基于擴展卡爾曼的線控轉向系統轉角傳感器故障診斷

摘 要：車輪轉向角度傳感器是汽車動力系統中重要的器件之一，其可靠性直接影響車輛的安全。針對線控轉向系統轉角傳感器的可靠性問題，首先，分析線控轉向系統的結構特點，建立三自由度的非線性車輛模型，以及傳感器故障種類模型；其次，基于擴展卡爾曼濾波（extended Kalman filter， EKF）算法，利用傳感器輸入的轉角信息，通過車輛模型估計出汽車狀態，例如橫擺角速度、質心側偏角等，再與汽車狀態傳感器測得的實際值生成殘差，構建故障診斷向量并提出診斷策略來實現轉角傳感器的故障診斷；最后，搭建Carsim/Simulink仿真平臺進行聯合仿真。結果表明該算法可以準確地識別出轉角傳感器發生的故障。

關鍵詞：線控轉向；擴展卡爾曼濾波（EKF）；故障診斷；傳感器

中圖分類號：TP277.3；U463.407 DOI：10.16375/j.cnki.cn45-1395/t.2024.01.011

0 引言

線控轉向系統（steer-by-wire）使用電子連接來取代傳統的機械結構，擺脫了傳統機械機構的限制，可以根據不同需要自由設計轉向特性，是自動駕駛技術發展的關鍵部分[1]。相對于傳統機械轉向系統，線控轉向系統使用了更多的傳感器和其他電子器件，這也對轉向系統的安全性和魯棒性提出了更高的要求。系統當中的某個傳感器或執行器可能在任意時刻發生故障，由于上層轉向控制策略都是基于傳感器提供的系統信號，任何故障都必須及時得到有效識別和容錯，因此，關鍵傳感器的診斷和容錯技術是線控轉向技術產業化的關鍵之一。

現有的針對車輛轉角傳感器的故障容錯控制方法可以分為如下幾種[2]：第一種，硬件冗余法。所謂硬件冗余就是對關鍵信息使用多個獨立的傳感器同時進行測量，產生冗余信息，再利用統計學特性得出相對真實的信號，但這種方法需要使用3個以上的傳感器進行測量，空間占用較大，成本較高。第二種，基于解析模型的故障診斷法。將被控對象的輸入輸出和被控過程構建出相應的數學模型[3]，通過濾波器對狀態進行估計，得到估計值后再與系統實際測量作比較，構成殘差序列，通過對殘差的分析可以得到故障信息。文獻[4]設計基于自適應漸消卡爾曼濾波技術的狀態觀測器，生成殘差和門限閾值，實現了傳感器的故障診斷。文獻[5]構建線性二自由度車輛模型，根據汽車狀態參數和電機電流信號設計卡爾曼濾波，對轉角傳感器實現故障診斷，并對電機的突變故障通過實時估計來完成故障診斷。文獻[6]基于滑?？刂评碚撛O置多傳感器狀態觀測器，實現對多個傳感器的故障診斷。第三種，基于知識的方法。首先，通過對傳感器和控制系統的先驗知識歸納總結出各種故障的特征向量。其次，運用神經網絡算法對先驗知識進行大量學習，訓練出識別模型。最后，將訓練好的模型與故障傳感器導出的數據進行對比，判斷出故障類型，完成故障識別。文獻[7]利用模糊控制技術將傳感器的故障類型進行了區分，再使用神經網絡辨識模型完成傳感器故障種類的識別。文獻[8]使用BP神經網絡對凝汽式汽輪機調速系統中的轉速傳感器進行傳感器故障診斷研究。總體而言，針對線控轉向系統模型易于得出、狀態估計較為方便的特性，使用解析模型的方法來進行故障診斷仍是目前研究的主流。在研究當中，對車輛模型的建立多為二自由度線性模型，所使用算法的求解十分復雜，同時加裝多個觀測器也提升了車輛成本。

針對以上問題，本文對車輛建立三自由度非線性數學模型，再根據擴展卡爾曼濾波（extended Kalman filter， EKF）算法實現實時估計汽車當前行駛狀態，可以由轉角傳感器觀測值導入模型得出對應的車輛橫擺角速度和質心側偏角。然后將觀測值與實際傳感器測量值作差，生成殘差信號，將此作為后續判斷傳感器是否故障的標準。建立故障判斷策略，可以實現傳感器故障種類的精準識別，并建立Carsim/Simulink聯合仿真平臺進行試驗，驗證算法的可靠性。

