技术领域
[0001] 本
发明涉及一种控制估计方法，具体涉及一种电动车驱动轴扭矩的观测方法及相关观测控制系统。
背景技术
[0002] 近年，随着地球环境的恶化和人们环保意识的提高，传统化石
燃料机动车尾气污染问题越发引起人们关注，为解决这个问题，一方面人们研究开发了一些尾气处理装置，另一方面人们也开始积极研究电动
汽车来逐步替代传统机动车；此外，电动汽车还有许多其他优点，比如较
汽油机驱动汽车的
能源利用率更高，省去了
发动机、
变速器、油箱、冷却和排气系统，结构较简单，噪声小，可在用电低峰时进行汽车充电，可以平抑
电网的峰谷差，使发电设备得到充分利用等，鉴于上述优点，可见电动车有着很大的发展潜
力；
[0003] 电动汽车上一般都是配置
自动变速器(AMT)或
双离合变速器(DCT)，而想要将变速器更好地运用于电动车，那么变速箱换挡
质量就至关重要，众所周知，精确的驱动轴扭矩信息对变速箱换挡质量以及驱动系统的振荡抑制控制有很重要的影响，然而，出于成本和安装条件的限制，驱动轴扭矩在车辆系统中无法直接测量，因此设计一种可以观测驱动轴扭矩信息的方法显得十分重要。
发明内容
[0004] 本发明的目的在于提供一种电动车驱动轴扭矩的观测方法及相关观测控制系统，其将
传感器测量得到的轮速和
电机转速作为输入，根据驱动系统内动力学建立
状态空间模型建立UKF
算法，实现对驱动轴扭矩的观测估计。
[0005] 为了达到上述目的，本发明通过以下技术方案实现：
[0006] 一种电动车中驱动轴扭矩的观测方法，其特征是，该观测方法具体包含以下步骤：
[0007] S1、由传感器模
块检测驱动系统的电机转速、轮速以及
车轮偏转
角；
[0008] S2、将传感器模块检测到的电机转速、轮速以及车轮偏转角数据传输给UKF观测模块进行仿真运算，并输出驱动轴扭矩估计结果。
[0009] 上述的电动车中驱动轴扭矩的观测方法，其中，步骤S2中的UKF观测模块的仿真运算具体包含以下步骤：
[0010] S21、根据驱动系统内动力学原理建立状态空间模型；
[0011] S22、将建立的数学状态空间模型运用于UKF计算模型中，形成UKF算法；
[0012] S23、运用
软件编码所述的状态空间模型和UKF算法，进行计算仿真，并输出驱动轴扭矩估计结果。
[0013] 上述的电动车中驱动轴扭矩的观测方法，其中，所述步骤S21中的状态空间模型为以
驱动电机转速、轮速以及变速箱驱动轴扭转角作为状态变量，驱动电机力矩作为控制输入的状态空间方程：
[0014] x1＝ωm
[0015] x2＝ωw
[0016] x3＝θm/igi0-θw
[0017] u＝Tm
[0018]
[0019]
[0020] 其中，ωm是电机转动
角速度，ωw是车轮角速度；θm是变速箱驱动轴扭转角，θw是车轮偏转角；ig是变速箱
齿轮传动比，i0是
主减速器传动比；Tm是电机扭矩；cm是电机
转子轴黏性阻力系数，cf是驱动轴黏性阻力系数，kf是驱动轴
刚度，ca为
空气阻力线性化系数；Jv是车轮
转动惯量；Troll转动扭矩，Tgrade摩擦阻力扭矩。
[0021] 上述的电动车中驱动轴扭矩的观测方法，其中，所述步骤S22中的UKF算法包含两步：
[0022] S221，预测过程；
[0023] S222，更新过程。
[0024] 上述的电动车中驱动轴扭矩的观测方法，其中，所述的步骤S221中：
[0025] 选择状态空间模型中的x3＝θm/igi0-θw作为预测方程，x1＝ωm和x2＝ωw作为观测方程。
[0026] 上述的电动车中驱动轴扭矩的观测方法，其中，所述的步骤S221具体包含：
[0027] A)构造sigma点：
[0028] 在k-1步，根据随机状态变量x的统计量 和协方差Pk-1构造sigma点集；
[0029]
[0030] 其中，λ是尺度参数，λ＝α2(nx+q)-nx，nx为状态空间维数，q是第二个尺度参数，α设定为一个常数；
[0031] B)对sigma点进行传播计算：
[0032] 转换公式如下，其中u代表输入；
[0033]
[0034] C)计算输出均值与误差协方差；
[0035] 输出的先验均值与误差协方差计算公式计算如下：
[0036]
[0037]
[0038] 其中，Q为噪声协方差， 和 为计算均值和协方差的加权，定义如下：
[0039]
[0040]
[0041] 其中，β为常数。
[0042] 上述的电动车中驱动轴扭矩的观测方法，其中，所述的步骤S222具体包含：
[0043] A)、构造sigma点：
[0044] 根据步骤S111中计算出的先验均值，再次构造sigma点；
[0045]
[0046] B)、计算预测输出：
