详情

原文传递基于MEMS加速度传感器的智能化轮胎关键状态估计

论文题名：	基于MEMS加速度传感器的智能化轮胎关键状态估计
关键词：	汽车轮胎;状态估计;加速度传感器;机器学习
摘要：	智能汽车的快速发展引领智能底盘的技术变革，智能底盘先进的安全控制系统对底盘状态感知提出了更高的要求。轮胎作为底盘与路面唯一相互作用的部件，其精确的状态感知对智能汽车安全控制系统性能的提升具有至关重要的作用。目前，在轮胎状态感知方法中，轮胎作为被动部件还无法对自身状态直接监测，而是借助车载传感器、车辆动力学模型及轮胎模型建立间接轮胎状态感知算法，该方法在实际工作中存在累积误差或时间滞后等问题。　　针对上述问题，本文构建了一种基于三轴加速度传感器的智能轮胎系统，展开了智能轮胎系统试验，基于加速度数据结合轮胎物理模型和机器学习算法分别建立了轮胎力、轮胎侧偏角与轮胎滑移率的估计模型，并对所建立的模型进行了充分评估。本文的具体研究工作如下：　　首先，构建了智能轮胎测试系统，开展了自由滚动、纯侧偏与纯纵滑三种轮胎试验工况，确定了轮胎接地印迹识别方法，重点分析了频域范围与时域范围加速度信号随载荷、速度、侧偏角和滑移率的变化。在频域范围通过快速傅里叶变换与功率谱密度来观察不同工况的加速度特征；在时域范围通过观察原始加速度信号、积分速度与积分位移信号分析不同工况下的变化特征。　　其次，结合轮胎理论模型，基于垂向位移与载荷的相关性特征，建立了轮胎垂向力物理估计模型；结合轮胎侧向变形理论，基于侧向位移与侧向力的相关性特征，建立了轮胎侧向力物理估计模型。结合高斯过程回归算法，以偏最小二乘回归-预测变量重要性特征（PLS-VIP）方法提取特征为输入，建立了轮胎力机器学习估计模型。对物理模型与机器学习模型进行了科学的评估，结果表明，所开发的智能轮胎与机器学习相结合的轮胎力估计模型能准确预测不同工况下的轮胎力。　　然后，结合轮胎侧向变形理论，基于侧向位移前缘斜率与侧偏角的相关性特征，建立了轮胎侧偏角物理估计模型。以PLS-VIP特征为输入，基于加速度频域信息与侧偏角的相关性特征建立了轮胎侧偏角高斯过程回归估计模型。并对两种轮胎侧偏角估计模型进行了验证，其中轮胎侧偏角物理估计模型在±4度范围内能够较好地预测，而轮胎侧偏角机器学习估计模型可以在更大侧偏角范围（±8度）内准确估计。准确的轮胎侧偏角估计可以更加精确地计算其他轮胎/车辆状态和参数，对车辆先进控制系统有重要意义。　　最后，在纵滑工况下对时域加速度展开数据分析，其中垂向加速度与滑移率存在显著特征，PLS-VIP方法计算的结果同样验证了这一结论。以PLS-VIP特征为输入，结合高斯过程回归建立了轮胎滑移率估计模型。所提出的估计模型能够连续稳定地估计±30%范围的滑移率，估算结果对车辆速度和载荷具有很高的鲁棒性。　　本研究融合了智能轮胎系统、轮胎物理模型与机器学习算法，并采用了PLS-VIP特征提取技术，为准确估计不同驾驶条件下的轮胎力、轮胎侧偏角和轮胎滑移率提供新的方法，也为智能汽车、智能底盘和轮胎状态精确估计提供了新的途径。
作者：	汤泽鹏
专业：	车辆工程
导师：	许男
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2022