本发明涉及一种基于车辆动力学和智能轮胎技术的附着系数估算方法，属于车辆控制。
背景技术：
1、智能汽车技术的迅速发展正在推动着汽车产业的变革，为人们带来了更加便捷、安全和舒适的驾驶体验。车辆主动安全控制是智能驾驶领域中不可或缺的关键技术，包括主动安全系统如防抱死制动系统(abs)、牵引控制系统(tcs)和电子稳定控制系统(esc)等。准确实时获取轮胎-路面附着系数是这些主动安全技术性能的根本保证，而附着系数无法直接测量获得，因此针对它的估算方法的研究一直是汽车领域的研究热点和难点。现有附着系数估算方法在估算过程中常常需要使用多种车载传感器信号，如方向盘转角、车轮转速、横摆角速度等，这必然会导致系统信号采集累计误差的增加，进而增大附着系数估算的不确定性。
2、随着传感器技术和电子信息技术的发展，智能轮胎技术应运而生。该技术能直接采集车辆行驶过程中轮胎的动态信息，并结合机器学习或理论模型实现轮胎状态的实时估算。若将智能轮胎估计的轮胎状态应用到路面附着系数估算进程中，便可以减少传统附着系数估算方法中使用的车载传感器数量(如转角传感器以及轮速传感器等)，从而减少系统信号采集累计误差，提升附着系数估算精度和鲁棒性。目前，基于智能轮胎技术的轮胎状态估算方法通常将传感器安装在轮胎内衬层中心处，但这种信号采集策略仅能采集单一采样点的动态特征，信号来源单一，导致基于此构建的轮胎状态估算算法的稳定性无法保证。特别当车辆处于极限驾驶工况时，轮胎胎面会发生严重的扭曲变形，极易导致传感器信号失真。此时，基于单一传感器信号建立的轮胎状态估算算法估算精度就会出现严重的下滑。
3、综上所述，建立基于多源信号的智能轮胎状态估算方法，结合车辆动力学形成具备高估算精度和鲁棒性的轮胎-路面附着系数估算方法，对于推进汽车智能化进程，特别是提高汽车稳定性控制性能有着重要意义。
技术实现思路
1、发明目的：针对现有技术中存在的不足，本发明提供了一种基于车辆动力学和智能轮胎技术的附着系数估算方法。该发明通过在轮胎内衬层安装多个加速度传感器，利用多源传感器系统数据采集的丰富性弥补单一传感器采集系统可能产生的信号失真现象，提高轮胎状态估算的准确性和鲁棒性。同时，将智能轮胎技术与车辆动力学相结合，减少传统附着系数估算方法中车载传感器的使用数量，降低系统信号采集累积误差，提高附着系数估算精度和鲁棒性。
2、技术方案：一种基于智能轮胎技术和车辆动力学的附着系数估算方法，包括以下步骤：
3、s1、构建加速度计型智能轮胎有限元模型，进行多工况下加速度信号响应分析；
4、s2、根据步骤s1中的信号响应分析选取计算特征，构建轮胎纵向接地印迹长度数值解算模型；
5、s3、根据步骤s1中的信号响应分析选取敏感信号，并结合pcc理论；若两个特征的相关性系数介于±0.8～±1，则认为特征之间具备高度线性相关性，选取这些特征用于构建轮胎侧偏角的神经网络估算算法；
6、s4、设计信号转化算法将步骤s1获得的轮胎纵向中心线上一采样点横向加速信号转换为横向位移信号，在此基础上构建基于轮胎横向变形理论模型的横向力、垂向力以及回正力矩估算模型；
7、s5、将步骤s2、s3和s4中的轮胎状态估算值输入到刷子轮胎理论模型中，构建轮胎-路面附着系数理论解析模型。
8、具体的，步骤s1具体为：
9、首先通过分析轮胎结构、尺寸和材料特性，获取建模轮胎有限元模型需要的参数信息。然后，基于有限元理论构建轮胎有限元模型。
10、接着，根据轮胎结构特征和实际运动状态选定内衬层加速度传感器安装位置，形成内置多点加速度传感器的智能轮胎有限元模型。
11、最后，通过控制变量法进行变负载、侧偏角、胎压、速度和路面附着系数工况下的各加速度传感器的信号响应分析，为后续轮胎状态估算算法输入特征的可靠提取奠定基础。
12、同时，根据日常行车工况确定上述轮胎状态的取值范围，采集训练集数据，为后续轮胎状态估算模型构建建立数据基础。
13、具体的，步骤s2具体为：
