[发明专利]基于非线性滤波的抗蛇行减震器性能参数及故障辨识方法

权利要求书

1.一种基于非线性滤波的抗蛇行减震器性能参数及故障辨识方法，其特征在于，该方法包括如下步骤：

S1、建立车辆悬挂系统横向动力学模型；

S2、根据车辆悬挂系统横向动力学模型，建立悬挂系统的离散状态方程和离散观测方程，其中，

悬挂系统的离散状态方程为：

x_k+1＝Ax_k+Bu_k+Ew_k

其中，x_k为第k个采样点的状态变量,u_k为第k个采样点的系统输入，w_k为第k个采样点的过程噪声，离散状态方程中悬挂系统矩阵离散状态方程中过程噪声矩阵和为连续状态方程中悬挂系统矩阵，为连续状态方程中过程噪声矩阵；

悬挂系统的离散观测方程为：

y_k＝Cx_k+Du_k+Fv_k

其中，离散状态方程中悬挂系统矩阵和为连续状态方程中悬挂系统矩阵，离散状态方程中观测噪声矩阵为连续状态方程中观测噪声矩阵，v_k为第k个采样点的观测噪声；

S3、根据悬挂系统的离散状态方程和离散观测方程，基于边缘化粒子滤波算法对悬挂系统的抗蛇行减震器进行性能参数辨识和故障辨识。

2.根据权利要求1所述的基于非线性滤波的抗蛇行减震器性能参数及故障辨识方法，其特征在于，步骤S3的具体过程为：

S3.1、建立悬挂系统的非线性系统模型：

θ_k～p(θ_k|θ_k-1)

x_k＝f(x_k-1,u_k-1,w_k-1)＝A(θ_k-1)x_k-1+B(θ_k-1)u_k-1+E(θ_k-1)w_k-1

y_k＝h(x_k,u_k,v_k)＝C(θ_k)x_k+D(θ_k)u_k+F(θ_k)v_k

其中，θ_k为第k个采样点的悬挂系统的抗蛇行减震器性能参数，p(·|θ_k-1)表示已知θ_k-1时的概率密度函数，x_k为第k个采样点的状态变量,y_k为第k个采样点的观测变量，u_k为第k个采样点的系统输入，w_k和v_k分别为第k个采样点的过程噪声和观测噪声，f(·)为非线性状态转移方程，h(·)为非线性观测方程；

系统待辨识变量ξ_k为：

ξ_k＝[x_k^Tθ_k^T]^T

由贝叶斯定理可得：

p(ξ_k|Z_k)＝p(x_k,θ_k|Z_k)＝p(x_k|θ_k,Z_k)p(θ_k|Z_k)

其中，Z_k为第k个采样点的系统观测值；

S3.2、初始化第1个采样点的悬挂系统的抗蛇行减震器性能参数θ_1|0(i)：

如果已知初始概率密度函数为p(θ₀|Z₀)，对其进行采样可以得到作为参数粒子初始值的第1个采样点的悬挂系统的抗蛇行减震器性能参数θ_1|0(i)；如果没有先验知识作为依据获得p(θ₀|Z₀)，则通过在参数取值范围[θ_min，θ_max]内均匀采样获得θ_1|0(i)；

设系统初始状态值为对应协方差矩阵为P₀，对进行采样，获得系统状态的预测初值x_1|0(i)，并根据下式计算对应的协方差矩阵P_1|0(i)：

S3.3、依次对k＝2，k＝3,…,k＝T时，第k个采样点的悬挂系统的抗蛇行减震器性能参数进行辨识，具体包括：

S3.3.1、权值更新及归一化：

根据第k个采样点的状态预测粒子x_k|k-1(i)计算对应的观测值y_k|k-1(i)，根据y_k|k-1(i)与实际观测值y_k的偏差计算粒子权重并进行归一化，得到α_k(i)

y_k|k-1(i)＝C(θ_k|k-1(i))x_k|k-1(i)+D(θ_k|k-1(i))u_k

R_k(i)＝C(θ_k|k-1(i))P_k|k-1(i)C^T(θ_k|k-1(i))+Q_v

其中，R_k(i)为方差，Q_v为系统观测噪声的协方差矩阵；

S3.3.2、参数辨识：

计算得到第k个采样点的参数辨识值为

S3.3.3、重采样：

对粒子{θ_k|k-1(i),x_k|k-1(i),P_k|k-1(i):i＝1,2,…,N}进行重采样，得到对应的采样结果为{θ_k(j),x_k|k-1(j),P_k|k-1(j):j＝1,2,…,N}，满足Pr{θ_k(j)＝θ_k|k-1(i)}＝α_k(i)；

S3.3.4、卡尔曼滤波测量更新

计算第k个采样点的卡尔曼滤波增益矩阵K_k(i)、状态变量的辨识结果x_k(i)和均方误差矩阵的辨识结果P_k(i)：

R_k(i)＝C(θ_k(i))P_k|k-1(i)C^T(θ_k(i))+Q_v

x_k(i)＝x_k|k-1(i)+K_k(i)(y_k-C(θ_k(i))x_k|k-1(i))

P_k(i)＝P_k|k-1(i)-K_k(i)C(θ_k(i))P_k|k-1(i)；

S3.3.5、粒子滤波预测更新：

粒子滤波预测更新过程应用参数演化中心平滑模型实现，具体为

其中，a＝(3δ-1)/2δ；δ为折扣因子，取值范围为(0,1]，一般情况下取值为0.95～0.99；为第k个采样点的各参数粒子的蒙特卡洛均值，为噪声，且有V_k为第k个采样点的参数粒子的方差矩阵，

S3.3.6、卡尔曼滤波预测更新：

根据卡尔曼滤波预测更新的结果以及粒子滤波预测更新的结果计算下一时刻的状态预测值x_k+1|k(i)以及均方误差矩阵的预测值P_k+1|k(i)：

x_k+1|k(i)＝A(θ_k+1|k(i))x_k(i)+B(θ_k+1|k(i))u_k

其中，Q_w为系统过程噪声的协方差矩阵；

S3.4、在各采样点，根据参数辨识结果跟踪抗蛇行减震器的性能参数衰减，进而实现故障辨识。