1 數學模型

1.1 線控轉向系統數學模型

線控轉向系統的結構主要有轉向盤總成、轉向執行機構和主控制器，以及車載數字通信系統、容錯系統、電池電源系統等，如圖1所示。工作原理為：當有轉向信號輸入時，轉角傳感器和轉矩傳感器將電信號輸入主控制器，由主控制器結合傳感器數據和控制算法計算得到相應電機控制信號，并輸出到轉向機構和執行機構的電機當中，由電機驅動轉向執行機構完成轉向動作；同時，根據車輛狀態以及內置的路感策略計算出適當的力矩，輸出到路感執行機構，再作用于轉向盤上形成路感。

汽車在行駛過程中會遇到許多復雜工況，其在執行轉向動作時可能會處于非線性系統的狀態，簡單理想化的二自由度線性模型[9]不再適合，需要考慮由縱向運動自由度帶來的影響。因此，建立橫擺、側偏和縱向在內的狀態互相耦合的三自由度非線性模型[10]，得到車輛三自由度模型狀態方程為

4 算法仿真實驗

4.1 實驗平臺及參數設置

Carsim是用于汽車動力學研究的專業軟件，采用Carsim軟件在計算機上進行模擬仿真，Carsim仿真軟件頁面設置如圖3所示。其內置了多種車輛的動力學模型，還可以仿真車輛受駕駛員、空氣動力學、路面參數、行人參數等各種場景和多種工況的影響，而且可以自由設置多種參數，與多種實驗軟件相互兼容，具有參數設置方便、運算實時性高、仿真速度快、標準化程度高等特點。因此選擇Carsim軟件來建立實驗所需的整車模型，并設置車輛參數和實驗的工況參數，再將其與Matlab/Simulink搭建的EKF汽車狀態估計及故障報警算法進行聯合仿真。Carsim得出的汽車數據通過IO端口輸出到Simulink模型中，對算法進行仿真驗證。

基于EKF的車輛狀態估計，可以由轉角傳感器的輸出值對橫擺角速度、質心側偏角、側向加速度作出實時估計，進而可以驗證故障報警算法的準確性。實驗選用常見C級車型，具體車輛參數如表1所示。

4.2 雙移線工況下算法仿真

本文根據ISO 38888-2—2011進行雙移線工況下的轉角傳感器故障識別，設置條件為：車輛試驗速度[Vx]=[60 km/h]，路面附著系數[μ=0.85]，傳動比[i=18]，采樣周期[T=0.001 s]，進行雙移線工況實驗。由于在實驗中無法控制傳感器的故障情況，故根據上文提到的傳感器故障類型參數制造相應的故障信號，再疊加噪聲后作為轉角傳感器的故障輸入。

4.2.1 模型仿真驗證

為模擬日常工作狀態，在進行故障模擬時均加入均值為0、方差為1×10-5的高斯噪聲，故障實驗中均以此為基礎信號。輸入轉角信號如圖4所示。

對本文建立的非線性三自由度車輛模型進行仿真，結果如圖5所示。

系統無誤差時故障報警如圖6所示。

通過仿真實驗表明，使用EKF算法對質心側偏角和橫擺角速度的估計較為準確，其誤差小于5%，因此設置誤差閾值為5%。仿真結果表明，汽車在正常行駛中報警系統不會發生誤報的情況。

4.2.2 故障仿真識別

由于轉角傳感器出現故障的時機不可預測，因此通過人工構建故障信號，再與正常信號疊加，從而構成傳感器故障信號來模擬傳感器突發故障。在Carsim輸出車輛轉角信號8 s時疊加上文建立的故障仿真信號，通過建立的故障報警裝置來檢驗系統是否可以有效識別發生的故障。

1）假設轉角傳感器發生恒偏差故障，診斷后結果如圖7所示。

在轉角傳感器發生恒偏差故障時，報警系統在偏差為1.2°時報警效果較為明顯，但仍存在振蕩現象，主要原因是為了滿足報警系統在汽車正常行駛時不會因傳感器正常工作產生的偏差而產生誤報警，設置了報警閾值，可不識別過小的偏差。在故障偏差為1.32°時，振蕩情況完全消失。

