| 主权项： |
1.一种汽车转向工况下的路面附着系数估计方法，其特征在于，具体包含如下步骤：步骤1)，建立汽车的二自由度整车模型，并实时测得汽车的横摆角速度、汽车纵向加速度和汽车侧向加速度；步骤2)，根据横摆角速度、汽车纵向加速度、汽车侧向加速度信号以及汽车的二自由度整车模型，计算车辆的纵向车速估计值vxa和侧向车速估计值vya：![]() ![]() 式中，ax、ay分别为汽车纵向加速度、汽车侧向加速度；ωr为横摆角速度；vxa、vya分别为纵向车速估计值、侧向车速估计值；步骤3)，结合纵向车速估计值、侧向车速估计值、汽车纵向加速度和汽车侧向加速度，由扩展卡尔曼滤波器计算出汽车的纵向速度和侧向速度：步骤3.1)，将扩展卡尔曼滤波器用如下线性随机微分方程表示：xk+1＝Akxk+Buk+ωyk＝Cxk+ε式中，![]() T为采样周期；k为迭代次数；ε和ω分别为测量误差和系统的模型预测误差，令其相互独立、稳定且符合高斯分布，则它们的协方差分别记为R和Q；νxk、vyk为k时刻的纵向、侧向速度；axk、ayk为k时刻的纵向、侧向加速度；vxak、vyak为k时刻2自由度汽车模型计算的纵向、侧向速度值；εk为k时刻的测量误差，所述k时刻即第k次迭代时；步骤3.2)，计算两次采样之间的采样数值和误差的增长：![]() Pk|k‑1＝FkPk‑1|k‑1FT+Q式中，![]() 为在k‑1时刻对k时刻x的预测值；Pk|k‑1为在k‑1时刻对k时刻预测误差ω的协方差；![]() 为计算![]() 时系统状态方程线性化得到的动态矩阵；Pk‑1|k‑1为k‑1时刻对k‑1时刻预测误差ω的协方差；步骤3.3)，根据预测值和预测误差修正测量值，具体如下：![]() ![]() Pk|k＝Pk|k‑1‑KkHkPk|k‑1式中，![]() 为预测时系统输出方程线性化得到的矩阵；R为测量误差ε的协方差；![]() 步骤4)，测得路面估计所需要的横摆角速度ωr和横摆角速度增益Δωr，结合卡尔曼滤波器计算出的纵向车速、横向车速和整车模型计算出路面估计所需要的两前轮侧偏角；步骤5)，将步骤4)中的横摆角速度增益Δωr、横摆角速度ωr、左前轮胎侧偏角αfl和右前轮胎侧偏角αfr输入BP神经网络结构，由BP神经网络算法估算出附着系数，具体如下：步骤5.1)，采用三层前馈神经网络结构，输入层设置4个节点，分别为横摆角速度增益Δωr、横摆角速度ωr、左前轮胎侧偏角αfl和右前轮胎侧偏角αfr，输出层设置一个输出节点，即路面附着系数；步骤5.2)，确定网络的隐含层节点，具体如下：![]() 式中，t为隐含层神经元数目；n为输入向量维数；l为输出向量维数；a为预设的常数；使用符合上式的隐含层节点数分别对建立的BP网络进行训练，选取输出预测误差最小的t值作为隐含层节点数；步骤5.3)，采用遗传算法对神经网络各个节点的加权值进行优化，具体如下：步骤5.3.1)，令E为网络训练的总误差，则有minE＝f{x1,x2,…,xs}＝f{w1,w2,…,wm,θ1,θ2,…,θk}式中，xi(i＝1,2,…,s)表示一组染色体，s等于全部节点权值和阈值之和；wi为网络第i个连接权值，m为连接权值的总数；θj(j＝1,2,…,p)为第j个神经元的阈值，p为隐含层和输出层的神经元总数；步骤5.3.2)，对各节点权值进行优化，具体步骤如下：步骤5.3.2.1)，对网络连接权进行实数编码；步骤5.3.2.2)，利用小区间生成法随机生成初始种群；步骤5.3.2.3)，根据适应度函数对个体性能进行评价，适应度函数f(x)定义为误差的倒数，即f(x)＝1/E(x)；步骤5.3.2.4)，对每个个体解码得到一个网络初始连接权值，并与样本一起输入网络计算总误差E；步骤5.3.2.5)，对父代种群进行选择、交叉和变异操作生成子代种群；步骤5.3.2.6)，计算子代中每个个体的适应值，并按适应度由大到小排列；步骤5.3.2.7)，对最优个体解码得到BP神经网络最优初始权重，再计算权值调整后的总误差E；步骤5.3.2.8)，如果总误差E小于预先给定的目标值，则训练结束，否则把优化后的权重作为下次训练的初始权重，返回步骤5.3.2.5)；步骤5.4)，BP神经网络构建完成，由神经网络估算出路面附着系数。 |