14、首先，基于步骤s1的信号响应分析结果确定对纵向接地印迹长度变化最敏感的加速度传感器。
15、然后，对比分析该加速度传感器三向加速度信号与其安装位置节点的接触压力曲线，提取最能表征轮胎滚过纵向接地印迹长度所需时间的计算特征。
16、在此基础之上，计算出轮胎滚过纵向接地印迹长度所需的时间δt。接着，任选其中一个计算特征，计算相邻轮胎滚动整圈之间选定特征的时间间隔作为轮胎滚过一圈所需的时间t；
17、此时，便可以通过δt与t的关系解算出轮胎接地角δφ，可表达为：
18、
19、最后，假设胎面橡胶在进入接地印迹区域前不会受到橡胶压缩变形的影响，则可以计算出轮胎纵向接地印迹长度l，可表达为：
20、
21、其中rf为轮胎的充气半径，a为轮胎纵向接地印迹半长。
22、具体的，步骤s3具体为：
23、首先，根据步骤s1中变工况下信号响应分析结果筛选出对侧偏角变化具有高敏感的加速度信号作为提取输入特征的源信号。
24、然后，初步筛选出源信号中与侧偏角变化呈高相关的特征，若两个特征的相关性系数介于±0.8～±1，则认为特征之间具备高度线性相关性。
25、最后，计算这些初步特征与对应侧偏角的pcc，并设定阈值筛选最终的输入特征。在此基础上，提取步骤s1中采集的训练集中所有的输入特征形成输入特征矩阵n。
26、pcc的计算表达式为：
27、
28、其中，xi和yi分别表示输入矩阵x和输出矩阵y的第i个输入值和输出值，和分别表示输入值和输出值的平均值，n表示矩阵的维度。pcc值越接近-1或者1表示输出值和输入值的相关性越好。
29、进一步的，提取步骤s1获得的数据集中与之对应的侧偏角形成侧偏角输出矩阵α，并将n和α组成新数据集t，可写为：
30、
31、进一步的，对数据集t进行归一化处理，提高基于此训练出的侧偏角神经网络估算模型的估算精度。归一化的公式可写为：
32、
33、其中，xmin和xmax分别为需要归一化的最小值和最大值，xnor为归一化的值。在归一化的基础上将数据集t划分训练集和测试集
34、进一步的，使用训练三层的bp神经网络侧偏角估算模型。首先，将输入特征输入到输入层节点，则对应的隐藏层节点输出可写为：
35、
36、其中，aj为隐藏层输出向量，ψ为输入层的节点数。wij为从输入层到隐藏层的权重，bj为隐藏层的阈值，σ(·)为隐含层传递函数，aj为输出层的输入，φ为隐藏层节点数，通过经验公式以及以均方误差(mean-square error，mse)最小作为评判标准的遍历算法确定，所采用的经验公式为：
37、
38、其中，n为输出节点个数，m为输入节点个数，η为1～10的常数。
39、进一步的，隐藏层输出节点对应的输出层节点的表达式为：
40、
41、其中，αo为输出层的输出向量，即为侧偏角归一化估算值，wjo为从隐藏层到输出层的权重矩阵，bo为输出层的阈值向量，为输出层的激励函数。
42、最后，对侧偏角归一化估算值进行反归一化处理以获得侧偏角估算值。反归一化公式可表达为：
43、
44、其中，ymax和ymin为需要反归一化的最大值和最小值，ydenor为反归一化后的值。
45、具体的，步骤s4具体为：
46、设计信号转换算法将轮胎纵向中心对称线上一采样点横向加速度信号转换为横向位移信号。
47、首先，对横向加速度信号进行第一次高通滤波、积分和归一化处理得到横向速度信号。然后，对横向速度信号进行第二次高通滤波、积分和归一化处理得到横向位移信号。采用的高通滤波传递函数的标准形式为：
48、
49、其中，s为拉普拉斯变换中的复频率变量，wc是滤波器的截止频率。
50、进一步的，将编码器实时采集该采样点在轮胎旋转过程中所处的轮胎旋转角度位置信息与其横向位移信号组合为数据集t2。
51、进一步的，将数据集t2输入到轮胎横向变形理论模型中，其表达式为：
52、