[0047] 传播计算每个sigma点
[0048]
[0049] 则预测输出公式如下：
[0050]
[0051] C)、计算卡尔曼增益：
[0052] 提供一个最佳的卡尔曼增益Kk，计算方程如下所示：
[0053]
[0054]
[0055]
[0056] 其中， 是预测出输出误差协方差， 是均值与预测输出交叉协方差，R是噪声协方差；
[0057] D)、计算后验均值和后验协方差：
[0058] 在第k步，根据输出的测量值，计算出后验的状态和协方差，
[0059]
[0060]
[0061] 其中Yk表示第k步的实际测量值。
[0062] 一种电动车观测控制系统，其特征是，包含：
[0063] 驱动系统，其执行当前k-1时刻的操作输入，使电机和车轮转动，该驱动系统包含一控制单元；
[0064] 传感器模块，用于检测驱动系统中的电机转速、轮速以及车轮偏转角数据；
[0065] UKF观测模块，其包含根据驱动系统的状态空间模型所建立的UKF算法；所述传感器模块检测到的电机转速、轮速以及车轮偏转角数据作为其输入，其根据UKF算法对所述的检测数据进行运算并估计出k时刻变速箱驱动轴扭转角，运用驱动轴扭矩计算方程计算得出驱动轴扭矩，将该输出结果传送至所述驱动系统的控制单元，由控制单元决定电机扭矩，传给驱动系统后由驱动系统执行命令。
[0067] 1、这种观测方法利用传感器测量得到的轮速和电机转速作为输入，再根据驱动系统内动力学建立状态空间模型建立UKF算法，实现对驱动轴扭矩的观测估计；
[0068] 2、将这种观测方法运用到驱动系统控制中，实现了汽车
控制器对驱动轴扭矩的提前预判和处理，起到了对汽车驱动系统的可靠控制的目的。
附图说明
[0069] 图1为本发明的观测控制系统的系统
框图；
[0071] 图3为本发明的实施例中变速箱驱动轴扭转角的估计数据曲线与参考数据曲线对比。
具体实施方式
[0072] 以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。
[0073] 如图1所示，一种电动车观测控制系统，其包含：驱动系统，其执行当前k-1时刻的操作输入，这个输入通常为负载Tload，使电机和车轮转动，该驱动系统包含一控制单元；传感器模块，用于检测驱动系统中的电机转速、轮速以及车轮偏转角数据；UKF观测模块，其包含根据驱动系统的状态空间模型所建立的UKF算法；所述传感器模块检测到的电机转速、轮速以及车轮偏转角数据作为其输入，其根据UKF算法对所述的检测数据进行运算并估计出k时刻变速箱驱动轴扭转角θm，运用Tf驱动轴扭矩计算方程Tf＝kf(θm/igi0-θw)+cf(ωm/igi0-ωw)计算得出驱动轴扭矩Tf，将该输出结果传送至所述驱动系统的控制单元，由控制单元决定电机扭矩Tm，传给驱动系统后由驱动系统执行命令。
[0074] 一种电动车中驱动轴扭矩的观测方法，该观测方法具体包含以下步骤：
[0075] S1、由传感器模块检测驱动系统的电机转速、轮速以及车轮偏转角；
[0076] S2、将传感器模块检测到的电机转速、轮速以及车轮偏转角数据传输给UKF观测模块进行仿真运算，并输出驱动轴扭矩估计结果。
[0077] 所述步骤S2中的UKF观测模块的仿真运算具体包含以下步骤：
[0078] S21、根据驱动系统内动力学原理建立状态空间模型；
[0079] S22、将建立的数学状态空间模型运用于UKF计算模型中，形成UKF算法；
[0080] S23、运用软件编码所述的状态空间模型和UKF算法，进行计算仿真，并输出驱动轴扭矩估计结果。
[0081] 本实施例中，所述步骤S21具体为：
[0082] 采用变速箱档位固定下的驱动系统动力学方程：
[0083]
[0084]
[0085]
[0086]
[0087] Tload＝Troll+Tgrade+Tairdrag (5)，
[0088] Troll＝Crmvgcos(α)rw (6)，
[0089] Tgrade＝mvgsin(α)rw (7)，
[0090]
[0091] Vv＝rwωw (9)，
[0092] 根据驱动轴的特性-阻尼模型及上述方程，驱动轴扭矩的计算方法可以表示为：Tf＝kf(θm/igi0-θw)+cf(ωm/igi0-ωw) (10)，
[0093] 方程(10)中可以看出，由于轮速、车轮偏转角以及电机转速可以测量得出，因此估计驱动轴扭矩Tf的关键所在是估计出变速箱驱动轴扭转角θm。