2）假設轉角傳感器發生卡死故障，此時示數保持上一時刻度數，不再實時更新。傳感器卡死故障信號與正常信號對比以及診斷系統對故障報警顯示如圖8所示。

在轉角傳感器正常工作時，模型估計的質心側偏角以及橫擺角速度與實際測量值保持一致，在第8 s時加入卡死故障信號，轉角傳感器維持第8 s信號不變，模型預估值和實際值產生較大偏差，構成殘差信號，報警系統可以成功識別到故障信號并及時報警。

3）當轉角傳感器發生恒增益故障時，對算法的可靠性進行驗證。傳感器恒增益故障信號與正常信號對比以及診斷系統對故障報警顯示如圖9所示。

同樣是在第8 s時加入增益幅值為0.5的故障信號。仿真結果顯示，報警系統基本可以完成故障識別并報警。

5 結論

針對線控轉向系統中的轉角傳感器的故障識別和檢測展開研究。分析線控轉向系統的結構組成，建立非線性三自由度汽車模型，再結合擴展卡爾曼濾波算法完成對橫擺角速度、質心側偏角的狀態估計，最后建立故障識別向量來完成對轉角傳感器的故障診斷，使用Carsim/Simulink聯合仿真驗證了算法的準確性。結果表明，算法可以對轉角傳感器的3種常見故障實時識別，保證轉角傳感器正常工作時不誤報、出現故障時及時報警，為后續對故障進行精確分類、故障補償策略的研究創造了條件。在今后的研究中將繼續提升故障識別算法的精確性和可靠性。

參考文獻

[1] 趙萬忠，張寒，鄒松春，等.線控轉向系統控制技術綜述[J].汽車安全與節能學報，2021，12（1）：18-34.

[2] 張婭玲，陳偉民，章鵬，等.傳感器故障診斷技術概述[J].傳感器與微系統，2009，28（1）：4-6，12.

[3] BENAN SERARSLAN M，BOOTZ A，SCHRAMM D.Enhancement of steering and safety feeling in a steer-by-wire application[J].IFAC Proceedings Volumes，2010，43（7）：679-684.

[4] 田承偉，宗長富，王祥，等.線控轉向汽車傳感器的容錯控制[J].吉林大學學報（工學版），2010，40（1）：6-12.

[5] 熊璐，付志強，李增良，等.無人車的線控轉向系統故障診斷[J].中國機械工程，2017，28（22）：2689-2694，2700.

[6] 孫成功，肖本賢.電動叉車穩定性控制系統傳感器故障重構[J].電子測量與儀器學報，2019，33（1）：120-127.

[7] 姚江云，吳方圓.線控轉向系統智能故障診斷方法研究[C]//Proceedings of 2014 2nd International Conference on Economic，Business Management and Education Innovation（EBMEI），2014：93-99.

[8] 曹曦，蘇明，黃善衡.BP神經網絡用于傳感器故障診斷的仿真研究[J].上海鐵道大學學報，2000，21（6）：43-47.

[9] 劉文營，劉偉，崔曉川.二自由度車輛動力學模型的擴展研究[J].中國測試，2016，42（S2）：76-79.

[10] 譚光興，符丹丹，丁穎，等.基于擴展卡爾曼濾波的汽車行駛狀態估計[J].廣西科技大學學報，2020，31（1）：18-24，44.

[11] 孫錚.線控四輪獨立轉向電動叉車控制策略及其容錯控制的研究[D].合肥：合肥工業大學，2020.

Fault diagnosis of steering angle sensor for steer-by-wire system based on extended Kalman filter

LI Xiaochen， TAN Guangxing*

（School of Automation， Guangxi University of Science and Technology， Liuzhou 545616， China）

Abstract： The wheel steering angle sensor is one of the important components in the automotive power system， and its reliability directly affects the safety of the vehicle. To improve the reliability "of the steering angle sensor for the steer-by-wire system， firstly， the structural characteristics of the steer-by-wire system are analyzed， a three-degree-of-freedom nonlinear vehicle model and a sensor fault type model are established. Secondly， based on the extended Kalman filter（EKF）algorithm， the vehicle state， such as yaw rate and side slip angle， is estimated through the vehicle model using the angle information input by the sensor. Then， the residual is generated with the actual value measured by the vehicle state sensor to construct a fault diagnosis vector and propose a diagnostic strategy to realize the fault diagnosis of the steering angle sensor. Finally， a Carsim/Simulink simulation platform is built for joint simulation. The results show that the algorithm can accurately identify the fault of the steering angle sensor.

Keywords： steer-by-wire; extended Kalman filter（EKF）; fault diagnosis; sensor

（責任編輯：黎 婭）