53、其中，cbend,cyaw和clat为轮胎刚度参数，可提前获得，x为表示轮胎纵向中心线上某采样点所处的轮胎角度位置，y为该采样点的横向位移，fy、mz和fz分别是轮胎横向力、回正力矩以及垂向力。
54、进一步的，将轮胎横向变形理论模型改写为线性回归形式，可写为：
55、f(x)＝φ(x)tθ
56、其中，φ(x)＝[x2x1]t，
57、最后，采用rfmls对改写成线性回归模式的轮胎横向变形理论回归模型进行参数辨识，以获得fy、mz、和fz。rfmls递推辨识算法具体公式写为：
58、
59、其中，式①、②和③三式用来计算第k至k+l数据序列的量测数据参数估计协方差矩阵p(k+1,k+l)和增益矩阵k(k,k+l)。rfmls算法通过消除第k个数据序列所提供的信息，进而计算第k+1至k+l数据序列的量测数据参数估计协方差矩阵p(k+1,k+l)以及增益矩阵k(k,k+l)。这一计算过程通过迭代的方式不断进行，确保每次估计仅基于最新一组的观测方程数据。通过这种迭代方式，保持每次估计只有最新一组的观测方程数据，最终估算fy、mz和fz。
60、具体的，步骤s5具体为：
61、将步骤s2、s3、s4估算的轮胎纵向接地印迹半长、侧偏角、横向力、回正力矩和垂向力代入到刷子轮胎理论模型中，对理论模型进行非线性求解以获得轮胎-路面附着系数。所采用的刷子轮胎理论模型可写为：
62、
63、其中，cpy为侧向刚度，αsl为临界侧偏角，μ为附着系数。
64、与现有技术相比，本发明具有以下显著的有益效果：通过有限元软件建立了加速度计型智能轮胎有限元模型，减少了构建基于胎内加速度传感器信号的轮胎状态估算算法所需的时间成本和资金成本；
65、基于有限元方法详细分析了轮胎纵向中心线上采样点三轴加速度信号与轮胎纵向接地印迹长度的关系，选取了最具代表性的计算特征，提高了轮胎纵向接地印迹长度估算的准确性；
66、基于信号响应分析、相关性分析及pcc理论选取了模型输入特征，在此基础上构建了基于神经网络的轮胎侧偏角估算模型，提高了侧偏角估算的精度和鲁棒性；
67、相比于传统的基于智能轮胎或车辆动力学的轮胎力估算方法而言，本发明提出了一种基于胎内传感信号与轮胎横向变形理论模型相结合的轮胎力估算方法，避免了单一使用智能轮胎技术估算轮胎力的工况适应性差，以及单一使用车辆动力学估算轮胎力非线性区域估算精度差的问题；
68、相比于传统的基于智能轮胎技术或车辆动力学的路面附着系数估算方法而言，本发明将智能轮胎技术估算的轮胎状态直接代入车辆动力学中，减少了基于车辆动力学估算路面附着方法的车载传感器使用数量，减少了系统信号采集累积误差，提高了附着系数估算精度和鲁棒性。
1.一种基于车辆动力学和智能轮胎技术的附着系数估算方法，包括以下步骤：
2.根据权利要求书1所述的基于车辆动力学和智能轮胎技术的附着系数估算方法，其特征在于，步骤s1具体包括以下步骤：
3.根据权利要求书1所述的基于车辆动力学和智能轮胎技术的附着系数估算方法，其特征在于，步骤s2具体包括以下步骤：
4.根据权利要求书1所述的基于车辆动力学和智能轮胎技术的附着系数估算方法，其特征在于，步骤s3具体包括以下步骤：
5.根据权利要求书4所述的基于车辆动力学和智能轮胎技术的附着系数估算方法，其特征在于，所述步骤s3-3中
6.根据权利要求书5所述的基于车辆动力学和智能轮胎技术的附着系数估算方法，其特征在于，隐藏层节点φ的取值确定方法为：
7.根据权利要求书1所述的基于车辆动力学和智能轮胎技术的附着系数估算方法，其特征在于，步骤s4具体包括以下步骤：
8.根据权利要求书7所述的基于车辆动力学和智能轮胎技术的附着系数估算方法，其特征在于，所采用的信号转换方法步骤为：
9.根据权利要求书7所述的基于车辆动力学和智能轮胎技术的附着系数估算方法，其特征在于，所采用的参数辨识流程具体为：
10.根据权利要求书1所述的基于车辆动力学和智能轮胎技术的附着系数估算方法，其特征在于，步骤s5具体为：