[0094] 其中，Jmg是驱动系统总的转动惯量，Jm是电机的转动惯量，Jg是变速箱的转动惯量，Jv是车轮转动惯量。Tm是电机扭矩，Tf是驱动轴扭矩，Tload是外部负载扭矩，它包括Troll转动扭矩，Tgrade摩擦阻力扭矩，Tairdrag空气阻力扭矩。ωm是电机转动角速度，ωw是车轮角速度。θm是变速箱驱动轴扭转角，θw是车轮偏转角。mv是车重。i0是主减速器传动比，ig是变速箱
齿轮传动比。cm是电机转子轴黏性阻力系数，cf是驱动轴黏性阻力系数，kf是驱动轴刚度，Cr转动阻力系数，Cd是空气阻力系数。rw是车轮有效半径，α是道路坡度，ρair是空气
密度，Af是迎
风面积，Vv是车速；
[0095] 从上述动力学方程(8)可以看出，空气阻力与状态变量轮速直接相关，为解决空气阻力与轮速之间的非线性关系，作出如下线性近似处理：
[0096] Tairdrag＝caωw (11)，
[0097] 其中，ca为空气阻力线性化系数；
[0098] 将驱动电机转速、轮速以及变速箱驱动轴扭转角作为状态变量，驱动电机力矩作为控制输入，得到状态空间方程：
[0099] x1＝ωm
[0100] x2＝ωw
[0101] x3＝θm/igi0-θw
[0102] u＝Tm (12)
[0103]
[0104] 其中
[0105]
[0106] 由此，完整的数学模型建立完成。
[0107] 本实施例中，所述步骤S22中的UKF算法估计状态可以分为两步：S221，预测过程；S222，更新过程。
[0108] 一开始可以将非线性系统写为状态空间的形式，表示如下：
[0109] x(k)＝f[x(k-1),u(k)]+w(k)， (14)
[0110] z(k)＝g[x(k)]+v(k)， (15)
[0111] 其中，x(k)表示预测方程，z(k)表示观测方程，u(k)表示输入向量，w(k)和v(k)表示高斯过程和观测噪声向量；
[0112] 步骤S221预测过程具体包含：
[0113] A)、构造sigma点：
[0114] 在k-1步，根据随机状态变量x的统计量 和协方差Pk-1构造sigma点集。
[0115]
[0116] 其中λ是尺度参数，λ＝α2(nx+q)-nx，nx为状态空间维数，在本发明中是3；
[0117] q是第二个尺度参数，一般取0或者3-nx，α设定为一个很小的常数，在本文中取0.001；
[0118] B)、对sigma点进行传播计算：
[0119] 转换公式如下，其中u代表输入：
[0120]
[0121] C)、计算输出均值与误差协方差：
[0122] 输出的先验均值与误差协方差计算公式计算如下：
[0123]
[0124]
[0125] 其中Q为噪声协方差， 和 为计算均值和协方差的加权，定义如下：
[0126]
[0127]
[0128] 其中β为常数，在高斯分布中，为获得最佳估计一般取2。
[0129] 其中，步骤S222更新过程具体包含：
[0130] A)、构造sigma点
[0131] 根据上面计算出的先验均值，再次构造sigma点。
[0132]
[0133] B)、计算预测输出：
[0134] 传播计算每个sigma点
[0135]
[0136] 则预测输出公式如下：
[0137]
[0138] C)、计算卡尔曼增益：
[0139] 在这个过程中同时需要一个最佳的卡尔曼增益Kk，计算方程如下所示：
[0140]
[0141]
[0142]
[0143] 其中 是预测出输出误差协方差， 是均值与预测输出交叉协方差，R是噪声协方差；
[0144] D)、计算后验均值和后验协方差：
[0145] 在第k步，根据输出的测量值，可以计算出后验的状态和协方差，
[0146]
[0147]
[0148] 其中Yk表示第k步的实际测量值。
[0149] 本实施例中，根据UKF算法原理，
选定上述状态空间里的x3＝θm/igi0-θw作为预测方程，选定x1＝ωm和x2＝ωw为观测方程，具体公式如下所示：
[0150]
[0151]
[0152] 本实施例中，由于轮速、车轮偏转角以及电机转速可以测量得出，因此估计驱动轴扭矩的关键所在是估计出变速箱驱动轴扭转角，本算法是通过估计出驱动轴扭转角，再运用驱动轴扭矩计算方程计算得出驱动轴扭矩。
[0153] 试验数据请参见图2、3，图2所示为本实施例中车速曲线，通过上述观测方法所得出的驱动轴扭转角的估计数据与参考值曲线对比如图3所示，仿真验证结果表明所设计的观测器的有效性，并且保证了估计扭矩的
精度，达到了预期的目的，出色地解决了电动车中驱动轴扭矩难以观测的问题。
[0154] 尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种
修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的
权利要求来限定。
