡度狀態估計方法研究[D]. 長春：吉林大學， 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建設部. 中華人民共和國國家標準：城市道路工程設計規范[M]. 北京：中國建筑工業出版社， 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.